System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及粮食籽粒不完善率检测,并且更具体地,涉及一种粮食籽粒不完善率检测方法、装置、介质及设备。
技术介绍
1、当前我国粮食收储质检是粮食入库必要流程,包含大样杂质、水分、不完善率等检测环节。
2、近年来基于卷积神经网络(convolutional neural network,cnn)的粮食籽粒不完善率检测算法取得了一些的效果。相对于传统基于人工设计特征的不完善率检测算法(例如基于sift特征或fast特征等),基于cnn算法的检测效率、精度和适应性更强,可以在训练过程中自动学习粮食不完善率的特征,并且能够适应各种不同的种类的粮食籽粒图片。
3、现有基于人工智能的粮食不完善粒检测仪,利用大量的生芽、虫蚀、破损、生霉、赤霉、黑胚、杂质、生芽、碎米、垩白、重垩、病斑、黄粒等粮食籽粒图像为训练样本,并通过基于卷积神经网络实现以上不完善粒的识别。
4、虽然相较于人工不完善粒检测,基于卷积神经网络的不完善率检测结果精度高于人工检测,但其需要大量的训练样本,同时由于每个粮食籽粒的图像都不尽相同,其不完善粒的形态各异,在我国不同区域对同类的粮食籽粒不完善率检测也会出现“同样不同值”的问题,为了克服粮食不完善粒形态各异、检测出现“同样不同值”等问题,基于cnn的粮食不完善粒检测方法需要海量的训练样本,然而收集尽可能多的粮食籽粒的不完善样本费时费力,同时消耗巨大的人力成本,这对基于cnn的粮食不完善粒检测算法精度提升是一个巨大的挑战。
技术实现思路
1、针
2、根据本专利技术的一个方面,提供了一种粮食籽粒不完善率检测方法,包括:
3、构建初始粮食籽粒分类模型,其中初始粮食籽粒分类模型包括粮食籽粒特征提取模块、粮食籽粒图特征构建模块、不完善粒图特征提取模块、检测模块以及损失函数,损失函数包括交叉熵损失函数以及重尾损失函数;
4、根据采集的粮食籽粒样本图像对初始粮食籽粒分类模型进行训练,生成粮食籽粒分类模型;
5、将获取的待检测粮食籽粒图像输入至粮食籽粒分类模型中,输出待检测粮食籽粒图像的类别;
6、根据待检测粮食籽粒图像的类别,确定待检测粮食籽粒图像的不完善率。
7、可选地,根据采集的粮食籽粒样本图像对初始粮食籽粒分类模型进行训练,生成粮食籽粒分类模型,包括:
8、对采集的多个粮食籽粒样本图像使用双线性差值方法将数据集中训练样本的分辨率调整为同样大小,确定粮食籽粒检测图像集;
9、将粮食籽粒检测图像中的每一个粮食籽粒图像输入resnet网络中进行特征提取,获取粮食籽粒特征图,其中粮食籽粒特征图包括细节特征以及语义特征;
10、将粮食籽粒特征图转换成图特征,生成图特征;
11、利用图神经网络对图特征进行特征提取,确定不完善粒图特征;
12、利用全连接网络对不完善粒图特征进行非线性计算,分别映射到不完善粒类别向量;
13、利用softmax函数对不完善粒特征向量转换为类别概率,训练粮食籽粒分类模型。
14、可选地,还包括:对采集的多个粮食籽粒样本图像进行剪切和翻转预处理。
15、可选地,损失函数为:
16、l=j(θ)+lht
17、其中交叉熵损失函数为:
18、
19、式中,pi代表真实的数据标签,qi是模型的预测标签;
20、重尾损失函数为:
21、lht=-αcls(1-p)logp
22、
23、式中,αcls为每个不完善类别的权重,ci表示第i个不完善类别粮食籽粒数量,ct表示所有不完善粒数量,k为还原率。
24、可选地,将所述粮食籽粒特征图转换成图特征,生成图特征,包括:
25、将每个粮食籽粒特征图分解为vi个特征块,其中vi=(hi/n)×(wi/n),hi和wi为粮食籽粒特征图高度和宽度;
26、将每个粮食籽粒特征图的vi个特征块展平,并将每个特征块进行n*n均值池化,得到图特征。
27、可选地,不完善粒图特征的计算公式为:
28、
29、其中,为拉普拉斯平滑后的邻接矩阵,i为单位矩阵,fissl为粮食籽粒的图特征,σ为激活函数,把图特征看作图gssl,图gssl节点个数为vi,其邻接矩阵c表示图特征的通道数,为学习的参数矩阵。
30、可选地,softmax函数为:
31、
32、式中,为模型输出的预测值,wo为网络的权重参数,为隐藏层的输出,bo为偏移量。
33、根据本专利技术的另一个方面,提供了一种粮食籽粒不完善率检测装置,包括:
34、构建模块,用于构建初始粮食籽粒分类模型,其中初始粮食籽粒分类模型包括粮食籽粒特征提取模块、粮食籽粒图特征构建模块、不完善粒图特征提取模块、检测模块以及损失函数,损失函数包括交叉熵损失函数以及重尾损失函数;
35、训练模块,用于根据采集的粮食籽粒样本图像对初始粮食籽粒分类模型进行训练,生成粮食籽粒分类模型;
36、输出模块,用于将获取的待检测粮食籽粒图像输入至粮食籽粒分类模型中,输出待检测粮食籽粒图像的类别;
37、确定模块,用于根据待检测粮食籽粒图像的类别,确定待检测粮食籽粒图像的不完善率。
38、根据本专利技术的又一个方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行本专利技术上述任一方面所述的方法。
39、根据本专利技术的又一个方面,提供了一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现本专利技术上述任一方面所述的方法。
40、从而,本专利技术提供一个粮食籽粒不完善率检测算法,使用卷积神经网络提取粮食籽粒的特征,并通过图神经网络结构将cnn提取的粮食籽粒特征建立结构化关系,从而提取粮食不完善粒的特征图谱,将图特征与cnn提取的特征进行融合,并送入检测器,提高在小训练样本条件下、形态各异的不完善粒检测精度。
本文档来自技高网...【技术保护点】
1.一种粮食籽粒不完善率检测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,根据采集的粮食籽粒样本图像对所述初始粮食籽粒分类模型进行训练,生成粮食籽粒分类模型,包括:
3.根据权利要求1所述的方法,其特征在于,还包括:对采集的多个所述粮食籽粒样本图像进行剪切和翻转预处理。
4.根据权利要求1或2所述的方法,其特征在于,所述损失函数为:
5.根据权利要求2所述的方法,其特征在于,将所述粮食籽粒特征图转换成图特征,生成图特征,包括:
6.根据权利要求2所述的方法,其特征在于,所述不完善粒图特征的计算公式为:
7.根据权利要求2所述的方法,其特征在于,所述softmax函数为:
8.一种粮食籽粒不完善率检测装置,其特征在于,包括:
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-7任一所述的方法。
10.一种电子设备,其特征在于,所述电子设备包括:
【技术特征摘要】
1.一种粮食籽粒不完善率检测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,根据采集的粮食籽粒样本图像对所述初始粮食籽粒分类模型进行训练,生成粮食籽粒分类模型,包括:
3.根据权利要求1所述的方法,其特征在于,还包括:对采集的多个所述粮食籽粒样本图像进行剪切和翻转预处理。
4.根据权利要求1或2所述的方法,其特征在于,所述损失函数为:
5.根据权利要求2所述的方法,其特征在于,将所述粮食籽粒特征图转...
【专利技术属性】
技术研发人员:张泽洋,彭远,陈召安,崔素辉,贺铭,陈晋,
申请(专利权)人:航天信息股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。