一种鲜花开放度检测评估方法技术

本发明专利技术公开了一种鲜花开放度检测评估方法，一种鲜花开放度检测评估方法，包括如下工艺步骤：

【技术实现步骤摘要】
一种鲜花开放度检测评估方法


[0001]本专利技术涉及算法领域，特别指一种鲜花开放度检测评估方法
。

技术介绍

[0002]鲜花分拣是鲜花生产销售过程中一项重要环节，由于采摘的鲜花在存放过程中会随着时间流逝逐步的开放，因此，对于开放度不同的鲜花需要进行分类分拣，以安排生产销售排期，避免销售端鲜花过早开放凋谢
。
现有的鲜花分拣工作一般通过人工分拣完成
。
例如针对常见的玫瑰花，其是一种重要的鲜花品种，种类繁多，颜色多样，花型也各具特色
。
玫瑰花生产中开放度分拣是最关键的一环，直接影响鲜花生产的品级定档和生产效率
。
玫瑰花开放度的评价有相关标准，但是实际中开放度是线性变化的，人工分级选择面临标准把握差异，感知疲劳等问题，工人学习掌握稳定的开放度分级需要较长时间，生产效率也比较低
。
因此，通过计算机算法实现开放度自动评价算法可以降低人工分级误差，提高生产效率
。

技术实现思路

[0003]本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种实现了鲜花开放度自动检测评估分级，能够有效降低分级误差，提高分级精度及鲜花分拣效率的鲜花开放度检测评估方法
。
[0004]本专利技术采用的技术方案如下：一种鲜花开放度检测评估方法，包括如下步骤：
S1、
样本图像采集：通过
CCD
相机拍摄鲜花顶部头像，并将所采集的样本图像传输至控制中心；
S2、
>花头和花心椭圆对象模型定义：以椭圆形标注训练模型，对步骤
S1
中采集的样本图像用椭圆圈住花头部分和花心作为对象区域，然后采用修改的
Yolo
算法训练对象检测模型，将传统
Yolo
算法中的
anchors
改为椭圆，定义花头椭圆对象模型和花心椭圆对象模型，椭圆对象模型的
bbox
参数为
(x, y, w, h, c)
，其中，
x,y
为椭圆中心坐标，
w,h
为椭圆横轴纵轴，
c
为模型类别；
S3、
有无鲜花及花头弯头判断：拍摄检测有无鲜花，无鲜花则
NG
，不作开放度分级；有鲜花则利用步骤
S2
中定义的花头椭圆对象模型和花心椭圆对象模型对鲜花照片进行检测，检测结果得到花头和花心的椭圆区域，通过计算花心中心相对花头中心的偏移量判断是否出现弯头情况，弯头的花作为
NG
，不做开放度分级；
S4、
花头开放度分类值计算分值
A
：对步骤
S3
中无弯头的花头部分用深度学习训练的分类模型进行开放度分级计算，花头部分的开放度被分成1到7级，分别记为
L1至
L7级；基于开放度的线性变化，开放度分级时具备相应级别的置信度，分别记为
Z1至
Z7；对于花头的开放度分级计算出分值；
S5、
区域图像分割：采用
PaddleSeg
图像区域分割方法对步骤
S4
中的图像进行区域
分割，以花头椭圆边界为界限分出花头外围的花瓣区域，该花头外围的花瓣区域包括正常花瓣区域和萼瓣区域；
S6、
正常花瓣区域边缘检测计算分值
B
：对步骤
S5
中的正常花瓣区域进行开放层数估算；通过梯度计算得到该区域的明显边界，对应花瓣边缘；花瓣边缘为通过算法确定符合花头椭圆边界弧度的边缘，该花瓣边缘排除了与花头椭圆边界距离小于阈值的边缘，并连接相邻碎边缘得到趋于完整的花瓣边缘；计算预设的多条通过步骤
S5
中花头的椭圆圆心向外射出的射线经过花瓣边缘的数量，得到正常花瓣区域开放的最大层数，记为
S
；另外，计算出每层正常花瓣对花头的包围程度，记为
W
，通过
S
和
W
得出正常花瓣的开放度分数
B=S
‑
1+W
；
S7、
萼瓣区域计算面积比值
C
：计算步骤
S5
中的萼瓣区域面积及花头区域面积，通过萼瓣区域面积除以花头区域面积得到的比值
C
作为萼瓣区域的开放度分值；
S8、
计算花瓣开放度分值
D
：综合步骤
S6
中正常花瓣的开放度分值步骤
S7
中萼瓣的开放度分值，按照定义的分值权重进行加权平均，计算得出花瓣部分开放度分值
D=
α
B+
β
C
；
S9、
计算最终开放度分值
A
’
：根据定义的开放度分级方法，当
D
大于设定阈值1时，强制
A
’
=A+1
，否则对
A
进行加权计算得到最终的开放度分值
A
’
=A+
σ
D
；
S10、
分级：根据预定的分级阈值将步骤
S9
中的分值
A
’
对应到1‑4级的分级，并传输至分拣机，分拣机根据分级数据实现自动分拣
。
[0005]优选的，所述步骤
S2
中
anchors
的尺寸根据花头部分椭圆的长宽比设定后
,
包括：
50mm
×
66mm
，
100v
×
133mm
，
105mm
×
133mm
，
100mm
×
140mm
，
140mm
×
186mm
，
147mm
×
186mm
，
140mm
×
195mm。
[0006]优选的，所述步骤
S2
中的算法训练和预测时只对椭圆覆盖区域中的块进行最优化计算
。
[0007]优选的，所述步骤
S4
，1级对应开放度1度，
L1=1
，3级对应开放度2度，
L3=2
，5级对应开放度3度，
L5=3
，7级对应开放度4度以上，
L7=4
；相应地介于1度2度之间的分为2级，
L2=1.5
，介于2度3度之间的分为4级，
L4=2.5
，介于3度4度之间的分为6级，
L6=3.5。
[0008]优选的，所述步骤
S6
中确定符合花头椭圆边界弧度的边缘的算法包括边缘提取算法或
canny
算子；所述符合花本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种鲜花开放度检测评估方法，其特征在于，包括如下步骤：
S1、
样本图像采集：通过
CCD
相机拍摄鲜花顶部头像，并将所采集的样本图像传输至控制中心；
S2、
花头和花心椭圆对象模型定义：以椭圆形标注训练模型，对步骤
S1
中采集的样本图像用椭圆圈住花头部分和花心作为对象区域，然后采用修改的
Yolo
算法训练对象检测模型，将传统
Yolo
算法中的
anchors
改为椭圆，定义花头椭圆对象模型和花心椭圆对象模型，椭圆对象模型的
bbox
参数为
(x, y, w, h, c)
，其中，
x,y
为椭圆中心坐标，
w,h
为椭圆横轴纵轴，
c
为模型类别；
S3、
有无鲜花及花头弯头判断：拍摄检测有无鲜花，无鲜花则
NG
，不作开放度分级；有鲜花则利用步骤
S2
中定义的花头椭圆对象模型和花心椭圆对象模型对鲜花照片进行检测，检测结果得到花头和花心的椭圆区域，通过计算花心中心相对花头中心的偏移量判断是否出现弯头情况，弯头的花作为
NG
，不做开放度分级；
S4、
花头开放度分类值计算分值
A
：对步骤
S3
中无弯头的花头部分用深度学习训练的分类模型进行开放度分级计算，花头部分的开放度被分成1到7级，分别记为
L1至
L7级；基于开放度的线性变化，开放度分级时具备相应级别的置信度，分别记为
Z1至
Z7；对于花头的开放度分级计算出分值；
S5、
区域图像分割：采用
PaddleSeg
图像区域分割方法对步骤
S4
中的图像进行区域分割，以花头椭圆边界为界限分出花头外围的花瓣区域，该花头外围的花瓣区域包括正常花瓣区域和萼瓣区域；
S6、
正常花瓣区域边缘检测计算分值
B
：对步骤
S5
中的正常花瓣区域进行开放层数估算；通过梯度计算得到该区域的明显边界，对应花瓣边缘；花瓣边缘为通过算法确定符合花头椭圆边界弧度的边缘，该花瓣边缘排除了与花头椭圆边界距离小于阈值的边缘，并连接相邻碎边缘得到趋于完整的花瓣边缘；计算预设的多条通过步骤
S5
中花头的椭圆圆心向外射出的射线经过花瓣边缘的数量，得到正常花瓣区域开放的最大层数，记为
S
；另外，计算出每层正常花瓣对花头的包围程度，记为
W
，通过
S
和
W
得出正常花瓣的开放度分数
B=S
‑
1+W
；
S7、
萼瓣区域计算面积比值
C
：计算步骤
S5
中的萼瓣区域面积及花头区域面积，通过萼瓣区域面积除以花头区域面积得到的比值
C
作为萼瓣区域的开放度分值；
S8、
计算花瓣开放度分值
D
：综合步骤
S6
中正常花瓣的开放度分值步骤
S7
中萼瓣的开放度分值，按照定义的分值权重进行加权平均，计算得出花瓣部分开放度分值
D=
α
B+
β
C
；
S9、
计算最终开放度分值
A
...

【专利技术属性】
技术研发人员：朱为，肖波，孙博良，肖贤军，王威，吴韬，何礼强，谢昌锋，涂丹，王林泉，文欢梅，
申请(专利权)人：深圳市睿阳精视科技有限公司，
类型：发明
国别省市：