[實用新型]多光譜視覺成像大葉農(nóng)作物葉片分級系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201520417843.1
• 申請日: 2015-06-16
• 公開（公告）號: CN205158399U
• 公開（公告）日: 2016-04-13
• 發(fā)明（設(shè)計）人: 魏倩;王巖松;王鄭
• 申請（專利權(quán)）人: 征圖新視（江蘇）科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京清亦華知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11201
• 代理人: 張大威

技術(shù)領(lǐng)域

本實用新型涉及大葉農(nóng)作物葉片分級技術(shù)領(lǐng)域，特別涉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)

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)量分級的手段仍舊以人工為主，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。

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(yīng)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(以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莠不齊，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

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。

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。

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，以得到所述待分 類的大葉農(nóng)作物葉片的等級。

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)這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。

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)還可以具有如 下附加的技術(shù)特征：

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，以及根據(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，以及根據(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，以及提取所述大葉農(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。

在一些示例中，所述灰度圖像可通過如下公式計算：

Y＝0.30R+0.59G+0.11B。

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 理熵、紋理對比度、紋理自相關(guān)、紋理能量、紋理逆矩差。

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。

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

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：

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；