发布信息

基于多光谱图像的葵花籽内霉检测方法、电子设备及介质 专利技术说明

作者:admin      2022-11-30 07:56:14     957



计算;推算;计数设备的制造及其应用技术1.本发明涉及葵花籽无损检测领域,更具体地,涉及一种基于多光谱图像的葵花籽内霉检测方法、电子设备及介质。背景技术:2.现有技术中内霉污染葵花籽传统检测手段多以人工操作为主,缺少客观、高效自动化技术带来的检测效率和质量把控问题。因此,有必要开发一种基于多光谱图像的葵花籽内霉检测方法、电子设备及介质。3.公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。技术实现要素:4.本发明提出了一种基于多光谱图像的葵花籽内霉检测方法、电子设备及介质,实现对葵花籽壳内籽仁品质的带壳无损检测。5.第一方面,本公开实施例提供了一种基于多光谱图像的葵花籽内霉检测方法,包括:6.获取葵花籽的光谱图像,获得对应葵花籽的光谱特征与图像、纹理特征;7.根据所述葵花籽的光谱特征与纹理特征,对所述葵花籽进行分类;8.计算所述葵花籽的内霉概率分布,根据所述葵花籽的分类与内霉概率进行拟合,获得内霉预测模型;9.将待测葵花籽代入所述内霉预测模型中,预测所述待测葵花籽的内霉概率。10.优选地,根据内霉的外部图像特征,将所述葵花籽的类别分为i类,ii类和iii类:11.i类为16*16像素区域内有白色感染的霉变;12.ii类为16*16像素区域内有黄色的霉变;13.iii类为16*16像素区域内无霉变。14.优选地,计算所述葵花籽的内霉概率分布,根据所述葵花籽的分类与内霉概率进行拟合,获得内霉预测模型包括:15.获得所述葵花籽在smo和resnet的原始预测值;16.分别建立smo原始预测值、resnet50原始预测值与所述葵花籽无内霉感染的拟合分布概率函数;17.根据所述拟合分布概率函数建立所述内霉预测模型。18.优选地,所述内霉预测模型为:19.f(u,v)=αu+(1-α)vꢀꢀꢀ(1)20.其中,f(u,v)为最终的输出概率,u为smo原始预测值与所述葵花籽无内霉感染的拟合分布概率函数,v为resnet50原始预测值与所述葵花籽无内霉感染的拟合分布概率函数,α为其中一个模态的权重,0≤α≤1。21.优选地,输入多个确定内霉的葵花籽数据,代入所述内霉预测模型中进行迭代拟合,获得最终的权重。22.优选地,将待测葵花籽代入所述内霉预测模型中包括:23.获取所述待测葵花籽的光谱图像,获得所述待测葵花籽的光谱特征与纹理特征;24.根据所述待测葵花籽的光谱特征与纹理特征,对所述待测葵花籽进行分类;25.将所述待测葵花籽的类别代入所述内霉预测模型中。26.作为本公开实施例的一种具体实现方式,27.第二方面,本公开实施例还提供了一种电子设备,该电子设备包括:28.存储器,存储有可执行指令;29.处理器,所述处理器运行所述存储器中的所述可执行指令,以实现所述的基于多光谱图像的葵花籽内霉检测方法。30.第三方面,本公开实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的基于多光谱图像的葵花籽内霉检测方法。31.其有益效果在于:32.本发明围绕葵花籽的典型内霉污染,基于多光谱等光谱成像技术,结合深度学习和大数据分析技术,建立典型内霉不同污染程度坚果的光谱特征数据库,获取内霉污染葵花籽的定性鉴别模型和定量检测模型。综合考虑多光谱数据和光谱影像数据,实现对葵花籽壳内籽仁品质的带壳无损检测。同时搭建突破海量数据处理和实时传输技术,通过构建流水线处理和多路并行处理方法,完成光谱图像的实时在线处理,实现内霉污染葵花籽的快速、精准、稳定检测,保证葵花籽在线生产质量安全检测的实时性。33.本发明的方法和装置具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式共同用于解释本发明的特定原理。附图说明34.通过结合附图对本发明示例性实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施例中,相同的参考标号通常代表相同部件。35.图1示出了根据本发明的一个实施例的基于多光谱图像的葵花籽内霉检测方法的步骤的流程图。36.图2示出了根据本发明的一个实施例的葵花籽内霉检测设备的示意图。37.图3示出了根据本发明的一个实施例的葵花籽不同波长的光谱图像的示意图。38.图4示出了根据本发明的一个实施例的葵花籽类别的示意图。39.附图标记说明:40.1、多光谱相机;2、触摸显示屏;3、jeson nano开发板;4、传送带。具体实施方式41.下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。42.为便于理解本发明实施例的方案及其效果,以下给出三个具体应用示例。本领域技术人员应理解,该示例仅为了便于理解本发明,其任何具体细节并非意在以任何方式限制本发明。43.实施例144.图1示出了根据本发明的一个实施例的基于多光谱图像的葵花籽内霉检测方法的步骤的流程图。45.如图1所示,该基于多光谱图像的葵花籽内霉检测方法包括:步骤101,获取葵花籽的光谱图像,获得对应葵花籽的光谱特征与图像、纹理特征;步骤102,根据葵花籽的光谱特征与纹理特征,对葵花籽进行分类;步骤103,计算葵花籽的内霉概率分布,根据葵花籽的分类与内霉概率进行拟合,获得内霉预测模型;步骤104,将待测葵花籽代入内霉预测模型中,预测待测葵花籽的内霉概率。46.在一个示例中,根据内霉的外部图像特征,将葵花籽的类别分为i类,ii类和iii类:47.i类为16*16像素区域内有白色感染的霉变;48.ii类为16*16像素区域内有黄色的霉变;49.iii类为16*16像素区域内无霉变。50.在一个示例中,计算葵花籽的内霉概率分布,根据葵花籽的分类与内霉概率进行拟合,获得内霉预测模型包括:51.获得葵花籽在smo和resnet的原始预测值;52.分别建立smo原始预测值、resnet50原始预测值与葵花籽无内霉感染的拟合分布概率函数;53.根据拟合分布概率函数建立内霉预测模型。54.在一个示例中,内霉预测模型为:55.f(u,v)=αu+(1-α)vꢀꢀꢀ(1)56.其中,f(u,v)为最终的输出概率,u为smo原始预测值与葵花籽无内霉感染的拟合分布概率函数,v为resnet50原始预测值与葵花籽无内霉感染的拟合分布概率函数,α为其中一个模态的权重,0≤α≤1。57.在一个示例中,输入多个确定内霉的葵花籽数据,代入内霉预测模型中进行迭代拟合,获得最终的权重。58.在一个示例中,将待测葵花籽代入内霉预测模型中包括:59.获取待测葵花籽的光谱图像,获得待测葵花籽的光谱特征与纹理特征;60.根据待测葵花籽的光谱特征与纹理特征,对待测葵花籽进行分类;61.将待测葵花籽的类别代入内霉预测模型中。62.图2示出了根据本发明的一个实施例的葵花籽内霉检测设备的示意图。63.具体地,建立葵花籽内霉检测设备,设备上部设有触摸显示屏2,触摸显示屏2下部装有jetson nano开发板3,设备中部设有电源模块、多光谱相机1、分光元件,设备底部设有传送带4、采样仓以及照明仓。葵花籽内霉检测设备采用3d打印,分为对称的两部分,采用螺栓紧固,可拆卸。采样仓内部光源模块置于底部照明仓上方,屏幕置于顶部,其余模块皆至于腔壁。多光谱相机1发射405到1050纳米范围内的波长,包括选定的近红外(nir)波段。64.图3示出了根据本发明的一个实施例的葵花籽不同波长的光谱图像的示意图。65.图4示出了根据本发明的一个实施例的葵花籽类别的示意图。66.根据葵花籽内霉检测设备获取葵花籽的光谱图像,获得对应葵花籽的光谱特征与图像、纹理特征,葵花籽不同波长的光谱图像,共19个波段,如图3所示;根据葵花籽的光谱特征与纹理特征,对葵花籽进行分类,类别包括:i类为16*16像素区域内有类白色感染的霉变;ii类为16*16像素区域内有类黄色的霉变;iii类为16*16像素区域内无霉变,如图4所示。葵花籽内霉在外壳表面会有细微变化,主要表现为局部区域出现类白色和类黄色。其中类白色的hsv色彩空间三通道范围分别是[90-110],[50-70],[100-120];rgb色彩空间三通道范围分别是[90 110],[70 90],[90-11],可与外壳表皮自然脱落出现的白色相区别。类黄色hsv色彩空间三通道范围分别是[10-30],[80-100],[160-180];rgb色彩空间三通道范围分别是[150170],[120 140],[90-110]。同时内霉感染的类白色和类黄色均可分为轻度、中度和重度污染,污染等级与污染面积相关。[0067]分析多光谱图像特征,找到特征波段并加以分析。对于不同波长的光谱图像,由于瓜子霉变特征具有不规则性,rgb三分量直方图作为区分的一个指标。rgb三分量级一共有256个等级,由于相邻的灰度级所具有的含义相近,归一化直方图对256个rgb三分量级进行划分,共划分16个区域,然后提取每个区域的rgb三分量,共划分r1-r16,g1-g16,b1-b16。同时提取角二阶矩、对比度、熵、反差分矩阵4个特征值用于进一步分析。[0068]葵花籽内霉检测系统还包括服务器训练模型,将模型部署到jetson nano开发板,再jetson nano上检测葵花籽内霉。可以将服务器训练的模型自动部署到jetson nano上,同时jetson nano控制多光谱相机采集图像和光谱信息再上传到服务器训练。[0069]在处理光谱数据时候,序列最小最优化算法(sequential minimal optimization,简称smo)是由platt在1998年提出,用于解决多变量的凸优化问题。当变量个数很多的时候,一般的最优化算法通常无法有效求解最优解。此时,smo算法的作用就会体现的淋漓尽致。针对多变量的最优解问题,smo算法通过从变量集中选取两个变量,剩余的变量视为常量来计算局部最优解,然后再以递进的方式求出全局最优解。[0070]svm-smo算法需要解决的最优化问题:[0071][0072][0073]0≤αi≤c,i=1,2,…,n[0074]处理光谱图像时,运用resnet50深度学习框架,使用0.0001的权值衰减和0.9的动量,用bn中的权值初始化。这些模型是用桨训练的。从0.1的学习率开始,在32k和48k迭代时除以10,然后在64k迭代时终止训练。遵循一个简单的数据增强方法进行训练:每边填充4个像素,从填充的图像或其水平翻转中随机采样32×32个裁剪,并取得了良好的效果。并运用将空间注意力和通道注意力融合起来的模块shuffle attention(sa),该模块对分组卷积的每个组采取通道分割。对于通道注意力分支,采用全局平均池化产生通道相关的统计信息,然后使用参数来缩放和平移通道矢量并生成通道特征表达。对于空间注意力分支,采用组归一化来产生空间相关的统计信息并生成空间特征表达。将两个分支的特征合并后,使用channel shuffle操作来进行不同子特征间的通信,使网络有了更好的表征效果。[0075]将空间成像技术和光谱技术两种模态有效结合起来,利用多模态融合模型对葵花子内霉进行检测。考虑到光谱数据和图像数据两种模态的差异较大,维度差别较大,所以在单独用单模态用不同方法训练模型来鉴别葵花子内霉,得到较好准确率的同时,舍弃模型的sigmoid层,得到模型输出的原始数据,再建立联合分布概率,得到多模态融合后的鉴别结果。[0076]计算葵花籽的内霉概率,根据葵花籽的分类与内霉概率进行拟合,获得内霉预测模型包括:去除单模态模型的sigmoid层,获得葵花籽在smo和resnet的原始预测值;分别建立smo原始预测值、resnet50原始预测值与葵花籽无内霉感染的拟合分布概率函数;根据拟合分布概率函数建立内霉预测模型为公式(1),输入100个确定内霉的葵花籽数据,代入内霉预测模型中进行迭代拟合,α从0.5开始,要求f(u,v)在输入的数据中,好的大于α,坏的小于α,以0.001为步距,从而寻找最优的α。[0077]获取待测葵花籽的光谱图像,获得待测葵花籽的光谱特征与纹理特征;根据待测葵花籽的光谱特征与纹理特征,对待测葵花籽进行分类;将待测葵花籽的类别代入内霉预测模型中,预测待测葵花籽的内霉概率。[0078]本发明实现对葵花籽壳内籽仁品质的带壳无损检测,解决光谱数据如何与多光谱拍摄数据相融合问题,而且不丢失特征向量,针对内霉污染葵花籽的光谱图像特征在线提取和污染程度检测模型等在线处理问题,研究数据的处理系统和处理方法。[0079]实施例2[0080]本公开提供一种电子设备包括,该电子设备包括:存储器,存储有可执行指令;处理器,处理器运行存储器中的可执行指令,以实现上述基于多光谱图像的葵花籽内霉检测方法。[0081]根据本公开实施例的电子设备包括存储器和处理器。[0082]该存储器用于存储非暂时性计算机可读指令。具体地,存储器可以包括一个或多个计算机程序产品,该计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。[0083]该处理器可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中,该处理器用于运行该存储器中存储的该计算机可读指令。[0084]本领域技术人员应能理解,为了解决如何获得良好用户体验效果的技术问题,本实施例中也可以包括诸如通信总线、接口等公知的结构,这些公知的结构也应包含在本公开的保护范围之内。[0085]有关本实施例的详细说明可以参考前述各实施例中的相应说明,在此不再赘述。[0086]实施例3[0087]本公开实施例提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的基于多光谱图像的葵花籽内霉检测方法。[0088]根据本公开实施例的计算机可读存储介质,其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时,执行前述的本公开各实施例方法的全部或部分步骤。[0089]上述计算机可读存储介质包括但不限于:光存储介质(例如:cd-rom和dvd)、磁光存储介质(例如:mo)、磁存储介质(例如:磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如:存储卡)和具有内置rom的媒体(例如:rom盒)。[0090]本领域技术人员应理解,上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果,并不意在将本发明的实施例限制于所给出的任何示例。[0091]以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。









图片声明:本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明:本文中引用的各种信息及资料(包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主体(包括但不限于公司、媒体、协会等机构)的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理!本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明:我们致力于保护作者版权,注重分享,被刊用文章因无法核实真实出处,未能及时与作者取得联系,或有版权异议的,请联系管理员,我们会立即处理,本文部分文字与图片资源来自于网络,部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益,请立即通知我们,情况属实,我们会第一时间予以删除,并同时向您表示歉意,谢谢!

相关内容 查看全部