一种玉米果穗机械损伤区域识别方法技术

本发明专利技术提供一种玉米果穗机械损伤区域识别方法，包括：S1、将玉米果穗图像分成图像小块，获取玉米果穗图像小块数据集；S2、根据图像小块数据集中各图像小块的归一化特征，利用支持向量机确定候选区域小块；S3、利用卷积神经网络模型确定候选区域小块中的机械损伤区域。本发明专利技术提供的一种玉米果穗机械损伤区域识别方法，通过支持向量机在玉米果穗图像中选出候选区域，并通过卷积神经网络模型进行进一步识别，能快速、准确地识别玉米果穗机械损伤区域，提高了玉米果穗机械损伤区域识别的速度和准确度，满足玉米考种需求。

A method for identifying damaged area of corn ear

The invention provides a method for identifying the mechanical damage region of corn ear, which comprises: S1, dividing the corn ear image into image blocks to obtain a small data set of corn ear image, S2, determining candidate region blocks by using support vector machine according to the normalization characteristics of each image block in the image small data set, S3, and volume. The neural network model is used to determine the mechanical damage areas in the small patches of candidate regions. The invention provides a method for identifying the mechanical damage region of corn ear, selects candidate regions in the image of corn ear by support vector machine and further identifies them by convolution neural network model, which can quickly and accurately identify the mechanical damage region of corn ear, and improves the identification of the mechanical damage region of corn ear. The speed and accuracy can meet the needs of maize seed selection.

【技术实现步骤摘要】
一种玉米果穗机械损伤区域识别方法
本专利技术涉及模式识别
，更具体地，涉及一种玉米果穗机械损伤区域识别方法。
技术介绍
目前，玉米果穗机械损伤区域识别是玉米果穗缺陷检测中的基础项目。玉米果穗在机械采收运输过程中不可避免的会产生机械损伤，人工评判玉米果穗机械损伤状况工作量大，难以量化，一般只能给出机械损伤状况分级。利用计算机视觉对玉米果穗机械损伤区域进行识别可以很好地代替人工劳动力，有效提高识别效率。基于机器学习进行玉米果穗图像机械损伤区域的自动识别主要问题在于容易受到光照影响，将高光区域错分为机械损伤区域，导致较低的分类精度。
技术实现思路
为了克服现有玉米果穗机械损伤区域识别技术存在的识别准确度不高的不足，本专利技术提供一种玉米果穗机械损伤区域识别方法。本专利技术提供一种玉米果穗机械损伤区域识别方法，包括：S1、将玉米果穗图像分成图像小块，获取玉米果穗图像小块数据集；S2、根据所述图像小块数据集中各图像小块的归一化特征，利用支持向量机确定候选区域小块；S3、利用卷积神经网络模型确定所述候选区域中的机械损伤区域。优选地，所述步骤S2进一步包括：S21、提取所述图像小块数据集的训练集中各图像小块的所述归一化特征，对所述支持向量机进行训练；S22、利用训练完成的所述支持向量机确定所述测试集中的候选区域。优选地，所述步骤S3进一步包括：S31、根据所述训练集调整所述卷积神经网络模型的权值，训练所述卷积神经网络模型；S32、根据训练完成的所述卷积神经网络确定所述候选区域小块中的机械损伤区域。优选地，所述归一化特征根据颜色特征和纹理特征生成。优选地，所述步骤S21具体包括：获取所述训练集中各图像小块的所述归一化特征的值，将所述训练集中的各图像小块映射为特征空间中的点；所述特征空间由所述归一化特征构成；根据所述训练集确定所述候选区域的划分平面；在所述特征空间中，位于所述划分平面第一侧的点对应包含正常区域的图像小块，位于所述划分平面第二侧的点包含对应机械损伤区域的图像小块。优选地，所述步骤S22具体包括：获取所述训练集中各图像小块的所述归一化特征的值，将所述测试集中的各图像小块映射为特征空间中的点；将所述特征空间中，位于所述划分平面第二侧的点对应的图像小块确定为所述候选区域。优选地，所述步骤S32具体包括：将所述候选区域小块输入所述训练完成的所述卷积神经网络模型，获取所述候选区域小块的分类概率值；将所述分类概率值大于概率阈值的所述候选区域小块确定为机械损伤区域。优选地，所述步骤S1之前还包括：S0、对玉米果穗图像进行预处理。优选地，所述步骤S0进一步包括：S01、扩充玉米果穗图像数据集包含的玉米果穗角度和亮度范围；S02、对扩充后的玉米果穗图像数据集进行图像增强。优选地，所述步骤S02具体包括：采用至少一种基于Retinex理论的算法，对扩充后的玉米果穗图像数据集进行图像增强。本专利技术提供的一种玉米果穗机械损伤区域识别方法，通过支持向量机在玉米果穗图像中选出候选区域，并通过卷积神经网络模型对候选区域进行进一步识别，确定玉米果穗机械损伤区域，能快速、准确地识别玉米果穗机械损伤区域，提高了玉米果穗机械损伤区域识别的速度和准确度，满足玉米考种需求。附图说明图1为本专利技术实施例一种玉米果穗机械损伤区域识别方法的流程图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。图1为本专利技术实施例一种玉米果穗机械损伤区域识别方法的流程图。如图1所示，一种玉米果穗机械损伤区域识别方法，包括：步骤S1、将玉米果穗图像分成图像小块，获取玉米果穗图像小块数据集；步骤S2、根据图像小块数据集中各图像小块的归一化特征，利用支持向量机确定候选区域小块；步骤S3、利用卷积神经网络模型确定候选区域中的机械损伤区域。进行玉米果穗机械损伤区域识别前，对玉米果穗图像进行采集。在采集玉米果穗图像过程中，先构建图像采集系统。图像采集系统包括工业相机、补光光源和支持装置等。构建图像采集系统后，确定图像采集系统中各装置的位置和布局，包括确定工业相机的高度，补光光源的高度、角度和补光强度等。图像采集系统中各装置的位置和布局，可以根据一次或多次实验的效果确定，也可以根据之前进行玉米果穗图像采集的经验值确定。确定图像采集系统中各装置的位置和布局后，确定工业相机的拍摄参数。工业相机的拍摄参数包括光圈、焦距、曝光时间、白平衡等。工业相机的拍摄参数，可以根据一次或多次实验的效果确定，也可以根据之前进行玉米果穗图像采集的经验值确定。确定工业相机的拍摄参数后，可以将玉米果穗放置到图像采集系统中，由工业相机采集玉米果穗图像。步骤S1，采集到玉米果穗图像后，将玉米果穗图像分成图像小块，获取玉米果穗图像小块数据集。图像小块的大小，可以根据图像中玉米粒的大小和/或玉米果穗机械损伤区域识别模型确定。一般情况下，玉米粒的大小为30～50像素。因此，可以将玉米果穗图像分成与玉米粒的大小相近的图像小块，以便于进行玉米果穗机械损伤区域识别。将玉米果穗图像分成图像小块，获取玉米果穗图像小块数据集后，可以将图像小块数据集中仅包含背景、不包含玉米粒的图像小块删除，以便之后不对仅包含背景、不包含玉米粒的图像小块进行识别，节约软硬件资源，提高玉米果穗机械损伤区域识别的速度和准确度。步骤S2，利用支持向量机(SupportVectorMachine，SVM)对玉米果穗图像小块数据集进行学习和识别，确定玉米果穗图像小块数据集中的候选区域。机械收割玉米果穗采用的是物理碰撞原理，新鲜玉米果穗由于含水量较大，碰撞过程中容易造成果穗表皮损伤，从而露出白色胚乳。玉米果穗图像中包含了这种白色胚乳的区域就是机械损伤区域。因此，存在机械损伤的玉米粒和正常玉米粒存在差异。可以将图像小块的上述差异作为归一化特征，支持向量机根据图像小块的归一化特征对玉米果穗图像小块数据集进行学习和识别，进而将玉米果穗图像小块数据集中包含机械损伤区域的玉米果穗图像小块确定为候选区域。步骤S3，深度学习中，常用卷积神经网络(ConvolutionalNeuralNetwork，CNN)基于仿生原理，模拟人眼识别机制，提出局部感受野、权值共享和时空亚采样的思想，通过深层卷积神经网络自动从样本中学习特征，对于高度线性不可分问题具有很强的分类能力。实践表明卷积神经网络能提取图像的高层次信息，对于光照、噪声等干扰具有较强的鲁棒性，是图像的识别分类任务目前的最佳选择。因此，可以利用卷积神经网络模型对图像小块数据集进行学习，确定候选区域中的机械损伤区域。本专利技术实施例可选用一个在CIFAR-10数据上成功应用的卷积网络模型，对其进行权值调整使其适应玉米果穗图像识别问题。该模型是一个输入32×32的RGB彩色图像输出图像分类标签的卷积神经网络模型。该模型包含三个标准卷积层、一个全连接层和一个softmax层。该模型最大的特点在于适用于普适物体识别，而且可应用于多分类。因此，可以利用该模型实现玉米果穗机械损伤区域识别。本专利技术提供的方法通过区分正常区域和机械损伤区域识别玉米果穗机械损伤区域，将该模型的分类个数设置为2。将包含正常区域的图像小块设置为第0类，包含机械损伤区域的图像小块设置为第1类。当选本文档来自技高网...

【技术保护点】
1.一种玉米果穗机械损伤区域识别方法，其特征在于，包括：S1、将玉米果穗图像分成图像小块，获取玉米果穗图像小块数据集；S2、根据所述图像小块数据集中各图像小块的归一化特征，利用支持向量机确定候选区域小块；S3、利用卷积神经网络模型确定所述候选区域小块中的机械损伤区域。

【技术特征摘要】
1.一种玉米果穗机械损伤区域识别方法，其特征在于，包括：S1、将玉米果穗图像分成图像小块，获取玉米果穗图像小块数据集；S2、根据所述图像小块数据集中各图像小块的归一化特征，利用支持向量机确定候选区域小块；S3、利用卷积神经网络模型确定所述候选区域小块中的机械损伤区域。2.根据权利要求1所述的玉米果穗机械损伤区域识别方法，其特征在于，所述步骤S2进一步包括：S21、提取所述图像小块数据集的训练集中各图像小块的所述归一化特征，对所述支持向量机进行训练；S22、利用训练完成的所述支持向量机确定所述测试集中的所述候选区域小块。3.根据权利要求2所述的玉米果穗机械损伤区域识别方法，其特征在于，所述步骤S3进一步包括：S31、根据所述训练集调整所述卷积神经网络模型的权值，训练所述卷积神经网络模型；S32、根据训练完成的所述卷积神经网络模型确定所述候选区域小块中的机械损伤区域。4.根据权利要求1所述的玉米果穗机械损伤区域识别方法，其特征在于，所述归一化特征根据颜色特征和纹理特征生成。5.根据权利要求4所述的玉米果穗机械损伤区域识别方法，其特征在于，所述步骤S21具体包括：获取所述训练集中各图像小块的所述归一化特征的值，将所述训练集中的各图像小块映射为特征空间中的点；所述特征空间由所述归一化特征构成；根据所述训练集确定所述候选区域的划分平面；在所...

【专利技术属性】
技术研发人员：马钦，张秦川，朱德海，张晓东，崔雪莲，杨玲，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京,11