多光譜視覺成像大葉農(nóng)作物葉片分級系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本實用新型設及大葉農(nóng)作物葉片分級技術(shù)領(lǐng)域，特別設及一種多光譜視覺成像大 葉農(nóng)作物葉片分級系統(tǒng)。
【背景技術(shù)】
[0002] 大葉農(nóng)作物是一類重要的經(jīng)濟作物，在我國的農(nóng)業(yè)生產(chǎn)中占有重要的地位。在大 葉農(nóng)作物葉片的收購環(huán)節(jié)，目前大葉農(nóng)作物葉片質(zhì)量分級的手段仍舊W人工為主，存在著 勞動強度大、主觀性強、工作效率低、分級標準不易掌握、分級精度不穩(wěn)定等缺點，甚至造成 了收購分級專家的灰色利益、農(nóng)民和收購方因分級不同意見引起的質(zhì)量糾紛等問題。
[0003] 并且，大葉農(nóng)作物葉片的分組分級對人工要求很高，分級工人需要進行系統(tǒng)的專 業(yè)分級培訓，并且還要一段時間熟練技能，然后才能在分級時根據(jù)各級別大葉農(nóng)作物葉片 的視覺、觸覺、嗅覺反應做出綜合判斷。對于一般分級技術(shù)較熟練的工人，分級的效率為 60kg/(人?天）左右（W每天工作八個小時計）。分級后的大葉農(nóng)作物葉片由具有大葉 農(nóng)作物葉片等級質(zhì)量鑒別檢驗資格的人員對其進行復查，按相關(guān)分級標準進行等級質(zhì)量檢 驗，合格率為67. 55% -91. 78%不等。由此可見，人工分級的前期培訓較為復雜，培訓時間 較長，而分級的效率低下且正確率良莽不齊，對于大葉農(nóng)作物的收購和生產(chǎn)都會帶來明顯 的阻礙。 【實用新型內(nèi)容】
[0004] 本實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)作物葉片分級系 統(tǒng)，該系統(tǒng)能夠?qū)崿F(xiàn)大葉農(nóng)作物葉片的自動化分級，節(jié)省了大量人力資源，具有分級效率 高，分級客觀、準確的優(yōu)點，且該系統(tǒng)結(jié)構(gòu)簡單、操作方便。
[0006] 為了實現(xiàn)上述目的，本實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 系統(tǒng)，包括：采樣模塊，所述采樣模塊用于獲取不同等級的大葉農(nóng)作物葉片訓練樣本，其中， 所述訓練樣本包括不同等級的大葉農(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；訓練模塊，所述訓練模塊用于根據(jù)所述特征信息訓練分類器；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)所述分類器對所述待分類的大葉農(nóng)作物葉片的特征信息進行分類，W得到所述待分類 的大葉農(nóng)作物葉片的等級。
[0007] 根據(jù)本實用新型的多光譜視覺成像大葉農(nóng)作物葉片分級系統(tǒng)，從不同等級的大葉 農(nóng)作物葉片訓練樣本的多光譜圖像中提取特征信息，然后根據(jù)運些特征信息訓練分類器， 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)過分類器計算后得到待分類大 葉農(nóng)作物葉片的等級。因此，該系統(tǒng)能夠?qū)崿F(xiàn)大葉農(nóng)作物葉片的自動化分級，節(jié)省了大量人 力資源，具有分級效率高，分級客觀、準確的優(yōu)點，同時，該系統(tǒng)結(jié)構(gòu)簡單，操作方便。
[0008] 另外，根據(jù)本實用新型上述的多光譜視覺成像大葉農(nóng)作物葉片分級系統(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lab顏色信息，并根據(jù)所述偽顏色信息和真實LAB顏色 信息計算所述大葉農(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)計算灰度圖像，并根據(jù)所述灰度圖像的灰度共生矩陣計算所述大葉農(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、長軸、短軸、圓度、寬長比和葉片殘傷率。
[0014] 本實用新型的附加方面和優(yōu)點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，或通過本實用新型的實踐了解到。
【附圖說明】
[0015] 本實用新型的上述和/或附加的方面和優(yōu)點從結(jié)合下面附圖對實施例的描述中 將變得明顯和容易理解，其中：
[0016] 圖1是根據(jù)本實用新型一個實施例的多光譜視覺成像大葉農(nóng)作物葉片分級方法 的流程圖；
[0017] 圖2是根據(jù)本實用新型另一個實施例的多光譜視覺成像大葉農(nóng)作物葉片分級方 法的流程圖；
[0018] 圖3是根據(jù)本實用新型一個實施例的真實顏色特征提取算法的流程圖；W及
[0019] 圖4是根據(jù)本實用新型一個實施例的多光譜視覺成像大葉農(nóng)作物葉片分級系統(tǒng) 的結(jié)構(gòu)框圖。
【具體實施方式】
[0020] 下面詳細描述本實用新型的實施例，所述實施例的示例在附圖中示出，其中自始 至終相同或類似的標號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 考附圖描述的實施例是示例性的，僅用于解釋本實用新型，而不能理解為對本實用新型的 限制。
[0021] W下結(jié)合附圖描述根據(jù)本實用新型實施例的多光譜視覺成像大葉農(nóng)作物葉片分 級方法及系統(tǒng)。
[0022] 圖1是根據(jù)本實用新型一個實施例的多光譜視覺成像大葉農(nóng)作物葉片分級方法 的流程圖。圖2是根據(jù)本實用新型另一個實施例的多光譜視覺成像大葉農(nóng)作物葉片分級方 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，獲取不同等級的大葉農(nóng)作物葉片訓練樣本，其中，訓練樣本包括不同等 級的大葉農(nóng)作物葉片的多光譜圖像。大葉農(nóng)作物葉片訓練樣本例如為根據(jù)專業(yè)分級人員挑 選的已知級別的樣本大葉農(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對步驟S103,根據(jù)特征信息訓練分類器。 陽0%] 步驟S104,獲取待分類的大葉農(nóng)作物葉片的特征信息。
[0027] 在本實用新型的一個實施例中，步驟S104進一步包括：
[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 算）的偽顏色信息和真實LAB顏色信息，并根據(jù)偽顏色信息和真實LAB顏色信息計算大葉 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采集的四通道圖像。并在其中挑選一個最接近實物的通道圖像 作基準（參考圖像），將目標和背景分割，得到單獨的大葉農(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的時間過長，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上，獲取圖像塊區(qū)域正反面的真實a、b值，并計算表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（正反面分開計算）的RGB數(shù)據(jù)計算灰度圖像 (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算：
[0033] Υ = 0. 30R+0. 59G+0.1 IB。
[0034] 進一步地，在得到灰度圖像后，計算灰度公式矩陣，生成灰度共生矩陣時，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度方向計算特征數(shù)據(jù)，并且灰 度級別之間的灰度差為14。
[0035] 步驟3 :根據(jù)大葉農(nóng)作物葉片區(qū)域（正反面合并計算）的輪廓和殘傷率計算大葉 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、長軸、短軸、圓度、寬長比和大葉農(nóng)作物葉片殘傷率。更為具體地，殘傷率的計算公式 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（正反面分開計算）的多光譜數(shù)據(jù)，并根據(jù)多光 譜數(shù)據(jù)計算大葉農(nóng)作物葉片區(qū)域的多光譜組合特征。
[0038] 步驟S105,根據(jù)分類器對待分類的大葉農(nóng)作物葉片的特征信息進行分類，W得到 待分類的大葉農(nóng)作物葉片的等級。
[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多分類器，對于 中枯，上枯，下枯各訓練一個分類器，由于使用的訓練樣本有限，分類器的訓練樣本設為四 個級別，W中枯模型舉例，例如有中枯一，中枯二，中枯Ξ和中枯四運四個等級。W此樣本訓 練的分類器可W將測試樣本分為對應的四個級別。
[0040] 多分類器是通過組合多個二分類器構(gòu)造而成，常見的方法有one-against-one和 one-against-all兩種。本實用新型的該示例中的多分類器是根據(jù)one-against-one (-對 一法）實現(xiàn)的。其做法是在任意兩類樣本之間設計一個SVM，因此k個類別的樣本就需要設 計k化-1)/2個SVM。當對一個未知樣本進行分類時，最后得票最多的類別即為該未知樣本 的類別。
[0041] 例如，假設有A，B，C，D四類分類器。在訓練的時候選擇A，B ;A，C ;A，D巧，C化D ; C，D所對應的向量作為訓練集，然后得到六個訓練結(jié)果，在測試的時候，把對應的向量分別 對六個結(jié)果進行測試，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