【技术实现步骤摘要】
本专利技术涉及图像数据识别，具体为基于图像分析的粮仓中米象虫的检测识别方法、系统和相关装置。
技术介绍
1、粮仓中的米象虫不仅会啃食大米，导致大米粒受损、营养成分下降，而且米象虫的排泄物和尸体会污染大米，影响大米食用安全性；此外，米象虫活动产生的热量和湿气，容易导致大米霉变，且大米品质和数量的下降还会增加粮仓储存和清理成本，增加经济负担。因此，粮仓的米象虫检测、预防和控制对于保障粮食质量和数量、确保食品安全以及降低经济损失至关重要。
2、目前常用的粮仓中米象虫检测方法如下：（1）直接观察检查，通过人工肉眼直接观察大米颜色、虫蛀情况等来判断粮仓中是否有米象虫，然而这种方法需要有经验的人员进行检查，且识别效果不稳定，不适用于大规模的粮仓中的米象虫检测识别；（2）化学检测，通过使用化学试剂特性来检测粮仓中是否存在米象虫产生的气体，但这种方法易受到其他因素的干扰，如环境中其他气体的存在等，因此这种方法的米象虫检测识别效果较差。
技术实现思路
1、本专利技术的目的是提供一种基于图像分析的粮仓中米象虫的检测识别方法、系统和相关装置。
2、本专利技术技术方案如下：
3、一种基于图像分析的粮仓中米象虫的检测识别方法，包括如下操作：
4、s1、实时获取粮仓内部图像，当粮仓内部图像中，出现像素大于第一像素阈值的像素点的数量大于第一数值的可疑区域时，将粮仓内部图像对应位置处，含有可疑区域的图像作为初始图像；去除初始图像中的背景光，得到待检测图像；具体为：对
5、s2、判断待检测图像的拉普拉斯方差是否超过第一方差阈值；若拉普拉斯方差不小于第一方差阈值，执行s3；若拉普拉斯方差介于第一方差阈值和第二方差阈值之间，将待检测图像进行图像增强处理，得到图像增强待检图；第一方差阈值大于第二方差阈值；若拉普拉斯方差不大于第二方差阈值，将待检测图像进行特征增强处理，得到特征增强待检图；特征增强处理的操作为：待检测图像经多层正反向递归神经网络处理和多层图卷积处理，得到特征增强待检图；多层正反向递归神经网络和多层图卷积处理的过程中，相同层正反向递归神经网络输出和图卷积输出经融合后，得到当前层融合结果，作为下一层正反向递归神经网络输入和图卷积输入；
6、s3、基于目标像素的长度、和/或宽高比、和/或像素结构，对待检测图像或图像增强待检图或特征增强待检图进行分类处理，得到待检区域米象虫识别结果；若待检区域米象虫识别结果为不存在米象虫，重复执行s1，直至识别结果为存在米象虫。
7、s2中图像增强处理的操作具体为：将待检测图像分割成，由若干个待检块组成的待检分割图；获取待检分割图中，每个待检块的单通道灰度图，根据灰度级别标准，得到每个待检块中每个像素点的灰度级别；将灰度级别低于级别阈值的像素点，在待检分割图中对应位置像素点的像素值，调整为对应目标像素值，得到第一增强待检图，作为图像增强待检图；目标像素值是基于对应像素点的灰度级别、以及对应像素点所在待检块的像素值总数和灰度级别总数得到的。
8、得到第一增强待检图后，还包括判断第一增强待检图的灰度熵是否超过熵阈值；若超过，将第一增强待检图作为图像增强待检图；若未超过，将第一增强待检图进行图像锐化处理，得到第二增强待检图；第二增强待检图与第一增强待检图分别经加权处理后进行叠加处理，得到优化增强待检图，作为图像增强待检图；图像锐化处理的操作具体为：第一增强待检图经单通道灰度处理和卷积处理，得到第一灰度卷积图；第一灰度卷积图与第一增强待检图分别经加权处理后进行叠加处理，得到第一加权融合图；调整第一加权融合图中的对比度至预设对比度后进行去噪处理，得到第二增强待检图。
9、得到优化增强待检图后，还包括判断优化增强待检图的梯度幅度均值是否超过幅度阈值；若超过，将优化增强待检图作为图像增强待检图；若未超过，将优化增强待检图进行细节增强处理，得到第三增强待检图；第三增强待检图与优化增强待检图分别经加权处理后进行叠加处理，得到最优增强待检图，作为图像增强待检图。
10、细节增强处理的操作具体为：将优化增强待检图中，每个像素点邻域范围内的所有像素加权平均值，作为对应像素点的新像素值，得到像素矫正图像；将像素矫正图像中，像素梯度幅度小于邻域范围像素梯度幅度均值的像素点像素梯度幅度更改为标准像素梯度幅度，得到像素梯度校正图像；将像素梯度校正图像中，像素梯度幅度不小于第一像素梯度幅度阈值的像素点，作为第一边缘点；将像素梯度校正图像中，像素梯度幅度介于第一像素梯度幅度阈值和第二像素梯度幅度阈值之间的像素点，作为第二边缘点；连接第一边缘点和第二边缘点，得到边缘图像；边缘图像与优化增强待检图经叠加处理，得到第三增强待检图。
11、s2中在多层正反向递归神经网络处理的操作过程为：上一层的正反向递归神经网络输出中，每个分割块对应的上一层递归特征块图，按照在分割待检图的正向顺序和反向顺序，分别进行递归神经网络处理，得到各自的当前层正向提取图和当前层反向提取图；将每个分割块对应的当前层正向提取图和当前层反向提取图的均值图，作为各自的当前层特征提取图；所有分割块对应的当前层特征提取图，按照分割特征图的正向顺序拼接后，得到当前层递归特征图，作为当前层的正反向递归神经网络输出；执行完最后一层的正反向递归神经网络处理，得到最后一层特征图，用于和多层图卷积处理得到的最后一层卷积特征图进行融合，得到特征增强待检图；分割待检图是通过将待检测图像分割为若干个分割块得到的。
12、s1中得到校正图像的操作具体为：将初始图像的rgb颜色空间转化为hsv颜色空间，得到颜色空间转换图；将颜色空间转换图的色相值、和/或饱和度值和/或亮度值，分别调整为对应的和/或预设色相值、和/或预设饱和度值和/或预设亮度值后，将hsv颜色空间转化为rgb颜色空间，得到校正图像。
13、一种基于图像分析的粮仓中米象虫的检测识别系统，包括：
14、待检测图像生成模块，用于实时获取粮仓内部图像，当粮仓内部图像中，出现像素大于第一像素阈值的像素点的数量大于第一数值的可疑区域时，将粮仓内部图像对应位置处，含有可疑区域的图像作为初始图像；去除初始图像中的背景光，得到待检测图像；具体为：对初始图像的色相值、和/或饱和度值和/或亮度值进行校正处理，得到校正图像；创建一个白色图像，将白色图像中校正图像背景对应位置处颜色替换为目标颜色，得到模板图像；将模板图像与校正图像进行叠加处理，得到待检测图像；
15、拉普拉斯方差判断模块，用于判断待检测图像的拉普拉斯方差是否超过第一方差阈值；若拉普拉斯方差不小于第一方差阈值，执行分类处理模块；若拉普拉斯方差介于第一方差阈值和第二方差阈值之间，将待检测图像进行图像增强处理，得到图像增强待检图；第一方差阈值本文档来自技高网...
【技术保护点】
1.一种基于图像分析的粮仓中米象虫的检测识别方法，其特征在于，包括如下操作：
2.根据权利要求1所述的基于图像分析的粮仓中米象虫的检测识别方法，其特征在于，所述S2中图像增强处理的操作具体为：
3.根据权利要求2所述的基于图像分析的粮仓中米象虫的检测识别方法，其特征在于，
4.根据权利要求3所述的基于图像分析的粮仓中米象虫的检测识别方法，其特征在于，
5.根据权利要求4所述的基于图像分析的粮仓中米象虫的检测识别方法，其特征在于，所述细节增强处理的操作具体为：
6.根据权利要求1所述的基于图像分析的粮仓中米象虫的检测识别方法，其特征在于，所述S2中，在多层正反向递归神经网络处理的操作过程为：
7.根据权利要求1所述的基于图像分析的粮仓中米象虫的检测识别方法，其特征在于，所述S1中得到校正图像的操作具体为：
8.一种基于图像分析的粮仓中米象虫的检测识别系统，其特征在于，包括：
9.一种基于图像分析的粮仓中米象虫的检测识别设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于图像分析的粮仓中米象虫的检测识别方法。
...【技术特征摘要】
1.一种基于图像分析的粮仓中米象虫的检测识别方法，其特征在于，包括如下操作：
2.根据权利要求1所述的基于图像分析的粮仓中米象虫的检测识别方法，其特征在于，所述s2中图像增强处理的操作具体为：
3.根据权利要求2所述的基于图像分析的粮仓中米象虫的检测识别方法，其特征在于，
4.根据权利要求3所述的基于图像分析的粮仓中米象虫的检测识别方法，其特征在于，
5.根据权利要求4所述的基于图像分析的粮仓中米象虫的检测识别方法，其特征在于，所述细节增强处理的操作具体为：
6.根据权利要求1所述的基于图像分析的粮仓中米象虫的检测识别方法，其特征在于，所述s2中，在多层正反向递归神经网...
【专利技术属性】
技术研发人员：王舒惠，宋成祥，张振峰，张荣文，
申请(专利权)人：珠海光安智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。