[发明专利]一种基于Mask R-CNN的谷物含杂-破碎识别方法与系统

权利要求书

1.一种基于Mask R-CNN的谷物含杂-破碎识别方法，其特征在于：

嵌入式处理器调用改进后的Mask R-CNN算法对保存的谷物图像进行处理，得到谷物的破碎率和含杂率，所述破碎率、含杂率在显示装置显示，同时保存数据到本地并且通过CAN总线传送到上位机；

所述改进后的Mask R-CNN算法对保存的谷物图像进行处理，具体为：谷物图片在Resnet101和特征金字塔网络中共享卷积层，提取谷物图片的特征图谱，在特征图谱上使用RPN区域建议网络生成目标建议框，使用ROI Align方法处理所述目标建议框，最后对目标建议方内的目标进行Softmax分类、利用全卷积网络和边缘检测进行分割、方框回归。

2.根据权利要求1所述的基于Mask R-CNN的谷物含杂-破碎识别方法，其特征在于，所述在特征图谱上使用RPN区域建议网络生成目标建议框，具体为：在图像中在可能有目标的地方使用方框圈出来，然后对这些方框进行分类以及回归，得到最有可能包括目标的方框。

3.根据权利要求1所述的基于Mask R-CNN的谷物含杂-破碎识别方法，其特征在于，所述改进后的Mask R-CNN算法，具体为：

在Mask R-CNN框架中增加一个边缘检测的分支网络；

在计算损失函数时加入边缘损失函数：

L＝L_RPN+L_cls+L_box+L_mask+L_edge

其中：L为总损失函数，L_RPN为RPN网络损失函数，L_cls为分类损失函数，L_box为方框回归损失函数，L_mask为掩码损失函数，L_edge为边缘检测损失函数。

4.根据权利要求3述的基于Mask R-CNN的谷物含杂-破碎识别方法，其特征在于，所述边缘检测损失函数为：边缘检测分支网络检测到的边缘与真实边缘的平均二值交叉熵。

5.根据权利要求1所述的基于Mask R-CNN的谷物含杂-破碎识别方法，其特征在于，所述破碎率和含杂率的获取过程为：对处理后的谷物图像内的破碎籽粒以及杂质进行掩码分割，分割完后对破碎籽粒以及杂质的掩码进行像素计算，使用破碎籽粒面积、杂质面积以及谷物图像中目标总面积计算谷物的含杂率和破碎率。

6.根据权利要求5所述的基于Mask R-CNN的谷物含杂-破碎识别方法，其特征在于，所述含杂率其中x为正常籽粒一个像素所对应的质量，y为杂质一个像素所对应的质量，z为破碎籽粒一个像素所对应的质量，s为图中目标总面积，s₁为杂质面积，s₂为破碎籽粒面积。

7.根据权利要求5所述的基于Mask R-CNN的谷物含杂-破碎识别方法，其特征在于，所述破碎率其中x为正常籽粒一个像素所对应的质量，y为杂质一个像素所对应的质量，z为破碎籽粒一个像素所对应的质量，s为图中目标总面积，s₁为杂质面积，s₂为破碎籽粒面积。

8.一种实现权利要求1-7任一项权利要求所述的基于Mask R-CNN的谷物含杂-破碎识别方法的识别系统，其特征在于，包括在线谷物捕获装置、嵌入式处理器以及显示装置，嵌入式处理器分别与在线谷物捕获装置和显示装置连接，嵌入式处理器用于用改进后的MaskR-CNN算法对保存的谷物图像进行处理，得到谷物的破碎率和含杂率。