多光譜視覺成像大葉農(nóng)作物葉片分級(jí)系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本實(shí)用新型設(shè)及大葉農(nóng)作物葉片分級(jí)技術(shù)領(lǐng)域，特別設(shè)及一種多光譜視覺成像大 葉農(nóng)作物葉片分級(jí)系統(tǒng)。
【背景技術(shù)】
[0002] 大葉農(nóng)作物是一類重要的經(jīng)濟(jì)作物，在我國(guó)的農(nóng)業(yè)生產(chǎn)中占有重要的地位。在大 葉農(nóng)作物葉片的收購(gòu)環(huán)節(jié)，目前大葉農(nóng)作物葉片質(zhì)量分級(jí)的手段仍舊W人工為主，存在著 勞動(dòng)強(qiáng)度大、主觀性強(qiáng)、工作效率低、分級(jí)標(biāo)準(zhǔn)不易掌握、分級(jí)精度不穩(wěn)定等缺點(diǎn)，甚至造成 了收購(gòu)分級(jí)專家的灰色利益、農(nóng)民和收購(gòu)方因分級(jí)不同意見引起的質(zhì)量糾紛等問題。
[0003] 并且，大葉農(nóng)作物葉片的分組分級(jí)對(duì)人工要求很高，分級(jí)工人需要進(jìn)行系統(tǒng)的專 業(yè)分級(jí)培訓(xùn)，并且還要一段時(shí)間熟練技能，然后才能在分級(jí)時(shí)根據(jù)各級(jí)別大葉農(nóng)作物葉片 的視覺、觸覺、嗅覺反應(yīng)做出綜合判斷。對(duì)于一般分級(jí)技術(shù)較熟練的工人，分級(jí)的效率為 60kg/(人?天）左右（W每天工作八個(gè)小時(shí)計(jì)）。分級(jí)后的大葉農(nóng)作物葉片由具有大葉 農(nóng)作物葉片等級(jí)質(zhì)量鑒別檢驗(yàn)資格的人員對(duì)其進(jìn)行復(fù)查，按相關(guān)分級(jí)標(biāo)準(zhǔn)進(jìn)行等級(jí)質(zhì)量檢 驗(yàn)，合格率為67. 55% -91. 78%不等。由此可見，人工分級(jí)的前期培訓(xùn)較為復(fù)雜，培訓(xùn)時(shí)間 較長(zhǎng)，而分級(jí)的效率低下且正確率良莽不齊，對(duì)于大葉農(nóng)作物的收購(gòu)和生產(chǎn)都會(huì)帶來明顯 的阻礙。 【實(shí)用新型內(nèi)容】
[0004] 本實(shí)用新型旨在至少在一定程度上解決上述相關(guān)技術(shù)中的技術(shù)問題之一。
[0005] 為此，本實(shí)用新型的目的在于提出一種多光譜視覺成像大葉農(nóng)作物葉片分級(jí)系 統(tǒng)，該系統(tǒng)能夠?qū)崿F(xiàn)大葉農(nóng)作物葉片的自動(dòng)化分級(jí)，節(jié)省了大量人力資源，具有分級(jí)效率 高，分級(jí)客觀、準(zhǔn)確的優(yōu)點(diǎn)，且該系統(tǒng)結(jié)構(gòu)簡(jiǎn)單、操作方便。
[0006] 為了實(shí)現(xiàn)上述目的，本實(shí)用新型提供了一種多光譜視覺成像大葉農(nóng)作物葉片分級(jí) 系統(tǒng)，包括：采樣模塊，所述采樣模塊用于獲取不同等級(jí)的大葉農(nóng)作物葉片訓(xùn)練樣本，其中， 所述訓(xùn)練樣本包括不同等級(jí)的大葉農(nóng)作物葉片的多光譜圖像；特征提取模塊，所述特征提 取模塊用于從所述多光譜圖像中提取特征信息，其中，所述特征信息包括顏色特征、形狀特 征和紋理特征；訓(xùn)練模塊，所述訓(xùn)練模塊用于根據(jù)所述特征信息訓(xùn)練分類器；獲取模塊，所 述獲取模塊用于獲取待分類的大葉農(nóng)作物葉片的特征信息；分類模塊，所述分類模塊用于 根據(jù)所述分類器對(duì)所述待分類的大葉農(nóng)作物葉片的特征信息進(jìn)行分類，W得到所述待分類 的大葉農(nóng)作物葉片的等級(jí)。
[0007] 根據(jù)本實(shí)用新型的多光譜視覺成像大葉農(nóng)作物葉片分級(jí)系統(tǒng)，從不同等級(jí)的大葉 農(nóng)作物葉片訓(xùn)練樣本的多光譜圖像中提取特征信息，然后根據(jù)運(yùn)些特征信息訓(xùn)練分類器， 然后將待分類的大葉農(nóng)作物葉片的特征信息輸入分類器，經(jīng)過分類器計(jì)算后得到待分類大 葉農(nóng)作物葉片的等級(jí)。因此，該系統(tǒng)能夠?qū)崿F(xiàn)大葉農(nóng)作物葉片的自動(dòng)化分級(jí)，節(jié)省了大量人 力資源，具有分級(jí)效率高，分級(jí)客觀、準(zhǔn)確的優(yōu)點(diǎn)，同時(shí)，該系統(tǒng)結(jié)構(gòu)簡(jiǎn)單，操作方便。
[0008] 另外，根據(jù)本實(shí)用新型上述的多光譜視覺成像大葉農(nóng)作物葉片分級(jí)系統(tǒng)還可W具 有如下附加的技術(shù)特征：
[0009] 在一些示例中，所述獲取模塊用于確定大葉農(nóng)作物葉片區(qū)域，并采集所述大葉農(nóng) 作物葉片區(qū)域的偽顏色信息和真實(shí)lab顏色信息，并根據(jù)所述偽顏色信息和真實(shí)LAB顏色 信息計(jì)算所述大葉農(nóng)作物葉片區(qū)域的顏色特征，W及根據(jù)所述大葉農(nóng)作物葉片區(qū)域的RGB 數(shù)據(jù)計(jì)算灰度圖像，并根據(jù)所述灰度圖像的灰度共生矩陣計(jì)算所述大葉農(nóng)作物葉片區(qū)域的 紋理特征，W及根據(jù)所述大葉農(nóng)作物葉片區(qū)域的輪廓和殘傷率計(jì)算所述大葉農(nóng)作物葉片區(qū) 域的形狀特征，W及提取所述大葉農(nóng)作物葉片區(qū)域的多光譜數(shù)據(jù)，并根據(jù)所述多光譜數(shù)據(jù) 計(jì)算所述大葉農(nóng)作物葉片區(qū)域的多光譜組合特征。
[0010] 在一些示例中，所述灰度圖像可通過如下公式計(jì)算：
[0011] Y = 0. 30R+0. 59G+0. 11B。
[0012] 在一些示例中，所述大葉農(nóng)作物葉片區(qū)域的紋理特征包括：大葉農(nóng)作物葉片區(qū)域 的紋理賭、紋理對(duì)比度、紋理自相關(guān)、紋理能量、紋理逆矩差。
[0013] 在一些示例中，所述大葉農(nóng)作物葉片區(qū)域的形狀特征包括大葉農(nóng)作物葉片面積、 周長(zhǎng)、長(zhǎng)軸、短軸、圓度、寬長(zhǎng)比和葉片殘傷率。
[0014] 本實(shí)用新型的附加方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述 中變得明顯，或通過本實(shí)用新型的實(shí)踐了解到。
【附圖說明】
[0015] 本實(shí)用新型的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對(duì)實(shí)施例的描述中 將變得明顯和容易理解，其中：
[0016] 圖1是根據(jù)本實(shí)用新型一個(gè)實(shí)施例的多光譜視覺成像大葉農(nóng)作物葉片分級(jí)方法 的流程圖；
[0017] 圖2是根據(jù)本實(shí)用新型另一個(gè)實(shí)施例的多光譜視覺成像大葉農(nóng)作物葉片分級(jí)方 法的流程圖；
[0018] 圖3是根據(jù)本實(shí)用新型一個(gè)實(shí)施例的真實(shí)顏色特征提取算法的流程圖；W及
[0019] 圖4是根據(jù)本實(shí)用新型一個(gè)實(shí)施例的多光譜視覺成像大葉農(nóng)作物葉片分級(jí)系統(tǒng) 的結(jié)構(gòu)框圖。
【具體實(shí)施方式】
[0020] 下面詳細(xì)描述本實(shí)用新型的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始 至終相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。下面通過參 考附圖描述的實(shí)施例是示例性的，僅用于解釋本實(shí)用新型，而不能理解為對(duì)本實(shí)用新型的 限制。
[0021] W下結(jié)合附圖描述根據(jù)本實(shí)用新型實(shí)施例的多光譜視覺成像大葉農(nóng)作物葉片分 級(jí)方法及系統(tǒng)。
[0022] 圖1是根據(jù)本實(shí)用新型一個(gè)實(shí)施例的多光譜視覺成像大葉農(nóng)作物葉片分級(jí)方法 的流程圖。圖2是根據(jù)本實(shí)用新型另一個(gè)實(shí)施例的多光譜視覺成像大葉農(nóng)作物葉片分級(jí)方 法的流程圖。結(jié)合圖1和圖2所示，該方法包括W下步驟：
[0023] 步驟SlOl，獲取不同等級(jí)的大葉農(nóng)作物葉片訓(xùn)練樣本，其中，訓(xùn)練樣本包括不同等 級(jí)的大葉農(nóng)作物葉片的多光譜圖像。大葉農(nóng)作物葉片訓(xùn)練樣本例如為根據(jù)專業(yè)分級(jí)人員挑 選的已知級(jí)別的樣本大葉農(nóng)作物葉片。
[0024] 步驟S102,從多光譜圖像中提取特征信息，其中，特征信息包括顏色特征、形狀特 征和紋理特征。
[00對(duì)步驟S103,根據(jù)特征信息訓(xùn)練分類器。 陽(yáng)0%] 步驟S104,獲取待分類的大葉農(nóng)作物葉片的特征信息。
[0027] 在本實(shí)用新型的一個(gè)實(shí)施例中，步驟S104進(jìn)一步包括：
[0028] 步驟1 :確定大葉農(nóng)作物葉片區(qū)域，并采集該大葉農(nóng)作物葉片區(qū)域（正反面分開計(jì) 算）的偽顏色信息和真實(shí)LAB顏色信息，并根據(jù)偽顏色信息和真實(shí)LAB顏色信息計(jì)算大葉 農(nóng)作物葉片區(qū)域的顏色特征。其中，關(guān)于確定大葉農(nóng)作物葉片區(qū)域的描述，具體包括：首先 獲取的彩色圖像為線陣相機(jī)采集的四通道圖像。并在其中挑選一個(gè)最接近實(shí)物的通道圖像 作基準(zhǔn)（參考圖像），將目標(biāo)和背景分割，得到單獨(dú)的大葉農(nóng)作物葉片區(qū)域，即通過區(qū)分皮 帶區(qū)域和光照陰影權(quán)皺區(qū)域，來分割大葉農(nóng)作物葉片區(qū)域，并進(jìn)一步分割大葉農(nóng)作物葉片 的正面、反面及其中的青雜色區(qū)域。
[0029] 作為具體的示例，如下表1所示，對(duì)于表1中的顏色特征，偽顏色特征都是基于參 考圖像。由于通過API接口獲取整幅圖像LAB的時(shí)間過長(zhǎng)，所W基于參考圖像通過相關(guān)算 法得到了顏色分布均勻的圖像塊，并判斷圖像塊位于大葉農(nóng)作物葉片的正面或者反面，在 得到上述圖像塊信息的基礎(chǔ)上，獲取圖像塊區(qū)域正反面的真實(shí)a、b值，并計(jì)算表1中的區(qū)域 顏色特征，具體算法流程如圖3所示。
[0030]
W川表1
[0032] 步驟2 :根據(jù)大葉農(nóng)作物葉片區(qū)域（正反面分開計(jì)算）的RGB數(shù)據(jù)計(jì)算灰度圖像 (即Y分量），并根據(jù)灰度圖像的灰度共生矩陣計(jì)算大葉農(nóng)作物葉片區(qū)域的紋理特征。其中， 大葉農(nóng)作物葉片區(qū)域的紋理特征包括：大葉農(nóng)作物葉片區(qū)域的紋理賭、紋理對(duì)比度、紋理自 相關(guān)、紋理能量、紋理逆矩差。其中，在一些示例中，例如，灰度圖像可通過如下公式計(jì)算：
[0033] Υ = 0. 30R+0. 59G+0.1 IB。
[0034] 進(jìn)一步地，在得到灰度圖像后，計(jì)算灰度公式矩陣，生成灰度共生矩陣時(shí)，鄰域的 方向可W有0度、45度、90度和135度。在該示例中，使用0度方向計(jì)算特征數(shù)據(jù)，并且灰 度級(jí)別之間的灰度差為14。
[0035] 步驟3 :根據(jù)大葉農(nóng)作物葉片區(qū)域（正反面合并計(jì)算）的輪廓和殘傷率計(jì)算大葉 農(nóng)作物葉片區(qū)域的形狀特征。
[0036] 在一些示例中，例如，大葉農(nóng)作物葉片區(qū)域的形狀特征包括大葉農(nóng)作物葉片面積、 周長(zhǎng)、長(zhǎng)軸、短軸、圓度、寬長(zhǎng)比和大葉農(nóng)作物葉片殘傷率。更為具體地，殘傷率的計(jì)算公式 為：殘傷率=孔桐面積/葉片區(qū)域總面積。
[0037] 步驟4 :提取大葉農(nóng)作物葉片區(qū)域（正反面分開計(jì)算）的多光譜數(shù)據(jù)，并根據(jù)多光 譜數(shù)據(jù)計(jì)算大葉農(nóng)作物葉片區(qū)域的多光譜組合特征。
[0038] 步驟S105,根據(jù)分類器對(duì)待分類的大葉農(nóng)作物葉片的特征信息進(jìn)行分類，W得到 待分類的大葉農(nóng)作物葉片的等級(jí)。
[0039] 其中，關(guān)于分類器的描述，具體包括：分類器使用的是支持向量機(jī)多分類器，對(duì)于 中枯，上枯，下枯各訓(xùn)練一個(gè)分類器，由于使用的訓(xùn)練樣本有限，分類器的訓(xùn)練樣本設(shè)為四 個(gè)級(jí)別，W中枯模型舉例，例如有中枯一，中枯二，中枯Ξ和中枯四運(yùn)四個(gè)等級(jí)。W此樣本訓(xùn) 練的分類器可W將測(cè)試樣本分為對(duì)應(yīng)的四個(gè)級(jí)別。
[0040] 多分類器是通過組合多個(gè)二分類器構(gòu)造而成，常見的方法有one-against-one和 one-against-all兩種。本實(shí)用新型的該示例中的多分類器是根據(jù)one-against-one (-對(duì) 一法）實(shí)現(xiàn)的。其做法是在任意兩類樣本之間設(shè)計(jì)一個(gè)SVM，因此k個(gè)類別的樣本就需要設(shè) 計(jì)k化-1)/2個(gè)SVM。當(dāng)對(duì)一個(gè)未知樣本進(jìn)行分類時(shí)，最后得票最多的類別即為該未知樣本 的類別。
[0041] 例如，假設(shè)有A，B，C，D四類分類器。在訓(xùn)練的時(shí)候選擇A，B ;A，C ;A，D巧，C化D ; C，D所對(duì)應(yīng)的向量作為訓(xùn)練集，然后得到六個(gè)訓(xùn)練結(jié)果，在測(cè)試的時(shí)候，把對(duì)應(yīng)的向量分別 對(duì)六個(gè)結(jié)果進(jìn)行測(cè)試，然后采取投票形式，最后得到一組結(jié)果。
[0042] 投票的規(guī)則如下：
[0043] A = B = C = D = 0；
[0044] (A, B)-classifier 如果是 A win,則 A = A+1 ;othe;rwise, B = B+1 ;
[0045] (A, C)-classifer 如果是 A win,則 A