[發(fā)明專利]一種基于圖像分塊的糧倉害蟲檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810601485.8
• 申請(qǐng)日: 2018-06-12
• 公開（公告）號(hào): CN108875825B
• 公開（公告）日: 2022-01-25
• 發(fā)明（設(shè)計(jì)）人: 李磊;董卓莉;費(fèi)選;張永威;王峰
• 申請(qǐng)（專利權(quán)）人: 河南工業(yè)大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/774;G06V10/50
• 代理公司: 鄭州睿信知識(shí)產(chǎn)權(quán)代理有限公司 41119
• 代理人: 崔旭東

1.一種基于圖像分塊的糧倉害蟲檢測(cè)方法，其特征在于，包括如下步驟：

對(duì)糧倉內(nèi)圖像集進(jìn)行標(biāo)注，劃分成多個(gè)樣本區(qū)域塊，并調(diào)整至預(yù)設(shè)大小；提取調(diào)整后的每個(gè)樣本區(qū)域塊的HOG特征，輸入SVM分類器進(jìn)行訓(xùn)練，得到訓(xùn)練好的SVM模型；

按照預(yù)設(shè)大小對(duì)待檢測(cè)糧倉內(nèi)圖像分別進(jìn)行四次分塊處理，首次分塊處理，得到相應(yīng)個(gè)數(shù)的區(qū)域塊；按照預(yù)設(shè)大小對(duì)待檢測(cè)糧倉內(nèi)圖像進(jìn)行三次偏移分塊處理，使得首次分塊處理得到的區(qū)域塊的任一邊界部分必定落入至少一次偏移分塊處理形成的區(qū)域塊中；并記錄四次分塊處理后各區(qū)域塊之間的空間關(guān)系；

四次分塊處理為：首次分塊處理時(shí)，按照預(yù)設(shè)大小x×y，從待檢測(cè)糧倉內(nèi)圖像的行和列的起始位置開始，對(duì)待檢測(cè)糧倉內(nèi)圖像進(jìn)行分塊處理，得到相應(yīng)個(gè)數(shù)的區(qū)域塊集；第二次分塊處理時(shí)，按照預(yù)設(shè)大小x×y，從待檢測(cè)糧倉內(nèi)圖像的行的起始位置、列的偏移k₂個(gè)像素位置開始，對(duì)待檢測(cè)糧倉內(nèi)圖像進(jìn)行分塊處理，得到相應(yīng)個(gè)數(shù)的區(qū)域塊；第三次分塊處理時(shí)，按照預(yù)設(shè)大小x×y，從待檢測(cè)糧倉內(nèi)圖像的列的起始位置、行的偏移k₁個(gè)像素位置開始，對(duì)待檢測(cè)糧倉內(nèi)圖像進(jìn)行分塊處理，得到相應(yīng)個(gè)數(shù)的區(qū)域塊；第四次分塊處理時(shí)，按照設(shè)定大小x×y，從待檢測(cè)糧倉內(nèi)圖像的行的偏移k₁個(gè)像素位置、列的偏移k₂個(gè)像素位置開始，對(duì)待檢測(cè)糧倉內(nèi)圖像進(jìn)行分塊處理，得到相應(yīng)個(gè)數(shù)的區(qū)域塊；其中，1k₁x，1k₂ y；

提取每個(gè)區(qū)域塊的HOG特征，輸入訓(xùn)練好的SVM模型，進(jìn)行多尺度HOG對(duì)象檢測(cè)，得到每個(gè)區(qū)域塊的檢測(cè)結(jié)果：在檢測(cè)過程中，每個(gè)區(qū)域塊會(huì)生成多個(gè)檢測(cè)邊界框，針對(duì)重疊且不在區(qū)域塊邊界區(qū)域的檢測(cè)邊界框，兩兩計(jì)算IOU值，若該IOU值大于指定的閾值，則合并兩個(gè)邊界框；

若檢測(cè)邊界框處于區(qū)域塊的邊界區(qū)域，首先在四次分塊結(jié)果中取出與此檢測(cè)邊界框相互重疊的區(qū)域塊，根據(jù)檢測(cè)邊界框所處的位置信息，查詢完全覆蓋此檢測(cè)邊界框的區(qū)域塊的檢測(cè)結(jié)果，若有對(duì)應(yīng)的檢測(cè)邊界框，則認(rèn)為害蟲被分裂，取出其他與之相關(guān)的檢測(cè)邊界框；將所有檢測(cè)邊界框映射到原始的待檢測(cè)糧倉內(nèi)圖像上，得到原始的待檢測(cè)糧倉內(nèi)圖像的檢測(cè)邊界框，再次兩兩計(jì)算重疊檢測(cè)邊界框的IOU值，并根據(jù)結(jié)果進(jìn)行合并，從而得到最終的檢測(cè)結(jié)果；

根據(jù)每個(gè)區(qū)域塊之間的空間關(guān)系，將每個(gè)區(qū)域塊的檢測(cè)結(jié)果進(jìn)行整合，得到待檢測(cè)糧倉內(nèi)圖像的害蟲檢測(cè)結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于圖像分塊的糧倉害蟲檢測(cè)方法，其特征在于，k₁=x/2，k₂=y/2。

3.根據(jù)權(quán)利要求1所述的基于圖像分塊的糧倉害蟲檢測(cè)方法，其特征在于，所述對(duì)糧倉內(nèi)圖像進(jìn)行標(biāo)注，劃分成多個(gè)區(qū)域塊，并調(diào)整至預(yù)設(shè)大小包括：

使用矩形框提取糧倉內(nèi)圖像集中的包含害蟲的區(qū)域塊，作為正樣本，提取未包含害蟲的區(qū)域塊作為負(fù)樣本，并將正樣本和負(fù)樣本調(diào)整至預(yù)設(shè)大小。

4.根據(jù)權(quán)利要求3所述的基于圖像分塊的糧倉害蟲檢測(cè)方法，其特征在于，還包括：將得到調(diào)整后的正樣本和負(fù)樣本進(jìn)行反轉(zhuǎn)、旋轉(zhuǎn)、顏色變換，得到正樣本區(qū)域塊和負(fù)樣本區(qū)域塊。

5.根據(jù)權(quán)利要求4所述的基于圖像分塊的糧倉害蟲檢測(cè)方法，其特征在于，提取正樣本區(qū)域塊的特征和負(fù)樣本區(qū)域塊的特征后，結(jié)合正樣本和負(fù)樣本的標(biāo)記，形成樣本特征矩陣，將樣本特征矩陣輸入SVM分類器進(jìn)行訓(xùn)練。