基于YOLO模型的小麦外观分类算法研究

小麦种植广泛且营养丰富,其品质问题需要重点关注。小麦品质的衡量指标主要是不完善粒占比。为此,需要对小麦颗粒进行分类识别。提出了1种基于你只看一次(YOLO)模型的小麦外观自动分类算法,创新性地将YOLO模型应用于小麦外观分类场景。对采集得到的小麦样本图像切割、筛选、扩充和标记,构建了完善粒与不完善粒图像库。对YOLO网络进行了训练,利用训练后的模型对麦粒图像进行了测试,实现了完善粒、不完善粒分别为91.7%、87.1%的分类准确率。这种自动分拣麦粒的检验方法避免了人工视觉疲劳后的误判,而且检测效率显著提高,为小麦外观分类研究提供了新的思路。

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Python-OpenCV图像处理技术的小麦不完善粒识别研究

为解决传统图像采集时采集到的图像不能实时传输到计算机并及时标记处理、镜头与载物板之间距离不易控制、光源不均、籽粒必须整齐摆放等问题,以及为实现图像处理技术在小麦不完善粒识别中的应用,设计一个采集小麦图像的简易装置,研究一种基于OpenCV计算机视觉库和Python语言的小麦不完善粒图像处理方法,并结合Keras框架的VGG16神经网络模型对小麦籽粒进行识别测试。通过对采集到的不同类型的小麦籽粒图像进行图像增强与形态学处理后,执行k均值聚类图像分割和统一处理,将小麦单籽粒图像建成图像数据库用于Keras框架下的VGG16神经网络模型训练,训练得到的模型对小麦不完善粒与完善粒进行检测识别。结果表明,使用Python-OpenCV图像处理技术可显著增强小麦籽粒图像外观特征,在此基础上的VGG16神经网络模型对小麦图像中随机分布的不完善粒识别准确率高达85.4%。此图像处理方法可有效用于小麦不完善粒的识别,可为小麦不完善粒的智能、快速、无损检测设备的研发提供理论支撑。

小麦中呕吐毒素含量与质量的关系及其在加工过程中的变化研究

研究检测小麦样品中容重、赤霉病粒、不完善粒、色泽以及呕吐毒素等指标,通过数据分析,得出小麦呕吐毒素含量与赤霉病粒存在一定的正相关,并检测小麦籽粒不同部位呕吐毒素的含量。结果显示,皮层、糊粉层高于胚乳;对小麦进行筛理,去除杂质和赤霉病粒,发现经过筛理小麦中呕吐毒素含量会下降4.6%~22%;对比分析小麦粉和小麦粉馒头中呕吐毒素的含量,发现小麦粉通过蒸煮等加工过程,呕吐毒素含量并不会减少,仍然有较高残留。

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。

小麦不完善粒的成因及解决办法

根据小麦不完善粒的特点,综合胶东地区近几年小麦收购质量变化情况,提出小麦不完善粒形成原因和解决办法。

生芽、生霉、破损及赤霉病粒等典型不完善粒对小麦中呕吐毒素含量的影响

为探究生芽、生霉、破损及赤霉病粒等典型不完善粒对小麦样品中呕吐毒素含量的影响,将不同类型不完善粒小麦以不同比例掺入呕吐毒素含量为50μg/kg符合国家标准的优质小麦中进行检测。结果表明,生芽、生霉及破损粒的含量与小麦样品中呕吐毒素检测值无显著相关关系。赤霉病粒含量的增加显著提高了小麦样品中呕吐毒素检测值。赤霉病粒含量与呕吐毒素检测值呈显著正相关关系(p<0.05),相关系数为0.97。剔除生芽、生霉、破损及赤霉病粒等不完善粒可显著降低小麦样品的呕吐毒素检测值。