基于sift特征图像的蚕蛹雌雄分拣和计数装置的制造方法
【专利说明】
[0001]
技术领域： 本发明涉及基于SIFT特征图像的蚕蛹雌雄分拣和计数装置，系统设计了图像采集、分 析、处理模块，并利用本设计的装置实现了蚕蛹性别无损检测。结果证明，检测方法减少了 蚕蛹资源浪费和经济损失，可简便、直观、快速地对蚕蛹评级；检测系统测量精度高，为快速 无损检测蚕蛹性别奠定了理论和实验基础。提出了一种利用数字图像处理技术基于面积， 尾部长宽比以及SIFT融合技术来分辨方法。并通过装置可以准确统计蚕蛹的个数，结果表 明精度高，简便可靠，为快速无损检测蚕蛹质量奠定了理论基础。通过采集、分析被检蚕蛹 图像，应用图像处理软件自动推算出鲜蚕蛹重量，最后对蚕蛹进行自动分拣。
[0002]
【背景技术】： 桑蚕业、蛹丝绸业作为我国典型的链式产业，一直以其产业链长、市场容量大、涉及面 广、附加值高而著称。蚕蛹是蛹丝绸业的主要原料。目前，我国丝绸业产品趋同化明显。同 一蚕品种，雄蚕蛹与雌蚕蛹相比，前者具有蛹丝纤度细，净度优，抱合力好，生丝等级高，织 物弹性好等优点。将雌雄蚕蛹分别利用，可在基本不增加生产投入的情况下大幅度提高产 品附加值，提高丝绸产品质量，对我国实现从丝绸大国向丝绸强国的转变具有十分重要的 战略意义。
[0003] 蚕蛹，又称桑蚕，是一种以桑叶为食料，具有很高经济价值的吐丝昆虫。蚕蛹是完 全变态昆虫，一生要经过卵、幼虫、蛹、成虫等四个完全不同的发育阶段。卵是胚胎发生、发 育并形成幼虫的阶段；幼虫是摄取食物、积贮营养的生长阶段：蛹是从幼虫向成虫过渡的 变态阶段；成虫是交配产卵、繁殖后代的生殖阶段。
[0004] 蚕蛹是蚕蛹蛹期形成的囊形保护层，内含蛹体。保护层包括蛹衣、蛹层和蛹衬等部 分，蛹层是缫丝的主要原料，蛹衣可作为丝棉和絹纺的原料。蚕蛹有椭圆形、椭圆束腰形、 球形或纺锤形等不同形状，雌、雄蚕蛹的形状差异较小，难以依靠蚕蛹形状特征判定蚕蛹性 别。
[0005] 蚕蛹幼虫上蔟结蛹后不久就会变成蚕蛹。蚕蛹体形类似纺锤，分头、胸、腹三个体 段。头部长有复眼和触角；胸部长有胸足和翅；腹部分节。雌蛹腹部大而末端圆，第八腹节 腹面正中有一条纵线；雄蛹腹部小而末端尖，第九腹节腹面中央有一个褐色小点。雌、雄蚕 蛹形状差异较大，可以通过蚕蛹形态特征差异判定蚕蛹性别。
[0006]
【发明内容】
： 本发明的目的是提供基于SIFT特征图像的蚕蛹雌雄分拣和计数装置。 1蚕蛹的性别判断 图像预处理包括图像增强、图像去噪、图像分割、边缘提取等过程，是图像识别与理解 的低层次处理过程。在蚕蛹性别判别研究中，最终结果的准确性和高效性在很大程度上依 赖于图像预处理的质量。
[0007] 1)基于直方图搜索的otsu多阈值法 otsu阈值法属于一种全局最优阈值的搜索方法，当图像中两类的方差相差太大时，会 使分割阈值与强势类的均值距离太近而导致分类失败，在本文中称该图像为otsu不可分。 蚕蛹区域必定符合具有明显波峰的正态分布的叠加特性(可能体现为单峰、多峰或脉冲形 式)，因此，在灰度直方图中，必定存在某一或某几个峰值灰度属于蚕蛹区域。基于上述分 析，将从灰度直方图入手，解决灰度图像的otsu不可分问题。
[0008] 定义1:在特定区域、特定灰度范围内，被特定边缘算子识别为边缘的像素点的个 数与区域总体像素数目的比值，称为边缘密度，用d表示；所有边缘点梯度幅值的均值则称 为边缘强度，用A表示。在本文中，边缘密度和边缘强度通常一起被用来衡量特定区域的纹 理特性。
[0009] 定理1:在灰度直方图中，至少存在一点必定存在某一领域(:二5 ::+5)，使其 邻域中的任意点J'e(f- + 5)满足|2+(i) 2; 成立。
[0010] 证明：对于灰度级为L的灰度图像，如果在灰度为0的某一邻域（0:句内的任意点 都满足,峨）hXi)成立，问题得证；否则，在领域(0=5)中至少有一点*满足A(0) < 成 立； 对于m而言，如果在邻域的任意点满足A(m) 成立，问题得证；否则， 在领域(w=?i+ 5)中至少有一点n满足<M11)成立； 以此类推，由于灰度的取值范围有限，必定而且至少存在一点i，对其某一邻域 :-幻+c?)中的任意点j满足吨）MC；)威立。证毕。
[0011] 定理1说明在灰度直方图中必定有峰值存在。而峰值的灰度极有可能分布于蚕蛹 区域的均值附近。假定在t时刻检测到的n个峰值表示为
，其中W为峰值v丨的灰度，F丨为峰值1丨在某一邻域内的高度均值，< 和4分别为峰值某一 邻域内的边缘密度和边缘强度，则峰值v;属于蚕蛹区域的概率表示为：
其中幻4和4/分别为图像中参考区域中第j类模式的最大峰值灰度、边缘密度和边 缘强度。考虑到强光、阴影和蚕蛹缺损的不利影响，最多把参考区域分为2类。参考区域通 常选择在图像的中下部，形状为三角形或梯形，本文的参考区域是由若干等面积矩形块组 成的梯形，每一矩形块按照最大峰值灰度、边缘密度和边缘强度3种特征进行分类。式（1) 右端的观测模型用来计算当前图像直方图中的峰值i与参考区域中某一类的接近程度。等 式右端运动模型，则对相邻帧图像的峰值相似度进行关联，综合了峰值灰度、峰值高度和峰 值范围的纹理特性(边缘密度和边缘强度)，可以提高对蚕蛹区域的各种特征进行大致估计 的准确性。其中7为归一化参数，使概率的取值介于0和1之间。
[0012] 2)峰值聚类与多阈值分割 由于蚕蛹区域可能体现为多峰分布，对进行降序排列。将概率最大的峰值选取为 聚类中心，利用峰值间边缘密度和边缘强度的相似性进行峰值聚类。假定聚类中心为峰值i，则峰值j与峰值i可以聚为同一类的判定准则为：峰值i与峰值j边缘密度和边缘强度 的相似度大于特定阈值，并且i与j之间的所有峰值都与峰值i同类。对式（1)进行变形 得任意两点间的Otsu公式（2)，显然，公式中
中4勺取值区 间都要做相应调整。
上述算法借助于迭代操作使5逐步远离较高峰值的区域，当迭代方法失效时，则依赖 直方图分析的结果。
[0014] 3)SIFT特征匹配 SIFT特征匹配对两个特征描述器进行比较，如果两个特征描述器的距离小于给定的阈 值，就称这两个特征相互匹配，否则称这两个特征不匹配。特征匹配的方法有很多，但最方 便、最常用的方法是最邻近法，本文也将采用这种方法实现不同图像场景特征间的匹配。下 面给出最邻近点的数学描述：假设一个K维空间的定义域和值域分别表示为R和D，S为K 维空间RXD中所有采样点的集合，d为目标点的向量，则d的最邻近点#必须满足式（5-8) 的条件：
式（5-8)中di为向量d的第i维分量。一个直接、简单的算法是依次计算S中所有点 与目标点d之间的距离，从而找到与d最相邻的点。该算法的时间复杂度为0(N)，其中N为 S中特征点的数目。但是在蚕蛹检测中特征点需要进行大量的匹配，为了提高匹配的效率， 本文使用基于K-D树（K-Dtree) [162-163]的