【技术实现步骤摘要】
本申请涉及果蔬检测和人工智能，尤其涉及一种基于多光谱图像的目标表面缺陷检测方法及装置。
技术介绍
1、传统的水果分级工作仍依赖人工，存在分级不准确且效率低的问题。例如，对于柑橘，大部分柑橘种植者对柑橘的分级认识不够，仅能剔除不能上市的柑橘，并对柑橘大小做粗略的分级，分级手段主要靠人工分级，故分级结果不够准确。
2、为了提升分级精度，可以采用机器学习方式对水果进行检测和分类，例如，基于机器视觉的柑橘外部品质分选机可以综合检测柑橘的大小、颜色、果形和表面缺陷等主要外部品质指标，具有精度高，自动化程度高和非破坏性检测等优点，在柑橘产后分级处理中得到了广泛应用。
3、但目前的基于机器学习的水果实时分级方法，存在对水果表面缺陷识别不准的问题，导致检测精度受到限制。
技术实现思路
1、本申请实施例提供一种基于多光谱图像的目标表面缺陷检测方法及装置，用以解决现有技术中对目标表面缺陷检测的精度低的技术问题。
2、第一方面，本申请实施例提供一种基于多光谱图像的目标表面缺陷检测方法，包括：
3、获取检测目标经过不同检测工位的多光谱图像，并通过拼接多光谱图像中的可见光图像获得可见光复合图像，通过拼接多光谱图像中的近红外图像获得近红外复合图像；
4、将所述可见光复合图像和所述近红外复合图像输入至多光谱图像检测模型，得到检测目标表面缺陷区域的检测结果；
5、其中，所述多光谱图像检测模型是基于多光谱图像配准模型、多光谱图像融合模型和目标检
6、在一些实施例中，所述多光谱图像检测模型是基于以下步骤训练获得的：
7、基于所述可见光复合图像和所述近红外复合图像进行图像配准，得到配准图像；
8、将所述配准图像与所述可见光复合图像进行图像融合，得到融合图像；
9、对所述融合图像进行目标检测，得到检测目标表面缺陷区域的检测结果。
10、在一些实施例中，所述基于所述可见光复合图像和所述近红外复合图像进行图像配准，得到配准图像，包括：
11、对所述可见光复合图像进行his变换，得到i通道图像；
12、将所述i通道图像与所述近红外复合图像进行配准，得到配准图像。
13、在一些实施例中，所述将所述配准图像与所述可见光复合图像进行图像融合，得到融合图像，包括：
14、对所述可见光复合图像进行ycrcb变换，得到y通道图像；
15、基于配准图像的权值矩阵和y通道图像的权值矩阵，对所述y通道图像与所述配准图像进行加权求和，得到融合图像。
16、在一些实施例中，所述对所述融合图像进行目标检测，得到检测目标表面缺陷区域的检测结果，包括：
17、将所述融合图像输入至yolov7目标检测模型中进行缺陷区域的识别，得到检测目标表面缺陷区域的检测结果。
18、在一些实施例中，所述通过拼接多光谱图像中的可见光图像获得可见光复合图像之后，所述方法还包括：
19、对所述可见光复合图像进行图像增强。
20、在一些实施例中，所述多光谱图像检测模型在训练过程中采用统一的损失函数，所述损失函数包括图像配准损失函数、图像融合损失函数、图像强度损失函数、图像纹理损失函数以及目标检测模型的损失函数。
21、第二方面，本申请实施例提供一种基于多光谱图像的目标表面缺陷检测装置，包括：
22、采集模块，用于获取检测目标经过不同检测工位的多光谱图像，并通过拼接多光谱图像中的可见光图像获得可见光复合图像，通过拼接多光谱图像中的近红外图像获得近红外复合图像；
23、多光谱图像检测模块，用于将所述可见光复合图像和所述近红外复合图像输入至多光谱图像检测模型，得到检测目标表面缺陷区域的检测结果；
24、其中，所述多光谱图像检测模型是基于多光谱图像配准模型、多光谱图像融合模型和目标检测模型并采用级联方式构建的。
25、第三方面，本申请实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面所述的基于多光谱图像的目标表面缺陷检测方法。
26、第四方面，本申请实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面所述的基于多光谱图像的目标表面缺陷检测方法。
27、第五方面，本申请实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的基于多光谱图像的目标表面缺陷检测方法。
28、本申请实施例提供的基于多光谱图像的目标表面缺陷检测方法及装置，获取检测目标经过不同检测工位的多光谱图像，并分别拼接生成检测区域可见光复合图像与近红外复合图像，然后利用多光谱图像检测模型对可见光复合图像和近红外复合图像进行图像配准、图像融合以及检测，得到检测目标表面缺陷区域的检测结果，获得了对检测目标表面缺陷的最优表达，从而提高了检测精度。
本文档来自技高网...【技术保护点】
1.一种基于多光谱图像的目标表面缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于多光谱图像的目标表面缺陷检测方法，其特征在于，所述多光谱图像检测模型是基于以下步骤训练获得的：
3.根据权利要求2所述的基于多光谱图像的目标表面缺陷检测方法，其特征在于，所述基于所述可见光复合图像和所述近红外复合图像进行图像配准，得到配准图像，包括：
4.根据权利要求2所述的基于多光谱图像的目标表面缺陷检测方法，其特征在于，所述将所述配准图像与所述可见光复合图像进行图像融合，得到融合图像，包括：
5.根据权利要求2所述的基于多光谱图像的目标表面缺陷检测方法，其特征在于，所述对所述融合图像进行目标检测，得到检测目标表面缺陷区域的检测结果，包括：
6.根据权利要求1所述的基于多光谱图像的目标表面缺陷检测方法，其特征在于，所述通过拼接多光谱图像中的可见光图像获得可见光复合图像之后，所述方法还包括：
7.根据权利要求1所述的基于多光谱图像的目标表面缺陷检测方法，其特征在于，所述多光谱图像检测模型在训练过程中采用统一的损失函数
8.一种基于多光谱图像的目标表面缺陷检测装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于多光谱图像的目标表面缺陷检测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于多光谱图像的目标表面缺陷检测方法。
...【技术特征摘要】
1.一种基于多光谱图像的目标表面缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于多光谱图像的目标表面缺陷检测方法，其特征在于，所述多光谱图像检测模型是基于以下步骤训练获得的：
3.根据权利要求2所述的基于多光谱图像的目标表面缺陷检测方法，其特征在于，所述基于所述可见光复合图像和所述近红外复合图像进行图像配准，得到配准图像，包括：
4.根据权利要求2所述的基于多光谱图像的目标表面缺陷检测方法，其特征在于，所述将所述配准图像与所述可见光复合图像进行图像融合，得到融合图像，包括：
5.根据权利要求2所述的基于多光谱图像的目标表面缺陷检测方法，其特征在于，所述对所述融合图像进行目标检测，得到检测目标表面缺陷区域的检测结果，包括：
6.根据权利要求1所述的基于多光谱图像的目标表面缺陷检测方法，其特征在于，所述通过拼...
【专利技术属性】
技术研发人员：张驰，贾雪莹，王庆艳，黄文倩，田喜，何鑫，
申请(专利权)人：北京市农林科学院智能装备技术研究中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。