多光谱视觉成像大叶农作物叶片分级系统技术方案

本实用新型专利技术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。本实用新型专利技术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。

【技术实现步骤摘要】

本技术设及大叶农作物叶片分级
，特别设及一种多光谱视觉成像大 叶农作物叶片分级系统。
技术介绍
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W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（W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莽不齐，对于大叶农作物的收购和生产都会带来明显 的阻碍。
技术实现思路
本技术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，本技术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，本技术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，W得到所述待分类 的大叶农作物叶片的等级。 根据本技术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，然后根据运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，根据本技术上述的多光谱视觉成像大叶农作物叶片分级系统还可W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，W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，W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，W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 的纹理赌、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。 本技术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，或通过本技术的实践了解到。【附图说明】 本技术的上述和/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是根据本技术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是根据本技术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是根据本技术一个实施例的真实颜色特征提取算法的流程图；W及 图4是根据本技术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】 下面详细描述本技术的实施例，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，仅用于解释本技术，而不能理解为对本技术的 限制。 W下结合附图描述根据本技术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是根据本技术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是根据本技术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W下步骤： 步骤SlOl，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S104,获取待分类的大叶农作物叶片的特征信息。 在本技术的一个实施例中，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 带区域和光照阴影權皱区域，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W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。W川表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赌、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： Υ = 0. 30R+0. 59G+0.1 本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】

【专利技术属性】
技术研发人员：魏倩，王岩松，王郑，
申请(专利权)人：征图新视江苏科技有限公司，
类型：新型
国别省市：江苏;32