[发明专利]基于深度学习的甘薯外观品质分类方法

权利要求书

1.一种基于深度学习的甘薯外观品质分类方法，其特征在于，该方法包括以下步骤：

采集甘薯表面图像，对甘薯表面图像进行超像素分割得到至少两个超像素块；根据超像素块与其相邻超像素块之间的距离以及超像素块内像素点对应的隶属度，得到超像素块对应的隶属度；

根据超像素块从边缘部分到中心部分像素点的像素值变化构建第一特征影响因子，根据超像素块内相邻像素点的像素值变化构建第二特征影响因子；根据模糊局部信息聚类算法中的模糊因子和第一特征影响因子、第二特征影响因子以及超像素块对应的隶属度得到优选模糊因子；

根据优选模糊因子采用模糊局部信息聚类算法对像素点进行聚类，得到至少两个簇类；将每个簇类内所有像素点构成的区域记为待分析区域；根据待分析区域的狭长度和待分析区域内像素点的变化得到注意力权重；

根据甘薯表面图像和注意力权重得到甘薯的注意力图像，根据所述注意力图像对甘薯进行分类得到甘薯外观品质分类结果；

所述待分析区域的狭长度的获取方法具体为：

将待分析区域的最小外接矩形的长和宽的比值作为待分析区域的狭长度；

所述根据待分析区域的狭长度和待分析区域内像素点的变化得到注意力权重具体为：

以待分析区域的狭长度作为第一特征值；

计算最小外接矩形中每行像素点的像素值均值，构成均值序列；获取均值序列中极值的数量，以极值的数量与最小外接矩形的宽之间的比值作为待分析区域的第二特征值；

获取第一特征值的归一化值和第二特征值的归一化值的均值，以所述均值与预设值的和值作为待分析区域内像素点的注意力权重。

2.根据权利要求1所述的一种基于深度学习的甘薯外观品质分类方法，其特征在于，所述第一特征影响因子的获取方法具体为：

对于任意一个超像素块，获取超像素块的中心像素点以及边缘像素点，在边缘像素点与中心像素点的连线上获取像素点的像素值变化曲线，记为边缘像素点的特征曲线；计算相邻两个边缘像素点的特征曲线之间的DTW距离，获取所有相邻两个边缘像素点的特征曲线之间的DTW距离的均值的负相关映射值，以均值的负相关映射值与第一预设值的和值作为超像素块的第一特征影响因子。

3.根据权利要求2所述的一种基于深度学习的甘薯外观品质分类方法，其特征在于，所述第二特征影响因子的获取方法具体为：

对于任意一个超像素块，在任意一个边缘像素点对应的连线上，计算相邻两个像素点的像素值之间差值的熵值；以超像素块的所有边缘像素点对应的熵值之和的归一化值作为第二特征影响因子。

4.根据权利要求1所述的一种基于深度学习的甘薯外观品质分类方法，其特征在于，所述超像素块对应的隶属度的获取方法具体为：

对于任意一个超像素块，在该超像素块的邻接超像素块中选定中心超像素块，获取中心超像素块的质心；计算超像素块内任意一个像素点到所述质心的距离与预设值之和的倒数，将所述倒数与超像素块内像素点对应的隶属度的乘积记为像素点的特征因子，以超像素块内所有像素点的特征因子的均值作为超像素块相对于中心超像素块的隶属度。

5.根据权利要求1所述的一种基于深度学习的甘薯外观品质分类方法，其特征在于，所述优选模糊因子的获取方法具体为：

其中，表示第i个像素点对于第k个簇类的优选模糊因子，表示模糊局部信息聚类算法中第i个像素点对于第k个簇类的模糊因子，表示第i个像素点所在超像素块的第一特征影响因子，表示第i个像素点所在超像素块的第二特征影响因子，表示第i个像素点，表示第i个像素点所在超像素块的第n个相邻超像素块的中心像素点，表示第k个簇类中心像素点，表示第i个像素点到该像素点所在超像素块的第n个相邻超像素块的中心像素点之间的欧氏距离，表示第i个像素点所在超像素块的第n个相邻超像素块的中心像素点到第k个簇类中心像素点的欧氏距离，表示第n个相邻超像素块相对于第i个像素点所在超像素块属于第k个簇类的隶属度，表示第i个像素点所在超像素块的相邻超像素块的总数量，m为模糊参数。