物料分析方法及装置与流程

本发明涉及样本分类技术领域，具体而言，涉及一种物料分析方法及装置。

背景技术：

种子是农业生产中最基本的生产资料，是一切农业生产的基础。种子的准确、快速鉴别对生产具有重要的指导意义。国内外种子鉴别常用的方法主要有荧光扫描鉴定法、化学鉴定法和电泳鉴定法。这些方法需要较强的专业背景知识和较长的鉴别时间并且会对种子产生一定损伤。因此，如何对农作物种子类别进行无损、快速鉴别是一个重要的研究方向。

技术实现要素：

有鉴于此，本发明的目的在于提供一种物料分析方法及装置，以实现对物料进行无损快速地鉴别。

本发明较佳实施例提供一种物料分析方法，包括：

获取拍摄到的包括多个物料的图像；

对所述图像进行分割以得到多个图片，其中，每个所述图片上包括一个物料；

针对每个所述图片分别进行处理以得到各所述图片对应的物料信息；

将各所述物料信息与预存的正常物料模型和异常物料模型分别进行匹配，以得到各所述物料信息对应的物料模型；

根据所述物料信息对应的物料模型对所述图像进行处理。

可选的，在上述物料分析方法中，对所述图像进行分割以得到多个图片的步骤包括：

针对所述图像中的每个物料，基于YOLO2算法进行至少两次不同角度的定位，以根据所述至少两次不同角度的定位得到每个所述物料的边框；

根据各所述物料的边框对所述图像进行分割以得到多个图片。

可选的，在上述物料分析方法中，，将各所述物料信息与预存的正常物料模型和异常物料模型分别进行匹配，以得到各所述物料信息对应的物料模型的步骤包括：

针对每个所述物料信息根据VGG16结构、所述正常物料模型和异常物料模型进行分类以得到每个物料信息对应的不同物料模型的概率；

根据所述物料信息对应的不同物料模型的概率得到该物料信息对应的物料模型，其中，该物料信息对应的物料模型为正常物料模型或异常物料模型。

可选的，在上述物料分析方法中，所述正常物料模型包括正常形状模型及正常颜色模型，所述异常物料模型包括异常形状模型和异常颜色模型，所述针对每个所述图片分别进行处理以得到各所述图片对应的物料信息的步骤包括：

针对每个所述图片中的物料分别进行形状检测和颜色识别以得到各所述物料的形状信息和颜色信息；

将各所述物料信息与预存的正常物料模型和异常物料模型分别进行匹配的步骤包括：

针对每个物料，将该物料对应的颜色信息与所述正常颜色模型和异常颜色模型进行匹配，将该物料对应的形状信息与所述正常形状模型和异常形状模型分别进行匹配。

可选的，在上述物料分析方法中，所述异常物料模型包括虫蚀物料模型、病斑物料模型、破碎粒物料模型、生芽粒物料模型以及生霉粒物料模型，将各所述物料信息与预存的正常物料模型和异常物料模型分别进行匹配的步骤包括：

将各所述物料信息与所述正常物料模型、虫蚀物料模型、病斑物料模型、破碎粒物料模型、生芽粒物料模型以及生霉粒物料模型，以得到与各所述物料信息匹配度最高的物料模型。

可选的，在上述物料分析方法中，根据各所述物料信息对应的物料模型对所述图像进行处理的步骤包括：

当所述物料信息对应的物料模型为异常物料模型时，将所述图像中与该物料信息对应的物料进行标记；

所述方法还包括：

根据标记的物料数量和所述图像中包括的物料数量得到异常物料的概率并输出。

本发明还提供一种物料分析装置，所述装置包括：

图像获取模块，用于获取拍摄到的包括多个物料的图像；

分割模块，用于对所述图像进行分割以得到多个图片，其中，每个所述图片上包括一个物料；

信息获取模块，用于针对每个所述图片分别进行处理以得到各所述图片对应的物料信息；

匹配模块，用于将各所述物料信息与预存的正常物料模型和异常物料模型分别进行匹配，以得到各所述物料信息对应的物料模型；

处理模块，用于根据所述物料信息对应的物料模型对所述图像进行处理。

可选的，在上述物料分析装置中，所述分割模块包括：

定位子模块，用于针对所述图像中的每个物料，基于YOLO2算法进行至少两次不同角度的定位，以根据所述至少两次不同角度的定位得到每个所述物料的边框；

分割子模块，用于根据各所述物料的边框对所述图像进行分割以得到多个图片。

可选的，在上述物料分析装置中，所述匹配模块包括：

计算子模块，用于针对每个所述物料信息根据VGG16结构、所述正常物料模型和异常物料模型进行分类以得到每个物料信息对应的不同物料模型的概率；

获得子模块，用于根据所述物料信息对应的不同物料模型的概率得到该物料信息对应的物料模型，其中，该物料信息对应的物料模型为正常物料模型或异常物料模型。

可选的，在上述物料分析装置中，所述处理模块还用于当所述物料信息对应的物料模型为异常物料模型时，将所述图像中与该物料信息对应的物料进行标记；

所述物料分析装置还包括统计模块，用于根据标记的物料数量和所述图像中包括的物料数量得到异常物料的概率并输出。

本发明提供的一种物料分析方法及装置，通过对获取到的包括多个物料的图像进行分割，以使分割后的得到的每个图片包括一个物料，并对每个图片进行分析并与预存的正常物料模型和异常物料模型分别进行匹配以得到各图片的物料信息对应的物料模型，以根据各所述物料信息对应的物料模型对图像进行处理，进而实现了对图像中各物料的分析和鉴别。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例提供的一种电子设备的连接框图。

图2为本发明实施例提供的一种物料分析方法的流程示意图。

图3为图2中步骤S120的步骤示意图。

图4为图2中步骤S140的步骤示意图。

图5为本发明实施例提供的一种物料分析装置的连接框图。

图6为本发明实施例提供的分割模块的连接框图。

图7为本发明实施例提供的匹配模块的连接框图。

图标：10-电子设备；12-存储器；14-处理器；100-物料分析装置；110-图像获取模块；120-分割模块；122-定位子模块；124-分割子模块；130-信息获取模块；140-匹配模块；142-计算子模块；144-获得子模块；150-处理模块；160-统计模块。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前，对农作物进行病虫害诊断的常规方法主要是依据人工目测，然而这种农民根据经验做出的判断并不能保证完全正确，且存在主观性强、工作量大、效率低等缺点；另一方面，由于没有专业人士及时到现场诊断，可能会使病情延误或加重。

如图1所示，是本发明较佳实施例提供的电子设备10的方框示意图，所述电子设备10包括存储器12、处理器14以及显示器16。

所述存储器12、处理器14和显示器16相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器12中存储有以软件或固件(Firmware)的形式存储于所述存储器12的软件功能模块，所述处理器14通过运行存储在存储器12内的软件程序以及模块，如本发明实施例中的物料分析装置100，从而执行各种功能应用以及数据处理，即实现本发明实施例中的物料分析方法。

在本实施例中，所述电子设备10指具有数据处理能力的硬件设备。所述电子设备10可以是手机、电脑、平板电脑或任意具有数据处理能力和显示能力的设备，在此不作具体限定。

所述存储器12可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。

所述存储器12用于存储程序，例如，本发明提供的物料分析装置100所对应的功能模块，可通过所述处理器14执行所述功能模块以实现对物料的种类进行分析。

可以理解，图1所示的结构仅为示意，电子设备10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。

请参阅图2，本发明提供一种物料分析方法，所述物料分析方法应用于所述电子设备10，所述方法应用于所述电子设备10时执行步骤S110-步骤S150五个步骤。

步骤S110：获取拍摄到的包括多个物料的图像。

其中，包括多个物料的图像可以是由所述电子设备10拍摄到的，也可以是由与电子设备10连接的图像采集装置拍摄到的，在此不作具体限定。在进行拍摄之前，所述多个物料时采用平铺的方式放置一平面，以使拍摄到的包括多个物料的图像中，各所述物料之间相互分离。所述物料可以是植物种子，也可以是工业零件等，在此不作具体限定。可选的，在本实施例中，所述物料为种子，所述种子可以是但不限于大豆、玉米、小麦或稻谷等。

步骤S120：对所述图像进行分割以得到多个图片，其中，每个所述图片上包括一个物料。

其中，对所述图像进行分割的方式可以是，对所述图像中的各物料分别进行定位，并对定位后的图片采用圆形分割或正方形分割；也可以是对所述图像进行检测以得到各得到所述图像中各物料的轮廓信息，根据所述轮廓信息对所述图像进行分割。在此不作具体限定，根据实际需求进行选取即可。

请结合图3，可选的，在本实施例中，对所述图像进行分割以得到多个图片的步骤包括：

步骤S122：针对所述图像中的每个物料，基于YOLO2算法进行至少两次不同角度的定位，以根据所述至少两次不同角度的定位得到每个所述物料的边框。

步骤S124：根据各所述物料的边框对所述图像进行分割以得到多个图片。

其中，所述至少两次的次数可以是但不限于两、三次或四次。以所述至少两次的次数为两次为例进行说明，针对所述图像中的每个物料，基于YOLO2算法进行两次不同角度的定位，以实现针对每个物料得到两个划分框，并获取两个划分框重叠的部分得到每个物料对应的边框。两次不同角度的定位得到的两个划分框的夹角范围可以是在0-90度之间，根据所述物料的形状进行设置即可，在此不作具体限定。为使划分后的图片的效果更佳，在本实施例中，所述两个边框的夹角为45度。

通过上述设置以有效避免在对图像进行处理时，可以有效避免所述图像中的各物料因间隔过近或存在部分重叠时对图像进行划分得到图片后，影响所述图片中的物料的形状，进而影响对图片中的物料的分析结果。

步骤S130：针对每个所述图片分别进行处理以得到各所述图片对应的物料信息。

其中，所述图片对应的物料信息可以包括所述图片中的物料对应的颜色信息和所述图片对应的形状信息。其中，该颜色信息可以是一种，也可以是多种。

在本实施例中，所述针对每个所述图片分别进行处理以得到各所述图片对应的物料信息的步骤包括：针对每个所述图片分别进行形状检测和颜色识别以得到各所述图片的形状信息和颜色信息。

步骤S140：将各所述物料信息与预存的正常物料模型和异常物料模型分别进行匹配，以得到各所述物料信息对应的物料模型。

其中，所述正常物料模型包括正常形状模型及正常颜色模型，所述异常物料模型包括异常形状模型和异常颜色模型。将各所述物料信息与预存的正常物料模型和异常物料模型分别进行匹配的方式可以是：针对每个物料，将该物料对应的颜色信息与所述正常颜色模型和异常颜色模型进行匹配，将该物料对应的形状信息与所述正常形状模型和异常形状模型分别进行匹配。具体的，当该图片对应的颜色信息与所述正常颜色模型的匹配度大于与异常颜色的匹配度，且该图片中的物料对应的形状信息与正常形状模型的匹配度大于与正常形状模型的匹配度时，则该图片中的物料对应的物料模型为正常物料模型，否则为异常物料模型。通过上述设置以实现了对所述图像中各物料的分析。

可选的，在本实施例中，所述异常物料模型可以包括虫蚀物料模型、病斑物料模型、破碎粒物料模型、生芽粒物料模型以及生霉粒物料模型，将各所述物料信息与预存的正常物料模型和异常物料模型分别进行匹配的步骤包括：将各所述物料信息与所述正常物料模型、虫蚀物料模型、病斑物料模型、破碎粒物料模型、生芽粒物料模型以及生霉粒物料模型，以得到与各所述物料信息匹配度最高的物料模型。

通过上述设置以实现对不同异常物料模型的进一步分析，以得到所述物料的状态，即该物料为正常、虫蚀、病斑、破碎、生芽或生霉状态。进而有效保障区分结果的准确性。

请结合图4，为进一步提高对图像中各物料进行分析的效率及准确性，可选的，在本实施例中，将各所述物料信息与预存的正常物料模型和异常物料模型分别进行匹配，以得到各所述物料信息对应的物料模型的步骤也包括：

步骤S142：针对每个所述物料信息根据VGG16结构、所述正常物料模型和异常物料模型进行分类以得到每个物料信息对应的不同物料模型的概率。

步骤S144：根据所述物料信息对应的不同物料模型的概率得到该物料信息对应的物料模型，其中，该物料信息对应的物料模型为正常物料模型或异常物料模型。

可选的，在本实施例中，所述异常物料模型可以包括虫蚀物料模型、病斑物料模型、破碎粒物料模型、生芽粒物料模型以及生霉粒物料模型。针对每个所述物料信息根据VGG16结构、所述正常物料模型和异常物料模型进行分类以得到每个物料信息对应的不同物料模型的概率的步骤包括：针对每个所述物料信息根据VGG16结构、正常物料模型、虫蚀物料模型、病斑物料模型、破碎粒物料模型、生芽粒物料模型以及生霉粒物料模型通过上述设置以实现对不同异常物料模型的分类，以得到所述物料的状态，即该物料为正常、虫蚀、病斑、破碎、生芽或生霉状态。进而有效保障对物料进行分析的结果的准确性。此外，通过采用上述方法以有效提高了对所述图像中各物料进行分析分效率及分析的准确性。

步骤S150：根据各所述物料信息对应的物料模型对所述图像进行处理。

其中，根据所述物料信息对应的物料模型对所述图像进行处理的方式可以是，当所述物料信息对应的物料模型为异常物料模型时，将所述图像中与该物料信息对应的物料进行标记。其中，当不同的物料信息对应的物料的异常状态不同时，对对应不同物料进行标记时产生的标记信息可以是相同的，也可以是不同的，进行标记的方式可以是用文字进行标识，也可以是采用符号进行标识，在此不作具体限定。通过上述设置以使用户可以直观的查看图像中的正常物料和异常物料。

为进一步方便用户了解对所述物料进行分析的结果，可选的，在本实施例中，所述方法还包括：根据标记的物料数量和所述图像中包括的物料数量得到异常物料的概率并输出。

其中，当所述异常物料包括虫蚀、病斑、破碎、生芽或生霉，根据标记为虫蚀、病斑、破碎、生芽或生霉的物料的数量及被标记的数量得到不同异常状况在占总物料异常状况下的概率，以及根据标记为虫蚀、病斑、破碎、生芽或生霉的物料的数量及所述图像中的物料数量得到虫蚀、病斑、破碎、生芽或生霉的物料数量占图像中总物料数量的比例。

请结合图5，本发明还提供一种物料分析装置100，包括图像获取模块110、分割模块120、信息获取模块130、匹配模块140以及处理模块150

所述图像获取模块110用于获取拍摄到的包括多个物料的图像。具体地，所述图像获取模块110可用于执行图2中所示的步骤S110，具体的操作方法可参考步骤S110的详细描述。

所述分割模块120用于对所述图像进行分割以得到多个图片，其中，每个所述图片上包括一个物料。具体地，所述分割模块120可用于执行图2中所示的子步骤S120，具体的操作方法可参考步骤S120的详细描述。

请结合图6，可选的，在本实施例中，所述分割模块120包括定位子模块122和分割子模块124。

所述定位子模块122用于针对所述图像中的每个物料，基于YOLO2算法进行至少两次不同角度的定位，以根据所述至少两次不同角度的定位得到每个所述物料的边框。具体地，所述定位子模块122可用于执行图3中所示的子步骤S122，具体的操作方法可参考步骤S124的详细描述。

所述分割子模块124用于根据各所述物料的边框对所述图像进行分割以得到多个图片。具体地，所述分割子模块124可用于执行图3中所示的子步骤S124，具体的操作方法可参考步骤S124的详细描述。

所述信息获取模块130用于针对每个所述图片分别进行处理以得到各所述图片对应的物料信息。具体地，所述信息获取模块130可用于执行图2中所示的子步骤S130，具体的操作方法可参考步骤S130的详细描述。

所述匹配模块140用于将各所述物料信息与预存的正常物料模型和异常物料模型分别进行匹配，以得到各所述物料信息对应的物料模型。具体地，所述匹配模块140可用于执行图2中所示的子步骤S140，具体的操作方法可参考步骤S140的详细描述。

请结合图7，可选的，在本实施例中，所述匹配模块140包括计算子模块142和获得子模块144。

所述计算子模块142用于针对每个所述物料信息根据VGG16结构、所述正常物料模型和异常物料模型进行分类以得到每个物料信息对应的不同物料模型的概率。具体地，所述计算子模块142可用于执行图4中所示的子步骤S142，具体的操作方法可参考步骤S142的详细描述。

所述获得子模块144用于根据所述物料信息对应的不同物料模型的概率得到该物料信息对应的物料模型。具体地，所述获得子模块144可用于执行图4中所示的子步骤S144，具体的操作方法可参考步骤S144的详细描述。其中，该物料信息对应的物料模型为正常物料模型或异常物料模型

所述处理模块150用于根据所述物料信息对应的物料模型对所述图像进行处理。具体地，所述处理模块150可用于执行图2中所示的子步骤S150，具体的操作方法可参考步骤S150的详细描述。

可选的，在本实施例中所述处理模块150还用于当所述物料信息对应的物料模型为异常物料模型时，将所述图像中与该物料信息对应的物料进行标记，所述物料分析装置100还包括统计模块160。

所述统计模块160用于根据标记的物料数量和所述图像中包括的物料数量得到异常物料的概率并输出。具体地，所述统计模块160的具体实施过程请参照上述的物料分析方法的描述，在此不作一一赘述。

综上，本发明提供的一种物料分析方法及装置，方法包括对获取拍摄到的包括多个物料的图像进行分割以得到多个图片，其中，每个所述图片上包括一个物料，针对每个所述图片分别进行处理以得到各所述图片对应的物料信息，并将各所述物料信息与预存的正常物料模型和异常物料模型分别进行匹配，以得到各所述物料信息对应的物料模型，根据各所述物料信息对应的物料模型对所述图像进行处理，以实现对图像中各物料分析和鉴别。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。