【技术实现步骤摘要】
本专利技术属于计算机视觉，具体涉及一种融合主脉特征和边缘特征的烟叶检测方法。
技术介绍
1、烟叶作为我国重要的经济作物，而对烤烟定级是一个重要的生产环节。随着计算机视觉、深度学习等技术的不断发展、人工智能的快速发展产生了能够对烟叶图像进行处理并自动分级的技术。现有技术通过对烟叶图像处理能识别烟叶上是否有卷曲、折叠、皱缩等等缺陷，也能实现对展开烟叶上的色泽、长度等方面的数据采集，再通过深度学习技术能够得到较准确的烟叶分级效果。
2、然而，目前对烟叶进行检测评级时，需要考虑的因素包括烟叶的长度、缺损情况等，而想要准确检测相关数据，需要烟叶处于基本上完全展开的状态，而烟叶在运输储存过程中难免会出现卷曲、皱缩、折叠等情况，此时如果要进行相关检测都需要对烟叶进行展开，目前为了减少烟叶展开时的破损，一般由人工展开后再采集展开后的烟叶图像实现对烟叶长度、缺损情况的检测，造成需要大量人工，并且效率较低。
技术实现思路
1、本专利技术的目的是提供一种融合主脉特征和边缘特征的烟叶检测方法，用于解决现有技术中由于卷曲、折叠、皱缩等缺陷影响烟叶检测分级而需要展开的烟叶，需要人工展开烟叶后采集图像进行检测分级，耗费人工且效率低下的技术问题。
2、所述的一种融合主脉特征和边缘特征的烟叶检测方法，包括：获取样本图像和配对目标图像，样本图像中包含需要展开才能进行检测分级的需展开烟叶，样本图像与配对目标图像对应；建立主脉-边缘-烟叶生成模型，所述主脉-边缘-烟叶生成模型包括对抗生成网络一、对
3、优选的，该烟叶检测方法包括下列步骤。
4、s1、采集初始样本图像，建立初始样本图像集，图像初始样本图像中包含需要展开才能进行检测分级的需展开烟叶。
5、s2、建立主脉-边缘-烟叶生成模型。
6、s3、扩展样本图像数量，从需展开烟叶的初始样本图像提取主脉特征和边缘特征并融合，利用融合所得的主脉-边缘特征一与对应的配对目标图像结合训练对抗生成网络一，再通过向训练后的对抗生成网络一输入需展开烟叶的初始样本图像生成扩张样本图像，扩张样本图像和初始样本图像均属于样本图像。
7、s4、让对抗生成网络一和对抗生成网络二组成循环对抗生成网络，从样本图像提取融合获得的主脉-边缘特征二，利用主脉-边缘特征二与样本图像结合训练主脉-边缘-烟叶生成模型。
8、s5、将训练好的主脉-边缘-烟叶生成模型结合到烟叶检测模型对烟叶进行检测，烟叶检测模型包括烟叶缺陷检测模型和烟叶分级检测模型。
9、优选的，主脉特征提取模块输出只包含主脉部分的主脉特征 mx，边缘特征提取模块输出只包含烟叶边缘的边缘特征 ex，之后通过主脉-边缘融合模块将主脉特征 mx和边缘特征 ex融合为主脉-边缘特征一 mex1，相应计算式为：，其中，α为主脉特征 mx的权重，β为边缘特征 ex的权重，而α和β这两个权重的计算式依次为：，；其中 a α和 a β依次为用于调节权重α的参数矩阵和用于调节权重β的参数矩阵。
10、优选的，对抗生成网络一包括生成器一 g y和判别器一 d y，生成器一 g y包括编码器一和混合器一；所述步骤s3中，从初始样本图像 x 0提取主脉特征和边缘特征并融合得到主脉-边缘特征一 mex1；对抗生成网络一的输入是配对目标图像 y，配对标图像 y先由编码器一处理，编码器一提取的特征与之前获取的主脉-边缘特征一 mex1拼接后输入到混合器一生成了扩张样本图像 x'，再将扩张样本图像 x'输入判别器一 d y，通过与配对目标图像 y对应的初始样本图像 x 0对判别器一 d y进行训练，训练好判别器一 d y后利用判别器一 d y对生成器一 g y进行训练，从而得到训练后的对抗生成网络一。
11、优选的，所述对抗生成网络二包括生成器二 g x和判别器二 d x，所述生成器二 g x包括编码器二和混合器二；所述步骤s4中，从样本图像 x提取主脉特征和边缘特征并融合得到主脉-边缘特征二 mex2；样本图像 x输入生成器二 g x由编码器二处理，编码器二提取的特征与主脉-边缘特征二 mex2拼接后输入到混合器二生成了目标展开图像 y'，再将目标展开图像 y'输入判别器二 d 本文档来自技高网...
【技术保护点】
1.一种融合主脉特征和边缘特征的烟叶检测方法，其特征在于：包括：获取样本图像和配对目标图像，样本图像中包含需要展开才能进行检测分级的需展开烟叶，样本图像与配对目标图像对应；建立主脉-边缘-烟叶生成模型，所述主脉-边缘-烟叶生成模型包括对抗生成网络一、对抗生成网络二、主脉特征提取模块、边缘特征提取模块和主脉-边缘融合模块；从样本图像通过主脉特征提取模块和边缘特征分别提取模提取烟叶的主脉特征和边缘特征，并融合获得主脉-边缘特征，利用主脉-边缘特征二与样本图像结合训练主脉-边缘-烟叶生成模型，对抗生成网络一将样本图像转化为目标展开图像，对抗生成网络二将目标展开图像转化为样本重构图像，配对目标图像和样本图像分别能用于训练对抗生成网络一的判别器和对抗生成网络二的判别器；主脉-边缘-烟叶生成模型的模型损失包含对应对抗生成网络一的对抗生成损失一、对应对抗生成网络二的对抗生成损失二、循环一致性损失、主脉特征损失和边缘特征损失；主脉特征损失表示提取自样本重构图像的主脉特征与提取自样本图像的主脉特征之间的损失，边缘特征损失表示提取自样本重构图像的边缘特征与提取自样本图像的边缘特征之间的损失，检测时将
2.根据权利要求1所述的一种融合主脉特征和边缘特征的烟叶检测方法，其特征在于：包括下列步骤：
3.根据权利要求2所述的一种融合主脉特征和边缘特征的烟叶检测方法，其特征在于：主脉特征提取模块输出只包含主脉部分的主脉特征mx，边缘特征提取模块输出只包含烟叶边缘的边缘特征ex，之后通过主脉-边缘融合模块将主脉特征mx和边缘特征ex融合为主脉-边缘特征一mex1，相应计算式为：，其中，α为主脉特征mx的权重，β为边缘特征ex的权重，而α和β这两个权重的计算式依次为：，；其中Aα和Aβ依次为用于调节权重α的参数矩阵和用于调节权重β的参数矩阵。
4.根据权利要求3所述的一种融合主脉特征和边缘特征的烟叶检测方法，其特征在于：对抗生成网络一包括生成器一Gy和判别器一Dy，生成器一Gy包括编码器一和混合器一；所述步骤S3中，从初始样本图像x0提取主脉特征和边缘特征并融合得到主脉-边缘特征一mex1；对抗生成网络一的输入是配对目标图像y，配对标图像y先由编码器一处理，编码器一提取的特征与之前获取的主脉-边缘特征一mex1拼接后输入到混合器一生成了扩张样本图像x'，再将扩张样本图像x'输入判别器一Dy，通过与配对目标图像y对应的初始样本图像x0对判别器一Dy进行训练，训练好判别器一Dy后利用判别器一Dy对生成器一Gy进行训练，从而得到训练后的对抗生成网络一。
5.根据权利要求3所述的一种融合主脉特征和边缘特征的烟叶检测方法，其特征在于：所述对抗生成网络二包括生成器二Gx和判别器二Dx，所述生成器二Gx包括编码器二和混合器二；所述步骤S4中，从样本图像x提取主脉特征和边缘特征并融合得到主脉-边缘特征二mex2；样本图像x输入生成器二Gx由编码器二处理，编码器二提取的特征与主脉-边缘特征二mex2拼接后输入到混合器二生成了目标展开图像y'，再将目标展开图像y'输入判别器二Dx，通过对应于样本图像x的配对目标图像y对判别器二Dx进行训练，训练好判别器二Dx后利用判别器二Dx对生成器二Gx进行训练，从而得到训练后的对抗生成网络一。
6.根据权利要求5所述的一种融合主脉特征和边缘特征的烟叶检测方法，其特征在于：所述步骤S4中，将生成器二Gx生成的目标展开图像y'作为之前训练过的对抗生成网络一的输入，此时生成器一Gy中，编码器一提取的特征则是与主脉-边缘特征二mex2拼接后输入到混合器一，从而得到对抗生成网络一生成的样本重构图像；将样本重构图像输入判别器一Dy，通过与配对目标图像y对应的样本图像x对判别器一Dy进行训练，训练好判别器一Dy后利用判别器一Dy对生成器一Gy进行训练，得到训练后的对抗生成网络一。
7.根据权利要求1所述的一种融合主脉特征和边缘特征的烟叶检测方法，其特征在于：对抗生成损失一LGANy、对抗生成损失二LGANx、循环一致性损失Lcyc、主脉特征损失LMAI和边缘特征损失LEDG的计算公式依次如下：
8.根据权利要求7所述的一种融合主脉特征和边缘特征的烟叶检测方法，其特征在于：主脉-边缘-烟叶生成模型的模型损失函数为：
9.根据权利要求2所述的一种融合主脉特征和边缘特征的烟叶检测方法，其特征在于：所述步骤S5中，烟叶检测模型包括烟叶缺陷检测模型和烟叶分级检测模型；烟叶缺陷检测模型从图像中识别出缺陷部分后并对缺陷部分进行分类，相应输出为分类所得的缺陷标签；基于缺陷标签判断图像中是否包含需展开烟叶；若...
【技术特征摘要】
1.一种融合主脉特征和边缘特征的烟叶检测方法，其特征在于：包括：获取样本图像和配对目标图像，样本图像中包含需要展开才能进行检测分级的需展开烟叶，样本图像与配对目标图像对应；建立主脉-边缘-烟叶生成模型，所述主脉-边缘-烟叶生成模型包括对抗生成网络一、对抗生成网络二、主脉特征提取模块、边缘特征提取模块和主脉-边缘融合模块；从样本图像通过主脉特征提取模块和边缘特征分别提取模提取烟叶的主脉特征和边缘特征，并融合获得主脉-边缘特征，利用主脉-边缘特征二与样本图像结合训练主脉-边缘-烟叶生成模型，对抗生成网络一将样本图像转化为目标展开图像，对抗生成网络二将目标展开图像转化为样本重构图像，配对目标图像和样本图像分别能用于训练对抗生成网络一的判别器和对抗生成网络二的判别器；主脉-边缘-烟叶生成模型的模型损失包含对应对抗生成网络一的对抗生成损失一、对应对抗生成网络二的对抗生成损失二、循环一致性损失、主脉特征损失和边缘特征损失；主脉特征损失表示提取自样本重构图像的主脉特征与提取自样本图像的主脉特征之间的损失，边缘特征损失表示提取自样本重构图像的边缘特征与提取自样本图像的边缘特征之间的损失，检测时将训练好的主脉-边缘-烟叶生成模型结合到烟叶检测模型对烟叶进行检测。
2.根据权利要求1所述的一种融合主脉特征和边缘特征的烟叶检测方法，其特征在于：包括下列步骤：
3.根据权利要求2所述的一种融合主脉特征和边缘特征的烟叶检测方法，其特征在于：主脉特征提取模块输出只包含主脉部分的主脉特征mx，边缘特征提取模块输出只包含烟叶边缘的边缘特征ex，之后通过主脉-边缘融合模块将主脉特征mx和边缘特征ex融合为主脉-边缘特征一mex1，相应计算式为：，其中，α为主脉特征mx的权重，β为边缘特征ex的权重，而α和β这两个权重的计算式依次为：，；其中aα和aβ依次为用于调节权重α的参数矩阵和用于调节权重β的参数矩阵。
4.根据权利要求3所述的一种融合主脉特征和边缘特征的烟叶检测方法，其特征在于：对抗生成网络一包括生成器一gy和判别器一dy，生成器一gy包括编码器一和混合器一；所述步骤s3中，从初始样本图像x0提取主脉特征和边缘特征并融合得到主脉-边缘特征一mex1；对抗生成网络一的输入是配对目标图像y，配对标图像y先由编码器一处理，编码器一提取的特征与之前获取的主脉-边缘特征一mex1拼接后输入到混合器一生成了扩张样本图像x'，再将扩张样本图像x...
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。