一种大米垩白检测方法和系统与流程

1.本发明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。


背景技术：

2.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。


技术实现要素：

3.为了解决现有问题，本发明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。
4.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。
5.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。
6.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。
7.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，，yi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。
8.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。
9.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，，yi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。
10.本发明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。
11.本发明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。
12.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。
13.本发明的有益效果在于：本发明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，可以提高训练的鲁棒性。相较于仅使用神经网络进行识别，预处理阶段利用数学形态的腐蚀膨胀操作反复处理目标，有助于解决米粒的重叠问题，将互相连接的大米进行分离，获取大米粒数，在识别后从而完成垩白度的计算，提高检测的速率，在实际的大米加工中有实际应用价值。
附图说明
14.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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它的附图。
15.图1为本发明的方法流程图；图2为本发明的系统结构示意图；图3为本发明的深度卷积神经网络结构图；
图4为全卷积神经网络结构的表格。
16.附图标记如下：1、暗箱，2、光源，3、ccd相机，4、载物台。
具体实施方式
17.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
18.如图1，一种大米垩白检测方法，包括以下步骤：s1，图像采集；其中，图像采集的对象为不同波长光源下的多品种米粒的混合样本图像。具体地，在大米加工的抽样检测中，将米粒放置到暗箱的载物台上，分别采集700mm、550mm和440mm三个波长的米粒可见光谱图像信息，且可以选择3种不同品种的米粒进行混合，得到混合样本，以提高训练结果的鲁棒性。
19.s2，对步骤1采集的图像进行预处理。其中，对采集到的图像进行预处理的方法为：通过深度学习框架集成的图像处理函数，对采集到的原始图像进行变换处理，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，以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以及泛化能力，避免深度卷积神经网络出现过拟合现象。
20.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。
21.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。
22.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。
23.其中，搭建的全卷积神经网络包括包括3层——输入层input、隐藏层、输出层output，其中隐藏层包括11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。如图4中的表1，为深度为n，大小为的卷积层或池化层，deconv为通过原网络结构反卷积的过程，并通过深度学习框架集成的函数裁剪反卷积后的矩阵，使其达到原图像大小。
24.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，，yi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。
25.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。
26.步骤3中利用深度卷积神经网络进行垩白大米的检测的步骤包括：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；sb32，对搭建好的深度卷积神经网络进行训练。
27.其中，如图3，为深度为n，大小为的卷积层或池化层，为全连接层，步骤31中搭建的深度卷积神经网络包括3层——输入层、隐藏层、输出层，其中隐藏层包括五层——卷积层c1、池化层s1、卷积层c2、池化层s2和全连接层f1。
28.步骤b32中深度卷积神经网络的训练步骤为：sb321，对步骤b31构建的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，
，yi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。
29.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。
30.如图2，一种大米垩白检测方法的系统，包括暗箱1、集成图像采集卡的ccd相机3、计算机、照明光源2以及载物台4；暗箱1的顶端环形阵列设置有照明光源2，用以提供暗箱1中不同波段的照明并避免产生阴影；暗箱1的底部中央设置有载物台4，用以放置不同种类的大米样本；在暗箱1外的载物台4的正上方设置ccd相机3，用以采集不同波长光源2照射下的大米样本，并通过图像采集卡上传至计算机进行样本的进一步处理；暗箱1的内侧壁上粘贴有背景纸，避免发生镜面反射。
31.本发明在图像获取过程中使用暗箱1，将光源2放置在底部并对暗箱1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，可以提高训练的鲁棒性。相较于仅使用神经网络进行识别，预处理阶段利用数学形态的腐蚀膨胀操作反复处理目标，有助于解决米粒的重叠问题，将互相连接的大米进行分离，获取大米粒数，在识别后从而完成垩白度的计算，提高检测的速率，在实际的大米加工中有实际应用价值。
32.本发明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，执行如上述的大米垩白检测方法。
33.本发明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如上述的大米垩白检测方法。
34.本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
35.结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例
如dsp与微处理器的组合、多个微处理器、与dsp核心协作的一个或多个微处理器、或任何其他此类配置。
36.结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中或在这两者的组合中体现。软件模块可驻留在ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动盘、cd-rom、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在asic中。asic可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
37.在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(dsl)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、dsl、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟 (disc)包括压缩碟(cd)、激光碟、光碟、数字多用碟(dvd)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
38.提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
39.尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。