CN117974651B - 基于图像识别的粉碎颗粒的均匀性检测方法及装置 - Google Patents
基于图像识别的粉碎颗粒的均匀性检测方法及装置 Download PDFInfo
- Publication number
- CN117974651B CN117974651B CN202410370836.4A CN202410370836A CN117974651B CN 117974651 B CN117974651 B CN 117974651B CN 202410370836 A CN202410370836 A CN 202410370836A CN 117974651 B CN117974651 B CN 117974651B
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- segmentation
- superpixel
- initial
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 259
- 239000003337 fertilizer Substances 0.000 claims abstract description 73
- 230000000694 effects Effects 0.000 claims abstract description 71
- 238000011156 evaluation Methods 0.000 claims abstract description 66
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 239000008187 granular material Substances 0.000 claims abstract description 15
- 238000003708 edge detection Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 8
- 239000011802 pulverized particle Substances 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 description 8
- 230000003068 static effect Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004720 fertilization Effects 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015816 nutrient absorption Nutrition 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及图像数据处理领域,更具体地,本申请涉及基于图像识别的粉碎颗粒的均匀性检测方法及装置,方法包括:获取粉碎肥料颗粒图像的灰度图像,对灰度图像进行二值化处理,得到二值图像,获取初始超像素分割结果,根据初始超像素分割结果对应的初始超像素分割效果评价指标判断超像素分割情况,并根据超像素分割情况得到调整后的超像素分割数量,比较调整前后的超像素分割数量对应的超像素分割效果评价指标的大小,选取较大值对应的超像素分割数量作为新的超像素分割数量,通过迭代进行自适应调整超像素分割数量以获取最佳超像素分割数量,进而获取最佳粉碎肥料颗粒识别结果,进而使得粉碎肥料颗粒均匀性检测结果更准确。
Description
技术领域
本申请一般地涉及图像数据处理领域。更具体地,本申请涉及基于图像识别的粉碎颗粒的均匀性检测方法及装置。
背景技术
随着计算机技术和数字图像处理算法的不断发展,图像处理逐渐应用于更广泛的领域。
肥料在农业生产中扮演着至关重要的角色,通过合理施用肥料,可以提高农作物的产量和品质,改善土壤质量,促进农业生产的可持续发展。然而长期堆积的肥料存在受潮结块的问题,使得肥料的养分释放不均匀,进而导致作物的养分吸收效率降低。为保证肥料质量,在施放肥料前,需要使用粉碎机或震散机将结块肥料粉碎,以提高农作物对肥料的吸收效率,进而提高农作物的生长速度和产量。随着农业整体朝着自动化和数字化方向发展,图像处理技术在粉碎肥料颗粒均匀性检测中的应用越来越广泛。传统的人工检测方式存在着效率低、主观性强等问题,而图像处理技术能够实现自动化检测,提高检测效率和准确性。
粉碎肥料颗粒识别常用的检测方法为超像素分割,根据超像素分割结果的静矩标准差可以获取粉碎肥料颗粒的均匀性,但在通过超像素分割检测粉碎肥料颗粒的过程中,超像素分割数量难以确定,超像素分割数量不足时,分割精度较低,部分粉碎颗粒会被分割为同一区域,使得粉碎肥料颗粒均匀性计算结果不准确;而超像素分割数量过大时,出现过分割情况,单个粉碎肥料颗粒会被分割成多个区域,使得粉碎肥料颗粒均匀性计算结果不准确,影响后续施肥效果。
发明内容
为了解决对粉碎肥料颗粒进行超像素分割过程中存在超像素分割数量过大或过小的情况,导致粉碎肥料均匀性计算结果不准确,影响后续施肥效果的问题,本申请提供一种基于图像识别的粉碎颗粒的均匀性检测方法及装置。
第一方面,本申请提供的基于图像识别的粉碎颗粒的均匀性检测方法,采用如下的技术方案:
基于图像识别的粉碎颗粒的均匀性检测方法,包括:
步骤一、获取粉碎肥料颗粒图像的灰度图像,对灰度图像进行二值化处理,得到二值图像;
步骤二、将所述二值图像中的连通域数量作为初始超像素分割数量,根据所述初始超像素分割数量对图像进行超像素分割,获取初始超像素分割结果,所述初始超像素分割结果为多个超像素块区域;
步骤三、对所述灰度图像进行边缘检测,得到边缘检测结果,并根据所述初始超像素分割结果获取初始超像素块比率、初始超像素分割结果和边缘检测结果的初始结构相似性指数,并将所述初始超像素块比率和所述初始结构相似性指数的乘积作为初始超像素分割效果评价指标;
步骤四、根据所述初始超像素分割效果评价指标判断超像素分割情况,并根据超像素分割情况得到调整后的超像素分割数量;
步骤五、比较调整前后的超像素分割数量对应的超像素分割效果评价指标的大小,选取较大值对应的超像素分割数量作为新的超像素分割数量;
步骤六、重复上述步骤二至步骤五,得到调整后的超像素分割效果评价指标,继续比较,直至调整前后的超像素分割效果评价指标相等,停止迭代,得到最佳超像素分割数量;
步骤七、根据所述最佳超像素分割数量获取最佳粉碎肥料颗粒超像素分割结果;
步骤八、根据所述最佳粉碎肥料颗粒超像素分割结果计算超像素块的静矩标准差,获取粉碎肥料颗粒均匀性。
在一个实施例中,所述初始超像素块比率表达式为:
其中,为初始超像素块比率,/>为形状与单个完整粉碎肥料颗粒相似的超像素块数量,/>为背景超像素块数量,/>为初始超像素分割数量。
在一个实施例中,所述初始结构相似性指数表达式为:
其中,为初始结构相似性指数,/>代表目标窗口内像素点数量,/>为统计的目标窗口和匹配窗口中既是边界点也是边缘像素点和不是边界点也不是边缘像素点的像素点总和,所述目标窗口为以第/>个边界点为目标边界点对应的/>窗口,所述匹配窗口为以边缘检测结果中与目标边界点的位置相同的像素点为中心,与目标窗口大小相等的窗口,为超像素块区域边界线上第/>个像素点到边缘检测结果中边缘线上各像素点距离的最小值,/>为粉碎肥料颗粒采样图像上总像素点个数,/>为初始超像素分割数量,为超像素块近似正方形对角线长度,/>表示第/>个像素点位置相似程度,/>为超像素块区域边界线上总像素点个数。
在一个实施例中,所述超像素分割情况包括:
第一种情况:当欠分割度大于过分割度时,调整初始超像素分割数量,得到第一超像素分割数量;
第二种情况:当过分割度大于欠分割度时,调整初始超像素分割数量,得到第二超像素分割数量;
第三种情况:当欠分割度等于过分割度时,按照第一种情况和第二种情况得到的第一超像素分割数量和第二超像素分割数量分别得到第一超像素分割效果评价指标和第二超像素分割效果评价指标,比较第一超像素分割效果评价指标和第二超像素分割效果评价指标的大小,选取较大值对应的超像素分割数量作为第三超像素分割数量,所述第三超像素分割数量等于第一超像素分割数量或第二超像素分割数量。
在一个实施例中,所述欠分割度满足下述关系式:
式中,为初始超像素分割结果的欠分割度,/>为初始超像素分割结果中第/>个超像素块区域内的像素点集合中属于边缘像素点的个数,/>为/>个超像素块区域内总像素点个数;
所述过分割度满足下述关系式:
式中,为初始超像素分割结果的过分割度,/>为初始超像素分割结果中第/>个超像素块区域的边界线上像素点不属于边缘像素点的个数,/>为/>个超像素块区域边界线上总像素点个数。
在一个实施例中,所述根据超像素分割情况得到调整后的超像素分割数量的具体表达式为:
其中,为调整后的超像素分割数量,/>为第一超像素分割数量,/>为第二超像素分割数量,/>为初始超像素块比率,/>为初始结构相似性指数,/>表示初始超像素分割效果评价指标;
当时,对初始超像素分割数量进行调整得到第三超像素分割数量的表达式为:
其中,为第一超像素分割数量,/>为第二超像素分割数量,/>为第三超像素分割数量,/>、/>分别为第一超像素分割数量对应的第一超像素块比率和第一结构相似性指数,为第一超像素分割效果评价指标,/>、/>分别为第二超像素分割数量对应的第二超像素块比率和第二结构相似性指数,/>为第二超像素分割效果评价指标。
第二方面,本申请提供基于图像识别的粉碎颗粒的均匀性检测装置,采用如下的技术方案:
基于图像识别的粉碎颗粒的均匀性检测装置,包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现上述的基于图像识别的粉碎颗粒的均匀性检测方法。
本申请具有以下效果:
根据粉碎肥料颗粒图像通过阈值分割获取二值图像,并通过二值图像连通域数量获取初始超像素分割数量,得到初始超像素分割结果,并根据初始超像素分割结果获取初始超像素分割效果评价指标,根据初始超像素分割效果评价指标分析超像素分割情况,通过超像素分割情况对初始超像素分割数量进行相应调整,进而得到调整后的超像素分割数量,对比调整前后的超像素分割数量对应的超像素分割效果评价指标的大小,选取较大值对应的超像素分割数量作为新的超像素分割数量,然后通过迭代的方式自适应获取最佳超像素分割数量,进而获取最佳粉碎肥料颗粒识别结果,进而使粉碎肥料颗粒均匀性计算结果更准确,使得后续施肥效果达到更好。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是本申请实施例基于图像识别的粉碎颗粒的均匀性检测方法中步骤一至步骤八的方法流程图。
图2是本申请实施例基于图像识别的粉碎颗粒的均匀性检测方法中步骤四的方法流程图。
图3是本申请实施例基于图像识别的粉碎颗粒的均匀性检测方法中步骤四中超像素分割情况的示意图。
图4是本申请实施例基于图像识别的粉碎颗粒的均匀性检测方法中对粉碎肥料颗粒超像素分割得到的初始超像素分割结果示意图。
图5是本申请实施例基于图像识别的粉碎颗粒的均匀性检测方法中对粉碎肥料颗粒图像的灰度图像边缘检测得到的边缘检测结果示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应当理解,当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
下面结合附图来详细描述本申请的具体实施方式。
参照图1,基于图像识别的粉碎颗粒的均匀性检测方法包括步骤一至步骤八,具体如下:
步骤一、获取粉碎肥料颗粒图像的灰度图像,对灰度图像进行二值化处理,得到二值图像。
通过工业相机获取粉碎肥料颗粒图像,通过使用卷积核进行锐化操作增强图像对比度,突出采样图像中的边缘和细节,使粉碎肥料颗粒边界更加清晰,将锐化后的粉碎肥料颗粒图像转为灰度图,通过大津法获取二值图像。
二值图像中由于部分粉碎肥料颗粒区域会出现低于阈值被识别为背景区域、两区域边界不明显被识别为同一连通域的情况,分割前难以精确获取图像中粉碎肥料颗粒数量,超像素分割数量难以确定。但二值图像的连通域数量可以粗略反映图像中粉碎肥料颗粒数量,故可根据二值图像中连通域数量初步确定初始超像素分割数量,进而获取初始超像素分割结果。
步骤二、将二值图像中的连通域数量作为初始超像素分割数量,根据初始超像素分割数量对图像进行超像素分割,获取初始超像素分割结果,初始超像素分割结果为多个超像素块区域。
统计二值图像中连通域数量作为初始超像素分割数量,记为,根据初始超像素分割数量/>对图像进行超像素分割,获取初始超像素分割结果。
步骤三、对灰度图像进行边缘检测,得到边缘检测结果,并根据初始超像素分割结果获取初始超像素块比率、初始超像素分割结果和边缘检测结果的初始结构相似性指数,并将初始超像素块比率和初始结构相似性指数的乘积作为初始超像素分割效果评价指标。
虽然二值图像的连通域数量可以粗略反映图像中粉碎肥料颗粒数量,但不能获取最佳的超像素分割结果,由于二值图像中粉碎肥料颗粒圆形度高,而背景区域圆形度低,可以通过统计圆形度符合实际粉碎肥料颗粒的超像素块数量占总超像素块数量与背景超像素块数量差值之比获取初始超像素块比率。
需要说明的是,初始超像素块比率仅能反映符合实际粉碎肥料颗粒的超像素块占比,无法排除可能存在的形状与单个肥料颗粒相似但并非单个完整肥料颗粒的超像素块,此时可以通过计算初始超像素分割结果与粉碎肥料颗粒采样图像的边缘检测结果的初始结构相似性指数进一步补充以获取初始超像素分割效果评价指标。
由于粉碎肥料颗粒边缘存在灰度变化不明显的边缘,对边缘检测算法精度要求较高,而Canny边缘检测采用非极大值抑制可以很好地适应这种情况。
对灰度图像进行Canny边缘检测,得到粉碎肥料颗粒采样图像的边缘检测结果。
根据初始超像素分割结果,获取超像素块圆形度,设定圆形度小于0.3的超像素块为背景超像素块,圆形度大于0.7的超像素块为形状与单个粉碎肥料颗粒相似但并非单个完整粉碎肥料颗粒的超像素块,进而获取背景超像素块数量和形状与单个完整粉碎肥料颗粒相似的超像素块数量。
则初始超像素块比率的计算公式为:
其中,为初始超像素块比率,/>为形状与单个完整粉碎肥料颗粒相似的超像素块数量,/>为背景超像素块数量,/>为初始超像素分割数量。
另外,在本实施例中,获取超像素块区域边界线上第个像素点到边缘检测结果中边缘线上各像素点距离最小值/>,基于初始超像素分割结果中全部边界点,获取其中以第/>个边界点记为目标边界点,将其对应的/>窗口记为目标窗口,以边缘检测结果中与目标边界点的位置相同的像素点为中心,与目标窗口大小相等的窗口记为匹配窗口,目标窗口和匹配窗口中的像素点个数均为9,统计目标窗口和匹配窗口中既是边界点也是边缘像素点的个数和不是边界点也不是边缘像素点的像素点个数,记为/>。
则初始结构相似性指数的计算公式为:
式中,为初始结构相似性指数,/>为目标窗口与匹配窗口中既是边界点也是边缘像素点和不是边界点也不是边缘像素点的像素点总和,/>表示目标窗口与匹配窗口中既是边界点也是边缘像素点和不是边界点也不是边缘像素点的像素点个数占比,/>为超像素块区域边界线上第/>个像素点到边缘检测结果中边缘线上各像素点距离的最小值,/>为粉碎肥料颗粒采样图像总像素点个数,/>为初始超像素分割数量,/>为超像素块近似正方形对角线长度,/>表示第/>个像素点位置相似程度,/>为超像素块区域边界线上总像素点个数。
示例性的,当目标窗口与匹配窗口均是3×3大小的窗口,此时,统计两窗口内同一位置(第一位置)处的像素点,当该像素点既是边界点也是边缘像素点,则M=1,继续统计,对于第二位置处的像素点,当该像素点既不是边界点也不是边缘像素点,此时M进行累加,即M=2;然后遍历剩余所有位置处的像素点,经过累加,得到最终的M。需要说明的是,上述中的第一位置和第二位置仅是为了示例更清楚,其不特指某个位置。
将初始超像素块比率和初始结构相似性指数/>的乘积作为初始超像素分割效果评价指标。
当初始超像素分割效果评价指标较低时,说明超像素分割结果并不理想,存在欠分割或过分割的超像素分割情况。
步骤四、根据初始超像素分割效果评价指标判断超像素分割情况,并根据超像素分割情况得到调整后的超像素分割数量。参照图2-图5,当超像素分割效果评价指标较低时,说明超像素分割结果不理想,存在欠分割或过分割的情况。超像素块区域内梯度高的像素点多时,说明超像素块分割结果存在欠分割的情况,超像素块区域边界线上位于梯度低的像素点多时,说明超像素块分割结果存在过分割情况,具体如下:
判断超像素分割情况,具体如下:
第一种情况:当欠分割度大于过分割度时,调整初始超像素分割数量,得到第一超像素分割数量。
第二种情况:当过分割度大于欠分割度时,调整初始超像素分割数量,得到第二超像素分割数量;
第三种情况:当欠分割度等于过分割度时,按照第一种情况和第二种情况得到的第一超像素分割数量和第二超像素分割数量分别得到第一超像素分割效果评价指标和第二超像素分割效果评价指标,比较第一超像素分割效果评价指标和第二超像素分割效果评价指标的大小,选取较大值对应的超像素分割数量作为第三超像素分割数量,第三超像素分割数量等于第一超像素分割数量或第二超像素分割数量。
分别计算欠分割度和过分割度。
具体地,获取个超像素块区域,根据第/>个超像素块区域对应的边缘检测结果,进而获取初始超像素分割结果中第/>个超像素块区域内的像素点集合中属于边缘像素点的个数/>、初始超像素分割结果中第/>个超像素块区域的边界线上像素点对应到相同位置边缘检测结果中,统计不是边缘像素点的个数/>、/>个超像素块区域内总像素点个数/>以及/>个超像素块区域边界线上总像素点个数/>。
则欠分割度的计算公式为:
其中,为超像素分割结果的欠分割度,/>为/>个超像素块区域内的像素点集合中属于边缘像素点的像素点总和,/>表示/>个超像素块块边界内超像素块属于边缘像素点的像素点总和占/>个超像素块区域内总像素点个数的比值,比值越大,说明超像素分割结果的欠分割度越高。
过分割度的计算公式为:
其中,为初始超像素分割结果的过分割度,/>为/>个超像素块区域边界线上不是边缘像素点的像素点总和,/>表示/>个超像素块区域边界线上不是边缘像素点的像素点总和占/>个超像素块区域边界线上总像素点个数的比值,比值越大,说明超像素分割结果的过分割度越高。
根据超像素分割情况得到调整后的超像素分割数量。存在欠分割时应根据初始超像素分割效果评价指标适当增大超像素分割数量,存在过分割时应根据初始超像素分割效果评价指标适当减小超像素分割数量。
具体地,根据初始超像素分割效果评价指标、欠分割度、过分割度/>,获取调整后的超像素分割数量:
式中,当时,判定超像素分割结果存在欠分割,需要按超像素分割效果评价指标增大超像素分割数量,当/>时,判定超像素分割结果存在过分割,需要按超像素分割效果评价指标减小超像素分割数量。/>为调整后的超像素分割数量,/>为第一超像素分割数量,/>为第二超像素分割数量,/>为初始超像素块比率,/>为初始结构相似性指数,/>表示初始超像素分割效果评价指标。
需要说明的是,当时,需要分别计算第一超像素分割数量和第二超像素分割数量相对应的超像素分割效果评价指标并进行比较,选取较大的超像素分割效果评价指标对应的超像素分割数量作为调整后的超像素分割数量。
具体地,当时,按照第一种情况和第二种情况得到的第一超像素分割数量和第二超像素分割数量/>分别得到第一超像素分割效果评价指标和第二超像素分割效果评价指标,比较第一超像素分割效果评价指标和第二超像素分割效果评价指标的大小,进而选取较大值对应的超像素分割数量作为第三超像素分割数量。第三超像素分割数量等于第一超像素分割数量或第二超像素分割数量。
对初始超像素分割数量进行调整得到第三超像素分割数量的表达式为:
式中,为第一超像素分割数量,/>为第二超像素分割数量,/>为第三超像素分割数量,/>、/>分别为第一超像素分割数量对应的第一超像素块比率和第一结构相似性指数,为第一超像素分割效果评价指标,/>、/>分别为第二超像素分割数量对应的第二超像素块比率和第二结构相似性指数,/>为第二超像素分割效果评价指标。
步骤五、比较调整前后的超像素分割数量对应的超像素分割效果评价指标的大小,选取较大值对应的超像素分割数量作为新的超像素分割数量。
具体地,根据超像素分割情况得到调整后的超像素分割数量可以是第一超像素分割数量或第二超像素分割数量或第三超像素分割数量,通过相应的超像素分割效果评价指标与初始超像素分割效果评价指标进行比较大小,选取较大值对应的超像素分割数量作为新的超像素分割数量。
步骤六、重复上述步骤二至步骤五,得到调整后的超像素分割效果评价指标,继续比较,直至调整前后的超像素分割效果评价指标相等,停止迭代,得到最佳超像素分割数量。
通过迭代的方式获取的超像素分割数量对应的超像素分割效果指标与最近调整的超像素分割效果指标数值趋近相等或相等时,其对应的超像素分割数量即为最佳超像素分割数量。
示例性的,基于初始超像素分割,假设选取第一超像素分割数量作为调整后的新的超像素分割数量,将其对应的超像素分割效果评价指标与初始超像素分割效果评价指标进行大小比较,若二者差异较大,需重复上述步骤二至步骤五得到第二次调整后的新的超像素分割数量。其中,第二次调整后的新的超像素分割数量可以是第四超像素分割数量或第五超像素分割数量或第六超像素分割数量,比较第四超像素分割数量、第五超像素分割数量和第六超像素分割数量相对应的超像素分割效果评价指标的大小,选取较大值对应的超像素分割数量作为第二次调整后的新的超像素分割数量,比较第二次调整后得到的超像素分割效果评价指标和第一次调整后得到的超像素分割效果评价指标的大小,若二者数值趋近相等或相等,停止迭代,将第二次调整后得到的超像素分割效果评价指标对应的超像素分割数量作为最佳超像素分割数量,若二者数值差异较大,则继续进行迭代。
步骤七、根据最佳超像素分割数量获取最佳粉碎肥料颗粒超像素分割结果。
根据最佳超像素分割数量获取的超像素分割结果中,单个超像素块能更好地对应一个粉碎肥料颗粒,此时获取的粉碎肥料颗粒采样图像超像素分割结果中,超像素与粉碎肥料颗粒的匹配度最佳,故此时超像素分割效果最佳。
步骤八、根据最佳粉碎肥料颗粒超像素分割结果计算超像素块的静矩标准差,获取粉碎肥料颗粒均匀性。
需要说明的是,基于四边静矩理论,粉碎肥料颗粒的静矩标准差越大,其与理想均匀分布下静矩和的差异越高,此时说明粉碎肥料颗粒越不均匀,故最佳粉碎肥料颗粒超像素分割结果中超像素块的静矩标准差可以用来表示粉碎肥料颗粒均匀性。
根据最佳粉碎肥料颗粒超像素分割结果中第个超像素块的面积/>和其形心到粉碎肥料颗粒采样图像四条边的距离/>,其中,e=1,2,3,4,获取第/>个超像素块到粉碎肥料颗粒采样图像第/>条边的静矩/>,根据各超像素块到粉碎肥料颗粒采样图像第/>条边的静矩,获取各超像素块对每条边静矩和的均值/>,进而获取超像素块的静矩和标准差作为粉碎肥料颗粒均匀性。
本申请实施例还公开了基于图像识别的粉碎颗粒的均匀性检测装置,包括处理器和存储器,存储器存储有计算机程序指令,当计算机程序指令被处理器执行时实现根据本申请的基于图像识别的粉碎颗粒的均匀性检测方法。
上述***还包括通信总线和通信接口等本领域技术人员熟知的其他组件,其设置和功能为本领域中已知,因此在此不再赘述。
在本申请中,前述的存储器可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive RandomAccess Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。
虽然本说明书已经示出和描述了本申请的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本申请思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本申请的过程中,可以采用对本文所描述的本申请实施例的各种替代方案。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (4)
1.基于图像识别的粉碎颗粒的均匀性检测方法,其特征在于,包括:
步骤一、获取粉碎肥料颗粒图像的灰度图像,对灰度图像进行二值化处理,得到二值图像;
步骤二、将所述二值图像中的连通域数量作为初始超像素分割数量,根据所述初始超像素分割数量对图像进行超像素分割,获取初始超像素分割结果,所述初始超像素分割结果为多个超像素块区域;
步骤三、对所述灰度图像进行边缘检测,得到边缘检测结果,并根据所述初始超像素分割结果获取初始超像素块比率、初始超像素分割结果和边缘检测结果的初始结构相似性指数,并将所述初始超像素块比率和所述初始结构相似性指数的乘积作为初始超像素分割效果评价指标;
所述初始超像素块比率表达式为:
其中,为初始超像素块比率,/>为形状与单个完整粉碎肥料颗粒相似的超像素块数量,为背景超像素块数量,/>为初始超像素分割数量;
所述初始结构相似性指数表达式为:
其中,为初始结构相似性指数,/>代表目标窗口内像素点数量,/>为统计的目标窗口和匹配窗口中既是边界点也是边缘像素点和不是边界点也不是边缘像素点的像素点总和,所述目标窗口为以第/>个边界点为目标边界点对应的/>窗口,所述匹配窗口为以边缘检测结果中与目标边界点的位置相同的像素点为中心,与目标窗口大小相等的窗口,/>为超像素块区域边界线上第/>个像素点到边缘检测结果中边缘线上各像素点距离的最小值,/>为粉碎肥料颗粒采样图像上总像素点个数,/>为初始超像素分割数量,/>为超像素块近似正方形对角线长度,/>表示第/>个像素点位置相似程度,/>为超像素块区域边界线上总像素点个数;
步骤四、根据所述初始超像素分割效果评价指标判断超像素分割情况,并根据超像素分割情况得到调整后的超像素分割数量;
所述根据超像素分割情况得到调整后的超像素分割数量的具体表达式为:
其中,为调整后的超像素分割数量,/>为第一超像素分割数量,/>为第二超像素分割数量,/>为初始超像素块比率,/>为初始结构相似性指数,/>表示初始超像素分割效果评价指标;
当时,对初始超像素分割数量进行调整得到第三超像素分割数量的表达式为:
其中,为第一超像素分割数量,/>为第二超像素分割数量,/>为第三超像素分割数量,/>、/>分别为第一超像素分割数量对应的第一超像素块比率和第一结构相似性指数,为第一超像素分割效果评价指标,/>、/>分别为第二超像素分割数量对应的第二超像素块比率和第二结构相似性指数,/>为第二超像素分割效果评价指标;
步骤五、比较调整前后的超像素分割数量对应的超像素分割效果评价指标的大小,选取较大值对应的超像素分割数量作为新的超像素分割数量;
步骤六、重复上述步骤二至步骤五,得到调整后的超像素分割效果评价指标,继续比较,直至调整前后的超像素分割效果评价指标相等,停止迭代,得到最佳超像素分割数量;
步骤七、根据所述最佳超像素分割数量获取最佳粉碎肥料颗粒超像素分割结果;
步骤八、根据所述最佳粉碎肥料颗粒超像素分割结果计算超像素块的静矩标准差,获取粉碎肥料颗粒均匀性。
2.根据权利要求1所述的基于图像识别的粉碎颗粒的均匀性检测方法,其特征在于,所述超像素分割情况包括:
第一种情况:当欠分割度大于过分割度时,调整初始超像素分割数量,得到第一超像素分割数量;
第二种情况:当过分割度大于欠分割度时,调整初始超像素分割数量,得到第二超像素分割数量;
第三种情况:当欠分割度等于过分割度时,按照第一种情况和第二种情况得到的第一超像素分割数量和第二超像素分割数量分别得到第一超像素分割效果评价指标和第二超像素分割效果评价指标,比较第一超像素分割效果评价指标和第二超像素分割效果评价指标的大小,选取较大值对应的超像素分割数量作为第三超像素分割数量,所述第三超像素分割数量等于第一超像素分割数量或第二超像素分割数量。
3.根据权利要求2所述的基于图像识别的粉碎颗粒的均匀性检测方法,其特征在于,所述欠分割度满足下述关系式:
式中,为初始超像素分割结果的欠分割度,/>为初始超像素分割结果中第/>个超像素块区域内的像素点集合中属于边缘像素点的个数,/>为/>个超像素块区域内总像素点个数;
所述过分割度满足下述关系式:
式中,为初始超像素分割结果的过分割度,/>为初始超像素分割结果中第/>个超像素块区域的边界线上像素点不属于边缘像素点的个数,/>为/>个超像素块区域边界线上总像素点个数。
4.基于图像识别的粉碎颗粒的均匀性检测装置,其特征在于,包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据权利要求1-3任一项所述的基于图像识别的粉碎颗粒的均匀性检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410370836.4A CN117974651B (zh) | 2024-03-29 | 2024-03-29 | 基于图像识别的粉碎颗粒的均匀性检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410370836.4A CN117974651B (zh) | 2024-03-29 | 2024-03-29 | 基于图像识别的粉碎颗粒的均匀性检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117974651A CN117974651A (zh) | 2024-05-03 |
CN117974651B true CN117974651B (zh) | 2024-05-28 |
Family
ID=90863346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410370836.4A Active CN117974651B (zh) | 2024-03-29 | 2024-03-29 | 基于图像识别的粉碎颗粒的均匀性检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974651B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780485A (zh) * | 2017-01-12 | 2017-05-31 | 西安电子科技大学 | 基于超像素分割和特征学习的sar图像变化检测方法 |
CN110188763A (zh) * | 2019-05-28 | 2019-08-30 | 江南大学 | 一种基于改进图模型的图像显著性检测方法 |
CN110807742A (zh) * | 2019-11-21 | 2020-02-18 | 西安工业大学 | 一种基于一体式网络的微光图像增强方法 |
CN112164087A (zh) * | 2020-10-13 | 2021-01-01 | 北京无线电测量研究所 | 基于边缘约束和分割边界搜索的超像素分割方法及装置 |
CN115272311A (zh) * | 2022-09-26 | 2022-11-01 | 江苏亚振钻石有限公司 | 一种基于机器视觉的黑钨矿石图像分割方法 |
CN116188423A (zh) * | 2023-02-22 | 2023-05-30 | 哈尔滨工业大学 | 基于病理切片高光谱图像的超像素稀疏解混检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6975177B2 (ja) * | 2016-06-03 | 2021-12-01 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 生物学的対象物の検出 |
EP3493157B1 (en) * | 2017-11-29 | 2024-05-29 | Tata Consultancy Services Limited | Method and system for visual change detection using multi-scale analysis |
CN108986119B (zh) * | 2018-07-25 | 2020-07-28 | 京东方科技集团股份有限公司 | 图像分割方法及装置、计算机设备及可读存储介质 |
-
2024
- 2024-03-29 CN CN202410370836.4A patent/CN117974651B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780485A (zh) * | 2017-01-12 | 2017-05-31 | 西安电子科技大学 | 基于超像素分割和特征学习的sar图像变化检测方法 |
CN110188763A (zh) * | 2019-05-28 | 2019-08-30 | 江南大学 | 一种基于改进图模型的图像显著性检测方法 |
CN110807742A (zh) * | 2019-11-21 | 2020-02-18 | 西安工业大学 | 一种基于一体式网络的微光图像增强方法 |
CN112164087A (zh) * | 2020-10-13 | 2021-01-01 | 北京无线电测量研究所 | 基于边缘约束和分割边界搜索的超像素分割方法及装置 |
CN115272311A (zh) * | 2022-09-26 | 2022-11-01 | 江苏亚振钻石有限公司 | 一种基于机器视觉的黑钨矿石图像分割方法 |
CN116188423A (zh) * | 2023-02-22 | 2023-05-30 | 哈尔滨工业大学 | 基于病理切片高光谱图像的超像素稀疏解混检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117974651A (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
Lakshmanan | A separable filter for directional smoothing | |
CN109801295B (zh) | 基于二次限制区域生长法的图像分割方法 | |
CN114998198A (zh) | 一种注塑件表面缺陷识别方法 | |
CN106780503A (zh) | 基于后验概率信息熵的遥感图像最优分割尺度确定方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN110580705B (zh) | 一种基于双域图信号滤波检测建筑物边缘点的方法 | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN116630971B (zh) | 基于CRF_ResUnet++网络的小麦赤霉病孢子分割方法 | |
CN106127258A (zh) | 一种目标匹配方法 | |
CN104050674B (zh) | 一种显著性区域检测方法及装置 | |
CN115880586A (zh) | 基于混合特征网络的卫星遥感影像云雪检测方法 | |
CN112164087B (zh) | 基于边缘约束和分割边界搜索的超像素分割方法及装置 | |
CN114612315A (zh) | 一种基于多任务学习的高分辨率影像缺失区域重建方法 | |
CN106324708B (zh) | 雨量记录图纸的数字化方法、装置 | |
CN117974651B (zh) | 基于图像识别的粉碎颗粒的均匀性检测方法及装置 | |
Shire et al. | A review paper on: agricultural plant leaf disease detection using image processing | |
CN112949657A (zh) | 一种基于遥感影像纹理特征的林地分布提取方法及装置 | |
CN117292272A (zh) | 结合高分遥感影像和开源dem识别大范围耕作措施的方法 | |
Mani et al. | Design of a novel shape signature by farthest point angle for object recognition | |
CN116863349A (zh) | 基于三角网密集匹配的遥感影像变化区域确定方法及装置 | |
CN111445510A (zh) | 一种图像中直线的检测方法 | |
CN115717887A (zh) | 基于灰度分布直方图的星点快速提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |