CN205158399U - 多光谱视觉成像大叶农作物叶片分级系统 - Google Patents

Abstract

本实用新型提出一种多光谱视觉成像大叶农作物叶片分级系统，包括：采样模块，用于获取不同等级的大叶农作物叶片训练样本，其中，训练样本包括不同等级的大叶农作物叶片的多光谱图像；特征提取模块，用于从多光谱图像中提取特征信息，其中，特征信息包括颜色特征、形状特征和纹理特征；训练模块，用于根据特征信息训练分类器；获取模块，用于获取待分类的大叶农作物叶片的特征信息；分类模块，用于根据分类器对待分类的大叶农作物叶片的特征信息进行分类，以得到待分类的大叶农作物叶片的等级。本实用新型的系统能够实现大叶农作物叶片的自动化分级，节省了大量人力资源，具有分级效率高，分级客观、准确的优点，且该系统结构简单、操作方便。

Description

多光谱视觉成像大叶农作物叶片分级系统

技术领域

本实用新型涉及大叶农作物叶片分级技术领域，特别涉及一种多光谱视觉成像大叶农作物叶片分级系统。

背景技术

大叶农作物是一类重要的经济作物，在我国的农业生产中占有重要的地位。在大叶农作物叶片的收购环节，目前大叶农作物叶片质量分级的手段仍旧以人工为主，存在着劳动强度大、主观性强、工作效率低、分级标准不易掌握、分级精度不稳定等缺点，甚至造成了收购分级专家的灰色利益、农民和收购方因分级不同意见引起的质量纠纷等问题。

并且，大叶农作物叶片的分组分级对人工要求很高，分级工人需要进行系统的专业分级培训，并且还要一段时间熟练技能，然后才能在分级时根据各级别大叶农作物叶片的视觉、触觉、嗅觉反应做出综合判断。对于一般分级技术较熟练的工人，分级的效率为60kg/(人·天)左右(以每天工作八个小时计)。分级后的大叶农作物叶片由具有大叶农作物叶片等级质量鉴别检验资格的人员对其进行复查，按相关分级标准进行等级质量检验，合格率为67.55％-91.78％不等。由此可见，人工分级的前期培训较为复杂，培训时间较长，而分级的效率低下且正确率良莠不齐，对于大叶农作物的收购和生产都会带来明显的阻碍。

实用新型内容

本实用新型旨在至少在一定程度上解决上述相关技术中的技术问题之一。

为此，本实用新型的目的在于提出一种多光谱视觉成像大叶农作物叶片分级系统，该系统能够实现大叶农作物叶片的自动化分级，节省了大量人力资源，具有分级效率高，分级客观、准确的优点，且该系统结构简单、操作方便。

为了实现上述目的，本实用新型提供了一种多光谱视觉成像大叶农作物叶片分级系统，包括：采样模块，所述采样模块用于获取不同等级的大叶农作物叶片训练样本，其中，所述训练样本包括不同等级的大叶农作物叶片的多光谱图像；特征提取模块，所述特征提取模块用于从所述多光谱图像中提取特征信息，其中，所述特征信息包括颜色特征、形状特征和纹理特征；训练模块，所述训练模块用于根据所述特征信息训练分类器；获取模块，所述获取模块用于获取待分类的大叶农作物叶片的特征信息；分类模块，所述分类模块用于根据所述分类器对所述待分类的大叶农作物叶片的特征信息进行分类，以得到所述待分类的大叶农作物叶片的等级。

根据本实用新型的多光谱视觉成像大叶农作物叶片分级系统，从不同等级的大叶农作物叶片训练样本的多光谱图像中提取特征信息，然后根据这些特征信息训练分类器，然后将待分类的大叶农作物叶片的特征信息输入分类器，经过分类器计算后得到待分类大叶农作物叶片的等级。因此，该系统能够实现大叶农作物叶片的自动化分级，节省了大量人力资源，具有分级效率高，分级客观、准确的优点，同时，该系统结构简单，操作方便。

另外，根据本实用新型上述的多光谱视觉成像大叶农作物叶片分级系统还可以具有如下附加的技术特征：

在一些示例中，所述获取模块用于确定大叶农作物叶片区域，并采集所述大叶农作物叶片区域的伪颜色信息和真实LAB颜色信息，并根据所述伪颜色信息和真实LAB颜色信息计算所述大叶农作物叶片区域的颜色特征，以及根据所述大叶农作物叶片区域的RGB数据计算灰度图像，并根据所述灰度图像的灰度共生矩阵计算所述大叶农作物叶片区域的纹理特征，以及根据所述大叶农作物叶片区域的轮廓和残伤率计算所述大叶农作物叶片区域的形状特征，以及提取所述大叶农作物叶片区域的多光谱数据，并根据所述多光谱数据计算所述大叶农作物叶片区域的多光谱组合特征。

在一些示例中，所述灰度图像可通过如下公式计算：

Y＝0.30R+0.59G+0.11B。

在一些示例中，所述大叶农作物叶片区域的纹理特征包括：大叶农作物叶片区域的纹理熵、纹理对比度、纹理自相关、纹理能量、纹理逆矩差。

在一些示例中，所述大叶农作物叶片区域的形状特征包括大叶农作物叶片面积、周长、长轴、短轴、圆度、宽长比和叶片残伤率。

本实用新型的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本实用新型的实践了解到。

附图说明

本实用新型的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本实用新型一个实施例的多光谱视觉成像大叶农作物叶片分级方法的流程图；

图2是根据本实用新型另一个实施例的多光谱视觉成像大叶农作物叶片分级方法的流程图；

图3是根据本实用新型一个实施例的真实颜色特征提取算法的流程图；以及

图4是根据本实用新型一个实施例的多光谱视觉成像大叶农作物叶片分级系统的结构框图。

具体实施方式

下面详细描述本实用新型的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本实用新型，而不能理解为对本实用新型的限制。

以下结合附图描述根据本实用新型实施例的多光谱视觉成像大叶农作物叶片分级方法及系统。

图1是根据本实用新型一个实施例的多光谱视觉成像大叶农作物叶片分级方法的流程图。图2是根据本实用新型另一个实施例的多光谱视觉成像大叶农作物叶片分级方法的流程图。结合图1和图2所示，该方法包括以下步骤：

步骤S101，获取不同等级的大叶农作物叶片训练样本，其中，训练样本包括不同等级的大叶农作物叶片的多光谱图像。大叶农作物叶片训练样本例如为根据专业分级人员挑选的已知级别的样本大叶农作物叶片。

步骤S102，从多光谱图像中提取特征信息，其中，特征信息包括颜色特征、形状特征和纹理特征。

步骤S103，根据特征信息训练分类器。

步骤S104，获取待分类的大叶农作物叶片的特征信息。

在本实用新型的一个实施例中，步骤S104进一步包括：

步骤1：确定大叶农作物叶片区域，并采集该大叶农作物叶片区域(正反面分开计算)的伪颜色信息和真实LAB颜色信息，并根据伪颜色信息和真实LAB颜色信息计算大叶农作物叶片区域的颜色特征。其中，关于确定大叶农作物叶片区域的描述，具体包括：首先获取的彩色图像为线阵相机采集的四通道图像。并在其中挑选一个最接近实物的通道图像作基准(参考图像)，将目标和背景分割，得到单独的大叶农作物叶片区域，即通过区分皮带区域和光照阴影褶皱区域，来分割大叶农作物叶片区域，并进一步分割大叶农作物叶片的正面、反面及其中的青杂色区域。

作为具体的示例，如下表1所示，对于表1中的颜色特征，伪颜色特征都是基于参考图像。由于通过API接口获取整幅图像LAB的时间过长，所以基于参考图像通过相关算法得到了颜色分布均匀的图像块，并判断图像块位于大叶农作物叶片的正面或者反面，在得到上述图像块信息的基础上，获取图像块区域正反面的真实a、b值，并计算表1中的区域颜色特征，具体算法流程如图3所示。

全局颜色特征(伪颜色信息)	区域颜色特征(真实颜色信息)
		正面点的比例	颜色均匀区域面积/总面积
正面点的a均值	正面颜色均匀区域的a均值
		正面点的b均值	正面颜色均匀区域的b均值
正面各点到中心点的距离均值	反面颜色均匀区域的a均值
		反面点的a均值	反面颜色均匀区域的b均值
反面点的b均值
		反面各点到中心点的距离均值

表1

步骤2：根据大叶农作物叶片区域(正反面分开计算)的RGB数据计算灰度图像(即Y分量)，并根据灰度图像的灰度共生矩阵计算大叶农作物叶片区域的纹理特征。其中，大叶农作物叶片区域的纹理特征包括：大叶农作物叶片区域的纹理熵、纹理对比度、纹理自相关、纹理能量、纹理逆矩差。其中，在一些示例中，例如，灰度图像可通过如下公式计算：

Y＝0.30R+0.59G+0.11B。

进一步地，在得到灰度图像后，计算灰度公式矩阵，生成灰度共生矩阵时，邻域的方向可以有0度、45度、90度和135度。在该示例中，使用0度方向计算特征数据，并且灰度级别之间的灰度差为14。

步骤3：根据大叶农作物叶片区域(正反面合并计算)的轮廓和残伤率计算大叶农作物叶片区域的形状特征。

在一些示例中，例如，大叶农作物叶片区域的形状特征包括大叶农作物叶片面积、周长、长轴、短轴、圆度、宽长比和大叶农作物叶片残伤率。更为具体地，残伤率的计算公式为：残伤率＝孔洞面积/叶片区域总面积。

步骤4：提取大叶农作物叶片区域(正反面分开计算)的多光谱数据，并根据多光谱数据计算大叶农作物叶片区域的多光谱组合特征。

步骤S105，根据分类器对待分类的大叶农作物叶片的特征信息进行分类，以得到待分类的大叶农作物叶片的等级。

其中，关于分类器的描述，具体包括：分类器使用的是支持向量机多分类器，对于中桔，上桔，下桔各训练一个分类器，由于使用的训练样本有限，分类器的训练样本设为四个级别，以中桔模型举例，例如有中桔一，中桔二，中桔三和中桔四这四个等级。以此样本训练的分类器可以将测试样本分为对应的四个级别。

多分类器是通过组合多个二分类器构造而成，常见的方法有one-against-one和one-against-all两种。本实用新型的该示例中的多分类器是根据one-against-one(一对一法)实现的。其做法是在任意两类样本之间设计一个SVM，因此k个类别的样本就需要设计k(k-1)/2个SVM。当对一个未知样本进行分类时，最后得票最多的类别即为该未知样本的类别。

例如，假设有A，B，C，D四类分类器。在训练的时候选择A,B；A,C；A,D；B,C；B,D；C,D所对应的向量作为训练集，然后得到六个训练结果，在测试的时候，把对应的向量分别对六个结果进行测试，然后采取投票形式，最后得到一组结果。

投票的规则如下：

A＝B＝C＝D＝0；

(A,B)-classifier如果是Awin,则A＝A+1；otherwise,B＝B+1；

(A,C)-classifer如果是Awin,则A＝A+1；otherwise,C＝C+1；

(C,D)-classifer如果是Awin,则C＝C+1；otherwise,D＝D+1；

ThedecisionistheMax(A,B,C,D)。

综上，本实用新型上述是实施例的多光谱视觉成像大叶农作物叶片分级方法的原理可概述为：首先，挑选每个级别的大叶农作物叶片训练样本，从其多光谱大叶农作物叶片图像中提取颜色特征、形状特征、纹理特征，以这些特征为基础训练对应级别的分类器；然后获取到实时待分类的大叶农作物叶片图像后，计算待分类大叶农作物叶片对应的特征信息，并将之输入分类器，分类器自动运算给出其级别。

根据本实用新型实施例的多光谱视觉成像大叶农作物叶片分级方法，从不同等级的大叶农作物叶片训练样本的多光谱图像中提取特征信息，然后根据这些特征信息训练分类器，然后将待分类的大叶农作物叶片的特征信息输入分类器，经过分类器计算后得到待分类大叶农作物叶片的等级。因此，该方法能够实现大叶农作物叶片的自动化分级，节省了大量人力资源，具有分级效率高，分级客观、准确的优点，同时，该方法操作简单，易于实现。

本实用新型的进一步实施例还提供了一种多光谱视觉成像大叶农作物叶片分级系统。

图4是根据本实用新型一个实施例的多光谱视觉成像大叶农作物叶片分级系统的结构框图。如图4所示，该系统100包括：采样模块110、特征提取模块120、训练模块130、获取模块140和分类模块150。

其中，采样模块110用于获取不同等级的大叶农作物叶片训练样本，其中，训练样本包括不同等级的大叶农作物叶片的多光谱图像。大叶农作物叶片训练样本例如为根据专业分级人员挑选的已知级别的样本大叶农作物叶片。

特征提取模块120用于从多光谱图像中提取特征信息，其中，特征信息包括颜色特征、形状特征和纹理特征。

训练模块130用于根据特征信息训练分类器。

获取模块140用于获取待分类的大叶农作物叶片的特征信息。

在本实用新型的一个实施例中，具体地说，获取模块140用于确定大叶农作物叶片区域，并采集大叶农作物叶片区域(正反面分开计算)的伪颜色信息和真实LAB颜色信息，并根据伪颜色信息和真实LAB颜色信息计算大叶农作物叶片区域的颜色特征，以及根据大叶农作物叶片区域(正反面分开计算)的RGB数据计算灰度图像，并根据灰度图像的灰度共生矩阵计算大叶农作物叶片区域的纹理特征，以及根据大叶农作物叶片区域(正反面合并计算)的轮廓和残伤率计算大叶农作物叶片区域的形状特征，以及提取大叶农作物叶片区域(正反面分开计算)的多光谱数据，并根据多光谱数据计算大叶农作物叶片区域的多光谱组合特征。其中，大叶农作物叶片区域的纹理特征包括：大叶农作物叶片区域的纹理熵、纹理对比度、纹理自相关、纹理能量、纹理逆矩差。

其中，在上述示例中，灰度图像可通过如下公式计算：

Y＝0.30R+0.59G+0.11B。

进一步地，在得到灰度图像后，计算灰度公式矩阵，生成灰度共生矩阵时，邻域的方向可以有0度、45度、90度和135度。在该示例中，使用0度方向计算特征数据，并且灰度级别之间的灰度差为14。

其中，在上述示例中，例如，大叶农作物叶片区域的形状特征包括大叶农作物叶片面积、周长、长轴、短轴、圆度、宽长比和大叶农作物叶片残伤率。更为具体地，残伤率的计算公式为：残伤率＝孔洞面积/叶片区域总面积。

分类模块150用于根据分类器对待分类的大叶农作物叶片的特征信息进行分类，以得到待分类的大叶农作物叶片的等级。

对于本实用新型上述实施例的多光谱视觉成像大叶农作物叶片分级系统100的具体示例性描述请参见上述对本实用新型实施例的方法的描述部分，为减少冗余，此处不再赘述。

综上，根据本实用新型实施例的多光谱视觉成像大叶农作物叶片分级系统，从不同等级的大叶农作物叶片训练样本的多光谱图像中提取特征信息，然后根据这些特征信息训练分类器，然后将待分类的大叶农作物叶片的特征信息输入分类器，经过分类器计算后得到待分类大叶农作物叶片的等级。因此，该系统能够实现大叶农作物叶片的自动化分级，节省了大量人力资源，具有分级效率高，分级客观、准确的优点，同时，该系统结构简单，操作方便。

在本实用新型的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本实用新型和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本实用新型的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本实用新型的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本实用新型中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本实用新型中的具体含义。

在本实用新型中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本实用新型的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本实用新型的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本实用新型的限制，本领域的普通技术人员在本实用新型的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (5)

1.一种多光谱视觉成像大叶农作物叶片分级系统，其特征在于，包括：

采样模块，所述采样模块用于获取不同等级的大叶农作物叶片训练样本，其中，所述训练样本包括不同等级的大叶农作物叶片的多光谱图像；

特征提取模块，所述特征提取模块用于从所述多光谱图像中提取特征信息，其中，所述特征信息包括颜色特征、形状特征和纹理特征；

训练模块，所述训练模块用于根据所述特征信息训练分类器；

获取模块，所述获取模块用于获取待分类的大叶农作物叶片的特征信息；

分类模块，所述分类模块用于根据所述分类器对所述待分类的大叶农作物叶片的特征信息进行分类，以得到所述待分类的大叶农作物叶片的等级。

2.根据权利要求1所述的多光谱视觉成像大叶农作物叶片分级系统，其特征在于，所述获取模块用于确定大叶农作物叶片区域，并采集所述大叶农作物叶片区域的伪颜色信息和真实LAB颜色信息，并根据所述伪颜色信息和真实LAB颜色信息计算所述大叶农作物叶片区域的颜色特征，以及根据所述大叶农作物叶片区域的RGB数据计算灰度图像，并根据所述灰度图像的灰度共生矩阵计算所述大叶农作物叶片区域的纹理特征，以及根据所述大叶农作物叶片区域的轮廓和残伤率计算所述大叶农作物叶片区域的形状特征，以及提取所述大叶农作物叶片区域的多光谱数据，并根据所述多光谱数据计算所述大叶农作物叶片区域的多光谱组合特征。

3.根据权利要求2所述的多光谱视觉成像大叶农作物叶片分级系统，其特征在于，所述灰度图像可通过如下公式计算：

Y＝0.30R+0.59G+0.11B。

4.根据权利要求3所述的多光谱视觉成像大叶农作物叶片分级系统，其特征在于，所述大叶农作物叶片区域的纹理特征包括：大叶农作物叶片区域的纹理熵、纹理对比度、纹理自相关、纹理能量、纹理逆矩差。

5.根据权利要求1所述的多光谱视觉成像大叶农作物叶片分级系统，其特征在于，所述大叶农作物叶片区域的形状特征包括大叶农作物叶片面积、周长、长轴、短轴、圆度、宽长比和叶片残伤率。