多果重叠及存在复杂遮挡物情况下的苹果果实图像识别方法

本发明涉及图像识别，更具体地，本发明涉及一种多果重叠及存在复杂遮挡物情况下的苹果果实图像识别方法、系统、介质和计算设备。

背景技术：

1、在现有的图像识别技术中，尤其是在农业领域对苹果果实的识别过程中，经常遇到多果重叠和复杂遮挡物的问题，这给果实的准确识别带来了挑战。传统的图像识别方法往往依赖简单的图像处理技术，难以应对复杂的实际场景。技术原理上，这些方法可能只进行了基础的图像采集和预处理，缺乏深入的特征提取和智能的分类识别算法，导致在实际应用中的识别准确率不高。在实现本发明实施例过程中，发明人发现现有技术中至少存在如下问题或缺陷：无法有效处理多果重叠和遮挡问题，导致识别准确度不足；缺乏对图像特征的深入分析和利用，限制了识别算法的性能提升。

技术实现思路

1、在本发明的第一方面中，提供了一种多果重叠及存在复杂遮挡物情况下的苹果果实图像识别方法，包括：

2、对苹果树区域进行图像采集，形成至少两个苹果子区域；

3、对采集到的图像进行预处理，包括灰度化、滤波和边缘检测；

4、基于图像特征提取算法对每个苹果子区域进行特征提取；

5、基于特征信息和机器学习算法对每个苹果子区域进行分类识别，得到苹果果实的识别结果；

6、通过图像融合技术将所有子区域的识别结果合并，得到整个苹果树区域的识别结果。

7、进一步地，对采集到的图像进行预处理，具体包括：

8、使用灰度化公式

9、igray(i,j)＝0.299·ioriginal(i,j)r+0.587·ioriginal(i,j)g+0.114·ioriginal(i,j)b

10、对每个像素点(i,j)的原始rgb图像ioriginal进行转换，其中ioriginal(i,j)r,ioriginal(i,j)g,ioriginal(i,j)b分别代表该像素点的红、绿、蓝通道值。

11、使用滤波公式

12、

13、对灰度图像进行滤波，其中f(m,n)为滤波核的系数，k为滤波核大小。

14、使用canny边缘检测算法计算边缘强度和方向，最终得到二值边缘图像iedges(i,j)，其中iedges(i,j)为边缘图像在点(i,j)的像素值，取值为0或255表示非边缘和边缘。

15、进一步地，基于图像特征提取算法对每个苹果子区域进行特征提取，具体包括：

16、使用特征提取公式

17、features＝fe(iedges)＝{hog,color,texture}

18、提取边缘检测后的图像iedges的特征，其中fe为特征提取函数，hog代表方向梯度直方图，color代表颜色特征，texture代表纹理特征。

19、进一步地，基于特征信息和机器学习算法对每个苹果子区域进行分类识别，具体包括：

20、使用特征向量features＝[f1,f2,...,fm]，其中f1,f2,...,fm代表提取的m个特征。

21、将特征向量输入到分类器中，使用分类公式

22、c＝ml(features)＝arg features)

23、进行分类，其中ml为机器学习分类函数，c为可能的类别集合，p(c|features)为给定特征条件下类别c的后验概率。

24、进一步地，通过图像融合技术将所有子区域的识别结果合并，具体包括：

25、使用ifinal＝∪ci将所有子区域的分类结果ci进行融合，其中∪为集合并操作。

26、进一步地，使用深度学习算法对苹果果实图像进行识别，具体包括：

27、定义深度学习模型的网络结构，包括输入层、多个隐含层和输出层；

28、使用损失函数

29、

30、计算预测结果pi和真实标签yi之间的均方误差损失，其中n为样本数量；

31、通过反向传播算法更新网络权重w和偏置b，优化模型性能。

32、进一步地，所述深度学习模型通过以下公式表征：

33、o(l)＝f(l)(w(l)·o(l-1)+b(l))

34、其中，o(l)为第l层的输出，w(l)为从第l-1层到第l层的权重矩阵，b(l)为第l层的偏置项，f(l)为第l层的激活函数。

35、在本发明的第二方面中，提供了一种多果重叠及存在复杂遮挡物情况下的苹果果实图像识别系统，包括：

36、图像采集模块，用于对苹果树区域进行图像采集；

37、预处理模块，用于对采集到的图像进行灰度化、滤波和边缘检测；

38、特征提取模块，用于基于图像特征提取算法对每个苹果子区域进行特征提取；

39、分类识别模块，用于基于特征信息和机器学习算法对每个苹果子区域进行分类识别；

40、图像融合模块，用于将所有子区域的识别结果合并，得到整个苹果树区域的识别结果。

41、在本发明的第三方面中，提供了一种电子设备，所述电子设备包括：至少一个处理器、存储器和输入输出单元；其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行第一方面中任一项所述的方法。

42、在本发明的第四方面中，提供了一种计算机可读存储介质，其包括指令，当其在计算机上运行时，使得计算机执行第一方面中任一项所述的方法。

43、根据本发明的上述实施例至少具有以下有益效果：本发明通过采用先进的图像处理技术，可以有效地对采集到的图像进行灰度化、滤波和边缘检测等预处理操作，从而提高图像质量，为后续的特征提取和识别打下坚实基础。此外，通过应用特征提取算法，可以精确地从预处理后的图像中提取出方向梯度直方图、颜色特征和纹理特征等关键信息，这些特征为苹果果实的分类识别提供了重要依据。进一步地，利用机器学习算法对特征信息进行智能分类识别，可以显著提升识别的准确性和效率。最终，通过图像融合技术将所有子区域的识别结果进行有效整合，可以得到整个苹果树区域的准确识别结果，从而为农业自动化和智能化提供了有力的技术支持。

技术特征：

1.一种多果重叠及存在复杂遮挡物情况下的苹果果实图像识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的苹果果实图像识别方法，其特征在于，对采集到的图像进行预处理，具体包括：

3.根据权利要求1所述的苹果果实图像识别方法，其特征在于，基于图像特征提取算法对每个苹果子区域进行特征提取，具体包括：

4.根据权利要求1所述的苹果果实图像识别方法，其特征在于，基于特征信息和机器学习算法对每个苹果子区域进行分类识别，具体包括：

5.根据权利要求1所述的苹果果实图像识别方法，其特征在于，通过图像融合技术将所有子区域的识别结果合并，具体包括：

6.根据权利要求1所述的苹果果实图像识别方法，其特征在于，使用深度学习算法对苹果果实图像进行识别，具体包括：

7.根据权利要求6所述的苹果果实图像识别方法，其特征在于，所述深度学习模型通过以下公式表征：

8.一种多果重叠及存在复杂遮挡物情况下的苹果果实图像识别系统，其特征在于，所述系统包括：

9.一种电子设备，其特征在于，包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现如权利要求1至8中任一项所述的苹果果实图像识别方法。

10.一种存储介质，其特征在于，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现能够实现如权利要求1至8中任一项所述的苹果果实图像识别方法。

技术总结
本发明提供了一种多果重叠及存在复杂遮挡物情况下的苹果果实图像识别方法、系统、设备及存储介质，方法包括对苹果树区域进行图像采集，形成至少两个苹果子区域；对采集到的图像进行预处理，包括灰度化、滤波和边缘检测；基于图像特征提取算法对每个苹果子区域进行特征提取；基于特征信息和机器学习算法对每个苹果子区域进行分类识别，得到苹果果实的识别结果；通过图像融合技术将所有子区域的识别结果合并，得到整个苹果树区域的识别结果。本发明可以实现高效准确的苹果果实图像识别方法，有助于提高农业自动化和智能化水平。

技术研发人员：王建夏,邬欢欢
受保护的技术使用者：塔里木大学
技术研发日：
技术公布日：2024/12/23