CN117037128B - 一种蔬菜种子智能识别方法及系统 - Google Patents
一种蔬菜种子智能识别方法及系统 Download PDFInfo
- Publication number
- CN117037128B CN117037128B CN202311292317.2A CN202311292317A CN117037128B CN 117037128 B CN117037128 B CN 117037128B CN 202311292317 A CN202311292317 A CN 202311292317A CN 117037128 B CN117037128 B CN 117037128B
- Authority
- CN
- China
- Prior art keywords
- information
- vegetable
- flaw
- seed
- seeds
- 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
- 235000013311 vegetables Nutrition 0.000 title claims abstract description 225
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000011156 evaluation Methods 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 33
- 230000035784 germination Effects 0.000 claims description 31
- 239000002689 soil Substances 0.000 claims description 31
- 238000009331 sowing Methods 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000004927 fusion Effects 0.000 claims description 24
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000007226 seed germination Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000000691 measurement method Methods 0.000 claims description 6
- 238000010899 nucleation Methods 0.000 claims description 6
- 230000007547 defect Effects 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 2
- 210000001161 mammalian embryo Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D 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
- G06V10/20—Image preprocessing
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Pretreatment Of Seeds And Plants (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种蔬菜种子智能识别方法及系统,属于种子识别技术领域,本发明通过构建相关的特征训练矩阵,从而基于深度学习网络构建蔬菜种子瑕疵识别模型,并引入奇异值分解算法对所述相关的特征训练矩阵进行处理,并通过所述蔬菜种子瑕疵识别模型识别蔬菜种子的瑕疵信息,最后根据所述蔬菜种子的瑕疵信息进行评价,获取评价结果,并基于评价结果生成相关的播种建议。本发明通过融合高光谱技术来对蔬菜种子的损伤情况进行检测,从而能够对有瑕疵、损伤等异常的种子进行快速的分类,而且本方法能够根据蔬菜种子的生物结构来对有瑕疵、损伤等异常的种子进行二次判断,能够提高种子分类的精度。
Description
技术领域
本发明涉及蔬菜识别技术领域,尤其涉及一种蔬菜种子智能识别方法及系统。
背景技术
种子的发芽率低下主要由于内部损伤所引起的,内部损伤主要以裂纹为主,但是在实际情况中出现内部裂纹的种子,其表皮大多数都相对完好;而外部损伤以表面裂纹、表面破损为主,损伤表现形式直观,便于识别和挑选。这就使得种子内部的裂纹很难被发现,且由于种子内部存在裂纹,使得蔬菜种子发芽率低,发育差,存在潜在的危害性。
发明内容
本发明克服了现有技术的不足,提供了一种蔬菜种子智能识别方法及系统。
为达上述目的,本发明采用的技术方案为:
本发明第一方面提供了一种蔬菜种子智能识别方法,包括以下步骤:
获取蔬菜种子的高光谱图像信息,并通过对所述高光谱图像进行预处理,获取预处理后的高光谱图像数据;
引入图神经网络,并通过所述图神经网络对所述预处理后的高光谱图像数据中的图像像素点进行分类处理,构建相关的特征训练矩阵;
基于深度学习网络构建蔬菜种子瑕疵识别模型,并引入奇异值分解算法对所述相关的特征训练矩阵进行处理,并通过所述蔬菜种子瑕疵识别模型识别蔬菜种子的瑕疵信息;
根据所述蔬菜种子的瑕疵信息进行评价,获取评价结果,并基于评价结果生成相关的播种建议。
进一步地,在本方法中,获取蔬菜种子的高光谱图像信息,并通过对所述高光谱图像进行预处理,获取预处理后的高光谱图像数据,具体包括:
将所述蔬菜种子的高光谱图像信息沿着光谱维划分为若干大小相等的子集,并在每个子集中采用基于平均融合的方法降低每个子集的冗余信息,得到降维后的高光谱图像数据信息;
将降维后的高光谱图像数据信息分成若干组大小相等的子集,并对相邻的若干波段进行去彩色化处理,得到图像融合增强的结果图像数据;
采用边缘保持滤波对图像融合增强的结果图像数据进行分解得到基层图像,并利用图像融合增强的结果图像数据减去基层图像得到细节层图像,引入主成分析法;
通过所述主成分析法对所述基层图像以及细节层图像进行重建,得到高光谱图像的增强图像,并将所述高光谱图像的增强图像作为预处理后的高光谱图像数据输出。
进一步地,在本方法中,引入图神经网络,并通过所述图神经网络对所述预处理后的高光谱图像数据中的图像像素点进行分类处理,构建相关的特征训练矩阵,具体包括:
引入图神经网络,将所述预处理后的高光谱图像数据中的图像像素点作为图节点,引入马氏距离度量法,并根据所述马氏距离度量法计算图节点之间的马氏距离值;
根据所述马氏距离值确定所述图节点之间的空间位置关系和光谱特征差异,并根据所述图节点之间的空间位置关系和光谱特征差异构建邻接矩阵;
根据所述邻接矩阵获取图节点之间的邻接关系,并根据所述图节点之间的邻接关系对图像的瑕疵位置与正常位置进行分类,获取分类结果;
根据所述分类结果构建相关的特征训练矩阵,并将所述相关的特征训练矩阵输出。
进一步地,在本方法中,基于深度学习网络构建蔬菜种子瑕疵识别模型,并引入奇异值分解算法对所述相关的特征训练矩阵进行处理,并通过所述蔬菜种子瑕疵识别模型识别蔬菜种子的瑕疵信息,具体包括:
基于深度学习网络构建蔬菜种子瑕疵识别模型,并引入奇异值分解算法对所述相关的特征训练矩阵进行特征分解,获取按列组成的特征向量,并构建新的坐标系;
将按列组成的特征向量输入到所述新的坐标系中,并生成新的特征向量矩阵,将所述新的特征向量矩阵输入到所述蔬菜种子瑕疵识别模型中进行训练;
当所述蔬菜种子瑕疵识别模型符合预设参数时,保存所述蔬菜种子瑕疵识别模型的模型参数,并进一步对所述蔬菜种子瑕疵识别模型进行参数测试,当测试结果符合预设测试结果时,输出蔬菜种子瑕疵识别模型;
通过所述蔬菜种子瑕疵识别模型识别当前蔬菜种子的瑕疵信息,并将所述当前蔬菜种子的瑕疵信息输出。
进一步地,在本方法中,根据所述蔬菜种子的瑕疵信息进行评价,获取评价结果,具体包括:
获取蔬菜种子的外形轮廓信息,根据所述蔬菜种子的瑕疵信息获取蔬菜种子的瑕疵几何特征数据信息,并基于所述蔬菜种子的瑕疵几何特征数据信息以及蔬菜种子的外形轮廓信息构建种子三维模型图;
通过大数据获取蔬菜种子的生物结构信息,并融合种子三维模型图以及蔬菜种子的生物结构信息,判断瑕疵区域是否涉及到所述生物结构信息中的预设区域;
当瑕疵区域涉及到所述生物结构信息中的预设区域,则将当前蔬菜种子作为不可发芽的种子类型,并根据所述不可发芽的种子类型生评价结果;
当瑕疵区域不涉及到所述生物结构信息中的预设区域,则将当前蔬菜种子作为可发芽的种子类型,并根据所述可发芽的种子类型生成评价结果。
进一步地,在本方法中,基于评价结果生成相关的播种建议,具体包括:
根据所述评价结果对当前蔬菜种子进行分拣,获取不可发芽的种子类型以及可发芽的种子类型的分拣结果,并获取当前播种区域的土壤环境数据信息;
通过大数据获取各土壤环境数据信息之下的蔬菜种子发芽成功率,并根据所述土壤环境数据信息之下的蔬菜种子发芽成功率构建样本数据,生成样本数据集;
计算所述当前播种区域的土壤环境数据信息与所述样本数据集中样本数据的欧式距离值,并获取最小欧式距离值对应的样本数据的蔬菜种子发芽成功率,设置蔬菜种子发芽成功率阈值数据信息;
当所述最小欧式距离值对应的样本数据的蔬菜种子发芽成功率小于蔬菜种子发芽成功率阈值数据信息时,根据所述当前播种区域的土壤环境数据信息以及可发芽的种子类型的分拣结果生成相关的调控措施。
本发明第二方面提供了一种蔬菜种子智能识别系统,所述蔬菜种子智能识别系统包括存储器以及处理器,所述存储器中包括蔬菜种子智能识别方法程序,所述蔬菜种子智能识别方法程序被所述处理器执行时,实现如下步骤:
获取蔬菜种子的高光谱图像信息,并通过对所述高光谱图像进行预处理,获取预处理后的高光谱图像数据;
引入图神经网络,并通过所述图神经网络对所述预处理后的高光谱图像数据中的图像像素点进行分类处理,构建相关的特征训练矩阵;
基于深度学习网络构建蔬菜种子瑕疵识别模型,并引入奇异值分解算法对所述相关的特征训练矩阵进行处理,并通过所述蔬菜种子瑕疵识别模型识别蔬菜种子的瑕疵信息;
根据所述蔬菜种子的瑕疵信息进行评价,获取评价结果,并基于评价结果生成相关的播种建议。
进一步的,在本方法中,获取蔬菜种子的高光谱图像信息,并通过对所述高光谱图像进行预处理,获取预处理后的高光谱图像数据,具体包括:
将所述蔬菜种子的高光谱图像信息沿着光谱维划分为若干大小相等的子集,并在每个子集中采用基于平均融合的方法降低每个子集的冗余信息,得到降维后的高光谱图像数据信息;
将降维后的高光谱图像数据信息分成若干组大小相等的子集,并对相邻的若干波段进行去彩色化处理,得到图像融合增强的结果图像数据;
采用边缘保持滤波对图像融合增强的结果图像数据进行分解得到基层图像,并利用图像融合增强的结果图像数据减去基层图像得到细节层图像,引入主成分析法;
通过所述主成分析法对所述基层图像以及细节层图像进行重建,得到高光谱图像的增强图像,并将所述高光谱图像的增强图像作为预处理后的高光谱图像数据输出。
进一步的,在本方法中,根据所述蔬菜种子的瑕疵信息进行评价,获取评价结果,具体包括:
获取蔬菜种子的外形轮廓信息,根据所述蔬菜种子的瑕疵信息获取蔬菜种子的瑕疵几何特征数据信息,并基于所述蔬菜种子的瑕疵几何特征数据信息以及蔬菜种子的外形轮廓信息构建种子三维模型图;
通过大数据获取蔬菜种子的生物结构信息,并融合种子三维模型图以及蔬菜种子的生物结构信息,判断瑕疵区域是否涉及到所述生物结构信息中的预设区域;
当瑕疵区域涉及到所述生物结构信息中的预设区域,则将当前蔬菜种子作为不可发芽的种子类型,并根据所述不可发芽的种子类型生评价结果;
当瑕疵区域不涉及到所述生物结构信息中的预设区域,则将当前蔬菜种子作为可发芽的种子类型,并根据所述可发芽的种子类型生成评价结果。
进一步的,在本方法中,基于评价结果生成相关的播种建议,具体包括:
根据所述评价结果对当前蔬菜种子进行分拣,获取不可发芽的种子类型以及可发芽的种子类型的分拣结果,并获取当前播种区域的土壤环境数据信息;
通过大数据获取各土壤环境数据信息之下的蔬菜种子发芽成功率,并根据所述土壤环境数据信息之下的蔬菜种子发芽成功率构建样本数据,生成样本数据集;
计算所述当前播种区域的土壤环境数据信息与所述样本数据集中样本数据的欧式距离值,并获取最小欧式距离值对应的样本数据的蔬菜种子发芽成功率,设置蔬菜种子发芽成功率阈值数据信息;
当所述最小欧式距离值对应的样本数据的蔬菜种子发芽成功率小于蔬菜种子发芽成功率阈值数据信息时,根据所述当前播种区域的土壤环境数据信息以及可发芽的种子类型的分拣结果生成相关的调控措施。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
本发明通过获取蔬菜种子的高光谱图像信息,并通过对所述高光谱图像进行预处理,获取预处理后的高光谱图像数据,进而引入图神经网络,并通过所述图神经网络对所述预处理后的高光谱图像数据中的图像像素点进行分类处理,构建相关的特征训练矩阵,从而基于深度学习网络构建蔬菜种子瑕疵识别模型,并引入奇异值分解算法对所述相关的特征训练矩阵进行处理,并通过所述蔬菜种子瑕疵识别模型识别蔬菜种子的瑕疵信息,最后根据所述蔬菜种子的瑕疵信息进行评价,获取评价结果,并基于评价结果生成相关的播种建议。本发明通过融合高光谱技术来对蔬菜种子的损伤情况进行检测,从而能够对有瑕疵、损伤等异常的种子进行快速的分类,而且本方法能够根据蔬菜种子的生物结构来对有瑕疵、损伤等异常的种子进行二次判断,能够提高种子分类的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他实施例的附图。
图1示出了一种蔬菜种子智能识别方法的整体方法流程图;
图2示出了一种蔬菜种子智能识别方法的第一方法流程图;
图3示出了一种蔬菜种子智能识别方法的第二方法流程图;
图4示出了一种蔬菜种子智能识别系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本发明第一方面提供了一种蔬菜种子智能识别方法,包括以下步骤:
S102:获取蔬菜种子的高光谱图像信息,并通过对所述高光谱图像进行预处理,获取预处理后的高光谱图像数据;
S104:引入图神经网络,并通过所述图神经网络对所述预处理后的高光谱图像数据中的图像像素点进行分类处理,构建相关的特征训练矩阵;
S106:基于深度学习网络构建蔬菜种子瑕疵识别模型,并引入奇异值分解算法对所述相关的特征训练矩阵进行处理,并通过所述蔬菜种子瑕疵识别模型识别蔬菜种子的瑕疵信息;
S108:根据所述蔬菜种子的瑕疵信息进行评价,获取评价结果,并基于评价结果生成相关的播种建议。
需要说明的是,本发明通过融合高光谱技术来对蔬菜种子的损伤情况进行检测,从而能够对有瑕疵、损伤等异常的种子进行快速的分类,而且本方法能够根据蔬菜种子的生物结构来对有瑕疵、损伤等异常的种子进行二次判断,能够提高种子分类的精度。
进一步地,在本方法中,获取蔬菜种子的高光谱图像信息,并通过对所述高光谱图像进行预处理,获取预处理后的高光谱图像数据,具体包括:
将所述蔬菜种子的高光谱图像信息沿着光谱维划分为若干大小相等的子集,并在每个子集中采用基于平均融合的方法降低每个子集的冗余信息,得到降维后的高光谱图像数据信息;
将降维后的高光谱图像数据信息分成若干组大小相等的子集,并对相邻的若干波段进行去彩色化处理,得到图像融合增强的结果图像数据;
采用边缘保持滤波对图像融合增强的结果图像数据进行分解得到基层图像,并利用图像融合增强的结果图像数据减去基层图像得到细节层图像,引入主成分析法;
通过所述主成分析法对所述基层图像以及细节层图像进行重建,得到高光谱图像的增强图像,并将所述高光谱图像的增强图像作为预处理后的高光谱图像数据输出。
需要说明的是,通过引入主成分析法能够降低高光谱图像汇总的噪声和冗余信息,从而能够增强蔬菜种子的细节信息。
进一步地,在本方法中,引入图神经网络,并通过所述图神经网络对所述预处理后的高光谱图像数据中的图像像素点进行分类处理,构建相关的特征训练矩阵,具体包括:
引入图神经网络,将所述预处理后的高光谱图像数据中的图像像素点作为图节点,引入马氏距离度量法,并根据所述马氏距离度量法计算图节点之间的马氏距离值;
根据所述马氏距离值确定所述图节点之间的空间位置关系和光谱特征差异,并根据所述图节点之间的空间位置关系和光谱特征差异构建邻接矩阵;
根据所述邻接矩阵获取图节点之间的邻接关系,并根据所述图节点之间的邻接关系对图像的瑕疵位置与正常位置进行分类,获取分类结果;
根据所述分类结果构建相关的特征训练矩阵,并将所述相关的特征训练矩阵输出。
需要说明的是,通过引入图神经网络能够提高对异常的裂纹区域、瑕疵区域进行分类处理的精度。
进一步地,在本方法中,基于深度学习网络构建蔬菜种子瑕疵识别模型,并引入奇异值分解算法对所述相关的特征训练矩阵进行处理,并通过所述蔬菜种子瑕疵识别模型识别蔬菜种子的瑕疵信息,具体包括:
基于深度学习网络构建蔬菜种子瑕疵识别模型,并引入奇异值分解算法对所述相关的特征训练矩阵进行特征分解,获取按列组成的特征向量,并构建新的坐标系;
将按列组成的特征向量输入到所述新的坐标系中,并生成新的特征向量矩阵,将所述新的特征向量矩阵输入到所述蔬菜种子瑕疵识别模型中进行训练;
当所述蔬菜种子瑕疵识别模型符合预设参数时,保存所述蔬菜种子瑕疵识别模型的模型参数,并进一步对所述蔬菜种子瑕疵识别模型进行参数测试,当测试结果符合预设测试结果时,输出蔬菜种子瑕疵识别模型;
通过所述蔬菜种子瑕疵识别模型识别当前蔬菜种子的瑕疵信息,并将所述当前蔬菜种子的瑕疵信息输出。
需要说明的是,引入奇异值分解算法对所述相关的特征训练矩阵进行特征分解,能够降低计算的复杂度,从而提高计算速度。
如图2所示,进一步地,在本方法中,根据所述蔬菜种子的瑕疵信息进行评价,获取评价结果,具体包括:
S202:获取蔬菜种子的外形轮廓信息,根据所述蔬菜种子的瑕疵信息获取蔬菜种子的瑕疵几何特征数据信息,并基于所述蔬菜种子的瑕疵几何特征数据信息以及蔬菜种子的外形轮廓信息构建种子三维模型图;
S204:通过大数据获取蔬菜种子的生物结构信息,并融合种子三维模型图以及蔬菜种子的生物结构信息,判断瑕疵区域是否涉及到所述生物结构信息中的预设区域;
S206:当瑕疵区域涉及到所述生物结构信息中的预设区域,则将当前蔬菜种子作为不可发芽的种子类型,并根据所述不可发芽的种子类型生评价结果;
S208:当瑕疵区域不涉及到所述生物结构信息中的预设区域,则将当前蔬菜种子作为可发芽的种子类型,并根据所述可发芽的种子类型生成评价结果。
需要说明的是,不同类型的蔬菜种子有着不同的生物结构信息,例如玉米种子具有种皮与果皮、胚乳、胚等结构,由于裂纹或者瑕疵不一定涉及到重要的种子结构区域,不一定能够影响其发芽。通过本方法判断瑕疵几何特征数据信息是否延伸到胚(生物结构信息中的预设区域)的内部,从而对根据此标准对可发芽性进行评价,能够提高对裂纹种子或者瑕疵种子的实际可发芽性评估的准确性。通过三维建模软件来构建种子三维模型图,如SolidWorks、Maya软件、虚拟现实技术等。
如图3所示,进一步地,在本方法中,基于评价结果生成相关的播种建议,具体包括:
S302:根据所述评价结果对当前蔬菜种子进行分拣,获取不可发芽的种子类型以及可发芽的种子类型的分拣结果,并获取当前播种区域的土壤环境数据信息;
S304:通过大数据获取各土壤环境数据信息之下的蔬菜种子发芽成功率,并根据所述土壤环境数据信息之下的蔬菜种子发芽成功率构建样本数据,生成样本数据集;
S306:计算所述当前播种区域的土壤环境数据信息与所述样本数据集中样本数据的欧式距离值,并获取最小欧式距离值对应的样本数据的蔬菜种子发芽成功率,设置蔬菜种子发芽成功率阈值数据信息;
S308:当所述最小欧式距离值对应的样本数据的蔬菜种子发芽成功率小于蔬菜种子发芽成功率阈值数据信息时,根据所述当前播种区域的土壤环境数据信息以及可发芽的种子类型的分拣结果生成相关的调控措施。
需要说明的是,通过本方法能够根据所述当前播种区域的土壤环境数据信息以及可发芽的种子类型的分拣结果生成相关的调控措施,从而与环境数据进行结合,提出相关的调控措施来提高种子的发芽率,相关的调控措施包括施肥、灌溉等措施。
如图4所示,本发明第二方面提供了一种蔬菜种子智能识别系统4,所述蔬菜种子智能识别系统包括存储器41以及处理器62,所述存储器41中包括蔬菜种子智能识别方法程序,所述蔬菜种子智能识别方法程序被所述处理器62执行时,实现如下步骤:
获取蔬菜种子的高光谱图像信息,并通过对所述高光谱图像进行预处理,获取预处理后的高光谱图像数据;
引入图神经网络,并通过所述图神经网络对所述预处理后的高光谱图像数据中的图像像素点进行分类处理,构建相关的特征训练矩阵;
基于深度学习网络构建蔬菜种子瑕疵识别模型,并引入奇异值分解算法对所述相关的特征训练矩阵进行处理,并通过所述蔬菜种子瑕疵识别模型识别蔬菜种子的瑕疵信息;
根据所述蔬菜种子的瑕疵信息进行评价,获取评价结果,并基于评价结果生成相关的播种建议。
进一步的,在本方法中,获取蔬菜种子的高光谱图像信息,并通过对所述高光谱图像进行预处理,获取预处理后的高光谱图像数据,具体包括:
将所述蔬菜种子的高光谱图像信息沿着光谱维划分为若干大小相等的子集,并在每个子集中采用基于平均融合的方法降低每个子集的冗余信息,得到降维后的高光谱图像数据信息;
将降维后的高光谱图像数据信息分成若干组大小相等的子集,并对相邻的若干波段进行去彩色化处理,得到图像融合增强的结果图像数据;
采用边缘保持滤波对图像融合增强的结果图像数据进行分解得到基层图像,并利用图像融合增强的结果图像数据减去基层图像得到细节层图像,引入主成分析法;
通过所述主成分析法对所述基层图像以及细节层图像进行重建,得到高光谱图像的增强图像,并将所述高光谱图像的增强图像作为预处理后的高光谱图像数据输出。
进一步的,在本方法中,根据所述蔬菜种子的瑕疵信息进行评价,获取评价结果,具体包括:
获取蔬菜种子的外形轮廓信息,根据所述蔬菜种子的瑕疵信息获取蔬菜种子的瑕疵几何特征数据信息,并基于所述蔬菜种子的瑕疵几何特征数据信息以及蔬菜种子的外形轮廓信息构建种子三维模型图;
通过大数据获取蔬菜种子的生物结构信息,并融合种子三维模型图以及蔬菜种子的生物结构信息,判断瑕疵区域是否涉及到所述生物结构信息中的预设区域;
当瑕疵区域涉及到所述生物结构信息中的预设区域,则将当前蔬菜种子作为不可发芽的种子类型,并根据所述不可发芽的种子类型生评价结果;
当瑕疵区域不涉及到所述生物结构信息中的预设区域,则将当前蔬菜种子作为可发芽的种子类型,并根据所述可发芽的种子类型生成评价结果。
进一步的,在本方法中,基于评价结果生成相关的播种建议,具体包括:
根据所述评价结果对当前蔬菜种子进行分拣,获取不可发芽的种子类型以及可发芽的种子类型的分拣结果,并获取当前播种区域的土壤环境数据信息;
通过大数据获取各土壤环境数据信息之下的蔬菜种子发芽成功率,并根据所述土壤环境数据信息之下的蔬菜种子发芽成功率构建样本数据,生成样本数据集;
计算所述当前播种区域的土壤环境数据信息与所述样本数据集中样本数据的欧式距离值,并获取最小欧式距离值对应的样本数据的蔬菜种子发芽成功率,设置蔬菜种子发芽成功率阈值数据信息;
当所述最小欧式距离值对应的样本数据的蔬菜种子发芽成功率小于蔬菜种子发芽成功率阈值数据信息时,根据所述当前播种区域的土壤环境数据信息以及可发芽的种子类型的分拣结果生成相关的调控措施。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例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一个存储介质中,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方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种蔬菜种子智能识别方法,其特征在于,包括以下步骤:
获取蔬菜种子的高光谱图像信息,并通过对所述高光谱图像进行预处理,获取预处理后的高光谱图像数据;
引入图神经网络,并通过所述图神经网络对所述预处理后的高光谱图像数据中的图像像素点进行分类处理,构建相关的特征训练矩阵;
基于深度学习网络构建蔬菜种子瑕疵识别模型,并引入奇异值分解算法对所述相关的特征训练矩阵进行处理,并通过所述蔬菜种子瑕疵识别模型识别蔬菜种子的瑕疵信息;
根据所述蔬菜种子的瑕疵信息进行评价,获取评价结果,并基于评价结果生成相关的播种建议;
根据所述蔬菜种子的瑕疵信息进行评价,获取评价结果,具体包括:
获取蔬菜种子的外形轮廓信息,根据所述蔬菜种子的瑕疵信息获取蔬菜种子的瑕疵几何特征数据信息,并基于所述蔬菜种子的瑕疵几何特征数据信息以及蔬菜种子的外形轮廓信息构建种子三维模型图;
通过大数据获取蔬菜种子的生物结构信息,并融合种子三维模型图以及蔬菜种子的生物结构信息,判断瑕疵区域是否涉及到所述生物结构信息中的预设区域;
当瑕疵区域涉及到所述生物结构信息中的预设区域,则将当前蔬菜种子作为不可发芽的种子类型,并根据所述不可发芽的种子类型生评价结果;
当瑕疵区域不涉及到所述生物结构信息中的预设区域,则将当前蔬菜种子作为可发芽的种子类型,并根据所述可发芽的种子类型生成评价结果。
2.根据权利要求1所述的一种蔬菜种子智能识别方法,其特征在于,获取蔬菜种子的高光谱图像信息,并通过对所述高光谱图像进行预处理,获取预处理后的高光谱图像数据,具体包括:
将所述蔬菜种子的高光谱图像信息沿着光谱维划分为若干大小相等的子集,并在每个子集中采用基于平均融合的方法降低每个子集的冗余信息,得到降维后的高光谱图像数据信息;
将降维后的高光谱图像数据信息分成若干组大小相等的子集,并对相邻的若干波段进行去彩色化处理,得到图像融合增强的结果图像数据;
采用边缘保持滤波对图像融合增强的结果图像数据进行分解得到基层图像,并利用图像融合增强的结果图像数据减去基层图像得到细节层图像,引入主成分析法;
通过所述主成分析法对所述基层图像以及细节层图像进行重建,得到高光谱图像的增强图像,并将所述高光谱图像的增强图像作为预处理后的高光谱图像数据输出。
3.根据权利要求1所述的一种蔬菜种子智能识别方法,其特征在于,引入图神经网络,并通过所述图神经网络对所述预处理后的高光谱图像数据中的图像像素点进行分类处理,构建相关的特征训练矩阵,具体包括:
引入图神经网络,将所述预处理后的高光谱图像数据中的图像像素点作为图节点,引入马氏距离度量法,并根据所述马氏距离度量法计算图节点之间的马氏距离值;
根据所述马氏距离值确定所述图节点之间的空间位置关系和光谱特征差异,并根据所述图节点之间的空间位置关系和光谱特征差异构建邻接矩阵;
根据所述邻接矩阵获取图节点之间的邻接关系,并根据所述图节点之间的邻接关系对图像的瑕疵位置与正常位置进行分类,获取分类结果;
根据所述分类结果构建相关的特征训练矩阵,并将所述相关的特征训练矩阵输出。
4.根据权利要求1所述的一种蔬菜种子智能识别方法,其特征在于,基于深度学习网络构建蔬菜种子瑕疵识别模型,并引入奇异值分解算法对所述相关的特征训练矩阵进行处理,并通过所述蔬菜种子瑕疵识别模型识别蔬菜种子的瑕疵信息,具体包括:
基于深度学习网络构建蔬菜种子瑕疵识别模型,并引入奇异值分解算法对所述相关的特征训练矩阵进行特征分解,获取按列组成的特征向量,并构建新的坐标系;
将按列组成的特征向量输入到所述新的坐标系中,并生成新的特征向量矩阵,将所述新的特征向量矩阵输入到所述蔬菜种子瑕疵识别模型中进行训练;
当所述蔬菜种子瑕疵识别模型符合预设参数时,保存所述蔬菜种子瑕疵识别模型的模型参数,并进一步对所述蔬菜种子瑕疵识别模型进行参数测试,当测试结果符合预设测试结果时,输出蔬菜种子瑕疵识别模型;
通过所述蔬菜种子瑕疵识别模型识别当前蔬菜种子的瑕疵信息,并将所述当前蔬菜种子的瑕疵信息输出。
5.根据权利要求1所述的一种蔬菜种子智能识别方法,其特征在于,基于评价结果生成相关的播种建议,具体包括:
根据所述评价结果对当前蔬菜种子进行分拣,获取不可发芽的种子类型以及可发芽的种子类型的分拣结果,并获取当前播种区域的土壤环境数据信息;
通过大数据获取各土壤环境数据信息之下的蔬菜种子发芽成功率,并根据所述土壤环境数据信息之下的蔬菜种子发芽成功率构建样本数据,生成样本数据集;
计算所述当前播种区域的土壤环境数据信息与所述样本数据集中样本数据的欧式距离值,并获取最小欧式距离值对应的样本数据的蔬菜种子发芽成功率,设置蔬菜种子发芽成功率阈值数据信息;
当所述最小欧式距离值对应的样本数据的蔬菜种子发芽成功率小于蔬菜种子发芽成功率阈值数据信息时,根据所述当前播种区域的土壤环境数据信息以及可发芽的种子类型的分拣结果生成相关的调控措施。
6.一种蔬菜种子智能识别系统,其特征在于,所述蔬菜种子智能识别系统包括存储器以及处理器,所述存储器中包括蔬菜种子智能识别方法程序,所述蔬菜种子智能识别方法程序被所述处理器执行时,实现如下步骤:
获取蔬菜种子的高光谱图像信息,并通过对所述高光谱图像进行预处理,获取预处理后的高光谱图像数据;
引入图神经网络,并通过所述图神经网络对所述预处理后的高光谱图像数据中的图像像素点进行分类处理,构建相关的特征训练矩阵;
基于深度学习网络构建蔬菜种子瑕疵识别模型,并引入奇异值分解算法对所述相关的特征训练矩阵进行处理,并通过所述蔬菜种子瑕疵识别模型识别蔬菜种子的瑕疵信息;
根据所述蔬菜种子的瑕疵信息进行评价,获取评价结果,并基于评价结果生成相关的播种建议;
根据所述蔬菜种子的瑕疵信息进行评价,获取评价结果,具体包括:
获取蔬菜种子的外形轮廓信息,根据所述蔬菜种子的瑕疵信息获取蔬菜种子的瑕疵几何特征数据信息,并基于所述蔬菜种子的瑕疵几何特征数据信息以及蔬菜种子的外形轮廓信息构建种子三维模型图;
通过大数据获取蔬菜种子的生物结构信息,并融合种子三维模型图以及蔬菜种子的生物结构信息,判断瑕疵区域是否涉及到所述生物结构信息中的预设区域;
当瑕疵区域涉及到所述生物结构信息中的预设区域,则将当前蔬菜种子作为不可发芽的种子类型,并根据所述不可发芽的种子类型生评价结果;
当瑕疵区域不涉及到所述生物结构信息中的预设区域,则将当前蔬菜种子作为可发芽的种子类型,并根据所述可发芽的种子类型生成评价结果。
7.根据权利要求6所述的一种蔬菜种子智能识别系统,其特征在于,获取蔬菜种子的高光谱图像信息,并通过对所述高光谱图像进行预处理,获取预处理后的高光谱图像数据,具体包括:
将所述蔬菜种子的高光谱图像信息沿着光谱维划分为若干大小相等的子集,并在每个子集中采用基于平均融合的方法降低每个子集的冗余信息,得到降维后的高光谱图像数据信息;
将降维后的高光谱图像数据信息分成若干组大小相等的子集,并对相邻的若干波段进行去彩色化处理,得到图像融合增强的结果图像数据;
采用边缘保持滤波对图像融合增强的结果图像数据进行分解得到基层图像,并利用图像融合增强的结果图像数据减去基层图像得到细节层图像,引入主成分析法;
通过所述主成分析法对所述基层图像以及细节层图像进行重建,得到高光谱图像的增强图像,并将所述高光谱图像的增强图像作为预处理后的高光谱图像数据输出。
8.根据权利要求6所述的一种蔬菜种子智能识别系统,其特征在于,基于评价结果生成相关的播种建议,具体包括:
根据所述评价结果对当前蔬菜种子进行分拣,获取不可发芽的种子类型以及可发芽的种子类型的分拣结果,并获取当前播种区域的土壤环境数据信息;
通过大数据获取各土壤环境数据信息之下的蔬菜种子发芽成功率,并根据所述土壤环境数据信息之下的蔬菜种子发芽成功率构建样本数据,生成样本数据集;
计算所述当前播种区域的土壤环境数据信息与所述样本数据集中样本数据的欧式距离值,并获取最小欧式距离值对应的样本数据的蔬菜种子发芽成功率,设置蔬菜种子发芽成功率阈值数据信息;
当所述最小欧式距离值对应的样本数据的蔬菜种子发芽成功率小于蔬菜种子发芽成功率阈值数据信息时,根据所述当前播种区域的土壤环境数据信息以及可发芽的种子类型的分拣结果生成相关的调控措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311292317.2A CN117037128B (zh) | 2023-10-08 | 2023-10-08 | 一种蔬菜种子智能识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311292317.2A CN117037128B (zh) | 2023-10-08 | 2023-10-08 | 一种蔬菜种子智能识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117037128A CN117037128A (zh) | 2023-11-10 |
CN117037128B true CN117037128B (zh) | 2024-01-30 |
Family
ID=88635851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311292317.2A Active CN117037128B (zh) | 2023-10-08 | 2023-10-08 | 一种蔬菜种子智能识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117037128B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110231341A (zh) * | 2019-04-29 | 2019-09-13 | 中国科学院合肥物质科学研究院 | 一种水稻种子内部裂纹在线检测装置及其检测方法 |
CN113129300A (zh) * | 2021-05-10 | 2021-07-16 | 深圳市水务工程检测有限公司 | 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质 |
CN113920380A (zh) * | 2021-11-19 | 2022-01-11 | 云南电网有限责任公司电力科学研究院 | 一种电力设备震后高光谱图像降维和损伤分类方法 |
WO2022264076A1 (en) * | 2021-06-16 | 2022-12-22 | Seedx Technologies Inc. | Methods of sorting matthiola seeds |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6283419B2 (ja) * | 2013-12-12 | 2018-02-21 | ゼネラル・エレクトリック・カンパニイ | 欠陥指標の検出方法 |
US10902581B2 (en) * | 2017-06-19 | 2021-01-26 | Apeel Technology, Inc. | System and method for hyperspectral image processing to identify foreign object |
WO2019178238A1 (en) * | 2018-03-14 | 2019-09-19 | Monsanto Technology Llc | Seed imaging |
-
2023
- 2023-10-08 CN CN202311292317.2A patent/CN117037128B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110231341A (zh) * | 2019-04-29 | 2019-09-13 | 中国科学院合肥物质科学研究院 | 一种水稻种子内部裂纹在线检测装置及其检测方法 |
CN113129300A (zh) * | 2021-05-10 | 2021-07-16 | 深圳市水务工程检测有限公司 | 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质 |
WO2022264076A1 (en) * | 2021-06-16 | 2022-12-22 | Seedx Technologies Inc. | Methods of sorting matthiola seeds |
CN113920380A (zh) * | 2021-11-19 | 2022-01-11 | 云南电网有限责任公司电力科学研究院 | 一种电力设备震后高光谱图像降维和损伤分类方法 |
Non-Patent Citations (2)
Title |
---|
焊缝缺陷的水淹没分割算法;申清明;高建民;李成;;西安交通大学学报(第03期);第90页摘要-第94页第4节 * |
金属零件直接成形熔积层轮廓识别与缺陷分析;丁尧禹;张海鸥;王桂兰;;机电一体化(第03期);第16页摘要-第19页第4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN117037128A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109596634B (zh) | 电缆缺陷的检测方法及装置、存储介质、处理器 | |
CN109242848B (zh) | 基于otsu和ga-bp神经网络墙纸缺陷检测与识别方法 | |
CN111667464B (zh) | 危险品三维图像检测方法、装置、计算机设备及存储介质 | |
Zhang et al. | Detection of apple defects based on the FCM-NPGA and a multivariate image analysis | |
Rahaman et al. | An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm | |
CN112101159B (zh) | 多时相林业遥感影像变化监测方法 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
CN113269257A (zh) | 一种图像分类方法、装置、终端设备及存储介质 | |
CN112163450A (zh) | 基于s3d学习算法的高频地波雷达船只目标检测方法 | |
CN115170529A (zh) | 基于注意力机制的多尺度微小瑕疵检测方法 | |
CN115170548A (zh) | 基于无监督学习的皮革缺陷自动检测方法及装置 | |
CN114463637A (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和系统 | |
CN114565594A (zh) | 基于软掩膜对比损失的图像异常检测方法 | |
CN115272234A (zh) | 瓶盖质量检测方法、装置、计算机设备及存储介质 | |
CN112818920A (zh) | 一种双时相高光谱图像空谱联合变化检测方法 | |
CN111161233A (zh) | 一种用于冲孔皮革缺陷检测方法及系统 | |
CN117037128B (zh) | 一种蔬菜种子智能识别方法及系统 | |
Heryanto et al. | Classification of Coffee Beans Defect Using Mask Region-based Convolutional Neural Network | |
Li et al. | Brown rice germ integrity identification based on deep learning network | |
CN113516193B (zh) | 基于图像处理的红枣缺陷识别分类方法及装置 | |
CN115761451A (zh) | 花粉分类方法、装置、电子设备及存储介质 | |
CN114119562A (zh) | 一种基于深度学习的刹车盘外表面缺陷检测方法及系统 | |
CN112465821A (zh) | 一种基于边界关键点感知的多尺度害虫图像检测方法 | |
CN111832629A (zh) | 一种基于FPGA的faster-RCNN目标检测方法 | |
Nasaruddin et al. | Watermelon maturity level based on rind colour as categorization features |
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 |