一种玉米籽裂纹识别方法、装置、系统、设备和存储介质与流程

本发明涉及农产品在线检测
技术领域：
，特别是涉及一种玉米籽裂纹识别方法、装置、系统、设备和存储介质。
背景技术：
：玉米籽是具有长成玉米成株能力的繁殖体，它由胚珠经过传粉受精形成。通常作为玉米种植的种子，其种子质量关系到玉米的种植成果。目前，玉米籽加工成种子后，通常需要进行检测其是否合格，主要是因为玉米在生产加工过程中不可避免会产生裂纹，而裂纹会对玉米的品质产生不利影响，如玉米籽产生裂纹后会影响淀粉出率，同时在储存时裂纹粒吸湿性强，易于引起发热和遭受害虫及霉菌的侵袭，对于种子还会影响到种子的活力和发芽率。玉米籽的裂纹检测中大都采用人工检测，国标《粮食干燥机技术条件》中，制定了玉米籽裂纹率的检验方法如下：每份样品取100粒完整玉米颗粒，先将每一粒玉米胚部面向光源摆放在爆腰检测箱的玻璃板上，打开光源，观察玉米表面，检出裂纹粒，然后，将玻璃板上剩余的玉米全部翻转，使胚部背向光源，再次观察，检出裂纹粒，再次检出的裂纹粒一起计数，裂纹粒数所占的百分率即为样品的裂纹率。可见，目前技术中对玉米籽的裂纹检测主要依靠人工进行，这种检测方法耗时长，自动化水平低，检测效率低下。技术实现要素：基于此，提供一种玉米籽裂纹识别方法、装置、系统、设备和存储介质，以解决目前玉米籽裂纹识别技术落后带来的人工成本和效率低下的问题。在其中一个实施例中，本发明提供了一种玉米籽裂纹识别方法，所述方法包括如下步骤：获取待识别玉米籽图像；通过第一神经网络模型对所述玉米籽图像进行识别，以识别出所述玉米籽图像中的玉米籽粒是否有裂纹，其中，所述第一神经网络模型是通过预设的玉米籽图像数据集对第二神经网络模型中的参数进行训练后得到的；输出待识别玉米籽图像中的玉米籽是否有裂纹的识别结果。在其中一个实施例中，本发明提供了一种玉米籽裂纹识别装置，包括：获取单元，用于获取待识别玉米籽图像；识别单元，用于通过第一神经网络模型对所述玉米籽图像进行识别，以识别出所述玉米籽图像中的玉米籽粒是否有裂纹，其中，所述第一神经网络模型是通过预设的玉米籽图像数据集对第二神经网络模型中的参数进行训练后得到的；以及输出单元，用于输出待识别玉米籽图像中的玉米籽是否有裂纹的识别结果。在其中一个实施例中，本发明还提供一种玉米籽裂纹识别系统，包括：识别管理平台，用于通过第一神经网络模型对玉米籽图像进行识别，以识别出所述玉米籽图像中的玉米籽粒是否有裂纹；采集终端，用于采集玉米籽图像，并将所述玉米籽图像发送至所述识别管理平台进行识别。在其中一个实施例中，本发明还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述实施例所述玉米籽裂纹识别方法的步骤。在其中一个实施例中，本发明还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述实施例所述玉米籽裂纹识别方法的步骤。本发明实施例中的玉米籽裂纹识别方法、装置、系统、设备和存储介质，通过建立神经网路模型对玉米籽图像进行识别，摆脱了传统依靠人工识别玉米籽是否有裂纹的落后手段，整个识别过程自动化程度高，识别效率高，有效的节约工作时间以及人工成本。附图说明图1为一个实施例中提供的玉米籽裂纹识别方法的应用环境图；图2为一个实施例中提供的玉米籽裂纹识别方法的流程图；图3为一个实施例中提供的获取第一神经网络模型的流程图；图4为一个实施例中提供的玉米籽图像示意图；图5为一个实施例中提供的卷积神经网络模型的结构示意图；图6为一个实施例中提供的玉米籽裂纹识别装置的结构框图；图7为一个实施例中提供的玉米籽裂纹识别系统的结构框图；图8为一个实施例中计算机设备的内部结构框图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。本发明实施例中的玉米籽裂纹识别方法、装置、系统、设备和存储介质，通过建立神经网路模型对玉米籽图像进行识别，摆脱了传统依靠人工识别玉米籽是否有裂纹的落后手段，整个识别过程自动化程度高，识别效率高，有效的节约工作时间以及人工成本。图1示出了适于本发明实施例提供的一种玉米籽裂纹识别方法的实施环境图，为便于说明，仅示出了与本发明实施例有关的部分。在该应用环境中，包括识别管理平台110、采集终端120和玉米籽130。识别管理平台110可以是独立的物理服务器或终端，也可以是多个物理服务器构成的服务器集群，可以是提供云服务器、云数据库、云存储和cdn(contentdeliverynetwork，内容分发网络)等基础云计算服务的云服务器，其可以具备数据输入输出以及结果展示的模块。采集终端120可以是具备摄像功能的设备，可以是手机、摄像机或者包括两者在内的摄像设备，且采集到的图像亮度和清晰度要达到肉眼能够识别清楚的程度，其还能够将采集到的图像上传至识别管理平台110进行处理。在本发明实施例中，通过采集终端120对玉米籽130进行拍照，得到玉米籽图像，并将玉米籽图像上传至识别管理平台110识别管理平台110启用神经网络模型对玉米籽图像进行分析识别，以识别出玉米籽图像中的玉米籽粒是否有裂纹，并输出玉米籽图像中的玉米籽是否有裂纹的识别结果。实施例一图2示出了本发明实施例提供的一种玉米籽裂纹识别方法的流程图，本实施例主要以该方法应用于上述图1中的识别管理平台110来举例说明，具体可以包括以下步骤：步骤s201，获取待识别玉米籽图像；步骤s202，通过第一神经网络模型对玉米籽图像进行识别，以识别出玉米籽图像中的玉米籽粒是否有裂纹，其中，第一神经网络模型是通过预设的玉米籽图像数据集对第二神经网络模型中的参数进行训练后得到的；步骤s203，输出待识别玉米籽图像中的玉米籽是否有裂纹的识别结果。在本发明实施例中，神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型，在图像识别领域有较广泛的应用，本发明就不再阐述其原理。如图3所示，为本发明实施例中获取第一神经网络模型的流程图，在本发明实施例中，在步骤s202即通过第一神经网络模型对玉米籽图像进行识别之前，还包括：步骤s301，获取标记了是否有裂纹的玉米籽图像数据集，玉米籽图像数据集按预设规则分为训练数据集和测试数据集；步骤s301，使用训练数据集中的玉米籽图像对第二神经网络模型进行训练；步骤s301，使用训练数据集训练后的第二神经网络模型对测试数据集中的玉米籽图像进行识别，并计算识别的正确率；若正确率达到预设范围，则将第二神经网络模型作为第一神经网络模型使用。在本发明实施例中，训练数据集和测试数据集都是包含玉米籽图像的集合，通过事先采集玉米籽图像，并根据籽粒有无裂纹进行分类标记，建立玉米籽图像数据集，并将其上传至识别管理平台110，平台接收图像后，将其随机分组，形成训练数据集和测试数据集。如图4所示，为本发明提供的玉米籽图像示例图。在本发明实施例中，玉米籽根据摆放方向不同，分为正面(有胚的一面)朝上和背面(无胚的一面)朝上，对应的玉米籽图像分为玉米籽正面朝上且有裂纹的(图4a)、玉米籽正面朝上且无裂纹的(图4b)、玉米籽背面朝上且有裂纹的(图4c)和玉米籽背面朝上且无裂纹的(图4d)。在本发明实施例中，为了训练充分，玉米籽图像数据集中包含玉米籽正面朝上且有裂纹的、玉米籽正面朝上且无裂纹的、玉米籽背面朝上且有裂纹的和玉米籽背面朝上且无裂纹的玉米籽图像各150张(此处数量仅作示例，包括上下文所提到的数量均用于示例，不用于具体限定)。本发明通过神经网络模型对玉米籽图像进行识别，无论是玉米籽正面还是反面的图像都可以一次识别其是否具有裂纹，从而减小识别工作的重复量以及降低操作难度，提高识别效率。在本发明的其他实施例中，还可以选择大量图像进行训练，还可以进行多次训练，比如使用经过训练数据集训练后得到的神经网络模型对测试数据集识别后，再一次将识别正确的图像作为进一步训练的训练数据集，增强神经网络模型的识别精度。在本发明实施例中，随机形成训练数据集和测试数据集后，训练数据集中包含有420张玉米籽图像，测试数据集中有180张玉米籽图像，利用人工对玉米籽图像中的是否有裂纹标注，包括有裂纹时，裂纹在图像上的位置和大体形状；即在玉米籽图像中标注便于神经网络模型识别的特征，让神经网络模型在学习过程中，能够轻易的找到玉米籽图像中玉米裂纹的位置。在本发明实施例中，第二神经网络模型为卷积神经网络模型，卷积神经网络模型包括多个网络层，每一层的输出是下一层的输入，包括：使用训练数据集中的玉米籽图像对第二神经网络模型进行训练，包括：通过数据输入层接收玉米籽粒图像；通过至少一个中间卷积层对玉米籽图像执行卷积、池化、归一操作，以得到局部特征；通过至少一个全连接层将中间卷积层提取到的局部特征进行综合处理；通过分类输出层将全连接层的输出作线性回归，计算每一分类得分，以根据得分判断玉米籽图像中的玉米籽是否有裂纹。具体的，如图5所示，为本发明实施例中提供的一种卷积神经网络模型的结构示意图，其网络层数为6层，其中：第一层为数据输入层，数据输入层的大小为64×64×3，即64×64像素的rgb三通道图像。在本发明的其他实施例中，数据输入层的大小可以根据实际情况选择，比如数据输入层大小还可以是224×224×3，即224×224像素的rgb三通道图像。第二层和第三层均为卷积层，其中第二层卷积层的操作包括对图像进行一次卷积操作、一次池化操作和一次归一化操作，卷积核的大小为3×3，卷积移动步长为2，卷积核数为64，池化方式为最大值池化，池化卷积核的尺寸为3×3，移动步长为2，并且使用relu函数为神经元激活函数进行归一化；第三层卷积层的操作包括一次卷积操作、一次池化操作和一次归一化操作，卷积核的大小为3×3，卷积移动步长为1，边缘填充为1，卷积核数为16，池化方式为最大值池化，池化卷积核的尺寸为3×3，移动步长为2，并且使用relu函数为神经元激活函数进行归一化。第四层和第五层均为全连接层，包括128个输出单元，用于将上述卷积层提取到的局部特征进行综合。第六层为分类输出层，用于将全连接层的输出做线性回归，计算出每一类的得分，根据得分判定有裂纹和无裂纹。在本发明实施例中，通过损失函数对第六层，即分类输出层的分类情况进行评价，其中损失函数可表示为：其中，yi为真实值，y_predictedi为预测值，loss值越小时，代表预测值与真实值越接近，所述分类输出层的分类精度越高。在本发明实施例中，使用训练数据集中的玉米籽图像对第二神经网络模型进行训练中，还包括：采用随机梯度下降算法，通过不断降低损失函数的函数值来学习建立后的所述卷积神经网络模型的参数，其中，所述随机梯度下降法是指每一次迭代中使用所述样本进行学习参数和更新，每一代的学习参数和更新可表示为：wt+1＝wt+vt+1；其中，t为迭代的次数，wt为t时刻的参数，vt为t时刻的增量，α为学习速率，μ为前一次更新wt的权重，为所述损失函数的偏微分。在本发明实施例中，先将训练数据集中的图像对第二神经网络模型进行训练，再将训练后的第二神经网络模型对测试数据集中的图像进行识别，计算其识别正确率，得出结果如下表1所示。表1：测试次数一二三四五实际有裂纹96(张)92(张)85(张)86(张)95(张)测试有裂纹正确数86(张)81(张)75(张)84(张)88(张)实际无裂纹84(张)88(张)95(张)94(张)85(张)测试无裂纹正确数79(张)83(张)89(张)84(张)78(张)正确率91.67％91.11％91.11％93.33％92.22％在本发明实施例中，如表1所示，对训练后的第二神经网络模型进行测试时，第一次识别测试数据集中的玉米籽图像时，测试数据集中实际有裂纹的玉米籽图像为96张，第二神经网络模型识别时，正确识别出其中86张；测试数据集中实际无裂纹的玉米籽图像为84张，第二神经网络模型识别时，正确识别出其中79张，正确率为91.67％。同时，为了避免第二神经网络模型进行识别时的偶然性，本发明实施例另外进行了4次测试，同样分别采用180张随机筛选的玉米籽图像进行识别，最后得出的正确率结果分别是：91.11％、91.11％、93.33％和92.22％，可见，在本发明实施例中，第二神经网络模型识别玉米籽裂纹的正确率达到了90％以上，识别准确度高，应用可靠性强。进一步的，若上述实施例中的正确率达到预设值，则该神经网络模型可以直接部署在识别管理平台开始使用；若正确率未达到预设值，则需要继续对已经识别正确的训练数据集中的图像进行识别，得出适应性更强的神经网络模型。预设值可以根据实际情况自由设置，本发明一个实施例将其设置为90％。可见，本申请实施例中建立的第二神经网络模型经过训练后已经达到要求，可以作为第一神经网络模型，用于对玉米籽图像进行识别。在本发明实施例中，通过神经网络模型对玉米籽图像进行分析，识别得出玉米籽是否有裂纹，摆脱了传统依靠人工识别玉米籽是否有裂纹的落后手段，整个识别过程自动化程度高，识别效率高，有效的节约工作时间以及人工成本。实施例二图6示出了适于本发明实施例提供的一种玉米籽裂纹识别装置结构框图，为便于说明，仅示出了与本发明实施例有关的部分，玉米裂纹识别装置包括：获取单元601，用于获取待识别玉米籽图像；识别单元602，用于通过第一神经网络模型对玉米籽图像进行识别，以识别出玉米籽图像中的玉米籽粒是否有裂纹，其中，第一神经网络模型是通过预设的玉米籽图像数据集对第二神经网络模型中的参数进行训练后得到的；以及输出单元603，用于输出待识别玉米籽图像中的玉米籽是否有裂纹的识别结果。在本发明实施例中，玉米裂纹识别装置还包括神经网络模型建立单元604，其在识别单元602通过第一神经网络模型对玉米籽图像进行识别之前，进行了神经网络模型的训练和测试，具体步骤包括：获取标记了是否有裂纹的玉米籽图像数据集；玉米籽图像数据集按预设规则分为训练数据集和测试数据集；使用训练数据集中的玉米籽图像对第二神经网络模型进行训练；使用训练数据集训练后的第二神经网络模型对测试数据集中的玉米籽图像进行识别，并计算识别的正确率；若所述正确率达到预设范围，则将第二神经网络模型作为第一神经网络模型使用。在本发明实施例中，训练数据集和测试数据集都是包含玉米籽图像的集合，通过事先采集玉米籽图像，并根据玉米籽有无裂纹进行分类标记，建立玉米籽图像数据集，并将其上传至识别管理平台110，平台接收图像后，将其随机分组，形成训练数据集和测试数据集。在本发明实施例中，玉米籽图像数据集中包含玉米籽正面朝上且有裂纹的、玉米籽正面朝上且无裂纹的、玉米籽背面朝上且有裂纹的和玉米籽背面朝上且无裂纹的玉米籽图像。本发明通过神经网络模型对玉米籽图像进行识别，无论是玉米籽正面还是反面的图像都可以一次识别其是否具有裂纹，从而减小识别工作的重复量，提高识别效率。其中，对玉米籽图像数据集中的玉米籽图像进行分类标记时，若有裂纹，需要将裂纹在图像上的位置和大体形状进行标记，即在玉米籽图像中标注便于神经网络识别的特征，让神经网络模型在学习过程中，能够轻易的找到玉米籽图像中玉米裂纹的位置。在本发明实施例中，第二神经网络模型为卷积神经网络模型，卷积神经网络模型包括多个网络层，每一层的输出是下一层的输入，包括：使用训练数据集中的玉米籽图像对第二神经网络模型进行训练，包括：通过数据输入层接收玉米籽粒图像；通过至少一个中间卷积层对玉米籽图像执行卷积、池化、归一操作，以得到局部特征；通过至少一个全连接层将中间卷积层提取到的局部特征进行综合处理；通过分类输出层将全连接层的输出作线性回归，计算每一分类得分，以根据得分判断玉米籽图像中的玉米籽是否有裂纹。具体的，本发明实施例中提供的一种卷积神经网络模型，其网络层数为6层，其中：第一层为数据输入层，数据输入层的大小为64×64×3，即64×64像素的rgb三通道图像；第二层和第三层均为卷积层，其中第二层卷积层的操作包括对图像进行一次卷积操作、一次池化操作和一次归一化操作，卷积核的大小为3×3，卷积移动步长为2，卷积核数为64，池化方式为最大值池化，池化卷积核的尺寸为3×3，移动步长为2，并且使用relu函数为神经元激活函数进行归一化；第三层卷积层的操作包括一次卷积操作、一次池化操作和一次归一化操作，卷积核的大小为3×3，卷积移动步长为1，边缘填充为1，卷积核数为16，池化方式为最大值池化，池化卷积核的尺寸为3×3，移动步长为2，并且使用relu函数为神经元激活函数进行归一化；第四层和第五层均为全连接层，包括128个输出单元，用于将上述卷积层提取到的局部特征进行综合；第六层为分类输出层，用于将全连接层的输出做线性回归，计算出每一类的得分，根据得分判定有裂纹和无裂纹。在本发明实施例中，通过损失函数对第六层，即分类输出层的分类情况进行评价，其中损失函数可表示为：其中，yi为真实值，y_predictedi为预测值，loss值越小时，代表预测值与真实值越接近，所述分类输出层的分类精度越高。在本发明实施例中，使用训练数据集中的玉米籽图像对第二神经网络模型进行训练中，还包括：采用随机梯度下降算法，通过不断降低损失函数的函数值来学习建立后的所述卷积神经网络模型的参数，其中，所述随机梯度下降法是指每一次迭代中使用所述样本进行学习参数和更新，每一代的学习参数和更新可表示为：wt+1＝wt+vt+1；其中，t为迭代的次数，wt为t时刻的参数，vt为t时刻的增量，α为学习速率，μ为前一次更新wt的权重，为所述损失函数的偏微分。在本发明实施例中，利用卷积神经网络对训练数据集中的图像进行识别学习，通过大量的图像识别，逐渐形成较为完善的神经网络模型。在得到神经网络模型后，利用该神经网络模型对测试数据集进行识别，并记录其识别的正确率，若正确率达到预设值，则该神经网络模型可以直接部署在识别管理平台开始使用；若正确率未达到预设值，则需要继续对已经识别正确的训练数据集中的图像进行识别，得出适应性更强的神经网络模型，预设值可以根据实际情况自由设置，本发明不进一步限制。在本发明实施例中，通过神经网络模型对玉米籽图像进行分析，识别得出玉米籽是否有裂纹，摆脱了传统依靠人工识别玉米籽是否有裂纹的落后手段，整个识别过程自动化程度高，识别效率高，有效的节约工作时间以及人工成本。实施例三在本发明实施例中，如图7所示，提出了一种玉米籽裂纹识别系统，玉米籽裂纹识别系统包括：识别管理平台701，用于通过第一神经网络模型对玉米籽图像进行识别，以识别出玉米籽图像中的玉米籽粒是否有裂纹；采集终端702，用于采集玉米籽图像，并将玉米籽图像发送至识别管理平台701进行识别。在本发明实施例中，采集终端702采集玉米籽图像时，可以是将玉米籽置于一块透光板上，光源置于透光板下，拍摄相机在玉米籽粒上方拍摄获取玉米籽粒图片，玉米籽粒摆放方向随机，正面(有胚的一面)朝上或背面朝上。在本发明的其他实施例中，还可以采用其他摄像方法，只要保证玉米籽图像中玉米籽的裂纹清晰肉眼可见即可。实施例四如图8所示，为本发明实施例提供的一种计算机设备的结构框图，本发明实施例提供的一种计算机设备，包括存储器801、处理器802、通信模块803和用户接口804。存储器801中存储有操作系统805，用于处理各种基本系统服务和用于执行硬件相关任务的程序；还存储有应用软件806，用于实现本发明实施例中的玉米籽裂纹识别方法的各个步骤。在本发明实施例中，存储器801可以是高速随机存取存储器，诸如dram、sram、ddr、ram、或者其他随机存取固态存储设备，或者非易失性存储器，诸如一个或多个硬盘存储设备、光盘存储设备、内存设备等。在本发明实施例中，处理器802可通过通信模块803接收和发送数据以实现网络通信或者本地通信。用户接口804可以包括一个或多个输入设备807，比如键盘、鼠标、触屏显示器，用户接口804还可以包括一个或者多个输出设备808，比如显示器、扩音器等。实施例五另外，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述玉米籽裂纹识别方法的步骤。应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。当前第1页12