基于多特征融合的茶鲜叶刺吸式损伤智能识别方法及系统

摘要: 本发明涉及农业智能检测,尤其涉及基于多特征融合的茶鲜叶刺吸式损伤智能识别方法及系统。背景技术:1、在茶鲜叶分级检测环节,基于图像识别的多特征融合技术常用于自动化...
基于多特征融合的茶鲜叶刺吸式损伤智能识别方法及系统

本发明涉及农业智能检测,尤其涉及基于多特征融合的茶鲜叶刺吸式损伤智能识别方法及系统。

背景技术:

1、在茶鲜叶分级检测环节,基于图像识别的多特征融合技术常用于自动化筛查叶片损伤状态。该技术通过采集鲜叶光学图像,同步提取表面颜色梯度、轮廓形状及边缘纹理等独立特征,利用并行拼接与固定系数加权构建多维特征向量,并输入分类模型完成损伤类型判定。该方案依赖各维度数据的线性叠加与空间距离度量,旨在通过高维特征组合实现损伤类型的机器判别。在美人茶的生产实践中,小绿叶蝉刺吸茶鲜叶是触发茶叶萎凋关键酶活性、形成美人茶特有蜜香风味的重要前提,因此对小绿叶蝉早期刺吸损伤与机械擦伤的精准区分具有重要的品质调控意义。

2、在分选产线现场巡检中,工艺工程师发现带有轻微物理擦伤的完整叶片被识别终端频繁误判为刺吸式损伤并强制分流。该现象的底层机制在于,刺吸式口器穿刺仅破坏内部细胞生理结构,宏观表皮保持连续,而现有融合模型未剥离与病理机制无关的形态维度。无实质变化的边缘特征作为冗余变量参与空间距离计算,对微弱的颜色衰减信号产生计算干涉。物理擦伤诱发的纹理突变在固定加权中被直接叠加,致使特征向量分布跨越判定阈值并侵入刺吸式损伤的决策区间。此类误判导致可加工鲜叶被持续无效剥离,压缩原料有效利用率,同时混入萎凋工段的隐性病理叶因内部失水梯度异常改变热处理过程中的热量传递路径,最终在后续加工中引发成茶风味物质的定向偏差。

技术实现思路

1、针对现有技术存在的不足,本发明的目的在于提供基于多特征融合的茶鲜叶刺吸式损伤智能识别方法及系统,通过颜色空间与纹理空间的联合异常检测提取候选损伤区域,结合多模态特征与支配关系构建偏序集筛选极大损伤区域子集,并基于病理响应进行动态加权融合分类,达到提高茶鲜叶刺吸式损伤识别准确率、实现损伤类型精准判别与自动化分拣的目的,尤其适用于美人茶鲜叶中小绿叶蝉刺吸损伤的精准识别与分级筛选。

2、为实现上述目的,本发明采用如下技术方案:

3、第一方面,本发明提供基于多特征融合的茶鲜叶刺吸式损伤智能识别方法,包括:

4、对采集的茶鲜叶图像执行预处理获取校正后图像,对所述校正后图像进行语义分割得到叶片主体掩膜,基于所述叶片主体掩膜通过颜色空间与纹理空间的联合异常检测提取并标记出初始候选损伤区域集;

5、基于所述初始候选损伤区域集与所述校正后图像,对每个所述初始候选损伤区域提取多模态特征向量,根据预设的刺吸式损伤病理特征与机械损伤物理特征定义用于比较任意两个所述初始候选损伤区域的特征向量的损伤特征支配关系;

6、根据所述多模态特征向量与所述损伤特征支配关系构建候选区域支配偏序集,通过识别所述候选区域支配偏序集中的极大元筛选出极大损伤区域子集;

7、针对所述极大损伤区域子集中的每个区域执行基于病理响应的特征动态加权融合生成自适应融合判别向量,将所述自适应融合判别向量输入判别分类器输出包含损伤类型、位置及置信度的最终损伤识别结果。

8、优选地,所述对采集的茶鲜叶图像执行预处理获取校正后图像包括:

9、通过图像采集模块获取茶鲜叶图像;

10、依次对所述茶鲜叶图像执行灰度世界白平衡算法校正、色调饱和度亮度颜色空间亮度归一化与双边滤波处理得到校正后图像,所述双边滤波的空间域标准差根据叶片纹理空间尺度确定,值域标准差根据叶片颜色渐变灰度跨度确定。

11、优选地,所述语义分割得到叶片主体掩膜包括:

12、将所述校正后图像尺寸调整为语义分割网络固定输入尺寸得到缩放后图像;

13、将所述缩放后图像输入预训练语义分割网络输出像素级分类结果;

14、提取分类为叶片类别的像素集合构建二值掩膜图像并执行形态学闭运算与孔洞填充操作,恢复至原尺寸后得到所述叶片主体掩膜。

15、优选地,所述提取并标记出初始候选损伤区域集包括:

16、将校正后图像转换至不同颜色空间并计算局部二值模式特征图谱;

17、设定颜色偏差阈值与纹理突变阈值,标记超出阈值的颜色异常像素与纹理异常像素;

18、将两者取并集执行连通域分析,剔除像素数量小于预设面积阈值的连通域后,将剩余连通域标记为初始候选损伤区域并生成集合。

19、优选地,所述提取多模态特征向量包括:

20、针对每个区域提取包含各通道均值与标准差的颜色特征集;

21、基于灰度共生矩阵计算统计量并结合局部二值模式方差构成纹理特征集;

22、计算区域面积、周长及圆形度构成形状特征集;

23、提取距叶缘距离与曲率变异度构成边缘特征集,将四类特征集顺序拼接为多模态特征向量。

24、优选地,所述损伤特征支配关系包括:

25、从多模态特征向量中提取红绿色度偏离度作为颜色特征度量,提取对比度值作为纹理特征度量;

26、对于任意两个区域,若第一区域的红绿色度偏离度与对比度值均大于或等于第二区域,且至少一项严格大于,则判定第一区域支配第二区域,该关系满足自反性、反对称性与传递性。

27、优选地,所述识别所述候选区域支配偏序集中的极大元包括:

28、构建有向无环图表示所述候选区域支配偏序集,节点对应初始候选损伤区域,有向边表示支配方向;

29、遍历所有节点并检查是否存在其他节点支配当前节点;

30、若当前节点未被任何其他节点支配,则将其判定为极大元并汇入极大损伤区域子集。

31、优选地,所述执行基于病理响应的特征动态加权融合生成自适应融合判别向量包括:

32、提取当前区域的红绿色度偏离度与对比度值进行归一化处理;

33、基于归一化数值动态计算颜色特征权重与纹理特征权重,形状与边缘特征权重设为固定值;

34、将多模态特征向量中各特征分量乘以对应权重并重组排列,生成所述自适应融合判别向量。

35、优选地,所述将所述自适应融合判别向量输入判别分类器包括:

36、采用径向基核函数将向量映射至高维特征空间并训练最大间隔决策超平面;

37、计算向量到各类别超平面的有符号距离,经函数映射得到损伤置信度;

38、选取最大置信度对应类别为损伤类型,结合区域坐标输出识别结果。

39、优选地,所述输出包含损伤类型、位置及置信度的最终损伤识别结果包括:

40、遍历各区域单区域识别结果并提取损伤类型与置信度;

41、当类型为刺吸式损伤且置信度达到预设分拣阈值时触发剔除指令;

42、当置信度不足时标记待复核状态并在终端高亮提示位置坐标,同步分类标注显示全部损伤区域。

43、优选地,所述极大损伤区域子集包括分布于二维度量空间帕累托前沿的候选区域集合;其中红绿色度偏离度高且对比度值低的区域对应早期刺吸式损伤模式;对比度值高且红绿色度偏离度低的区域对应机械擦伤模式;两维度均处于中等水平的区域对应损伤叠加状态。

44、第二方面,本发明提供基于多特征融合的茶鲜叶刺吸式损伤智能识别系统,用于实现上述的基于多特征融合的茶鲜叶刺吸式损伤智能识别方法,包括:

45、图像预处理与分割模块,用于对采集的茶鲜叶图像执行预处理获取校正后图像,进行语义分割得到叶片主体掩膜,并通过联合异常检测提取并标记出初始候选损伤区域集;

46、特征提取与关系定义模块,用于基于所述初始候选损伤区域集与校正后图像提取多模态特征向量,并定义损伤特征支配关系;

47、偏序筛选模块,用于根据多模态特征向量与损伤特征支配关系构建候选区域支配偏序集,识别极大元筛选出极大损伤区域子集;

48、动态加权与分类模块,用于对极大损伤区域子集执行特征动态加权融合生成自适应融合判别向量,输入判别分类器输出包含损伤类型、位置及置信度的最终损伤识别结果。

49、相比于现有技术,本发明的有益效果为:本发明通过双颜色空间与局部纹理特征的联合异常检测,完整覆盖刺吸式损伤各阶段的颜色演变路径,结合语义分割提取的精准掩膜约束,有效克服了单一视觉特征检测易受背景干扰与漏检早期病变的缺陷。通过构建基于关键病理指标的损伤特征支配偏序集,以极大元识别机制替代传统绝对阈值筛选,在特征帕累托前沿上自动剥离噪声区域,无损保留颜色主导型与纹理主导型的差异化损伤模式,从根本上规避了多特征静态融合导致的微弱信号稀释问题。在此基础上引入病理响应驱动的动态加权策略,使特征融合权重随区域实际表征自适应重构,精准凸显早期微弱损伤信号并压制冗余维度。偏序优选与动态加权的双级协同架构大幅提升了复杂产线环境下目标损伤模式识别的精度与泛化能力,为基于机器视觉的农产品缺陷检测与智能图像分类提供了高效可靠的算法支撑,尤其在美人茶产线中,本发明能够实现对小绿叶蝉早期刺吸损伤与机械擦伤的自动化精准区分,有效保障了蜜香品质原料的有效识别率与分级一致性,为美人茶特色风味品质的稳定化生产提供了可落地的智能检测解决方案