蚕座最佳图像分割阈值的确定方法、系统及存储介质

1.本发明属于图像识别技术领域，特别涉及一种蚕座最佳图像分割阈值的确定方法、系统及存储介质。


背景技术：

2.我国是世界蚕业的发源地，蚕丝业至今仍是我国具有资源优势和在国际市场上占据主导地位的传统产业。然而随着社会经济的快速发展，特别是经济全球化的纵深化，我国蚕桑产业发展出现的一些问题更加凸显，如产品单一、效益低下、行业不稳、设备落后等，同时还面临新兴养蚕国家越益激烈的国际竞争。因此我们要避免出口市场的无序竞争，推进重大科技创新与品牌战略实施，以夯实行业发展基础，引领行业发展方向。
3.目前已有将图像识别技术用于家蚕的养殖，如科技论文“基于图像识别的小蚕饲育中蚕座位置与饲喂均匀性研究”(蚕业科学，2019年5月，作者：何玉；石洪康；田涯涯等)，利用中值滤波、二值化处理及边缘检测等计算机图像处理技术，建立了机器对小蚕饲育的蚕座位置、撒桑均匀性与饲喂量判定的原则和方法，但现有的图像识别技术对于家蚕的识别准确率还有一定的上升空间。


技术实现要素：

4.发明目的：本发明的目的是提出一种蚕座最佳图像分割阈值的确定方法，可以确定处理蚕座图像分割最佳的向量及阈值，保证分割后的图像桑枝和家蚕具有较大的差异，提高分割后的图像识别家蚕和桑枝的准确率。
5.本发明的另一目的是提出一种采用上述方法确定的最佳图像分割阈值的蚕座内家蚕面积辨识方法，以及可以实施该辨识方法的家蚕蚕座识别系统，和存储有上述确定方法及辨识方法实例化的计算机程序的存储介质。
6.技术方案：本发明所述的蚕座最佳图像分割阈值的确定方法，包括如下步骤：
7.s1：采集若干张给桑后的蚕座图片建立校正集，标记每张蚕座图片上的家蚕像素点和桑枝像素点；
8.s2：对校正集图片采用图像分割算法进行分割，裁剪提取家蚕与桑枝区域；
9.s3：分别获取家蚕区域与桑枝区域的rgb值及分布图像，并统计每个分量上不同数值在家蚕区域与桑枝区域出现次数的均值分布；
10.s4：分别在r、g和b分量上，以不同的分割阈值对每个家蚕区域与桑枝区域进行二值化，识别二值化后的家蚕区域及桑枝区域的家蚕像素点和桑枝像素点，并计算二值化后家蚕区域与桑枝区域的识别错误率，绘制识别错误率与分割阈值的关系曲线；
11.s5：以家蚕区域与桑枝区域的均值分布重合度最低的分量为最佳分量，以最佳分量下的家蚕区域与桑枝区域的关系曲线交点处对应的分割阈值为最佳分割阈值。
12.进一步的，所述步骤s2中的图像分割算法包括最大类间方差法和/或最大熵阈值分割法。
13.进一步的，所述步骤s4中，识别错误率由下式计算获得：
[0014][0015]
本发明所述的蚕座内家蚕面积辨识方法，包括如下步骤：
[0016]
(1)采集蚕座图像，并对采集的蚕座图像采用图像分割算法进行分割；
[0017]
(2)对分割后的图像进行预处理；
[0018]
(3)在最佳分量上以最佳分割阈值对预处理后的图像进行二值化，其中最佳分量及最佳分割阈值由根据权利要求1至3任一项所述的家蚕蚕座最佳图像分割阈值确定方法确定；
[0019]
(4)计算二值化后的图像中白色像素点数与整幅图像的像素点数的比值，获得家蚕所占面积。
[0020]
进一步的，所述(1)中的图像分割算法包括最大类间方差法和/或最大熵阈值分割法。
[0021]
进一步的，所述(2)中的预处理包括腐蚀和膨胀。
[0022]
本发明所述的家蚕蚕座识别系统，包括控制系统、摄像头及摄像头驱动系统，所述摄像头及所述摄像头驱动系统设置于蚕座顶部，所述摄像头及所述摄像头驱动系统均与控制系统电性连接，所述摄像头在所述摄像头驱动系统的驱动下实现对蚕座的完整图像的采集，所述控制系统包括图像分割阈值确定模块和家蚕面积辨识模块，所述图像分割阈值确定模块用于采用上述蚕座最佳图像分割阈值的确定方法确定最佳的图像分割阈值，所述家蚕面积辨识模块采用所述最佳的图像分割阈值对采集的图像进行预处理，辨识家蚕面积占比。
[0023]
本发明所述的存储介质，存储有至少一个计算机程序，其中第一计算机程序被设置为运行时实现上述蚕座最佳图像分割阈值的确定方法。
[0024]
进一步的，第二计算机程序被设置为运行时实现上述蚕座内家蚕面积辨识方法。
[0025]
有益效果：与现有技术相比，本发明具有如下优点：通过分别遍历不同分量下不同阈值切割后的蚕座图片，并对不同阈值切割后的图片进行家蚕和桑枝的识别并计算识别错误率，确定对家蚕和桑枝识别错误率均能达到最低的最佳图像分割阈值，从而提高对蚕座图像中家蚕面积计算结果的准确率，实现更加精准的给桑。
附图说明
[0026]
图1为本发明实施例的蚕座最佳图像分割阈值的确定方法的流程图；
[0027]
图2为本发明实施例家蚕和桑枝不同分量值出现次数的均值分布图；
[0028]
图3为本发明实施例家蚕和桑枝不同分量下识别错误率与分割阈值的关系曲线图；
[0029]
图4为本发明实施例的蚕座内家蚕面积辨识方法的流程图；
[0030]
图5为本发明实施例的辨识方法辨识的一段时间内家蚕面积变化曲线图。
具体实施方式
[0031]
下面结合附图对本发明的技术方案作进一步说明。
[0032]
参照图1，根据本发明实施例的蚕座最佳图像分割阈值的确定方法包括如下步骤：
[0033]
s1：采集若干张给桑后的蚕座图片建立校正集，标记每张蚕座图片上的家蚕像素点和桑枝像素点；
[0034]
s2：对校正集图片采用图像分割算法进行分割，裁剪提取家蚕与桑枝区域；
[0035]
s3：分别获取家蚕区域与桑枝区域的rgb值及分布图像，并统计每个分量上不同数值在家蚕区域与桑枝区域出现次数的均值分布；
[0036]
s4：分别在r、g和b分量上，以不同的分割阈值对每个家蚕区域与桑枝区域进行二值化，识别二值化后的家蚕区域及桑枝区域的家蚕像素点和桑枝像素点，并计算二值化后家蚕区域与桑枝区域的识别错误率，绘制识别错误率与分割阈值的关系曲线；
[0037]
s5：以家蚕区域与桑枝区域的均值分布重合度最低的分量为最佳分量，以最佳分量下的家蚕区域与桑枝区域的关系曲线交点处对应的分割阈值为最佳分割阈值。
[0038]
由于进入五龄的蚕成白色，桑枝呈现浓绿色，所以无论在r、g或者b分量下，随着图像分割阈值的提高，分割后的图像家蚕的识别错误率会升高，桑枝的识别错误率会降低，通过分别绘制家蚕的识别错误率和分割阈值的关系曲线及桑枝的识别错误率和分割阈值的关系曲线，两条曲线的交点处对应的分割阈值即为可以实现桑枝和家蚕的识别错误率均保持在一个较低水平的分割阈值。同时观察家蚕区域与桑枝区域图像在不同分量下的各数值出现次数的均值分布图，分布重合度越低，说明家蚕和桑枝在该分量下的差异度越大，在该分量下两条关系曲线交点确定的分割阈值，分割后的图像家蚕和桑枝的辨识错误率为三个分量中的最低。
[0039]
通过上述技术方案确定的图像分割阈值，使用它对采集的图像进行二值化分割，可以保证对与家蚕和桑枝的辨识错误率均在一个较低的水准，提高辨识的准确度，从而提高家蚕面积辨识的准确度，实现更精确的给桑。
[0040]
最大类间方差法(otsu法)更侧重像素灰度级的均匀性，不适用于目标和背景的面积相差悬殊的情况；最大熵阈值分割法侧重某一灰度级的像素占其类内总像素的比例，对所划分的目标和背景大小并不敏感。所以在本实施例中，分别采用最大类间方差法和最大熵阈值分割法获得家蚕区域和桑枝区域。
[0041]
在本实施例中，校正集由给桑后每间隔1h连续截取3张图像，共截取105张png格式，分辨率为400像素
×
525像素。再另外取45张给桑直至吃完桑叶过程的图像最为测试集。
[0042]
105张图像经过最大熵法与otsu法的处理，获得去除大部分桑叶后的二值化图像。为精细分割目标，以此为掩膜从原图像中得到蚕与小部分桑枝(包括叶脉)的图像，将家蚕与桑枝所在区域分别裁剪提取，分别在r、g、b分量上探索不同分割阈值对家蚕和桑枝识别错误率的影响，计算方法如下式所示：
[0043][0044]
其中识别错误的像素由二值化后识别的像素家蚕或桑枝的像素与手动标记的像素比较而获得。
[0045]
105张原始图像经上述处理，统计r、g、b数值的出现次数(以均值表示)，结果如图2所示。从图2a、2b可以看出家蚕的r分量数值主要集中在[140,230]，桑叶叶脉r分量数值主要集中在[140,200]，家蚕的g分量数值主要集中在[150,220]，桑枝g分量数值主要集中在
[180,220]，两者在r、g分量上重叠严重；而从图2c可以看出家蚕b分量数值主要集中在[110,240]，桑枝图像的b分量主要集中在[80,130]，两者区间仅有小部分重叠。这反映出家蚕和桑枝在b分量上差异较大。
[0046]
根据错误率公式计算并统计，结果如图3所示。在图3中，黑色实线代表家蚕，灰色实线代表桑叶叶脉，随着各分量数值的增加，识别家蚕的错误率逐渐增大，识别桑叶叶脉的错误率逐渐减小。表明随着选取阈值的增大，对桑叶叶脉的分割越多，同时对家蚕的分割也越多，所以阈值不宜选的过大或过小，阈值过大分割目标会不完整，过小则不能将目标与背景彻底分割。即图中两条曲线相交的点为此分量上最佳分割的阈值，r分量取值181时，错误率为51.1％；g分量取值191时，错误率为70.5％；b分量取值129时，错误率为5.5％，由此可见在b分量的识别错误率最低，b分量上取值129即为本实施例中的最佳图像分割阈值。
[0047]
如图4所示，根据本发明实施例的蚕座内家蚕面积辨识方法，包括如下步骤：
[0048]
(1)采集蚕座图像，并对采集的蚕座图像采用图像分割算法进行分割；
[0049]
(2)对分割后的图像进行预处理；
[0050]
(3)在最佳分量上以最佳分割阈值对预处理后的图像进行二值化。其中最佳分量及最佳分割阈值由上述家蚕蚕座最佳图像分割阈值确定方法确定，在本实施例中即为b分量上129；
[0051]
(4)计算二值化后的图像中白色像素点数与整幅图像的像素点数的比值，获得家蚕所占面积。
[0052]
105张图像经二值化方法处理计算得到给桑后家蚕面积随时间变化曲线如图5a所示，可以看出在给桑后家蚕所占面积总体趋势逐渐上升，在6h之内增加的速度较快，面积占比约为18％，之后面积不再产生很大的变化，仅有上下浮动或保持不变。测试集的45张图像经同样处理，采用上述方法辨识蚕座内的家蚕所占面积，结果如图5b所示，在5h内面积增加速度较快，在第6h后面积不再发生变化，面积占比为18％左右，与校正集相同，验证了上述方法的可行性。
[0053]
根据本发明实施例的家蚕蚕座识别系统，包括控制系统、摄像头及摄像头驱动系统。摄像头及摄像头驱动系统设置于蚕座顶部，摄像头及摄像头驱动系统均与控制系统电性连接，摄像头在摄像头驱动系统的驱动下实现对蚕座的完整图像的采集。控制系统图像分割阈值确定模块和家蚕面积辨识模块，图像分割阈值确定模块用于采用上述蚕座最佳图像分割阈值的确定方法确定最佳的图像分割阈值，家蚕面积辨识模块采用最佳的图像分割阈值对采集的图像进行预处理，辨识家蚕面积占比。
[0054]
在本实施例中，控制系统选用树莓派4b。摄像头驱动系统包括步进电机、电机驱动板及工字型的导轨，摄像头设置在工字型导轨的滑台上，并由步进电机驱动沿导轨运动。步进电机通过电机驱动板与树莓派4b电性连接。
[0055]
根据本发明实施例的存储介质，存储有上述蚕座最佳图像分割阈值的确定方法和蚕座内家蚕面积辨识方法实例化的计算机程序。