[发明专利]一种基于图像处理的桑蚕蚕病识别系统及识别方法在审

专利信息
申请号: 202211520240.5 申请日: 2022-11-30
公开(公告)号: CN115810201A 公开(公告)日: 2023-03-17
发明(设计)人: 周前;岳振宇;史浩远;徐涛;徐嘉俊;高皖陵;赵俊 申请(专利权)人: 安徽农业大学
主分类号: G06V40/10 分类号: G06V40/10;G06V10/46;G06V10/54;G06V10/764;G06V10/774
代理公司: 合肥律众知识产权代理有限公司 34147 代理人: 殷娟
地址: 230000 安徽*** 国省代码: 安徽;34
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 图像 处理 桑蚕 识别 系统 方法
【权利要求书】:

1.一种基于图像处理的桑蚕蚕病识别系统,其特征在于:包括服务器,用于采集各蚕病类型对应蚕病图像形成训练图像集的蚕病图像获取模块,用于对蚕病图像进行图像扩充形成扩充图像集的蚕病图像扩充模块,用于采集待识别图像的待识别图像获取模块,以及用于对训练图像集、扩充图像集和待识别图像进行预处理的图像预处理模块;

所述服务器通过特征向量提取模块对预处理图像提取特征向量,并利用蚕病图像标记模块对预处理后的训练图像集、扩充图像集进行分类标记,所述服务器通过蚕病识别模型构建模块、识别验证模型构建模块分别构建蚕病识别模型、识别验证模型,并利用蚕病识别模型训练模块基于分类标记后的训练图像集对蚕病识别模型进行模型训练,同时利用识别验证模型训练模块基于分类标记后的扩充图像集对识别验证模型进行模型训练;

所述服务器通过识别结果获取模块基于训练好的蚕病识别模型获取关于待识别图像的蚕病识别结果,并利用识别结果验证模块基于训练好的识别验证模型获取关于待识别图像的识别验证结果,所述服务器通过识别结果输出模块基于识别验证结果输出关于待识别图像的最终蚕病识别结果。

2.根据权利要求1所述的基于图像处理的桑蚕蚕病识别系统,其特征在于:所述特征向量提取模块对预处理图像提取特征向量,包括:

确定图像中的检测区域,计算检测区域内的像素,对像素进行排序,并选取中间像素替换周围像素;

计算检测区域内每个cell的直方图,并对直方图进行归一化处理;

将每个cell的统计直方图进行连接,得到整幅图像的LBP纹理特征向量。

3.根据权利要求2所述的基于图像处理的桑蚕蚕病识别系统,其特征在于:所述蚕病识别模型训练模块基于分类标记后的训练图像集对蚕病识别模型进行模型训练,包括:

将训练图像集中的蚕病图像,以及蚕病图像对应的分类标签、特征向量输入蚕病识别模型进行模型训练。

4.根据权利要求3所述的基于图像处理的桑蚕蚕病识别系统,其特征在于:所述识别结果获取模块基于训练好的蚕病识别模型获取关于待识别图像的蚕病识别结果,包括:

对待识别图像的特征向量与训练图像集中蚕病图像对应的特征向量进行相似度计算,并对相似度值进行排序,按从高到低的顺序选取排列前M个蚕病图像对应的分类标签输出。

5.根据权利要求4所述的基于图像处理的桑蚕蚕病识别系统,其特征在于:所述识别验证模型训练模块基于分类标记后的扩充图像集对识别验证模型进行模型训练,包括:

选取多张分类标记为同一蚕病类型的蚕病图像对应的扩充图像集,将每个扩充图像集中各扩充图像及对应的分类标签、特征向量输入识别验证模型进行模型训练,得到该类蚕病对应的识别验证模型。

6.根据权利要求5所述的基于图像处理的桑蚕蚕病识别系统,其特征在于:所述蚕病图像扩充模块对蚕病图像进行图像扩充形成扩充图像集,包括:

将各蚕病图像随机旋转不同角度,得到多张不同旋转角度的扩充图像,形成与该蚕病图像对应的扩充图像集。

7.根据权利要求6所述的基于图像处理的桑蚕蚕病识别系统,其特征在于:所述识别结果验证模块基于训练好的识别验证模型获取关于待识别图像的识别验证结果,识别结果输出模块基于识别验证结果输出关于待识别图像的最终蚕病识别结果,包括:

将待识别图像随机旋转不同角度得到的多张不同旋转角度的扩充图像对应的特征向量,依次输入识别结果获取模块输出的分类标签对应的识别验证模型,得到多个特征向量的损失值;

若多个特征向量的损失值均小于阈值,则输出相应识别验证模型对应的分类标签所对应的蚕病类型。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于安徽农业大学,未经安徽农业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202211520240.5/1.html,转载请声明来源钻瓜专利网。

同类专利
专利分类
×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top