【技术实现步骤摘要】
本专利技术涉及苹果采摘的图像识别领域，具体涉及一种基于机器学习的苹果采摘多种类图像识别方法。
技术介绍
1、生产过程的机械化和智能化是农业发展的必然趋势，果蔬采摘作为农业生产中的重要环节，如何实现采摘过程的无人化和自动化是近年来农业工程领域研究的重要热点之一。而苹果采摘是生产链中最耗费人力、物力、财力的一个环节，同时苹果产业在之后的市场价格以及取得的经济效益都受到苹果采摘质量的影响。因此研究一种能够进行快速准确苹果果实采摘识别方法具有重要的实用价值和商业前景。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于机器学习的苹果采摘多种类图像识别方法，通过对苹果采摘实时图像的多种类多级分析处理，快速输出识别结果的同时，建立大批量数据库提升识别准确性。
2、为实现上述目的，本专利技术提供了一种基于机器学习的苹果采摘多种类图像识别方法，包括：
3、s1、利用苹果采摘的实时图像进行图像特征提取处理得到苹果采摘的实时图像特征；
4、s2、利用所述苹果采摘的实时图像对应历史实时图像基于机器学习建立苹果采摘的综合识别特征模型；
5、s3、根据所述苹果采摘的实时图像特征与综合识别特征模型得到苹果采摘多种类图像识别结果。
6、优选的，所述利用苹果采摘的实时图像进行图像特征提取处理得到苹果采摘的实时图像特征包括：
7、s1-1、利用所述苹果采摘的实时图像分别划分苹果采摘区域粗特征与环境背景区域特征；
8、s1
9、s1-3、利用所述苹果采摘区域粗特征、苹果采摘区域细特征与环境背景区域特征作为苹果采摘的实时图像特征。
10、进一步的，利用所述苹果采摘的实时图像分别划分苹果采摘区域粗特征与环境背景区域特征包括：
11、s1-1-1、获取所述苹果采摘的实时图像对应图像像素作为实时图像基准像素；
12、s1-1-2、判断所述实时图像基准像素是否存在苹果采摘特征，若是，则利用所述实时图像基准像素划分为苹果采摘区域粗特征，否则，利用所述实时图像基准像素划分为环境背景区域特征；
13、s1-1-3、判断所述苹果采摘区域粗特征对应像素与环境背景区域特征对应像素是否存在重复，若是，则利用存在重复的环境背景区域特征划分为苹果采摘区域粗特征，并输出当前苹果采摘区域粗特征与环境背景区域特征，否则，保留当前苹果采摘区域粗特征与环境背景区域特征；
14、其中，所述苹果采摘特征为图像中苹果对应范围。
15、进一步的，利用所述苹果采摘区域粗特征获取对应苹果采摘区域细特征包括：
16、获取所述苹果采摘区域粗特征对应图像的红色区域作为主要果实区域；
17、获取所述苹果采摘区域粗特征对应图像去除苹果果实区域的区域作为非主要果实区域；
18、利用所述主要果实区域与非主要果实区域进行灰度化处理分别得到主要果实灰度区域与非主要果实灰度区域；
19、利用所述主要果实灰度区域与非主要果实灰度区域作为苹果采摘区域细特征。
20、进一步的，利用所述苹果采摘的实时图像对应历史实时图像基于机器学习建立苹果采摘的综合识别特征模型包括：
21、s2-1、根据所述苹果采摘的实时图像获取对应历史实时图像；
22、s2-2、利用所述历史实时图像的苹果采摘区域粗特征与环境背景区域特征基于机器学习建立苹果采摘的图像细化分类模型；
23、s2-3、利用所述苹果采摘的图像细化分类模型与历史实时图像的苹果采摘区域细特征得到苹果采摘的综合识别特征模型。
24、进一步的，利用所述历史实时图像的苹果采摘区域粗特征与环境背景区域特征基于机器学习建立苹果采摘的图像细化分类模型包括：
25、s2-2-1、利用所述历史实时图像的苹果采摘区域粗特征作为积极训练集，所述环境背景区域特征作为消极训练集；
26、s2-2-2、利用所述积极训练集与消极训练集为输入，所述积极训练集对应积极分类与消极训练集对应消极分类为输出，基于机器学习算法进行训练得到苹果采摘的图像细化分类模型；
27、其中，所述机器学习算法为监督学习模型算法。
28、进一步的，利用所述苹果采摘的图像细化分类模型与历史实时图像的苹果采摘区域细特征得到苹果采摘的综合识别特征模型包括：
29、s2-3-1、利用所述历史实时图像的苹果采摘区域细特征对应主要果实灰度区域作为正向训练集，所述历史实时图像的苹果采摘区域细特征对应非主要果实灰度区域作为负向训练集；
30、s2-3-2、利用所述正向训练集与负向训练集为输入，所述正向训练集对应正向分类与负向训练集对应负向分类为输出，基于机器学习算法进行训练得到苹果采摘的次级图像细化分类模型；
31、s2-3-3、判断当前时刻t图像细化分类模型的训练次数是否为1，若是，则执行s2-3-4，否则，直接执行s2-3-5；
32、s2-3-4、判断t+1时刻历史实时图像的苹果采摘区域细特征与相邻上一时刻历史实时图像的苹果采摘区域细特征是否一致，若是，执行s2-3-5，否则，利用所述历史实时图像的苹果采摘区域细特征对应主要果实灰度区域的图像区域与非主要果实灰度区域的图像区域，分别划分更新积极训练集与消极训练集，并返回s2-2-2；
33、s3-3-5、利用所述苹果采摘的图像细化分类模型与苹果采摘的次级图像细化分类模型作为苹果采摘的综合识别特征模型。
34、进一步的，根据所述苹果采摘的实时图像特征与综合识别特征模型得到苹果采摘多种类图像识别结果包括：
35、s3-1、利用所述苹果采摘的实时图像特征与综合识别特征模型进行摘要比对处理得到实时图像摘要比对处理结果；
36、s3-2、根据所述实时图像摘要比对处理结果进行特征往复处理得到苹果采摘多种类图像识别结果。
37、进一步的，利用所述苹果采摘的实时图像特征与综合识别特征模型进行摘要比对处理得到实时图像摘要比对处理结果包括：
38、s3-1-1、利用所述苹果采摘的实时图像特征对应苹果采摘区域粗特征与苹果采摘区域细特征分别作为待处理粗特征与待处理细特征；
39、s3-1-2、利用所述苹果采摘的实时图像带入综合识别特征模型的图像细化分类模型得到积极分类作为第一分类结果；
40、s3-1-3、利用所述第一分类结果对应图像进行灰度转化后，带入综合识别特征模型的次级图像细化分类模型得到第二分类结果；
41、s3-1-4、判断第二分类结果对应图像像素与待处理细特征对应图像像素是否一致，若是，则执行s3-1-5，否则，更新当前时刻训练次数为1，并返回s2-3-3；
42、s3-1-5、判断第二分类结果对应图像像素灰度值与待处理细特征对应图像像素灰度值是否一致，若是，则输本文档来自技高网...
【技术保护点】
1.一种基于机器学习的苹果采摘多种类图像识别方法，其特征在于，包括：
2.如权利要求1所述的一种基于机器学习的苹果采摘多种类图像识别方法，其特征在于，所述利用苹果采摘的实时图像进行图像特征提取处理得到苹果采摘的实时图像特征包括：
3.如权利要求2所述的一种基于机器学习的苹果采摘多种类图像识别方法，其特征在于，利用所述苹果采摘的实时图像分别划分苹果采摘区域粗特征与环境背景区域特征包括：
4.如权利要求3所述的一种基于机器学习的苹果采摘多种类图像识别方法，其特征在于，利用所述苹果采摘区域粗特征获取对应苹果采摘区域细特征包括：
5.如权利要求4所述的一种基于机器学习的苹果采摘多种类图像识别方法，其特征在于，利用所述苹果采摘的实时图像对应历史实时图像基于机器学习建立苹果采摘的综合识别特征模型包括：
6.如权利要求5所述的一种基于机器学习的苹果采摘多种类图像识别方法，其特征在于，利用所述历史实时图像的苹果采摘区域粗特征与环境背景区域特征基于机器学习建立苹果采摘的图像细化分类模型包括：
7.如权利要求6所述的一种基于机器
8.如权利要求6所述的一种基于机器学习的苹果采摘多种类图像识别方法，其特征在于，根据所述苹果采摘的实时图像特征与综合识别特征模型得到苹果采摘多种类图像识别结果包括：
9.如权利要求8所述的一种基于机器学习的苹果采摘多种类图像识别方法，其特征在于，利用所述苹果采摘的实时图像特征与综合识别特征模型进行摘要比对处理得到实时图像摘要比对处理结果包括：
10.如权利要求9所述的一种基于机器学习的苹果采摘多种类图像识别方法，其特征在于，根据所述实时图像摘要比对处理结果进行特征往复处理得到苹果采摘多种类图像识别结果包括：
...【技术特征摘要】
1.一种基于机器学习的苹果采摘多种类图像识别方法，其特征在于，包括：
2.如权利要求1所述的一种基于机器学习的苹果采摘多种类图像识别方法，其特征在于，所述利用苹果采摘的实时图像进行图像特征提取处理得到苹果采摘的实时图像特征包括：
3.如权利要求2所述的一种基于机器学习的苹果采摘多种类图像识别方法，其特征在于，利用所述苹果采摘的实时图像分别划分苹果采摘区域粗特征与环境背景区域特征包括：
4.如权利要求3所述的一种基于机器学习的苹果采摘多种类图像识别方法，其特征在于，利用所述苹果采摘区域粗特征获取对应苹果采摘区域细特征包括：
5.如权利要求4所述的一种基于机器学习的苹果采摘多种类图像识别方法，其特征在于，利用所述苹果采摘的实时图像对应历史实时图像基于机器学习建立苹果采摘的综合识别特征模型包括：
6.如权利要求5所述的一种基于机器学习的苹果采摘多种类图像识别方法，其特征在于，利用所述...
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。