自然光下彩色種苗影像的背景分離與特徵抽取.ppt

自然光下彩色種苗影像的背景分離與特徵抽取 國立台灣大學農業機械工程學系 張仁明 林達德 前 言 研究設備 以自然光取像 使用雙攝影機 側面影像擷取角度主動選擇 使用類神經網路 內容大綱 背景分離方法 特徵抽取的各步驟 結果與討論 背景分離的方法 一 臨界值分離 於彩色影像中分離效果不佳 Baysian 模式分離方法 假設為常態分佈 計算不同族群(多維向量)之平均值與變異矩陣 未知族群資料輸入，計算最大可能的族群 無法非線性分割 背景分離的方法 二 類神經網路的使用 倒傳遞類神經網路 回想計算速度快 必須考慮訓練時的成本 可非線性分割 資料的分離更具彈性 可適用生長範圍更大...可用同一個網路 背景分離的方法選用 考慮條件 適用不同生長階段--network（非線性分割） 單一影像 --Baysian佳（network與訓練次數有關） 可動態學習與避免不斷學習所造成誤差 --network佳（改變學習速率） 程式穩定性與簡單性--network佳（baysian數學運算） 所使用的類神經網路 訓練次數 約2000+2000次 使用RGB 彩色模式 輸入層為rgb三個節點 一個隱藏層 有七個 (2n+1) 節點 輸出層為背景與前景兩節點 動態調整學習速率 背景分離結果 內容大綱 背景分離方法 特徵抽取的各步驟 結果與討論 特徵抽取的各步驟 葉片數的取得 葉片生長中心點 葉片軸向 葉片真實面積取得 去除雜訊影響與誤差減少 側面路徑取得 葉片數的取得一 擷取上視圖 最大軸向的個數 取生長中心點 葉片數的取得二 在上視圖中統計不同角度下的葉片點數累積 運算得數個最大軸 軸數與葉片數有關 葉片生長中心軸一 兩側視圖的運用 三視圖之校正與側視圖的放大 葉片生長中心軸二 由中點往外找尋最大累積點數軸 累積點數只取影像下半部 傾斜的影響 葉片軸向計算一 葉片軸向計算二 軸向雜訊去除與誤差降低 不同角度點數統計圖誤差 平滑化 沿路徑搜尋最大最小點 變化太小之點去除 中心點不正確造成之誤差 經侵蝕處理---使葉片間的相接處減少，軸向誤差變大 必須配合未經侵蝕之影像以找到正確的軸方向 葉片真實面積取得 單由上視圖或側視圖不易得到真實面積 得到上視圖中的面積，加上得知各葉片的傾斜情形，可得到真實面積 計算葉片側面路徑，與中心點的距離比值，可推算上視圖面積與真實面積比。 側面路徑取得方法(一) 路徑第一點選取 所在範圍，連續數點必須有值，相鄰點變動大小，5x5 Mask 路徑預測 使用前三點，預測下一點 路徑中相鄰兩點高度變動範圍 若太大，使用預測值 側面路徑取得方法(二) 路徑總長 每兩點計算距離，得路徑總長 與上視圖的關係 傾斜比例影響的軸區域 內容大綱 背景分離方法 特徵抽取的各步驟 結果與討論 結果與討論 葉片數計算結果 結果與討論 葉片數 3葉以下 幾乎沒錯 4~5葉 誤差正負一片 6葉以上 誤差與重疊方式有關 葉面積計算結果（模型） 實際面積(cm2) 30.1，27.7，29.4 計算面積(cm2) 31.9，27.4，34.1 單片面積誤差(cm2) 5.7%，1.0%，15.9% 總面積誤差 7% 葉面積計算結果二 葉面積計算結果三 結 論 取像不需要經過特別打光 使用類神經網路背景分離效果良好 不需要以傳統方式對側面每個角度取像（僅需要計算影響較大的角度） 本方法適用於5葉以下的種苗影像 敬 請 指 教 * * 分離前 分離後 分離後 分離前 7片葉片 葉片捲曲 軸向與傾斜角度不正確 * * * * *