[发明专利]一种基于改进YOLOX的粮食不完善粒检测和计数方法

说明书

本发明公开了一种基于改进YOLOX的粮食不完善粒检测和计数方法,包括以下步骤：S1、采集不同密集程度单层随机排布的粮食不完善籽粒原始RGB图像，并根据虫蚀粒、病斑粒、破损粒、生芽粒、生霉粒和完善粒进行框选分类标记，建立原始图像数据集；S2、将原始图像数据集输入至所述改进YOLOX网络模型，确定所述改进YOLOX网络模型的学习参数；S3、对存在交错特征的颗粒总计数进行修正，得到粮食不完善粒的检测模型；S4、根据待检测的粮食不完善粒实物图片或者视频，实现对待检测的粮食不完善粒的检测，得到各类不完善粒的计数结果。本发明适合粮食不完善粒细粒度特征识别和高通量检测计数的深度学习网络结构以提高检测和计数的准确率。

技术领域

本发明涉及粮食在线检测技术领域，尤其涉及一种基于改进YOLOX的粮食不完善粒检测和计数方法。

背景技术

粮食在农业生产、流通和食品加工中具有重要地位。在粮食的贮存、生产、运输等过程中会产生粮食不完善粒，如GB 1351-2008《小麦》中，不完善粒是指受到损伤但尚有使用价值的小麦颗粒。包括虫蚀粒、病斑粒、破碎粒、生芽粒和生霉粒。粮食不完善粒是粮食收购等流通过程中质量检验的重要指标之一，粮食不完善粒对粮食的储藏和加工有很大影响，很容易出现粮食质量和安全问题。目前，对于粮食不完善粒的检测方法主要有人工检测和机器视觉的识别方法。其中人工检测的方法主要依赖于检测员的主观判断，检测过程费时费力，可重复性低，无法满足大规模的麦粒快速准确检测的要求。

近年来，利用机器视觉进行麦粒自动识别的方法受到了普遍关注，机器视觉检测方法一类是基于人工特征提取的方法，利用相机拍摄粮食图像，通过对图像进行分析处理，计算出粮食的颜色，纹理及形态等多种特征参数，该方法克服了人工检测的缺点，而且在识别过程中保证了粮食籽粒的完整性。但是，该方法需要人工提取特征参数，不断测试择优且过程较为复杂，而且粮食品种混合、不完善粒间存在交错现象(如单个破碎麦粒在某个部位有病斑)且易受到光照因素的影响，导致在实际应用中难以找到准确、稳定的特征，识别准确率也较为不稳定。

另一类是基于深度学习特征自提取的方法，是一种端到端的方案，由卷积神经网络自动提取缺陷的特征。深度学习算法的特征自提取能力使得网络可以自动学习到不完善粒表征的图像特征，其对于不完善粒目标从局部到全局的理解，如从结构信息到语义信息，分布在网络的不同层中，最终形成对不完善粒目标的整体感知。但是，粮食不完善粒之间形态颜色等差异微弱，不同不完善粒局部特征区别很小，这对识别及计数有一定的困难，亟需设计适合粮食不完善粒细粒度特征识别和高通量检测计数的深度学习网络结构以提高检测和计数的准确率。

本发明选择使用YOLOX作为框架基础，向其中添加CBAM注意力模块，CBAM注意力模块可以让网络模型更多地关注图像中用于区分不同不完善粒的特征部分，从而忽略一些无用的信息，改进后的YOLOX结构如图3。YOLOX是基于YOLOv3-SSP改进而来，使用了很多模块如图3所示，比如Focus,CSP(Cross Stage Partial connections),SPP(Sptial PyramidPooling)和FPN(Feature Pyramid Network)，PAN(Pixel Aggregation Network)等。同时YOLOX还运用了很多小技巧比如使用Anchor Free的思想，对于小麦不完善粒的小样本检测不需要通过聚类分析筛选合适的先验框大小，增强了模型的泛化能力，同时减小了参数量。使用SimOTA为不同大小的目标动态匹配正样本。使用Decoupled Head的结构，将Head中的分类和回归分成两个分支。综上所述，的在YOLOX中合适的位置添加合适数量的CBAM模块对于粮食不完善粒细粒度特征具有更好的识别能力，对籽粒类小样本的检测更加合适。

发明内容

本发明提出的一种基于改进YOLOX的粮食不完善粒检测和计数方法，适合粮食不完善粒细粒度特征识别和高通量检测计数的深度学习网络结构以提高检测和计数的准确率。

为了实现上述目的，本发明采用了如下技术方案：