CN112668488A - 种子自动识别的方法、系统及电子设备 - Google Patents
种子自动识别的方法、系统及电子设备 Download PDFInfo
- Publication number
- CN112668488A CN112668488A CN202011608846.5A CN202011608846A CN112668488A CN 112668488 A CN112668488 A CN 112668488A CN 202011608846 A CN202011608846 A CN 202011608846A CN 112668488 A CN112668488 A CN 112668488A
- Authority
- CN
- China
- Prior art keywords
- seed
- preset
- image
- seeds
- detected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 104
- 238000002372 labelling Methods 0.000 claims abstract description 13
- 238000012850 discrimination method Methods 0.000 claims 1
- 239000002245 particle Substances 0.000 claims 1
- 238000005286 illumination Methods 0.000 abstract description 9
- 230000008094 contradictory effect Effects 0.000 description 28
- 244000068988 Glycine max Species 0.000 description 15
- 235000010469 Glycine max Nutrition 0.000 description 15
- 240000008042 Zea mays Species 0.000 description 11
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 11
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 11
- 235000005822 corn Nutrition 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 235000017060 Arachis glabrata Nutrition 0.000 description 4
- 244000105624 Arachis hypogaea Species 0.000 description 4
- 235000010777 Arachis hypogaea Nutrition 0.000 description 4
- 235000018262 Arachis monticola Nutrition 0.000 description 4
- 238000003703 image analysis method Methods 0.000 description 4
- 235000020232 peanut Nutrition 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 240000002791 Brassica napus Species 0.000 description 1
- 235000004977 Brassica sinapistrum Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种种子自动识别方法、系统及电子设备，获取包含种子的待检测图像；将所述待检测图像输入针对N种预设种子类型的检测分类器；当针对N种预设种子类型的检测分类器在所述待检测图像中检测出所述N种预设种子类型中的种子时，利用所述针对N种预设种子类型的检测分类器对检测出的种子进行标注，得到检测结果，其中N为正整数。利用针对N种预设种子类型的检测分类器对包含种子的待检测图像进行自动识别，对于待检测图像的背景、光照等没有严格的要求，从而便于推广和普及。
Description
技术领域
本发明涉及深度学习计算机视觉领域，尤其涉及一种种子自动识别的方法、系统及电子设备。
背景技术
在农业领域，通常需要对不同的类型种子进行分类，从而能够进一步指导分拣或者其他应用。现有分类技术主要是采取图像分析法，即通过综合分析种子的颜色、形状等特征，对不同品种种子分类。另外，在育种工作中，通常需要获得种子的千粒重参数，目前也有这类专门的千粒重仪，首先根据目标颜色确定种子区域，在通过分析种子的长、宽、长宽比、面积、等效直径、周长等信息分割单粒种子用于计数。
以上无论是分类还是计数方法，对背景噪声都十分敏感。在获取待检测图像时，通常需要特定的颜色或者光照条件，比如现有千粒重仪就需要将种子放置在定制的背光光源板上。
由于现有的种子自动识别和分类的技术对于背景、光照等条件要求很高，从而导致现有的种子自动识别和分类的技术在推广及普及上产生了较大的限制。
发明内容
为了克服现有的针对种子自动识别技术对于背景、光照等条件要求过高，从而限制推广和普及的问题，本发明提供了一种种子自动识别的方法、系统及电子设备。
第一方面，为了解决上述技术问题，本发明提供了一种种子自动识别方法，包括以下步骤：
获取包含种子的待检测图像；
将所述待检测图像输入针对N种预设种子类型的检测分类器；当针对N种预设种子类型的检测分类器在所述待检测图像中检测出所述N种预设种子类型中的种子时，利用所述针对N种预设种子类型的检测分类器对检测出的种子进行标注，得到检测结果，其中N为正整数。其中，检测结果包括结果图像以及该结果图像所含有的符合每种预设种子类型的种子数量。
本发明提供的种子自动识别方法的有益效果是：通过利用针对N种预设种子类型的检测分类器对待检测图像中的所有种子进行检测，可以方便快捷地识别出待检测图像中符合预设种子类型的种子，同时，针对N种预设种子类型的检测分类器对于待检测图像的背景、光照等没有严格的要求，从而便于推广和普及。
在上述技术方案的基础上，本发明的一种种子自动识别方法还可以做如下改进。
进一步，所述种子自动识别方法还包括：
采集不同背景下的种子图像，得到多张包含种子的第一种子图像；
利用LabelImg图像标注软件在所有第一种子图像中对K种预设目标种子类型的种子添加种子类型标签，得到多张含有种子类型标签的第二种子图像；
根据所述多张含有种子类型标签的第二种子图像和TensorFlow训练模型，训练出针对N种预设种子类型的检测分类器，其中，N≤K，K为正整数。
采用上述进一步方案的有益效果是：通过采集不同背景下的种子图像可以使得后续训练出的检测分类器具有更高的普适性，能够检测多种背景条件下的图像；通过利用LabelImg图像标注软件添加种子类型标签，可以得到针对K种预设目标种子类型的多张第二种子图像，从而方便后续训练检测出针对N种预设种子类型的检测分类器；通过多张含有种子类型标签的第二种子图像和TensorFlow训练模型，可以根据人为需求训练出相应的检测分类器，使得检测分类器更具针对性及可定制。
进一步，利用所述针对N种预设种子类型的检测分类器对检测出的种子进行标注，包括：
获取所述待检测图像的高层特征，并根据所述高层特征将所述待检测图像中的每颗种子进行单独分割，得到M张单粒种子图像，所述M为正整数；
利用所述针对N种预设种子类型的检测分类器将所述M张单粒种子图像中的每张单粒种子图像分别所述N种预设种子类型中的每一种预设种子类型进行匹配，得到M×N个第一匹配度；
当判定任一单粒种子图像对应的第一匹配度中只有一个第一匹配度大于预设种子类型的预设匹配度时，则将该单粒种子图像标注为匹配出的预设种子类型；
当判定任一单粒种子图像对应的第一匹配度中有至少两个第一匹配度大于预设种子类型的预设匹配度时，则利用预设策略对该单粒种子图像进行检测；
直至完成对所有所述单粒种子图像的判定。
所述预设策略包括利用现有分类技术如图像分析法等对该单粒种子图像进行检测；
或者，根据该单粒种子图像的所述至少两个大于预设种子类型的预设匹配度的第一匹配度，得到至少两个矛盾预设种子类型，并训练出针对所述至少两个矛盾预设种子类型的检测分类器，
利用该针对所述至少两个矛盾预设种子类型的检测分类器将所述单粒种子图像分别与所述至少两种矛盾预设种子类型中的每一种矛盾预设种子类型进行匹配，得到至少两个第二匹配度，
当判定所述单粒种子图像对应的第二匹配度中只有一个第二匹配度大于矛盾预设种子类型的预设匹配度时，则将该单粒种子图像标注为匹配出的矛盾预设种子类型；当判定所述单粒种子图像对应的第二匹配度中有至少两个第二匹配度大于矛盾预设种子类型的预设匹配度时，可以再次利用预设策略对该单粒种子图像进行检测；直至完成对所有所述单粒种子图像的判定。
采用上述进一步方案的有益效果是：待检测图像的高层特征是该待检测图像的颜色、纹理等特征的结合，因此通过高层特征可以识别出待检测图像中每颗种子的轮廓，从而得到M张单粒种子图像；通过针对N种预设种子类型的检测分类器将所述M张单粒种子图像中的每张单粒种子图像分别所述N种预设种子类型中的每一种预设种子类型进行匹配，可以识别出每张单粒种子图像是否符合N种预设种子类型中的一种，从而方便后续对待检测图像的标注；此外，通过预设策略对单粒种子图像进行再次检测，可以有效提高种子自动识别的准确性。
进一步，所述获取包含种子的待检测图像，包括：
当采集到包含种子的视频时，则将所述包含种子的视频进行分割，得到多张单帧的包含种子的图像，根据用户需求从所述多张单帧的包含种子的图像选取待检测图像。
采用上述进一步方案的有益效果是：通过将采集到的包含种子的视频进行分割，使得本方案具有更高的普适性，对于包含种子的视频或者图像都可以进行识别；此外，可以根据用户需求从所述多张单帧的包含种子的图像选取待检测图像，使得本方案的种子自动识别更具有针对性，同时也方便了用户，从而优化了用户体验。
进一步，所述获取包含种子的待检测图像，包括：
通过离线采集和在线采集的方式获取所述待检测图像。
采用上述进一步方案的有益效果是：可以根据用户需求选择离线采集或者在线采集的方式获取待检测图像，使得本方案具有更高的普适性，同时也方便了用户，从而优化了用户体验。
进一步，还包括：
当针对N种预设种子类型的检测分类器在所述待检测图像中没有检测出所述N种预设种子类型中的种子时，直接输出所述待检测图像。
采用上述进一步方案的有益效果是：可以提高针对N种预设种子类型的检测分类器的检测效率，同时做到及时向用户反馈检测结果，从而做到方便快捷。
第二方面，本发明提供了一种种子自动识别系统，包括采集模块和检测模块，
所述采集模块用于获取待检测种子图像；
所述检测模块用于将所述待检测图像输入针对N种预设种子类型的检测分类器；当针对N种预设种子类型的检测分类器在所述待检测图像中检测出所述N种预设种子类型中的种子时，利用所述针对N种预设种子类型的检测分类器对检测出的种子进行标注，得到检测结果，其中N为正整数。
本发明提供的种子自动识别系统的有益效果是：通过利用针对N种预设种子类型的检测分类器对待检测图像中的所有种子进行检测，可以方便快捷地识别出待检测图像中符合预设种子类型的种子，同时，针对N种预设种子类型的检测分类器对于待检测图像的背景、光照等没有严格的要求，从而便于推广和普及。
在上述技术方案的基础上，本发明的一种种子自动识别系统还可以做如下改进。
进一步，还包括结果显示模块，
所述结果显示模块用于显示所述检测结果。
结果显示模块可以通过图像、数据等多种方式向用户反馈检测结果，在为检测结果的展示提供了便利。
进一步，还包括模型训练模块，
所述模型训练模块用于采集不同背景下的种子图像，得到多张包含种子的第一种子图像；
利用LabelImg图像标注软件在所有第一种子图像中对K种预设目标种子类型的种子添加种子类型标签，得到多张含有种子类型标签的第二种子图像；
根据所述多张含有种子类型标签的第二种子图像和TensorFlow训练模型，训练出针对N种预设种子类型的检测分类器，其中，N≤K，K为正整数。
采用上述进一步方案的有益效果是：通过采集不同背景下的种子图像可以使得后续训练出的检测分类器具有更高的普适性，能够检测多种背景条件下的图像；通过利用LabelImg图像标注软件添加种子类型标签，可以得到针对K种预设目标种子类型的多张第二种子图像，从而方便后续训练检测出针对N种预设种子类型的检测分类器；通过多张含有种子类型标签的第二种子图像和TensorFlow训练模型，可以根据人为需求训练出相应的检测分类器，使得检测分类器更具针对性及可定制。
第三方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，所述处理器执行所述程序时实现上述任一项所述的一种种子自动识别方法的步骤。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面结合附图和实施例对本发明作进一步说明。
图1为本发明实施例的一种种子自动识别方法的流程示意图；
图2为本发明实施例提供的种子自动识别检测结果示意图；
图3为本发明实施例的一种种子自动识别系统的结构示意图；
图4为本发明实施例的一种电子设备的结构示意图。
具体实施方式
下列实施例是对本发明的进一步解释和补充，对本发明不构成任何限制。
以下结合附图描述本发明实施例的种子自动识别方法。
如图1所示，本发明实施例的一种种子自动识别方法，包括如下步骤：
S2、获取包含种子的待检测图像；
S3、将所述待检测图像输入针对N种预设种子类型的检测分类器；当针对N种预设种子类型的检测分类器在所述待检测图像中检测出所述N种预设种子类型中的种子时，利用所述针对N种预设种子类型的检测分类器对检测出的种子进行标注，得到检测结果，其中N为正整数。
其中，检测结果可以包括结果图像和统计数据，如图2所示，结果图像为标注出所有符合预设种子类型的种子的待检测图像，统计数据为结果图像中所含有的每一种预设种子类型的种子数量。
通过利用针对N种预设种子类型的检测分类器对待检测图像中的所有种子进行检测，可以方便快捷地识别出待检测图像中符合预设种子类型的种子，同时，针对N种预设种子类型的检测分类器对于待检测图像的背景、光照等没有严格的要求，从而便于推广和普及。
具体地，所述获取包含种子的待检测图像，包括：
当采集到包含种子的视频时，则将所述包含种子的视频进行分割，得到多张单帧的包含种子的图像，根据用户需求从所述多张单帧的包含种子的图像选取待检测图像。
通过将采集到的包含种子的视频进行分割，使得本方案具有更高的普适性，对于包含种子的视频或者图像都可以进行识别；此外，可以根据用户需求从所述多张单帧的包含种子的图像选取待检测图像，使得本方案的种子自动识别更具有针对性，同时也方便了用户，从而优化了用户体验。
具体地，所述获取包含种子的待检测图像，包括：
通过离线采集和在线采集的方式获取所述待检测图像。
可以根据用户需求选择离线采集或者在线采集的方式获取待检测图像，使得本方案具有更高的普适性，同时也方便了用户，从而优化了用户体验。
具体地，还包括：
当所述针对N种预设种子类型的检测分类器在所述待检测图像中没有检测出所述N种预设种子类型中的种子时，直接输出所述待检测图像。
可以提高针对N种预设种子类型的检测分类器的检测效率，同时做到及时向用户反馈检测结果，从而做到方便快捷。
优选地，还包括：
S11、采集不同背景下的种子图像，得到多张包含种子的第一种子图像；
S12、利用LabelImg图像标注软件在所有第一种子图像中对K种预设目标种子类型的种子添加种子类型标签，得到多张含有种子类型标签的第二种子图像；
S13、根据所述多张含有种子类型标签的第二种子图像和TensorFlow训练模型，训练出针对N种预设种子类型的检测分类器，其中，N≤K，K为正整数。
其中，可以使用各种可采集图像的设备进行采集种子图像，手机、网络相机或者专业相机等都可以，此外，采集到的多张第一种子图像是由有着不同的背景、光照等复杂条件和环境的图像所组成。
具体地，设置K＝4，即有4种预设目标种子类型，分别为油菜、大豆、玉米和花生，设置N＝3，即有3种预设种子类型，分别为油菜、大豆和玉米。
1)查看每一张第一种子图像，当第一种子图像中的种子有属于油菜、大豆、玉米、花生这4种预设目标种子类型的种子时，利用LabelImg图像标注软件在该第一种子图像中添加相应的种子类型标签。
例如，对该第一种子图像中的油菜种子添加“油菜”这一种子类型标签，对该第一种子图像中的花生种子添加“花生”这一种子类型标签。
2)在所有第一种子图像的种子类型标签添加完成后，得到多张含有种子类型标签的第二种子图像，将每张第二种子图像都生成一个.xml文件，每个.xml文件中包含其对应的第二种子图像的种子类型标签数据。
3)将所有所述第二种子图像对应的.xml文件转换为TFRecords格式，作为TensorFlow训练模型的输入数据。
4)对TensorFlow训练模型的参数进行修改；
①在object_detection模块中找到labelmap.pbtxt文件，并将labelmap.pbtxt文件中每个item函数中的参数id和参数name改为相应的预设种子类型。例如：
②在object_detection模块中找到generate_tfrecord.py文件，并将generate_tfrecord.py文件的参数row_label修改为相应的预设种子类型，例如：
③将fast_rcnn_inception_v2_pets.config文件中的检测类别改为3。
5)运行TensorFlow训练模型中的train.py，根据以上标记好的数据训练自己的分类器，生成frozen_inference_graph.pb文件，该文件包含了针对油菜、大豆、玉米这3种预设种子类型所训练的检测分类器。
通过采集不同背景下的种子图像可以使得后续训练出的检测分类器具有更高的普适性，能够检测多种背景条件下的图像；通过利用LabelImg图像标注软件添加种子类型标签，可以得到针对K种预设目标种子类型的多张第二种子图像，从而方便后续训练检测出针对N种预设种子类型的检测分类器；通过多张含有种子类型标签的第二种子图像和TensorFlow训练模型，可以根据人为需求训练出相应的检测分类器，使得检测分类器更具针对性及可定制。
优选地，上述技术方案的S3中的利用所述针对N种预设种子类型的检测分类器对检测出的种子进行标注，包括：
获取所述待检测图像的高层特征，并根据所述高层特征将所述待检测图像中的每颗种子进行单独分割，得到M张单粒种子图像，所述M为正整数；
利用所述针对N种预设种子类型的检测分类器将所述M张单粒种子图像中的每张单粒种子图像分别所述N种预设种子类型中的每一种预设种子类型进行匹配，得到M×N个第一匹配度；
当判定任一单粒种子图像对应的第一匹配度中只有一个第一匹配度大于预设种子类型的预设匹配度时，则将该单粒种子图像标注为匹配出的预设种子类型；
当判定任一单粒种子图像对应的第一匹配度中有至少两个第一匹配度大于预设种子类型的预设匹配度时，则利用预设策略对该单粒种子图像进行检测；
直至完成对所有所述单粒种子图像的判定。
所述预设策略包括利用现有分类技术如图像分析法等对该单粒种子图像进行检测；
或者，根据该单粒种子图像的所述至少两个大于预设种子类型的预设匹配度的第一匹配度，得到至少两个矛盾预设种子类型，并训练出针对所述至少两个矛盾预设种子类型的检测分类器，
利用该针对所述至少两个矛盾预设种子类型的检测分类器将所述单粒种子图像分别与所述至少两种矛盾预设种子类型中的每一种矛盾预设种子类型进行匹配，得到至少两个第二匹配度，
当判定所述单粒种子图像对应的第二匹配度中只有一个第二匹配度大于矛盾预设种子类型的预设匹配度时，则将该单粒种子图像标注为匹配出的矛盾预设种子类型；当判定所述单粒种子图像对应的第二匹配度中有至少两个第二匹配度大于矛盾预设种子类型的预设匹配度时，可以再次利用预设策略对该单粒种子图像进行检测，直至完成对所有所述单粒种子图像的判定。
其中，高层特征为种子的颜色、纹理等的结合，可以根据高层特征将所述待检测图像中的每颗种子进行单独分割。
如图2所示，待检测图像中共有16颗种子，根据高层特征分割可以得到16张单粒种子图像，利用对油菜、大豆、玉米这3种预设种子类型所训练的检测分类器将所述16张单粒种子图像中的每张单粒种子图像分别所述3种预设种子类型中的每一种预设种子类型进行匹配，得到16×3个第一匹配度，如表1所示；
表1
1)设定所有预设种子类型的预设匹配度均为50％，根据表1可以判定第1张、第3张、第6张、第14张和第16张这5张单粒种子图像与“大豆”这一预设种子类型进行匹配得到的第一匹配度大于50％，因此在待检测图像中标注出这5张单粒种子图像为“大豆”，同时还可以如图2所示，标注出每张单粒种子图像的第一匹配度；
2)设定所有预设种子类型的预设匹配度均为30％，根据表1可以判定第1张和第14张这2张单粒种子图像与“大豆”和“玉米”这两种预设种子类型进行匹配得到的第一匹配度均大于30％，此时“大豆”和“玉米”这两种预设种子类型为矛盾预设种子类型；
训练出针对“大豆”和“玉米”这两种矛盾预设种子类型的检测分类器，该检测分类器将第1张单粒种子图像和第14张单粒种子图像与“大豆”和“玉米”这两种矛盾预设种子类型分别进行匹配，第1张单粒种子图像得到两个第二匹配度，第14张单粒种子图像得到两个第二匹配度，如表2所示：
| “玉米”第二匹配度 | “大豆”第二匹配度 | |
| 第1张单粒种子图像 | 24％ | 98％ |
| 第14张单粒种子图像 | 23％ | 99％ |
表2
设定矛盾预设种子类型的预设匹配度为30％，因此，由表2可知，第1张单粒种子图像和第14张单粒种子图像与“大豆”这一预设种子类型进行匹配得到的第二匹配度大于30％，因此在待检测图像中标注出这2张单粒种子图像为“大豆”，同时还可以如图2所示，标注出每张单粒种子图像的第一匹配度；
3)每种预设种子类型分别设定预设匹配度，例如，设定“玉米”的预设匹配度为40％，“大豆”的预设匹配度为90％，“油菜”的预设匹配度为50％，根据表1可以得到，第8张和第12张单粒种子图像为“玉米”，第1张、第3张、第6张、第14张和第16张单粒种子图像为“大豆”，第4张、第5张、第7张和第10张单粒种子图像为“油菜”。
在上述各实施例中，虽然对步骤进行了编号，如S1、S2等，但只是本申请给出的具体实施例，本领域的技术人员可根据实际情况对调整S1、S2等的执行顺序，此也在本发明的保护范围内，可以理解，在一些实施例中，可以包含如上述各实施方式中的部分或全部。
如图3所示，本发明实施例的一种种子自动识别系统，包括采集模块210和检测模块220，
采集模块210用于获取待检测种子图像；
检测模块220用于将所述待检测图像输入针对N种预设种子类型的检测分类器；当针对N种预设种子类型的检测分类器在所述待检测图像中检测出所述N种预设种子类型中的种子时，利用所述针对N种预设种子类型的检测分类器对检测出的种子进行标注，得到检测结果，其中N为正整数。
检测模块220通过利用针对N种预设种子类型的检测分类器对待检测图像中的所有种子进行检测，可以方便快捷地识别出待检测图像中符合预设种子类型的种子，同时，由于针对N种预设种子类型的检测分类器对于待检测图像的背景、光照等没有严格的要求，从而便于推广和普及。
优选地，如图3所示，还包括结果显示模块230，
所述结果显示模块230用于显示所述检测结果。
其中，如图2所示，检测结果可以包括结果图像和统计数据，结果图像为标注出所有符合预设种子类型的种子的待检测图像，统计数据为结果图像中所含有的每一种预设种子类型的种子数量。
进一步，还包括模型训练模块200，
所述模型训练模块200用于采集不同背景下的种子图像，得到多张包含种子的第一种子图像；
利用LabelImg图像标注软件在所有第一种子图像中对K种预设目标种子类型的种子添加种子类型标签，得到多张含有种子类型标签的第二种子图像；
根据所述多张含有种子类型标签的第二种子图像和TensorFlow训练模型，训练出针对N种预设种子类型的检测分类器，其中，N≤K，K为正整数。
模型训练模块200通过采集不同背景下的种子图像可以使得后续训练出的检测分类器具有更高的普适性，能够检测多种背景条件下的图像；通过利用LabelImg图像标注软件添加种子类型标签，可以得到针对K种预设目标种子类型的多张第二种子图像，从而方便后续训练检测出针对N种预设种子类型的检测分类器；通过多张含有种子类型标签的第二种子图像和TensorFlow训练模型，可以根据人为需求训练出相应的检测分类器，使得检测分类器更具针对性及可定制。
优选地，所述模型训练模块200中还包括图像分割模块201、匹配模块202，
图像分割模块201用于获取所述待检测图像的高层特征，并根据所述高层特征将所述待检测图像中的每颗种子进行单独分割，得到M张单粒种子图像，所述M为正整数；
匹配模块202用于利用所述针对N种预设种子类型的检测分类器将所述M张单粒种子图像中的每张单粒种子图像分别所述N种预设种子类型中的每一种预设种子类型进行匹配，得到M×N个第一匹配度；
当判定任一单粒种子图像对应的第一匹配度中只有一个第一匹配度大于预设种子类型的预设匹配度时，则将该单粒种子图像标注为匹配出的预设种子类型；
当判定任一单粒种子图像对应的第一匹配度中有至少两个第一匹配度大于预设种子类型的预设匹配度时，则利用预设策略对该单粒种子图像进行检测；
直至完成对所有所述单粒种子图像的判定。
所述预设策略包括利用现有分类技术如图像分析法等对该单粒种子图像进行检测；
或者，根据该单粒种子图像的所述至少两个大于预设种子类型的预设匹配度的第一匹配度，得到至少两个矛盾预设种子类型，并训练出针对所述至少两个矛盾预设种子类型的检测分类器，
利用该针对所述至少两个矛盾预设种子类型的检测分类器将所述单粒种子图像分别与所述至少两种矛盾预设种子类型中的每一种矛盾预设种子类型进行匹配，得到至少两个第二匹配度，
当判定所述单粒种子图像对应的第二匹配度中只有一个第二匹配度大于矛盾预设种子类型的预设匹配度时，则将该单粒种子图像标注为匹配出的矛盾预设种子类型；当判定所述单粒种子图像对应的第二匹配度中有至少两个第二匹配度大于矛盾预设种子类型的预设匹配度时，可以再次利用预设策略对该单粒种子图像进行检测；直至完成对所有所述单粒种子图像的判定。
待检测图像的高层特征是该待检测图像的颜色、纹理等特征的结合，因此通过高层特征可以识别出待检测图像中每颗种子的轮廓，从而得到M张单粒种子图像；通过针对N种预设种子类型的检测分类器将所述M张单粒种子图像中的每张单粒种子图像分别所述N种预设种子类型中的每一种预设种子类型进行匹配，可以识别出每张单粒种子图像是否符合N种预设种子类型中的一种，从而方便后续对待检测图像的标注；此外，通过对有至少两个第一匹配度大于所述预设种子类型的预设匹配度的单粒种子图像进行第二次匹配，可以有效提高种子自动识别的准确性。
上述关于本发明的一种种子自动识别系统中的各参数和各个单元模块实现相应功能的步骤，可参考上文中关于一种种子自动识别方法的实施例中的各参数和步骤，在此不做赘述。
如图4所示，本发明实施例的一种电子设备300，包括存储器310、处理器320及存储在所述存储器310上并在所述处理器320上运行的程序330，所述处理器320执行所述程序330时实现上述任一种子自动识别方法的部分或全部步骤。
其中，电子设备300可以选用电脑、手机等，相对应地，其程序330为电脑软件或手机APP等，且上述关于本发明的一种电子设备300中的各参数和步骤，可参考上文中一种种子自动识别方法的实施例中的各参数和步骤，在此不做赘述。
所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种种子自动识别方法，其特征在于，包括以下步骤：
获取包含种子的待检测图像；
将所述待检测图像输入针对N种预设种子类型的检测分类器；当针对N种预设种子类型的检测分类器在所述待检测图像中检测出所述N种预设种子类型中的种子时，利用所述针对N种预设种子类型的检测分类器对检测出的种子进行标注，得到检测结果，其中N为正整数。
2.根据权利要求1所述的种子自动识别方法，其特征在于，还包括：
采集不同背景下的种子图像，得到多张包含种子的第一种子图像；
利用LabelImg图像标注软件在所有第一种子图像中对K种预设目标种子类型的种子添加种子类型标签，得到多张含有种子类型标签的第二种子图像；
根据所述多张含有种子类型标签的第二种子图像和TensorFlow训练模型，训练出所述针对N种预设种子类型的检测分类器，其中，N≤K，K为正整数。
3.根据权利要求1所述的种子自动识别方法，其特征在于，利用所述针对N种预设种子类型的检测分类器对检测出的种子进行标注，包括：
获取所述待检测图像的高层特征，并根据所述高层特征将所述待检测图像中的每颗种子进行单独分割，得到M张单粒种子图像，所述M为正整数；
利用所述针对N种预设种子类型的检测分类器将所述M张单粒种子图像中的每张单粒种子图像分别所述N种预设种子类型中的每一种预设种子类型进行匹配，得到M×N个第一匹配度；
当判定任一单粒种子图像对应的第一匹配度中只有一个第一匹配度大于预设种子类型的预设匹配度时，则将该单粒种子图像标注为匹配出的预设种子类型；
当判定任一单粒种子图像对应的第一匹配度中有至少两个第一匹配度大于预设种子类型的预设匹配度时，则利用预设策略对该单粒种子图像进行检测；
直至完成对所有所述单粒种子图像的标注。
4.根据权利要求1-3任一项所述的种子自动识别方法，其特征在于，所述获取包含种子的待检测图像，包括：
当采集到包含种子的视频时，则将所述包含种子的视频进行分割，得到多张单帧的包含种子的图像，根据用户需求从所述多张单帧的包含种子的图像选取待检测图像。
5.根据权利要求1-3任一项所述的种子自动识别方法，其特征在于，所述获取包含种子的待检测种子图像，包括：
通过离线采集和在线采集的方式获取所述待检测图像。
6.根据权利要求1-3任一项所述的种子自动识别方法，其特征在于，还包括：
当所述针对N种预设种子类型的检测分类器在所述待检测图像中没有检测出所述N种预设种子类型中的种子时，直接输出所述待检测图像。
7.一种种子自动识别系统，其特征在于，包括采集模块和检测模块，
所述采集模块用于获取待检测种子图像；
所述检测模块用于将所述待检测图像输入针对N种预设种子类型的检测分类器；当针对N种预设种子类型的检测分类器在所述待检测图像中检测出所述N种预设种子类型中的种子时，利用所述针对N种预设种子类型的检测分类器对检测出的种子进行标注，得到检测结果，其中N为正整数。
8.根据权利要求7所述的种子自动识别系统，其特征在于，还包括结果显示模块，
所述结果显示模块用于显示所述检测结果。
9.根据权利要求7所述的种子自动识别系统，其特征在于，还包括模型训练模块，
所述模型训练模块用于采集不同背景下的种子图像，得到多张包含种子的第一种子图像；
利用LabelImg图像标注软件在所有第一种子图像中对K种预设目标种子类型的种子添加种子类型标签，得到多张含有种子类型标签的第二种子图像；
根据所述多张含有种子类型标签的第二种子图像和TensorFlow训练模型，训练出针对N种预设种子类型的检测分类器，其中，N≤K，K为正整数。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述的一种种子自动识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011608846.5A CN112668488A (zh) | 2020-12-30 | 2020-12-30 | 种子自动识别的方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011608846.5A CN112668488A (zh) | 2020-12-30 | 2020-12-30 | 种子自动识别的方法、系统及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112668488A true CN112668488A (zh) | 2021-04-16 |
Family
ID=75410955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011608846.5A Pending CN112668488A (zh) | 2020-12-30 | 2020-12-30 | 种子自动识别的方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112668488A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188609A (zh) * | 2019-04-24 | 2019-08-30 | 中国农业科学院深圳农业基因组研究所 | 一种杂草种子的检测方法 |
| US20190377949A1 (en) * | 2018-06-08 | 2019-12-12 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Image Processing Method, Electronic Device and Computer Readable Storage Medium |
| CN111626371A (zh) * | 2020-05-29 | 2020-09-04 | 歌尔科技有限公司 | 一种图像分类方法、装置、设备及可读存储介质 |
| US20200293814A1 (en) * | 2017-12-03 | 2020-09-17 | Seedx Technologies Inc. | Systems and methods for sorting of seeds |
-
2020
- 2020-12-30 CN CN202011608846.5A patent/CN112668488A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200293814A1 (en) * | 2017-12-03 | 2020-09-17 | Seedx Technologies Inc. | Systems and methods for sorting of seeds |
| US20190377949A1 (en) * | 2018-06-08 | 2019-12-12 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Image Processing Method, Electronic Device and Computer Readable Storage Medium |
| CN110188609A (zh) * | 2019-04-24 | 2019-08-30 | 中国农业科学院深圳农业基因组研究所 | 一种杂草种子的检测方法 |
| CN111626371A (zh) * | 2020-05-29 | 2020-09-04 | 歌尔科技有限公司 | 一种图像分类方法、装置、设备及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 龙怡霖;蔡骋;: "基于随机森林的缺损杂草种子识别", 计算机应用与软件, no. 08, 15 August 2016 (2016-08-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11681418B2 (en) | Multi-sample whole slide image processing in digital pathology via multi-resolution registration and machine learning | |
| CN107256246B (zh) | 基于卷积神经网络的印花织物图像检索方法 | |
| Vogel et al. | Natural scene retrieval based on a semantic modeling step | |
| Quelhas et al. | Modeling scenes with local descriptors and latent aspects | |
| Kumar et al. | Leafsnap: A computer vision system for automatic plant species identification | |
| CN104572804B (zh) | 一种视频物体检索的方法及其系统 | |
| CN110472082B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CA2976771C (en) | Barcode tag detection in side view sample tube images for laboratory automation | |
| CN110222582B (zh) | 一种图像处理方法和相机 | |
| CN112990318B (zh) | 持续学习方法、装置、终端及存储介质 | |
| CN111382766A (zh) | 一种基于Faster R-CNN的设备故障检测方法 | |
| CN111191012A (zh) | 知识图谱产生装置、方法及其计算机程序产品 | |
| CN110009038B (zh) | 筛查模型的训练方法、装置及存储介质 | |
| CN103177266A (zh) | 储藏物害虫智能识别系统 | |
| CN109740417A (zh) | 发票类型识别方法、装置、存储介质和计算机设备 | |
| CN115115825B (zh) | 图像中的对象检测方法、装置、计算机设备和存储介质 | |
| KR101093107B1 (ko) | 영상정보 분류방법 및 장치 | |
| Chen et al. | Saliency modeling via outlier detection | |
| CN112668488A (zh) | 种子自动识别的方法、系统及电子设备 | |
| CN113780335A (zh) | 一种小样本商品图像分类方法、装置、设备及存储介质 | |
| Al-Zadjali et al. | Faster R-CNN-based deep learning for locating corn tassels in UAV imagery | |
| CN112990245A (zh) | 物品识别方法、装置、设备及存储介质 | |
| CN113362096A (zh) | 一种基于深度学习的框架广告图像匹配方法 | |
| CN116166889B (zh) | 酒店产品筛选方法、装置、设备及存储介质 | |
| CN115309941B (zh) | 一种基于ai的智能标签检索方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |