法律状态公告日
法律状态信息
法律状态
2023-06-16
未缴年费专利权终止 IPC(主分类):G06K 9/00 专利号:ZL2013102200991 申请日:20130604 授权公告日:20160608
专利权的终止
2017-06-30
专利权人的姓名或者名称、地址的变更 IPC(主分类):G06K9/00 变更前: 变更后: 变更前: 变更后: 申请日:20130604
专利权人的姓名或者名称、地址的变更
2016-06-08
专利申请权的转移 IPC(主分类):G06K9/00 登记生效日:20160517 变更前: 变更后: 申请日:20130604
专利申请权、专利权的转移
2016-06-08
授权
授权
2013-11-06
实质审查的生效 IPC(主分类):G06K9/00 申请日:20130604
实质审查的生效
2013-10-02
公开
公开
查看全部
技术领域
本发明涉及图像识别领域,特别是用于判定动物饲料中所添加药 物的显微图像识别方法。
背景技术
传统的药物检测方法一般是先通过样品预处理,然后通过化学或 仪器分析手段进行进一步的分析检测,例如通过化学分析法中的重量 分析、容量分析法;通过光学分析法中的紫外-可见光分光光度法、 红外光分光光度法、近红外光谱法、荧光分光光度法、原子吸收分光 光度法、有机质谱法或旋光与折光分析法;通过色谱分析法中的薄层 色谱法、气象色谱法、高效液相色谱法或电泳法,通过电化学分析法 中的电位分析法或电导分析法等方法来进行药物检验。目前针对动物 饲料中添加违禁药物的情况,也是采用前述的方法进行检验,但是这 些方法一般对操作人员要求比较高,操作方法复杂且操作周期长,或 需要大型贵重仪器来进行分析,成本居高不下,不利于大规模试样的 快速分析。
发明内容
为了解决上述的技术问题,本发明的目的是提供一种简单、便捷、 快速且低成本的用于判定动物饲料中所添加药物的显微图像识别方 法。
本发明解决其技术问题所采用的技术方案是:
用于判定动物饲料中所添加药物的显微图像识别方法,包括:
S11、采集被测样品的显微图像,并对得到的显微图像进行标准 化处理;
S12、对标准化处理后的显微图像进行预处理;
S13、对预处理后的显微图像进行特征提取;
S14、使用训练好的神经网络对提取得到的显微图像的特征进行 识别和判定。
进一步,在所述步骤S14中所述训练好的神经网络是通过以下步 骤得到的:
S01、采集不同的药物标准品的显微图像,并对得到的显微图像 进行标准化处理;
S02、对标准化处理后的显微图像进行预处理;
S03、对预处理后的显微图像进行特征提取;
S04、进行神经网络初始化后,将提取得到的显微图像的特征作 为神经网络的训练样本,对神经网络进行识别训练。
进一步,所述步骤S12,其具体为:
对标准化处理后的显微图像,提取得到灰度通道值和色相通道值 后,将灰度通道值转换为两个灰度级数据,同时将色相通道值进行归 一化;
其中,两个灰度级数据包括二值化灰度级数据以及N阶灰度级 数据;
灰度通道值为:
Gray=0.299R+0.587G+0.114B;
色相通道值为:
其中,max=Max(R,G,B),min=Min(R,G,B)。
进一步,所述步骤S13,包括:
A1、对预处理后的显微图像生成一阶直方图后,提取一阶统计 特征;
A2、对预处理后的显微图像生成四个方向的二阶共生矩阵后, 提取二阶统计特征;
A3、提取灰度级行程长度特征;
A4、提取几何不变矩特征;
A5、针对预处理后得到的显微图像的二值化图像,根据预设的 窗口,生成目标相关矩阵,进而对目标相关矩阵提取一阶统计特征、 二阶统计特征及提取灰度级行程长度特征;
A6、针对预处理后得到的显微图像的二值化图像,计算出图像 的质心坐标,然后计算得到二值化图像中所有目标像素点的坐标与质 心坐标的向量距离,并对所有向量距离进行归一化,进而对归一化后 的向量距离提取一阶统计特征。
进一步,所述步骤A5,包括:
A51、针对预处理后得到的显微图像的二值化图像,设定图像背 景灰度值为0,目标灰度值为1;
A52、生成一个与二值化图像尺寸相同的矩阵后,根据预设的窗 口,采用以下方式对该矩阵的元素赋值,进而生成目标相关矩阵:若 二值化图像中像素点的值为背景灰度值,则令像素点对应的矩阵元素 值为0;若二值化图像中像素点的值为目标灰度值,则以此像素点为 中心,计算出在预设的窗口所覆盖范围内的像素点中像素值为目标灰 度值的总数量,然后将该总数量作为像素点对应的矩阵元素值;
A53、对目标相关矩阵提取一阶统计特征、二阶统计特征及提取 灰度级行程长度特征。
进一步,所述步骤A6,包括:
A61、针对预处理后得到的显微图像的二值化图像,设定图像背 景灰度值为0,目标灰度值为1;
A62、根据下式算出图像的质心坐标
S63、计算得到二值化图像中所有目标像素点的坐标与质心坐标 的向量距离,并对所有向量距离进行归一化,进而对归一化后的向量 距离提取一阶统计特征。
进一步,所述步骤A1中所述一阶统计特征包括1~3阶矩、2~4 阶中心矩、1~3阶绝对矩及熵。
进一步,所述步骤A2中所述二阶统计特征包括角二阶矩、对比 度、相关系数、方差、倒数差分矩、和均值、差均值、和方差、和的 熵、熵、差分方差、差分熵、信息测度I、信息测度II以及最大相关 系数。
进一步,所述步骤A3中所述灰度级行程长度特征包括短行程加 重、长行程加重、灰度级非均匀性、行程长度非均匀性以及行程百分 比。
进一步,所述步骤A4中所述几何不变矩采用Hu的7种矩。
本发明的有益效果是:本发明的用于判定动物饲料中所添加药物 的显微图像识别方法,通过采集被测样品的显微图像,然后依次进行 标准化处理、预处理以及特征提取后,可使用训练好的神经网络对提 取得到的显微图像的特征进行识别和判定,从而判定被测样品所添加 的药物,本方法对操作人员要求较低,而且分析成本低,便于进行大 规模的现场分析检测,简单、便捷而且快速。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明的用于判定动物饲料中所添加药物的显微图像识 别方法的流程图;
图2是一个二值化图像矩阵;
图3是根据图2的二值化图像矩阵所生成的目标相关矩阵。
具体实施方式
参照图1,本发明提供了一种用于判定动物饲料中所添加药物的 显微图像识别方法,包括:
S11、采集被测样品的显微图像,并对得到的显微图像进行标准 化处理;
S12、对标准化处理后的显微图像进行预处理;
S13、对预处理后的显微图像进行特征提取;
S14、使用训练好的神经网络对提取得到的显微图像的特征进行 识别和判定。
进一步作为优选的实施方式,在所述步骤S14中所述训练好的神 经网络是通过以下步骤得到的:
S01、采集不同的药物标准品的显微图像,并对得到的显微图像 进行标准化处理;
S02、对标准化处理后的显微图像进行预处理;
S03、对预处理后的显微图像进行特征提取;
S04、进行神经网络初始化后,将提取得到的显微图像的特征作 为神经网络的训练样本,对神经网络进行识别训练。
进一步作为优选的实施方式,所述步骤S12,其具体为:
对标准化处理后的显微图像,提取得到灰度通道值和色相通道值 后,将灰度通道值转换为两个灰度级数据,同时将色相通道值进行归 一化;
其中,两个灰度级数据包括二值化灰度级数据以及N阶灰度级 数据;
灰度通道值为:
Gray=0.299R+0.587G+0.114B;
色相通道值为:
其中,max=Max(R,G,B),min=Min(R,G,B)。
进一步作为优选的实施方式,所述步骤S13,包括:
A1、对预处理后的显微图像生成一阶直方图后,提取一阶统计 特征;
A2、对预处理后的显微图像生成四个方向的二阶共生矩阵后, 提取二阶统计特征;
A3、提取灰度级行程长度特征;
A4、提取几何不变矩特征;
A5、针对预处理后得到的显微图像的二值化图像,根据预设的 窗口,生成目标相关矩阵,进而对目标相关矩阵提取一阶统计特征、 二阶统计特征及提取灰度级行程长度特征;
A6、针对预处理后得到的显微图像的二值化图像,计算出图像 的质心坐标,然后计算得到二值化图像中所有目标像素点的坐标与质 心坐标的向量距离,并对所有向量距离进行归一化,进而对归一化后 的向量距离提取一阶统计特征。
进一步作为优选的实施方式,所述步骤A5,包括:
A51、针对预处理后得到的显微图像的二值化图像,设定图像背 景灰度值为0,目标灰度值为1;
A52、生成一个与二值化图像尺寸相同的矩阵后,根据预设的窗 口,采用以下方式对该矩阵的元素赋值,进而生成目标相关矩阵:若 二值化图像中像素点的值为背景灰度值,则令像素点对应的矩阵元素 值为0;若二值化图像中像素点的值为目标灰度值,则以此像素点为 中心,计算出在预设的窗口所覆盖范围内的像素点中像素值为目标灰 度值的总数量,然后将该总数量作为像素点对应的矩阵元素值;
A53、对目标相关矩阵提取一阶统计特征、二阶统计特征及提取 灰度级行程长度特征。
进一步作为优选的实施方式,所述步骤A6,包括:
A61、针对预处理后得到的显微图像的二值化图像,设定图像背 景灰度值为0,目标灰度值为1;
A62、根据下式算出图像的质心坐标
S63、计算得到二值化图像中所有目标像素点的坐标与质心坐标 的向量距离,并对所有向量距离进行归一化,进而对归一化后的向量 距离提取一阶统计特征。
进一步作为优选的实施方式,所述步骤A1中所述一阶统计特征 包括1~3阶矩、2~4阶中心矩、1~3阶绝对矩及熵。
进一步作为优选的实施方式,所述步骤A2中所述二阶统计特征 包括角二阶矩、对比度、相关系数、方差、倒数差分矩、和均值、差 均值、和方差、和的熵、熵、差分方差、差分熵、信息测度I、信息 测度II以及最大相关系数。
进一步作为优选的实施方式,所述步骤A3中所述灰度级行程长 度特征包括短行程加重、长行程加重、灰度级非均匀性、行程长度非 均匀性以及行程百分比。
进一步作为优选的实施方式,所述步骤A4中所述几何不变矩采 用Hu的7种矩。
本发明的一具体实施例如下:
首先,根据以下步骤得到训练好的神经网络:
S01、采集不同的药物标准品的显微图像,并对得到的显微图像 进行统一图像格式或分辨率等标准化处理;
S02、对标准化处理后的显微图像进行预处理,具体为:
对标准化处理后的显微图像,提取得到灰度通道值和色相通道值 后,将灰度通道值转换为两个灰度级数据,同时将色相通道值进行归 一化;
其中,两个灰度级数据包括二值化灰度级数据以及N阶灰度级 数据,N的取值范围为4~256,这里得到两个灰度级数据,即实际上 得到了显微图像的二值化图像以及N阶灰度图像;
灰度通道值为:
Gray=0.299R+0.587G+0.114B;
色相通道值来源于HSV颜色系统,其计算公式为:
其中,Gray为灰度通道值,Hue为色相通道值,R、G、B分别为 红、绿、蓝颜色值,max=Max(R,G,B),min=Min(R,G,B),即max为 红、绿、蓝颜色值中的最大值,min为红、绿、蓝颜色值中的最小值;
将色相通道值进行归一化实际上为将0~360表示的色相通道值 归一化为用0~1表示。
这里的图像预处理相当于进行阈值分割预处理,实际上在图像处 理中,还需要用到常用的图像滤波、锐化、边缘检测等预处理,这里 不做详细描述。
S03、对预处理后的显微图像进行特征提取,包括:
A1、对预处理后的显微图像生成一阶直方图后,提取一阶统计 特征,包括1~3阶矩、2~4阶中心矩、1~3阶绝对矩及熵;
一阶直方图P(I)的定义为:相应的,其 k阶矩mk的定义为:其中Ng表示灰度级总 数;其k阶中心矩μk的定义为:
A2、对预处理后的显微图像生成四个方向的二阶共生矩阵后, 提取二阶统计特征,包括角二阶矩(ASM)、对比度(Contrast)、相 关系数(Correlation)、方差(Variance)、倒数差分矩(Inverse Difference Moment)、和均值(Sum Average)、差均值(Diffenerce Average)、和 方差(Sum Variance)、和的熵(Sum Entropy)、熵(Entropy)、差分 方差(Difference Variance)、差分熵(Difference Entropy)、信息测度 I(Information Measures of Correlation I)、信息测度II(Information Measures of Correlation II)和最大相关系数(Maximal Correlation Coefficient),前述各个参数值为二阶共生矩阵的四个方向的参数值的 平均值;
二阶共生矩阵P(i,j)的定义为:
其中,d为像素对的距离。
基于二阶共生矩阵,角二阶矩ASM的定义为:
倒数差分矩IDF的定义为:
信息测度I用f12表示,其定义如下:
上式中各项的定义为:
信息测度I用f13表示,其定义如下:
其中,
A3、提取灰度级行程长度特征,包括短行程加重(Short Run Emphasis,SRE)、长行程加重(Long Run Emphasis,LRE)、灰度级 非均匀性(Gray Level Nonuniformity,GLNU)、行程长度非均匀性 (Run Length Nonuniformity,RLN)以及行程百分比(Run Percentage, RP);
要提取灰度级行程长度特征,须先建立灰度级行程长度矩阵 QRL:
对于灰度级总数为Ng的灰度图,对其4个方向0度、45度、90 度和135度中的每一个方向,建立相应的灰度级行程长度矩阵QRL, 元素QRL(i,j)表示灰度级(i-1)(i=1,...,Ng)在指定方向上连续出现j (j=1,2,...,Nr)次(即行程长度为j)的总次数,各个灰度级行程长度 特征的定义如下:
短行程加重SRE的定义为:
长行程加重LRE的定义为:
灰度级非均匀性GLNU的定义为:
行程长度非均匀性RLN的定义为:
行程百分比RP的定义为:
以上各式中,Nr是图像指定方向上的最大可能行程长度,L是图 像中行程的全部可能数量。
A4、提取几何不变矩特征,几何不变矩采用Hu的7种矩(φ1~φ7);
A5、针对预处理后得到的显微图像的二值化图像,根据预设的 窗口,生成目标相关矩阵,进而对目标相关矩阵提取一阶统计特征、 二阶统计特征及提取灰度级行程长度特征,包括:
A51、针对预处理后得到的显微图像的二值化图像,设定图像背 景灰度值为0,目标灰度值为1;
A52、生成一个与二值化图像尺寸相同的矩阵后,根据预设的窗 口,采用以下方式对该矩阵的元素赋值,进而生成目标相关矩阵:若 二值化图像中像素点的值为背景灰度值,则令像素点对应的矩阵元素 值为0;若二值化图像中像素点的值为目标灰度值,则以此像素点为 中心,计算出在预设的窗口所覆盖范围内的像素点中像素值为目标灰 度值的总数量,然后将该总数量作为像素点对应的矩阵元素值;
A53、对目标相关矩阵提取一阶统计特征、二阶统计特征及提取 灰度级行程长度特征;一阶统计特征、二阶统计特征及提取灰度级行 程长度特征的具体内容参照步骤A1~A3的描述。
A6、针对预处理后得到的显微图像的二值化图像,计算出图像 的质心坐标,然后计算得到二值化图像中所有目标像素点的坐标与质 心坐标的向量距离,并对所有向量距离进行归一化,进而对归一化后 的向量距离提取一阶统计特征,包括:
A61、针对预处理后得到的显微图像的二值化图像,设定图像背 景灰度值为0,目标灰度值为1;
A62、根据下式算出图像的质心坐标
上式中,I(i,j)中表示灰度值,其中,i表示横坐标,j表示纵坐 标;
S63、计算得到二值化图像中所有目标像素点的坐标与质心坐标 的向量距离,并对所有向量距离进行归一化,进而对归一化后的向量 距离提取一阶统计特征;一阶统计特征的具体内容参照步骤A1的描 述。向量距离指用向量形式表示的距离,包括方向以及距离值。
S04、进行神经网络初始化后,将提取得到的显微图像的特征作 为神经网络的训练样本,对神经网络进行识别训练。
然后,采用以下步骤对被测样品进行识别判定:
S11、采集被测样品的显微图像,并对得到的显微图像进行统一 图像格式或分辨率等标准化处理;
S12、对标准化处理后的显微图像进行预处理,具体为:
对标准化处理后的显微图像,提取得到灰度通道值和色相通道值 后,将灰度通道值转换为两个灰度级数据,同时将色相通道值进行归 一化;
其中,两个灰度级数据包括二值化灰度级数据以及N阶灰度级 数据,N的取值范围为4~256;
灰度通道值为:
Gray=0.299R+0.587G+0.114B;
色相通道值来源于HSV颜色系统,其计算公式为:
其中,Gray为灰度通道值,Hue为色相通道值,R、G、B分别为 红、绿、蓝颜色值,max=Max(R,G,B),min=Min(R,G,B),即max为 红、绿、蓝颜色值中的最大值,min为红、绿、蓝颜色值中的最小值;
将色相通道值进行归一化实际上为将0~360表示的色相通道值 归一化为用0~1表示。
这里的图像预处理相当于进行阈值分割预处理,实际上在图像处 理中,还需要用到常用的图像滤波、锐化、边缘检测等预处理,这里 不做详细描述。
S13、对预处理后的显微图像进行特征提取,包括:
A1、对预处理后的显微图像生成一阶直方图后,提取一阶统计 特征,包括1~3阶矩、2~4阶中心矩、1~3阶绝对矩及熵;
A2、对预处理后的显微图像生成四个方向的二阶共生矩阵后, 提取二阶统计特征,包括角二阶矩(ASM)、对比度(Contrast)、相 关系数(Correlation)、方差(Variance)、倒数差分矩(Inverse Difference Moment)、和均值(Sum Average)、差均值(Diffenerce Average)、和 方差(Sum Variance)、和的熵(Sum Entropy)、熵(Entropy)、差分 方差(Difference Variance)、差分熵(Difference Entropy)、信息测度 I(Information Measures of Correlation I)、信息测度II(Information Measures of Correlation II)和最大相关系数(Maximal Correlation Coefficient),前述各个参数值为二阶共生矩阵的四个方向的参数值的 平均值;
A3、提取灰度级行程长度特征,包括短行程加重(Short Run Emphasis,SRE)、长行程加重(Long Run Emphasis,LRE)、灰度级 非均匀性(Gray Level Nonuniformity,GLNU)、行程长度非均匀性 (Run Length Nonuniformity,RLN)以及行程百分比(Run Percentage, RP);
A4、提取几何不变矩特征,几何不变矩采用Hu的7种矩(φ1~φ7);
A5、针对预处理后得到的显微图像的二值化图像,根据预设的 窗口,生成目标相关矩阵,进而对目标相关矩阵提取一阶统计特征、 二阶统计特征及提取灰度级行程长度特征,包括:
A51、针对预处理后得到的显微图像的二值化图像,设定图像背 景灰度值为0,目标灰度值为1;
A52、生成一个与二值化图像尺寸相同的矩阵后,根据预设的窗 口,采用以下方式对该矩阵的元素赋值,进而生成目标相关矩阵:若 二值化图像中像素点的值为背景灰度值,则令像素点对应的矩阵元素 值为0;若二值化图像中像素点的值为目标灰度值,则以此像素点为 中心,计算出在预设的窗口所覆盖范围内的像素点中像素值为目标灰 度值的总数量,然后将该总数量作为像素点对应的矩阵元素值;这里, 预设的窗口是边长为奇数的正方形窗口;如图2所示,图中是采用矩 阵表示的5×5的二值化图像,假设预设的窗口为3×3的正方形窗口, 在二值化图像中,第一行第一列的像素点的值为背景灰度值0,则令 该像素点在目标相关矩阵中对应的矩阵元素值为0,而第三行第三列 的像素点的值为目标灰度值1,则以该像素点为中心,计算出图2中 所示3×3的正方形窗口所覆盖范围内的像素点中像素值为1的总数 量为6,进而令该像素点对应的矩阵元素值为6。根据本步骤结合图 2所示的二值化图像所生成的目标相关矩阵如图3所示。
A53、对目标相关矩阵提取一阶统计特征、二阶统计特征及提取 灰度级行程长度特征;一阶统计特征、二阶统计特征及提取灰度级行 程长度特征的具体内容参照步骤A1~A3的描述。
A6、针对预处理后得到的显微图像的二值化图像,计算出图像 的质心坐标,然后计算得到二值化图像中所有目标像素点的坐标与质 心坐标的向量距离,并对所有向量距离进行归一化,进而对归一化后 的向量距离提取一阶统计特征,包括:
A61、针对预处理后得到的显微图像的二值化图像,设定图像背 景灰度值为0,目标灰度值为1;
A62、根据下式算出图像的质心坐标
S63、计算得到二值化图像中所有目标像素点的坐标与质心坐标 的向量距离,并对所有向量距离进行归一化,进而对归一化后的向量 距离提取一阶统计特征;一阶统计特征的具体内容参照步骤A1的描 述。
S14、使用训练好的神经网络对提取得到的显微图像的特征进行 识别和判定,从而可获得被测样品中所添加药物的信息。
实际上,步骤S02与步骤S12、步骤S03与步骤S13执行的是相 应的操作,区别只是处理对象的来源不同,步骤S02及步骤03针对 的处理对象是来源于采集标准样品所得到的显微图像,而步骤S12 及S13针对的处理对象是来源于采集被测样品所得到的显微图像。
对于本实施例,还可以有进一步的改进,例如,对步骤S02及 S12中的灰色通道值,可对其进行二维快速傅里叶变换后,对生成的 二维复数能量谱,计算出各复数值的模并建立矩阵,进而基于此矩阵 进行步骤A1~A6的特征提取。而考虑到某些参数可能因图像旋转而 发生较大的变化,因此进行处理时,可先对显微图像均匀旋转n次, 每次旋转角度为360/n度,然后将每个参数值修正为根据旋转所得到 每个参数值对应的n个参数值的平均值后进行分析处理。或者,还可 以对步骤S04中的神经网络,采用反向传播学习算法为基础,加入动 量项以避免训练后期出现震荡。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不 限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提 下还可作出种种的等同变形或替换,这些等同的变型或替换均包含在 本申请权利要求所限定的范围内。
机译: 固体剂型可用于缓慢释放药物,香料,植物处理剂,动物饲料添加剂和食品添加剂
机译: 动物饲料产品,可用于将药物(例如片剂)施用于家畜,例如猫和狗,由面团制成的身体(不含化学添加剂的成分),具有空腔和开口
机译: 用于动物饲料,食品,饮用水或药物制剂的添加剂