买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国农业大学

摘要：本发明涉及一种基于机器视觉的酿酒高粱掺假检测系统及方法，属于农产品无损检测技术领域。包括1、分别获取每种高粱品种的原始图像；2、从每种高粱品种的每一张原始图像中提取单粒高粱并生成同样大小尺寸的图像，并进行缺陷颗粒剔除；3、数据集的划分；4、Xception网络模型的结构调整；5、分别将步骤3得到的泸州红掺假判别模型、郎糯红掺假判别模型、宜糯红掺假判别模型和混合需求样品掺假判别模型的训练集和泸州红掺假判别模型、郎糯红掺假判别模型、宜糯红掺假判别模型和混合需求样品掺假判别模型的交叉验证集图像代入步骤4，得到的Xception网络中进行训练，得到训练后的泸州红掺假判别模型、郎糯红掺假判别模型、宜糯红掺假判别模型和混合需求样品掺假判别模型。

主权项：1.一种利用基于机器视觉的酿酒高粱掺假检测系统的基于机器视觉的酿酒高粱掺假检测方法，该系统包括：工业彩色相机1、LED白光穹顶光源2、黑色样品板3、筛网盘4和计算机5；黑色样品板3的上方设置有LED白光穹顶光源2，黑色样品板3上放置筛网盘4，LED白光穹顶光源2的发光区域面积大于筛网盘4的面积；LED白光穹顶光源2的顶部设有开口；工业彩色相机1竖直布置，工业彩色相机1的镜头由LED白光穹顶光源2的顶部开口朝向筛网盘4；工业彩色相机1和计算机5通过数据线连接；筛网盘4上设有多个筛网孔；其特征在于：该方法包括以下步骤：选取3种需求高粱品种：泸州红、郎糯红和宜糯红，以及与需求高粱品种外观差异最小的7种非需求高粱品种作为待测高粱样品；共建立4种分类模型，分别为泸州红掺假判别模型、郎糯红掺假判别模型、宜糯红掺假判别模型和泸州红、郎糯红、宜糯红混合的混合需求样品掺假判别模型；在进行掺假预测时，根据待检测的需求高粱品种，选择4种模型中的任一种进行检测；步骤1、分别获取每种高粱品种的原始图像；对于泸州红掺假判别模型，分别获取泸州红和7种非需求高粱品种的原始图像；对于郎糯红掺假判别模型，分别获取郎糯红和7种非需求高粱品种的原始图像；对于宜糯红掺假判别模型，分别获取宜糯红和7种非需求高粱品种的原始图像；对于泸州红、郎糯红、宜糯红混合的混合需求样品掺假判别模型，分别获取泸州红、郎糯红、宜糯红和7种非需求高粱品种的原始图像；7种非需求高粱品种分别为：金糯粱1号、金糯粱2号、金糯粱4号、金糯粱7号、金糯粱8号、金糯粱9号和辽宁红缨子；在获取每张图像时，每种高粱品种随机抽取一定量的高粱颗粒样品，利用筛网盘4将高粱颗粒样品分散开，利用工业彩色相机1采集高粱图像，每张图像上包含m个高粱颗粒；每种高粱品种分别获取n张图像，每张图像的尺寸为1944×2592，称之为原始图像；步骤2、从每种高粱品种的每一张原始图像中提取单粒高粱并生成同样大小尺寸的图像，并进行缺陷颗粒剔除；步骤2.1、对每种高粱品种的每一张原始图像进行预处理：对采集得到的每种高粱品种的每一张原始图像进行背景去除：选取R通道的图像进行二值化，利用中值滤波消除椒盐噪声；形态学处理：依次进行孔洞填充、两次形态学膨胀处理、孔洞填充、三次形态学腐蚀处理、三次形态学膨胀处理；此时，R通道的背景值全部为0，因此将R通道的背景赋值给G、B通道，三通道叠加后生成背景去除后的图像；步骤2.2、对步骤2.1中得到的图像进行裁剪，并生成包含单一高粱颗粒的小图像：步骤2.1中得到的图像背景像素值全为0，即全黑，此时，为从所述包含m个高粱颗粒的图像中生成m张包含单一高粱颗粒的小图像，首先将从步骤2.1中得到的图像二值化，随后获取图像中所有8连通区域的属性，生成尺寸为224×224的包含单一高粱颗粒的小图像，用于后期网络模型训练；步骤2.3、从步骤2.2中得到的包含单一高粱颗粒的小图像中剔除缺陷颗粒：将高粱颗粒范围内的白色区域像素与方框内区域像素之比大于14的颗粒视为破损颗粒，并将其去除；高粱颗粒范围内的白色区域像素与方框内区域像素之比即方框内像素值为255的像素个数与方框内总像素个数的比值；步骤3、数据集的划分；对每种高粱品种得到的每个尺寸为224×224的包含单一高粱颗粒的小图像都重复步骤2.3后，最终得到每种高粱品种的s张包含单一高粱颗粒的小图像；从每种高粱品种中抽取60％×s张小图像作为模型的训练集，10％×s张图像作为模型的交叉验证集，30％×s张图像作为模型的测试集；对于泸州红掺假判别模型，分别得到泸州红掺假判别模型的训练集、泸州红掺假判别模型的交叉验证集和泸州红掺假判别模型的测试集；对于郎糯红掺假判别模型，分别得到郎糯红掺假判别模型的训练集、郎糯红掺假判别模型的交叉验证集和郎糯红掺假判别模型的测试集；对于宜糯红掺假判别模型，分别得到宜糯红掺假判别模型的训练集、宜糯红掺假判别模型的交叉验证集和宜糯红掺假判别模型的测试集；对于混合需求样品掺假判别模型，分别得到混合需求样品掺假判别模型的训练集、混合需求样品掺假判别模型的交叉验证集和混合需求样品掺假判别模型的测试集；步骤4、Xception网络模型的结构调整；步骤4.1、将图像输入层的尺寸调整为224×224×3；采用z-score预处理方法在输入层对输入图像进行预处理；步骤4.2、调整图像最后一个全连接层；对于泸州红掺假判别模型，将全连接层的输出设置为8，即8种类别的高粱，包括泸州红和7种非需求高粱；对于郎糯红掺假判别模型，将全连接层的输出设置为8，即8种类别的高粱，包括郎糯红和7种非需求高粱；对于宜糯红掺假判别模型，将全连接层的输出设置为8，即8种类别的高粱，包括宜糯红和7种非需求高粱；对于混合需求样品掺假判别模型，将全连接层的输出设置为10，即10种类别的高粱，包括泸州红、郎糯红、宜糯红和7种非需求高粱；步骤4.3、采用Adam优化算法训练网络，设置批大小为64，学习率衰减率为0.1，每10代训练学习率衰减一次；步骤4.4、对Xception网络中的最大池化层进行抗锯齿处理；将步长为2的最大池化层，替换为步长为1的最大池化层和步长为2的下采样层；其中，卷积核的大小保持不变；步骤5、分别将步骤3得到的泸州红掺假判别模型、郎糯红掺假判别模型、宜糯红掺假判别模型和混合需求样品掺假判别模型的训练集和泸州红掺假判别模型、郎糯红掺假判别模型、宜糯红掺假判别模型和混合需求样品掺假判别模型的交叉验证集图像代入步骤4得到的Xception网络中进行训练，得到训练后的泸州红掺假判别模型、郎糯红掺假判别模型、宜糯红掺假判别模型和混合需求样品掺假判别模型；步骤5.1、将步骤3得到的泸州红掺假判别模型的训练集和泸州红掺假判别模型的交叉验证集图像代入步骤4得到的Xception网络中进行训练，得到训练后的泸州红掺假判别模型；利用步骤3得到的泸州红掺假判别模型的测试集图像代入所述泸州红掺假判别模型中进行测试，测试所得的混淆矩阵；步骤5.2、将步骤3得到的郎糯红掺假判别模型的训练集和郎糯红掺假判别模型的交叉验证集图像代入步骤4得到的Xception网络中进行训练，得到训练后的郎糯红掺假判别模型；利用步骤3得到的郎糯红掺假判别模型的测试集图像代入所述郎糯红掺假判别模型中进行测试，测试所得的混淆矩阵；步骤5.3、将步骤3得到的宜糯红掺假判别模型的训练集和宜糯红掺假判别模型的交叉验证集图像代入步骤4得到的Xception网络中进行训练，得到训练后的宜糯红掺假判别模型；利用步骤3得到的宜糯红掺假判别模型的测试集图像代入所述宜糯红掺假判别模型中进行测试，测试所得的混淆矩阵；步骤5.4、将步骤3得到的混合需求样品掺假判别模型的训练集和混合需求样品掺假判别模型的交叉验证集图像代入步骤4得到的Xception网络中进行训练，得到训练后的混合需求样品掺假判别模型；利用步骤3得到的混合需求样品掺假判别模型的测试集图像代入所述混合需求样品掺假判别模型中进行测试，测试所得的混淆矩阵。

全文数据：

权利要求：

百度查询： 中国农业大学 基于机器视觉的酿酒高粱掺假检测系统及方法