一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法技术

本发明专利技术涉及一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于通过单粒单格、多分割反应盘进行米粒碱性反应，然后进行高通量采集，照片处理后使用基于CNN的卷积神经网络图形分类器进行特征提取分类，并在特定条件下进行训练，根据数据训练集深度学习获得的模型参数，对测试样品照片进行机器识别，得出碱消值级别。通过本发明专利技术的测定方法，减少因人工测定造成的检测误差，通过特定的反应盒进行试验，能够保证试验过程中米粒不会漂移，提高后期观测时的清晰度，提高检测的准确率；另外评估结果不再与操作员的个人理解、工作经验、个人状态等有直接联系，降低了检测的难度，且试验结果更真实，更具有代表性。

A high-throughput method based on deep convolution neural network for the determination of rice seed alkali elimination value

【技术实现步骤摘要】
一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法
本专利技术涉及大米质检领域，具体是一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法。
技术介绍
大米品质评价标准中，碱消值是主要判定指标。标准的测定碱消值是将6粒饱满完整的大米放置在同一个专用盒子，添加氢氧化钾反应23小时后，观测米粒的消解程度，判定1-7级。例如，1级，米粒无变化；2级，米粒膨胀；4级，米粒膨大，环完整而宽等。但在实际操作过程中，其试验效率和测试精度存在一定缺陷。首先，试验时需要非常谨慎、缓慢操作。因为大米漂浮于反应液，略微震荡易造成移动，米粒互相遮蔽，导致后期观测困难；其次，消减值的级别判定与测试员的专业水平有关。尽管有具体的文字描述，但是在实际操作中，其评估结果与操作员的个人理解、工作经验、个人状态以及当时的环境条件等均有关系。针对现有方法的不足，本专利技术提供了一种基于深度卷积神经网络的图片识别技术，构建一种高效高通量的大米碱消值测定方法，解决了传统测定方法，效率低下，评估偏差等问题。主要思路是利用固定拍照/扫描的方法，拍摄单粒消解的照片，邀请专业的评估人员对大样本量的单粒消解做专业评估，利用ResNet（深度残差网络）深度卷积神经网络对数据进行有监督深度学习，构建模型。配套相应的测定部件，并开发软件程序，应用于实际生产。
技术实现思路
为了解决上述存在的技术问题，本专利技术采用了以下方案：一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于包括以下步骤：1）在反应盒中的每个格子中放入饱满完整的一粒大米，然后沿着反应盒的外壁缓慢加入碱液，直至碱液沾满整个反应盘，然后加密封盖进行密封，放置在烘箱中反应23小时；2）将反应后的反应盘放置到照片采集装置中进行高通量采集，根据模型训练结果设置采集像素，获得图片后，专业碱消值测定人员对每个单格大米的消解程度评级，构建原始数据集；3）从中国水稻研究所稻米品质研究中常年测定分析样品库中筛选不同类型水稻品种1-7级大米样品，按照步骤1）至步骤2）的流程，测定取样，获得用于后续图像识别的大数据样本；4）进行图片分割，将图片转化为灰度图，然后进行高斯模糊用来去噪声，接着进行二值化处理，然后通过OpenCV内置函数找出图片的轮廓，找出轮廓后使用OpenCV内置函数找出每个轮廓的外接矩形，并且筛选出符合分割图片大小的矩形；5）基于CNN即的卷积神经网络图形分类器，使用ResNet18即18层卷积层网络进行特征提取分类或ResNet50即50层卷积层网络进行特征提取分类，输入图片为3通道即RGB大小为224*224图片，原图大小不是224*224通过Pytorch进行变换；6）设置训练超参数，其中学习周期为90个epoch，每个epoch运算一次完整的训练集；学习率LR初始设置为0.1，然后每30个epoch降低为原来的1/10；小批量大小设置为8；正则化权重设为10-4，用来对抗过拟合，即训练集表现良好但测试集表现不好；7）将数据分别记为训练过程中的训练集和验证集，训练集数量是验证集的4～10倍，并且两者不能有重叠，获取数据集图像均值和标准差的文件，图像均值和标准差在训练时图像预处理归一化时需要使用，训练完使用ResNet18或ResNet50结构模型进行测试与判别；8）根据数据训练集深度学习获得的模型参数，对测试样品照片进行机器识别，得出碱消值级别。所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述步骤1）中碱液的淹没水稻米粒，所述碱液的高度不超过反应盒中隔离栅栏分割出的格子的高度。所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述步骤2）中所述采集装置的采集器包括扫描仪、工业垂直摄像机、初步固定的手机摄像机；采集像素包括正片或反片模式。所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述步骤2）中的样品数量为1000-5000份样品。所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述反应盒包括反应盘、隔离栅栏以及设置在隔离栅栏上方与所述反应盘配合的密封盖。所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述通过所述隔离栅栏在所述反应盘中设置有若干小格，所述小格的长为20-25mm，宽为20-25mm，高为3mm。所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述隔离栅栏的高度比所述反应盘的高度小1-2cm。所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述反应盘中隔离栅栏单盘的分割数目一般为50-200，各个分隔单格设置有序列。所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述反应盘、所述隔离栅栏以及所述密封盖所采用的材料包括PE、PP，底部透光率大于90%。所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述反应盒的形状包括圆形、方形、椭圆形。该基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法具有以下有益效果：通过本专利技术的测定方法，减少因人工测定造成的检测误差，通过特定的反应盒进行试验，能够保证试验过程中米粒不会漂移，提高后期观测时的清晰度，提高检测的准确率；另外评估结果不再与操作员的个人理解、工作经验、个人状态等均有直接的联系，降低了检测的难度，切试验结果更真实，更具有代表性。附图说明图1本专利技术中使用的新型反应盒；图2大米碱消值采集照片图例；图3大米碱消值图片二值化处理示意图；图4大米碱消值图片轮廓分割示意图；图5ResNet18和ResNet50的结构图；图6大米碱消值级别4图例；图7大米碱消值级别5图例。附图标记说明：1反应盘；2隔离栅栏；3密封盖。具体实施方式下面结合附图，对本专利技术的具体实施方式作进一步详述，使本专利技术技术方案更易于理解和掌握。结合图1，为了满足高通量取样的需要，将现有的6粒大米1个反应盒的试验体系改良为新型反应盒，包括反应盘1和设置在反应盘1中的隔离栅栏2，反应盘1的顶部设置有密封盖3。隔离栅栏2被密封盖3密封在反应盘1中。其中，反应盘1、隔离栅栏2以及密封盖3所采用的材料包括PE、PP等，底部透光率大于90%。隔离栅栏2上纵横交错设置有若干小格，形成反应盘，小格的长为20-25mm，宽为20-25mm，高为3mm，隔离栅栏2的高度比反应盘1的高度小1-2cm。反应盘1的形状包括圆形方形等，根据不同的需求可以设计成为不同的形状。反应盘1的尺寸根据不同的采集方法各有不同，反应盘1中隔离栅栏2单盘的分割数目一般在50-200之间，各个分隔单格标注序列。一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，包括以下步骤：按照标准方法，在本专利技术使用的反应盘1中的每个本文档来自技高网...

【技术保护点】
1.一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于包括以下步骤：/n1）在反应盒中的每个格子中放入饱满完整的一粒大米，然后沿着反应盒的外壁缓慢加入碱液，直至碱液沾满整个反应盘，然后加密封盖进行密封，放置在烘箱中反应23小时；/n2）将反应后的反应盘放置到照片采集装置中进行高通量采集，根据模型训练结果设置采集像素，获得图片后，专业碱消值测定人员对每个单格大米的消解程度评级，构建原始数据集；/n3）从中国水稻研究所稻米品质研究中常年测定分析样品库中筛选不同类型水稻品种1-7级大米样品，按照步骤1）至步骤2）的流程，测定取样，获得用于后续图像识别的大数据样本；/n4）进行图片分割，将图片转化为灰度图，然后进行高斯模糊用来去噪声，接着进行二值化处理，然后通过OpenCV内置函数找出图片的轮廓，找出轮廓后使用OpenCV内置函数找出每个轮廓的外接矩形，并且筛选出符合分割图片大小的矩形；/n5）基于CNN的卷积神经网络图形分类器，使用ResNet18即18层卷积层网络进行特征提取分类或ResNet50即50层卷积层网络进行特征提取分类，输入图片为3通道即RGB大小为224*224图片，原图大小不是224*224通过Pytorch进行变换；/n6）设置训练超参数，其中学习周期为90个epoch，每个epoch运算一次完整的训练集；/n学习率LR初始设置为0.1，然后每30个epoch降低为原来的1/10；/n小批量大小设置为8；/n正则化权重设为10...

【技术特征摘要】
1.一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于包括以下步骤：
1）在反应盒中的每个格子中放入饱满完整的一粒大米，然后沿着反应盒的外壁缓慢加入碱液，直至碱液沾满整个反应盘，然后加密封盖进行密封，放置在烘箱中反应23小时；
2）将反应后的反应盘放置到照片采集装置中进行高通量采集，根据模型训练结果设置采集像素，获得图片后，专业碱消值测定人员对每个单格大米的消解程度评级，构建原始数据集；
3）从中国水稻研究所稻米品质研究中常年测定分析样品库中筛选不同类型水稻品种1-7级大米样品，按照步骤1）至步骤2）的流程，测定取样，获得用于后续图像识别的大数据样本；
4）进行图片分割，将图片转化为灰度图，然后进行高斯模糊用来去噪声，接着进行二值化处理，然后通过OpenCV内置函数找出图片的轮廓，找出轮廓后使用OpenCV内置函数找出每个轮廓的外接矩形，并且筛选出符合分割图片大小的矩形；
5）基于CNN的卷积神经网络图形分类器，使用ResNet18即18层卷积层网络进行特征提取分类或ResNet50即50层卷积层网络进行特征提取分类，输入图片为3通道即RGB大小为224*224图片，原图大小不是224*224通过Pytorch进行变换；
6）设置训练超参数，其中学习周期为90个epoch，每个epoch运算一次完整的训练集；
学习率LR初始设置为0.1，然后每30个epoch降低为原来的1/10；
小批量大小设置为8；
正则化权重设为10-4，用来对抗过拟合，即训练集表现良好但测试集表现不好；
7）将数据分别记为训练过程中的训练集和验证集，训练集数量是验证集的4～10倍，并且两者不能有重叠，获取数据集图像均值和标准差的文件，图像均值和标准差在训练时图像预处理归一化时需要使用，训练完使用ResNet18或ResNet50结构模型进行测试与判别；
8）根据数据训练集深度学习获得的模型参数，对测试样品照片进行机器识别，得出碱消值级别。


2.根...

【专利技术属性】
技术研发人员：陈松，徐春梅，王丹英，褚光，陈丽萍，章秀福，
申请(专利权)人：中国水稻研究所，
类型：发明
国别省市：浙江;33