CN115294457A - 一种患松树线虫病木材截面识别追踪方法 - Google Patents
一种患松树线虫病木材截面识别追踪方法 Download PDFInfo
- Publication number
- CN115294457A CN115294457A CN202211039269.1A CN202211039269A CN115294457A CN 115294457 A CN115294457 A CN 115294457A CN 202211039269 A CN202211039269 A CN 202211039269A CN 115294457 A CN115294457 A CN 115294457A
- Authority
- CN
- China
- Prior art keywords
- image
- epidemic
- wood
- section
- gray level
- 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.)
- Pending
Links
- 239000002023 wood Substances 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 39
- 235000008331 Pinus X rigitaeda Nutrition 0.000 title claims abstract description 22
- 235000011613 Pinus brutia Nutrition 0.000 title claims abstract description 22
- 241000018646 Pinus brutia Species 0.000 title claims abstract description 22
- 201000010099 disease Diseases 0.000 title claims abstract description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 19
- 241000244206 Nematoda Species 0.000 title claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 53
- 238000012545 processing Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000003190 augmentative effect Effects 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000005299 abrasion Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000013434 data augmentation Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000003416 augmentation Effects 0.000 abstract description 3
- 241000607479 Yersinia pestis Species 0.000 abstract description 2
- 241000243771 Bursaphelenchus xylophilus Species 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了患松树线虫病木材截面识别追踪方法,涉及树木病虫害除治技术领域,首先采集大量标准疫木截面图片,使用标注工具进行标注,并进行离线增广,训练神经网络框架,并配合实例分割算法搭建深度学习平台。使用该平台对疫木图片进行背景去除,对去除背景的图片进行灰度化和二值化,并提取周长、面积等数据组成13组识别向量,按顺序对疫木进行编号。将疫木编号与对应的欧式距离存取SQL数据库。在疫木处置现场重复操作,并进行数据的对比、分析,从而实现疫木界面的识别和追踪。通过该方法能对大量疫木进行识别和追踪,提高疫木识别和追踪的效率和准确性。
Description
技术领域
本申请涉及树木病虫害除治技术领域,具体涉及一种患松树线虫病木材截面识别追踪方法。
背景技术
松材线虫病是一种重大的检疫性森林病害。病害已经在我国十多个省区造成了大面积松树死亡,现有6000万平方米松林正面临着松材线虫病大流行的威胁。目前,在我国采取的防控技术主要是围绕以下几个关键环节,即病害检疫、疫情监测、疫木(指患松树线虫病木材)除治和媒介昆虫防治。
其中疫木除治是防控病疫的最直接、有效的方法。对于某些重点区域的疫木无法去除时,必须组织对疫木及其周边木材进行及时清理。对其他孤立的疫木及新生的病木都要进行根除。
为了避免木材的损失,传统技术中一般采用人工标记法对涉病木材进行标记。但是人工标记识别方法效率低、成本高、工作量大、受测量环境限制等局限性,因此如何实现对患病树木的准确识别。
发明内容
本申请为了解决上述技术问题,提出了如下技术方案:
第一方面,本申请实施例提供了一种患松树线虫病木材截面识别追踪方法,所述方法包括:
搭建疫木截面识别的深度学习平台;
通过所述深度学习平台对疫木截面进行处理获得疫木截面图像;
对所述疫木截面图像进行灰度化处理和二值化处理获得疫木截面灰度图像和二值化图像;
提取所述疫木截面二值化图像的面积、周长、7个HU不变矩;
计算疫木截面灰度图像的灰度图像的灰度共生矩阵,并计算灰度共生矩阵的归一化频率矩阵;
根据所述灰度共生矩阵计算获得图像的角二阶矩、熵、对比度和逆方差;
将上述得到的疫木截面二值化图像的面积、周长、7个HU不变矩、角二阶矩、熵、对比度、逆方差组合为13维识别向量;
将疫木除治现场将疫木除治现场的疫木按识别顺序编号,并将疫木编号与对应的识别向量存取SQL数据库;
待处理木材运输至处置现场后,重复上述过程;
并将新得到的识别向量与SQL数据库中的识别向量进行比对,识别向量之间距离最小的两棵疫木认为是同一个疫木,完成疫木截面识别追踪。
采用上述实现方式,首先采集大量标准疫木截面图片,使用标注工具进行标注,并进行离线增广,训练神经网络框架,并配合实例分割算法搭建深度学习平台。使用该平台对疫木图片进行背景去除,对去除背景的图片进行灰度化和二值化,并提取周长、面积等数据组成13识别向量,按顺序对疫木进行编号。将疫木编号与对应的欧式距离存取SQL数据库。在疫木处置现场重复操作,并进行数据的对比、分析,从而实现疫木界面的识别和追踪。通过该方法能对大量疫木进行识别和追踪,提高疫木识别和追踪的效率和准确性。
结合第一方面,在第一方面第一种可能的实现方式中,所述搭建疫木截面识别的深度学习平台,包括:
采用工业CCD相机进行野外标准区域疫木截面采集,得到24位R、G、B色彩空间的真彩色原始含背景疫木截面图像;
使用标注工具对上述图像中的疫木进行标注,并得到相应的数据集。
对所述数据集进行离线数据增广,得到增广数据集。
在所述增广数据集中任选60%作为训练集,20%作为验证集,剩余20%作为测试集。
使用计算机预搭载的卷积神经网络、全卷积神经网络配合实例分割算法搭建深度学习网络;
使用得到的训练集和验证集输入至深度学习网络,得到多个泛化模型。
使用得到的测试集评估多个泛化模型,并选择泛化误差最小的模型作为深度学习平台的泛化模型,完成深度学习平台的搭建。
结合第一方面第一种可能的实现方式,在第一方面第二种可能的实现方式中,所述通过所述深度学习平台对疫木截面进行处理获得疫木截面图像,包括:
通过工业CCD相机得到24位深R、G、B色彩空间的真彩色原始含背景疫木截面图像;
读入原始含背景疫木截面图像;
使用上述深度学习平台对含背景疫木截面图像进行处理,得到不含背景的疫木截面图像。
结合第一方面第二种可能的实现方式,在第一方面第三种可能的实现方式中,所述对所述疫木截面图像进行灰度化处理和二值化处理获得疫木截面灰度图像和二值化图像,包括:
使用Gray=(0.114*R+0.587*G+0.299*B)计算每个像素R、G、B三通道的加权平均值,得到所有像素点的灰度值;
将得到的灰度值同时赋值给对应像素的R、G、B三通道,得到与每个像R、G、B相等的灰度图像,并保存;
经深度学习平台处理后,除疫木截面部分外均为白色,设全局阈值为(254,254,254),将小于此阈值的像素点赋值0变为黑色,将大于此阈值的像素点赋值255,变为白色,得到二值化图像。
结合第一方面第三种可能的实现方式,在第一方面第四种可能的实现方式中,所述提取所述疫木截面二值化图像的面积、周长、7个HU不变矩,包括:
将所述二值图像进行多次形态学膨胀腐蚀操作,消除疫木截面图像拍摄时因曝光度过高以及疫木磨损而产生的疫木截面区域缺陷;
对得到的图像配合opencv库进行最大闭合轮廓检测,并得到最大闭合轮廓坐标;
使用所述最大闭合轮廓坐标计算图像的周长及面积;
遍历灰度图像得到图像总像素数,以及各像素点灰度值,计算二阶及三阶中心矩;
使用得到的二阶、三节中心矩计算得到7个HU不变矩。
结合第一方面第四种可能的实现方式,在第一方面第五种可能的实现方式中,所述使用所述最大闭合轮廓坐标计算图像的周长及面积,包括:
设S为疫木图像区域面积,将所述最大轮廓坐标使用折线连接起来,得到一个封闭的简单n边形,且该简单n边形为单连通区域,设单连通区域的边界曲线为L,
计算单连通区域边界曲线的环路积分得到疫木图像区域面积S。
结合第一方面第四种可能的实现方式,在第一方面第六种可能的实现方式中,所述遍历灰度图像得到图像总像素数,以及各像素点灰度值,计算二阶及三阶中心矩,包括:
首先计算灰度图像的0阶(m00)及1阶几何矩(m01,m10);
随后计算二阶、三阶中心矩
结合第一方面第四种可能的实现方式,在第一方面第七种可能的实现方式中,所述使用得到的二阶、三节中心矩计算得到7个HU不变矩,包括:
首先对公式ηpq=ηpq/η00 γ(γ=(p+q)/2)的二阶、三阶中心距进行归一化处理,得到对应的归一化中心矩,η00=m00,p、q之和代表归一化中心矩的阶数;
得到归一化二阶矩(η02、η11、η20)与归一化三阶中心矩(η03、η12、η21、η30);
使用下列公式进行7个Hu不变矩的计算:
Hu_0=η20+η02;
Hu_1=(η20-η02)2+4*(η11)2;
Hu_2=(η20-3*η12)2+3*(η21-η03)2;
Hu_3=(η30+η12)2+3*(η21+η03)2;
Hu_4=(η30+3*η12)(η30+η12)[(η30+η12)2-3*(η21+η03)2]+(3*η21-η03)(η21+η03)[3*(η30+η12)2-(η21+η03)2];
Hu_5=(η20-η02)[(η30+η12)2-(η21+η03)2]+4*η11(η30+η12)(η21+η03);
Hu_6=(3*η21-η03)(η30+η12)[(η30+η12)2-3*(η21+η03)2]-(η30-3*η12)(η21+η03[(η30+η12)2-3*(η21+η03)2])。
结合第一方面第五至七种任一可能的实现方式,在第一方面第八种可能的实现方式中,所述计算疫木截面灰度图像的灰度图像的灰度共生矩阵,并计算灰度共生矩阵的归一化频率矩阵,包括:
遍历经所述灰度图像,得到所述灰度图像的最大灰度级
若最大灰度级超过16,对灰度化图像进行压缩,包括:遍历灰度化图片所有像素点,使用公式gray new(像素点灰度值)=gray(原灰度值)*16/max Gray Level(最大灰度等级),对原灰度图像进行压缩,并保存;
构造16*16的全0矩阵;
遍历压缩后的灰度图像,并进行0度扫描得到灰度共生矩阵;
计算得到的灰度共生矩阵的归一化矩阵,包括:
创建新的16*16全0矩阵;
计算灰度共生矩阵中每一个元素出现的概率值P(i,j)=A(i,j)/sum,并经P(i,j)填入上一步的全0矩阵的对应位置中,得到归一化矩阵。
结合第一方面第八种可能的实现方式,在第一方面第九种可能的实现方式中,所述根据所述灰度共生矩阵计算获得图像的角二阶矩、熵、对比度和逆方差,包括:
附图说明
图1为本申请实施例提供的一种患松树线虫病木材截面识别追踪方法的流程示意图;
图2为本申请实施例提供的不含背景的疫木截面图像示意图;
图3为本申请实施例提供的疫木截面灰度图像示意图;
图4为本申请实施例提供的疫木截面二值化图像示意图;
图5为本申请实施例提供的疫木图像区域的轮示意图。
具体实施方式
下面结合附图与具体实施方式对本方案进行阐述。
图1为本申请实施例提供的一种患松树线虫病木材截面识别追踪方法的流程示意图,参见图1,本申请实施例中的患松树线虫病木材截面识别追踪方法包括:
S101,搭建疫木截面识别的深度学习平台。
步骤S101搭建疫木截面识别的深度学习平台具体包括以下步骤:
S1.1:采用工业CCD相机进行野外标准区域疫木截面采集,得到大量24位R、G、B色彩空间的真彩色原始含背景疫木截面图像。
S1.2:使用标注工具对上述图像中的疫木进行标注,并得到相应的数据集。
S1.3:对步骤S1.2得到的数据集进行离线数据增广,得到增广数据集。
S1.4:在S1.3所述的增广数据集中任选60%作为训练集,20%作为验证集,剩余20%作为测试集。
S1.5:使用计算机预搭载的卷积神经网络(CNN)、全卷积神经网络(FCN)配合实例分割算法搭建深度学习网络。
深度学习网络的工作过程如下:
1)将CNN网络作为输入层,图像经CNN网络后,输出图像的feature map(特征图)。
2)将1)得到的featuremap输入至Region Proposal Network(区域候选网络)与Roi Align(由实例分割算法提出)中,得到proposals(即可能包含疫木图像的一个区域)
3)将2)得到的proposals输入至3个并行的FCN网络,生成边界框与对应目标掩码。
4)将图像中掩码以外部分的RGB值变为(255,255,255),仅留下掩码区域。此时完成图像的实例分割。
S1.6:使用步骤S1.4得到的训练集和验证集输入至步骤S1.5所得的深度学习网络,得到多个泛化模型。
S1.7:使用步骤S1.4得到的测试集评估步骤S1.6得到的多个泛化模型,并选择泛化误差最小的模型作为深度学习平台的泛化模型。此时,完成深度学习平台的搭建。
S102,通过所述深度学习平台对疫木截面进行处理获得疫木截面图像。
S2.1:将疫木置于距工业CCD相机标准距离,得到大量24位深R、G、B色彩空间的真彩色原始含背景疫木截面图像。
S2.2:读入原始含背景疫木截面图像。
S2.3:使用上述深度学习平台对含背景疫木截面图像进行处理,得到不含背景的疫木截面图像(下文简称疫木截面图像)。背景区域均为白色(RGB值为(255,255,255))。如图2所示(下文中所有图示,均对此图片为基础进行处理)。
S2.4:保存经处理后的疫木截面图像。
S103,对所述疫木截面图像进行灰度化处理和二值化处理获得疫木截面灰度图像和二值化图像。
S3.1:使用Gray=(0.114*R+0.587*G+0.299*B)计算每个像素R、G、B三通道的加权平均值,得到所有像素点的灰度值。
S3.2:将S3.1中的灰度值同时赋值给对应像素的R、G、B三通道,得到与每个像R、G、B相等的灰度图像并保存,如图3所示。
S3.3:经深度学习平台处理后,除疫木截面部分外均为白色,故设全局阈值为(254,254,254),将小于此阈值的像素点赋值0变为黑色,将大于此阈值的像素点赋值255,变为白色,得到二值化图像,如图4所示。
S104,提取所述疫木截面二值化图像的面积、周长、7个HU不变矩。
S4.1:对S103中的二值图像进行多次形态学膨胀腐蚀操作,消除疫木截面图像拍摄时因曝光度过高以及疫木磨损而产生的疫木截面区域缺陷。
S4.2:对S4.1得到的图像配合opencv库进行最大闭合轮廓检测,并得到最大闭合轮廓坐标,以进一步避免疫木截面图像拍摄时因曝光度过高产生的疫木截面区域缺陷,得到最大轮廓坐标。图5绘出了疫木图像区域的轮廓(疫木边缘处黑色细线部分为绘出的轮廓):
S4.3:使用步骤S4.2所述的坐标计算图像的周长及面积。
周长的计算过程如下:
(规定当i=n时,xn+1=x1,yn+1=y1)((xi,yi)代表第i个轮廓坐标)。
面积计算过程如下:
设S为疫木图像区域面积,将步骤S4.2得到的最大轮廓坐标使用折线连接起来,得到一个封闭的简单n边形,且该简单n边形为单连通区域,设单连通区域的边界曲线为L。
上诉单连通区域的边界曲线为简单多边形,故可通过计算该单连通区域边界曲线的环路积分得到疫木图像区域面积S。
S4.4:遍历灰度图像得到图像总像素数,以及各像素点灰度值,计算二阶及三阶中心矩。
下面简述二阶中心矩(μ02,μ11,μ20)、三阶中心矩(μ03,μ12,μ21,μ30)的计算过程:
首先介绍(p+q)阶几何矩和中心矩的的计算方式(注:若计算n阶几何矩,所有符合p+q=n的mpq均为n阶几何矩,对于n阶中心距,n阶归一化中心矩同样适用):
在上述两式中p,q=0,1,2…,N,M表示图像的高宽像素数(例如一张图形宽高像素分别为a,b,则N=a,M=b),x,y代表某像素点的坐标,f(x,y)表示图像在(x,y)处灰度值。
首先计算灰度图像的0阶(m00)及1阶几何矩(m01,m10):
随后计算二阶、三阶中心矩
S4.4:使用S4.3得到的二阶、三节中心矩并使用计算得到7个HU不变矩。
Hu不变矩的计算过程如下:
首先对使用公式ηpq=ηpq/η00 γ(γ=(p+q)/2)(η00=m00)(p、q之和代表归一化中心矩的阶数)二阶、三阶中心距进行归一化处理,得到对应的归一化中心矩。
此时得到归一化二阶矩(η02、η11、η20)与归一化三阶中心矩(η03、η12、η21、η30)。
使用下列公式进行7个Hu不变矩的计算:
Hu_0=η20+η02;
Hu_1=(η20-η02)2+4*(η11)2;
Hu_2=(η20-3*η12)2+3*(η21-η03)2;
Hu_3=(η30+η12)2+3*(η21+η03)2;
Hu_4=(η30+3*η12)(η30+η12)[(η30+η12)2-3*(η21+η03)2]+(3*η21-η03)(η21+η03)[3*(η30+η12)2-(η21+η03)2]
Hu_5=(η20-η02)[(η30+η12)2-(η21+η03)2]+4*η11(η30+η12)(η21+η03)
Hu_6=(3*η21-η03)(η30+η12)[(η30+η12)2-3*(η21+η03)2]-(η30-3*η12)(η21+η03[(η30+η12)2-3*(η21+η03)2])。
S105,计算疫木截面灰度图像的灰度图像的灰度共生矩阵,并计算灰度共生矩阵的归一化频率矩阵。
S5.1:遍历经S3步骤的灰度化图像,得到图像的最大灰度级
S5.2:若最大灰度级超过16,为减少计算量,对灰度化图像进行压缩。
压缩过程如下:
遍历灰度化图片所有像素点,使用公式gray new(像素点灰度值)=gray(原灰度值)*16/max Gray Level(最大灰度等级),对原灰度图像进行压缩,并保存。此时,相邻像素点灰度值有16*16种组合方式
S5.3:构造16*16的全0矩阵。
S5.4:遍历S5.2得到的灰度化图像,并进行0度扫描。所谓0度扫描某点(x,y)的灰度值为f1,其右侧点(x+1,y)的灰度值为f2,统计每一种(f1,f2)的出现次数,填入S5.3得到的全0矩阵中。得到灰度共生矩阵(GLCM)。
S5.5:计算步骤S5.4得到的灰度共生矩阵的归一化矩阵。
归一化矩阵的计算过程如下:
(2)创建新的16*16全0矩阵;
(3)计算灰度共生矩阵中每一个元素出现的概率值P(i,j)=A(i,j)/sum[P(i,j)表示],并经P(i,j)填入步骤(2)所述全0矩阵的对应位置中(如P(m,n)填入至第m行n列中),得到归一化矩阵。
S106,根据所述灰度共生矩阵计算获得图像的角二阶矩、熵、对比度和逆方差。
S107,将上述得到的疫木截面二值化图像的面积、周长、7个HU不变矩、角二阶矩、熵、对比度、逆方差组合为13维识别向量。
S108,将疫木除治现场将疫木除治现场的疫木按识别顺序编号,并将疫木编号与对应的识别向量存取SQL数据库。
S109,待处理木材运输至处置现场后,重复上述过程。
S1010,并将新得到的识别向量与SQL数据库中的识别向量进行比对,识别向量之间距离最小的两棵疫木认为是同一个疫木,完成疫木截面识别追踪.
由上述实施例可知,本实施例提供了一种患松树线虫病木材截面识别追踪方法,首先采集大量标准疫木截面图片,使用标注工具进行标注,并进行离线增广,训练神经网络框架,并配合实例分割算法搭建深度学习平台。使用该平台对疫木图片进行背景去除,对去除背景的图片进行灰度化和二值化,并提取周长、面积等数据组成13组识别向量,按顺序对疫木进行编号。将疫木编号与对应的欧式距离存取SQL数据库。在疫木处置现场重复操作,并进行数据的对比、分析,从而实现疫木界面的识别和追踪。通过该方法能对大量疫木进行识别和追踪,提高疫木识别和追踪的效率和准确性。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种患松树线虫病木材截面识别追踪方法,其特征在于,所述方法包括:
搭建疫木截面识别的深度学习平台;
通过所述深度学习平台对疫木截面进行处理获得疫木截面图像;
对所述疫木截面图像进行灰度化处理和二值化处理获得疫木截面灰度图像和二值化图像;
提取所述疫木截面二值化图像的面积、周长、7个HU不变矩;
计算疫木截面灰度图像的灰度图像的灰度共生矩阵,并计算灰度共生矩阵的归一化频率矩阵;
根据所述灰度共生矩阵计算获得图像的角二阶矩、熵、对比度和逆方差;
将上述得到的疫木截面二值化图像的面积、周长、7个HU不变矩、角二阶矩、熵、对比度、逆方差组合为13维识别向量;
将疫木除治现场将疫木除治现场的疫木按识别顺序编号,并将疫木编号与对应的识别向量存取SQL数据库;
待处理木材运输至处置现场后,重复上述过程;
将新得到的识别向量与SQL数据库中的识别向量进行比对,识别向量之间距离最小的两棵疫木认为是同一个疫木,完成疫木截面识别追踪。
2.根据权利要求1所述的患松树线虫病木材截面识别追踪方法,其特征在于,所述搭建疫木截面识别的深度学习平台,包括:
采用工业CCD相机进行野外标准区域疫木截面采集,得到24位R、G、B色彩空间的真彩色原始含背景疫木截面图像;
使用标注工具对上述图像中的疫木进行标注,并得到相应的数据集;
对所述数据集进行离线数据增广,得到增广数据集;
在所述增广数据集中任选60%作为训练集,20%作为验证集,剩余20%作为测试集;
使用计算机预搭载的卷积神经网络、全卷积神经网络配合实例分割算法搭建深度学习网络;
使用得到的训练集和验证集输入至深度学习网络,得到多个泛化模型;
使用得到的测试集评估多个泛化模型,并选择泛化误差最小的模型作为深度学习平台的泛化模型,完成深度学习平台的搭建。
3.根据权利要求2所述的患松树线虫病木材截面识别追踪方法,其特征在于,所述通过所述深度学习平台对疫木截面进行处理获得疫木截面图像,包括:
通过工业CCD相机得到24位深R、G、B色彩空间的真彩色原始含背景疫木截面图像;
读入原始含背景疫木截面图像;
使用上述深度学习平台对含背景疫木截面图像进行处理,得到不含背景的疫木截面图像。
4.根据权利要求3所述的患松树线虫病木材截面识别追踪方法,其特征在于,所述对所述疫木截面图像进行灰度化处理和二值化处理获得疫木截面灰度图像和二值化图像,包括:
使用Gray=(0.114*R+0.587*G+0.299*B)计算每个像素R、G、B三通道的加权平均值,得到所有像素点的灰度值;
将得到的灰度值同时赋值给对应像素的R、G、B三通道,得到与每个像R、G、B相等的灰度图像,并保存;
经深度学习平台处理后,除疫木截面部分外均为白色,设全局阈值为(254,254,254),使用全局阈值算法,将小于此阈值的像素点赋值0变为黑色,将大于此阈值的像素点赋值255,变为白色,得到二值化图像。
5.根据权利要求4所述的患松树线虫病木材截面识别追踪方法,其特征在于,所述提取所述疫木截面二值化图像的面积、周长、7个HU不变矩,包括:
将所述二值图像进行多次形态学膨胀腐蚀操作,消除疫木截面图像拍摄时因曝光度过高以及疫木磨损而产生的疫木截面区域缺陷;
对得到的图像配合opencv库进行最大闭合轮廓检测,并得到最大闭合轮廓坐标;
使用所述最大闭合轮廓坐标计算图像的周长及面积;
遍历灰度图像得到图像总像素数,以及各像素点灰度值,计算二阶及三阶中心矩;
使用得到的二阶、三节中心矩计算得到7个HU不变矩。
8.根据权利要求5所述的患松树线虫病木材截面识别追踪方法,其特征在于,所述使用得到的二阶、三节中心矩计算得到7个HU不变矩,包括:
首先对公式ηpq=ηpq/η00 γ(γ=(p+q)/2)的二阶、三阶中心距进行归一化处理,得到对应的归一化中心矩,η00=m00,p、q之和代表归一化中心矩的阶数;
得到归一化二阶矩(η02、η11、η20)与归一化三阶中心矩(η03、η12、η21、η30);
使用下列公式进行7个Hu不变矩的计算:
Hu_0=η20+η02;
Hu_1=(η20-η02)2+4*(η11)2;
Hu_2=(η20-3*η12)2+3*(η21-η03)2;
Hu_3=(η30+η12)2+3*(η21+η03)2;
Hu_4=(η30+3*η12)(η30+η12)[(η30+η12)2-3*(η21+η03)2]+(3*η21-η03)(η21+η03)[3*(η30+η12)2-(η21+η03)2];
Hu_5=(η20-η02)[(η30+η12)2-(η21+η03)2]+4*η11(η30+η12)(η21+η03);
Hu_6=(3*η21-η03)(η30+η12)[(η30+η12)2-3*(η21+η03)2]-(η30-3*η12)(η21+η03[(η30+η12)2-3*(η21+η03)2])。
9.根据权利要求6-8任一项所述的患松树线虫病木材截面识别追踪方法,其特征在于,所述计算疫木截面灰度图像的灰度图像的灰度共生矩阵,并计算灰度共生矩阵的归一化频率矩阵,包括:
遍历经所述灰度图像,得到所述灰度图像的最大灰度级
若最大灰度级超过16,对灰度化图像进行压缩,包括:遍历灰度化图片所有像素点,使用公式gray new(像素点灰度值)=gray(原灰度值)*16/max Gray Level(最大灰度等级),对原灰度图像进行压缩,并保存;
构造16*16的全0矩阵;
遍历压缩后的灰度图像,并进行0度扫描得到灰度共生矩阵;
计算得到的灰度共生矩阵的归一化矩阵,包括:
创建新的16*16全0矩阵;
计算灰度共生矩阵中每一个元素出现的概率值P(i,j)=A(i,j)/sum,并经P(i,j)填入上一步的全0矩阵的对应位置中,得到归一化矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211039269.1A CN115294457A (zh) | 2022-08-29 | 2022-08-29 | 一种患松树线虫病木材截面识别追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211039269.1A CN115294457A (zh) | 2022-08-29 | 2022-08-29 | 一种患松树线虫病木材截面识别追踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115294457A true CN115294457A (zh) | 2022-11-04 |
Family
ID=83832936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211039269.1A Pending CN115294457A (zh) | 2022-08-29 | 2022-08-29 | 一种患松树线虫病木材截面识别追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294457A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116760994A (zh) * | 2023-08-16 | 2023-09-15 | 北京大学人民医院 | 一种神经内科医疗影像编码通讯方法 |
CN117036411A (zh) * | 2023-08-21 | 2023-11-10 | 深圳伯德睿捷健康科技有限公司 | 人脸健康特征对象的跟踪方法、系统及存储介质 |
-
2022
- 2022-08-29 CN CN202211039269.1A patent/CN115294457A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116760994A (zh) * | 2023-08-16 | 2023-09-15 | 北京大学人民医院 | 一种神经内科医疗影像编码通讯方法 |
CN116760994B (zh) * | 2023-08-16 | 2023-10-13 | 北京大学人民医院 | 一种神经内科医疗影像编码通讯方法 |
CN117036411A (zh) * | 2023-08-21 | 2023-11-10 | 深圳伯德睿捷健康科技有限公司 | 人脸健康特征对象的跟踪方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115294457A (zh) | 一种患松树线虫病木材截面识别追踪方法 | |
CN107480649B (zh) | 一种基于全卷积神经网络的指纹汗孔提取方法 | |
CN107609575B (zh) | 书法评价方法、书法评价装置和电子设备 | |
CN109029363A (zh) | 一种基于深度学习的目标测距方法 | |
CN111524137A (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN111105393B (zh) | 一种基于深度学习的葡萄病虫害识别方法及装置 | |
CN112380926B (zh) | 一种田间除草机器人除草路径规划系统 | |
CN113436162B (zh) | 一种水下机器人液压油管道表面焊缝缺陷识别方法及装置 | |
Waldamichael et al. | Coffee disease detection using a robust HSV color‐based segmentation and transfer learning for use on smartphones | |
CN113609941A (zh) | 一种基于深度学习的农作物病虫害识别方法 | |
CN114359542A (zh) | 基于计算机视觉与深度学习的混凝土结构裂缝识别方法 | |
CN111353396A (zh) | 一种基于SCSEOCUnet的混凝土裂缝分割方法 | |
CN110766708A (zh) | 基于轮廓相似度的图像比较方法 | |
Reddy et al. | Deep neural network (DNN) mechanism for identification of diseased and healthy plant leaf images using computer vision | |
CN113962258A (zh) | 一种烟草病害的识别与防治方法、系统及存储介质 | |
CN116797602A (zh) | 一种用于工业产品检测的表面缺陷鉴定方法和装置 | |
RU2297039C2 (ru) | Способ распознавания сложного графического объекта | |
CN111695560A (zh) | 基于卷积神经网络对农作物病虫害主动定位聚焦的方法 | |
CN116630352A (zh) | 一种基于双向级联像素差分网络的岩心测量方法及装置 | |
CN114241356A (zh) | 木板颜色识别方法、装置、电子设备及存储介质 | |
Grishkin et al. | Biofouling detection based on image processing technique | |
Murashov | Localization of differences between multimodal images on the basis of an information-theoretical measure | |
CN116128945B (zh) | 一种改进的akaze图像配准方法 | |
CN114529951B (zh) | 一种基于深度学习的现场指纹特征点提取方法 | |
CN114005150B (zh) | 一种可量化的前端人脸检测的设计方法 |
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 |