一种基于人工智能的自动考种分析仪及考种方法与流程

本发明涉及考种，具体涉及一种基于人工智能的自动考种分析仪及考种方法。

背景技术：

1、种子考种是对种子截面分析，可以自动获得籽粒行数、穗粗、轴粗，以及截面上的平均粒长、平。在对种子进行考种时，传统考种方法是各部件需要临时组装，如摄像机、固定托盘的支架、光源等等，各部件之间的连接关系不固定，其结构不稳定，容易造成测量误差，导致测量数据不准确；同时，先有技术在考种时，只有底面有光源，考种过程中存在阴影区域，容易造成测量误差。

2、因此，亟待一种能够减少种子考种过程中图像阴影的自动考种分析仪及考种方法。

技术实现思路

1、本发明目的在于提供一种基于人工智能的自动考种分析仪及考种方法，用于减少种子考种过程中图像阴影。

2、本发明通过下述技术方案实现：

3、一种基于人工智能的自动考种分析仪，包括箱体，所述箱体内部底面设置有考种托盘与平面光源，其特征在于：还包括设置在所述箱体内部上方的图像采集单元与亮场光源，所述图像采集单元信号连接有图像处理单元与交互单元；其中，所述图像处理单元搭载有用于提取图像特征的卷积神经网络模型，所述卷积神经网络模型基于调用交互单元内存储的历史样本图像数据进行训练后得到；所述亮场光源能够通过调节其展开程度来减少图像的阴影线索。需要说明的是，现有技术中的考种仪是将各部件需要临时组装，如摄像机、固定托盘的支架、光源等等，各部件之间的连接关系不固定，其结构不稳定，容易造成测量误差，导致测量数据不准确；同时，先有技术在考种时，只有底面有光源，考种过程中存在阴影区域，容易造成测量误差。

4、基于上述问题，提出了一种基于人工智能的自动考种分析仪，通过在箱体内设置平面光源与亮场光源，并且在考种时，平面光源与亮场光源同时开启，能够消除阴影，减小图像采集时的误差，此外，由于考种仪需要灵活适用于不同种类的种子，如水稻、小麦、油菜、大豆等种子，并还需要兼顾虫口计数分析，表面光滑的昆虫计数与虫卵计数等。因此，对于不同使用条件下的光源需要进行动态调整，亮场光源能够通过其不同程度的展开与闭合来调整亮场光源的光源亮度，进而宏观调控图像质量。对于图像处理单元而言，其搭载了卷积神经网络模型，并将卷积神经网络模型用于不同尺度下的图像网络特征提取，现有技术中的卷积神经网络模型随着网络层数的增加，网络能够提取出的特征信息的级别也相应提高，但是随着网络层数的增加，网络会存在退化问题，因此，如何兼顾特征信息提取与减少退化问题显得尤为重要。基于该问题，申请人提出了一种用于超分辨率的卷积神经网络模型，极大程度地避免了神经网络的退化问题，并且还使得各层网络提取的特征得到了充分的利用，进而使得卷积神经网络模型能够更好的表现出局部特征提取特性。

5、进一步地，所述卷积神经网络模型包括多个提取基元，所述提取基元包括四个卷积层，第一层为1*1的卷积核，第二层为3*3的卷积核，第三层为1*1的卷积核，第四层为1*1的卷积核，其中，前三层的stride为1，第四层的stride为通过所述交互单元输入设置，且四个所述卷积层通过稠密网络进行连接。需要说明的是，对于该提取单元，引入了残差基元的恒等映射，并将前四级的输出与后一基元的输入进行融合，之后再经过elu函数来得到最终的输出，基于上述内容，有效避免了神经网络退化的问题，并且还将各层网络提取的特征得到了充分的利用，解决了传统的卷积神经网络模型难以训练的问题。

6、进一步地，所述四个卷积层选用elu作为激活函数，且每个所述卷积层的输出与下一卷积层的输入融合，最后经过elu函数后得到最终的输出。若干提取基元收尾相接，通过提取基元间的融合，卷积神经网络模型能够提取出图像中更高级别的信息，使得各级模块提取出的信息得到更充分的利用，并提取出更细致的图像局部特征。

7、进一步地，所述亮场光源包括：固定座、若干展开部以及展开件，所述固定座与所述箱体内部的上端面固定连接，若干所述展开部呈圆周阵列铰接设置在所述固定座的外周面上，所述展开件与所述展开部铰接，所述展开部能够通过所述展开件实现开合，且所述展开部的下端设置有面光源。需要说明的是，基于上述结构，通过展开件调整展开部在固定座外周面上的展开程度来进行光源的照射面积与光源的亮度，展开作业同步进行，能够有效的规避掉传统固定光源的对不同尺度种子的影响，间接提高考种精度。

8、进一步地，所述展开件包括：固定设置在所述固定座上的限位架、铰接设置在所述限位架上的展开支架，所述亮场光源还包括：设置在所述固定座内的电机、两对称设置的限位板、设置在两所述限位板之间的展开板，所述电机的输出端与所述展开板连接，所述展开板上间隔均布有若干展开槽，所述限位板上间隔均布有若干限位槽，所述展开支架的端部还铰接有传动杆，所述传动杆的自由端穿过所述限位槽与所述展开槽配合，所述电机启动时，通过带动所述限位板旋转使得传动杆在限位槽内移动来实现展开支架的开合。需要说明的是，亮限位板与所述限位架固定设置，且位于所述限位架中心位置处，展开板转动设置在两限位板之间，当电机启动时，能够带动展开板在限位板之间转动；还需要说明的是，限位板的转动能够带动传动杆端部在限位槽内的往复运动，即实现传动杆的另一端部在限位架上限位孔内的往复运动，进而实现展开支架的开合过程，由于展开支架还与展开部铰接，当展开支架开合时，展开部随之进行开合运动，展开部下端内设置的面光源共同运动。

9、进一步地，所述限位架上开始有限位孔，所述限位支架的一端与传动杆的一端铰接在所述限位孔内，所述限位支架的另一端与所述限位架的底部铰接，且所述限位支架还与所述展开部铰接，所述传动杆的另一端设置有限位滑座，所述限位滑座同时与所述展开槽、限位槽匹配。需要说明的是，限位滑座在展开槽、限位槽内能够进行移动，由于展开槽与限位槽的形状不同，当展开板在两限位板之间进行转动时，能够带动限位滑座在限位槽内的移动；还需要说明的是，由于展开槽均是开设在同一展开板上，所有展开件之间的展开步调一致，能够共同联合运动。

10、作为优选，所述展开部之间还设置有反光层。通过设置反光层来规避开合时展开部之间的相互影响。

11、一种考种方法，包括以下步骤：步骤1，通过图像采集单元采集图像数据，并将图像数据传递至图像处理单元；步骤2，步骤1中图像处理单元接收到图像数据后，对图像进行灰度变换；步骤3，对步骤2中完成灰度变换的图像进行二值化阈值分割；步骤4，所述图像处理单元内的卷积神经网络模型调用交互单元内存储的历史样本，并建立深度学习样本集，并利用该深度学习样本集进行训练；步骤5，将步骤3中分割完成后的图像输入到训练后的卷积神经网络模型中，并通过卷积神经网络模型进行图像数据的自动处理，从而进行考种作业。

12、本发明与现有技术相比，具有如下的优点和有益效果：

13、1、本发明的亮场光源与卷积神经网络模型能够对图像特征进行联合处理，减少了种子考种过程中图像阴影；

14、2、本发明引入了残差基元的恒等映射，并将前四级的输出与后一基元的输入进行融合，之后再经过elu函数来得到最终的输出，基于该内容，有效避免了神经网络退化的问题，并且还将各层网络提取的特征得到了充分的利用，解决了传统的卷积神经网络模型难以训练的问题；

15、3、本发明通过展开件调整展开部在固定座外周面上的展开程度来进行光源的照射面积与光源的亮度，展开作业同步进行，能够有效的规避掉传统固定光源的对不同尺度种子的影响，间接提高考种精度。