[发明专利]一种基于机器视觉技术的稻米表型监测系统及方法

权利要求书

1.一种基于机器视觉技术的稻米表型监测系统，其特征在于，包括：遮光罩、物料存放装置、图像采集装置和PC机，所述遮光罩罩设在所述物料存放装置的上方，所述物料存放装置用于放置稻米样品，所述遮光罩的内部设置所述图像采集装置，所述图像采集装置用于采集所述稻米样品的表型图像，所述遮光罩的顶部设置有遮光罩盖板；所述图像采集装置通过数据线与所述PC机电性连接。

2.根据权利要求1所述的基于机器视觉技术的稻米表型监测系统，其特征在于，所述物料存放装置包括物料抽屉和抽屉导轨，两个平行的所述抽屉导轨固定设置在所述遮光罩的底部相对的两边，所述物料抽屉通过滑块与所述抽屉导轨滑动连接，所述物料抽屉用于放置稻米样品。

3.根据权利要求1所述的基于机器视觉技术的稻米表型监测系统，其特征在于，所述遮光罩的内侧壁固定连接有固定支架，所述图像采集装置设置在所述固定支架上，所述图像采集装置包括多光谱相机和LED环形光源，所述多光谱相机和LED环形光源分别固定在所述固定支架的上方和下方；所述多光谱相机通过数据线与所述PC机电性连接。

4.根据权利要求3所述的基于机器视觉技术的稻米表型监测系统，其特征在于，所述LED环形光源布置有不同波段的LED灯珠。

5.根据权利要求3所述的基于机器视觉技术的稻米表型监测系统，其特征在于，所述系统还包括LED背光板，所述LED背光板设置在所述物料存放装置的下方。

6.一种基于机器视觉技术的稻米表型监测方法，应用于权利要求1-5任一所述的基于机器视觉技术的稻米表型监测系统，其特征在于，包括以下步骤：

S1，利用多光谱相机采集稻米样品的图像并传输到PC机；

S2，利用分水岭算法，将单粒稻米从多光谱相机采集的图像中分割出来；

S3，从分割后的单粒稻米的图像中获取其颜色特征、纹理特征，将得到的单粒稻米进行二值化操作，通过像素点的连通区域来得到稻米的形态特征。

7.根据权利要求6所述的基于机器视觉技术的稻米表型监测方法，其特征在于，所述步骤S2，利用分水岭算法，将单粒稻米从多光谱相机采集的图像中分割出来，具体包括：

采集稻米样品的图像，并将彩色的原图变为灰度图，采用OSTU算法得到稻米大概轮廓的二值图像；

将获得的图像进行膨胀操作使此时真实稻米的图像为膨胀后图像的子集，然后使用distanceTransform算法得到了每粒稻米的中心区域，中心区域图像为实际稻米图像的子集，把膨胀之后的图像减去中心区域就是不确定的稻米边缘区域；

使用connectedComponents算法创建一个掩码图像使每粒稻米的中心区域图像拥有自己的标号，并使用不同的颜色表示每粒稻米的编号；

利用分水岭算法得到每粒稻米边缘的确切位置，对每稻米依次裁剪，在每次裁剪之前在原图中只保留一粒稻米，最终通过获取的确切位置将单粒稻米从图像中分割出来。

8.根据权利要求6所述的基于机器视觉技术的稻米表型监测方法，其特征在于，所述步骤S3中，从分割后的单粒稻米的图像中获取其颜色特征、纹理特征，将得到的单粒稻米进行二值化操作，通过像素点的连通区域来得到稻米的形态特征，具体包括：

采用SURF算法提取单粒稻米的特征，首先使用积分图来计算卷积，然后使用Hessian响应来衡量某点是否为特征点，并创建描述子来描述该特征，将获取的特征放入分类器通过机器学习方法对稻米的质量进行分类。

9.根据权利要求8所述的基于机器视觉技术的稻米表型监测方法，其特征在于，所述机器学习方法具体包括：

将卷积神经网络VGG16模型作为基础模型，模型总共有16层，13个卷积层和2个全连接层，第一次经过64个卷积核的两次卷积后，采用一次pooling层，第二次经过两次128个卷积核卷积后，再采用pooling层，再经过三次256个卷积核卷积，再采用pooling层，再重复两次三个512个卷积核卷积后，再pooling层，接着经过两次大小为256的全连接和一个Dropout层，最终通过softmax进行分类。