[发明专利]一种玉米果穗机械损伤区域识别方法

说明书

本发明提供一种玉米果穗机械损伤区域识别方法，包括：S1、将玉米果穗图像分成图像小块，获取玉米果穗图像小块数据集；S2、根据图像小块数据集中各图像小块的归一化特征，利用支持向量机确定候选区域小块；S3、利用卷积神经网络模型确定候选区域小块中的机械损伤区域。本发明提供的一种玉米果穗机械损伤区域识别方法，通过支持向量机在玉米果穗图像中选出候选区域，并通过卷积神经网络模型进行进一步识别，能快速、准确地识别玉米果穗机械损伤区域，提高了玉米果穗机械损伤区域识别的速度和准确度，满足玉米考种需求。

技术领域

本发明涉及模式识别技术领域，更具体地，涉及一种玉米果穗机械损伤区域识别方法。

背景技术

目前，玉米果穗机械损伤区域识别是玉米果穗缺陷检测中的基础项目。玉米果穗在机械采收运输过程中不可避免的会产生机械损伤，人工评判玉米果穗机械损伤状况工作量大，难以量化，一般只能给出机械损伤状况分级。

利用计算机视觉对玉米果穗机械损伤区域进行识别可以很好地代替人工劳动力，有效提高识别效率。基于机器学习进行玉米果穗图像机械损伤区域的自动识别主要问题在于容易受到光照影响，将高光区域错分为机械损伤区域，导致较低的分类精度。

发明内容

为了克服现有玉米果穗机械损伤区域识别技术存在的识别准确度不高的不足，本发明提供一种玉米果穗机械损伤区域识别方法。

本发明提供一种玉米果穗机械损伤区域识别方法，包括：S1、将玉米果穗图像分成图像小块，获取玉米果穗图像小块数据集；S2、根据所述图像小块数据集中各图像小块的归一化特征，利用支持向量机确定候选区域小块；S3、利用卷积神经网络模型确定所述候选区域中的机械损伤区域。

优选地，所述步骤S2进一步包括：S21、提取所述图像小块数据集的训练集中各图像小块的所述归一化特征，对所述支持向量机进行训练；S22、利用训练完成的所述支持向量机确定所述测试集中的候选区域。

优选地，所述步骤S3进一步包括：S31、根据所述训练集调整所述卷积神经网络模型的权值，训练所述卷积神经网络模型；S32、根据训练完成的所述卷积神经网络确定所述候选区域小块中的机械损伤区域。

优选地，所述归一化特征根据颜色特征和纹理特征生成。

优选地，所述步骤S21具体包括：获取所述训练集中各图像小块的所述归一化特征的值，将所述训练集中的各图像小块映射为特征空间中的点；所述特征空间由所述归一化特征构成；根据所述训练集确定所述候选区域的划分平面；在所述特征空间中，位于所述划分平面第一侧的点对应包含正常区域的图像小块，位于所述划分平面第二侧的点包含对应机械损伤区域的图像小块。

优选地，所述步骤S22具体包括：获取所述训练集中各图像小块的所述归一化特征的值，将所述测试集中的各图像小块映射为特征空间中的点；将所述特征空间中，位于所述划分平面第二侧的点对应的图像小块确定为所述候选区域。

优选地，所述步骤S32具体包括：将所述候选区域小块输入所述训练完成的所述卷积神经网络模型，获取所述候选区域小块的分类概率值；将所述分类概率值大于概率阈值的所述候选区域小块确定为机械损伤区域。

优选地，所述步骤S1之前还包括：S0、对玉米果穗图像进行预处理。

优选地，所述步骤S0进一步包括：S01、扩充玉米果穗图像数据集包含的玉米果穗角度和亮度范围；S02、对扩充后的玉米果穗图像数据集进行图像增强。

优选地，所述步骤S02具体包括：采用至少一种基于Retinex理论的算法，对扩充后的玉米果穗图像数据集进行图像增强。