[发明专利]一种基于深度学习的苹果分级识别方法

权利要求书

1.一种基于深度学习的苹果分级识别方法，其特征在于所述方法包括如下步骤：

步骤一、构建苹果训练数据集

1、爬取苹果图像数据

利用Python3.0对百度图片搜索中，关键字为“苹果”的网页进行图片爬取，将爬取的数据文件保存在本地的苹果图像中；

2、图像预处理

通过观察爬取到的图片，利用图像处理技术将同一图像中出现多个苹果的图片进行分割，使得每张图像中都有且只有唯一一个苹果；

步骤二、苹果目标检测

1、选取步骤一构建的苹果数据集中的苹果图作为检验数据，利用Darknet框架进行数据训练；

2、完成训练后，利用手机拍摄苹果照片，对该图进行苹果位置检测，并进行标注；

步骤三、苹果表面缺陷检测

以截图后的单张苹果图片为输入图像，将每个定位到的苹果进行单独提取，针对虫眼、划痕、裂纹与腐烂四种表面缺陷进行定位；

步骤四、苹果分级识别

1、按照水果行业标准和实际的实验能力，具体苹果的分级行业条款标准，将苹果分为特级、一级、二级；

2、设定符合特级、一级、二级的都为GOOD，不符合的为BAD；

3、使用蓝底绿字作为GOOD标注配色模式，使用蓝底红色作为BAD标注的配色模式；

4、在准确的获得苹果表面缺陷信息后，对苹果进行GOOD与BAD分级。

2.根据权利要求1所述的基于深度学习的苹果分级识别方法，其特征在于所述图像预处理的具体步骤如下：

(1)选择合适的颜色通道

将采集到的苹果图像由RGB模式转换为HSL模式，并进行HSL三通道分离，采用S通道分量作为后续图像处理的输入信号源；

(2)图像灰度化

采用加权平均法对苹果图像进行进一步的灰度化处理，将获得到的RGB三通道图像进行分离，根据三个通道对图像继续进行合并，获得灰度图f(i,j)；

(3)图像去噪

采用加权平均滤波方法进行平滑去噪，利用滑动窗口对图像继续平滑处理，通过对每个像素点与其邻域进行处理，最终获得噪声抑制后的图像；

(4)图像分割

利用灰度图像的自动阈值分割法自动选取图像分割的最佳全局阈值，利用阈值将原图像分成前景、背景两个图象，当取最佳阈值时，背景应该与前景差别最大，通过对每个灰度级计算前景与背景之间的最大类间方差，获得当前图像的最优分割阈值；

(5)轮廓提取

选用Canny边缘检测算子实现边缘检测，最后选取幅值变化比较大的点，生成零碎的边缘，然后采用双阈值算法检测出所有生成的零碎边缘，并将他们依次连接起来便提取得到了目标物体的边缘；

(6)面积提取

设图像中目标区域的长为M，宽为N，像素值(0或1)用B(i,j)来表示，i,j分别是指像素横、纵坐标，对象面积由下式计算得到：

3.根据权利要求2所述的基于深度学习的苹果分级识别方法，其特征在于所述灰度图f(i,j)的计算公式为：

f(i,j)＝0.3R(i,j)+0.59G(i,j)+0.11(i,j)；

式中，R(i,j)为红通道，G(i,j)为绿通道，B(i,j)为蓝通道。

4.根据权利要求2所述的基于深度学习的苹果分级识别方法，其特征在于所述噪声抑制后的图像F(i,j)利用如下公式获得：

其中，f(i,j)为原图，k和l为滑动模板的长和宽，w(i,j)为模板权值。

5.根据权利要求2所述的基于深度学习的苹果分级识别方法，其特征在于所述苹果位置标注的具体方法如下：

(1)利用矩形框对检测到的目标进行分割定位；

(2)将标注信息统一安放在每个目标矩形框的左上角；

(3)对标注信息使用绿底白色的配色方案。