本發(fā)明涉及檢測(cè)，更具體的說(shuō)是涉及一種基于深度學(xué)習(xí)的稻谷雜質(zhì)含量檢測(cè)方法及裝置。

背景技術(shù)：

1、稻谷質(zhì)量檢驗(yàn)是稻谷入庫(kù)前的第一道關(guān)口，準(zhǔn)確判定稻谷質(zhì)量是確保儲(chǔ)存安全和科學(xué)管理的基礎(chǔ)。雜質(zhì)含量是評(píng)定稻谷質(zhì)量的重要指標(biāo)之一，其高低直接影響稻谷的質(zhì)量等級(jí)和收購(gòu)價(jià)格。

2、現(xiàn)有稻谷雜質(zhì)檢測(cè)主要依賴人工操作，效率低、耗時(shí)長(zhǎng)，且具有一定主觀性，檢測(cè)準(zhǔn)確率較差；盡管機(jī)器學(xué)習(xí)與傳統(tǒng)圖像處理技術(shù)在糧食檢測(cè)領(lǐng)域有一定應(yīng)用，但在復(fù)雜場(chǎng)景中的檢測(cè)效果有限，且對(duì)精度、計(jì)算資源需求等存在明顯瓶頸。

3、因此，提出一種基于深度學(xué)習(xí)的稻谷雜質(zhì)含量檢測(cè)方法及裝置，來(lái)解決現(xiàn)有技術(shù)存在的困難，是本領(lǐng)域技術(shù)人員亟需解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種基于深度學(xué)習(xí)的稻谷雜質(zhì)含量檢測(cè)方法及裝置，基于改進(jìn)densenet121的深度學(xué)習(xí)模型，結(jié)合優(yōu)化圖像分割及校正方法，實(shí)現(xiàn)稻谷雜質(zhì)含量的便捷、快速檢測(cè)。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種基于深度學(xué)習(xí)的稻谷雜質(zhì)含量檢測(cè)方法，包括以下步驟：

4、s1、收集稻谷與雜質(zhì)樣本，平鋪在含有標(biāo)記點(diǎn)的背景布上，采集其原始圖像；

5、s2、對(duì)原始圖像依次進(jìn)行圖像校正、圖像預(yù)處理和圖像分割操作；

6、s3、將分割后的單獨(dú)小物體圖像按照稻谷與雜質(zhì)的類別手工分類，得到類別樣本圖像數(shù)據(jù)集；

7、s4、建立基于densenet121的稻谷雜質(zhì)識(shí)別模型，根據(jù)類別樣本圖像數(shù)據(jù)集訓(xùn)練并改進(jìn)稻谷雜質(zhì)識(shí)別模型，獲得訓(xùn)練好的稻谷雜質(zhì)識(shí)別模型；

8、s5、將待測(cè)稻谷樣本平鋪在定好標(biāo)記點(diǎn)的背景布上，采集待測(cè)稻谷原始圖像；

9、s6、對(duì)待測(cè)稻谷原始圖像進(jìn)行圖像校正、圖像預(yù)處理和圖像分割，得到分割后的待測(cè)稻谷小圖像；

10、s7、將待測(cè)稻谷小圖像輸入訓(xùn)練好的稻谷雜質(zhì)識(shí)別模型進(jìn)行識(shí)別分類，確定單獨(dú)待測(cè)稻谷小圖像的類別；

11、s8、提取雜質(zhì)輪廓形成的總像素面積，確定雜質(zhì)的擬合密度，根據(jù)雜質(zhì)的總像素面積和擬合密度，確定稻谷樣品中雜質(zhì)的含量。

12、上述的方法，可選的，s1中，雜質(zhì)包括：小石子、秸稈和稻殼。

13、上述的方法，可選的，s2和s6中，圖像校正包括：使用opencv的透視變換功能，將原始圖像中的標(biāo)記點(diǎn)變換到圖像的四個(gè)角；

14、圖像預(yù)處理具體包括：對(duì)校正后的圖像進(jìn)行灰度化處理、二值化處理和形態(tài)學(xué)操作，二值化處理采用otsu方法；

15、圖像分割包括：將預(yù)處理后的圖像中的稻谷和雜質(zhì)分割成單獨(dú)的小物體圖像，圖像分割通過(guò)加入銳化濾波器處理實(shí)現(xiàn)黏連物體的分離。

16、上述的方法，可選的，s4中，基于densenet121的稻谷雜質(zhì)識(shí)別模型，包含四個(gè)dense?block和四個(gè)transition?layer；

17、dense?block1由6層bottleneck組成，dense?block2由12層bottleneck組成，dense?block3由24層bottleneck組成，dense?block4由16層bottleneck組成；

18、四個(gè)transition?layer分別為：dense?block1和dense?block2中間的部分、denseblock2和dense?block3中間的部分、dense?block3和dense?block4中間的部分以及denseblock4后部分。

19、上述的方法，可選的，對(duì)基于densenet121的稻谷雜質(zhì)識(shí)別模型中的dense?block進(jìn)行優(yōu)化：在dense?block1、dense?block2和dense?block3中增加兩個(gè)bottleneck層；

20、對(duì)bottleneck層進(jìn)行改進(jìn)：引入差分卷積，生成一個(gè)texture?enhanceconvolution層結(jié)構(gòu)，與原始的1×1、3×3卷積組合成新的te-bottleneck層，代替原來(lái)的特征提取結(jié)構(gòu)。

21、上述的方法，可選的，s8中，確定雜質(zhì)的擬合密度具體包括：

22、分別稱取多組不同雜質(zhì)的質(zhì)量，平鋪在含有標(biāo)記點(diǎn)的黑色植絨布上，采集雜質(zhì)圖像；

23、對(duì)雜質(zhì)圖像進(jìn)行校正、預(yù)處理和分割；

24、查找雜質(zhì)的輪廓，使用opencv技術(shù)提取雜質(zhì)輪廓形成的像素面積，并統(tǒng)計(jì)每種雜質(zhì)不同質(zhì)量的總像素面積；

25、將雜質(zhì)每組質(zhì)量與對(duì)應(yīng)總像素面積的平均比值作為雜質(zhì)擬合密度。

26、一種基于深度學(xué)習(xí)的稻谷雜質(zhì)含量檢測(cè)裝置，用于執(zhí)行上述任一項(xiàng)所述的一種基于深度學(xué)習(xí)的稻谷雜質(zhì)含量檢測(cè)方法，包括：依次連接的采集模塊、校正模塊、處理模塊、分割模塊、分類模塊和確定模塊；

27、采集模塊：用于采集稻谷樣本的原始圖像；

28、校正模塊：用于對(duì)原始圖像進(jìn)行透視校正；

29、處理模塊：用于對(duì)校正圖像進(jìn)行灰度化處理、二值化處理和形態(tài)學(xué)操作；

30、分割模塊：用于提取稻谷和雜質(zhì)的小圖像；

31、分類模塊：用于根據(jù)改進(jìn)的深度學(xué)習(xí)模型對(duì)分割后的小圖像進(jìn)行分類；

32、確定模塊：用于確定稻谷樣品中的雜質(zhì)含量。

33、經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明提供了一種基于深度學(xué)習(xí)的稻谷雜質(zhì)含量檢測(cè)方法及裝置，其有益效果為：

34、本發(fā)明通過(guò)獲取稻谷與雜質(zhì)的原始圖像并對(duì)其進(jìn)行圖像校正、預(yù)處理和分割操作，再基于預(yù)先訓(xùn)練的改進(jìn)的稻谷雜質(zhì)深度學(xué)習(xí)模型對(duì)稻谷樣本中的雜質(zhì)進(jìn)行分類識(shí)別，并根據(jù)雜質(zhì)擬合密度確定稻谷中的雜質(zhì)含量，相較于傳統(tǒng)的人工篩選而言，提高了稻谷雜質(zhì)含量檢測(cè)的便捷性和高效性，且具有良好的準(zhǔn)確性；本發(fā)明通過(guò)在傳統(tǒng)分割方法中加入銳化濾波器以及在densenet121中增加特征提取模塊和差分卷積去改進(jìn)整體架構(gòu)，能實(shí)現(xiàn)較復(fù)雜的黏連物體分割，提高了模型訓(xùn)練以及稻谷雜質(zhì)識(shí)別的準(zhǔn)確性；本發(fā)明操作便捷、精度高，適用于稻谷質(zhì)量評(píng)估的多種場(chǎng)景，顯著提升稻谷雜質(zhì)檢測(cè)的效率和可靠性。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)的稻谷雜質(zhì)含量檢測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的稻谷雜質(zhì)含量檢測(cè)方法，其特征在于，

3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的稻谷雜質(zhì)含量檢測(cè)方法，其特征在于，

4.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的稻谷雜質(zhì)含量檢測(cè)方法，其特征在于，

5.根據(jù)權(quán)利要求4所述的一種基于深度學(xué)習(xí)的稻谷雜質(zhì)含量檢測(cè)方法，其特征在于，

6.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的稻谷雜質(zhì)含量檢測(cè)方法，其特征在于，

7.一種基于深度學(xué)習(xí)的稻谷雜質(zhì)含量檢測(cè)裝置，用于執(zhí)行權(quán)利要求1-6任一項(xiàng)所述的一種基于深度學(xué)習(xí)的稻谷雜質(zhì)含量檢測(cè)方法，包括：依次連接的采集模塊、校正模塊、處理模塊、分割模塊、分類模塊和確定模塊；

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于深度學(xué)習(xí)的稻谷雜質(zhì)含量檢測(cè)方法及裝置，涉及檢測(cè)技術(shù)領(lǐng)域。方法包括：收集稻谷與雜質(zhì)樣本，平鋪在含有標(biāo)記點(diǎn)的背景布上，采集其原始圖像；對(duì)原始圖像依次進(jìn)行圖像校正、圖像預(yù)處理和圖像分割操作；將分割后的單獨(dú)小物體圖像按照稻谷與雜質(zhì)的類別手工分類，得到類別樣本圖像數(shù)據(jù)集；建立基于DenseNet121的稻谷雜質(zhì)識(shí)別模型，根據(jù)類別樣本圖像數(shù)據(jù)集訓(xùn)練并改進(jìn)稻谷雜質(zhì)識(shí)別模型，獲得訓(xùn)練好的稻谷雜質(zhì)識(shí)別模型；將待測(cè)稻谷樣本平鋪在定好標(biāo)記點(diǎn)的背景布上，采集待測(cè)稻谷原始圖像；對(duì)待測(cè)稻谷原始圖像進(jìn)行圖像校正、圖像預(yù)處理和圖像分割，得到分割后的待測(cè)稻谷小圖像；將待測(cè)稻谷小圖像輸入訓(xùn)練好的稻谷雜質(zhì)識(shí)別模型進(jìn)行識(shí)別分類，確定單獨(dú)待測(cè)稻谷小圖像的類別；提取雜質(zhì)輪廓形成的總像素面積，確定雜質(zhì)的擬合密度，根據(jù)雜質(zhì)的總像素面積和擬合密度，確定稻谷樣品中雜質(zhì)的含量。本發(fā)明操作便捷、精度高，適用于稻谷質(zhì)量評(píng)估的多種場(chǎng)景，顯著提升稻谷雜質(zhì)檢測(cè)的效率和可靠性。

技術(shù)研發(fā)人員：王志高,李劉濱,何榮,毛波
受保護(hù)的技術(shù)使用者：南京財(cái)經(jīng)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/22