基于IDS-YOLO的粮堆表面小麦不完善粒实时检测方法

现阶段仓内粮堆表面的粮情检测可由智能设备协助完成。智能设备所采集的粮堆表面图片背景密集复杂、颗粒互相重叠对检测形成噪声干扰。为解决目标检测算法对不完善颗粒的高漏检率并提高模型检测速度,本研究对轻量化网络模型YOLOV4-Tiny进行优化。首先,增加小目标检测层提升高语义信息利用率,其次,嵌入基于指数思想优化的SENet注意力机制模块,由此设计增强特征提取网络提升模型在复杂背景中对不完善颗粒的特征提取能力,提高检测精度并降低漏检率。最后,以深度可分离卷积作为主干部分残差网络的特征提取方式,减少模型的参数计算量,优化模型部署并解决实时性差的问题。实验表明本研究所提出的改进算法IDS-YOLO在检测速度和检测精度之间达到了平衡,相比于其他对比算法模型的均值平均精度平均提升了6.2%;帧率值达到88.03,满足实时检测的要求,改进后模型参数量的大小仅有5.51 MB。

基于机器视觉的小麦不完善粒快速分析仪适用性评价

小麦不完善粒是评价小麦质量的关键指标,本研究对基于机器视觉的小麦不完善粒快速分析仪开展全面的适用性评价。包括对开发的全自动仪器检测小麦不完善粒含量的可靠性、重复性、稳定性、台间差、与标准方法进行对比等参数进行分析。结果显示:可靠性检t值为-0.14,P值为0.887,大于0.05,仪器的测定结果与国家标准方法(GB/T 5494—2019)的人工测定结果之间无显著性差异,仪器检测可靠性通过检验;重复性反差分析P值为1.000,大于0.05,重复性X 2值均小于X 2临界值11.07,极差值均小于临界极差值0.71%,重复性通过检验;稳定性ADF检验统计量的t值为-6.48,小于显著性水平为1%情况的t值-4.58,稳定性数据的X 2值为12.8,临界值为16.92,稳定性极差临界值为0.8%,本次数据的极差为0.75%,稳定性通过显著性检验;台间差数据的检验结果的t值为-0.92,P值为0.373,P值大于0.05,说明在5%的显著性水平下不能拒绝2种方法差值为零的原假设;该仪器测定与人工方法对比P值为0.887,大于0.05,且克服了人工方法主观性强、费时费力等不足,极大提高了准确性和时效性。

基于近红外高光谱成像技术的小麦不完善粒检测方法研究

小麦作为主要的粮食作物在我国农业生产、运输、食品加工等方面占有重要地位。不完善籽粒严重影响了小麦质量与粮食安全。不完善籽粒主要在生产、存储、包装等过程中产生,目前我国小麦质量检测多以人工分选为主,但存在人主观性较强,肉眼易疲劳,且费时费力等问题,因此,如何快速准确鉴别小麦不完善粒是现阶段提高生产率和保证粮食安全的重要问题。运用高光谱成像技术和特征波段选取方法提出一种快速有效的小麦不完善粒鉴别方法。利用近红外高光谱成像系统获得1 000粒小麦样本在862.9～1 704.2nm共256个波段的高光谱反射图像,其中包括健康粒、生芽粒、霉变粒和赤霉粒各250粒,提取每个样本感兴趣区域的平均反射率光谱作为分类特征。本文首先对提取的全波段光谱信息进行窗口平滑、一阶导数差分、矢量归一化等数据预处理,将原始光谱数据的隐藏信号放大并消除随机误差;在预处理的基础上运用伪偏最小二乘(DPLS)和正交化线性判别分析(OLDA)对光谱进行特征提取,降低数据的冗余度;最后采用仿生模式识别(BPR)建立四类小麦的鉴别模型。实验结果表明,采用全波段光谱信息建立的小麦不完善粒鉴别模型的平均识别精度达到97.8%,分析结果可知,利用近红外高光谱成像技术的全波段光谱信息对小麦不完善粒鉴别是可行的。尽管全波段光谱信息取得了较好的鉴别效果,但高光谱成像设备较为昂贵,获取高光谱全波段光谱信息数据量较大,无法满足对现场设备运算速度的高要求,因此,采用连续投影算法(SPA)对全波段光谱数据进行特征波段的选择,使波段数量由256维降低到10维,从而提高系统的可行性和运算速度。采用选取的10个特征波段建立小麦不完善粒鉴别模型,实验结果表明10个特征波段的平均识别精度仅为83.2%,分析结果可知,尽管采用10个特征波段提高了系统实时性,但鉴别准确性较差。为达到与全波段特征基本相当的鉴别效果,利用光谱特征与图像特征结合的方法建立小麦不完善粒鉴别模型,将上述选取的10个特征波段的形态信息、纹理信息和光谱信息进行结合,实验结果表明,10个特征波段的光谱信息与图像信息结合使鉴别的平均识别精度达到94.2%,此识别效果与利用全波段光谱数据的识别效果基本相当。利用高光谱成像系统探索了小麦不完善粒鉴别的可行性,通过分析以上实验可知,基于近红外高光谱成像技术对小麦不完善粒检测具有良好的效果,在有效的提高运算速度的同时也保证了系统的鉴别精度,为后期小麦不完善粒快速检测设备的开发提供了有效的研究方向。

基于CNN-DBN的小麦不完善粒识别技术研究

针对在实际应用场景下,小麦不完善粒识别数据较少所产生识别率不佳的问题,提出并实现了基于迁移学习的CNN-DBN小麦不完善粒识别方法。利用基于大型公开数据集ImageNet的预训练深度卷积神经网络(CNN)中的VGG-16、VGG-19和ResNet50进行小麦特征提取,将获取的特征加以融合并输送至深度信念网络(DBN)进行分类。结果表明:CNN和DBN结合的方法用于小麦不完善粒识别,其中迁移学习VGG-16+VGG-19+ResNet50-DBN模型性能最好,其测试准确率可达91.86%;CNN-DBN模型既避免了小麦复杂的特征提取步骤,又使不完善粒识别因数据集规模小而导致识别率不理想的问题得到了改善;特征融合的方法使提取到的小麦图像信息更加丰富、全面。CNN-DBN模型结合了有监督网络和无监督网络的优点,对高维数据有更好的分类能力,为小麦不完善粒识别提供了理论支持。

小麦不完善粒快速检测仪器研究

采用图像分析技术与自动控制技术,将人工智能技术应用于小麦不完善粒检测,研究开发了小麦不完善粒指标的自动快速无损检测仪器。通过验证该仪器检测小麦不完善粒的准确性、重复性、稳定性、台间差等相关性能参数,结果表明:该仪器检测性能稳定,准确性、重复性、稳定性、台间差均符合行业标准要求,操作简单,检测速度快,克服了人工检测主观性强、重复性差、不同人员间检验一致性较差等问题,可实现小麦不完善粒的自动快速无损检测,能够满足粮食收储企业、加工企业和检测机构的检测需要。

结合图像增强和卷积神经网络的小麦不完善粒识别

针对实际应用场景下,小麦籽粒图像背景单一以及小麦不完善粒的不完善特征大多是局部特征而大部分图像特征与正常粒无异的特点,提出一种基于细节的图像增强(IE)的小麦不完善粒识别方法。首先,使用交替最小化算法约束原图在水平方向和竖直方向的L0范数来平滑原图作为基础图层,并用原图减去基础图层得到图像的细节层;然后,突出细节层后将其与基础图层叠加以增强图像;最后,将增强后的图像作为卷积神经网络(CNN)的输入,使用加入了批正则化(BN)层的CNN对图像进行识别。分别以经典分类网络LeNet-5、ResNet-34、VGG-16和在其中添加BN层的这些网络作为分类网络,增强前后的图像作为输入来进行分类实验,并以测试集准确率评估性能。实验结果表明,三个经典分类网络均在添加了BN层后而使用相同输入时的测试集准确率提高了5个百分点,在使用细节增强后的图像作为输入时三个网络的测试集准确率提高了1个百分点,以上二者联合使用时三个网络均获得超过7个百分点的测试集准确率提升。

基于CNN深度模型的小麦不完善粒识别

针对小麦不完善粒识别中传统图像处理方法需要复杂的特征提取且识别效果不佳的问题,设计并实现基于CNN深度模型的小麦不完善粒识别方法。建立图像数据库Wheat Image,并结合空间金字塔池化理论构建CNN网络模型,接着对样本集进行扩展,以提高模型泛化能力,设计双面识别方案并完成对小麦完善粒、破碎粒和病斑粒的识别。所提出的方法相对于传统的图像处理识别方法,识别率提高15个百分点;相对于常规CNN模型,识别率提高5%;对于引入噪声以及亮度改变的图像,识别率也达到90%以上;设计的双面识别方案有效地降低了识别的错误率。提出的方法不仅避免复杂的特征提取步骤,而且有效地提升麦粒识别率,对小麦的智能检测识别具有重要意义。

小麦不完善粒检测技术研究进展

分别从传统技术和计算机辅助技术2个方面对小麦不完善粒检测技术进行了介绍。重点介绍了基于机器学习和深度学习情况下小麦不完善粒检测技术的研究现状,以期为未来小麦的品质检测提供借鉴和参考。

基于高光谱融合图像的小麦不完善粒识别

在小麦不完善粒识别中,高光谱图像的光谱特征信息与高分辨率图像的空间结构信息对不同类别小麦的识别有着各自的优势。单纯地利用一种图像源进行小麦识别,无法解决单种数据源的信息局限性。首先通过将高光谱图像进行波段选择和分段主成分分析(PCA)数据降维,然后与高分辨率图像进行配准融合,用新的融合图像作为数据源来进行小麦分类识别。最后新的数据源在结合特征金字塔改进的VGG卷积网络识别算法中,平均识别率相较于高光谱图像和高分辨率图像分别提高6.08%以及3.34%。新数据源有效地融合两种信息源识别小麦的优势,提升识别准确率,进一步推进小麦不完善粒检测技术的发展。

基于SE_ResNeXt-50的小麦不完善粒分类研究

针对目前传统小麦不完善粒检测误差大、效率低、麦粒易受损坏等问题。提出一种基于分组卷积残差神经网络的小麦不完善粒分类模型。通过嵌入挤压激励模块(SE)改进ResNeXt-50分组卷积残差网络结构,将ResNeXt-50网络的残差输出结果进行挤压、激励后与原结果进行通道间相乘,提升网络对不同支路权重的感知。改进后模型可以更好地学习通道间的非线性相互作用和非互斥关系,提升模型训练效率,提高准确率。模型识别准确率可达96.12%,为小麦不完善粒的分类识别研究提供一种新的技术支持,进一步为国家储粮安全提供理论支持。

基于改进YOLOX的小麦不完善粒检测技术研究

针对现有小麦不完善粒检测方法存在适用性差、识别效率低的问题,提出一种基于改进YOLOX的小麦不完善粒检测算法。在3个小麦品种、不同拍摄高度和不同籽粒数量场景下采集小麦图像数据集。针对籽粒过小难以检测的问题,引入坐标注意力模型提升图像中不完善粒的显著度,并使用加权双向特征金字塔改进特征融合模块结构,实现了不同尺度不完善粒特征的有效融合。针对多目标检测实时性问题,使用深度可分离卷积模块轻量化特征提取网络,降低网络的计算参数量,提高检测速度。结果表明,改进后的模型检测漏检率小于5%,对不完善粒的平均检测精度达到93.43%,检测速度为37 fps,相较于原YOLOX网络,检测精度和速度分别提高了2.58百分点和5.78 fps。该方法可以在不同籽粒大小、颗粒数量以及不同密集程度情况下对小麦不完善粒进行有效识别检测,可为进一步的小麦不完善粒实时检测和统计应用提供技术参考。

小麦不完善粒图像采集技术及检测设备研发

针对现阶段国内外小麦不完善粒研究仍存在检测识别率不高、检测条件苛刻、检测时间过长等问题,开发了一套基于图像识别的小麦不完善粒快速检测技术,对图像采集、关键硬件、机器视觉和深度学习等做了一系列研究.研究结果表明,开发的小麦不完善粒图像检测设备对一个标准小麦样品检测时间能够控制在10 min以内,对不完善粒的平均识别率达到80%以上.相较于传统的人工检测,检测周期大大缩短,同时避免了不同质检员之间的感官误差,对于小麦快速收购、储存管理和品级鉴定具有重要意义,同时对于农业自动化检测技术的发展也具有积极意义.

小麦不完善粒智能识别研究

随着计算机技术的快速发展,小麦在不完善粒智能识别方面取到了良好效果。本文从图像处理、机器学习、深度学习等方面综述了小麦不完善粒智能识别的研究现状及发展方向。

基于频谱特性和自适应虫孔定位的小麦识别

为了实现对小麦不完善粒批量、快速、准确地识别,提出了一种基于小麦图像特征的小麦不完善粒识别方法。采集不完善粒小麦图像,对每粒小麦图像提取其自适应虫孔特征、频谱特性、周长、最小外接圆面积等89维特征参数。研究结果表明,对于常见小麦不完善粒类别,尤其是发芽粒和生虫粒具有较高的识别率。该识别方法对正常粒、破碎粒、生虫粒、生病粒、发芽粒的识别率分别为98. 75%、97. 50%、93. 02%、99%、96. 25%,平均识别率为96. 90%,相较于传统的图像处理识别方法,识别准确率提高20%左右,表明提出的方法能有效运用于小麦不完善粒检测实际应用场景中。