[發(fā)明專利]多策略糧蟲視覺檢測方法

有效

• 申請?zhí)枺?/td>: 201710053006.9
• 申請日: 2017-01-24
• 公開（公告）號: CN106815819B
• 公開（公告）日: 2019-08-13
• 發(fā)明（設(shè)計(jì)）人: 王貴財(cái);靳小波;費(fèi)選;李磊;魏蔚
• 申請（專利權(quán)）人: 河南工業(yè)大學(xué)
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/10;G06T5/30;G06T5/50;G06T7/11;G06T7/194
• 代理公司: 鄭州異開專利事務(wù)所(普通合伙) 41114
• 代理人: 韓華

本發(fā)明公開了一種多策略糧蟲視覺檢測方法，一、獲取所述糧蟲圖像；二、對糧蟲圖像進(jìn)行奇異值分解得到圖像數(shù)據(jù)矩陣；三、采用symN小波基對糧蟲圖像進(jìn)行2層小波分解和重構(gòu)；四、采用Otsu方法對糧蟲圖像進(jìn)行二值化；五、對二值圖像膨脹運(yùn)算；六、基于Blob算法對二值化后的糧蟲圖像進(jìn)行Blob連通域分析，從而達(dá)到糧蟲檢測目的。本發(fā)明解決了傳統(tǒng)人工儲糧活蟲檢測非常耗時(shí)且效率很低的問題，通過面積參數(shù)和周長參數(shù)進(jìn)行快速、準(zhǔn)確、無損自動檢測糧蟲；同時(shí)解決了現(xiàn)有糧蟲視覺檢測方法無法克服糧倉復(fù)合環(huán)境影響的問題，實(shí)現(xiàn)了既能準(zhǔn)確檢測糧蟲數(shù)目又能精確標(biāo)記糧蟲位置目的。

技術(shù)領(lǐng)域

本發(fā)明涉及糧蟲視覺檢測方法，尤其是涉及多策略糧蟲視覺檢測方法。

背景技術(shù)

糧蟲危害是糧食儲藏中較為嚴(yán)重的問題之一，糧蟲準(zhǔn)確檢測是進(jìn)行糧蟲綜合防治的一種有效手段。糧蟲檢測方法有扦樣法、誘集法、聲音識別法、近紅外法和視覺檢測法等。自從美國學(xué)者Zayas采用視覺檢測技術(shù)對散裝小麥倉中的谷蠹成蟲進(jìn)行離線研究，為糧蟲的快速檢測和分類開辟了新途徑。視覺檢測法具有準(zhǔn)確度高、勞動量小、糧蟲圖像可視化、不局限于糧庫的分散性和地域的限制、便于同糧庫現(xiàn)有軟件系統(tǒng)集成等優(yōu)點(diǎn)，近年來一直是糧蟲檢測領(lǐng)域的研究熱點(diǎn)，也是糧蟲檢測的主要技術(shù)手段。

準(zhǔn)確識別是糧蟲準(zhǔn)確檢測的核心內(nèi)容。糧蟲種類多、體形小且形態(tài)結(jié)構(gòu)較復(fù)雜使得實(shí)現(xiàn)糧蟲檢測成為最困難的經(jīng)典問題。學(xué)者們針對糧蟲視覺檢測方法圍繞特征獲取、糧蟲識別(糧蟲分類)和蟲群密度估計(jì)等領(lǐng)域開展了大量而深入的研究并取得若干富有成效的結(jié)果。例如廉飛宇等分別利用圖像色彩塊、HVS彩色圖像差值技術(shù)和運(yùn)動目標(biāo)檢測實(shí)現(xiàn)糧蟲視頻圖像序列的靜態(tài)糧蟲圖像分割提取。又如徐昉等提出基于圖像識別的糧蟲在線檢測新方法,將機(jī)器視覺與模式識別技術(shù)相結(jié)合實(shí)現(xiàn)糧蟲檢測，利用安裝有CCD鏡頭和稱重等傳感器的特殊取樣裝置抽取糧食樣本并實(shí)現(xiàn)糧蟲檢測。再如張紅梅等也對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)并應(yīng)用于糧蟲識別，既有較強(qiáng)的自適應(yīng)性還對有噪聲、殘缺的糧蟲圖像有一定的識別效果。

近年來糧蟲視覺檢測雖取得一些進(jìn)展，但急切需要一種高效便捷的計(jì)算機(jī)測蟲方法，旨在利用開發(fā)工具和圖像處理算法的優(yōu)點(diǎn)，來實(shí)現(xiàn)對糧蟲的高效準(zhǔn)確的檢測。

發(fā)明內(nèi)容

本發(fā)明目的在于提供一種高效準(zhǔn)確的多策略糧蟲視覺檢測方法。

為實(shí)現(xiàn)上述目的，本發(fā)明采取下述技術(shù)方案：

本發(fā)明所述的多策略糧蟲視覺檢測方法，包括下述步驟；

第一步、通過取樣器將藏在糧堆內(nèi)部的活體糧蟲分揀出來，然后通過視覺設(shè)備將所述活體糧蟲拍攝以獲取所述糧蟲圖像；

第二步、對所述糧蟲圖像進(jìn)行奇異值分解得到圖像數(shù)據(jù)矩陣,其中U和V分別是和的正交矩陣，為的元素為非負(fù)的對角矩陣，為V的轉(zhuǎn)置；將值全置為0形成新的，然后與和重建圖像數(shù)據(jù)矩陣；最后通過對圖像數(shù)據(jù)矩陣求差，以增強(qiáng)圖像中的糧蟲信息；

第三步、采用symN小波基對所述糧蟲圖像進(jìn)行2層小波分解和重構(gòu)；根據(jù)小波分解子帶分解系數(shù)相關(guān)性的特性，對大于閾值的高頻系數(shù)倍乘4，低頻系數(shù)縮小為原值的；即：

其中，為新低頻子帶系數(shù)；為新水平高頻子帶系數(shù)；為新垂直高頻子帶系數(shù)；為對角線方向上的新高頻子帶系數(shù)；為原始低頻子帶系數(shù)；為原始水平高頻子帶系數(shù)；為原始垂直高頻子帶系數(shù)；為對角線方向上的原始高頻子帶系數(shù)；

對于圖像來說，其離散二維小波多尺度分解算法如下：設(shè)原始圖像為，dwt2為二維離散小波變換；小波分解為：

其中，為原始低頻子帶系數(shù)；為原始水平高頻子帶系數(shù)；為原始垂直高頻子帶系數(shù)；為對角線方向上的原始高頻子帶系數(shù)；為待分解糧蟲圖像；

其離散二維小波多尺度重建算法如下：