[發(fā)明專(zhuān)利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的甘蔗胚芽分類(lèi)系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201910065900.7
• 申請(qǐng)日: 2019-01-24
• 公開(kāi)（公告）號(hào): CN109754022B
• 公開(kāi)（公告）日: 2023-06-13
• 發(fā)明（設(shè)計(jì)）人: 宋華寧;彭建盛;陀念楊;何奇文
• 申請(qǐng)（專(zhuān)利權(quán)）人: 河池學(xué)院
• 主分類(lèi)號(hào): G06V10/764
• 分類(lèi)號(hào): G06V10/764;G06V10/82;G06N3/0464
• 代理公司: 北京天奇智新知識(shí)產(chǎn)權(quán)代理有限公司 11340
• 代理人: 譚連香

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其是一種基于卷積神經(jīng)網(wǎng)絡(luò)的甘蔗胚芽分類(lèi)系統(tǒng)，包括圖片樣本建立模塊、學(xué)習(xí)模塊、訓(xùn)練模塊、甘蔗胚芽獲取模塊及識(shí)別比較模塊；所述圖片樣本建立模塊用于將多張已知完好或破損的甘蔗胚芽圖片樣本的導(dǎo)入；所述學(xué)習(xí)模塊用于對(duì)圖片進(jìn)行處理，并通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)樣本內(nèi)的圖片特征進(jìn)行訓(xùn)練學(xué)習(xí)，以獲得完好數(shù)據(jù)網(wǎng)絡(luò)模型及破損數(shù)據(jù)網(wǎng)絡(luò)模型；所述誤差控制模塊用于通過(guò)交叉熵函數(shù)降低所述卷積神經(jīng)子模塊訓(xùn)練學(xué)習(xí)的誤差值；所述甘蔗胚芽獲取模塊用于獲取所需識(shí)別甘蔗胚芽的圖片；所述識(shí)別比較模塊通過(guò)所述學(xué)習(xí)模塊識(shí)別甘蔗胚芽的好壞；本發(fā)明能夠自主地學(xué)習(xí)甘蔗胚芽圖像的特征，達(dá)到識(shí)別分類(lèi)甘蔗胚芽圖像的效果。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其是一種基于卷積神經(jīng)網(wǎng)絡(luò)的甘蔗胚芽分類(lèi)系統(tǒng)。

背景技術(shù)

甘蔗是一種蔗糖原料作物，主要通過(guò)莖芽來(lái)繁殖新植株。在甘蔗種植過(guò)程中，需要對(duì)甘蔗的胚芽進(jìn)行識(shí)別，剔除掉牙、死芽、爛芽等各種壞的胚芽。根據(jù)不完全統(tǒng)計(jì)，在甘蔗種植時(shí)因選種不好和不能準(zhǔn)確分類(lèi)甘蔗胚芽是好是壞的蔗種，致使生產(chǎn)成本大大提高，導(dǎo)致甘蔗經(jīng)濟(jì)效益降低，而導(dǎo)致這種情況發(fā)生的原因之一是目前國(guó)內(nèi)甘蔗種植機(jī)械無(wú)法對(duì)甘蔗種的胚芽進(jìn)行識(shí)別，傳統(tǒng)的識(shí)別方法是通過(guò)依靠人眼觀察，但是人工識(shí)別受視力、眼疲勞的多種因素的影響，受到主觀意識(shí)的影響，識(shí)別沒(méi)有定量的標(biāo)準(zhǔn)，識(shí)別結(jié)果不準(zhǔn)確而且不客觀。

目前現(xiàn)有的技術(shù)是通過(guò)甘蔗胚芽圖像的顏色特征以及形狀特征，利用圖像處理技術(shù)對(duì)胚芽圖像進(jìn)行分割算法試驗(yàn)，并提出了改善的8點(diǎn)等效最大內(nèi)切圓分離和定位甘蔗胚芽的方法；或者利用Matlab計(jì)算檢測(cè)胚芽邊緣，并與完好的胚芽邊緣進(jìn)行比較，以此來(lái)區(qū)分完好與破損的甘蔗胚芽，達(dá)到分類(lèi)的目的。但是上述所研究的圖像識(shí)別分類(lèi)方法技術(shù)，不僅識(shí)別算法高深難懂，計(jì)算任務(wù)艱巨難以做到，而且適用性不強(qiáng)，泛化能力差，存在較大的局限性。

發(fā)明內(nèi)容

為了解決上述問(wèn)題，本發(fā)明提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的甘蔗胚芽分類(lèi)系統(tǒng)，能夠自主地學(xué)習(xí)甘蔗胚芽圖像的特征，從而達(dá)到識(shí)別分類(lèi)甘蔗胚芽圖像的效果。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：

一種基于卷積神經(jīng)網(wǎng)絡(luò)的甘蔗胚芽分類(lèi)系統(tǒng)，包括圖片樣本建立模塊、學(xué)習(xí)模塊、誤差控制模塊、甘蔗胚芽獲取模塊、識(shí)別比較模塊及識(shí)別結(jié)果顯示模塊，

所述圖片樣本建立模塊用于多張已知完好或破損的甘蔗胚芽圖片樣本的導(dǎo)入，并根據(jù)甘蔗胚芽圖片的完好性及破損性分為完好樣本及破損樣本；

所述學(xué)習(xí)模塊包括圖片編碼子模塊、圖片處理子模塊及卷積神經(jīng)子模塊，

所述圖片編碼子模塊用于所述完好樣本及所述破損樣本內(nèi)每一張圖片的自動(dòng)編碼，以使所述完好樣本內(nèi)的圖片具有完好標(biāo)簽及所述破損樣本內(nèi)的圖片具有破損標(biāo)簽；

所述圖片處理子模塊用于所述完好樣本及所述破損樣本內(nèi)的圖片格式的轉(zhuǎn)換，并將每一圖片轉(zhuǎn)換為相同的格式；

所述卷積神經(jīng)子模塊用于通過(guò)卷積神經(jīng)網(wǎng)絡(luò)獲取所述圖片處理子模塊內(nèi)的特征圖像，并分別對(duì)所述完好樣本及所述破損樣本內(nèi)的圖片特征進(jìn)行訓(xùn)練學(xué)習(xí)，以獲得完好數(shù)據(jù)網(wǎng)絡(luò)模型及破損數(shù)據(jù)網(wǎng)絡(luò)模型，所述完好數(shù)據(jù)網(wǎng)絡(luò)模型包括所述完好樣本的圖片特征，所述破損數(shù)據(jù)網(wǎng)絡(luò)模型包括所述破損樣本內(nèi)的圖片特征；

所述誤差控制模塊用于通過(guò)交叉熵函數(shù)降低所述卷積神經(jīng)子模塊訓(xùn)練學(xué)習(xí)的誤差值；

所述甘蔗胚芽獲取模塊包括甘蔗胚芽掃描子模塊及掃描圖片適配子模塊，所述甘蔗胚芽掃描子模塊用于所需分類(lèi)甘蔗胚芽的掃描，并將掃描數(shù)據(jù)生成圖片；所述掃描圖片適配子模塊用于所述甘蔗胚芽掃描子模塊圖片格式的轉(zhuǎn)換，以獲得與所述圖片處理子模塊匹配的圖片格式；