[发明专利]基于深度学习的鲜花自动化分级方法

说明书

本发明涉及一种基于深度学习的鲜花自动化分级方法，包括以下步骤，S1、采集图像，通过图像采集处理系统采集流水线中鲜花的俯视图像；S2、图像预处理，使用掩摸工具掩盖背景区域，使用标记工具标注图像的特征区域；S3、建立深度学习模型，将预处理后的图像输入到GoogLeNet深度学习算法训练分类模型，利用深度学习模型实现对鲜花的开放度分类、花损检测和弯头检测。本发明使用深度学习算法对开放度精确分级和缺陷检测能解决鲜花自动化分级的核心问题，代替人工分级鲜花；实现鲜花的自动化高精度分级，能提高花场的生产速度、降低人工成本、保障流入市场鲜花的品质。

技术领域

本发明涉及图像视觉处理技术领域，尤其是一种基于深度学习的鲜花自动化分级方法。

背景技术

开放度是对鲜花分级的最重要的指标，且弯头和花损缺陷样品也需要进行剔除，因此实现开放度分级和缺陷的自动化检测是实现鲜花自动化分级的关键问题。但鲜花的背景多样、姿态多变导致传统图像处理算法无法精确地对开放度分级以及对弯头和花损缺陷进行检测。

现有的基于机器视觉技术主要使用了图像面积对鲜花的开放度进行分类，而鲜花是不规则的作物，面积大小不能准确鉴定鲜花开放度。当鲜花的开放度差异较小时，面积的差异很微小，这时原来的方法也不能准确的区分不同的开放度。而弯头畸形的产品图像面积和好的产品的面积基本接近，很难被区分出来。

发明内容

本发明要解决的技术问题是：提供一种基于深度学习的鲜花自动化分级方法，基于检测系统相机组件采集流水线上的鲜花图像，提取图像中的感兴趣区域，利用深度学习算法训练分类模型，从而进行准确分类以及辨别缺陷品，提高鲜花出厂质量。

本发明解决其技术问题所采用的技术方案是：一种基于深度学习的鲜花自动化分级方法，包括以下步骤，

S1、采集图像，通过图像采集处理系统采集流水线中鲜花的俯视图像；

S2、图像预处理，使用掩摸工具掩盖背景区域，使用标记工具标注图像的特征区域；

S3、建立深度学习模型，将预处理后的图像输入到GoogLeNet深度学习算法训练分类模型，利用深度学习模型实现对鲜花的开放度分类、花损检测和弯头检测。

进一步的说，本发明所述步骤S1中的图像采集处理系统包括图像处理服务器、采集控制器、编码器、触发光电传感器，长度测量光电传感器、相机组件以及PLC；所述的相机组件包括相机和光源，安装在鲜花的正上方，采集鲜花的俯视图像；所述俯视图像为3通道彩色图像；所述的长度测量光电传感器为光栅式光电传感器，安装在鲜花的侧面，用于测量鲜花花杆长度。

再进一步的说，本发明所述的编码器和触发光电传感器输入每支鲜花在流水线中位置信息给采集控制器，所述采集控制器把位置信息转换为行信号和触发信号触发长度测量光电传感器和相机进行工作，所述相机和长度测量光电传感器同时对同一支鲜花进行成像和测量，并同时将图像和长度数据发给图像处理服务器；所述的图像处理服务器基于深度学习算法处理鲜花图像，结合鲜花长度得出判别结果；图像处理服务器把判别结果发给PLC控制机械运动将鲜花流入到相应的收集仓中。

进一步的说，本发明所述步骤S2中，利用感兴趣区域样本集建立模型数据集，感兴趣区域样本集分为训练集与预测集，由训练集与预测集共同组成模型数据集；其中的样本集包括不同开放度的鲜花图像、弯头鲜花图像以及花损鲜花图像。

进一步的说，本发明所述步骤S3中，利用GoogLeNet模型的训练过程如下：

A、从样本集中取一个样本(Xp,Yp)，将Xp输入网络，其中Xp为第p个输入样本，Yp为理想输出结果；

B、计算相应的实际输出结果Op；在此阶段，信息从输入层经过逐级的变换，传送到输出层；这个过程也是网络在完成训练后正常运行时执行的过程；在此过程中，网络执行的是计算：