[发明专利]一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法

权利要求书

1.一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于包括以下步骤：

1)在反应盒中的每个格子中放入饱满完整的一粒大米，然后沿着反应盒的外壁缓慢加入碱液，直至碱液占满整个反应盘，然后加密封盖进行密封，放置在烘箱中反应23小时；

2)将反应后的反应盘放置到照片采集装置中进行高通量采集，根据模型训练结果设置采集像素，获得图片后，专业碱消值测定人员对每个单格大米的消解程度评级，构建原始数据集；

3)从中国水稻研究所稻米品质研究中常年测定分析样品库中筛选不同类型水稻品种1-7级大米样品，按照步骤1)至步骤2)的流程，测定取样，获得用于后续图像识别的大数据样本；

4)进行图片分割，将图片转化为灰度图，然后进行高斯模糊用来去噪声，接着进行二值化处理，然后通过OpenCV内置函数找出图片的轮廓，找出轮廓后使用OpenCV内置函数找出每个轮廓的外接矩形，并且筛选出符合分割图片大小的矩形；

5)基于CNN的卷积神经网络图形分类器，使用ResNet18即18层卷积层网络进行特征提取分类或ResNet50即50层卷积层网络进行特征提取分类，输入图片为3通道即RGB，大小为224*224图片，原图大小不是224*224通过Pytorch进行变换；

6)设置训练超参数，其中学习周期为90个epoch，每个epoch运算一次完整的训练集；

学习率LR初始设置为0.1，然后每30个epoch降低为原来的1/10；

小批量大小设置为8；

正则化权重设为10^-4，用来对抗过拟合，即训练集表现良好但测试集表现不好；

7)将数据分别记为训练过程中的训练集和验证集，训练集数量是验证集的4～10倍，并且两者不能有重叠，获取数据集图像均值和标准差的文件，图像均值和标准差在训练时图像预处理归一化时需要使用，训练完使用ResNet18或ResNet50结构模型进行测试与判别；

8)根据数据训练集深度学习获得的模型参数，对测试样品照片进行机器识别，得出碱消值级别。

2.根据权利要求1所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述步骤1)中碱液淹没水稻米粒，所述碱液的高度不超过反应盒中隔离栅栏分割出的格子的高度。

3.根据权利要求1所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述步骤2)中所述采集装置的采集器包括扫描仪、工业垂直摄像机、初步固定的手机摄像机；采集像素包括正片或反片模式。

4.根据权利要求1所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述步骤2)中的样品数量为1000-5000份样品。

5.根据权利要求1所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述反应盒包括反应盘(1)、隔离栅栏(2)以及设置在隔离栅栏(2)上方与所述反应盘(1)配合的密封盖(3)。

6.根据权利要求5所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述通过所述隔离栅栏(2)在所述反应盘(1)中设置有若干小格，所述小格的长为20-25mm，宽为20-25mm，高为3mm。

7.根据权利要求5所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述隔离栅栏(2)的高度比所述反应盘(1)的高度小1-2cm。

8.根据权利要求5所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述反应盘(1)中隔离栅栏(2)单盘的分割数目一般为50-200，各个分隔单格设置有序列。

9.根据权利要求5所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述反应盘(1)、所述隔离栅栏(2)以及所述密封盖(3)所采用的材料包括PE、PP，底部透光率大于90％。

10.根据权利要求5-9任一所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述反应盒的形状包括圆形、方形、椭圆形。