CN115392311A - 基于变分模态分解的高效甘蔗茎节识别方法 - Google Patents
基于变分模态分解的高效甘蔗茎节识别方法 Download PDFInfo
- Publication number
- CN115392311A CN115392311A CN202211034467.9A CN202211034467A CN115392311A CN 115392311 A CN115392311 A CN 115392311A CN 202211034467 A CN202211034467 A CN 202211034467A CN 115392311 A CN115392311 A CN 115392311A
- Authority
- CN
- China
- Prior art keywords
- sugarcane
- node
- signal
- method based
- identification method
- 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
- 240000000111 Saccharum officinarum Species 0.000 title claims abstract description 133
- 235000007201 Saccharum officinarum Nutrition 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 29
- 238000001228 spectrum Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 241000287127 Passeridae Species 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000002829 reductive effect Effects 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 230000035784 germination Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 244000062645 predators Species 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010028347 Muscle twitching Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002789 length control Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及甘蔗种植技术领域,尤其是基于变分模态分解的高效甘蔗茎节识别方法,包括下述步骤:将获得的甘蔗垂直投影图像通过线阵CCD传感器获得原始光电信号;对所述原始光电信号进行固定阈值二值化,以获得甘蔗的轮廓信号;将所述轮廓信号分解为若干模态分量,且对各个模态分量进行HHT变换,以获得各个模态分量对应的HHT边际光谱;选择特征信号,且归一化后所述特征信号的饱和值设置节点阈值;获取归一化后所述特征信号中大于所述节点阈值的波峰,以获得节点波峰,将所述节点波峰对应的位置作为甘蔗节点位置。本发明能够降低硬件的成本投入并减少了后续数据处理的难度;不需要通过对甘蔗产生物理接触,降低对甘蔗种芽造成损伤的情况。
Description
技术领域
本发明涉及甘蔗种植技术领域,尤其是基于变分模态分解的高效甘蔗茎节识别方法。
背景技术
甘蔗是全世界制糖业最基本的原料,占中国食糖总产量的92%以上,然而,由于中国的甘蔗生产机械化水平低,糖的价格与其他国家,如美国、巴西、印度和泰国相比没有竞争力。因此,甘蔗种植的机械化对提高中国食糖的竞争力起着重要作用。预切甘蔗种子的方式由于播种机体积小、播种均匀度大、发芽率高,在主要的丘陵甘蔗产区被广泛使用。由于甘蔗的种芽全部生长在茎节处,因此甘蔗种植时需要进行预切种,把甘蔗切成带有一定数量种芽的甘蔗种段,切种时的切口应尽量避开茎节处,以免切伤种芽,影响甘蔗的发芽率。对预切蔗种的自动化生产是有效提高甘蔗预切种种植方式效率的关键环节。而为了减少在之后甘蔗切割的工序中切刀对种芽造成损伤的情况,需要对甘蔗的茎节进行快速、精准地识别和定位,进而提高预切蔗种的出芽率和单位面积土地的甘蔗产量。
甘蔗特征识别可分为两种类型,包括接触式和非接触式,根据不同的数据采集方式。虽然接触检测可以不考虑甘蔗的颜色和表面蜡粉,但许多研究人员更喜欢非接触检测,因为它可以避免对甘蔗芽的损害,它利用光学原理,通过工业相机和光电传感器获取信息。
传统上,许多研究人员将捕获的RGB图像转换成HSV图像进行进一步处理,因为HSV图像更适合人类的感知。Shangping Lu et al.(2010)提取了S和H分量以产生合成图,并利用所得的特征指标构建SVM模型进行聚类分析;Jiqing Chen et al.(2021)提取了S分量进行垂直分解,并根据最小局部像素之和进行节点定位。Pothula等人(2014)提出将单个归一化灰度值曲线下的单位面积作为识别节和节间的最佳指标。然而,这些方法大多需要单一或特定的背景,以降低图像处理的难度。Xiao Hu et al.(2019)通过使用结构化的随机森林方法获得边缘概率图像,并将启发式算法应用于多个二值化的图像。虽然该方法已经被用来对付各种背景,但对其在复杂生产环境中的效果研究还不够。Rui Yang et al.(2020)使用了平均梯度和方差梯度的特征,但它需要两个水平对置的相机来获得整个原始图像。Weizheng Zhang et al.(2017)首次应用高光谱成像技术,解决了甘蔗节间和茎部颜色相近以及白色果粉干扰的问题。上述方法是针对静态识别的,一些研究者对动态识别做了更多的相关研究。Brajesh Nare et al.(2019)利用Sobel算子提取了二值化图像的边缘信息,并对甘蔗种子的吞吐量进行了相关研究。Zhou et al.(2020)利用Sobel算子计算水平方向的R分量,提取叶痕处明显的梯度特征向量。然而,传统的图像处理方法几乎不能适应生产环境和满足动态识别的要求。因此,随着计算能力的提高,基于深度学习的目标检测方法被越来越多地应用于甘蔗节点识别领域。Moshashai et al.(2008)通过基于右侧Sobel边缘校正掩码矩阵的卷积运算,提取了边缘轮廓信息。Shangping Li et al.(2020)构建了轻量级的YOLO v3网络,将响应时间缩短至28ms,提高了实时动态甘蔗节点识别的效率,同时创新性地研究了外部因素对算法识别精度的影响。Wen Chen et al.(2021)利用五种不同的深度学习框架结合数据增强方法,对不同时期复杂的现实世界种植环境进行识别和分析,并在实验中验证了YOLO v4的优越性。但是,要达到更高的实时性和识别效率,这类方法需要更多的硬件成本投入,不利于降低糖业生产成本。
面对非接触式检测遇到的瓶颈,Meng et al.(2019)提出利用光电传感器结合信号处理技术:用两个激光测距传感器检测表面的甘蔗轮廓信号,利用db5小波函数将其分解为8层,然后对可以清晰观察到节点分布的信号采用不同的阈值,并采用基于高斯成员函数的多传感器冗余算法结合信号保留算法,合成甘蔗的节点和具体位置。由一个或多个光电传感器获取的低维信号可以由性能一般的PC机高速处理并返回结果。它减少了硬件成本的投入和数据采集与处理的工作量,并且不会对甘蔗造成额外的损害,为高效、低成本的甘蔗节点无损检测提供了新的思路。上述方法可以在一定程度上识别节点,然而仍然存在一些问题:(1)大多停留在静态研究上,且单一采集设备的成像范围有限,要满足连续和动态的高效实时检测条件需要投入更多的成本;(2)关于外部因素对算法识别性能影响的研究较少;(3)识别的时间较长,效率低。
发明内容
为了解决上述问题,本发明提供基于变分模态分解的高效甘蔗茎节识别方法,能够降低硬件的成本投入并减少了后续数据处理的难度;不需要通过对甘蔗产生物理接触,降低对甘蔗种芽造成损伤的情况。
为了实现上述目的,本发明采用的技术方案为:
基于变分模态分解的高效甘蔗茎节识别方法,甘蔗茎节识别方法包括下述步骤:
S1、通过平行于甘蔗径向方向的平行光源扫描获得甘蔗的垂直投影图像,且所述垂直投影图像通过线阵CCD传感器获得原始光电信号;
S2、对步骤S1中的所述原始光电信号进行固定阈值二值化,以获得甘蔗的轮廓信号;
S3、将步骤S2的所述轮廓信号通过VMD算法分解为若干模态分量,且对各个模态分量进行HHT变换,以获得各个模态分量对应的HHT边际光谱;
S4、选择步骤S3中信号中低频部分最大能量范围的所述HHT边际光谱作为甘蔗节点的特征信号,且对所述特征信号进行归一化,以根据归一化后所述特征信号的饱和值设置节点阈值;
S5、获取步骤S4中归一化后所述特征信号中大于所述节点阈值的波峰,以获得节点波峰,将所述节点波峰对应的位置作为甘蔗节点位置。
进一步地,在步骤S2中,通过Otsu阈值选择获得元素阈值,且根据二值化对所述原始光电信号进行预处理,获得每一元素阈值中被遮挡的元素,以根据被遮挡的元素获得甘蔗的轮廓信号。
进一步地,所述二值化处理的计算方法为:
其中,f(x)为原始光电信号;g(y)为二值化后的信号;x为扫描甘蔗过程中的所有采样点;TR为元素阈值。
进一步地,在步骤S3中,通过VMD迭代更新所述轮廓信号中每个本征模式函数IMF的中心频率及带宽,以使所述轮廓信号的根据自身特性自适应地分解信号。
进一步地,通过VMD构建受限变量模型,且通过引入增强拉格朗日乘法算子计算受限变量模型,以获得与分解本征模式函数IMF个数K及惩罚参数α相关的迭代持续到收敛表达式。
进一步地,在步骤S3中,根据麻雀搜索算法构建适应度函数,且根据适应度函数获得与所述轮廓信号相匹配的[K,α]最优组合,以使所述轮廓信号分解为K个模态分量。
进一步地,所述适应度函数为:
其中,FuzzyEn是模糊熵函数;d是随机信号时间序列;m是嵌入的维度;n表示相似容忍边界的梯度;r表示模糊函数边界的宽度;及为两个向量与m或m+1实数相匹配的r的概率;lg(omega)是最佳中心频率的相对聚集代数;length(wk)是提取最佳中心频率wk的信号长度;P*是时间序列x和y的PPMCC;和代表x和y的平均值。
进一步地,在步骤S5中,通过findpeaks函数获得HHT边际光谱中节点波峰对应的距离信息及时间信息,且根据步骤S1中的扫描速度,获得甘蔗节点的坐标位置。
进一步地,在步骤S5中,根据步骤S1中的扫描速度获得间距阈值,比较两相邻所述节点波峰之间的距离,当两相邻所述节点波峰之间的距离大于所述间距阈值,该两所述节点波峰对应的位置均为甘蔗节点位置,当两相邻所述节点波峰之间的距离小于所述间距阈值,两所述节点波峰中峰值较大的节点波峰对应的位置为甘蔗节点位置。
本发明的有益效果是:
通过线阵CCD传感器对甘蔗的垂直投影图像进行处理,以根据垂直投影图像反映出甘蔗对应的光强电压值,不需要对收集到的光电信号进行成像,降低了硬件的成本投入并减少了后续数据处理的难度,而且不需要通过对甘蔗产生物理接触,降低对甘蔗种芽造成损伤的情况。同时对原始光电信号进行固定阈值二值化,以通过遮挡像元素的数目反映出甘蔗的轮廓,提高处理速度,降低成本。通过将轮廓信号分解为模态分量后进行HHT变换能够准确地反映了信号振幅随频率的分布,以根据HHT边际光谱的振幅识别甘蔗节点的特征。由于每个HHT边际光谱的甘蔗节区由独立的、明显的上凸波形组成,特征信号根据甘蔗节的直径反映出不同的振幅。因此,通过对特征信号进行归一化处理,使其振幅在[0,1]的区间内变化,以便在判断节点前设置统一的节点阈值,从而能够根据节点阈值获得甘蔗节点位置。本发明只需要一般性能的计算机即可提高甘蔗茎节识别的效率,降低甘蔗茎节非接触式检测的成本及所需时间。
附图说明
图1是本发明基于变分模态分解的高效甘蔗茎节识别方法的示意图。
图2是本发明基于变分模态分解的高效甘蔗茎节识别方法的流程图。
图3是本发明基于变分模态分解的高效甘蔗茎节识别方法的平行光源扫描数据图。
图4是本发明基于变分模态分解的高效甘蔗茎节识别方法的原始光电信号数据图。
图5是本发明基于变分模态分解的高效甘蔗茎节识别方法的二值化处理数据图。
图6是本发明基于变分模态分解的高效甘蔗茎节识别方法的IMF示意图。
图7是本发明基于变分模态分解的高效甘蔗茎节识别方法的HHT边际光谱示意图。
图8是本发明基于变分模态分解的高效甘蔗茎节识别方法的实验结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。
请参照图1-2所示,本发明一较佳实施方式的基于变分模态分解的高效甘蔗茎节识别方法包括下述步骤:
S1、通过平行于甘蔗径向方向的平行光源扫描获得甘蔗的垂直投影图像,且所述垂直投影图像通过线阵CCD传感器获得原始光电信号。
S2、对步骤S1中的所述原始光电信号进行固定阈值二值化,以获得甘蔗的轮廓信号。
S3、将步骤S2的所述轮廓信号通过VMD算法分解为若干模态分量,且对各个模态分量进行HHT变换,以获得各个模态分量对应的HHT边际光谱。
S4、选择步骤S3中信号中低频部分最大能量范围的所述HHT边际光谱作为甘蔗节点的特征信号,且对所述特征信号进行归一化,以根据归一化后所述特征信号的饱和值设置节点阈值。
S5、获取步骤S4中归一化后所述特征信号中大于所述节点阈值的波峰,以获得节点波峰,将所述节点波峰对应的位置作为甘蔗节点位置。
通过线阵CCD传感器对甘蔗的垂直投影图像进行处理,以根据垂直投影图像反映出甘蔗对应的光强电压值,不需要对收集到的光电信号进行成像,降低了硬件的成本投入并减少了后续数据处理的难度,而且不需要通过对甘蔗产生物理接触,降低对甘蔗种芽造成损伤的情况。同时对原始光电信号进行固定阈值二值化,以通过遮挡像元素的数目反映出甘蔗的轮廓,提高处理速度,降低成本。通过将轮廓信号分解为模态分量后进行HHT变换能够准确地反映了信号振幅随频率的分布,以根据HHT边际光谱的振幅识别甘蔗节点的特征。由于每个HHT边际光谱的甘蔗节区由独立的、明显的上凸波形组成,特征信号根据甘蔗节的直径反映出不同的振幅。因此,通过对特征信号进行归一化处理,使其振幅在[0,1]的区间内变化,以便在判断节点前设置统一的节点阈值,从而能够根据节点阈值获得甘蔗节点位置。本发明只需要一般性能的计算机即可提高甘蔗茎节识别的效率,降低甘蔗茎节非接触式检测的成本及所需时间。
步骤S1中,平行光源扫描获得的数据如图3所示,原始光电信号数据如图4所示。
在步骤S2中,通过Otsu阈值选择获得元素阈值,且根据二值化对所述原始光电信号进行预处理,获得每一元素阈值中被遮挡的元素,以根据被遮挡的元素获得甘蔗的轮廓信号。
本实施例中,在每5000个元素的光电信号中,电压值低于阈值的元素被认为是被投影所遮挡,而电压值高于阈值的元素被认为是不被遮挡的。甘蔗投影的长度信息可以通过被遮挡的元素数量总和来反映。由于CCD两侧的元素提供校正,它们获取的数据并不反映实际的光照情况,但这并不明显影响所产生的轮廓信号的变化趋势。因此所述二值化处理的计算方法为:
其中,f(x)为原始光电信号;g(y)为二值化后的信号;x为扫描甘蔗过程中的所有采样点;TR为元素阈值。通过对Otsu阈值选择计算获得的固定阈值对二值化进行预处理,将投影信息转换为被遮挡元素的数量以反映甘蔗的轮廓信息,如图5所示。
在步骤S3中,通过VMD迭代更新所述轮廓信号中每个本征模式函数IMF的中心频率及带宽,以使所述轮廓信号的根据自身特性自适应地分解信号。
通过VMD构建受限变量模型,且通过引入增强拉格朗日乘法算子计算受限变量模型,以获得与分解本征模式函数IMF个数K及惩罚参数α相关的迭代持续到收敛表达式。
VMD是一种非递归、自适应、准正交的信号分解方法,在处理非线性和非平稳信号方面具有明显的优势,该方法运行效率高,信号分离准确,利用自身的维纳滤波功能可以获得较好的噪声过滤效果,其核心概念是通过迭代方法更新每个本征模式函数IMF的中心频率和带宽,根据信号本身的特性自适应地分解信号。
IMF可以表示为一个AM-FM信号,如下所示:
带宽是通过梯度的平方L2准则来估计的.因此,VMD的过程可以被认为是构建和解决一个受限变量问题,描述为:
其中f是原始输入信号,{uk}代表分解后的第K个IMF的中心频率,andδ(t)是狄拉克函数。
为了解决公式(4.1),引入了一个如下形式的增强拉格朗日乘法算子,即
其中α是二次惩罚,可以保证在高斯噪声存在下的信号重建精度;λ是拉格朗日乘法器,可以严格执行约束。
使用交替乘法(ADMM)找到对应于公式(4.1)的解的公式(4.2)的鞍点。首先,事先指定分解模式数量,并初始化模式的频域表达式相应的中心频率以及拉格朗日乘数。随后,模式和中心频率wk由公式(4.3)和公式(4.4)更新:
每次更新后,可以得到模式和中心频率。拉格朗日乘数也根据以下公式进行更新:
上述迭代持续到收敛,即,
从上面的描述来看,有四个参数需要事先手动指定:K,α,τandε.与前两个参数相比,,τandε对分解结果的影响不大,因此通常采用原VMD算法中的默认值。但是,当K值选择不当时,会出现二值化信号分解不足或分解过度的情况,α噪声干扰的抑制性能有关,也应慎重选择。因此,寻找与要分析的甘蔗轮廓信号相匹配的参数[K,α]的最佳组合对VMD算法至关重要。
在步骤S3中,根据麻雀搜索算法构建适应度函数,且根据适应度函数获得与所述轮廓信号相匹配的[K,α]最优组合,以使所述轮廓信号分解为K个模态分量。
麻雀搜索算法(SSA)是一种基于麻雀种群觅食和反捕食行为的新型启发式算法,它将麻雀种群分为生产者和蹭食者,并通过构建数学模型计算和更新种群位置。通过SSA应用于VMD参数的组合,寻找K的最佳值,并根据信号的特征和复杂性进行自适应。
生产者的位置被更新:
其中,m表示当前迭代;代表第i只麻雀在第j个维度的位置;α∈(0,1)是一个随机数;itermax是一个常数,迭代次数最高;R2∈[0,1]和ST∈[0.5,1.0]代表报警值和安全阈值;Q是一个服从正态分布的随机数;L是一个1×d矩阵,每个元素的值为1。当R2<ST时,意味着周围没有捕食者,生产者进入广泛搜索模式。当R2≥ST时,一些麻雀发现了捕食者,所有麻雀需要迅速飞往其他安全区域。
蹭食者的位置被更新:
意识到危险的麻雀数量一般为总数的10-20%,其初始位置在整个种群中随机产生。该数学模型可以表示为:
其中,Xbest为当前全局最优位置,该位置周围是安全的;β为步长控制参数,是一个均值为0、方差为1的正态分布随机数;K∈[-1,1]也是一个随机数;ε为避免分母值为0的最小常数。fi表示麻雀当前的适应值,代表当前全局最佳和最差的适应值。当fi<fg,时,处于种群边缘的麻雀更容易受到捕食者的攻击;如果fi=fg时,处于种群中间的麻雀意识到了危险,需要向其他麻雀靠近以减少被捕食的风险。
基于SSA的参数自适应VMD方法,迭代搜索VMD参数的最优组合[K,]作为麻雀种群的位置。综合考虑模糊熵、聚集代数、皮尔逊相关系数(PPMCC)三个评价指标,构建SSA优化的适应度函数:
其中,
公式(2)和公式(3)中,FuzzyEn是模糊熵函数;d是随机信号时间序列;m是嵌入的维度;n表示相似容忍边界的梯度;r表示模糊函数边界的宽度;及为两个向量与m或m+1实数相匹配的r的概率;lg(omega)是最佳中心频率的相对聚集代数;length(wk)是提取最佳中心频率wk的信号长度;P*是时间序列x和y的PPMCC;和代表x和y的平均值。
本实施例的步骤S3中,SSA的最小适应度值0.04出现在第五次迭代,此时αbest为1798,Kbest为6。因此,在下一节中,VMD算法通过使用表3中的参数被初始化,对二值化信号进行分解以提取特征信号。除了τ和ε使用默认参数外,DC被设置为0,不使用直流部分,init被设置为1,均匀地初始化omega。通过适应度函数获得K的最优值为6,因此获得六个IMF,以将轮廓信号分解为K个模态分量,如图6所示。
在步骤S3中,HHT边际频谱准确地反映了信号振幅随频率的分布,其振幅表示该频率出现的概率,通过将HHT边际频谱的特性用于识别甘蔗结点的特征,获得模态分量对应HHT边际频谱,如图7所示。
在步骤S4中,根据图7所示,IMF1是主导频段,在0-5Hz的低频范围内能量分布最高,代表甘蔗在扫描方向上的整体直径变化。IMF2、IMF3和IMF4,振幅相对较高,频带较窄,是信号的中低频部分,甘蔗的特征能量主要集中在这一部分。其中IMF2表示根带区域的位置,IMF3和IMF4代表根带内生长环、蜡环和芽的详细信息。IMF5和IMF6振幅较小,频带较宽,CCD传感器的暗电流、传输过程中的干扰和其他噪声能量在信号的高频部分占比较大,它们与IMF4之间的模态混合现象最轻微,因此在选择特征信号时,视为不相关的模态去除。
由于本实施例的重点是甘蔗节点的区域定位,虽然IMF1在等值线信号中出现的概率最高,但其对信号造成的趋势不利于设置判断节点的阈值,而IMF3和IMF4包含的信息过于详细,无法准确定位节点。因此,在下一节中选择最大能量范围为7-12HZ的IMF2作为确定和定位甘蔗节点的特征信号。
在步骤S4中,根据图7所示,每个甘蔗节区由独立的、明显的上凸波形组成。特征信号根据甘蔗节的直径反映出不同的振幅,通过对特征信号进行归一化处理,使其振幅在[0,1]的区间内变化,能够便于节点阈值的判断,本实施例中,节点阈值为归一化后特征信号的饱和值的85%。
在步骤S5中,通过findpeaks函数获得HHT边际光谱中节点波峰对应的距离信息及时间信息,且根据步骤S1中的扫描速度,获得甘蔗节点的坐标位置。
在步骤S5中,根据步骤S1中的扫描速度获得间距阈值,比较两相邻所述节点波峰之间的距离,当两相邻所述节点波峰之间的距离大于所述间距阈值,该两所述节点波峰对应的位置均为甘蔗节点位置,当两相邻所述节点波峰之间的距离小于所述间距阈值,两所述节点波峰中峰值较大的节点波峰对应的位置为甘蔗节点位置。
本实施例中可通过MATLAB软件进行计算甘蔗节点的坐标,其中TN为甘蔗节点判断阈值,由findpeaks函数(MATLAB中包含的函数)计算出的特征信号中所有峰值对应的距离和时间信息存储在Apks和Alocs中;判断为甘蔗节点的峰值的时间信息存储在Blocs中,每个甘蔗节点的坐标由光电扫描单元设置的速度VC计算,存储在S中。
本实施例的基于变分模态分解的高效甘蔗茎节识别方法与人工测量进行比较,以验证本实施例的有效性,设算法识别的节点位置为Si,人工测量的茎部实际位置为Xi,识别的甘蔗上的节点数为n,则识别的甘蔗的识别误差由E计算:
本实施例中,将识别误差E大于茎长平均值的两倍(即45.42毫米)的情况为错误识别,而识别误差E小于节点长度平均值的三分之一(即7.57毫米)的情况为正确识别。因此,识别率可以计算:
其中,NT是所有实验样本在光电检测单元扫描范围内的所有节点数,NC是算法正确识别的节点数。在评估算法的响应时间时,本实施例从PC调用算法到甘蔗被光电检测单元扫描一次后返回识别结果的总时间被定义为算法的响应时间。
在75mm/s的扫描速度和91.91lx的照度下,对所有32个甘蔗样本单独测试一次后的实验结果见图8。可以发现,甘蔗节点的总体识别率超过95%,算法执行的平均时间为0.13秒,算法定位节点的平均绝对误差低于甘蔗节点平均长度的三分之一(即7.57mm)。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.基于变分模态分解的高效甘蔗茎节识别方法,其特征在于,甘蔗茎节识别方法包括下述步骤:
S1、通过平行于甘蔗径向方向的平行光源扫描获得甘蔗的垂直投影图像,且所述垂直投影图像通过线阵CCD传感器获得原始光电信号;
S2、对步骤S1中的所述原始光电信号进行固定阈值二值化,以获得甘蔗的轮廓信号;
S3、将步骤S2的所述轮廓信号通过VMD算法分解为若干模态分量,且对各个模态分量进行HHT变换,以获得各个模态分量对应的HHT边际光谱;
S4、选择步骤S3中信号中低频部分最大能量范围的所述HHT边际光谱作为甘蔗节点的特征信号,且对所述特征信号进行归一化,以根据归一化后所述特征信号的饱和值设置节点阈值;
S5、获取步骤S4中归一化后所述特征信号中大于所述节点阈值的波峰,以获得节点波峰,将所述节点波峰对应的位置作为甘蔗节点位置。
2.根据权利要求1所述的基于变分模态分解的高效甘蔗茎节识别方法,其特征在于:在步骤S2中,通过Otsu阈值选择获得元素阈值,且根据二值化对所述原始光电信号进行预处理,获得每一元素阈值中被遮挡的元素,以根据被遮挡的元素获得甘蔗的轮廓信号。
4.根据权利要求1所述的基于变分模态分解的高效甘蔗茎节识别方法,其特征在于:在步骤S3中,通过VMD迭代更新所述轮廓信号中每个本征模式函数IMF的中心频率及带宽,以使所述轮廓信号的根据自身特性自适应地分解信号。
5.根据权利要求4所述的基于变分模态分解的高效甘蔗茎节识别方法,其特征在于:通过VMD构建受限变量模型,且通过引入增强拉格朗日乘法算子计算受限变量模型,以获得与分解本征模式函数IMF个数K及惩罚参数α相关的迭代持续到收敛表达式。
6.根据权利要求5所述的基于变分模态分解的高效甘蔗茎节识别方法,其特征在于:在步骤S3中,根据麻雀搜索算法构建适应度函数,且根据适应度函数获得与所述轮廓信号相匹配的[K,α]最优组合,以使所述轮廓信号分解为K个模态分量。
8.根据权利要求1所述的基于变分模态分解的高效甘蔗茎节识别方法,其特征在于:在步骤S5中,通过findpeaks函数获得HHT边际光谱中节点波峰对应的距离信息及时间信息,且根据步骤S1中的扫描速度,获得甘蔗节点的坐标位置。
9.根据权利要求1所述的基于变分模态分解的高效甘蔗茎节识别方法,其特征在于:在步骤S5中,根据步骤S1中的扫描速度获得间距阈值,比较两相邻所述节点波峰之间的距离,当两相邻所述节点波峰之间的距离大于所述间距阈值,该两所述节点波峰对应的位置均为甘蔗节点位置,当两相邻所述节点波峰之间的距离小于所述间距阈值,两所述节点波峰中峰值较大的节点波峰对应的位置为甘蔗节点位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211034467.9A CN115392311A (zh) | 2022-08-26 | 2022-08-26 | 基于变分模态分解的高效甘蔗茎节识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211034467.9A CN115392311A (zh) | 2022-08-26 | 2022-08-26 | 基于变分模态分解的高效甘蔗茎节识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115392311A true CN115392311A (zh) | 2022-11-25 |
Family
ID=84121707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211034467.9A Pending CN115392311A (zh) | 2022-08-26 | 2022-08-26 | 基于变分模态分解的高效甘蔗茎节识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115392311A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304645A (zh) * | 2023-05-24 | 2023-06-23 | 奥谱天成(厦门)光电有限公司 | 一种基于模态分解的重叠峰提取的方法及装置 |
-
2022
- 2022-08-26 CN CN202211034467.9A patent/CN115392311A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304645A (zh) * | 2023-05-24 | 2023-06-23 | 奥谱天成(厦门)光电有限公司 | 一种基于模态分解的重叠峰提取的方法及装置 |
CN116304645B (zh) * | 2023-05-24 | 2023-08-15 | 奥谱天成(厦门)光电有限公司 | 一种基于模态分解的重叠峰提取的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308697B (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
Zhang et al. | Hyperspectral imaging technology combined with deep forest model to identify frost-damaged rice seeds | |
Bhargava et al. | Fruits and vegetables quality evaluation using computer vision: A review | |
Dey et al. | Image processing based leaf rot disease, detection of betel vine (Piper BetleL.) | |
Yang et al. | Diagnosis of plant cold damage based on hyperspectral imaging and convolutional neural network | |
Francis et al. | Identification of leaf diseases in pepper plants using soft computing techniques | |
Sandika et al. | Random forest based classification of diseases in grapes from images captured in uncontrolled environments | |
CN107103306B (zh) | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 | |
Shirzadifar | Automatic weed detection system and smart herbicide sprayer robot for corn fields | |
Pereira et al. | Recent advances in image processing techniques for automated harvesting purposes: A review | |
Kamath et al. | Crop and weed discrimination using Laws’ texture masks | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN109977901A (zh) | 一种基于无人机遥感的玉米田间杂草识别方法 | |
Kumar et al. | An identification of crop disease using image segmentation | |
Rewar et al. | Detection of infected and healthy part of leaf using image processing techniques | |
Kumar et al. | Apple Sweetness Measurement and Fruit Disease Prediction Using Image Processing Techniques Based on Human‐Computer Interaction for Industry 4.0 | |
CN115392311A (zh) | 基于变分模态分解的高效甘蔗茎节识别方法 | |
Zhang et al. | Robust image segmentation method for cotton leaf under natural conditions based on immune algorithm and PCNN algorithm | |
CN115861817A (zh) | 一种基于主成分分析的高光谱小麦条锈病分类识别方法 | |
Patil | Pomegranate fruit diseases detection using image processing techniques: a review | |
Dalai et al. | An intelligent vision based pest detection system using RCNN based deep learning mechanism | |
Jinglei et al. | Distance-based separability criterion of ROI in classification of farmland hyper-spectral images | |
Deisy et al. | Image segmentation for feature extraction: A study on disease diagnosis in agricultural plants | |
CN113902673A (zh) | 番茄灰霉病程度识别方法及装置 | |
Dhivya et al. | An Analysis Study of Various Image Preprocessing Filtering Techniques based on PSNR for Leaf Images |
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 |