[發明專利]一種基于高光譜圖像卷積神經網絡的鮮棗蟲眼檢測方法

有效

• 申請號: 202110576680.1
• 申請日: 2021-05-26
• 公開（公告）號: CN113222959B
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 馬翔;施健;周芳媛
• 申請（專利權）人: 馬翔
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/136;G06T7/11;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 成都弘毅天承知識產權代理有限公司 51230
• 代理人: 崔璐

本發明公開了一種基于高光譜圖像卷積神經網絡的鮮棗蟲眼檢測方法，采用可用于鮮棗蟲眼檢測的卷積神經網絡模型進行檢測，卷積神經網絡模型的構建方法包括如下步驟：S1，采集樣本高光譜圖像數據；S2，提取最優特征波長；S3，數據預處理；S4，利用訓練樣本集訓練卷積神經網絡模型；S5，利用模型對數據集進行分類驗證。本發明基于高光譜圖像卷積神經網絡的鮮棗蟲眼檢測方法，在選定特征波長下，通過對高光譜圖像數據的處理，無需人工干預即可實現對鮮棗蟲眼的檢測，提高了網絡模型對鮮棗蟲眼的檢測精度，解決了現有鮮棗計算機視覺檢測過程中因鮮棗表面色塊、斑點、果梗等干擾造成誤判的問題，具有簡單易行、識別高效的特點。

技術領域

本發明涉及機器視覺技術領域，尤其是涉及一種基于高光譜圖像卷積神經網絡的鮮棗蟲眼檢測方法。

背景技術

在鮮棗的生長過程中，會受到各種蟲害的侵蝕，導致鮮棗表面蟲眼及內部損傷的出現，嚴重影響了存儲和銷售。傳統的分選方法大多靠人工操作，效率低且準確率較差，無法滿足大規模儲存和銷售需求。因此，急需開發一種快速、高效、無損的檢測方法。現有利用計算機視覺進行鮮棗蟲眼檢測，易受到整個鮮棗表面的色塊、斑點、果梗等干擾，存在準確率低的問題。

現有技術中鮮棗表面蟲眼檢測主要方法有：吳龍國等利用NIR(近紅外光譜技術)高光譜成像系統結合特征波長主成分分析法結合波段比算法進行蟲眼棗識別。首先，利用NIR高光譜成像系統采集130個長棗(50個正常、80個蟲眼棗)圖像，提取并分析不同類型長棗特征區域的平均光譜曲線，對970～1670nm范圍內的光譜數據進行主成分分析，確定7個特征波長(990，1028，1109，1160，1231，1285，1464nm)。然后，對長棗圖像做主成分分析，采用主成分分析法(PCA)，選擇PC2圖像進行蟲眼識別，蟲眼與正常棗的識別率分別為67.5％、100％。為了進一步提高蟲眼棗的識別率，采用波段比(R1231/R1109)對未識別的蟲眼棗進行再次識別，識別率提高到90％。徐爽等采用近紅外高光譜成像技術對長棗表面蟲傷進行無損檢測。采用近紅外高光譜成像技術對長棗表面蟲傷進行無損檢測。在970～1630nm波長范圍內對高光譜圖像數據進行主成分分析，優選出1029nm、1109nm、1229nm、1288nm、1387nm和1467nm六個特征波長，再對特征波長下的圖像做主成分分析，得到的第三主成分圖像最適合長棗表面蟲傷提取，檢測蟲傷正確率達到84％。從上述研究來看，存在的主要問題是：上述方法通過對高光譜圖像進行主成分分析，選出多個特征波長后，需要人工挑選特征最明顯的特征波長進行后續分析。且對蟲眼的識別也依靠人工識別，尚未達到自動檢測。

發明內容

有鑒于此，本發明的目的是針對現有技術的不足，提供一種基于高光譜圖像卷積神經網絡的鮮棗蟲眼檢測方法，解決了現有鮮棗計算機視覺檢測過程中因鮮棗表面色塊、斑點、果梗等干擾造成誤判的問題，具有簡單易行、識別高效的特點。

為達到上述目的，本發明采用以下技術方案：一種基于高光譜圖像卷積神經網絡的鮮棗蟲眼檢測方法，采用可用于鮮棗蟲眼檢測的卷積神經網絡模型進行檢測，該可用于鮮棗蟲眼檢測的卷積神經網絡模型的構建方法包括如下步驟：S1，采集樣本高光譜圖像數據；S2，提取最優特征波長；S3，數據預處理；S4，利用訓練樣本集訓練卷積神經網絡模型；S5，利用模型對數據集進行分類驗證；

S2提取最優特征波長是基于鮮棗蟲眼光譜特性，提出一種基于粒子群算法的最優特征波長快速提取算法，具體包括如下步驟：S2.1，從樣本集中抽取全光譜鮮棗蟲眼區域3*3像素高光譜數據均值構成矩陣A

及鮮棗正常區域3*3像素高光譜數據均值構成矩陣C

其中a_nm為第n個樣本的第m波段蟲眼區域高光譜數據均值，c_nm為第n個樣本的第m波段正常區域高光譜數據均值；