一种基于深度学习的粮食籽粒检测与计数的方法及装置制造方法及图纸

本发明专利技术公开了粮食籽粒计数技术领域的一种基于深度学习的粮食籽粒检测与计数的方法及装置，包括箱体、高清相机、明场照明灯、粮食籽粒载物板、传送机构、暗场照明灯、粮食籽粒入料口、人机交互触摸显示屏和机电控制装置，粮食籽粒入料口位于箱体上方，传送机构的表面固定有粮食籽粒载物板，机电控制装置与传送机构电连接，传送机构固定在箱体内壁前后之间，高清相机位于箱体内腔顶部，高清相机与人机交互触摸显示屏信号连接，通过深度卷积学习网络模型设计和参数求解，可以很好的检测密集并且粘连的粮食籽粒目标，经过测试，粮食籽粒检测的召回率和正确率很高，运算过程简单，操作方便。

A Method and Device for Grain Detection and Counting Based on Deep Learning

The invention discloses a method and device for grain grain detection and counting based on in-depth learning in the field of grain counting technology, including a box body, a high-definition camera, an open-field illumination lamp, a grain grain carrier board, a transmission mechanism, a dark-field illumination lamp, a grain inlet, a human-computer interactive touch display screen and an electromechanical control device. The grain inlet is located above the box body. The surface of the conveying mechanism is fixed with grain carrier plate, and the electromechanical control device is electrically connected with the conveying mechanism. The conveying mechanism is fixed between the front and back of the inner wall of the box. The high-definition camera is located on the top of the inner wall of the box. The signal of the high-definition camera is connected with the human-computer interactive touch display screen. Through the design of the deep convolution learning network model and the solution of the parameters, the dense and cohesive grain can be well detected. After testing, the recall rate and correct rate of grain detection are very high, the calculation process is simple and the operation is convenient.

【技术实现步骤摘要】
一种基于深度学习的粮食籽粒检测与计数的方法及装置
本专利技术涉及粮食籽粒计数
，具体为一种基于深度学习的粮食籽粒检测与计数的方法及装置。
技术介绍
粮食籽粒检测计数目前用的最多的方法就是基于机器视觉的图像处理技术。机器视觉中用到的最多的技术是图像分割，而图像分割的方法有大津阈值法、边缘法、分水岭法以及距离变换法。这些方法都会有一些缺陷或者问题，他们是无法克服的，粮食籽粒目标检测不像其他的目标检测，它们具有一些特有的属性和状态，例如籽粒颗粒较小，在一个画面中籽粒数目较多且较为密集，并且会出现多颗粘连等状态。目前，也有一些研究提到采用一些特殊的图像采集装置，如专利CN105430350A提到的一种粮食籽粒图像采集系统，是通过吸粮装置将每一个粮食籽粒吸入小孔，然后布料到相关的载物面上。该方法存在一些问题：比如粮食中的小麦有不同的品种，不同地域和不同的小麦品种，籽粒大小不一样，即使同一批小麦种，也有一些破碎粒或者病斑粒等不完善粒籽粒偏小，而正常粒就比较饱满，体积和重量相对较大，生芽粒如果出芽，籽粒也会偏大。这些不同体积和表面积的粮食籽粒，无法在同一标准孔洞型盘上吸入，一旦采用这种装置，将会吸入较小颗粒到吸风机内部，甚至会堵住吸风机，造成吸风机的短路。粮食籽粒检测和计数技术是粮食籽粒识别的基础，可以将每一个粮食籽粒分割出来，从而可以对单独的粮食籽粒进行识别。目前深度学习正在应用到各种领域中，由此可见深度学习技术是一种有效的技术手段，可以用于目前的粮食籽粒检测与计数，基于此，本专利技术设计了一种基于深度学习的粮食籽粒检测与计数的方法及装置，以解决上述问题。专利技术内容本专利技术的目的在于提供一种基于深度学习的粮食籽粒检测与计数的方法及装置，以解决上述
技术介绍
中提出的现有技术无法满足不同粮食籽粒的检测与计数的问题。为实现上述目的，本专利技术提供如下技术方案：一种基于深度学习的粮食籽粒检测与计数方法，包括以下步骤：S1、深度卷积学习网络模型设计；S2、深度卷积学习网络模型参数求解。优选的，所述步骤S1中深度卷积学习网络模型构建需要解决密集小目标的检测，必须设计密集小目标特征提取模块、密集特征提取进化模块和目标检测模块。优选的，所述密集特征提取进化模块采用密集的连接的方式连接各个卷积层，该密集连接主要是指每一层都和前面所有层之间进行连接，并在层间连接设计删除和复制添加策略，在训练过程中，每隔一定训练迭代次数，进行一定的连接有效性验证，随机删除一些贡献较小的层连接，并将贡献较大的连接复制到删除连接上。优选的，所述目标检测模块用于生成目标候选框以及给出每个目标框的概率值，其核心是内部的降维和升维过程，采用了1x1的卷积核来降低特征图维数，主要目的是为了加快速度；采用双线性插值的方法扩大特征图，主要目的是为了获取更精确的边缘和上下文信息。一种基于深度学习的粮食籽粒检测与计数装置，包括箱体、高清相机、明场照明灯、粮食籽粒载物板、传送机构、暗场照明灯、粮食籽粒入料口、人机交互触摸显示屏和机电控制装置，所述人机交互触摸显示屏和机电控制装置固定在箱体表面，所述粮食籽粒入料口位于箱体上方，所述传送机构的表面固定有粮食籽粒载物板，且传送机构位于粮食籽粒入料口下方，所述机电控制装置与传送机构电连接，所述暗场照明灯位于传送机构下方，所述传送机构固定在箱体内壁前后之间，所述高清相机位于箱体内腔顶部，所述明场照明灯位于高清相机下方，所述高清相机、明场照明灯、粮食籽粒载物板、传送机构和暗场照明灯位于同一竖直线上，所述高清相机与人机交互触摸显示屏信号连接，所述传送机构为两组前后平齐水平设置的皮带传送机构，且粮食籽粒载物板柔性连接在两组传送带之间。与现有技术相比，本专利技术的有益效果是：本专利技术通过深度卷积学习网络模型设计和参数求解，可以很好的检测密集并且粘连的粮食籽粒目标，经过测试，粮食籽粒检测的召回率和正确率很高，运算过程简单，操作方便。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术流程框图；图2为本专利技术深度学习整体网络结构图；图3为本专利技术密集特征提取进化流程图；图4为本专利技术检测模块网络结构图；图5为本
技术实现思路
感知结构图；图6为本专利技术结构示意图。附图中，各标号所代表的部件列表如下：1-密集小目标特征提取模块，2-密集特征提取进化模块，3-目标检测模块，100-箱体，200-高清相机，300-明场照明灯，400-粮食籽粒载物板，500-传送机构，600-暗场照明灯，700-粮食籽粒入料口，800-人机交互触摸显示屏，900-机电控制装置。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。请参阅图1-6，本专利技术提供一种技术方案：一种基于深度学习的粮食籽粒检测与计数方法，包括以下步骤：S1、深度卷积学习网络模型设计；S2、深度卷积学习网络模型参数求解。步骤S1中深度卷积学习网络模型构建需要解决密集小目标的检测，必须设计密集小目标特征提取模块1、密集特征提取进化模块2和目标检测模块3，密集小目标特征提取模块1中输入彩色的三通道图像。密集特征提取进化模块2采用密集的连接的方式连接各个卷积层，该密集连接主要是指每一层都和前面所有层之间进行连接，并在层间连接设计删除和复制添加策略，在训练过程中，每隔一定训练迭代次数，进行一定的连接有效性验证，随机删除一些贡献较小的层连接，并将贡献较大的连接复制到删除连接上，这种效果类似于遗传算法中的进化效果。目标检测模块3用于生成目标候选框以及给出每个目标框的概率值，其核心是内部的降维和升维过程，采用了1x1的卷积核来降低特征图维数，主要目的是为了加快速度；采用双线性插值的方法扩大特征图，主要目的是为了获取更精确的边缘和上下文信息，密集特征提取进化模块2中，设计每一层与相邻层和之前所有层相连，同时设计一种机制来删除和增加连接，经过多次训练和迭代后，当迭代次数误差变化较小或者增大时，启动这种机制。启动这种机制时，每次随机选择总体连接中的20％，当删除某个连接发现测试验证精度下降很多，将该连接标记为1，并记录下精度下降值，说明该连接很重要，不能删除；如果精度下降很少或者不下降，则该连接标记为0，说明该连接可有可无；如果精度不降反升，说明该连接必须删除，该连接标记为-1，并记录下精度上升值。经过一轮连接删除后，用那些影响整体精度下降较大的连接替换那些需要删除的连接。从而可以得到一种进化的特征提取网络。目标检测模块3中32、34、35主要是指深度学习中的卷积，可以是3x3或者1x1的卷积，两个3x3的卷积直连相当于5x5卷积的效果，33中的连接主要是增加特征图的数目，也有在不增加特征图数目，在同一个特征图上的同一个位置进行相关的算术操作，本方案中使用的是增加特征图数目。36、37是目标检测模块3获得粮食籽粒的目标框和本文档来自技高网...

【技术保护点】
1.一种基于深度学习的粮食籽粒检测与计数方法，其特征在于：包括以下步骤：S1、深度卷积学习网络模型设计；S2、深度卷积学习网络模型参数求解。

【技术特征摘要】
1.一种基于深度学习的粮食籽粒检测与计数方法，其特征在于：包括以下步骤：S1、深度卷积学习网络模型设计；S2、深度卷积学习网络模型参数求解。2.根据权利要求1所述的一种基于深度学习的粮食籽粒检测与计数的方法，其特征在于：所述步骤S1中深度卷积学习网络模型构建需要解决密集小目标的检测，必须设计密集小目标特征提取模块(1)、密集特征提取进化模块(2)和目标检测模块(3)。3.根据权利要求2所述的一种基于深度学习的粮食籽粒检测与计数的方法，其特征在于：所述密集特征提取进化模块(2)采用密集的连接的方式连接各个卷积层，该密集连接主要是指每一层都和前面所有层之间进行连接，并在层间连接设计删除和复制添加策略，在训练过程中，每隔一定训练迭代次数，进行一定的连接有效性验证，随机删除一些贡献较小的层连接，并将贡献较大的连接复制到删除连接上。4.根据权利要求2所述的一种基于深度学习的粮食籽粒检测与计数的方法，其特征在于：所述目标检测模块(3)用于生成目标候选框以及给出每个目标框的概率值，其核心是内部的降维和升维过程，采用了1x1的卷积核来降低特征图维数，主要目的是为了加快速度；采用双线性插值的方法扩大特征图，主要目的是为了获取更精确的边缘和上下文信息。5.一种基于深度学...

【专利技术属性】
技术研发人员：武勇，朱逞春，周金旺，
申请(专利权)人：安徽高哲信息技术有限公司，
类型：发明
国别省市：安徽,34