一种基于机器视觉的组培苗自动分类方法技术

本发明专利技术公开了一种基于机器视觉的组培苗自动分类方法，通过机器视觉获取组培苗图像并进行预处理，得到训练样本图像；使用目标识别算法获取训练样本图像中组培苗生长特征参数，包括组培苗高度、节间长度和茎粗，构成特征数据集；根据组培苗移植条件，使用特征数据集对自动分类模型进行训练，得到组培苗自动分类模型；最后获取待检测组培苗的图像并将其生长特征参数输入组培苗自动分类模型，输出组培苗移植分类结果，实现组培苗的自动分类。本方法提升了组培苗分类效率，有利于组培苗工厂规模化生产，具有较大的实用意义。具有较大的实用意义。具有较大的实用意义。

【技术实现步骤摘要】
一种基于机器视觉的组培苗自动分类方法


[0001]本专利技术涉及组培苗农业领域，更具体地，涉及一种基于机器视觉的组培苗自动分类方法。

技术介绍

[0002]目前,选取优质的组培苗母本仍以人工作业为主，而人工进行组培苗的选取工作,工作效率低、劳动强度大,且是一件重复繁琐的工作。组培苗在实际生产过程中的移植期间，需要人工检查识别苗的生长特征，评估组培苗是否满足移植的要求，再进行移植工作，因此完成这一工作会导致耗费大量的人工成本。同时，以人工为主的生产工艺自动化程度低，劳动成本高，不利于组培苗工厂规模化生产及组培产业的发展，所以研究组培苗的自动分类方法，根据移植条件对组培苗进行自动分类具有重大意义。

技术实现思路

[0003]为了克服上述
技术介绍
的不足，本专利技术提供了一种基于机器视觉的组培苗自动分类方法，该方法能够从获取的图像中提取组培苗的生长特征参数，包括苗高度、节间长度和茎粗，并根据组培苗移植要求，通过建立和训练分类模型，实现组培苗的自动分类。
[0004]为实现上述目的，本专利技术的一种基于机器视觉的组培苗自动分类方法，包括以下步骤：
[0005]S1、通过机器视觉获取组培苗图像，使用加权平均法对组培苗图像进行灰度化处理；使用快速中值滤波方法进行去噪；使用基于阈值分割的最大类间方差法进行图像分割，得到训练样本图像。
[0006]S2、使用目标识别算法获取训练样本图像中组培苗生长特征参数，通过测量根系上方20个像素位置的组培苗轮廓确定组培苗的茎粗；通过形态学骨架的方式测量组培苗的高度和节间长度。将获取到的组培苗高度、节间长度和茎粗构成特征数据集。
[0007]S3、根据组培苗移植条件，将特征数据集作为训练集，采用支持向量机(SVM)的机器学习方法训练对自动分类模型进行训练。其中，所述支持向量机(SVM)的机器学习方法采用RBF作为核函数，采用基于交叉验证和网格搜索的参数选择方法训练核函数中参数g和C，直到实现预测效果，并构造分类器，得到组培苗自动分类模型。
[0008]S4、获取待检测组培苗的图像并将其生长特征参数输入组培苗自动分类模型，输出组培苗移植分类结果，实现组培苗的自动分类。
[0009]本专利技术的有益效果在于：本专利技术所述的一种基于机器视觉的组培苗自动分类方法，利用机器视觉代替人工获取组培苗生长情况，通过目标识别算法获取组培苗生长参数并进行分类，能够完成对组培苗的生长特征进行识别和评估工作，准确度和自动化程度高，提升了工作效率，减少人工成本，有利于组培苗工厂规模化生产，具有广泛的市场前景。
附图说明
[0010]图1为本专利技术实施例的基于机器视觉的组培苗自动分类方法流程图；
具体实施方式
[0011]下面通过具体实施例，并结合附图对本方案做进一步的具体描述。
[0012]本专利技术实施例提供一种基于机器视觉的组培苗自动分类方法，如图1所示，包括S1:通过机器视觉获取组培苗图像并进行预处理，得到训练样本图像；S2:使用目标识别算法获取训练样本图像中组培苗生长特征参数，包括组培苗高度、节间长度和茎粗，构成特征数据集；S3:根据组培苗移植条件，使用特征数据集对自动分类模型进行训练，得到组培苗自动分类模型；S4:获取待检测组培苗的图像并将其生长特征参数输入组培苗自动分类模型，输出组培苗移植分类结果，实现组培苗的自动分类。
[0013]步骤1、通过机器视觉拍摄组培苗的清晰图片，为保证分类的准确度，每次采集的照片处于相同环境下。在获取组培苗的特征参数之前，需要对图像进行预处理。通过加权平均法实现灰度化；通过快速中值滤波法实现去噪；通过最大类间方差法对图像进行分割，最终获得训练样本图像。
[0014]步骤2、使用目标识别算法获取训练样本图像中组培苗生长特征参数，通过测量根系上方20个像素位置的组培苗轮廓确定组培苗的茎粗；通过形态学骨架的方式测量组培苗的高度和节间长度。将获取到的组培苗高度、节间长度和茎粗构成特征数据集。
[0015]步骤3、根据组培苗移植条件，将特征数据集作为训练集，采用支持向量机(SVM)的机器学习方法训练对自动分类模型进行训练。其中，所述支持向量机(SVM)的机器学习方法采用RBF作为核函数，采用基于交叉验证和网格搜索的参数选择方法训练核函数中参数g和C，直到实现预测效果，并构造分类器，得到组培苗自动分类模型。
[0016]步骤4、获取待检测组培苗的图像并将其生长特征参数输入组培苗自动分类模型，输出组培苗移植分类结果，实现组培苗的自动分类。
[0017]以上所述实施例仅仅是本专利技术的一种较好的实施方案，并不用于限制本专利技术，对于本专利技术所属
的人员来说，在不脱离本专利技术构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本专利技术由所提交的权利要求书确定的专利保护范围。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的组培苗自动分类方法，其特征在于：包括以下步骤，S1、通过机器视觉获取组培苗图像，使用加权平均法对组培苗图像进行灰度化处理；使用快速中值滤波方法进行去噪；使用基于阈值分割的最大类间方差法进行图像分割，得到训练样本图像。S2、使用目标识别算法获取训练样本图像中组培苗生长特征参数，通过测量根系上方20个像素位置的组培苗轮廓确定组培苗的茎粗；通过形态学骨架的方式测量组培苗的高度和节间长度。将获取到的组培苗高度、节间长度和茎粗构成特征数据集。S3、根据组培苗移植条件，将特征数据集作为训练集，采用支持向量机(SVM)的机器学习方法训练对自动分类模型进行训练。其中，所述支持向量机(SVM)的机器学习方法采用RBF作为核函数，采用基于交叉验证和网格搜索的参数选择方法训练核函数中参数g和C，直到实现预测效果，并构造分类器，得到组培苗自动分类模型。S4、根据待检测组培苗的图像，获得其生长特征参数并输...

【专利技术属性】
技术研发人员：盛朝强，李戈来，陈国栋，
申请(专利权)人：重庆大学，
类型：发明
国别省市：