基于帧间路径搜索和E-CNN的红枣定位与缺陷检测

针对红枣自动分级视频图像中红枣定位、缺陷检测难问题,提出一种基于帧间最短路径搜索的目标定位方法和集成卷积神经网络模型(Ensemble-convolution neural network,E-CNN)。通过建立图像坐标系及图像预处理,获得图像中单个红枣目标的位置坐标,并将其映射至空间坐标系中,结合帧间最短路径判定规则,实现目标位置坐标随视频时间序列更新、传递,并且运用此方法快速、有效地构建数据集。基于"Bagging"集成学习方式,采用E-CNN通过训练集构建基础卷积神经网络树模型,再根据每棵基础树模型输出结果,通过"投票"方式得出模型最终结果。试验结果表明,利用帧间最短路径搜索的目标定位方法,定位准确率达100%。同时,使用E-CNN,模型的识别正确率和召回率分别达到98. 48%和98. 39%,分类精度大于颜色特征分类模型(86. 62%)、纹理特征分类模型(86. 40%)和基础卷积神经网络模型(95. 82%)。E-CNN模型具有较高的识别正确率及较强的鲁棒性,可为其他农产品分选、检测提供参考。     

基于历史帧路径搜索的红枣动态图像采集

图像采集是实现红枣品质分级和检测的关键前提。针对基于静态图像的采集方式不能全面反映外观品质、实时性差和基于传输式图像采集方式的机械、电路设计复杂且适用性不足的缺点,提出一种基于历史帧最小路径搜索,实现对视频中红枣目标进行跟踪、标定,建立红枣动态样本集的方法。首先利用RGB(red,green,blue)颜色空间转换HSV(hue saturation value)空间图像的明度(V)分量,基于V分量建立掩膜对RGB图像执行掩膜去背景。同时,针对视频图像中获得的二值图像,建立坐标系,获得每帧图像基于轮廓外接最小正矩形的特征向量,将当前帧和前一帧中的特征向量基于最小路径搜索的方法,加入约束条件,实现对视频中每个红枣目标的跟踪和标定,最后基于正矩形参数的感兴趣区域(region of interest,简称ROI),实现动态样本建立。利用此算法,对拍摄的视频图像的检测表明建立的动态样本集能更全面地反映红枣外观品质。该算法简单、有效,特别在实现基于深度神经网络的红枣在线检测中具有较大的应用潜力。