CN115223164A - 一种基于人工智能的甜瓜成熟度检测方法及*** - Google Patents
一种基于人工智能的甜瓜成熟度检测方法及*** Download PDFInfo
- Publication number
- CN115223164A CN115223164A CN202211037777.6A CN202211037777A CN115223164A CN 115223164 A CN115223164 A CN 115223164A CN 202211037777 A CN202211037777 A CN 202211037777A CN 115223164 A CN115223164 A CN 115223164A
- Authority
- CN
- China
- Prior art keywords
- pixel
- detail
- matrix
- diagonal
- principal component
- 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
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 title claims abstract description 98
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 title claims abstract description 72
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 241000219112 Cucumis Species 0.000 title abstract 6
- 239000011159 matrix material Substances 0.000 claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000012512 characterization method Methods 0.000 claims abstract description 23
- 238000010586 diagram Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 17
- 235000009847 Cucumis melo var cantalupensis Nutrition 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 244000241257 Cucumis melo Species 0.000 claims 11
- 238000012545 processing Methods 0.000 abstract description 8
- 244000064895 Cucumis melo subsp melo Species 0.000 description 93
- 238000012935 Averaging Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005070 ripening Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000675108 Citrus tangerina Species 0.000 description 1
- 244000000231 Sesamum indicum Species 0.000 description 1
- 235000003434 Sesamum indicum Nutrition 0.000 description 1
- 244000010375 Talinum crassifolium Species 0.000 description 1
- 235000015055 Talinum crassifolium Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 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
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
-
- 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
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于人工智能的甜瓜成熟度检测方法及***,该方法采集待检测甜瓜多个方位的侧面图像,并得到对应的主成分侧面图;通过对主成分侧面图进行两级小波变换得到不同方向的细节图;利用细节图在对应方向上的梯度变化获取对应的步距,进而得到对应的灰度共生矩阵;由三个方向上的灰度共生矩阵的特征参数组成主成分侧面图的纹理表征矩阵;由侧面图像中所有像素点的平均饱和度、平均像素值、像素值变化范围以及灰度分布均匀程度构成色彩特征矩阵;由纹理表征矩阵和色彩特征矩阵组成每张侧面图像的特征分析矩阵,基于特征分析矩阵进行待检测甜瓜的成熟度检测。本发明能够准确评估出甜瓜的成熟度,识别精度高。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于人工智能的甜瓜成熟度检测方法及***。
背景技术
甜瓜的成熟度对甜瓜商家的存储、运输、分级销售等规划有重要影响。现有的甜瓜成熟度的检测方法大多需要破坏水果的皮表组织或者果实进行有损检测,对于商家来说采用这种方法进行检测影响产品销售;通过图像处理的无损检测方法大多是通过甜瓜表面的颜色进行成熟度的检测,自动识别精度低,检测效果差。
发明内容
为了解决上述技术问题,本发明提供一种基于人工智能的甜瓜成熟度检测方法及***,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于人工智能的甜瓜成熟度检测方法,该方法包括以下步骤:
采集待检测甜瓜多个方位的侧面图像,并通过对每张侧面图像进行主成分分析得到对应的主成分侧面图;
通过对所述主成分侧面图进行两级小波变换得到不同方向的细节图,所述细节图包括水平细节图、垂直细节图和对角线细节图;利用细节图在对应方向上的梯度变化获取对应的步距,基于所述步距得到在对应方向上的灰度共生矩阵;由三个方向上的灰度共生矩阵的特征参数组成所述主成分侧面图的纹理表征矩阵;
计算所述侧面图像中所有像素点的平均像素值以及像素值变化范围;基于所有像素点的像素值和平均像素值的差异获取灰度分布均匀程度;将所述侧面图像转换至包含饱和度的色彩空间中,提取饱和度通道图像,计算饱和度通道图像中的平均饱和度;由所述平均饱和度、平均像素值、像素值变化范围以及灰度分布均匀程度构成色彩特征矩阵;
由所述纹理表征矩阵和所述色彩特征矩阵组成每张侧面图像的特征分析矩阵,基于所述特征分析矩阵训练分类网络,将训练完成的分类网络作为甜瓜成熟度检测网络,以进行待检测甜瓜的成熟度检测。
优选的,所述主成分侧面图的获取方法为:
通过主成分分析获取多个主成分方向,选取前三个主成分方向对应的图像进行对应位置像素值加权求和得到所述主成分侧面图。
优选的,所述通过对所述主成分侧面图进行两级小波变换得到不同方向的细节图,包括:
通过第一级小波变换得到所述主成分侧面图的第一水平细节图、第一垂直细节图和第一对角线细节图,通过第二级小波变换得到所述主成分侧面图的第二水平细节图、第二垂直细节图和第二对角线细节图;将第一水平细节图和第二水平细节图进行对应位置像素值的加权求和得到所述水平细节图,将第一垂直细节图和第二垂直细节图进行对应位置像素值的加权求和得到所述垂直细节图,将第一对角线细节图和第二对角线细节图进行对应位置像素值的加权求和得到所述对角线细节图。
优选的,所述利用细节图在对应方向上的梯度变化获取对应的步距,包括:
对于水平细节图,每间隔预设行数提取一行像素点作为待分析行像素,获取待分析行像素中每个像素点的水平梯度幅值,将大于预设幅值阈值的水平梯度幅值对应的像素点作为第一像素点,计算每行待分析行像素中每两个相邻的第一像素点之间的第一像素距离,计算所有第一像素距离的平均值作为所述水平细节图的步距;
对于垂直细节图,每间隔预设列数提取一列像素点作为待分析列像素,获取待分析列像素中每个像素点的垂直梯度幅值,将大于预设幅值阈值的垂直梯度幅值对应的像素点作为第二像素点,计算每列待分析列像素中每两个相邻的第二像素点之间的第二像素距离,计算所有第二像素距离的平均值作为所述垂直细节图的步距;
对于对角线细节图,提取对角线上的像素点作为待分析对角线像素,获取待分析对角线像素中每个像素点在对角线上的对角梯度幅值,将大于预设对角幅值阈值的对角梯度幅值对应的像素点作为第三像素点,计算每两个相邻的第三像素点之间的第三像素距离,计算所有第三像素距离的平均值作为所述对角线细节图的步距。
优选的,所述纹理表征矩阵的组成方法为:
对于每个方向上的细节图,获取对应的灰度共生矩阵的纹理对比度、熵值、能量值以及逆方差参数作为特征征量,三张细节图的所述特征征量组成一列,得到所述纹理表征矩阵。
优选的,所述像素值变化范围的获取方法为:
获取所述侧面图像中像素值最大的前预设数量的像素值,求均值得到最大灰度均值;获取所述侧面图像中像素值最小的前预设数量的像素值,求均值得到最小灰度均值;以所述最大灰度均值和所述最小灰度均值的差值作为所述像素值变化范围。
优选的,所述基于所述特征分析矩阵训练分类网络,包括:
以所述特征分析矩阵作为分类网络的输入,通过人工标注标签,输出为待检测甜瓜的成熟度,以交叉熵损失函数作为分类网络的损失函数进行网络训练,直至损失函数收敛,所述分类网络训练完成。
第二方面,本发明另一个实施例提供了一种基于人工智能的甜瓜成熟度检测***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种基于人工智能的甜瓜成熟度检测方法的步骤。
本发明实施例至少具有如下有益效果:
通过获取待检测甜瓜的侧面图像在不同方向上的细节图的自适应步距,来构建对应的灰度共生矩阵,进而得到纹理表征矩阵,能够准确提取待检测甜瓜表面的纹理,作为成熟度检测的基础;然后通过图像处理获取侧面图像的色彩特征矩阵,来表征待检测甜瓜表面的色彩信息和光泽度信息,同样作为成熟度检测的基础;利用纹理表征矩阵和色彩特征矩阵组成的特征分析矩阵进行分类网络的训练,使神经网络学习到纹理和色彩与甜瓜成熟度之间的关系,能够基于图像信息准确评估出待检测甜瓜的成熟度,识别精度高,进而能够使商家依据成熟度对甜瓜进行相应的存储运输等处理,降低由成熟度引起的损耗成本,提高甜瓜品质。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例提供的一种基于人工智能的甜瓜成熟度检测方法的步骤流程图;
图2为本发明一个实施例提供的广蜜1号甜瓜的示例图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的甜瓜成熟度检测方法及***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明的应用场景为:商家从瓜农处收购甜瓜后,基于本发明的方法进行成熟度的检测,成熟度较小的甜瓜的储存时间长于成熟度较大的甜瓜,基于此对收购的甜瓜进行相应的运输、存储以及出售等处理。下面结合附图具体的说明本发明所提供的一种基于人工智能的甜瓜成熟度检测方法及***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于人工智能的甜瓜成熟度检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集待检测甜瓜多个方位的侧面图像,并通过对每张侧面图像进行主成分分析得到对应的主成分侧面图。
具体的步骤包括:
1、采集待检测甜瓜多个方位的侧面图像。
将待检测甜瓜瓜蒂部分朝下放置在可以旋转的放置台上,通过固定光源下的图像采集设备采集甜瓜的侧面图像,为提高检测精度,避免单一数据分析导致甜瓜成熟度检测不准确的问题,本发明实施例采集侧面图像时,每旋转90°采集甜瓜一个方位的侧面图像,共获取四张侧面图像,用于对甜瓜表面特征状况进行分析。放置台的旋转角度以及侧面图像的拍摄数量可以根据实际情况改变。
甜瓜的种类有很多,例如厚皮甜瓜主要包括甘肃白兰瓜、麻醉瓜和新疆哈密瓜中的黄旦子、红心脆、青香麻皮、小青皮等品种;薄皮甜瓜又称普通甜瓜、香瓜。
本发明实施例以如图2所示的绿宝甜瓜为例进行后续检测。
2、获取每张侧面图像的主成分侧面图。
通过主成分分析获取多个主成分方向,选取前三个主成分方向对应的图像进行对应位置像素值加权求和得到主成分侧面图。
通过主成分分析法对每张侧面图像中的像素点进行主成分分析,以获取每张侧面图像主成分方向,获取前三个主成分所对应的图像来进行纹理特征的分析,将所获取的前三个主成分方向所对应的图像对应位置像素值进行加权均值处理,权值根据第一、第二、第三主成分的排序分别设置为0.5、0.3和0.2,得到一个新的甜瓜侧面图,记为主成分侧面图,用于纹理特征的分析。通过筛选前三个主成分方向获取主成分侧面图能够降低数据检测量,避免无关数据的影响。
步骤S002,通过对主成分侧面图进行两级小波变换得到不同方向的细节图,细节图包括水平细节图、垂直细节图和对角线细节图;利用细节图在对应方向上的梯度变化获取对应的步距,基于步距得到在对应方向上的灰度共生矩阵;由三个方向上的灰度共生矩阵的特征参数组成主成分侧面图的纹理表征矩阵。
具体的步骤包括:
1、通过对主成分侧面图进行两级小波变换得到不同方向的细节图。
通过第一级小波变换得到主成分侧面图的第一水平细节图、第一垂直细节图和第一对角线细节图,通过第二级小波变换得到主成分侧面图的第二水平细节图、第二垂直细节图和第二对角线细节图;将第一水平细节图和第二水平细节图进行对应位置像素值的加权求和得到水平细节图,将第一垂直细节图和第二垂直细节图进行对应位置像素值的加权求和得到垂直细节图,将第一对角线细节图和第二对角线细节图进行对应位置像素值的加权求和得到对角线细节图。
通过小波变换将主成分侧面图分解为不同分辨率的子带图像,高频子带图像主要反映图像的细节纹理信息,低频子带图像主要体现整体平滑后的大致轮廓信息。对主成分侧面图像进行两级小波变换,通过第一级小波变换分解后得到主成分侧面图的第一水平细节图、第一垂直细节图和第一对角线细节图,通过第二级小波变换分解后得到主成分侧面图的第二水平细节图、第二垂直细节图和第二对角线细节图。然后分别在每个方向进行对应细节图的通位置像素的加权求和,本发明实施例中第一级小波变换对应的细节图的权值设置为0.6,第二级小波变换对应的细节图的权值设置为0.4,得到水平细节图、垂直细节图和对角线细节图。
其中,小波变换为公知技术,本发明实施例中不再赘述具体变换过程。
2、获取不同方向的细节图对应的步距,基于步距得到在对应方向上的灰度共生矩阵。
若所设置灰度共生矩阵的步距参数不合适时,将会导致所提取的纹理信息出现偏差,纹理表征不够精确,因此,本发明实施例将基于不同细节图图像中各自的梯度信息对灰度共生矩阵的步距进行自适应设置。
对于水平细节图,每间隔预设行数提取一行像素点作为待分析行像素,获取待分析行像素中每个像素点的水平梯度幅值,将大于预设幅值阈值的水平梯度幅值对应的像素点作为第一像素点,计算每行待分析行像素中每两个相邻的第一像素点之间的第一像素距离,计算所有第一像素距离的平均值作为水平细节图的步距。
水平细节图表征的为水平方向的高频纹理信息,获取水平细节图0°方向值所对应的灰度共生矩阵,用于分析其水平方向纹理信息的规则状况,具体为:对水平细节图进行行像素等间隔分析,每间隔t行提取一行像素点作为待分析行像素,用于分析水平细节图在水平方向上的梯度基元,也即梯度变化情况。
以所提取的第c行待分析行像素为例,获取第c行像素点的水平梯度幅值,并设置预设幅值阈值,将大于预设幅值阈值的像素值设置为1,否则设置为0,然后获取第c行像素中相邻的两个像素值为1的像素点之间的像素距离作为第一像素距离,并获取该行对应的所有第一像素距离的均值,然后计算所有待分析行像素中所有均值的平均值:,其中,N为所选待分析行像素的行数。
d1即为提取水平细节图的灰度共生矩阵的步距参数,以获取更适于表征水平细节图纹理特征信息的灰度共生矩阵。
对于垂直细节图,每间隔预设列数提取一列像素点作为待分析列像素,获取待分析列像素中每个像素点的垂直梯度幅值,将大于预设幅值阈值的垂直梯度幅值对应的像素点作为第二像素点,计算每列待分析列像素中每两个相邻的第二像素点之间的第二像素距离,计算所有第二像素距离的平均值作为垂直细节图的步距。
垂直细节图表征的为垂直方向的高频纹理信息,获取垂直细节图90°方向值所对应的灰度共生矩阵,用于分析其垂直方向纹理信息的规则状况。
与水平细节图的步距选取方法相似,对垂直细节图的列像素进行等间隔分析,分析等间隔提取的每列像素点的垂直梯度状况,具体为:每间隔t列获取一列像素点作为待分析列像素,以所提取的第k列像素点为例,获取第k列像素点的垂直梯度幅值,将大于所述垂直预设幅值阈值的像素值设置为1,否则设置为0,获取第k列像素点中相邻的两个像素值为1的像素点之间的像素距离作为第二像素距离,并获取该列像素点的有第二像素距离的均值,然后计算所有待分析列像素中所有均值的平均值:,其中,M为所选待分析列像素的列数。
d2即为提取垂直细节图灰度共生矩阵的步距参数,以获取更适于表征垂直细节图纹理特征信息的灰度共生矩阵。
对于对角线细节图,提取对角线上的像素点作为待分析对角线像素,获取待分析对角线像素中每个像素点在对角线上的对角梯度幅值,将大于预设对角幅值阈值的对角梯度幅值对应的像素点作为第三像素点,计算每两个相邻的第三像素点之间的第三像素距离,计算所有第三像素距离的平均值作为对角线细节图的步距。
对角线细节图表征的为对角线方向的高频纹理信息,获取对角线细节图135°方向所对应的灰度共生矩阵,用于分析其对角线方向纹理信息的规则状况。
对角线细节图的步距获取方法为:获取对角线细节图在135°对角线上的像素点作为待分析对角线像素,并计算待分析对角线像素中像素点的梯度幅值,预设对角幅值阈值,大于对角幅值阈值的像素值设置为1,否则设置为0,计算相邻的两个像素值为1的像素点之间的像素距离作为第三像素距离,并获取待分析对角线像素中所有第三像素距离的均值,将其作为对角线细节图所对应灰度共生矩阵提取的步距参数,以便准确获取能够准确表征相应图像纹理特征信息的共生矩阵。
基于每个方向的步距得到在对应方向上的灰度共生矩阵,每张侧面图像都有三个方向的灰度共生矩阵。
3、由三个方向上的灰度共生矩阵的特征参数组成主成分侧面图的纹理表征矩阵。
对于每个方向上的细节图,获取对应的灰度共生矩阵的纹理对比度、熵值、能量值以及逆方差参数作为特征征量,三张细节图的特征征量组成一列,得到纹理表征矩阵。
获取水平细节图对应的灰度共生矩阵的特征征量,特征征量中的每个参数分别代表灰度共生矩阵所对应的特征指标:Con为纹理对比度,Ent为熵值,Asm为能量值,H为逆方差参数,同样的,获取垂直细节图对应的灰度共生矩阵的特征征量,以及对角线细节图对应的灰度共生矩阵的特征征量。
纹理表征矩阵用于对甜瓜的整体表面纹路状况进行检测分析,生瓜表面存在绒毛,导致甜瓜表面纹路不清晰,而当甜瓜达到成熟时,表面纹路清晰,网纹规律分明,线条舒展,通过纹理表征矩阵来反映甜瓜表面的纹理特征,以对其成熟情况进行准确分析。
步骤S003,计算侧面图像中所有像素点的平均像素值以及像素值变化范围;基于所有像素点的像素值和平均像素值的差异获取灰度分布均匀程度;将侧面图像转换至包含饱和度的色彩空间中,提取饱和度通道图像,计算饱和度通道图像中的平均饱和度;由平均饱和度、平均像素值、像素值变化范围以及灰度分布均匀程度构成色彩特征矩阵。
甜瓜成熟过程中表面色泽会发生变化,色彩饱和度逐渐降低,同时表面光泽度存在较大差异,因此对甜瓜的侧面图像进行进一步的分析,以获取甜瓜表面的色彩特征参数,用于分析甜瓜的成熟情况。
具体的步骤包括:
1、计算侧面图像中所有像素点的平均像素值、像素值变化范围以及灰度分布均匀程度。
侧面图像表面的灰度状况能够体现甜瓜表面的光泽信息,因此通过侧面图像的像素值来表征甜瓜表面的光泽信息。
获取第i张侧面图像中所有像素点的像素值变化范围:获取侧面图像中像素值最大的前预设数量的像素值,求均值得到最大灰度均值;获取侧面图像中像素值最小的前预设数量的像素值,求均值得到最小灰度均值;以最大灰度均值和最小灰度均值的差值作为像素值变化范围。
在本发明实施例中预设数量为10个,即选取第i张侧面图像中像素值最大的前10个像素值求均值得到最大灰度均值、像素值最小的前10个像素值求均值得到最小灰度均值,以最大灰度均值和最小灰度均值的差值作为第i张侧面图像的像素值变化范围,用于反映图像表面的亮度变化状况。
通过侧面图像的平均像素值、像素值变化范围以及灰度分布均匀程度作为侧面图像灰度状况来体现甜瓜表面的光泽信息。
2、将侧面图像转换至包含饱和度的色彩空间中,获取平均饱和度。
包含饱和度的色彩空间有很多,在本发明实施例中将侧面图像转换至HSV色彩空间中,同样以第i张侧面图像为例,提取第i张侧面图像所对应的饱和度S通道图像,得到饱和度通道图像中每个像素点对应的饱和度,然后计算饱和度通道图像所有像素点的平均饱和度,用于对甜瓜表面的色泽状况进行准确表征。
3、由平均饱和度、平均像素值、像素值变化范围以及灰度分布均匀程度构成色彩特征矩阵。
建立色彩特征向量,用于对甜瓜成熟度进行精确检测,为提高数据规整性,对色彩特征向量进行补零处理,获取色彩特征矩阵,以保证与纹理表征矩阵尺寸一致,该色彩特征矩阵为:,为的色彩特征矩阵,用于对甜瓜表面色彩状况进行表征。对于待检测甜瓜的各个侧面图像来说,i=1,2,3,4。
步骤S004,由纹理表征矩阵和色彩特征矩阵组成每张侧面图像的特征分析矩阵,基于特征分析矩阵训练分类网络,将训练完成的分类网络作为甜瓜成熟度检测网络,以进行待检测甜瓜的成熟度检测。
具体的步骤包括:
1、由纹理表征矩阵和色彩特征矩阵组成每张侧面图像的特征分析矩阵,基于特征分析矩阵训练分类网络。
以特征分析矩阵作为分类网络的输入,通过人工标注标签,输出为待检测甜瓜的成熟度,以交叉熵损失函数作为分类网络的损失函数进行网络训练,直至损失函数收敛,分类网络训练完成。
通过分类网络基于特征分析矩阵对甜瓜成熟度进行等级划分,本发明实施例将甜瓜成熟度分为1-5共五个等级,等级越高,则甜瓜成熟度越高,分类网络为现有网络,网络输入为甜瓜的四张侧面图像对应的特征分析矩阵,网络输出为甜瓜成熟度等级,网络标签为人为标注的成熟度等级,网络训练的损失函数为交叉熵损失函数,进行网络训练,直至损失函数收敛,分类网络训练完成,训练完成的分类网络作为甜瓜成熟度检测网络。
2、对待检测甜瓜进行成熟度检测。
将待检测甜瓜的特征分析矩阵输入到甜瓜成熟度检测网络中,输出对应的成熟度等级,能够快速实现对甜瓜成熟度的自动精确检测。并且具有无接触性,可避免对甜瓜的二次伤害。
综上所述,本发明实施例采集待检测甜瓜多个方位的侧面图像,并通过对每张侧面图像进行主成分分析得到对应的主成分侧面图;通过对主成分侧面图进行两级小波变换得到不同方向的细节图,细节图包括水平细节图、垂直细节图和对角线细节图;利用细节图在对应方向上的梯度变化获取对应的步距,基于步距得到在对应方向上的灰度共生矩阵;由三个方向上的灰度共生矩阵的特征参数组成主成分侧面图的纹理表征矩阵;计算侧面图像中所有像素点的平均像素值以及像素值变化范围;基于所有像素点的像素值和平均像素值的差异获取灰度分布均匀程度;将侧面图像转换至包含饱和度的色彩空间中,提取饱和度通道图像,计算饱和度通道图像中的平均饱和度;由平均饱和度、平均像素值、像素值变化范围以及灰度分布均匀程度构成色彩特征矩阵;由纹理表征矩阵和色彩特征矩阵组成每张侧面图像的特征分析矩阵,基于特征分析矩阵训练分类网络,将训练完成的分类网络作为甜瓜成熟度检测网络,以进行待检测甜瓜的成熟度检测。本发明实施例能够基于图像信息准确评估出待检测甜瓜的成熟度,识别精度高,进而能够使商家依据成熟度对甜瓜进行相应的存储运输等处理,降低由成熟度引起的损耗成本,提高甜瓜品质。
本发明实施例还提出了一种基于人工智能的甜瓜成熟度检测***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的步骤。由于一种基于人工智能的甜瓜成熟度检测方法在上述给出了详细描述,不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于人工智能的甜瓜成熟度检测方法,其特征在于,该方法包括以下步骤:
采集待检测甜瓜多个方位的侧面图像,并通过对每张侧面图像进行主成分分析得到对应的主成分侧面图;
通过对所述主成分侧面图进行两级小波变换得到不同方向的细节图,所述细节图包括水平细节图、垂直细节图和对角线细节图;利用细节图在对应方向上的梯度变化获取对应的步距,基于所述步距得到在对应方向上的灰度共生矩阵;由三个方向上的灰度共生矩阵的特征参数组成所述主成分侧面图的纹理表征矩阵;
计算所述侧面图像中所有像素点的平均像素值以及像素值变化范围;基于所有像素点的像素值和平均像素值的差异获取灰度分布均匀程度;将所述侧面图像转换至包含饱和度的色彩空间中,提取饱和度通道图像,计算饱和度通道图像中的平均饱和度;由所述平均饱和度、平均像素值、像素值变化范围以及灰度分布均匀程度构成色彩特征矩阵;
由所述纹理表征矩阵和所述色彩特征矩阵组成每张侧面图像的特征分析矩阵,基于所述特征分析矩阵训练分类网络,将训练完成的分类网络作为甜瓜成熟度检测网络,以进行待检测甜瓜的成熟度检测。
2.根据权利要求1所述的一种基于人工智能的甜瓜成熟度检测方法,其特征在于,所述主成分侧面图的获取方法为:
通过主成分分析获取多个主成分方向,选取前三个主成分方向对应的图像进行对应位置像素值加权求和得到所述主成分侧面图。
3.根据权利要求1所述的一种基于人工智能的甜瓜成熟度检测方法,其特征在于,所述通过对所述主成分侧面图进行两级小波变换得到不同方向的细节图,包括:
通过第一级小波变换得到所述主成分侧面图的第一水平细节图、第一垂直细节图和第一对角线细节图,通过第二级小波变换得到所述主成分侧面图的第二水平细节图、第二垂直细节图和第二对角线细节图;将第一水平细节图和第二水平细节图进行对应位置像素值的加权求和得到所述水平细节图,将第一垂直细节图和第二垂直细节图进行对应位置像素值的加权求和得到所述垂直细节图,将第一对角线细节图和第二对角线细节图进行对应位置像素值的加权求和得到所述对角线细节图。
4.根据权利要求1所述的一种基于人工智能的甜瓜成熟度检测方法,其特征在于,所述利用细节图在对应方向上的梯度变化获取对应的步距,包括:
对于水平细节图,每间隔预设行数提取一行像素点作为待分析行像素,获取待分析行像素中每个像素点的水平梯度幅值,将大于预设幅值阈值的水平梯度幅值对应的像素点作为第一像素点,计算每行待分析行像素中每两个相邻的第一像素点之间的第一像素距离,计算所有第一像素距离的平均值作为所述水平细节图的步距;
对于垂直细节图,每间隔预设列数提取一列像素点作为待分析列像素,获取待分析列像素中每个像素点的垂直梯度幅值,将大于预设幅值阈值的垂直梯度幅值对应的像素点作为第二像素点,计算每列待分析列像素中每两个相邻的第二像素点之间的第二像素距离,计算所有第二像素距离的平均值作为所述垂直细节图的步距;
对于对角线细节图,提取对角线上的像素点作为待分析对角线像素,获取待分析对角线像素中每个像素点在对角线上的对角梯度幅值,将大于预设对角幅值阈值的对角梯度幅值对应的像素点作为第三像素点,计算每两个相邻的第三像素点之间的第三像素距离,计算所有第三像素距离的平均值作为所述对角线细节图的步距。
5.根据权利要求1所述的一种基于人工智能的甜瓜成熟度检测方法,其特征在于,所述纹理表征矩阵的组成方法为:
对于每个方向上的细节图,获取对应的灰度共生矩阵的纹理对比度、熵值、能量值以及逆方差参数作为特征征量,三张细节图的所述特征征量组成一列,得到所述纹理表征矩阵。
6.根据权利要求1所述的一种基于人工智能的甜瓜成熟度检测方法,其特征在于,所述像素值变化范围的获取方法为:
获取所述侧面图像中像素值最大的前预设数量的像素值,求均值得到最大灰度均值;获取所述侧面图像中像素值最小的前预设数量的像素值,求均值得到最小灰度均值;以所述最大灰度均值和所述最小灰度均值的差值作为所述像素值变化范围。
7.根据权利要求1所述的一种基于人工智能的甜瓜成熟度检测方法,其特征在于,所述基于所述特征分析矩阵训练分类网络,包括:
以所述特征分析矩阵作为分类网络的输入,通过人工标注标签,输出为待检测甜瓜的成熟度,以交叉熵损失函数作为分类网络的损失函数进行网络训练,直至损失函数收敛,所述分类网络训练完成。
8.一种基于人工智能的甜瓜成熟度检测***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~7任意一项所述一种基于人工智能的甜瓜成熟度检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211037777.6A CN115223164A (zh) | 2022-08-29 | 2022-08-29 | 一种基于人工智能的甜瓜成熟度检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211037777.6A CN115223164A (zh) | 2022-08-29 | 2022-08-29 | 一种基于人工智能的甜瓜成熟度检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115223164A true CN115223164A (zh) | 2022-10-21 |
Family
ID=83617481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211037777.6A Pending CN115223164A (zh) | 2022-08-29 | 2022-08-29 | 一种基于人工智能的甜瓜成熟度检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115223164A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523910A (zh) * | 2023-07-03 | 2023-08-01 | 湖北省林业科学研究院 | 基于图像数据的核桃成熟度智能检测方法 |
CN116612191A (zh) * | 2023-07-18 | 2023-08-18 | 山东芝圣堂生物科技有限公司 | 一种车载式采摘机器人自动定位方法及装置 |
WO2024142888A1 (ja) * | 2022-12-27 | 2024-07-04 | Toppanホールディングス株式会社 | 食べごろ判定システムおよび食べごろ判定方法 |
-
2022
- 2022-08-29 CN CN202211037777.6A patent/CN115223164A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024142888A1 (ja) * | 2022-12-27 | 2024-07-04 | Toppanホールディングス株式会社 | 食べごろ判定システムおよび食べごろ判定方法 |
CN116523910A (zh) * | 2023-07-03 | 2023-08-01 | 湖北省林业科学研究院 | 基于图像数据的核桃成熟度智能检测方法 |
CN116523910B (zh) * | 2023-07-03 | 2023-09-08 | 湖北省林业科学研究院 | 基于图像数据的核桃成熟度智能检测方法 |
CN116612191A (zh) * | 2023-07-18 | 2023-08-18 | 山东芝圣堂生物科技有限公司 | 一种车载式采摘机器人自动定位方法及装置 |
CN116612191B (zh) * | 2023-07-18 | 2023-09-22 | 山东芝圣堂生物科技有限公司 | 一种车载式采摘机器人自动定位方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115223164A (zh) | 一种基于人工智能的甜瓜成熟度检测方法及*** | |
CN113705478B (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
Rahaman et al. | An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm | |
US10776967B2 (en) | Raster log digitization system and method | |
CN113538424B (zh) | 基于人工智能的木板节子分类数据识别方法 | |
Sabzi et al. | A three-variety automatic and non-intrusive computer vision system for the estimation of orange fruit pH value | |
CN110766657A (zh) | 一种激光干扰图像质量评价方法 | |
Jenifa et al. | Classification of cotton leaf disease using multi-support vector machine | |
CN113344045A (zh) | 一种结合hog特征提高sar船只分类精度的方法 | |
CN114897825A (zh) | 基于计算机视觉的实木地板分选方法及*** | |
Morzelona | Human visual system quality assessment in the images using the IQA model integrated with automated machine learning model | |
CN112184627A (zh) | 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 | |
Suwarningsih et al. | Ide-cabe: chili varieties identification and classification system based leaf | |
CN116777865A (zh) | 一种水下裂缝的识别方法、***、装置及存储介质 | |
CN115546157A (zh) | 卫星影像辐射质量评价的方法、装置、存储介质 | |
Srivatsa et al. | Application of least square denoising to improve admm based hyperspectral image classification | |
Prabha et al. | Hybrid segmentation of peel abnormalities in banana fruit | |
Kj et al. | Automated grading of wood slabs: The development of a prototype system | |
Chaugule et al. | Seed technological development—a survey | |
CN112733775A (zh) | 基于深度学习的高光谱影像分类方法 | |
CN114252347B (zh) | 一种基于图像处理的木材折弯强度测定方法及*** | |
CN111325720A (zh) | 一种多视觉特征集成的无参考超分辨图像质量评价方法 | |
CN109145945A (zh) | 一种非局部加权联合稀疏表示的高光谱图像分类方法 | |
Monteiro | Pollen grain recognition through deep learning convolutional neural networks |
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 |