[发明专利]一种基于深度多视点特征的稻谷检测和分类方法

说明书

本发明涉及一种基于深度多视点特征的稻谷检测和分类方法，该方法包括以下步骤：1)数据集的划分：利用交叉验证法对稻谷下落图像数据集进行划分，得到训练集和测试集；2)网络模型的构建：利用深度学习的方法对输入的图像进行特征的提取，同时利用随机梯度下降来不断更新模型参数；3)模型分析和性能评估：将测试数据输入训练好的稻谷分类器中，通过将概率预测值与分类阈值的比较，得到稻谷的检测分类结果。本发明较现有技术相比，准确率有很大方面的提升，并且改善了传统方式对于稻谷特征提取的不足，同时根据分类的结果完成对稻谷出糙率的计算等优点。

技术领域

本发明属于稻谷检测、分类方法技术领域，尤其是属于一种基于深度多视点特征检测和应用深度学习方法、多层卷积神经网络于其中的方法技术领域。

背景技术

稻谷是我国产量最大的粮食作物，稻谷播种面积约近3000万公顷，总产量约1.8亿吨，占全国粮食产量的40％以上。云南省稻谷的播种面积约达1.2万亩、产量1.8万吨，稻谷产量占粮食产量的36％，亦是稻谷播种、生产的大省。稻谷是关系国计民生的重要基础性、战略性物质，因此在稻谷收购、储存、运输活动和政策性用粮购销活动中，需要对稻谷质量指标、卫生指标及储存指标等进行现场快速检测，其中稻谷定等是最为关注的环节，涉及到农户和企业之间的经济利益。在稻谷检测定等活动中，农民、商户、企业比较集中，需要检验的样品数多。2009年7月1日起开始执行的新标准(GB1350-2009《稻谷》)中稻谷以出糙率定等，通过出糙率的测定来反映出稻谷质量优劣。目前稻谷定等领域存在如下问题：

1)稻谷定等结果决定价格

稻谷等级与价格紧密相关，等级越高价格越高，定等结果对稻谷的购销和储运决策起到决定性作用。目前的定等工作完全靠具有检验经验的检验员进行人工目测、筛选的手段定等。

2)人工检测定等误差大

目前出糙率的测定需要检验人员的感官进行辨识不完善粒，然而由于标准理解不同，主观性强导致出糙率误差加大。

3)人工检测定效率差

稻谷定等出糙率检测时间长、费时费力，不利于稻谷在收购、储存、运输活动和政策性用粮购销活动中的快速检测，低效、滞后的定等结果导致管理成本高、综合效益低。

为解决上述关于稻谷定等的问题。目前市场上可用于稻谷定等的设备有选筛，国产碎米分离器，整精米选拔机以及进口的自动碎米分离机。其中国产仪器需要事先对稻谷进行砻谷，碾米处理且设备加工粗糙，对不同粒型的稻谷分类效果不一样，甚至有些粒型的大米不能分离；而进口的仪器价格太高不易推广使用。

传统的图像检测作为计算机视觉的重要研究内容，具体过程如下：将待检测目标转化为图像信息，将其传输到图像处理系统，通过分析像素、亮度等信息提取图像特征，并经过相似性比对，实现目标的检测功能。现有的图像检测方法种类繁多，几种经典方法在具体的问题中发挥着各自的作用。如基于神经网络的图像检测方法，基于支持向量机的图像检测方法，以及基于自适应增强算法和子空间学习方法的图像检测算法等。

纵观近10年对稻谷定等方面的研究，大部分的成果都围绕在如何改善传统工业控制或者采用传统的图像处理方法来对稻米进行定等和分类，但成效不明显。

针对稻谷检测这一特殊问题，有关学者进一步从特征改进的层面提出了许多新颖而有效的算法，如尺度不变特征变换算法被广泛应用，该算法通过计算不变特征向量的距离来确定候选匹配点对，从而对图形进行匹配，但它的每个特征点用128维向量表示，要处理的数据量很大，如此就会出现无法精确控制、运算速度慢、配准点精度不高等问题。然而，这些经典方法很容易出现特征点数量少而匹配失败的情况。

发明内容

为了解决以上问题，本发明提出一种新的稻谷检测和分类的方法。

本发明采用如下技术方案实现。