基于图像的茶叶嫩芽检测技术研究

发布时间：2021-10-28 18:29

　　中国是茶的故乡,茶叶种植量、产量、消费量、出口量均位居世界第一。茶叶的广泛需求需要茶叶采摘工业的大力支撑与发展。如今的茶叶采摘技术以人工采摘与机械采摘为主。然而人工采摘和普通的机械采摘难以保证采摘的效率和成本,同时也会影响茶叶的品质。因此,需要一种能自动地、有选择性地采摘茶叶的技术,而这一技术的前提就是茶叶嫩芽的检测。基于以上背景分析,本文以茶叶图像为研究对象,研究和探索自动检测茶叶嫩芽的方法,主要内容如下:首先,采用提取颜色特征的方法检测茶叶嫩芽。对采集到的茶叶图像做滤波降噪处理,随后比较分析茶叶图像在RGB、HSI、Lab、YIQ四个颜色模型下的颜色特征,对比后提取G-B颜色特征并灰度化。对于灰度图,采取Otsu分割法实现图像分割。将分割得到的二值图进行形态学处理后,与原图像进行掩模处理,得到了保留了茶叶嫩芽和少量无关信息的图像。其次,针对提取颜色特征方法的不足,提出新的方法检测茶叶嫩芽,即基于深度学习的目标检测算法:SSD算法和YOLO V3算法。SSD算法采用了改进的VGG16卷积神经网络提取茶叶图像的特征,并根据茶叶图像的实际情况生成了对应尺度和长宽比的默认框,随后根据NMS... 

【文章来源】：沈阳工业大学辽宁省

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

茶叶图像

7第2章基于颜色特征的茶叶嫩芽检测要进行茶叶嫩芽的采摘，需要先在茶叶图像中将茶叶嫩芽的位置或是形状检测出来。茶叶图像中，茶叶嫩芽往往与老叶、枝干以及其他背景信息混在一起，如图2.1所示，仅凭肉眼或是普通的算法很难将茶叶嫩芽准确的检测出来。图2.1茶叶图像Fig.2.1Teaimage目前常用的茶叶嫩芽的检测方法大多数是基于茶叶嫩芽的颜色特征，其思想是利用茶叶嫩芽与老叶、枝干等颜色的差别，在灰度化后根据阈值分割出茶叶嫩芽。其主要步骤有图像降噪、提取颜色特征、图像分割、形态学处理、掩模处理几个步骤，如图2.2所示。图2.2颜色特征提取的步骤Fig.2.2Stepsofcolorfeatureextraction2.1图像降噪茶叶图像在拍摄过程中由于相机的硬件因素、拍摄的环境、拍摄人的水平等因素，会包含大量噪声。因此需要进行滤波降噪来获取高质量图像。滤波降噪在尽量保证茶叶原始图像信息完整的同时，可以初步消除图像中无用的噪声信息，便于后续颜色特征的提取[34]。这里采用均值滤波来对茶叶原始图像进行降噪处理。沈阳工业大学硕士学位论文

沈阳工业大学硕士学位论文8均值滤波又称领域平均法，它的思想是将图像中的某一点和图像领域内的像素点求平均值来达到去除突变像素点的目的，以此达到滤掉噪声的目的[35]。该方法因其降噪效果较且计算速度较快，应用极为广泛。其数学含义如式（2.1）所示：SjijiMyxg),(),(1),(（2.1）由于本文的茶叶图像均为512×512像素，因此应选择适宜的滤波器，如图2.3所示。其中1×1、2×2的滤波器降噪效果不明显，无法起到初步剔除噪声的作用，而4×4、5×5的滤波器降噪效果又过强，会破坏原始图像的信息，使图像变得模糊。因此本文采用3×3的均值滤波器来对茶叶原始图像进行滤波降噪。a茶叶原图像b1×1滤波器c3×3滤波器d5×5滤波器图2.3滤波降噪效果对比Fig.2.3Contrastoffilteringandnoisereductioneffect2.2提取颜色特征在检测过程中，颜色特征是茶叶与背景进行区分的一个重要特征。茶叶图像中，嫩芽多为嫩绿色与浅绿色，老叶多为深绿色，枝干等背景信息则为其他颜色，颜色差别较大。因此可以通过提取茶叶图像的颜色特征来区分出茶叶与背景信息。提取颜色特征需要用到颜色模型，常用的颜色模型主要有RGB模型、HSI模型、Lab模型、YIQ模型等模型。提取颜色特征后，将图像进行灰度化，可以进一步缩小每张图像的信息量，便于对比与分割。RGB颜色模型是图像处理中最基储最常用的颜色模型，也是提取颜色特征时最常用的颜色标准。现有的图像采集设备最初采集到的颜色信息和颜色显示设备最终使用的都是RGB值。它通过对红（Red）、绿（Green）、蓝（Blue）三种颜色的变化及相互间叠加得到各种颜色，模型如图2.4。在RGB模型中，每种颜色基于笛卡尔坐标系，对应红、绿、蓝的原色光谱分量。

【参考文献】：
期刊论文
[1]基于GoogLeNet的茶叶嫩芽生长状态智能识别[J]. 方梦瑞,夏华鵾,周礼赞,吕军.  黄山学院学报. 2019(05)
[2]基于深度学习水果检测的研究与改进[J]. 黄豪杰,段先华,黄欣辰.  计算机工程与应用. 2020(03)
[3]基于YOLOv3算法的农场环境下奶牛目标识别[J]. 王毅恒,许德章.  广东石油化工学院学报. 2019(04)
[4]我国茶叶产业的现状与提升策略研究[J]. 傅利利,徐倩.  中国商论. 2019(13)
[5]基于SSD的苹果叶片病害检测方法[J]. 江鹏,陈跃翰.  电子技术与软件工程. 2019(10)
[6]基于AlexNet的茶叶嫩芽状态智能识别研究[J]. 吕军,夏华鹍,方梦瑞,周礼赞.  黑龙江八一农垦大学学报. 2019(02)
[7]基于改进SSD的果园行人实时检测方法[J]. 刘慧,张礼帅,沈跃,张健,吴边.  农业机械学报. 2019(04)
[8]基于YOLO深度卷积神经网络的复杂背景下机器人采摘苹果定位[J]. 赵德安,吴任迪,刘晓洋,赵宇艳.  农业工程学报. 2019(03)
[9]结合YOLO检测和语义分割的驾驶员安全带检测[J]. 吴天舒,张志佳,刘云鹏,郭婉妍,王子韬.  计算机辅助设计与图形学学报. 2019(01)
[10]基于改进型SSD算法的目标车辆检测研究[J]. 陈冰曲,邓涛.  重庆理工大学学报(自然科学). 2019(01)

硕士论文
[1]基于深度学习的花朵图像识别算法研究与实现[D]. 刘红铮.南昌航空大学 2019
[2]基于SSD的交通场景下多目标检测算法研究[D]. 冀树伟.中北大学 2019
[3]基于SSD的行人检测与跟踪方法研究[D]. 李海翔.中国科学技术大学 2018
[4]基于卷积神经网络的视觉识别研究[D]. 薛昆南.华南农业大学 2016
[5]鲜茶叶图像特征提取及在茶树品种识别中的应用研究[D]. 刘自强.湖南农业大学 2014



本文编号：3463159