[发明专利]基于RealSense相机的鲜切花分选装置及方法

权利要求书

1.基于RealSense相机的鲜切花分选方法，其特征在于，对RealSense相机采集到的花蕾和花茎二维图像，采用灰度变化和阈值分割得到鲜切花的花蕾和花茎二值图像，对二值图像进行分析可以得到花蕾的面积、直径，花茎的长度、粗细；采用色彩空间变换得到鲜切花花蕾的RGB信息特征和HSV信息特征；将RealSense相机采集到的花蕾二维图像和将原始采集到的花蕾深度信息经过归一化后的信息进行三维信息融合，使用深度学习算法将花三维信息输入到卷积神经网络分析其成熟度指标；花蕾的直径、面积、RGB通道信息、HSV通道信息、成熟度、花茎的长度和粗细特征进行多特征信息融合，将融合特征共同作为后续分类算法的输入，计算输出神经元，根据输出神经元得到鲜切花品质的分级，根据鲜切花的分级实现分选。

2.根据权利要求1所述基于RealSense相机的鲜切花分选方法，其特征在于，所述深度学习算法由卷积神经网络组成，包含10层网络的结构，第一层为卷积层，采用32个7×7的卷积核，步长为2，采用Relu激活函数；第二层为池化层，使用2×2、步长为2的卷积核；第三层为正则化层，采用Batch Normalization的方法，可以提高训练的速度；第四层为卷积层，采用64个3×3的卷积核，步长为2，激活函数为Relu，零填充padding采用SAME；第五层为池化层采用2×2、步长为2的卷积核，使输出通道数减半；第六层为正则化层，采用BatchNormalization的方法；第七层为卷积层采用128个3×3的卷积核，步长为2，采用Relu激活函数；第八层为池化层，卷积核为2×2、步长为1，之后第九层使用Dropout的正则化层，可以防止模型过拟合，提升模型泛化能力，dropout的值设定为0.5；最后一层为全连接层，使用Softmax的激活函数，输出每个成熟度等级的概率，找到概率最大的等级作为鲜切花的成熟度指标。

3.根据权利要求1所述基于RealSense相机的鲜切花分选方法，其特征在于，所述分类算法为分类神经元网络，将融合特征向量作为分类神经元网络的输入，使用神经网络架构搜索在网络架构搜索空间中快速筛选出最佳的神经元网络模型结构，神经元网络的结构中间层由多层隐含层组成，每个隐含层有多个神经元，经过隐含层的计算，输出层由三个神经元组成，三个神经元代表鲜切花的三个分类，作为鲜切花的分选结果，根据分选结果进行鲜切花分选。