[发明专利]一种基于卷积神经网络的小麦杂质图像检测方法

说明书

本发明公开了一种基于卷积神经网络的小麦杂质图像检测方法，涉及计算机视觉与图像处理领域，通过建立小麦籽粒和杂质图像数据库，优化设计基于ResNet的识别模型，实现小麦籽粒和杂质的快速识别与分类，本发明识别精度高、识别时间短，能够满足小麦图像实时检测的需求。

技术领域

本发明涉及机器视觉技术领域，更具体的说是涉及一种基于卷积神经网络的小麦杂质图像检测方法。

背景技术

小麦是世界上总产量第二的粮食作物，仅次于玉米，栽培历史已有1万年以上，小麦的颖果是人类的主食之一，小麦的磨粉工艺是关乎面粉质量优劣的关键因素，小麦在进行磨粉前，其中间的杂质未能除尽，这不仅会对面粉的质量造成一定的影响，同时也会影响磨粉设备的寿命，因此，掺杂率是评价小麦质量等级和价格的重要指标之一。

目前，小麦杂质识别方法主要分为感官检测法和图像检测法。感官检测法是检测人员依据经验和肉眼主观判断对小麦杂质进行分类，容易掺杂主观因素，给小麦质量分级带来很大的不确定性；图像检测法方面，研究人员通过线性判别分析模型、人工神经网络等技术对小麦与杂质识别进行研究，虽然其识别准确率均在90％以上，但此类方法的计算过程相对繁琐，算法性能依赖于所提取的输入数据特征，不能满足实际小麦图像实时检测的需求。

在农业领域，不少研究者将卷积神经网络应用于小麦研究之中，与线性判别分析模型、人工神经网络等技术相比，卷积神经网络可以直接对原始图像进行识别，避免了复杂的人工特征设计、选取、优化等过程，从而不再需要其它的算法进行特征提取。

因此，为了能够满足小麦图像实时检测的需求，如何提供一种基于卷积神经网络的小麦杂质图像检测方法，是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于卷积神经网络的小麦杂质图像检测方法，该方法识别精度高、识别时间短、模型较小，满足小麦杂质识别的实时性需求。

为了实现上述目的，本发明提供如下技术方案：

一种基于卷积神经网络的小麦杂质图像检测方法，包括：

S100：采集包含杂质的小麦籽粒图像；

S200：对采集的包含杂质的小麦籽粒图像进行预处理，构建小麦籽粒和杂质图像数据库；

S300：将所述小麦籽粒和杂质图像数据库中的数据进行划分，划分为训练集及测试集；

S400：构建ResNet网络模型，并对所述ResNet网络模型进行优化，得到优化后的ResNet网络模型；

S500：根据所述优化后的ResNet网络模型对所述测试集进行测试，得到测试结果。

优选的，所述步骤S200包括：

S210：将采集的包含杂质的小麦籽粒图像转化为灰度图；

S220：将所述灰度图阈值分割后转化为二值图；

S230：若所述二值图中存在多籽粒图像，则将所述多籽粒图像分割为单籽粒图像；

S240：对所述单籽粒图像进行扩充；

S250：扩充后构建小麦籽粒和杂质图像数据库。

优选的，所述步骤S400构建的ResNet网络模型包括依次连接的：第一卷积层、第一残差层、第二残差层、第三残差层、第一池化层、第二池化层、全局平均池化层、全连接层以及输出层。通过简化ResNet网络模型的大小，减少网络模型的加载时间。

优选的，所述第一残差层、所述第二残差层以及所述第三残差层均包含多个残差块，其中，

所述第一残差层的残差块数量为2个；