一种基于机器学习的多花卉质量分级方法

技术特征：
1.一种基于机器学习的多花卉质量分级方法，应用于分级系统，所述分级系统包括：设置有图像采集模块、预处理模块、花卉分类模块、花卉分级模块和处理器模块；其特征在于，包括以下步骤：s1、图像采集模块采集花卉丛的原始俯视图像，预处理模块通过中值滤波预处理原始俯视图像，预处理后得到第一图像；s2、花卉分类模块通过yolov5算法对第一图像进行花卉识别和花卉分割，获得分割后的多个第二图像和花卉分类结果；s3、处理器模块灰度化全部第二图像，计算每个灰度化后的第二图像的灰度值，将灰度值作为第二图像的特征值，所有第二图像的灰度值共同构成特征数据集；s4、基于花卉大数据，处理器模块建立质量分级标准；根据质量分级标准，花卉分级模块通过k-means算法对特征数据集进行质量分级，得到质量分级结果；s5、处理器模块获取质量分级结果，对质量分级结果进行分析与处理，生成质量分级报告。2.根据权利要求1所述的一种基于机器学习的多花卉质量分级方法，其特征在于，步骤s1中所述中值滤波满足以下公式：g(x,y)＝med{f(x-i,y-j),(i,j∈a)}；其中，函数f(x,y)为原始俯视图像，g(x,y)为第一图像，a为二维模板，a选取为3
×
3区域。3.根据权利要求1所述的一种基于机器学习的多花卉质量分级方法，其特征在于，在所述花卉分类模块通过yolov5算法对第一图像进行花卉识别和花卉分割，获得分割后的多个第二图像和花卉分类结果，该方法还包括：s21、基于花卉大数据，处理器模块收集并编号多个花卉品种的样本图像，构成样本数据集，以7:3的比例关系划分样本数据集为训练集和测试集；s22、通过标注工具标注训练集和测试集中的样本图像的感兴趣区域，每个样本图像具有对应的一个或多个的样本标签，所有样本标签构成标签数据集；s23、处理器模块设定网络模型的超参数和结束阈值；花卉分类模块将训练集的样本图像作为yolov5网络的输入，将训练集的样本标签集作为yolov5网络的输出，花卉分类模块训练yolov5网络模型；s24、当损失函数小于等于结束阈值时，yolov5网络模型训练结束，花卉分类模块输出yolov5网络模型的核参数，并通过测试集评价该网络模型的性能；s25、将第一图像输入至训练好的yolov5网络模型，通过yolov5网络模型对第一图像实现花卉识别和花卉分割，获得分割后多个第二图像，并生成花卉分类结果。4.根据权利要求1所述的一种基于机器学习的多花卉质量分级方法，其特征在于，步骤s3中处理器模块通过加权平均值法灰度化全部第二图像，其中设定第二图像的r通道、g通道的权值均为40％、其b通道的权值为20％，计算得到的r通道、g通道、b通道任一值为灰度值，将第二图像的灰度值作为其特征值。5.根据权利要求1所述的一种基于机器学习的多花卉质量分级方法，其特征在于，在所述基于花卉大数据，处理器模块建立质量分级标准；根据质量分级标准，花卉分级模块通过k-means算法对特征数据集进行质量分级，得到质量分级结果，该方法还包括：
s41、基于花卉大数据，处理器模块根据花卉的品种建立对应的质量分级标准，并根据花卉分类结果确定特征数据集所属的花卉品种，获取该品种的质量分级标准；s42、处理器模块将特征数据集的数据类型转换为双精度数据类型；花卉分级模块通过优化策略选取特征数据集的初始化质心，初始化质心为聚类中心，特征数据集的初始化质心的数量为3；s43、将特征数据集的特征值作为输入，花卉分级模块计算特征数据集的特征值与特征数据集的三个聚类中心的欧氏距离；s44、花卉分级模块根据距离最近准则将特征数据集的特征值分到距离该特征值最近的聚类中心所对应的类，生成质量分级结果。6.根据权利要求5所述的一种基于机器学习的多花卉质量分级方法，其特征在于，所述花卉分级模块通过优化策略选取特征数据集的初始化质心，初始化质心为聚类中心，特征数据集的初始化质心的数量为3的步骤为：s411、从特征数据集中随机选择一个特征值作为特征数据集的第i聚类中心(i＝1)；s412、计算特征数据集的每个特征值与所述第i聚类中心的距离；s413、计算特征数据集的每个特征值被选为特征数据集的第i 1聚类中心的概率；s414、选择概率最大的特征值作为特征数据集的第i 1聚类中心；s415、判断i是否等于3；如果否，则执行步骤s416；s416、i＝i 1，循环执行步骤s412至s415；如果i等于3，则执行步骤s417；s417、输出特征数据集的三个聚类中心。7.根据权利要求6所述的一种基于机器学习的多花卉质量分级方法，其特征在于，所述每个特征值与所述第i聚类中心的距离满足以下公式：其中，x
k
为特征数据集中的第k个特征值，y
i
为第i聚类中心，d(x
k
)表示某特征值x
k
与所述第i聚类中心y
i
的距离，i＝1,2,3。8.根据权利要求7所述的一种基于机器学习的多花卉质量分级方法，其特征在于，所述每个特征值被选为第i 1聚类中心的概率满足以下公式：其中,p
k
为特征数据集中的第k个特征值x
k
被选为第i聚类中心y
i
的概率。

技术总结
本发明公开了一种基于机器学习的多花卉质量分级方法，包括：图像采集模块采集花卉丛的原始俯视图像并通过预处理模块预处理获得第一图像，花卉分类模块通过深度学习算法对第一图像进行花卉分类和花卉分割，获得分割后的多个第二图像和花卉分类结果；处理器模块将第二图像灰度化后获得其灰度值，将灰度值作为第二图像的特征值，根据质量分级标准花卉分级模块通过K-means算法对每个第二图像进行质量分级，分为低质量、中质量、高质量三个质量标准，进而获得更加准确的花卉丛的质量分级结果。本发明能够对花卉丛中多朵花朵进行质量分级，极大地提高了花卉丛质量分级的准确率，并提高了花卉的分级效率。花卉的分级效率。花卉的分级效率。


技术研发人员：刘静 张久雷
受保护的技术使用者：广东职业技术学院
技术研发日：2022.04.26
技术公布日：2022/7/29