一种基于机器学习的多花卉质量分级方法技术

本发明专利技术公开了一种基于机器学习的多花卉质量分级方法，包括：图像采集模块采集花卉丛的原始俯视图像并通过预处理模块预处理获得第一图像，花卉分类模块通过深度学习算法对第一图像进行花卉分类和花卉分割，获得分割后的多个第二图像和花卉分类结果；处理器模块将第二图像灰度化后获得其灰度值，将灰度值作为第二图像的特征值，根据质量分级标准花卉分级模块通过K

【技术实现步骤摘要】
一种基于机器学习的多花卉质量分级方法


[0001]本专利技术属于人工智能
，具体涉及一种基于机器学习的多花卉质量分级方法。

技术介绍

[0002]花卉是具有观赏价值的草本植物，是用来描绘欣赏的织物的统称，通常喜阳且耐寒，具有繁殖功能的短枝。花农或生产商通常将属于同一个品种的花卉栽培在一起，构成花卉丛，而在花卉栽培的过程中则定期检查花卉的生长是否达到质量标准，花农或生产商通常通过目测花瓣的色度来判断花卉的质量，这种通过目测实现质量分级的方式效率极低，其获得的花卉质量分级结果误差大、准确率低。因此，在花卉栽培时对花卉进行质量分级存在一定的困难。

技术实现思路

[0003]本专利技术的目的是提供一种基于机器学习的多花卉质量分级方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
[0004]本专利技术解决其技术问题的解决方案是：提供一种基于机器学习的多花卉质量分级方法，应用于分级系统，所述分级系统包括：设置有图像采集模块、预处理模块、花卉分类模块、花卉分级模块和处理器模块；包括以下步骤：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的多花卉质量分级方法，应用于分级系统，所述分级系统包括：设置有图像采集模块、预处理模块、花卉分类模块、花卉分级模块和处理器模块；其特征在于，包括以下步骤：S1、图像采集模块采集花卉丛的原始俯视图像，预处理模块通过中值滤波预处理原始俯视图像，预处理后得到第一图像；S2、花卉分类模块通过YOLOv5算法对第一图像进行花卉识别和花卉分割，获得分割后的多个第二图像和花卉分类结果；S3、处理器模块灰度化全部第二图像，计算每个灰度化后的第二图像的灰度值，将灰度值作为第二图像的特征值，所有第二图像的灰度值共同构成特征数据集；S4、基于花卉大数据，处理器模块建立质量分级标准；根据质量分级标准，花卉分级模块通过K
‑
means算法对特征数据集进行质量分级，得到质量分级结果；S5、处理器模块获取质量分级结果，对质量分级结果进行分析与处理，生成质量分级报告。2.根据权利要求1所述的一种基于机器学习的多花卉质量分级方法，其特征在于，步骤S1中所述中值滤波满足以下公式：g(x,y)＝med{f(x
‑
i,y
‑
j),(i,j∈A)}；其中，函数f(x,y)为原始俯视图像，g(x,y)为第一图像，A为二维模板，A选取为3
×
3区域。3.根据权利要求1所述的一种基于机器学习的多花卉质量分级方法，其特征在于，在所述花卉分类模块通过YOLOv5算法对第一图像进行花卉识别和花卉分割，获得分割后的多个第二图像和花卉分类结果，该方法还包括：S21、基于花卉大数据，处理器模块收集并编号多个花卉品种的样本图像，构成样本数据集，以7:3的比例关系划分样本数据集为训练集和测试集；S22、通过标注工具标注训练集和测试集中的样本图像的感兴趣区域，每个样本图像具有对应的一个或多个的样本标签，所有样本标签构成标签数据集；S23、处理器模块设定网络模型的超参数和结束阈值；花卉分类模块将训练集的样本图像作为YOLOv5网络的输入，将训练集的样本标签集作为YOLOv5网络的输出，花卉分类模块训练YOLOv5网络模型；S24、当损失函数小于等于结束阈值时，YOLOv5网络模型训练结束，花卉分类模块输出YOLOv5网络模型的核参数，并通过测试集评价该网络模型的性能；S25、将第一图像输入至训练好的YOLOv5网络模型，通过YOLOv5网络模型对第一图像实现花卉识别和花卉分割，获得分割后多个第二图像，并生成花卉分类结果。4.根据权利要求1所述的一种基于机器学习的多花卉质量分级方法，其特征在于，步骤S3中处理器模块通过加权平均值法灰度化全部第二图像，其中设定第二图像的R通道、G通道的权值均为40...

【专利技术属性】
技术研发人员：刘静，张久雷，
申请(专利权)人：广东职业技术学院，
类型：发明
国别省市：