[发明专利]一种稻米加工在线工艺检测方法

权利要求书

1.一种稻米加工在线工艺检测方法，其特征在于，步骤包括：

步骤S1：构建一个基于机器视觉的人工神经网络系统；

所述人工神经网络系统包括输入层、隐藏层、输出层，第一层为输入层，每一个输入向量占用一个神经元；最后一层为输出层；所述隐藏层的前一部分为卷积神经网络，后一部分为BP反馈神经网络；所述隐藏层的组成是：整个人工神经网络系统的第二层与第三层为神经网络的卷积层，使用S函数作为激活函数，以f(x)=X³+b作为过滤函数；第四层与第五层为神经网络的池化层，使用S函数作为激活函数，对检测对象的特征空间进行降维；第六层至第十层为BP层，运用反馈算法实现神经网络训练的有监督学习，使用变形的L函数作为激活函数，L函数的变形规则为，f(x)=aX+b，当X>0时，a=3,当X<0时，a=0.2；b为常数；

步骤S2：基于机器视觉采集到的稻米图像信息作为人工神经网络系统的输入向量；

在所述步骤S2中，对图像中像素逐一扫描，将每一像素与相邻的像素进行比较，获得其四个方向上的ΔV值，所述ΔV即相邻两个像素之间的亮度之差，标记ΔV符合“突变”特征的像素点，将这些点连起来，即构成被检测对象的外轮廓；

对获取的每一颗对象进行分割，得到A、B、C、D、E、F六段曲线，将这六段曲线分别转换成为直角坐标中的曲线函数F(x)，再将六段曲线函数转换为神经网络的六个输入向量，q1、q2、q3、q4、q5、q6，六个输入向量对应了神经网络输入层的六个神经元；

对被检测对象轮廓内像素逐一扫描，同样将每一像素与相邻像素进行比较得到其ΔH值，所述H为机器视觉中的“色相”，标记ΔH符合“突变”特征的像素，形成符合突变特征的点；如果某一个点的周围一定距离阈值范围内没有其他点，那么就为点；如果某一个点的周围一定距离阈值范围内有一个其他的点，那么连接成线；如果某一个点的周围一定距离阈值范围内有两个以上的其他的点，那么连接成面；通过抽取，将抽取点的数量、线的长度、面的宽度、色块中H、S、V以及每色块包含的像素数均各自随机抽取若干个值，分别组织成输入向量，对应神经网络输入层的神经元；

对被检测对象轮廓内的像素再进行逐一扫描，得到每一像素与相邻像素的ΔV值，这仍然是亮度值之差，将ΔV符合“次突变”特征的点标记，并连接成线，这些“线”即为被检测对象的“纹理”；在所述图像信息中所获取的“纹理”，将这些纹理的数量、长度、走向、分布位置、纹理“内”的H、S、V值若干个、纹理“边线”的H、S、V值若干个分别组织成输入向量，对应了神经网络的输入层神经元；

将被检测对象轮廓内按照预设值的相邻像素组成一个小单元，统计每个小单元内H、S、V的平均值，从轮廓中随机抽取若干个小单元，得到输入向量；

定义一个直角坐标，将坐标分成八个象限，分别标记为1、2、3、4、5、6、7、8，对被检测对象轮廓边线所有组成像素逐一扫描，每相邻的下一像素与上一像素之间的位置关系符合图中的某一象限，即标记该象限所对应的数值，将所有相邻关系中1、2、3、4、5、6、7、8所占比例分别统计，构成8个输入向量；

步骤S3：经人工神经网络系统最后一层输出后，先以隶属度函数对每个对象模糊化，最后通过硬极性函数进行判别，完成解模糊；

步骤S4：使用稻米的实物样本对人工神经网络系统进行训练；

步骤S5：完成神经网络的训练，上线使用。

2.根据权利要求1所述的稻米加工在线工艺检测方法，其特征在于，在完成步骤S4之后，还包括：使用没有经过机器学习的实物样本提供给人工神经网络系统进行判别，将其中判别错误的样本做好标记，再提供给人工神经网络系统强化学习。