CN114821120B - 基于神经网络的植物颜色识别方法及装置 - Google Patents
基于神经网络的植物颜色识别方法及装置 Download PDFInfo
- Publication number
- CN114821120B CN114821120B CN202210385254.4A CN202210385254A CN114821120B CN 114821120 B CN114821120 B CN 114821120B CN 202210385254 A CN202210385254 A CN 202210385254A CN 114821120 B CN114821120 B CN 114821120B
- Authority
- CN
- China
- Prior art keywords
- color
- plant
- value
- identification
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Color Image Communication Systems (AREA)
Abstract
本发明公开了一种基于神经网络的植物颜色识别方法、装置、设备及存储介质,通过获取包括若干个标准比色卡的色条RGB值与色条CIELAB值的标准比色卡样本集,对植物颜色识别模型进行建立与精度测试,为CIELAB值中每个颜色值指标匹配对应的目标植物颜色识别模型,并利用该目标植物颜色识别模型对待识别植物的目标RGB值进行颜色识别,以获得待识别植物在标准比色卡基准下的色号。本申请实施例通过建立植物颜色识别模型,利用样本集中不同状态下标准比色卡对应色条RGB值与CIELAB值的关系对植物颜色识别模型进行训练,并为对应颜色值匹配契合度更高的目标植物颜色识别模型,以此提高了利用比色卡对植物颜色进行识别的正确率。
Description
技术领域
本发明涉及植物技术领域,尤其涉及到一种基于神经网络的植物颜色识别方法、装置、设备及存储介质。
背景技术
标准比色卡的色号种类多,利用标准比色卡进行植物的颜色识别具有较高的精度。
目前,在利用标准比色卡对植物颜色进行识别时,通常利用目测比对的方法,即:人眼对植物材料和比色卡不同色号逐一比对,找到视觉上与植物材料颜色最为接近的色卡颜色,将其色号确定为植物材料颜色。然而,人眼视觉差异及认知差异使得比对结果主观性强,准确性差。此外,环境因素及其变化也会对色卡目测比对方法造成较大的影响。因此,通过色卡目测比对方法进行植物颜色识别具有较大误差。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于神经网络的植物颜色识别方法、装置、设备及存储介质,旨在解决目前利用标准比色卡对植物颜色进行识别时误差较大的技术问题。
为实现上述目的,本发明提供一种基于神经网络的植物颜色识别方法,所述方法包括以下步骤:
获取标准比色卡样本集,并将所述标准比色卡样本集划分为训练集和测试集;其中,所述标准比色卡样本集包括若干个标准比色卡的色条RGB值和所述色条RGB值对应的色条CIELAB值;
建立若干个神经网络模型,利用所述训练集对所述神经网络模型进行训练,获得若干个植物颜色识别模型;
利用所述测试集对若干个植物颜色识别模型进行识别精度测试,并基于所述识别精度测试的结果,确定目标植物颜色识别模型;
在接收到采集的待识别植物的目标RGB值时,利用所述目标植物颜色识别模型对所述待识别植物进行颜色识别,获得所述待识别植物的目标CIELAB值;
基于所述目标CIELAB值,在标准比色卡的颜色值数据库中,确定待识别植物的色号。
可选的,所述获取标准比色卡样本集步骤,具体包括:
将标准比色卡中的色条分组,采集每组色条上每个色块的RGB值;
获取所述色条上每个色块经过色差仪测定的CIELAB值,并根据所述RGB值和所述CIELAB值,建立标准比色卡样本集。
可选的,所述采集每组色条上每个色块的RGB值步骤,具体包括:
将每组色条按顺序平铺排列至图像采集室的拍摄面,拍摄色条在当前排列状态的第一色条图像;
调整所述拍摄面上色条的平铺顺序,拍摄色条在调整后排列状态的第二色条图像;
提取所述第一色条图像和第二色条图像中色条上每个色块的RGB值。
可选的,所述调整所述拍摄面上色条的平铺顺序,拍摄色条在调整后排列状态的第二色条图像步骤,具体包括:
对拍摄面上色条进行循环移位调整;
并对循环移位调整之后的每个状态对应的图像进行拍摄,以使所述第二色条图像包括任意一个色条在拍摄面的每个色条位置上的图像。
可选的,所述获取所述色条上每个色块经过色差仪测定的CIELAB值,并根据所述RGB值和所述CIELAB值,建立标准比色卡样本集步骤,具体包括:
获取每组色条上每个色块经过色差仪测定的CIELAB值以及每个色块提取的N个RGB值;其中N为色条在采集RGB值时具有的排列状态数量;
根据所述CIELAB值和所述N个RGB值,建立标准比色卡样本集。
可选的,利用所述测试集对若干个植物颜色识别模型进行识别精度测试,并基于所述识别精度测试的结果,确定目标植物颜色识别模型步骤,具体包括:
利用若干个植物颜色识别模型分别对所述测试集进行识别,获得每个植物颜色识别模型分别对L*颜色值、a*颜色值和b*颜色值的识别正确率;
根据所述识别正确率,为L*颜色值、a*颜色值和b*颜色值的识别分别匹配对应的植物颜色识别模型。
可选的,所述目标植物颜色识别模型包括L*颜色识别模型、a*颜色识别模型和b*颜色识别模型,所述利用所述目标植物颜色识别模型对所述待识别植物进行颜色识别,获得所述待识别植物的目标CIELAB值步骤,包括:
分别利用L*颜色识别模型、a*颜色识别模型和b*颜色识别模型对待识别植物进行颜色识别,获得待识别植物的L*颜色值、a*颜色值和b*颜色值;
利用所述L*颜色值、a*颜色值和b*颜色值,确定待识别植物的目标CIELAB值。
此外,为了实现上述目的,本发明还提供了一种基于神经网络的植物颜色识别装置,所述基于神经网络的植物颜色识别装置包括:
获取模块,用于获取标准比色卡样本集,并将所述标准比色卡样本集划分为训练集和测试集;其中,所述标准比色卡样本集包括若干个标准比色卡的色条RGB值和所述色条RGB值对应的色条CIELAB值;
建立模块,用于建立若干个神经网络模型,利用所述训练集对所述神经网络模型进行训练,获得若干个植物颜色识别模型;
测试模块,用于利用所述测试集对若干个植物颜色识别模型进行识别精度测试,并基于所述识别精度测试的结果,确定目标植物颜色识别模型;
识别模块,用于在接收到采集的待识别植物的目标RGB值时,利用所述目标植物颜色识别模型对所述待识别植物进行颜色识别,获得所述待识别植物的目标CIELAB值;
确定模块,用于基于所述目标CIELAB值,在标准比色卡的颜色值数据库中,确定待识别植物的色号。
此外,为了实现上述目的,本发明还提供了一种基于神经网络的植物颜色识别设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于神经网络的植物颜色识别程序,所述基于神经网络的植物颜色识别程序被所述处理器执行时实现如上所述的基于神经网络的植物颜色识别方法的步骤。
此外,为了实现上述目的,本发明还提供了一种存储介质,所述存储介质上存储有基于神经网络的植物颜色识别程序,所述基于神经网络的植物颜色识别程序被处理器执行时实现上述的基于神经网络的植物颜色识别方法的步骤。
本申请实施例提出的一种基于神经网络的植物颜色识别方法、装置、设备及存储介质,通过获取包括若干个标准比色卡的色条RGB值与色条CIELAB值的标准比色卡样本集,对植物颜色识别模型进行建立与精度测试,为CIELAB值中每个颜色值指标匹配对应的目标植物颜色识别模型,并利用该目标植物颜色识别模型对待识别植物的目标RGB值进行颜色识别,以获得待识别植物在标准比色卡基准下的色号。本申请实施例通过建立植物颜色识别模型,利用样本集中不同状态下标准比色卡对应色条RGB值与CIELAB值的关系对植物颜色识别模型进行训练,并为对应颜色值匹配契合度更高的目标植物颜色识别模型,以此提高了利用比色卡对植物颜色进行识别的正确率。
附图说明
图1为本申请基于神经网络的植物颜色识别设备的示意图;
图2为本申请基于神经网络的植物颜色识别方法的流程示意图;
图3为本申请基于神经网络的植物颜色识别装置的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
目前,在利用标准比色卡对植物颜色进行识别时,通常利用目测比对的方法,即:人眼对植物材料和比色卡不同色号逐一比对,找到视觉上与植物材料颜色最为接近的色卡颜色,将其色号确定为植物材料颜色。然而,人眼视觉差异及认知差异使得比对结果主观性强,准确性差。此外,环境因素及其变化也会对色卡目测比对方法造成较大的影响。因此,通过色卡目测比对方法进行植物颜色识别具有较大误差。
为了解决这一问题,提出本发明的基于神经网络的植物颜色识别方法的各个实施例。本发明提供的基于神经网络的植物颜色识别方法通过建立植物颜色识别模型,利用样本集中不同状态下标准比色卡对应色条RGB值与CIELAB值的关系对植物颜色识别模型进行训练,并为对应颜色值匹配契合度更高的目标植物颜色识别模型,以此提高了利用比色卡对植物颜色进行识别的正确率。
参照图1,图1为本发明实施例方案涉及的基于神经网络的植物颜色识别设备的结构示意图。
设备可以是移动电话、智能电话、笔记本电脑、数字广播接收器、个人数字助理(PDA)、平板电脑(PAD)等用户设备(User Equipment,UE)、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备、移动台(Mobile station,MS)等。设备可能被称为用户终端、便携式终端、台式终端等。
通常,设备包括:至少一个处理器301、存储器302以及存储在所述存储器上并可在所述处理器上运行的基于神经网络的植物颜色识别程序,所述基于神经网络的植物颜色识别程序配置为实现基于神经网络的植物颜色识别方法的步骤。
处理器301可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(CentralProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器301可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。处理器301还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关基于神经网络的植物颜色识别操作,使得基于神经网络的植物颜色识别模型可以自主训练学习,提高效率和准确度。
存储器302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器301所执行以实现本申请中方法实施例提供的基于神经网络的植物颜色识别方法。
在一些实施例中,终端还可选包括有:通信接口303和至少一个外围设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。具体地,外围设备包括:射频电路304、显示屏305和电源306中的至少一种。
通信接口303可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。通信接口303通过外围设备用于接收用户上传的多个移动终端的移动轨迹以及其他数据。在一些实施例中,处理器301、存储器302和通信接口303被集成在同一芯片或电路板上;在一些其他实施例中,处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信,从而可获取多个移动终端的移动轨迹以及其他数据。射频电路304将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路304包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(WirelessFidelity,无线保真)网络。在一些实施例中,射频电路304还可以包括NFC(Near FieldCommunication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏305用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏305是触摸显示屏时,显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。此时,显示屏305还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏305可以为一个,电子设备的前面板;在另一些实施例中,显示屏305可以为至少两个,分别设置在电子设备的不同表面或呈折叠设计;在再一些实施例中,显示屏305可以是柔性显示屏,设置在电子设备的弯曲表面上或折叠面上。甚至,显示屏305还可以设置成非矩形的不规则图形,也即异形屏。显示屏305可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
电源306用于为电子设备中的各个组件进行供电。电源306可以是交流电、直流电、一次性电池或可充电电池。当电源306包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解,图2中示出的结构并不构成对基于神经网络的植物颜色识别设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本申请实施例提供了一种基于神经网络的植物颜色识别方法,参照图2,图2为本申请基于神经网络的植物颜色识别方法的第一实施例的流程示意图。
本实施例中,所述基于神经网络的植物颜色识别方法包括以下步骤:
步骤S100,获取标准比色卡样本集,并将所述标准比色卡样本集划分为训练集和测试集;其中,所述标准比色卡样本集包括若干个标准比色卡的色条RGB值和所述色条RGB值对应的色条CIELAB值。
在实际应用中,获取标准比色卡样本集通过将标准比色卡中的色条分组,采集每组色条上每个色块的RGB值,获取所述色条上每个色块经过色差仪测定的CIELAB值,并根据所述RGB值和所述CIELAB值,建立标准比色卡样本集。
在本实施例中,标准比色卡采用RHSCC标准比色卡,RHSCC标准比色卡包括884张RHSCC色条,为了对884张RHSCC色条上个色块的RGB值进行采集,同时避免因环境中微小光照变化导致的RGB值偏差,需要将884张RHSCC色条进行分组采集。
具体而言,可以30张为一组对884张RHSCC色条进行分组,在采集标准比色卡的RGB值时,对每组RHSCC色条上每个色块的RGB值进行采集。
需要说明的是,在采集每组色条上每个色块的RGB值时,可将每组色条按顺序平铺排列至图像采集室的拍摄面,拍摄色条在当前排列状态的第一色条图像,调整所述拍摄面上色条的平铺顺序,拍摄色条在调整后排列状态的第二色条图像,提取所述第一色条图像和第二色条图像中色条上每个色块的RGB值。
在采集色条在当前排列状态的第一色条图像时,可采集两次当前排列状态的图像,避免单次图像采集出现的误差。
在优选的实施例中,调整所述拍摄面上色条的平铺顺序,拍摄色条在调整后排列状态的第二色条图像,可通过对拍摄面上色条进行循环移位调整,并对循环移位调整之后的每个状态对应的图像进行拍摄,以使所述第二色条图像包括任意一个色条在拍摄面的每个色条位置上的图像。
具体而言,对色条进行循环移位调整可以具体为:重新调整RHSCC色条顺序,将第30张RHSCC色条挪至拍摄面的最左上角位置,第一张及其他色条依次后移,摆放好后,采集包含有RHSCC色条的图像,采集两次,重复此操作直至第2张色条挪至最左上角位置,每个色块有来自于30个位置的60个RGB值。
需要说明的是,在获取所述色条上每个色块经过色差仪测定的CIELAB值,并根据所述RGB值和所述CIELAB值,建立标准比色卡样本集时,可通过获取每组色条上每个色块经过色差仪测定的CIELAB值以及每个色块提取的N个RGB值;其中N为色条在采集RGB值时具有的排列状态数量,根据所述CIELAB值和所述N个RGB值,建立标准比色卡样本集。
id | R | G | B | L* | a* | b* |
1 | 181.000 | 180.000 | 55.000 | 86.760 | -9.680 | 72.230 |
885 | 170.000 | 168.000 | 48.000 | 86.760 | -9.680 | 72.230 |
1769 | 162.000 | 160.000 | 42.000 | 86.760 | -9.680 | 72.230 |
2653 | 176.000 | 174.000 | 49.000 | 86.760 | -9.680 | 72.230 |
表1为多组RGB值与同一L*a*b*的对照表
在本实施例中,N为30。另外,当对每个排列状态拍摄两次图像时,建立标准比色卡样本集,也可通过获取每组色条上每个色块经过色差仪测定的CIELAB值以及每个色块提取的60个RGB值。
在此之后,还需对标准比色卡样本集进行划分,以获得分别用于植物颜色识别模型训练和精度测定的训练集和测试集。
至此,即可获得包括若干个标准比色卡的色条RGB值和所述色条RGB值对应的色条CIELAB值的标准比色卡样本集,利用该标准比色卡样本集进行植物颜色识别模型的训练以及植物颜色的识别,有效避免RGB值与CIELAB值单一匹配关系受环境因素影响,进而导致的颜色识别准确率低。
步骤S200,建立若干个神经网络模型,利用所述训练集对所述神经网络模型进行训练,获得若干个植物颜色识别模型。
在实际应用中,在构建植物颜色识别模型时,可选择若干种初始模型,例如LightGbmRegression,FastTreeRegression,FastTreeTweedieRegression,SdcaRegression等模型,也可在相同模型中设置不同参数指标,以此建立若干个神经网络模型。
具体而言,在构建若干个神经网络模型后,可利用训练集分别对若干个神经网络模型进行训练,获得若干个植物颜色识别模型。
步骤S300,利用所述测试集对若干个植物颜色识别模型进行识别精度测试,并基于所述识别精度测试的结果,确定目标植物颜色识别模型。
在实际应用中,在获得若干个植物颜色识别模型后,考虑每种植物颜色识别模型对不同颜色值的适应性不同,需要在若干个植物颜色识别模型中匹配颜色值对应的模型。
具体而言,利用所述测试集对若干个植物颜色识别模型进行识别精度测试,并基于所述识别精度测试的结果,确定目标植物颜色识别模型,可通过利用若干个植物颜色识别模型分别对所述测试集进行识别,获得每个植物颜色识别模型分别对L*颜色值、a*颜色值和b*颜色值的识别正确率;根据所述识别正确率,为L*颜色值、a*颜色值和b*颜色值的识别分别匹配对应的植物颜色识别模型。
在上述步骤的基础上,目标植物颜色识别模型包括L*颜色识别模型、a*颜色识别模型和b*颜色识别模型。
因此,利用所述目标植物颜色识别模型对所述待识别植物进行颜色识别,获得所述待识别植物的目标CIELAB值,可通过分别利用L*颜色识别模型、a*颜色识别模型和b*颜色识别模型对待识别植物进行颜色识别,获得待识别植物的L*颜色值、a*颜色值和b*颜色值,利用所述L*颜色值、a*颜色值和b*颜色值,确定待识别植物的目标CIELAB值。
表2为若干个植物颜色识别模型中对L*颜色值识别准确率前5的模型
表3为若干个植物颜色识别模型中对a*颜色值识别准确率前5的模型
表4为若干个植物颜色识别模型中对b*颜色值识别准确率前5的模型
基于识别精度测试结果,可获得RGB到L*的最佳深度神经网络预测模型为LightGbmRegression,其精度为0.9089;获得RGB到a*的最佳深度神经网络预测模型为FastTreeRegression,其精度为0.9868;获得RGB到b*的最佳深度神经网络预测模型为FastTreeRegression,其精度为0.9873。
步骤S400,在接收到采集的待识别植物的目标RGB值时,利用所述目标植物颜色识别模型对所述待识别植物进行颜色识别,获得所述待识别植物的目标CIELAB值。
在获得分别对L*颜色值、a*颜色值和b*颜色值进行颜色识别的目标植物颜色识别模型后,即可实现对待识别植物的颜色识别。
具体而言,先在同样环境下的图像采集室中,对待识别植物进行图像采集,并提取待识别植物的目标RGB值。在此之后,将获取的目标RGB值输入目标植物颜色识别模型,在对应的植物颜色识别模型中获得L*颜色值、a*颜色值和b*颜色值,该L*颜色值、a*颜色值和b*颜色值即为识别植物色号的目标CIELAB值。
步骤S500,基于所述目标CIELAB值,在标准比色卡的颜色值数据库中,确定待识别植物的色号。
在获得目标CIELAB值后,调用标准比色卡对应的颜色值数据库,将植物材料CIELAB值同RHSCC数据库颜色值进行比对计算,将色差值最小的RHSCC色块编号自动确定为植物材料RHSCC色号。
在本实施例中,通过建立植物颜色识别模型,利用样本集中不同状态下标准比色卡对应色条RGB值与CIELAB值的关系对植物颜色识别模型进行训练,并为对应颜色值匹配契合度更高的目标植物颜色识别模型,以此提高了利用比色卡对植物颜色进行识别的正确率。
参照图3,图3为本发明基于神经网络的植物颜色识别装置实施例的结构框图。
如图3所示,本发明实施例提出的基于神经网络的植物颜色识别装置包括:
获取模块10,用于获取标准比色卡样本集,并将所述标准比色卡样本集划分为训练集和测试集;其中,所述标准比色卡样本集包括若干个标准比色卡的色条RGB值和所述色条RGB值对应的色条CIELAB值;
建立模块20,用于建立若干个神经网络模型,利用所述训练集对所述神经网络模型进行训练,获得若干个植物颜色识别模型;
测试模块30,用于利用所述测试集对若干个植物颜色识别模型进行识别精度测试,并基于所述识别精度测试的结果,确定目标植物颜色识别模型;
识别模块40,用于在接收到采集的待识别植物的目标RGB值时,利用所述目标植物颜色识别模型对所述待识别植物进行颜色识别,获得所述待识别植物的目标CIELAB值;
确定模块50,用于基于所述目标CIELB值,在标准比色卡的颜色值数据库中,确定待识别植物的色号。
作为一种实施方式,获取模块10还用于将标准比色卡中的色条分组,采集每组色条上每个色块的RGB值;获取所述色条上每个色块经过色差仪测定的CIELAB值,并根据所述RGB值和所述CIELAB值,建立标准比色卡样本集。
作为一种实施方式,获取模块10还用于将每组色条按顺序平铺排列至图像采集室的拍摄面,拍摄色条在当前排列状态的第一色条图像;调整所述拍摄面上色条的平铺顺序,拍摄色条在调整后排列状态的第二色条图像;提取所述第一色条图像和第二色条图像中色条上每个色块的RGB值。
作为一种实施方式,获取模块10还用于对拍摄面上色条进行循环移位调整;并对循环移位调整之后的每个状态对应的图像进行拍摄,以使所述第二色条图像包括任意一个色条在拍摄面的每个色条位置上的图像。
作为一种实施方式,获取模块10还用于获取每组色条上每个色块经过色差仪测定的CIELAB值以及每个色块提取的N个RGB值;其中N为色条在采集RGB值时具有的排列状态数量;根据所述CIELAB值和所述N个RGB值,建立标准比色卡样本集。
作为一种实施方式,测试模块30还用于利用若干个植物颜色识别模型分别对所述测试集进行识别,获得每个植物颜色识别模型分别对L*颜色值、a*颜色值和b*颜色值的识别正确率;根据所述识别正确率,为L*颜色值、a*颜色值和b*颜色值的识别分别匹配对应的植物颜色识别模型。
作为一种实施方式,测试模块30中目标植物颜色识别模型包括L*颜色识别模型、a*颜色识别模型和b*颜色识别模型,测试模块30还用于分别利用L*颜色识别模型、a*颜色识别模型和b*颜色识别模型对待识别植物进行颜色识别,获得待识别植物的L*颜色值、a*颜色值和b*颜色值;利用所述L*颜色值、a*颜色值和b*颜色值,确定待识别植物的目标CIELAB值。
本实施例提供的基于神经网络的植物颜色识别装置,通过建立植物颜色识别模型,利用样本集中不同状态下标准比色卡对应色条RGB值与CIELAB值的关系对植物颜色识别模型进行训练,并为对应颜色值匹配契合度更高的目标植物颜色识别模型,以此提高了利用比色卡对植物颜色进行识别的正确率。
本发明基于神经网络的植物颜色识别装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于神经网络的植物颜色识别程序,所述基于神经网络的植物颜色识别程序被处理器执行时实现如上文所述的基于神经网络的植物颜色识别方法的步骤。因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。确定为示例,程序指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本发明而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
Claims (6)
1.一种基于神经网络的植物颜色识别方法,其特征在于,所述方法包括以下步骤:
将标准比色卡中的色条分组,将每组色条按顺序平铺排列至图像采集室的拍摄面,拍摄色条在当前排列状态的第一色条图像,对拍摄面上色条进行循环移位调整,并对循环移位调整之后的每个状态对应的第二色条图像进行拍摄,以使所述第二色条图像包括任意一个色条在拍摄面的每个色条位置上的图像,提取所述第一色条图像和第二色条图像中色条上每个色块的RGB值,获取所述色条上每个色块经过色差仪测定的CIELAB值,并根据所述RGB值和所述CIELAB值,建立标准比色卡样本集,并将所述标准比色卡样本集划分为训练集和测试集;其中,所述标准比色卡样本集包括若干个标准比色卡的色条RGB值和所述色条RGB值对应的色条CIELAB值;
建立若干种不同类型的神经网络模型,利用所述训练集对所述神经网络模型进行训练,获得若干个植物颜色识别模型;
利用若干个植物颜色识别模型分别对所述测试集进行识别,获得每个植物颜色识别模型分别对L*颜色值、a*颜色值和b*颜色值的识别正确率,根据所述识别正确率,为L*颜色值、a*颜色值和b*颜色值的识别分别匹配对应的目标植物颜色识别模型;
在接收到采集的待识别植物的目标RGB值时,利用所述目标植物颜色识别模型对所述待识别植物进行颜色识别,获得所述待识别植物的目标CIELAB值;
基于所述目标CIELAB值,在标准比色卡的颜色值数据库中,确定待识别植物的色号。
2.如权利要求1所述的基于神经网络的植物颜色识别方法,其特征在于,所述获取所述色条上每个色块经过色差仪测定的CIELAB值,并根据所述RGB值和所述CIELAB值,建立标准比色卡样本集步骤,具体包括:
获取每组色条上每个色块经过色差仪测定的CIELAB值以及每个色块提取的N个RGB值;其中N为色条在采集RGB值时具有的排列状态数量;
根据所述CIELAB值和所述N个RGB值,建立标准比色卡样本集。
3.如权利要求1所述的基于神经网络的植物颜色识别方法,其特征在于,所述目标植物颜色识别模型包括L*颜色识别模型、a*颜色识别模型和b*颜色识别模型,所述利用所述目标植物颜色识别模型对所述待识别植物进行颜色识别,获得所述待识别植物的目标CIELAB值步骤,包括:
分别利用L*颜色识别模型、a*颜色识别模型和b*颜色识别模型对待识别植物进行颜色识别,获得待识别植物的L*颜色值、a*颜色值和b*颜色值;
利用所述L*颜色值、a*颜色值和b*颜色值,确定待识别植物的目标CIELAB值。
4.一种基于神经网络的植物颜色识别装置,其特征在于,所述基于神经网络的植物颜色识别装置包括:
获取模块,用于将标准比色卡中的色条分组,将每组色条按顺序平铺排列至图像采集室的拍摄面,拍摄色条在当前排列状态的第一色条图像,对拍摄面上色条进行循环移位调整,并对循环移位调整之后的每个状态对应的第二色条图像进行拍摄,以使所述第二色条图像包括任意一个色条在拍摄面的每个色条位置上的图像,提取所述第一色条图像和第二色条图像中色条上每个色块的RGB值,获取所述色条上每个色块经过色差仪测定的CIELAB值,并根据所述RGB值和所述CIELAB值,建立标准比色卡样本集,并将所述标准比色卡样本集划分为训练集和测试集;其中,所述标准比色卡样本集包括若干个标准比色卡的色条RGB值和所述色条RGB值对应的色条CIELAB值;
建立模块,用于建立若干种不同类型的神经网络模型,利用所述训练集对所述神经网络模型进行训练,获得若干个植物颜色识别模型;
测试模块,用于利用若干个植物颜色识别模型分别对所述测试集进行识别,获得每个植物颜色识别模型分别对L*颜色值、a*颜色值和b*颜色值的识别正确率,根据所述识别正确率,为L*颜色值、a*颜色值和b*颜色值的识别分别匹配对应的目标植物颜色识别模型;
识别模块,用于在接收到采集的待识别植物的目标RGB值时,利用所述目标植物颜色识别模型对所述待识别植物进行颜色识别,获得所述待识别植物的目标CIELAB值;
确定模块,用于基于所述目标CIELAB值,在标准比色卡的颜色值数据库中,确定待识别植物的色号。
5.一种基于神经网络的植物颜色识别设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于神经网络的植物颜色识别程序,所述基于神经网络的植物颜色识别程序被所述处理器执行时实现如权利要求1至3中任一项所述的基于神经网络的植物颜色识别方法的步骤。
6.一种存储介质,其特征在于,所述存储介质上存储有基于神经网络的植物颜色识别程序,所述基于神经网络的植物颜色识别程序被处理器执行时实现如权利要求1至3中任一项所述的基于神经网络的植物颜色识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210385254.4A CN114821120B (zh) | 2022-04-13 | 2022-04-13 | 基于神经网络的植物颜色识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210385254.4A CN114821120B (zh) | 2022-04-13 | 2022-04-13 | 基于神经网络的植物颜色识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114821120A CN114821120A (zh) | 2022-07-29 |
CN114821120B true CN114821120B (zh) | 2023-02-03 |
Family
ID=82537408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210385254.4A Active CN114821120B (zh) | 2022-04-13 | 2022-04-13 | 基于神经网络的植物颜色识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114821120B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808900B (zh) * | 2024-02-29 | 2024-05-14 | 云南省农业科学院质量标准与检测技术研究所 | 一种玉米花丝花青甙显色强度分级方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325495A (zh) * | 2018-09-21 | 2019-02-12 | 南京邮电大学 | 一种基于深度神经网络建模的作物图像分割系统及方法 |
CN109348194A (zh) * | 2018-11-23 | 2019-02-15 | 北京地平线机器人技术研发有限公司 | 采集图像数据的方法、装置、图像采集设备和电子设备 |
CN110097535A (zh) * | 2019-03-22 | 2019-08-06 | 华南农业大学 | 植物叶片含氮量检测方法、装置、计算机设备和存储介质 |
CN210090288U (zh) * | 2019-03-22 | 2020-02-18 | 华南农业大学 | 植物叶片夹持装置 |
CN112434581A (zh) * | 2020-11-14 | 2021-03-02 | 武汉中海庭数据技术有限公司 | 一种室外目标颜色识别方法、系统、电子设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10346710B2 (en) * | 2016-09-29 | 2019-07-09 | Datacolor Inc. | Multi-agent training of a color identification neural network |
US11302036B2 (en) * | 2020-08-19 | 2022-04-12 | Capital One Services, Llc | Color conversion between color spaces using reduced dimension embeddings |
-
2022
- 2022-04-13 CN CN202210385254.4A patent/CN114821120B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325495A (zh) * | 2018-09-21 | 2019-02-12 | 南京邮电大学 | 一种基于深度神经网络建模的作物图像分割系统及方法 |
CN109348194A (zh) * | 2018-11-23 | 2019-02-15 | 北京地平线机器人技术研发有限公司 | 采集图像数据的方法、装置、图像采集设备和电子设备 |
CN110097535A (zh) * | 2019-03-22 | 2019-08-06 | 华南农业大学 | 植物叶片含氮量检测方法、装置、计算机设备和存储介质 |
CN210090288U (zh) * | 2019-03-22 | 2020-02-18 | 华南农业大学 | 植物叶片夹持装置 |
CN112434581A (zh) * | 2020-11-14 | 2021-03-02 | 武汉中海庭数据技术有限公司 | 一种室外目标颜色识别方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114821120A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106469302B (zh) | 一种基于人工神经网络的人脸肤质检测方法 | |
CN110610181B (zh) | 医学影像识别方法及装置、电子设备及存储介质 | |
CN114739918B (zh) | 植物颜色测定方法、装置、系统及存储介质 | |
CN110378225A (zh) | 指针式仪表自动读数的识别方法及识别装置 | |
US20240005468A1 (en) | Image distortion evaluation method and apparatus, and computer device | |
CN114821120B (zh) | 基于神经网络的植物颜色识别方法及装置 | |
CN111387932B (zh) | 一种视力检测方法、装置及设备 | |
CN111857334A (zh) | 人体手势字母的识别方法、装置、计算机设备及存储介质 | |
CN111768404A (zh) | 口罩外观缺陷检测系统、方法、装置以及存储介质 | |
CN112489129A (zh) | 位姿识别模型训练方法、装置、位姿识别方法和终端设备 | |
CN113761255A (zh) | 机器人室内定位方法、装置、设备及存储介质 | |
CN103854020A (zh) | 文字识别方法及装置 | |
CN113014830A (zh) | 视频虚化方法、装置、设备及存储介质 | |
CN117197479A (zh) | 一种应用玉米果穗外表面的图像分析方法、装置、计算机设备及存储介质 | |
CN115035313B (zh) | 黑颈鹤识别方法、装置、设备及存储介质 | |
CN116580211A (zh) | 关键点检测方法、装置、计算机设备及存储介质 | |
CN114840704B (zh) | 植物颜色比对方法、装置、设备及存储介质 | |
CN114240913B (zh) | 半导体的异常分析方法、装置、终端设备以及存储介质 | |
CN114252100B (zh) | 传感器在线标定方法、装置、设备及存储介质 | |
CN114663710A (zh) | 轨迹识别方法、装置、设备及存储介质 | |
CN114862000A (zh) | 轨迹预测方法、装置、设备及存储介质 | |
CN211013042U (zh) | 一种设备运行数据实时采集系统 | |
CN205722376U (zh) | 人体下肢运动恢复状况测试系统 | |
CN118521575B (zh) | 一种基于图像处理的数据显示系统及方法 | |
CN108416317A (zh) | 用于获取信息的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |