一种基于深度CNN的玉米籽粒霉变在线检测方法及装置制造方法及图纸

本发明专利技术提供了一种基于深度CNN的玉米籽粒霉变在线检测方法及装置。该技术方案提出先生成对抗样本，后通过增强加入对抗样本的训练集的数量，训练后获得最优准确率模型权重的玉米籽粒霉变检测方法。本发明专利技术通过机器视觉检测技术代替人工大量辨识霉变玉米籽粒，解决人工长时间作业情况下的误判以及人工作业持续时间短的问题。本发明专利技术不仅实现了霉变玉米籽粒检测与分类的自动化，而且通过增强原始训练集数量来获得最优解，具有高效、准确等技术优势。本发明专利技术为实现玉米籽粒的霉变识别、自动分类提供了一种有效的解决途径，具有良好的社会效益与经济效益。济效益。济效益。

【技术实现步骤摘要】
一种基于深度CNN的玉米籽粒霉变在线检测方法及装置


[0001]本专利技术属于农业物料检测
，具体涉及一种基于深度卷积神经网络的玉米籽粒霉变在线检测方法及装置。

技术介绍

[0002]玉米种粒品质是玉米种植的基础，高品质的玉米种粒，将直接影响玉米的产量。随着我国农业机械化技术与装备的快速发展，玉米机械化收获与脱粒基本实现，但玉米因挤压、碰撞等原因产生破损，破损的玉米进一步加速种粒的霉变，影响玉米种粒的出芽率，且在玉米籽粒破损处易感染黄曲霉菌，直接威胁人体健康。因此，筛选出霉变的玉米籽粒是提高玉米籽粒质量的有效方法之一，对防止黄曲霉素感染和保障粮食安全方面具有重要意义。
[0003]目前，传统玉米霉变籽粒分选方法主要为人工筛选，玉米籽粒筛选作业机械化、自动化程度仍处于较低水平，且对早期玉米籽粒霉变识别率低。

技术实现思路

[0004]本专利技术旨在针对现有技术的技术缺陷，提供一种基于深度卷积神经网络的玉米籽粒霉变在线检测方法及装置，以解决目前玉米籽粒筛选作业的机械化、自动化程度较低的技术问题。
[0005]本专利技术要解决的技术问题是，如何实现霉变玉米籽粒检测与分类的自动化。
[0006]为实现以上技术目的，本专利技术采用以下技术方案：
[0007]基于深度卷积神经网络的玉米籽粒霉变在线检测方法，包括：
[0008]1)采集霉变玉米籽粒与完好玉米籽粒的图像，利用n部相机在不同的空间位置，采集同一玉米籽粒在不同的空间位置的n张图像的方法，实现每个工位内采集n张玉米籽粒图像，组建用于检测霉变玉米籽粒的原始数据集；并将其对应的n张图像作为预测模型的输入，每n张图像为一组，每一组图像判定一个玉米籽粒霉变特征；
[0009]2)采集与霉变玉米籽粒的无关类图像，构建无关类数据集；
[0010]3)在原始数据集中添加噪声，生成噪声数据集，并将无关类数据集和噪声数据集合并为对抗样本数据集；
[0011]4)对原始数据集和对抗样本数据集进行图像增强处理，得到不同数量级的混合数据集；
[0012]5)划分不同数量级的混合数据集，得到不同数量级的训练集与测试集；
[0013]6)构建深度卷积神经网络模型，并将所述训练集作为输入，对输入训练集进行特征提取与分类，训练后得到不同的预测模型；
[0014]7)使用测试集测试所述预测模型，将准确率最高的预测模型部署至图像识别系统中，实现玉米霉变籽粒图像分类功能。
[0015]作为优选，所述采集霉变玉米籽粒与完好玉米籽粒的图像，其数量至少各1000张，
所述无关类数据集的数量至少满足200张，每张图像的尺寸大小均为224
×
224。
[0016]作为优选，所述在原始数据集中添加噪声，包括：添加椒盐噪声和高斯噪声；所述的对抗样本数据集，包括无关类数据集和噪声数据集；所述图像增强处理，包括：随机旋转90
°
、180
°
和270
°
，以及最大左旋25
°
，最大右旋15
°
。
[0017]作为优选，所述划分不同数量级的混合数据集，包括：从数据集中以随机抽取的方式，将其划分为训练集与测试集，所述训练集与测试集按7:3的比例划分，每个数量级之间霉变与完好籽粒图片数量比至少为1:2，且至少设置5个数量级。
[0018]作为优选，所述构建深度卷积神经网络模型，至少包括：5个卷积层、5个激活函数层以及2个最大池化层；所述特征提取的分类层，包括：至少4个全连接层。
[0019]作为优选，n的取值为4。
[0020]作为优选，所述与霉变玉米籽粒的无关类图像，包括：深色的非霉变玉米籽粒，人为涂暗的非霉变玉米籽粒，空背景图像。
[0021]在以上技术方案的基础上，本专利技术进一步提供了实施上述方法的检测装置，包括排种器、驱动电机、传送轮盘、相机、舵机、拨叉齿条、导引片、光电传感器；驱动电机通过链传动驱动排种器工作，另外的驱动电机通过带传动驱动传送轮盘，所述相机、舵机、拨叉齿条、导引片和光电传感器均固定在副支架上，副支架固定在主支架上。
[0022]作为优选，所述传送轮盘包括圆柱工位及底部的带轮，圆柱工位均布于圆盘上，所述圆柱工位的底盖受到复位弹簧的拉力作用处于常闭状态，随传送轮盘运动，其在接触导引片时完成开合动作，所述导引片为倒置等腰三角形，其顶角采用圆角过渡。
[0023]作为优选，所述主支架贯穿传送轮盘圆心位置，所述传送轮盘底部的带轮与驱动电机上的带轮通过平带相互张紧。
[0024]作为优选，四部相机分别固定在四根副支架上，所述四部相机依次位于四个相邻圆柱工位的正上方，不工作时，所述相机镜头正对传送轮盘圆柱工位圆心。
[0025]作为优选，所述两个舵机对置安装在副支架上，所述两个舵机输出轴上均装有与拨叉齿条相啮合的小齿轮，所述拨叉齿条的行程最低点不得超过导杆的最低位置。
[0026]在以上技术方案的基础上，本专利技术进一步提供了实施上述方法的检测系统，包括，检测结果的统计、显示模块，检测装置工作状态监测模块；所述检测结果包括：已检测的玉米籽粒的数量、霉变率、完好率、模型预测结果、置信度。
[0027]在本专利技术中，所述CNN是卷积神经网络(Convolutional Neural Network)的英文缩写，特此说明。
[0028]本专利技术提供了一种基于深度卷积神经网络的玉米籽粒霉变在线检测方法及装置。所述检测装置，包括，排种器、驱动电机、传送轮盘、四部工业相机、两个舵机、复位弹簧、拨叉齿条、导引片、导杆和光电传感器等，排种器由电机通过传动链驱动，传送轮盘由电机通过带传动驱动，所述相机、舵机、拨叉齿条、导引片以及光电传感器均固定在副支架上，并与主支架相接。所述玉米籽粒霉变在线检测方法，利用四部相机在不同的空间位置，采集同一玉米籽粒在不同的空间位置的四张图像，提出先生成对抗样本，后通过增强加入对抗样本的训练集的数量，训练后获得最优准确率模型权重的玉米籽粒霉变在线检测方法。通过采集无关类图像，并对霉变和完好玉米籽粒图像添加噪声生成对抗样本，对玉米籽粒图像进行随机旋转、放大、缩小来实现增强训练集数量。玉米籽粒霉变检测系统控制排种单元和分
选单元，确保玉米籽粒准确落入工位，控制系统与图像识别系统通过串口实现交互通信，工业相机对工位内的玉米籽粒分别进行固定单一视角的图像采集，并通过构建深度卷积神经网络预测模型实现玉米籽粒图像分类，预测结果由图像识别系统经串口传回控制系统，控制硬件实现霉变玉米籽粒的分选，达到玉米籽粒二分类的目的，实现了玉米籽粒霉变检测与分类的自动化。基于本装置开发的玉米籽粒霉变检测系统，可高效、准确地辨识霉变玉米籽粒。
[0029]本专利技术通过机器视觉检测技术代替人工大量辨识霉变玉米籽粒，解决人工长时间作业情况下的误判以及人工作业持续时间短的问题。本专利技术不仅实现了霉变玉米籽粒检测与分类的自动化，而且通过增强原始训练集数量来获得最优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度CNN的玉米籽粒霉变在线检测方法，其特征在于，包括：1)采集霉变玉米籽粒与完好玉米籽粒的图像，利用n部相机在不同的空间位置，采集同一玉米籽粒在不同的空间位置的n张图像的方法，实现每个工位内采集n张玉米籽粒图像，组建用于检测霉变玉米籽粒的原始数据集；并将其对应的n张图像作为预测模型的输入，每n张图像为一组，每一组图像判定一个玉米籽粒霉变特征；2)采集与霉变玉米籽粒的无关类图像，构建无关类数据集；3)在原始数据集中添加噪声，生成噪声数据集，并将无关类数据集和噪声数据集合并为对抗样本数据集；4)对原始数据集和对抗样本数据集进行图像增强处理，得到不同数量级的混合数据集；5)划分不同数量级的混合数据集，得到不同数量级的训练集与测试集；6)构建深度卷积神经网络模型，并将所述训练集作为输入，对输入训练集进行特征提取与分类，训练后得到不同的预测模型；7)使用测试集测试所述预测模型，将准确率最高的预测模型部署至图像识别系统中，实现玉米霉变籽粒图像分类功能。2.根据权利要求1所述的一种基于深度CNN的玉米籽粒霉变在线检测方法，其特征在于，所述采集霉变玉米籽粒与完好玉米籽粒的图像，其数量至少各1000张，所述无关类数据集的数量至少满足200张，每张图像的尺寸大小均为224
×
224。3.根据权利要求1所述的一种基于深度CNN的玉米籽粒霉变在线检测方法，其特征在于，所述在原始数据集中添加噪声，包括：添加椒盐噪声和高斯噪声；所述的对抗样本数据集，包括无关类数据集和噪声数据集；所述图像增强处理，包括：随机旋转90
°
、180
°
和270
°
，以及最大左旋25
°
，最大右旋15
°
。...

【专利技术属性】
技术研发人员：姚艳春，林杰，崔春晓，王发赢，武继达，耿端阳，李晓珂，
申请(专利权)人：山东理工大学，
类型：发明
国别省市：