[发明专利]一种基于改进ResNet的小麦不完善粒在线检测方法

说明书

本发明涉及一种基于改进ResNet的小麦不完善粒在线检测方法。该方法通过搭建小麦不完善粒图像采集平台，建立基于凹点掩膜的两颗粒粘连小麦分割算法，结合设备与算法的双重优势，将混合小麦进行单粒化；通过图像旋转180°后提高亮度、加噪、镜像后降低亮度等3种方式对图像进行增强，建立数据集；通过减少网络层数，引入密集连接，添加注意力机制，加入空洞卷积，增加感受野等方式，构建基于改进ResNet的小麦不完善粒检测模型；利用小麦图像的像素、容重等，建立基于国标质量比的小麦不完善粒率的检测方法，为小麦市场流通中的质量评价作出科学依据。

技术领域

本发明涉及小麦不完善粒检测领域，利用设备与算法的各自优势解决小麦粘连问题，然后采用改进ResNet网络对小麦不完善粒进行识别，最后依据面积建立基于国标质量比的小麦不完善粒率的检测。

背景技术

小麦不完善粒，其影响表现在：淀粉理化特性、蛋白含量、面筋结构、尿酸含量的变化，造成加工制品产生异味，颜色变暗，污染和品质劣变；甚至真菌毒素的不断积累，严重危害人畜健康；生芽粒、霉变粒的增多，造成小麦容重降低；在小麦收购与市场流通环节，采用容重作为小麦的定级指标，以不完善粒作为品质的限制指标，并作为增扣量的依据。

小麦不完善粒的检测主要存在于粮库、加工厂及质检中心等，技术主要停留在人工检测，对不完善粒认识上的偏差、疲劳等，极易造成定级误差；检测人员存在串通舞弊风险，具有很大的不确定性；在小麦容重、水分等实现智能化快速检测的情况下，不完善粒检测效率的低下将直接影响整批粮食的收购进度。

基于计算机视觉的小麦不完善粒检测主要包括传统机器学习方法和深度学习方法，传统机器学习方法依赖人的先验知识，特证间相互关联，造成冗余等，已无法满足对外观品质快速、准确评定的需要。深度学习在小麦不完善粒检测领域的应用，进一步提高检测精度与速度。目前使用的分类网络以LeNet-5、AlexNet、VGG-Net、GoogleNet、ResNet等基础模型为主，已经应用于玉米、大米、小麦等研究领域，但伴随对象、场景、方法的不同，基础网络往往无法达到最优，造成结果不准确。

在实际检测中，小麦小麦不完善粒的图像采集设备及分割方法严重制约其识别效率。主流图像采集方法分为：通过籽粒震荡掉落方式；固定单个籽粒于独立空洞的方式；利用传动装置将籽粒进行震荡分离、线性扫描的方式。由此可见，更多的不完善粒检测都是比较依赖设备，虽降低分割难度，但对设备精度、硬件成本要求更高。更有学者抛弃设备的研究，将小麦靠人工一粒粒整齐的摆放在图像采集平台上，或者倾向于单种类识别，完全脱离实际场景下的小麦粘连、随机性等。除此之外，在识别结果的基础上，多数研究直接采用个数比代替质量比，计算不完善粒率，造成误差较大。

发明内容

本发明的目的是提供集中基于改进ResNet的小麦不完善粒在线检测方法，以解决现有技术中单纯依赖设备、识别速度慢、精度低、脱离实际的问题。

为实现上述目的，本发明采用如下技术方案：

步骤1：搭建小麦不完善粒图像采集平台；

步骤2：在采集的原始图像上，采用凹点掩膜的两颗粒粘连小麦分割算法，将小麦分割成单籽粒；

步骤3：数据集制作；

步骤4：建立神经网络模型，将小麦训练集输入到神经网络中，得到训练后的模型；

步骤5：将小麦测试集输入到模型中，实现小麦不完善粒的类别检测；

步骤6：依据各种类小麦的像素、密度等，建立基于国标质量比的小麦不完善粒率检测方法。