【技術實現步驟摘要】
本專利技術涉及圖像處理，具體涉及一種基于機器視覺的茶芽篩選方法。
技術介紹
1、茶葉生產機械化進程中，采茶機械正面臨嚴峻的技術挑戰。目前的采茶設備在選擇性采摘能力上普遍存在明顯短板，難以精準識別和區分新嫩茶芽，致使采摘過程中雜質混入率居高不下、采摘質量極不穩定。傳統的往復切割采摘模式不僅對茶樹造成顯著機械損傷，更嚴重挫傷了采摘效率和茶葉品質。
2、現有應用于采茶機械的茶芽篩選方法，依賴于圖像處理技術，通常包括茶芽的識別、分割和定位等步驟。當前技術在復雜的自然環境中難以準確識別茶芽，尤其是在光照變化和背景干擾較大的情況下，導致茶芽篩選精度低。
技術實現思路
1、針對現有技術中的上述不足，本專利技術提供的一種基于機器視覺的茶芽篩選方法解決了現有技術存在茶芽篩選精度低的問題。
2、為了達到上述專利技術目的，本專利技術采用的技術方案為：一種基于機器視覺的茶芽篩選方法，包括以下步驟：
3、s1、對茶葉圖像篩選疑似芽區像素點，得到芽區顯著濾波圖像；
4、s2、對芽區顯著濾波圖像計算像素點的絨毛系數值；
5、s3、根據絨毛系數值篩選絨毛像素點，并對絨毛像素點進行分區處理，再從芽區顯著濾波圖像上截取絨毛區；
6、s4、采用特征融合單元對絨毛區的像素值和絨毛系數值進行特征融合，得到融合特征；
7、s5、對絨毛區計算芽形態值，采用分類模型對融合特征進行分類處理，基于芽形態值的特征增強，得到茶芽區域。
8、進
9、s11、計算茶葉圖像上各像素點的像素值均值；
10、s12、在茶葉圖像上，將像素值大于等于像素值均值的像素點標記為疑似芽區像素點，將其他像素點丟棄，得到芽區顯著圖像；
11、s13、在芽區顯著圖像上，將孤立的像素點丟棄，得到芽區顯著濾波圖像。
12、進一步地，s2包括以下分步驟：
13、s21、將芽區顯著濾波圖像轉換到hsi顏色空間，提取i分量；
14、s22、根據i分量，計算芽區顯著濾波圖像上每個像素點的亮度對比度；
15、s23、對芽區顯著濾波圖像灰度處理，得到每個像素點的灰度值；
16、s24、根據各個像素點的灰度值，計算芽區顯著濾波圖像上每個像素點的紋理復雜度；
17、s25、將同一像素點的亮度對比度和紋理復雜度相加，得到絨毛系數值。
18、進一步地，s22中計算亮度對比度的公式為：
19、，其中，μi為第i個像素點的亮度對比度，ii為芽區顯著濾波圖像上第i個像素點的i分量，ic為芽區顯著濾波圖像上第i個像素點鄰域范圍內的i分量均值，i為芽區顯著濾波圖像上像素點的編號。
20、進一步地，s24中計算紋理復雜度的公式為：
21、，其中，εi為第i個像素點的紋理復雜度，gi為第i個像素點的灰度值，gi,j為第i個像素點鄰域范圍內第j個像素點的灰度值，gc為鄰域范圍內的灰度值均值，i為芽區顯著濾波圖像上像素點的編號，j為鄰域范圍內像素點的編號，n為鄰域范圍的大小。
22、進一步地，s3包括以下分步驟：
23、s31、在芽區顯著濾波圖像上，將絨毛系數值大于絨毛系數閾值的像素點作為絨毛像素點；
24、s32、以一個未分區的絨毛像素點為初始生長點；
25、s33、判斷初始生長點的鄰域范圍內是否存在未分區的絨毛像素點，若是，將未分區的絨毛像素點和初始生長點歸為一個候選區，并跳轉至步驟s34，若否，則將初始生長點歸為一個候選區，并跳轉至步驟s32；
26、s34、在候選區中邊緣取一個未成為過生長點的絨毛像素點作為新生長點；
27、s35、判斷新生長點的鄰域范圍內是否存在未分區的絨毛像素點，若是，將未分區的絨毛像素點歸為該候選區，并跳轉至步驟s34，若否，則直接跳轉至步驟s34，直到候選區中所有邊緣絨毛像素點的鄰域范圍內均不存在未分區的絨毛像素點；
28、s36、跳轉至步驟s32，直到芽區顯著濾波圖像上所有絨毛像素點均有對應候選區；
29、s37、丟棄像素點數量小于數量閾值的候選區；
30、s38、對剩余每個候選區中設置最小外接矩形；
31、s39、根據最小外接矩形的位置，從芽區顯著濾波圖像截取絨毛區。
32、進一步地，s4中特征融合單元的表達式為：
33、，其中，x為融合特征，為的卷積層，a為絨毛區的像素值，b為絨毛區的絨毛系數值，為按元素相乘。
34、進一步地，s5中計算芽形態值的公式為：
35、，其中，γ為芽形態值，length為絨毛區的長度，width為絨毛區的寬度。
36、進一步地，s5中分類模型包括：cnn網絡、特征增強單元和全連接層；
37、cnn網絡的輸入端用于輸入融合特征，其輸出端與特征增強單元的第一輸入端連接；
38、特征增強單元的第二輸入端用于輸入芽形態值，其輸出端與全連接層的輸入端連接；
39、全連接層的輸出端作為分類模型的輸出端。
40、進一步地，特征增強單元的表達式為：，其中，z為特征增強單元的輸出，y為cnn網絡的輸出，γ為芽形態值。
41、綜上，本專利技術的有益效果為：
42、1、本專利技術通過對茶葉圖像篩選疑似芽區像素點，并濾波處理，有效增強茶芽區，減少其他區域的干擾。
43、2、本專利技術對芽區顯著濾波圖像計算像素點的絨毛系數值，體現每個像素點的絨毛特征情況，進一步地表征芽區特征。
44、3、本專利技術根據絨毛系數值篩選絨毛像素點，實現對絨毛像素點的分區處理，使得屬于一個茶芽的區域從芽區顯著濾波圖像上剝離出來，進一步地減少其他區域的干擾，凸顯芽區特征。
45、4、本專利技術將絨毛區的像素值和絨毛系數值進行特征融合，增強茶芽特征，提升了對茶芽形態的識別能力，提高了篩選的準確性，提高了方法在不同光照條件和復雜背景下的魯棒性。
46、5、本專利技術再對絨毛區計算芽形態值，利用分類模型對融合特征進行分類處理，再基于芽形態值進行特征增強，減低非茶芽圖像的干擾，提高篩選精度。
本文檔來自技高網...【技術保護點】
1.一種基于機器視覺的茶芽篩選方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于機器視覺的茶芽篩選方法，其特征在于，所述S1包括以下分步驟：
3.根據權利要求1所述的基于機器視覺的茶芽篩選方法，其特征在于，所述S2包括以下分步驟：
4.根據權利要求3所述的基于機器視覺的茶芽篩選方法，其特征在于，所述S22中計算亮度對比度的公式為：
5.根據權利要求3所述的基于機器視覺的茶芽篩選方法，其特征在于，所述S24中計算紋理復雜度的公式為：
6.根據權利要求1所述的基于機器視覺的茶芽篩選方法，其特征在于，所述S3包括以下分步驟：
7.根據權利要求1所述的基于機器視覺的茶芽篩選方法，其特征在于，所述S4中特征融合單元的表達式為：
8.根據權利要求1所述的基于機器視覺的茶芽篩選方法，其特征在于，所述S5中計算芽形態值的公式為：，其中，γ為芽形態值，Length為絨毛區的長度，Width為絨毛區的寬度。
9.根據權利要求1所述的基于機器視覺的茶芽篩選方法，其特征在于，所述S5中分類模型包括
10.根據權利要求9所述的基于機器視覺的茶芽篩選方法，其特征在于，所述特征增強單元的表達式為：，其中，Z為特征增強單元的輸出，Y為CNN網絡的輸出，γ為芽形態值。
...【技術特征摘要】
1.一種基于機器視覺的茶芽篩選方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于機器視覺的茶芽篩選方法，其特征在于，所述s1包括以下分步驟：
3.根據權利要求1所述的基于機器視覺的茶芽篩選方法，其特征在于，所述s2包括以下分步驟：
4.根據權利要求3所述的基于機器視覺的茶芽篩選方法，其特征在于，所述s22中計算亮度對比度的公式為：
5.根據權利要求3所述的基于機器視覺的茶芽篩選方法，其特征在于，所述s24中計算紋理復雜度的公式為：
6.根據權利要求1所述的基于機器視覺的茶芽篩選方法，其特征在于，所述s3包括以下分步驟：
...【專利技術屬性】
技術研發人員：周彥君，王浩，馬倩，楊巧玉，鄧佳，吳建，林川堯，劉小譚，葉江紅，李清，
申請(專利權)人：四川省農業機械科學研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。