一种禽类羽毛面积参数的检测方法与流程

本发明涉及羽毛检测，尤其涉及一种禽类羽毛面积参数的检测方法。

背景技术：

1、羽毛对禽类具有重要意义，具有防水性，有护体、保温、飞翔等功能。经过加工后制成羽毛球、羽绒衣等物品，具有经济价值。测量羽毛的面积、颜色、根部直径等特征，对羽毛的质量评价具有重要意义。现有的羽毛面积统计方法采用人工统计，需要巨大的人工成本与时间成本，且由于羽毛形状不规则，实际测量中误差较大。利用计算机图像自动化处理的方法，目前现有主流包括以下几种方法：第一种：基于阈值分割的方法：该方法一般基于像素级阈值分割、滤波框阈值分割、大津阈值分割等算法，存在召回率低，抗噪性差，对于图像质量要求高等问题；第二种：基于模板匹配的方法：该方法一般使用事先准备好的模板素材与图像进行匹配比对，比对方法包括色彩匹配、方差匹配等，存在召回率低，数据依赖强，耗时较长等问题；第三种：基于角点检测，特征描述的方法：该方法一般基于harris角点检测及其衍生检测方法，sift算子等特征描述器检测方法，构建检测目标的图像特征，在检测时，通过对图像特征的分类模型来检测目标。但存在无法适应尺寸变化、错检率高等问题。

2、机器学习、深度学习等人工智能的方法：该方法常用于图像分类、目标检测等，机器学习方法可解释但准确性低，深度学习准确率有所提高，但模型为黑盒性质，难以解释，即使检测到目标物，也难以细粒度的划分前景与背景；直接应用于羽毛面积检测的自动化方法较少，并且现有方法中，灵活性较差，自动化程度低，统计效率较纯人工提升小。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述现有存在的问题，提出了本发明。

3、因此，本发明提供了一种禽类羽毛面积参数的检测方法解决现有羽毛检测灵活性较差，自动化程度低，效率较差的问题。

4、为解决上述技术问题，本发明提供如下技术方案：

5、基于羽毛图像采集，对羽毛图像进行预处理；

6、通过目标检测算法，构建目标检测模型，输出羽毛在图像中的位置；

7、通过图像切割算法，经过多次迭代后，完成整体图像的前后景分割；

8、通过闭运算算法，对羽毛轮廓进行边缘平滑；

9、通过文字识别算法和随机抽样一致性算法，将轮廓的像素面积转换为真实的面积，从而输出最准确的面积参数。

10、作为本发明所述的禽类羽毛面积参数的检测方法的一种优选方案，其中：所述对羽毛图像进行预处理，采用自动标注的方式标注图像中羽毛的位置标签，生成的标签文件与图像文件相对应，根据聚类算法对已标注图像计算锚定窗大小。

11、作为本发明所述的禽类羽毛面积参数的检测方法的一种优选方案，其中：所述标注文件的标签格式表示为：

12、（1）；

13、其中，为标签号，为目标中心位置的x坐标，为目标中心位置的y坐标，为目标矩形框的宽度，为目标矩形框高度；

14、为了计算锚定框的大小即公式（1）中的和，需要用到聚类算法对图像进行聚类；聚类算法基本公式表示为：

15、（2）；

16、其中，为损失，为标签坐标，为聚类中心坐标。

17、作为本发明所述的禽类羽毛面积参数的检测方法的一种优选方案，其中：所述通过目标检测算法，搭建目标检测算法模型，模型输入为图像，模型输出为检测目标的位置，通过将预测位置与标签位置进行比对，进行反向传播更新模型参数，使得预测位置贴近真实的标签位置；图像经过模型计算后将输出羽毛在图像中的位置，形式为预测位置的矩形框。

18、作为本发明所述的禽类羽毛面积参数的检测方法的一种优选方案，其中：所述搭建目标检测算法模型，模型的定位损失由交集与并集的区域面积组成，定位损失表示为：

19、（3）；

20、其中，表示真实矩形框与预测矩形框的交集区域，表示真实矩形框与预测矩形框的并集区域；

21、当两者交集区域为0时，该损失为0，无法表示距离损失，因此引入定位损失公式用于交集为0的情况表示为：

22、（4）；

23、（5）；

24、（6）；

25、其中，为预测标注框长宽比的一致性参数表示，为权重参数，表示预测标注框长宽比在损失中的占比；为真实矩形框中心点，为预测矩形框中心点，为真实矩形框与预测矩形框的中心点的欧式距离，为真实矩形框与预测矩形框的最小闭包区域的对角线距离；

26、模型的分类损失与置信损失使用二元交叉熵函数，二元交叉熵函数公式表示为：

27、（7）；

28、其中，为模型输出结果，为分类标签；

29、最终，模型总损失公式表示为：

30、（8）。

31、作为本发明所述的禽类羽毛面积参数的检测方法的一种优选方案，其中：所述图像切割算法由图切割算法和前后景聚类算法迭代计算实现，聚类算法采用高斯混合模型计算图的能量总和，高斯混合密度模型公式表示为：

32、（9）；

33、其中，为高斯混合密度模型，为指定像素点的像素值，为该像素点rgb三通道的均值向量，为该像素点rgb三通道的协方差矩阵，和为常数项；

34、计算将某一像素点归为前景和背景的概率表示为：

35、（10）；

36、其中，该像素点高斯分量的权重值，为某一像素点集合；

37、图像建立的马尔科夫随机场中的顶点的能量总和表示为：

38、（11）；

39、其中，为图像中所有的像素点集合，为划分为前景的像素点集合，为划分为背景的像素点集合；

40、计算图中所有边的能量总和，边缘能量总和的公式表示为：

41、（12）；

42、其中，及为边能量的自适应权重值，由图片的对比度计算； 为点和的协方差；

43、获得马尔可夫随机场的能量总和公式表示为：

44、（13）；

45、构建马尔科夫随机场后，根据图切割算法在图上计算由源点（前景点）到终点（背景点）的最小割，最小割计算公式如下：

46、（14）；

47、其中，为图中所有边的集合，为使得和属于不同点集的割的集合，为包含点的点集，为包含点的点集；

48、为了判定重叠情况，采用以下重叠计算公式：

49、（15）；

50、其中，为重叠矩形框的交集面积，为重叠矩形框中羽毛的像素面积所占的部分；

51、根据设定阈值判定重叠后，使用掩码遮盖，掩码赋值公式表示为：

52、（16）；

53、其中，为需要遮盖的矩形框。

54、作为本发明所述的禽类羽毛面积参数的检测方法的一种优选方案，其中：所述闭运算的公式表示为：

55、（17）；

56、其中为膨胀运算，为腐蚀运算，为闭运算；

57、使用高斯滤波器作平滑滤波，二维高斯滤波器公式表示为：

58、 （18）；

59、其中，为高斯分布的标准差，越大则远端像素对中心像素的影响增大，即滤波器中心值变小，平滑效果越好；

60、对图像进行带通滤波的公式表示为：

61、（19）；

62、其中，为滤波器设定的带通阈值。

63、作为本发明所述的禽类羽毛面积参数的检测方法的一种优选方案，其中：所述随机抽样一致性算法，将文字识别模型提取的文字坐标进行抽样拟合，确保读取文字为标尺文字，随机抽样一致性算法公式表示为：

64、（20）；

65、其中，为抽样中的内点个数，为抽样中的外点个数，表示某次抽样中内点个数在总点个数中的占比，为其的期望值，为随机抽样一致性算法中设定的模型正确概率，为自适应迭代系数，使得模型在无优化后停止迭代；

66、通过计算多个标尺中远端距离的均数的中位数，避免文字识别错误带来的影响，尺度计算公式表示为：

67、（21）；

68、其中，为在标尺读数集合中最大的5个数，为在标尺读数集合中最大的2/n个数；为在标尺读数集合中最小的5个数，为在标尺读数集合中最小的2/n个数，为两数的坐标间的像素距离。

69、作为本发明所述的禽类羽毛面积参数的检测方法的一种优选方案，其中：所述随机抽样一致性算法，还包括以下步骤：

70、当标尺读数的个数≥10时，取最大的5个读数与最小的5个读数，若个数不足10，则取最大的n/2个读数与最小的n/2个读数；

71、使用最大的5个读数与最小的5个读数两两组合构成5²=25个组合数；

72、将组合数相减，计算坐标距离，获得25个读数距离与25个一一对应的坐标距离；

73、使用坐标距离除以对应的读数距离对应，获得25个标尺单位，取中位数作为图像标尺。

74、作为本发明所述的禽类羽毛面积参数的检测方法的一种优选方案，其中：所述将轮廓的像素面积转换为真实的面积，单位转换公式表示为：

75、（22）；

76、其中，为羽毛在矩形框中的轮廓内的像素面积，为标尺单位，为羽毛的实际面积。

77、本发明的有益效果：本发明采用了多种算法的结合，能准确识别目标，使得羽毛获得的面积边缘光滑，提高自动化程度，降低人工成本，提升了对图像中重叠羽毛的分割效果，达到了目标的百分百识别，使得输出的面积参数符合生产需要。