[发明专利]一种基于深度学习的林下经济作物生产线杂质检测的方法

说明书

本发明公开了一种基于深度学习的林下经济作物生产线杂质检测的方法，属于杂质检测领域，该检测方法具体步骤如下：(1)采集生产线信息并进行图像处理；(2)标注杂质信息以训练深度学习模型；(3)通过深度学习模型进行判断区分；(4)构建检测平台并实时显示检测结果；本发明能够选择合适的深度学习模型进行杂质分析，降低了使用局限性，为图像检测以及识别提供技术支撑，实时性更强、准确度更高，提高对图像分类精度，能够直观高效地展现杂质识别效果。

技术领域

本发明涉及杂质检测领域，尤其涉及一种基于深度学习的林下经济作物生产线杂质检测的方法。

背景技术

榛子、山核桃等作为东北林区的重要经济作物，是东北林下经济产业的重要组成部分。传统的生产线杂质检测主要依靠人工判断，费时费力且难以满足现代化工业生产的实际需求。随着科技的不断发展，人们开始利用工业相机影像获取速度快、分辨率高等优点，将生产线影像与计算机视觉、深度学习等技术结合，通过大量数据对模型的不断训练使模型与目标检测结果达到较高准确率，做到有效分割检测杂质，区分优劣产品，对于其产品质量提升具有重要作用；

现有的林下经济作物生产线杂质检测的方法虽然便于对杂质进行追踪和分拣，实现对生产的智能检测和后续杂质处理，但是使用局限性较大，无法为图像检测以及识别提供技术支撑，图像分类精度低；为此，我们提出一种基于深度学习的林下经济作物生产线杂质检测的方法。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于深度学习的林下经济作物生产线杂质检测的方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于深度学习的林下经济作物生产线杂质检测的方法，该检测方法具体步骤如下：

(1)采集生产线信息并进行图像处理；

(2)标注杂质信息以训练深度学习模型；

(3)通过深度学习模型进行判断区分；

(4)构建检测平台并实时显示检测结果。

作为本发明的进一步方案，步骤(1)中所述图像处理具体步骤如下：

步骤一：通过工业相机采集林下经济作物生产线的运输信息以获取相对应的视频数据，之后对采集到影像数据进行逐帧提取，依据提取出的视频图像的显示比例来确定分块数量，并对该视频图像进行分块处理；

步骤二：将分块后的各组视频图像通过傅里叶正反变换进行图像空间转换至频率空间的相互变换，同时当视频图像转换至频率空间后，对各视频图像中的高频成分进行分析提取，并对其进行低通滤波处理，再各视频图像转换至图像空间中；

步骤三：对处理完成的视频图像中各像素点R、G以及B三组分量数据进行采集，再依据采集到的三组分量对X、Y以及Z三组刺激值进行计算，以构建L^*a^*b^*模型，并收集该视频图像L^*、a^*以及b^*的平均值作为该视频图像的特征向量，并将其反馈给工作人员进行查看。

作为本发明的进一步方案，步骤(2)中所述深度学习模型具体包括U-Net网络模型以及DeeplabV3+模型。

作为本发明的进一步方案，步骤(2)中所述深度学习模型具体训练步骤如下：

第一步：工作人员通过图像标注工具labelme对各组视频图像中的杂质特征影像进行手工标注，之后精确称量杂质和作物重量，同时按照其在图片中所占的面积制作图片面积-重量数据集并进行线性回归分析以获取重量与图片面积的关系；