一种用于小麦正常粒识别的方法

技术领域

本发明涉及机器识别技术领域，具体说的是一种用于小麦正常粒识别的方法。

背景技术

小麦是中国四大主粮之一，是仅次于水稻的重要粮食作物。小麦种子的质量对提高小麦产量具有重要意义，而传统的人工挑选小麦种子时间成本高，作业效率低，现有的小麦精选机多采用筛网、风箱进行筛选、比重式种子筛选等，对于质量、体积相近的小麦筛选效果不理想。因此需要采用具有识别方法的筛选机器对不正常的小麦种子进行筛选，在此筛选设置中识别方法是能否高正确率筛选的关键，采用视觉设备进行筛选的机器，多采用常规的识别技术，识别方法最终识别率较低，也不并能达到很好的筛选效果。

发明内容

为解决上述技术问题，本发明提供一种用于小麦正常粒识别的方法，能提升正常粒小麦的识别率。

为实现上述技术目的，所采用的技术方案是：一种用于小麦正常粒识别的方法，包括以下步骤:

步骤1、首先采集小麦图像

通过机器视觉设备采集正常小麦种子≥500粒、破损小麦种子≥500粒、发芽小麦种子≥500粒、干瘪小麦种子≥450粒的图像，得到小麦原图；

步骤2、图像预处理，

将小麦原图二值化，对二值化图像去除噪点后，进行闭运算，将闭运算后的图像与小麦原图进行与运算后，得到的图像再与小麦原图一样大小的黑色图片相加即可得到去除背景的图像，将去除背景的图像转为灰度图，再次二值化，轮廓检测，去除掉面积小于1000像素的轮廓，将剩余轮廓转为矩形得到矩形轮廓的坐标，即可对轮廓检测后的图像进行ROI裁剪，得到去背景的单独小麦种子图像；

步骤3、小麦多特征提取

对去背景的单独小麦种子图像提取颜色特征：R、G、B、H、S三阶颜色矩共15个特征值，提取纹理特征：利用GLCM提取得到4个方向的4个纹理特征值共16个特征向值，利用garbor滤波在0°，45°，90°，135°四个方向和7、9、11、13、15、17六个尺度处理去背景的单独小麦种子图像，可得到24张图像，将处理得到的图像的均值作为特征值，可得24个特征值，每幅单独小麦种子图像共计可得55个特征值；

步骤4、数据预处理

对得到的55个特征值进行PCA降维处理得到10个主成分数值，将正常、发芽、破损、干瘪的小麦种子10个主成分数值分别按照8：2的比例随机划分为训练集与测试集；

步骤5、建立BP神经网络识别模型

BP神经网络识别模型为输入层、隐藏层、输出层组成的三层网络，将10个主成分数值作为输入层神经元数量，正常、发芽、破损、干瘪的小麦种子共4种分类作为输出层神经元数量；根据

在模型训练时，依据dropout率暂时丢弃部分神经网络单元，将各层网络的输入统一为标准正态分布，之后将训练集传入神经网络中，依次通过输入层、隐藏层、输出层进行正向传播，计算整个神经网络的权重和偏置的值；然后再由输出层、隐藏层、输入层进行反向传播调整网络权重与偏置，优化BP神经网络；

步骤6、小麦正常粒识别

将步骤四得到的所有的去背景的单独小麦种子图像的55个特征值进行PCA降维处理得到10个主成分数值，输入步骤5得到的BP神经网络识别模型，得出识别结果。

采用HSV的阈值分割法将图像二值化。

纹理特征为对比度、逆差矩、熵、能量。

交叉熵损失函数的公式为

其中，m是训练数据的总数量，y是目标输出，a表示神经元的输出值。

本发明有益效果是：本专利涉及BP神经网络训练时迭代1000次后停止训练，在全部训练集上，识别准确率为93.1％；在全部测试集上，对正常、发芽、破损、干瘪小麦识别平均准确率为98.2％、99.4％、92.5％、94.4％，平均识别准确率为96.13％，识别单个种子时间约为36.2ms。相较于现有的识别方法，本专利准确率更高，识别效果更好。

附图说明

图1为本发明识别机整体结构示意图；

图2为本发明的识别系统结构示意图；

图3为本发明的清选系统结构示意图；

图4为本发明的识别流程图；

图5为本发明的单粒种子特征值的提取流程图；

图6为本发明的识别结果图，

图7为本发明的BP神经网络识别模型的网络拓扑图。

具体实施方式

识别机整体设计：

所述基于计算机视觉与机器学习的机器，如图1所示，包括识别系统1、清选系统2、传送系统3。识别系统1固定于传送系统3上方一侧，清选系统2固定于传送系统3上方另一侧。

识别系统1如图2所示，由暗箱装置11、LED显示屏装置12、摄像机装置13、条形光源装置14组成。暗箱装置11位于传送带电机装置32一侧正上方，由四块固定挡板和一块可旋转挡板组成通过合页固定组成，且传送带上方的挡板与传送带有3至5毫米空隙用于小麦种子穿过。LED显示屏装置12位于暗箱装置11正上方，用于显示摄像机装置13拍摄的画面及识别结果。摄相机装置13固定于暗箱上方挡板的内壁，用于拍摄种子图像。条形光源14固定于传送带上方挡板的内壁，用于提供充足光源，使摄像机装置13拍摄的图像更加清晰，摄像机装置用于有内置有本发明BP神经网络识别模型的上位机相连。

清选系统2如图3所示由载架装置21、纵向滑动装置、横向滑动装置、竖向滑动装置和吸附装置组成。纵向滑动装置固定于载架装置21上方，纵向滑动装置由螺杆A 221、滑杆A222穿过载块223与静步电机A 224连接组成。横向滑动装置由螺杆B 231、滑杆B 232穿过滑块233与静步电机B 234连接组成，静步电机B 234固定在纵向滑动装置的载块223上。竖向滑动装置由螺杆C 241，滑杆C 242穿过载具243与静步电机C 244连接组成，螺杆C241的一端固定在滑块233上。吸附装置25由气泵251和吸管252组成，吸附装置25位于竖向滑动装置的载具243上，气泵251内部电机带动气泵，使吸管252可以对小麦进行吸附。根据识别结果，驱动静步电机A 224、静步电机B 234，静步电机C 244移动，以及对气泵的驱动，对不正常的小麦种子进行筛选。

传送系统3由电机311与电机312装置固定于传送带32一侧，用于带动传送带32由识别系统1向清选系统2方向传输小麦种子。

如图4所示，一种用于小麦正常粒识别的方法，包括以下步骤：

首先采集小麦图像。通过机器视觉设备采集正常小麦种子≥500粒，例如：1000粒、破损小麦种子≥500粒，例如：1000粒、发芽小麦种子≥500粒，例如：600粒、干瘪小麦种子≥450粒，例如：450粒，得到小麦原图。

如图5所示，其次进行图像预处理。将RGB图像转换为HSV色域图像，采用阈值分割法将HSV图像二值化，根据小麦颜色与背景颜色亚光黑(即传送带颜色)的色差，适合本专利的HSV的二值化阈值为：low_hsv为[11，43，46]和up_hsv为[34，255，255]，能有效进行小麦种子图像二值化。使用核大小为11×11的中值滤波对二值化图像去除噪点后，进行一次核大小为9×9的闭运算。将闭运算后的图像与原图进行与运算后，将图像与和原图一样大小的黑色图片相加即可得到去除背景的图像。将其转为灰度图，再次二值化，轮廓检测，去除掉面积小于1000像素的轮廓，将剩余轮廓转为矩形得到矩形轮廓的坐标，即可对轮廓检测后的图像进行ROI裁剪，得到去背景的单独小麦种子图像。

再进行小麦多特征提取。对去背景的单独小麦种子图像提取颜色特征：R、G、B、H、S三阶颜色矩共十五个特征值。提取纹理特征：利用GLCM提取得到4个方向的4个纹理特征值(对比度、逆差矩、熵、能量)共16个特征向值。利用garbor滤波在0°，45°，90°，135°四个方向和7、9、11、13、15、17六个尺度处理去背景的单独小麦种子图像，可得到24张图，将处理得到的图像的均值作为特征值，可得24个特征值。每幅单独小麦种子图像共计可得55个特征值。

然后进行数据预处理。对得到的55个特征值进行PCA降维处理得到10个主成分数值，以便于节省识别模型的训练时间，提高运算效率。将预处理之后的正常、发芽、破损、干瘪的小麦种子10个主成分数值分别按照8：2的比例随机划分为训练集与测试集。

随后建立BP神经网络识别模型。本专利BP神经网络识别模型为三层网络(即输入层1层、隐藏层1层、输出层1层)，其中由PCA降维处理得到的10个主成分数值作为输入层神经元数量，也即输入层(Input Layer)神经元数量为10；正常、发芽、破损、干瘪的小麦种子共4种分类作为输输出层(Output Layer)神经元数量，也即输出层神经元数量为4；根据

其中，m是训练数据的总数量，y是目标输出，y＝{Y1、Y2、Y3、Y4}，a表示神经元的输出值。

在模型训练时，为防止因数据量过小导致的过拟合和训练费事，采用dropout依据dropout率暂时丢弃部分神经网络单元，本专利dropout率为0.5；并采用BatchNormalization将各层网络的输入统一为标准正态分布，加快网络的学习。本专利BP神经网络拓扑结构如图7所示，虚线表示dropout随机舍弃的单元连接。其中Y1、Y2、Y3、Y4表示正常、发芽、破损、干瘪四个可能性输出。a

BP神经网络模型的训练。将训练集传入神经网络中，依次通过输入层、隐藏层、输出层进行正向传播，计算整个网络的权重和偏置的值；然后再由输出层、隐藏层、输入层进行反向传播调整网络权重与偏置，来缩小与目标之间的差异，优化神经网络。本专利涉及BP神经网络训练时迭代1000次后停止训练，在全部训练集上，识别准确率为93.1％；在全部测试集上，对正常、发芽、破损、干瘪小麦识别平均准确率为98.2％、99.4％、92.5％、94.4％，平均识别准确率为96.13％，识别单个种子时间约为36.2ms。与其他算法相比结果如下表所示：

最后利用建立的BP神经网络识别模型进行识别分类，将得到的所有的去背景的单独小麦种子图像的55个特征值，进行PCA降维处理得到10个主成分数值，输入BP神经网络识别模型，得出识别结果。

实施例1

小麦随传送带32的传动进入识别系统1，并由摄像机装置13获取整个摄像头视野的全部小麦图像，并对全部小麦图像进行预处理获得单独小麦种子图像，获取单独小麦种子如图4所示。

之后对单独小麦种子提取颜色特征和纹理特征，每幅图片共计可得55个特征值，对每一个种子得到的特征值进行PCA降维处理得到10个值作为识别网络模型(即BP神经网络)的输入。10个值作为输入传到BP神经网络模型进行识别分类。识别结果如图6所示。识别结果图说明：damage为破损，wizened为干瘪，sprout为发芽；为方便除杂，只对破损、干瘪、发芽小麦做识别框选，对正常小麦不做框选处理。并将识别结构信息传给清选系统2，吸管252移动到非正常小麦上，气泵251工作，将小麦种子吸入吸管252后，纵向滑动装置的载块223一起向内侧移动至传送带装置32的三分之一内侧区域后，气泵251停止工作，使小麦掉落后，对下一个目标移动并进行清选，达到种子清选的目的。