一种基于统计种子块的病斑烟叶检测方法与流程

1.本发明涉及烟叶检测领域，尤其是涉及了一种基于统计种子块的病斑烟叶检测方法。


背景技术：

2.烟叶智能分级是指获取烟叶图像后，通过图像检测和识别对烟叶进行分级的方法，该方式大大减少了人工，提高了效率。在烟叶智能分级过程中，需要对烟叶图像检测识别后识别烟叶中的病斑或斑点。目前采用的方式，如采用传统的神经网络图像处理分类方法，又如sobel算子的疵点检测方法，先整张图像求sobel灰度图再分块求每块的非零像素比例，根据比例的大小判断是否为瑕疵点；又如图像污点测量方法，取二值化后的图像中的某一行二值化块作为的污点测量区域，若相邻之间的距离大于阈值范围，则说明是污点。
3.传统的神经网络分类方法，对成像条件要求高，如亮度要求在很小的范围，且需要整张烟叶输入，准确率和效率较低，还容易导致斑点特征的学习不足，如容易与偏白色烟叶造成误检。采用sobel算子方法，只能应用在图像光滑无图像灰度值明显变化的区域，有明显纹理特征的烟叶则无法使用该算子求取有效灰度图。采用图像污点测量方法，是图像中有固定的二值化块，通过判断二值化块之间的距离，判断是否被污点遮挡；而病斑烟叶的斑点在烟叶中的位置是随机的且大小也是不固定，无法用该方法测量。


技术实现要素：

4.为了解决背景技术中所存在的问题，本发明提出了一种基于统计种子块的病斑烟叶检测方法。
5.一种基于统计种子块的病斑烟叶检测方法，获取烟叶图像；对烟叶图像计算不同颜色空间阈的统计块；将潜在的斑点统计块进行神经网络高纬度特征分类后，获取斑点检测结果。
6.基于上述，获取烟叶图像后，计算并获取烟叶图像基于rgb和hsv六个通道的二值化图，单个通道的二值化图像计算如下
[0007][0008]
其中，src_img表示拍摄的烟叶图像，bin_img表示基于六个颜色通道后的二值化图，h_bin表示h通道的二值化，low_val表示h通道的低阈值，upper_val表示h通道的高阈值，h_img表示h通道的图像。
[0009]
基于上述，对二值化图像进行像素轮廓面积的计算后，再基于面积进行种子点的位置过滤和寻找，如下
[0010][0011]
其中，dst_counts表示二值化后的种子轮廓，src_counts表示二值图的全体轮廓，remove表示过滤删除该子轮廓，push表示添加该子轮廓，count_area表示该子轮廓的面积，upper_area表示轮廓面积的上阈值，low_area表示轮廓面积的下阈值。
[0012]
基于上述，获取种子点位置后，在种子点周围八个维度方向进行滑动，块距离为五十个像素值，从而获取潜在的斑点统计块，如下
[0013][0014]
其中，block_imgs(x,y)表示种子点轮廓周围八个维度方向滑动块，block_point表示种子轮廓的中心点，block_left1表示左下向滑动的子块，block_left2表示左向滑动的子块，block_left3表示左上向滑动的子块，block_right1表示右下向滑动的子块，block_right2表示右向滑动的子块，block_right3表示右上向滑动的子块，block_mid1表示上向滑动的子块，block_mid2表示种子点的位置，block_mid3表示下向滑动的子块。
[0015]
基于上述，获取潜在的斑点统计块后，获取块内白色的阈值幅度，若阈值幅度小于预设阈值则移除该潜在的斑点统计块。
[0016]
基于上述，将潜在的斑点统计块作为高纬度神经网络的输入，如下
[0017][0018]
其中，block_img
net_input
表示整张图像的潜在统计检测块，img
lefts
表示左向滑动的块组合，img
rights
表示右向滑动的块组合，img
mids
表示上下向滑动的块组合。
[0019]
基于上述，神经网络输出分类后，计算整体的阈值度后即获取斑点检测结果，如下
[0020]
block_thresh＝yes(block_imgs)
÷
length(block_imgs)
[0021]
其中，block_thresh表示病斑区域的设定阈值，block_imgs表示输入神经网络统计块，yes(block_imgs)表示检测病斑块的数量，length(block_imgs)表示输入神经网络统计块的数量。
[0022]
本发明相对现有技术具有突出的实质性特点和显著的进步，具体的说，本发明基于分级后的烟叶进行不同颜色空间阈的数据统计，将该颜色空间阈应用在待检测的烟叶，获取病斑点在烟叶中可能的种子点，根据种子点寻找周围的分布区域块，同时将该分布统计块送入神经网络进行高纬度特征映射，判断是否为斑点烟叶。本发明采用统计种子块的
方式，有效缓解整张烟叶做神经网络输入准确率低的问题，同时也能缓解白色的烟叶误检斑点的问题。
附图说明
[0023]
图1是本发明的流程示意图。
[0024]
图2是本发明烟叶斑点标记示意图，图中方框及框内区域为标记的潜在斑点统计块。
[0025]
图3是本发明烟叶斑点检测结果示意图，图中粗线方框内区域为标记的烟叶病斑。
具体实施方式
[0026]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0027]
如图1所示，一种基于统计种子块的病斑烟叶检测方法，获取烟叶图像；对烟叶图像计算不同颜色空间阈的统计块；将潜在的斑点统计块进行神经网络高纬度特征分类后，获取斑点检测结果。
[0028]
以常规的拍摄方式获取烟叶图像后，对斑点烟叶的检测流程主要分为两大部分：先对烟叶图像计算不同颜色空间阈的统计块，获取到潜在的斑点统计块后，再对潜在的斑点统计块进行神经网络高纬度特征分类，根据分类结果获取检测斑点。
[0029]
具体的，统计潜在斑点的统计块的具体步骤：
[0030]
获取烟叶图像后，计算并获取烟叶图像基于rgb和hsv六个通道的二值化图，单个通道的二值化图像计算如下
[0031][0032]
其中，src_img表示拍摄的烟叶图像，bin_img表示基于六个颜色通道后的二值化图，h_bin表示h通道的二值化，low_val表示h通道的低阈值，upper_val表示h通道的高阈值，h_img表示h通道的图像。b通道、g通道、r通道、s通道和v通道的二值化图像，以上式同理可获取。
[0033]
获取二值化图像后，对二值化图像进行像素轮廓面积的计算，再基于面积进行种子点的位置过滤和寻找，如下
[0034][0035]
其中，dst_counts表示二值化后的种子轮廓，src_counts表示二值图的全体轮廓，remove表示过滤删除该子轮廓，push表示添加该子轮廓，count_area表示该子轮廓的面积，
upper_area表示轮廓面积的上阈值，low_area表示轮廓面积的下阈值。
[0036]
获取种子点位置后，在种子点周围八个维度方向进行滑动，块距离为五十个像素值，从而获取潜在的斑点统计块，如下
[0037][0038]
其中，block_imgs(x,y)表示种子点轮廓周围八个维度方向滑动块，block_point表示种子轮廓的中心点，block_left1表示左下向滑动的子块，block_left2表示左向滑动的子块，block_left3表示左上向滑动的子块，block_right1表示右下向滑动的子块，block_right2表示右向滑动的子块，block_right3表示右上向滑动的子块，block_mid1表示上向滑动的子块，block_mid2表示种子点的位置，block_mid3表示下向滑动的子块。本实施例中以烟叶的部分区域为例，在种子点位置向八个维度方向滑动后，获取的分布区域块即为潜在的斑点统计块，如图2所示。
[0039]
实际中，在构建不同方向的潜在分布区域块后，需要进一步的过滤筛选，以降低神经网络推导的复杂度，即获取分布区域块内斑点白色的阈值幅度，若阈值幅度小于预设阈值，则移除该分布区域块，也即该分布区域块不作为潜在的斑点统计块；若阈值幅度大于预设阈值，则将该分布区域块作为潜在的斑点统计块。
[0040]
神经网络高纬度特征分类具体步骤：
[0041]
将潜在的斑点统计块作为高纬度神经网络的输入，如下
[0042][0043]
其中，block_img
net_input
表示整张图像的潜在统计检测块，img
lefts
表示左向滑动的块组合，包括左下向滑动的子块、左向滑动的子块和左上向滑动的子块，img
rights
表示右向滑动的块组合，包括右下向滑动的子块、右向滑动的子块和右上向滑动的子块，img
mids
表示上下向滑动的块组合，包括上向滑动的子块、种子点的位置块和下向滑动的子块。
[0044]
经过神经网络输出分类后，计算整体的阈值度后即获取斑点检测结果，如下
[0045]
block_thresh＝yes(block_imgs)
÷
length(block_imgs)
[0046]
其中，block_thresh表示病斑区域的设定阈值，block_imgs表示输入神经网络统计块，yes(block_imgs)表示检测病斑块的数量，length(block_imgs)表示输入神经网络统计块的数量。获取的斑点检测结果如图3所示。
[0047]
本发明对烟叶图像进行不同颜色空间阈的数据统计，将该颜色空间阈应用在待检测的烟叶，获取病斑点在烟叶中可能的种子点，根据种子点寻找周围的分布区域块，同时将该分布统计块送入神经网络进行高纬度特征映射，判断是否为斑点烟叶。本发明采用统计
种子块的方式，有效缓解整张烟叶做神经网络输入准确率低的问题，同时允许成像条件如亮度在较大的范围内波动，有效缓解了白色的烟叶误检斑点的问题
[0048]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。