[发明专利]基于深度学习的甘薯外观品质分类方法

说明书

本发明涉及图像处理技术领域，具体涉及一种基于深度学习的甘薯外观品质分类方法，该方法包括：采集甘薯表面图像，对甘薯表面图像进行超像素分割，计算超像素块对应的隶属度；根据超像素块内像素值的变化情况构建第一特征影响因子和第二特征影响因子；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；根据优选模糊因子进行聚类，根据待分析区域最小外接矩形得到第一特征值和第二特征值；进而获得注意力权重，根据甘薯表面图像和注意力权重得到甘薯的注意力图像，对甘薯进行分类得到甘薯外观品质分类结果。本发明提高了甘薯外观品质分类结果的准确度。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于深度学习的甘薯外观品质分类方法。

背景技术

在商品级甘薯的挑选过程中，需要对不同外观品质的甘薯进行分类。以保证单独包装的甘薯无条沟无裂口，即品质较高。因此，根据外观品质对甘薯进行精确的分类就显得尤为重要。现有技术中常通过对采集到的甘薯表面图像进行聚类分割，进而对不同形状簇类对应的区域进行甘薯表面的裂口或者条沟特征分析，判断甘薯表面是否存在裂口或者条沟，进而获得甘薯的外观品质的分类结果。其中，在对甘薯表面图像进行聚类分割时，由于甘薯表面可能存在着不影响其外观品质的细小凹坑或者未清理干净的泥土，利用现有的聚类分割算法进行处理时，会导致划分出的簇类中存在这些噪声像素点形成的连通域，进而影响甘薯外观品质的判断，使得甘薯外观品质的分类结果准确度较低。

发明内容

为了解决甘薯外观品质的分类结果准确度较低的技术问题，本发明的目的在于提供一种基于深度学习的甘薯外观品质分类方法，所采用的技术方案具体如下：

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。

优选地，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。

优选地，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。

优选地，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。

优选地，所述优选模糊因子的获取方法具体为：