[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

说明书

本发明提供了一种基于Mask R‑CNN的谷物含杂‑破碎识别方法与系统，属于农业智能装备领域。本发明的识别系统包括在线谷物捕获装置、嵌入式处理器以及显示装置，嵌入式处理器用于用改进后的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。本发明采用边缘检测算法与Mask R‑CNN算法相结合来处理谷物图像，边缘检测算法可以帮助Mask R‑CNN算法更好的检测到目标的边缘，提高检测精度，进而提高含杂率、破碎率的识别精度。

技术领域

本发明属于农业智能装备领域，特别涉及一种基于Mask R-CNN的谷物含杂-破碎识别方法与系统。

背景技术

水稻和小麦是人民生活中的粮食主要来源，粮食的浪费也主要集中在这两种谷物及其制成的食物上面，然而粮食的损失与浪费在收获时所占的比例是最大的，为了从根源上减少粮食的浪费和损失，有必要在粮食收获时检测其含杂率与破碎率，减少浪费。

长期以来谷物含杂率、破碎率的检定由人工在粮食收获之后完成，无法制止粮食在收获过程中造成的损失与浪费，且人工检定含杂率、破碎率工艺复杂、耗时长，浪费大量的人力物力。

发明内容

针对现有技术中存在不足，本发明提供了一种基于Mask R-CNN的谷物含杂-破碎识别方法与系统，可以在谷物收获过程中捕获谷物并且实时监测谷物的含杂率、破碎率，减少谷物收获过程中粮食的损失与浪费。

本发明是通过以下技术手段实现上述技术目的的。

一种基于Mask R-CNN的谷物含杂-破碎识别方法，具体为：

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。

进一步地，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。

进一步地，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。

更进一步地，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。

进一步地，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。