像还原成特定大小，然后用还原成特定大小的图片训练深度卷积网络；
[0045]步骤七:将步骤五中提取到的候选窗口输入训练好的深度卷积网络，判定哪些候选窗口属于茶叶嫩芽，那些属于背景。
[0046]优选的滑动窗口的长宽范围是O至原始图像最短边大小，各个子图像可以存在重叠区域。
[0047 ]优选的步骤五中初始化为a的范围是O至I。
[0048]优选的深度卷积网络是一个多层神经网络，其中最后一层为softmax层。
[0049]实施例2
[0050]本实施例采用记录图像边缘外像素个数的方法，具体包括如下步骤:
[0051 ]步骤一:用尚像素相机获取原始图像；
[0052]步骤二:将原始图像利用边缘检测算法检测边缘，得到结果图片；
[0053]步骤三:用滑动窗口将结果图片切分成多个相同大小的子图像；
[0054]步骤四:计算统计像素个数与结果图片总像素个数的百分比；
[0055]计算整幅结果图片中不属于图像边缘的像素个数占图像总像素个数的百分比，记作Pall2;计算步骤三中各个子图像中不属于图像边缘的像素个数占结果图片总像素个数的百分比，记作pd2;
[0056]步骤五:将步骤四中子图像的个数记作num;
[0057]设定一个步长，记作steps ize2 ;设定一个临界值，记作thre sho I d2，初始化为Pal 12;设定一个数，记作n2 ；
[0058]①threshold2 = threshold2_stepsize2 ；
[0059]②判断每个pd2是否小于threshold〗，记录小于threshold〗的pd2的个数，记作Tnum2；
[0060]③计算Tnum2/num;
[0061 ] 如果Tnum2/num大于1/η2，贝Ij重复①、②、③、；如果Tnum2/num小于1/η2，则提取出小于thresho I d2的pd2所对应的子图像所对应的原图像的区域，作为候选窗口 ；
[0062]步骤六:在相机拍摄的原始图中，使用软件将茶叶嫩芽和背景图片切割出来，分别作为正样本和负样本，再将切割后的图像还原成特定大小，然后用还原成特定大小的图片训练深度卷积网络；
[0063]步骤七:将步骤五中提取到的候选窗口输入训练好的深度卷积网络，判定哪些候选窗口属于茶叶嫩芽，那些属于背景。
[0064]优选的滑动窗口的长宽范围是O至原始图像最短边大小，各个子图像可以存在重叠区域。
[0065]优选的深度卷积网络是一个多层神经网络，其中最后一层为softmax层。
【主权项】
1.一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法，其特征在于:包括如下步骤: 步骤一:用尚像素相机获取原始图像； 步骤二:将原始图像利用边缘检测算法检测边缘，得到结果图片； 步骤三:用滑动窗口将结果图片切分成多个相同大小的子图像； 步骤四:计算统计像素个数与结果图片总像素个数的百分比； 方法1:计算整幅结果图片中属于图像边缘的像素个数占图像总像素个数的百分比，记作Palll;计算步骤三中各个子图像中属于图像边缘的像素个数占结果图片总像素个数的百分比，记作Pdl; 方法2:计算整幅结果图片中不属于图像边缘的像素个数占图像总像素个数的百分比，记作Pall2;计算步骤三中各个子图像中不属于图像边缘的像素个数占结果图片总像素个数的百分比，记作pd2; 步骤五:将步骤四中子图像的个数记作num; 对于方法一:设定一个步长，记作stepsizeI ;设定一个临界值，记作thresholdl，初始化为a(范围O至I);设定一个数，记作nl ； ①thresholdI= threshold1+stepsizeI； ②判断每个pdl是否大于thresholdl，记录大于thresholdl的pdl的个数，记作Tnuml； ③计算Tnuml/num; 如果Tnuml/num大于1/nl，则重复①、②、③、；如果Tnuml/num小于Ι/nl，则提取出大于threshoIdI的pdI所对应的子图像，所对应的原图像的区域，作为候选窗口。 对于方法2:设定一个步长，记作8丨6卩81262;设定一个临界值，记作1:11^81101(12，初始化为Pal 12;设定一个数，记作n2 ； ①threshold2=threshold2_stepsize2； ②判断每个pd2是否小于threshold〗，记录小于threshold〗的pd2的个数，记作Tnum2; ③计算Tnum2/num ； 如果Tnum2/num大于1/η2，则重复①、②、③、；如果Tnum2/num小于1/η2，则提取出小于thresho I d2的pd2所对应的子图像所对应的原图像的区域，作为候选窗口 ； 步骤六:在相机拍摄的原始图中，使用软件将茶叶嫩芽和背景图片切割出来，分别作为正样本和负样本，再将切割后的图像还原成特定大小，然后用还原成特定大小的图片训练深度卷积网络； 步骤七:将步骤五中提取到的候选窗口输入训练好的深度卷积网络，判定哪些候选窗口属于茶叶嫩芽，那些属于背景。2.根据权利要求1所述的一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法，其特征在于:滑动窗口的长宽范围是O至原始图像最短边大小，各个子图像可以存在重叠区域。3.根据权利要求1所述的一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法，其特征在于:步骤五中初始化为a的范围是O至I。4.根据权利要求1所述的一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法，其特征在于:深度卷积网络是一个多层神经网络，其中最后一层为softmax层。
【专利摘要】本发明涉及一种茶叶嫩芽方法，尤其是一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法。本发明首先将原始边缘检测算法检测图像边缘，对于进行边缘检测后的图片，用如下两种方法提取出候选窗口：(1)根据图片中属于图像边缘的像素个数占图像总像素个数的百分比，(2)根据图片中不属于图像边缘的像素个数占总像素个数的百分比。接下来将提取到的候选窗口输入训练好的深度学习网络，判定哪些属于茶叶嫩芽。使用本发明能够大大改善现有茶叶嫩芽检测任务的效果，并且本发明提出的方法也可以应用到其他目标检测任务中。
【IPC分类】G06T7/00
【公开号】CN105654468
【申请号】
【发明人】吴晓民, 任鹏
【申请人】中国石油大学(华东)
【公开日】2016年6月8日
【申请日】2015年12月21日