[发明专利]一种农作物分析系统和分析方法

权利要求书

1.一种农作物分析系统，其特征在于，包括质量分析子系统，所述质量分析子系统包括

农作物图像处理模块，用于处理包含多粒农作物信息的扫描图像，分析出图像中农作物的形状、类别信息；

农作物质量判定模块，用于预测多粒农作物的实际质量，基于强监督学习技术，依据多粒农作物的形状和所属类别信息结合所述的样本标注子系统提供的标注信息，推算出农作物的实际质量。

2.根据权利要求1所述的一种农作物分析系统，其特征在于，所述农作物图像处理模块包括

图像扫描设备，用于对设定量的农作物样本进行多角度的图像扫描；

图像处理单元，用于对农作物外表扫描图像做图像处理，包括图像归一化、多图像匹准，计算出图像中多粒农作物的形状和所属类别信息。

3.根据权利要求1所述的一种农作物分析系统，其特征在于，还包括形状分析子系统，所述形状分析子系统包括

计算机视觉处理模块，用于获取多角度的农作物外表扫描图像，对农作物外表扫描的图像做图像预处理，获得单个农作物的图像；

人工智能处理模块，用于对所述农作物的图像进行处理获得图像的高维特征值并进行统计组合获得多个维度特征值，进而计算出农作物在图像中的模板信息，最后依据模板信息拟合并显示出农作物的轮廓信息。

4.根据权利要求3所述的一种农作物分析系统，其特征在于，所述计算机视觉处理模块包括依次设置的

图像扫描设备，用于对设定量的农作物样本进行图像扫描，获得多角度的农作物外表扫描图像；

图像处理单元，用于对农作物外表扫描图像做图像预处理，最终将多颗农作物的图像分割成多张单个农作物的图像；所述图像处理单元包括滤波算法子单元和边缘信号增强子单元，所述滤波算法子单元用于滤除图像中干扰信号，所述边缘信号增强子单元用于多角度的农作物外表扫描图像的配准。

5.根据权利要求4所述的一种农作物分析系统，其特征在于，所述人工智能处理模块包括依次设置的

深度卷积网络模型，用于将获取的单个农作物的图像转换成图像对应的高维特征值；

神经网络单元，用于统计所述高维特征值，并组合形成多个维度特征值；

计算显示单元，用于根据多个维度特征值计算出农作物在所述图像中的模板信息，并依据模板信息拟合并显示出农作物的轮廓信息。

6.根据权利要求5所述的一种农作物分析系统，其特征在于，所述深度卷积网络模型还包括通道剪枝子单元，用于压缩图像的冗余特征通道。

7.一种农作物分析方法，其特征在于，对质量的分析包括以下步骤：

S1、农作物图像处理模块处理记录多粒农作物信息的扫描图像，分析出图像中多个农作物的形状、类别信息；

S2、农作物质量判定模块通过多粒农作物的形状和所属类别信息结合标注信息，基于强监督学习技术，训练农作物质量判定模块；

S3、农作物质量判定模块训练完成后，接收农作物图像处理模块输出的多粒农作物的形状和所属类别信息，输出农作物的质量信息。

8.根据权利要求7所述的一种农作物分析方法，其特征在于，对质量的分析的步骤S1具体包括以下步骤：

S11、图像扫描设备对设定量的农作物样本进行多角度的图像扫描；

S12、图像处理单元，用于对农作物外表扫描图像做图像处理，包括图像归一化、多图像匹准，计算出图像中多粒农作物的形状和所属类别信息。

9.根据权利要求7所述的一种农作物分析方法，其特征在于，还包括对形状分析，具体包括以下步骤：

S1、获取多个角度的农作物外表扫描图像后，对外表扫描的图像做图像预处理，然后获得单个农作物的图像；

S2、对所述农作物的图像进行处理获得图像的高维特征值并进行统计组合获得多个维度特征值，进而计算出农作物在图像中的模板信息，最后依据模板信息拟合并显示出农作物的轮廓信息。

10.根据权利要求9所述的一种农作物分析方法，其特征在于，形状分析中步骤S1具体包括步骤：

S11、所述计算机视觉处理模块中的图像扫描设备对设定量的农作物样本进行图像扫描，获得多角度的农作物外表扫描图像；

S12、所述计算机视觉处理模块中的图像处理单元对农作物外表扫描图像做图像预处理，最终将多颗农作物的图像分割成多张单个农作物的图像；所述图像处理单元包括滤波算法和边缘信号增强算法，滤波算法滤除图像中的干扰信号，边缘信号增强算法用于多角度的农作物外表扫描图像的配准；

步骤S12中的分割方法具体为：

S121、对农作物外表扫描图像进行标注；

S122、对深度卷积网络模型的目标检测模块训练；获得深度卷积网络模型后，用基于pycaffe的训练框架对标注数据进行训练，获得模型权重；

S123、深度卷积网络模型进行寻优处理，获得最优模型；

S124、使用最优模型处理采样图像，得到图像中多个单颗农作物图像；

S125、对单个农作物的图像样本进行形状分析；

步骤S123中，寻优处理的具体步骤为：

S1231、选定寻优数据集；

S1232、设定好评价标准；

S1233、深度学习模型的权重集合依次在寻优数据集上推理，得到性能指标最高的模型。