一种大米垩白检测方法和系统技术方案

本发明专利技术公开了一种大米垩白检测方法和系统，其中方法包括以下步骤：S1，图像采集；S2，对采集的图像进行预处理；S3，对预处理后的图像进行灰度化处理，并通过腐蚀运算进行边界的分割，使叠加的米粒分开，去除噪点统计出米粒总数；同时，利用深度卷积神经网络进行垩白大米检测，并统计垩白大米的米粒数；S4，垩白大米的米粒数目与统计出的米粒总数的比值乘以百分百，得到大米的垩白率。本发明专利技术减少了强反射与正常光源产生的阴影造成的误判。判定垩白米粒时用深度卷积神经网络代替人工提取特征，避免了繁琐的特征算法选择与特征设计，提高了识别精度。精度。精度。

【技术实现步骤摘要】
一种大米垩白检测方法和系统


[0001]本专利技术涉及垩白大米检测领域，特别涉及一种大米垩白检测方法和系统。

技术介绍

[0002]现有的垩白检测方法基于机器视觉技术，用外界光源照射滑落状态下的大米，使用CCD相机采集图像，通过包括过灰度化、背景分割、边缘检测、图像二值化以及腐蚀膨胀等预处理操作得到垩白区域与籽粒区域。检测方法包括，根据垩白与标准大米的灰度明显区别，如像素灰度值大于阈值则判定为垩白大米，或者使用遗传神经网络对大米的垩白率进行计算。并未考虑正常米粒中的一部分可能会造成强反射，实际应用时下容易引发误判。且目前的监测方法都是采用人工选取目标特征，特征对于垩白特性表达性能不一，因此最终检测结果精准度不够理想。

技术实现思路

[0003]为了解决现有问题，本专利技术提供了一种大米垩白检测方法和系统，具体方案如下：一种大米垩白检测方法，包括以下步骤：S1，采集不同波长光源下的多品种米粒的混合样本图像；S2，对步骤1采集的图像进行预处理；S3，对步骤2中预处理后的RGB图像进行灰度化处理，并将灰度化后的图像通过腐蚀运算进行边界的分割，使叠加的米粒分开，并去除噪点，统计出米粒总数；同时，利用深度卷积神经网络进行垩白大米的检测，并统计出垩白大米的米粒数目；S4，步骤3中得到的垩白大米的米粒数目与统计出的米粒总数的比值乘以百分百，得到大米的垩白率。
[0004]优选的，所述步骤2中对采集到的图像进行预处理的方法为：对采集到的原始图像进行变换处理，达到数据增强的目的，从而扩充样本数据集，提高网络的整体学习性能，避免深度卷积神经网络出现过拟合现象，所述变换处理的方法包括旋转、翻转以及调整对比度，旋转公式为，θ为旋转角度，x1、y1为当前坐标，x2、y2为旋转后的坐标，调整对比度使用伽马变换，s为输出灰度级，r为输入灰度级，γ为伽马值，用于调整灰度级变换程度，c称为灰度缩放系数，用于整体拉伸图像灰度。
[0005]优选的，步骤3中统计米粒总数的步骤包括：SA31，通过加权平均法对步骤2中的预处理后的RGB图像进行灰度化处理，，Gray为图像在该点的灰度值，R、G、B为图像在该点处R、G、B三个通道的值；SA32，将灰度化后的图像进行背景分割，将灰度图作为输入，背景分割后的图片作为标签，搭建全卷积神经网络并进行训练；
SA33，去除噪点，腐蚀公式为， 该公式表示图像A用算子B进行腐蚀运算，x表示算子平移的位移量，为使用传统的行程标记算法，从八个方向寻找下一像素，统计出米粒总数。
[0006]优选的，步骤A32中搭建的所述全卷积神经网络包括3层：输入层、隐藏层、输出层，其中所述隐藏层包括8层——卷积层C1、池化层S1、卷积层C2、池化层S2、卷积层C3、卷积层C4、卷积层C5、池化层S3、卷积层C6、卷积层C7、卷积层C8。
[0007]优选的，所述步骤A32具体包括以下步骤：SA321，初始化网络参数；SA322，输入图像经过卷积层、池化层向前传播，卷积后通过激活函数得到输出；有效卷积的公式为，，其中x为被卷积的矩阵，为位置的点，为卷积后该点的值，k为n
×
n的卷积核，k
rot
为k旋转180度得到的矩阵；最大池化公式为，x为m
×
m的矩阵，卷积核尺寸为n
×
n，max用于获取最大值；由卷积核卷积后的矩阵经过激活函数，其中激活函数为Relu函数，，max用于获取的0、x中的最大值，得到卷积层的输出；SA323，通过原卷积层、池化层进行反卷积得到分割图像，对于卷积公式C
·
A=B，C为卷积核，A为被卷积矩阵，B为卷积后的矩阵，“·”为卷积运算，可得反卷积公式，C
T
为C的转置矩阵，根据输入层大小进行裁剪，得到分割结果，将分割结果与人工分割的作比较，输出误差，损失函数为平均绝对误差，，y
i
为实际值，为预测值，n为训练样本总数；SA324，根据误差更新权重当误差等于或小于期望值时，结束训练。
[0008]优选的，所述步骤3中利用所述深度卷积神经网络进行垩白大米的检测的步骤为：SB31，对预处理后的RGB图像进行标定，框出垩白区域，并将标定后的图像作为输入，从而搭建深度卷积神经网络；所述深度卷积神经网络包括3层——输入层、隐藏层、输出层，其中所述隐藏层依次包括5层——卷积层C1、池化层S1、卷积层C2、池化层S2和全连接层F1；SB32，对搭建好的所述深度卷积神经网络进行训练。
[0009]优选的，步骤B32中所述深度卷积神经网络的训练步骤为：SB321，对步骤B31构建的所述深度卷积神经网络进行权值的初始化；SB322，输入的数据经过卷积层C1到全连接层F1的向前传播的过程中，有效卷积的公式为，，其中x为被卷积的矩阵，为位置的点，为卷积后该点的值，k为n
×
n的卷积核，k
rot
为k旋转180度得到的矩阵；最大池化公式为，x为m
×
m的矩阵，卷积核尺寸为n
×
n，max用
于获取最大值；由卷积核卷积后的矩阵经过激活函数，其中激活函数为Relu函数，，max用于获取的0、x中的最大值，得到卷积层的输出；SB323，网络的目标值源于网络的标定，损失函数为平均绝对误差，，y
i
为实际值，为预测值，n为训练样本总数，求出网络的输出值与目标值之间的误差；当误差大于期望值时，将误差传回网络中，依次求得全连接层、卷积层的误差，当误差等于或小于期望值时，或在循环训练一定次数之后，结束训练；SB324，根据求得误差进行权值更新，权值更新公式为，为权值，l为学习率，为当前的梯度，然后重新向前传播。
[0010]本专利技术还揭示了一种计算机可读存储介质，介质上存有计算机程序，计算机程序运行后，执行上述的大米垩白检测方法。
[0011]本专利技术还揭示了一种计算机系统，包括处理器、存储介质，存储介质上存有计算机程序，处理器从存储介质上读取并运行计算机程序以执行上述的大米垩白检测方法。
[0012]优选的，一种大米垩白检测方法的系统，包括暗箱、集成图像采集卡的CCD相机、计算机、光源以及载物台；所述暗箱的顶端环形阵列设置有所述光源，用以提供暗箱中不同波段的照明并避免产生阴影；所述暗箱的底部中央设置有所述载物台，用以放置不同种类的大米样本；在所述暗箱外的所述载物台的正上方设置所述CCD相机，用以采集不同波长光源照射下的大米样本，并通过所述图像采集卡上传至所述计算机进行样本的进一步处理；所述暗箱的内侧壁上粘贴有背景纸，避免发生镜面反射。
[0013]本专利技术的有益效果在于：本专利技术在图像获取过程中使用暗箱，将光源放置在底部并对暗箱内表面进行处理，减少了强反射与正常光源产生的阴影造成的误判。在图像预处理阶段，用图像增强扩充数据集，防止模型训练过程中出现过拟合现象。判定垩白米粒时用深度卷积神经网络代替人工提取特征，避免了繁琐的特征算法选择与特征设计，提高了识别精度。且实验样本采用多品种米粒混合，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大米垩白检测方法，其特征在于，包括以下步骤：S1，采集不同波长光源（2）下的多品种米粒的混合样本图像；S2，对步骤1采集的图像进行预处理；S3，对步骤2中预处理后的RGB图像进行灰度化处理，并将灰度化后的图像通过腐蚀运算进行边界的分割，使叠加的米粒分开，并去除噪点，统计出米粒总数；同时，利用深度卷积神经网络进行垩白大米的检测，并统计出垩白大米的米粒数目；S4，步骤3中得到的垩白大米的米粒数目与统计出的米粒总数的比值乘以百分百，得到大米的垩白率。2.根据权利要求1所述的方法，其特征在于，所述步骤2中对采集到的图像进行预处理的方法为：对采集到的原始图像进行变换处理，达到数据增强的目的，从而扩充样本数据集，提高网络的整体学习性能，避免深度卷积神经网络出现过拟合现象，所述变换处理的方法包括旋转、翻转以及调整对比度，旋转公式为，θ为旋转角度，x1、y1为当前坐标，x2、y2为旋转后的坐标，调整对比度使用伽马变换，s为输出灰度级，r为输入灰度级，γ为伽马值，用于调整灰度级变换程度，c称为灰度缩放系数，用于整体拉伸图像灰度。3.根据权利要求1所述的方法，其特征在于，步骤3中统计米粒总数的步骤包括：SA31，通过加权平均法对步骤2中的预处理后的RGB图像进行灰度化处理，，Gray为图像在该点的灰度值，R、G、B为图像在该点处R、G、B三个通道的值；SA32，将灰度化后的图像进行背景分割，将灰度图作为输入，背景分割后的图片作为标签，搭建全卷积神经网络并进行训练；SA33，去除噪点，腐蚀公式为， 该公式表示图像A用算子B进行腐蚀运算，x表示算子平移的位移量，为使用传统的行程标记算法，从八个方向寻找下一像素，统计出米粒总数。4.根据权利要求3所述的方法，其特征在于，步骤A32中搭建的所述全卷积神经网络包括3层：输入层、隐藏层、输出层，其中所述隐藏层包括8层——卷积层C1、池化层S1、卷积层C2、池化层S2、卷积层C3、卷积层C4、卷积层C5、池化层S3、卷积层C6、卷积层C7、卷积层C8。5.根据权利要求4所述的方法，其特征在于，所述步骤A32具体包括以下步骤：SA321，初始化网络参数；SA322，输入图像经过卷积层、池化层向前传播，卷积后通过激活函数得到输出；有效卷积的公式为，，其中x为被卷积的矩阵，为位置的点，为卷积后该点的值，k为的卷积核，k
rot
为k旋转180度得到的矩阵；最大池化公式为，x为的矩阵，卷积核尺寸为，max用于获取最大值；由卷积核卷积后的矩阵经过激活函数，其中激活函数为Relu函数，
，max用于获取的0、x中的最大值，得到卷积层的输出；SA323，通过原卷积层、池化层进行反卷积得到分割图像，对于卷积公式C
·
A=B，C为卷积核，A为被卷积矩阵，B为卷积后的矩阵，“·”为卷积运算，可得反卷积公式，为C的转置矩阵，根据输入层大小进行裁剪，得到分割结果，将分割结果与人工分割的作比较，输出误差，损失函数为平均绝对误差，，y...

【专利技术属性】
技术研发人员：赵公方，李新奇，樊春晓，沈红艳，严金欣，
申请(专利权)人：合肥安杰特光电科技有限公司，
类型：发明
国别省市：