[发明专利]一种基于图像识别的梨品种识别方法在审

专利信息
申请号: 202110255780.4 申请日: 2021-03-09
公开(公告)号: CN112801119A 公开(公告)日: 2021-05-14
发明(设计)人: 田路明;曹玉芬;董星光;张莹;齐丹;霍宏亮;徐家玉;刘超 申请(专利权)人: 中国农业科学院果树研究所
主分类号: G06K9/46 分类号: G06K9/46;G06K9/40;G06K9/62;G06N3/04;G06N3/08
代理公司: 北京东方盛凡知识产权代理事务所(普通合伙) 11562 代理人: 王颖
地址: 125100 辽宁*** 国省代码: 辽宁;21
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 图像 识别 品种 方法
【说明书】:

发明公开一种基于图像识别的梨品种识别方法,包括:S1、获取原始梨果实图像,进行数据处理后构建遮挡样本集、非遮挡样本集;S2、对遮挡样本集、非遮挡样本集中的梨果实图像进行轮廓提取,基于所提取的轮廓构建遮挡识别数据集;S3、基于SVM构建遮挡识别模型,并通过遮挡识别数据集对其训练;S4、基于卷积神经网络构建梨品种识别模型,并通过非遮挡样本集对其进行训练;S5、获取待识别的梨果实图像并进行轮廓提取后输入遮挡识别模型,识别为非遮挡,则通过梨品种识别模型进行梨品种识别,识别为遮挡,则基于滑动窗口以及梨品种识别模型进行梨品种识别。本发明能够对不同品种的梨进行快速准确地识别。

技术领域

本发明涉及图像识别技术领域,特别是涉及一种基于图像识别的梨品种识别方法。

背景技术

梨作为一种落叶乔木,是家里必备的水果之一,果肉鲜甜可口,香脆多汁,还含有丰富的维生素等营养物质。梨的品种有很多,不同品种的梨其营养成分不同,在我们的日常生活中,常见的梨品种有:鸭梨、雪花梨、苹果梨、意大利黑梨等,每一种都有一些独特的特性及营养价值;例如,鸭梨富含维生素B,能保护心脏,减少疲劳,增强心肌活力,降低血压;雪花梨中含有大量糖分和单宁酸,能祛痰止咳,对咽喉有治疗作用;苹果梨不同于普通水果,酸甜可口,果肉大,肉色滑腻,质脆汁多,果核小,可食部分达到86%,富含VB1、VB2等维生素以及钙、磷、铁等成分,营养丰富;意大利黑梨的梨皮具有清心润肺、降火生津、滋肾养阴的功效,梨籽含有木质素,能够在肠内溶解形成凝胶状薄膜,与肠内胆固醇结合来消除肠内的胆固醇,还能治疗便秘,预防女性骨质疏松症;梨肉酸甜可口,营养丰富,富含膳食纤维,每个梨能够满足40%的日常膳食纤维需求。

基于梨丰富的营养价值及优质的口感,其销量呈现一个非常快的发展趋势,如何对不同品种的梨进行快速准确分拣,是目前亟待解决的技术问题,因此,有必要提供一种基于图像识别的梨品种识别方法,以实现不同品种的梨的自动分拣。

发明内容

本发明的目的是提供一种基于图像识别的梨品种识别方法,以解决现有技术中存在的技术问题,能够对不同品种的梨进行快速准确地识别。

为实现上述目的,本发明提供了如下方案:本发明提供一种基于图像识别的梨品种识别方法,包括:

S1、获取原始梨果实图像,并对所获取的梨果实图像进行数据处理,基于数据处理后的梨果实图像分别构建遮挡样本集、非遮挡样本集;

S2、对步骤S1中得到的遮挡样本集、非遮挡样本集中的梨果实图像分别进行灰度化处理,基于灰度化处理所得到的灰度图像分别进行轮廓提取,基于所提取的轮廓构建遮挡识别数据集;

S3、基于SVM构建遮挡识别模型,并通过所述遮挡识别数据集对所述遮挡识别模型进行训练,得到训练好的遮挡识别模型;

S4、基于卷积神经网络构建梨品种识别模型,并通过步骤S1中所构建的非遮挡样本集对所述梨品种识别模型进行训练,得到训练好的梨品种识别模型;

S5、获取待识别的梨果实图像,通过步骤S2对待识别的梨果实图像进行轮廓提取,并输入步骤S3训练好的遮挡识别模型,识别为非遮挡,则将待识别的梨果实图像输入步骤S4训练好的梨品种识别模型,得到梨品种识别结果,识别为遮挡,则基于滑动窗口以及训练好的梨品种识别模型得到梨品种识别结果。

优选地,所述步骤S1中所获取的原始梨果实图像、以及步骤S5中所获取的所获取的待识别的梨果实图像均为RGB图像。

优选地,所述步骤S1中,图像处理包括如下步骤:

1)对获取的梨果实图像进行标记处理,所标记内容包括梨品种、是否遮挡;

2)对标记处理后的梨果实图像进行数据增强处理;

3)对所获取的梨果实图像进行尺寸归一化处理。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国农业科学院果树研究所,未经中国农业科学院果树研究所许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202110255780.4/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top