【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及一种基于机器视觉的茶芽筛选方法。
技术介绍
1、茶叶生产机械化进程中，采茶机械正面临严峻的技术挑战。目前的采茶设备在选择性采摘能力上普遍存在明显短板，难以精准识别和区分新嫩茶芽，致使采摘过程中杂质混入率居高不下、采摘质量极不稳定。传统的往复切割采摘模式不仅对茶树造成显著机械损伤，更严重挫伤了采摘效率和茶叶品质。
2、现有应用于采茶机械的茶芽筛选方法，依赖于图像处理技术，通常包括茶芽的识别、分割和定位等步骤。当前技术在复杂的自然环境中难以准确识别茶芽，尤其是在光照变化和背景干扰较大的情况下，导致茶芽筛选精度低。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供的一种基于机器视觉的茶芽筛选方法解决了现有技术存在茶芽筛选精度低的问题。
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于机器视觉的茶芽筛选方法，包括以下步骤：
3、s1、对茶叶图像筛选疑似芽区像素点，得到芽区显著滤波图像；
4、s2、对芽区显著滤波图像计算像素点的绒毛系数值；
5、s3、根据绒毛系数值筛选绒毛像素点，并对绒毛像素点进行分区处理，再从芽区显著滤波图像上截取绒毛区；
6、s4、采用特征融合单元对绒毛区的像素值和绒毛系数值进行特征融合，得到融合特征；
7、s5、对绒毛区计算芽形态值，采用分类模型对融合特征进行分类处理，基于芽形态值的特征增强，得到茶芽区域。
8、进
9、s11、计算茶叶图像上各像素点的像素值均值；
10、s12、在茶叶图像上，将像素值大于等于像素值均值的像素点标记为疑似芽区像素点，将其他像素点丢弃，得到芽区显著图像；
11、s13、在芽区显著图像上，将孤立的像素点丢弃，得到芽区显著滤波图像。
12、进一步地，s2包括以下分步骤：
13、s21、将芽区显著滤波图像转换到hsi颜色空间，提取i分量；
14、s22、根据i分量，计算芽区显著滤波图像上每个像素点的亮度对比度；
15、s23、对芽区显著滤波图像灰度处理，得到每个像素点的灰度值；
16、s24、根据各个像素点的灰度值，计算芽区显著滤波图像上每个像素点的纹理复杂度；
17、s25、将同一像素点的亮度对比度和纹理复杂度相加，得到绒毛系数值。
18、进一步地，s22中计算亮度对比度的公式为：
19、，其中，μi为第i个像素点的亮度对比度，ii为芽区显著滤波图像上第i个像素点的i分量，ic为芽区显著滤波图像上第i个像素点邻域范围内的i分量均值，i为芽区显著滤波图像上像素点的编号。
20、进一步地，s24中计算纹理复杂度的公式为：
21、，其中，εi为第i个像素点的纹理复杂度，gi为第i个像素点的灰度值，gi,j为第i个像素点邻域范围内第j个像素点的灰度值，gc为邻域范围内的灰度值均值，i为芽区显著滤波图像上像素点的编号，j为邻域范围内像素点的编号，n为邻域范围的大小。
22、进一步地，s3包括以下分步骤：
23、s31、在芽区显著滤波图像上，将绒毛系数值大于绒毛系数阈值的像素点作为绒毛像素点；
24、s32、以一个未分区的绒毛像素点为初始生长点；
25、s33、判断初始生长点的邻域范围内是否存在未分区的绒毛像素点，若是，将未分区的绒毛像素点和初始生长点归为一个候选区，并跳转至步骤s34，若否，则将初始生长点归为一个候选区，并跳转至步骤s32；
26、s34、在候选区中边缘取一个未成为过生长点的绒毛像素点作为新生长点；
27、s35、判断新生长点的邻域范围内是否存在未分区的绒毛像素点，若是，将未分区的绒毛像素点归为该候选区，并跳转至步骤s34，若否，则直接跳转至步骤s34，直到候选区中所有边缘绒毛像素点的邻域范围内均不存在未分区的绒毛像素点；
28、s36、跳转至步骤s32，直到芽区显著滤波图像上所有绒毛像素点均有对应候选区；
29、s37、丢弃像素点数量小于数量阈值的候选区；
30、s38、对剩余每个候选区中设置最小外接矩形；
31、s39、根据最小外接矩形的位置，从芽区显著滤波图像截取绒毛区。
32、进一步地，s4中特征融合单元的表达式为：
33、，其中，x为融合特征，为的卷积层，a为绒毛区的像素值，b为绒毛区的绒毛系数值，为按元素相乘。
34、进一步地，s5中计算芽形态值的公式为：
35、，其中，γ为芽形态值，length为绒毛区的长度，width为绒毛区的宽度。
36、进一步地，s5中分类模型包括：cnn网络、特征增强单元和全连接层；
37、cnn网络的输入端用于输入融合特征，其输出端与特征增强单元的第一输入端连接；
38、特征增强单元的第二输入端用于输入芽形态值，其输出端与全连接层的输入端连接；
39、全连接层的输出端作为分类模型的输出端。
40、进一步地，特征增强单元的表达式为：，其中，z为特征增强单元的输出，y为cnn网络的输出，γ为芽形态值。
41、综上，本专利技术的有益效果为：
42、1、本专利技术通过对茶叶图像筛选疑似芽区像素点，并滤波处理，有效增强茶芽区，减少其他区域的干扰。
43、2、本专利技术对芽区显著滤波图像计算像素点的绒毛系数值，体现每个像素点的绒毛特征情况，进一步地表征芽区特征。
44、3、本专利技术根据绒毛系数值筛选绒毛像素点，实现对绒毛像素点的分区处理，使得属于一个茶芽的区域从芽区显著滤波图像上剥离出来，进一步地减少其他区域的干扰，凸显芽区特征。
45、4、本专利技术将绒毛区的像素值和绒毛系数值进行特征融合，增强茶芽特征，提升了对茶芽形态的识别能力，提高了筛选的准确性，提高了方法在不同光照条件和复杂背景下的鲁棒性。
46、5、本专利技术再对绒毛区计算芽形态值，利用分类模型对融合特征进行分类处理，再基于芽形态值进行特征增强，减低非茶芽图像的干扰，提高筛选精度。
本文档来自技高网...【技术保护点】
1.一种基于机器视觉的茶芽筛选方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器视觉的茶芽筛选方法，其特征在于，所述S1包括以下分步骤：
3.根据权利要求1所述的基于机器视觉的茶芽筛选方法，其特征在于，所述S2包括以下分步骤：
4.根据权利要求3所述的基于机器视觉的茶芽筛选方法，其特征在于，所述S22中计算亮度对比度的公式为：
5.根据权利要求3所述的基于机器视觉的茶芽筛选方法，其特征在于，所述S24中计算纹理复杂度的公式为：
6.根据权利要求1所述的基于机器视觉的茶芽筛选方法，其特征在于，所述S3包括以下分步骤：
7.根据权利要求1所述的基于机器视觉的茶芽筛选方法，其特征在于，所述S4中特征融合单元的表达式为：
8.根据权利要求1所述的基于机器视觉的茶芽筛选方法，其特征在于，所述S5中计算芽形态值的公式为：，其中，γ为芽形态值，Length为绒毛区的长度，Width为绒毛区的宽度。
9.根据权利要求1所述的基于机器视觉的茶芽筛选方法，其特征在于，所述S5中分类模型包括
10.根据权利要求9所述的基于机器视觉的茶芽筛选方法，其特征在于，所述特征增强单元的表达式为：，其中，Z为特征增强单元的输出，Y为CNN网络的输出，γ为芽形态值。
...【技术特征摘要】
1.一种基于机器视觉的茶芽筛选方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器视觉的茶芽筛选方法，其特征在于，所述s1包括以下分步骤：
3.根据权利要求1所述的基于机器视觉的茶芽筛选方法，其特征在于，所述s2包括以下分步骤：
4.根据权利要求3所述的基于机器视觉的茶芽筛选方法，其特征在于，所述s22中计算亮度对比度的公式为：
5.根据权利要求3所述的基于机器视觉的茶芽筛选方法，其特征在于，所述s24中计算纹理复杂度的公式为：
6.根据权利要求1所述的基于机器视觉的茶芽筛选方法，其特征在于，所述s3包括以下分步骤：
...【专利技术属性】
技术研发人员：周彦君，王浩，马倩，杨巧玉，邓佳，吴建，林川尧，刘小谭，叶江红，李清，
申请(专利权)人：四川省农业机械科学研究院，
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。