CN114387226A - 大米等级划分方法、装置、设备及存储介质 - Google Patents
大米等级划分方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114387226A CN114387226A CN202111593155.7A CN202111593155A CN114387226A CN 114387226 A CN114387226 A CN 114387226A CN 202111593155 A CN202111593155 A CN 202111593155A CN 114387226 A CN114387226 A CN 114387226A
- Authority
- CN
- China
- Prior art keywords
- rice
- hyperspectral image
- image
- determining
- weight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 765
- 235000009566 rice Nutrition 0.000 title claims abstract description 765
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 764
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 235000013339 cereals Nutrition 0.000 claims description 51
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 230000004580 weight loss Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 9
- 230000008030 elimination Effects 0.000 claims description 7
- 238000003379 elimination reaction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 description 12
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 206010039509 Scab Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 206010063409 Acarodermatitis Diseases 0.000 description 2
- 206010025421 Macule Diseases 0.000 description 2
- 241000447727 Scabies Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 208000005687 scabies Diseases 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000008935 nutritious Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请提供一种大米等级划分方法、装置、设备及存储介质。该方法包括：对大米初始高光谱图像进行预处理获得待检测的大米高光谱图像；将待检测的大米高光谱图像输入至已训练的大米密度预测网络模型中，输出大米高光谱图像对应的大米密度信息；根据大米高光谱图像对应的大米密度信息确定大米高光谱图像对应的各类大米重量；根据大米高光谱图像对应的各类大米重量确定大米高光谱图像对应的大米等级。本申请的方法，采用预先训练的大米密度预测网络模型，能够得到较为准确的大米密度信息，进一步根据密度信息确定各类大米重量，从而根据各类大米重量确定大米等级，无需工人手动进行分类，不仅提高分类效率，而且有效提高了分类正确率。
Description
技术领域
本申请涉及大米品质检测技术领域，尤其涉及一种大米等级划分方法、装置、设备及存储介质。
背景技术
大米营养丰富，主要含有水分、碳水化合物、蛋白质、脂类、矿物质和维生素等。大米在加工过程中，需要经过以下过程：原粮收取，原粮清理、垄谷、谷糙分离、碾米、白米分级、色选、抛光、白米分级、成品大米打包、储存及运输。
在大米的生产过程中，需要对大米进行分级，大米质量等级是根据小碎米、不完善粒等为等级指标，通常将大米分为一级、二级、三级和四级四个等级，现有的大米分级主要是基于人工分级，分级人员通过肉眼对大米的外观进行观测，从而进行大米分级。
虽然人工分级方法简单，成本低，但是人工分级主要取决于各分级人员的主观性，得到的分级结果并不统一且分级结果不够准确，且人工分级的效率较低。
发明内容
本申请提供一种大米等级划分方法、装置、设备及存储介质，用以解决现有的基于人工划分大米等级的方式效率较低且分级结果不够准确的问题。
第一方面，本申请提供一种大米等级划分方法，包括：
获取大米初始高光谱图像，对大米初始高光谱图像进行预处理获得待检测的大米高光谱图像；
将待检测的大米高光谱图像输入至已训练的大米密度预测网络模型中，输出大米高光谱图像对应的大米密度信息；
根据大米高光谱图像对应的大米密度信息确定大米高光谱图像对应的各类大米重量；
根据大米高光谱图像对应的各类大米重量确定大米高光谱图像对应的大米等级。
可选地，所述对大米初始高光谱图像进行预处理获得待检测的大米高光谱图像，包括：
获取大米全白标定图像和大米全黑标定图像，根据大米全白标定图像、大米全黑标定图像以及大米初始高光谱图像获得校正后的大米高光谱图像；
对校正后的大米高光谱图像依次进行数据消冗处理及滤波去噪处理，获得待检测的大米高光谱图像。
可选地，所述根据大米高光谱图像对应的大米密度信息确定大米高光谱图像对应的各类大米重量，包括：
确定大米高光谱图像对应的各类大米轮廓信息；
根据大米高光谱图像对应的大米密度信息及大米高光谱图像对应的各类大米轮廓信息确定大米高光谱图像对应的各类大米重量。
可选地，所述确定大米高光谱图像对应的各类大米轮廓信息，包括：
根据大米高光谱图像得到大米RGB色彩模式图像，将大米RGB色彩模式图像输入至训练的大米类别检测网络模型中，输出大米RGB色彩模式图像对应的各粒大米位置信息及各粒大米类别信息；
对大米RGB色彩模式图像进行图像分割处理，获得各粒大米轮廓信息；
根据各粒大米位置信息、各粒大米类别信息以及各粒大米轮廓信息得到各类大米轮廓信息。
可选地，所述根据大米高光谱图像对应的各类大米重量确定大米高光谱图像对应的大米等级，包括：
根据大米高光谱图像对应的各类大米重量确定大米高光谱图像对应的全部大米总重量，并计算大米高光谱图像对应的各类异常大米总重量与全部大米总重量的比值，得到各类异常大米对应的占比；
将各类异常大米对应的占比与对应的各类异常大米阈值进行比较，并根据比较结果确定大米等级。
可选地，所述将待检测的大米高光谱图像输入至已训练的大米密度预测网络模型中，输出大米高光谱图像对应的大米密度之前，还包括：
从训练数据集合选择大米样本高光谱图像，将大米样本高光谱图像输入至预设大米密度预测网络模型中，输出大米样本高光谱图像对应的大米预测密度信息；
根据大米预测密度信息确定各图像对应的大米预测总重量，并根据各图像对应的大米预测总重量确定第一大米重量损失值；
根据第一大米重量损失值确定网络损失函数值，更新网络损失函数对应的网络权重参数，直至迭代次数达预设迭代次数；
将最小网络损失函数对应的网络权重参数对应的预设大米密度预测网络模型确定为最优大米密度预测网络模型，对最优大米密度预测网络模型进行测试，得到第二大米重量损失值；
若第二大米重量损失值小于或等于预设损失值，则将最优大米密度预测网络模型确定为已训练的大米密度预测网络模型。
可选地，所述根据大米预测密度信息确定各图像对应的大米预测总重量，包括：
确定各图像对应的各类大米轮廓信息，并根据大米预测密度信息以及各图像对应的各类大米轮廓信息确定各图像对应的大米预测总重量。
第二方面，本申请提供一种大米等级划分装置，包括：
预处理单元，用于获取大米初始高光谱图像，对大米初始高光谱图像进行预处理获得待检测的大米高光谱图像；
预测单元，用于将待检测的大米高光谱图像输入至已训练的大米密度预测网络模型中，输出大米高光谱图像对应的大米密度信息；
确定单元，用于根据大米高光谱图像对应的大米密度信息确定大米高光谱图像对应的各类大米重量；
确定单元，还用于根据大米高光谱图像对应的各类大米重量确定大米高光谱图像对应的大米等级。
第三方面，本发明提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如如第一方面所述的方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的方法。
本申请提供的一种大米等级划分方法、装置、设备及存储介质，通过获取大米初始高光谱图像，对大米初始高光谱图像进行预处理获得待检测的大米高光谱图像；将待检测的大米高光谱图像输入至已训练的大米密度预测网络模型中，输出大米高光谱图像对应的大米密度信息；进一步根据大米高光谱图像对应的大米密度信息确定大米高光谱图像对应的各类大米重量；从而根据大米高光谱图像对应的各类大米重量确定大米高光谱图像对应的大米等级，采用预先训练的大米密度预测网络模型，能够得到较为准确的大米密度信息，进一步根据密度信息确定各类大米重量，从而根据各类大米重量确定大米等级，无需工人手动进行分类，不仅提高分类效率，而且有效提高了分类正确率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本发明提供的大米等级划分方法的网络架构示意图；
图2是本发明实施例一提供的大米等级划分方法的流程示意图；
图3是本发明实施例二提供的大米等级划分方法的流程示意图；
图4是本发明实施例三提供的大米等级划分方法的流程示意图；
图5是本发明实施例四提供的大米等级划分方法的流程示意图；
图6是本发明实施例五提供的大米等级划分方法的流程示意图；
图7是本发明实施例六提供的大米等级划分方法的流程示意图；
图8是本发明一实施例提供的大米等级划分装置的结构示意图；
图9是用来实现本发明实施例的大米等级划分方法的电子设备的框图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了清楚理解本申请的技术方案，首先对现有技术的方案进行详细介绍。
大米在加工过程中，需要经过以下过程：原粮收取，原粮清理、垄谷、谷糙分离、碾米、白米分级、色选、抛光、白米分级、成品大米打包、储存及运输。大米质量等级是根据小碎米、不完善粒等为等级指标，通常将大米分为一级、二级、三级和四级四个等级，现有的大米分级主要是基于人工分级，分级人员通过肉眼对大米的外观进行观测，从而进行大米分级。
基础人工分级方法较为简单，成本低，但是人工分级主要取决于各分级人员的主观性，造成多个分级人员得到分级结果并不相同，使得分级结果并不统一且分级结果不够准确，且人工分级的效率较低。
所以针对现有技术中基于人工划分大米等级的方式效率较低且分级结果不够准确的问题，发明人在研究中发现，对大米初始高光谱图像进行预处理获得待检测的大米高光谱图像，将待检测的大米高光谱图像输出至已训练的大米密度预测网络模型中，输出大米高光谱图像对应的大米密度信息，根据大米密度信息确定大米高光谱图像中各类大米重量，根据各类大米重量确定大米高光谱图像对应的大米等级，采用预先训练的大米密度预测网络模型，能够得到较为准确的大米密度信息，进一步根据密度信息确定各类大米重量，从而根据各类大米重量确定大米等级，无需工人手动进行分类，不仅提高分类效率，而且有效提高了分类正确率。
所以发明人基于上述的创造性发现，提出了本发明实施例的技术方案。下面对本发明实施例提供的大米等级划分方法的网络架构及应用场景进行介绍。
如图1所示，本发明实施例提供的大米等级划分方法对应的网络架构中包括：电子设备1、高光谱摄像机2以及检测台3。电子设备1与高光谱摄像机2进行通信连接。预先将大米平铺在黑色背景的检测台3上，米粒之间无交叠。电子设备1向高光谱摄像机2发送拍照指令，高光谱摄像机2根据拍照指令拍摄位于检测台3上的大米，得到大米初始高光谱图像。电子设备1获取高光谱摄像机2拍摄的大米初始高光谱图像，电子设备1对大米初始高光谱图像进行预处理获得待检测的大米高光谱图像，进一步将待检测的大米高光谱图像输入至已训练的大米密度预测网络模型中，输出大米高光谱图像对应的大米密度信息；进一步根据大米高光谱图像对应的大米密度信息确定大米高光谱图像对应的各类大米重量；根据大米高光谱图像对应的各类大米重量确定大米高光谱图像对应的大米等级。采用预先训练的大米密度预测网络模型，能够得到较为准确的大米密度信息，进一步根据密度信息确定各类大米重量，从而根据各类大米重量确定大米等级，无需工人手动进行分类，不仅提高分类效率，而且有效提高了分类正确率。
以下将参照附图来具体描述本发明的实施例。
实施例一
图2是本发明实施例一提供的大米等级划分方法的流程示意图，如图2所示，本实施例提供的大米等级划分方法的执行主体为大米等级划分装置，该大米等级划分装置位于电子设备中，则本实施例提供的大米等级划分方法包括以下步骤：
步骤101，获取大米初始高光谱图像，对大米初始高光谱图像进行预处理获得待检测的大米高光谱图像。
本实施例中，将大米平铺在黑色背景的检测台上，米粒之间无交叠，采用高光谱摄像机拍摄大米高光谱图像，获取大米初始高光谱图像，对大米初始高光谱图像进行预处理，预处理包括图像校正、数据消冗以及滤波去噪，获得待检测的大米高光谱图像。
步骤102，将待检测的大米高光谱图像输入至已训练的大米密度预测网络模型中，输出大米高光谱图像对应的大米密度信息。
本实施例中，将待检测的大米高光谱图像输入至已训练的大米密度预测网络模型中，输出大米高光谱图像对应的大米密度信息，其中，大米密度信息包括大米密度图像以及大米密度值。
步骤103，根据大米高光谱图像对应的大米密度信息确定大米高光谱图像对应的各类大米重量。
本实施例中，大米类别包括碎粒大米、垩白大米、黄粒大米、病斑大米、重垩大米及正常大米，待检测的大米可能包括碎粒大米、垩白大米、黄粒大米、病斑大米、重垩大米及正常大米，根据大米高光谱图像对应的大米密度信息以及大米高光谱图像对应的各类大米轮廓信息确定大米高光谱图像对应的各类大米重量。
步骤104，根据大米高光谱图像对应的各类大米重量确定大米高光谱图像对应的大米等级。
本实施例中，根据大米高光谱图像对应的各类大米重量计算大米高光谱图像中的大米总重量，计算各类大米重量与大米总重量的占比，根据各类大米重量与大米总重量的占比确定大米高光谱图像对应的大米等级，例如，根据碎米、黄粒、病斑、重垩的占比确定大米的等级。
本实施例中，对大米初始高光谱图像进行预处理获得待检测的大米高光谱图像，将待检测的大米高光谱图像输出至已训练的大米密度预测网络模型中，输出大米高光谱图像对应的大米密度信息，根据大米密度信息确定大米高光谱图像中各类大米重量，根据各类大米重量确定大米高光谱图像对应的大米等级，采用预先训练的大米密度预测网络模型，能够得到较为准确的大米密度信息，进一步根据密度信息确定各类大米重量，从而根据各类大米重量确定大米等级，无需工人手动进行分类，不仅提高分类效率，而且有效提高了分类正确率。
实施例二
图3是本发明实施例二提供的大米等级划分方法的流程示意图，如图3所示，在本发明实施例一提供的大米等级划分方法的基础上，对步骤101的对大米初始高光谱图像进行预处理获得待检测的大米高光谱图像进行了进一步细化，包括：
步骤1011，获取大米全白标定图像和大米全黑标定图像，根据大米全白标定图像、大米全黑标定图像以及大米初始高光谱图像获得校正后的大米高光谱图像。
本实施例中，在高光谱成像***中，存在暗流噪音等问题会影响到高光谱图像的质量，为了减少其他无关因素的干扰，对大米初始高光谱图像进行黑白校正，具体地，黑白校正指的是用标准白板采集全白标定图像，再将镜头盖盖上，关闭光源采集全黑标定图像，黑白校正公式如下：
其中，I为校正后的大米高光谱图像，I0为大米初始高光谱图像，B为全黑标定图像，W为全白标定图像。
步骤1012，对校正后的大米高光谱图像依次进行数据消冗处理及滤波去噪处理，获得待检测的大米高光谱图像。
本实施例中，对校正后的大米高光谱图像依次进行数据消冗处理，高光谱成像技术是基于众多窄波段的影像数据技术，它获取的高光谱图像是一种高光谱分辨率的连续、窄波段的图像数据，例如把470nm-960nm分为150个窄波段。因此，高光谱相机获取到的是一个数据立方，不仅有图像信息，而且在光谱维度上进行展开，结果不仅可以获得图像上每个点的光谱数据，还可以获得任一谱段的影像信息。因此，高光谱数据具有波段多、数据量大的特点，同时这些数据中存在数据共线问题和大量的冗余无效的信息，会增大后续数据处理和建模的工作量，而且还可能出现建模效率低、模型性能差的Hughes现象(Hughes现象是指在高光谱分析过程中，随着参与运算波段数目的增加，模型精度先增后降的现象)。所以在应用高光谱数据之前，通常都需要对其进行数据消冗操作，即降维操作。目前，对高光谱数据进行降维的方法主要分为两种：一种是通过从众多波段中选择出一些信息量大、噪声小、代表性强的波段用于后期处理；另一种是通过某些数学变换将众多的波段进行压缩，尽可能将样本的大部分信息压缩在某波段区间内，舍去信息量包含较少的波段。常用方法有主成分分析法、竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)、连续投影算法(successive projection algorithm,SPA)、无变量信息消除法(uninformative variable elimination,UVE)、随机蛙跳(shuffled frog leapingalgorithm,SFLA)等。
本实施例中，对数据消冗处理的高光谱图像进行滤波去噪处理，滤波去噪用于去除图像噪声，避免图像噪声干扰后续计算。具体的，我们采用开闭运算分别对几个特征波长的光谱图像进行去噪。图像开运算与闭运算由膨胀和腐蚀两个运算组合而成。开运算是先对图像进行腐蚀后膨胀，用于平滑物体轮廓、去除小颗粒噪声、断开物体之间的粘连。闭运算是图像依次经过膨胀和腐蚀处理的过程，可以填充物体内部的小空洞、连接断开的轮廓线等。
实施例三
图4是本发明实施例三提供的大米等级划分方法的流程示意图，如图4所示，在本发明实施例一提供的大米等级划分方法的基础上，对步骤103进行了进一步细化，具体包括以下步骤：
步骤1031，确定大米高光谱图像对应的各类大米轮廓信息。
本实施例中，获得大米高光谱图像中的各粒大米轮廓信息、各粒大米位置信息以及各粒大米类别信息，根据各粒大米轮廓信息、各粒大米位置信息以及各粒大米类别信息确定大米高光谱图像对应的各类大米轮廓信息。
步骤1032，根据大米高光谱图像对应的大米密度信息及大米高光谱图像对应的各类大米轮廓信息确定大米高光谱图像对应的各类大米重量。
本实施例中，大米类别包括异常大米和正常大米，其中，异常大米包括碎粒、垩白、黄粒、病斑、重垩，正常大米指外观正常且无破损的大米。根据大米高光谱图像对应的大米密度信息以及大米高光谱图像对应的各类大米轮廓信息确定各类大米重量即各类异常大米重量以及正常大米重量。
实施例四
图5是本发明实施例四提供的大米等级划分方法的流程示意图，如图5所示，在本发明实施例三提供的大米等级划分方法的基础上，对步骤1031进行了进一步细化，具体包括以下步骤：
步骤1031a，根据大米高光谱图像得到大米RGB色彩模式图像，将大米RGB色彩模式图像输入至训练的大米类别检测网络模型中，输出大米RGB色彩模式图像对应的各粒大米位置信息及各粒大米类别信息。
本实施例中，对大米高光谱图像进行提取得到大米RGB色彩模式图像，将RGB色彩模式图像输入至训练的大米类别检测网络模型中，输出大米RGB色彩模式图像对应的各粒大米位置信息以及各粒大米类别信息，其中，已训练的大米类别检测网络模型是对训练图像集进行深度神经网络训练获得的。其中，大米位置信息包括大米颗粒包围框的中心点坐标、包围框的宽度及包围框的高度，包围框是一个紧密围绕在各大米周围的矩形框。大米类别包括碎粒大米、垩白大米、黄粒大米、病斑大米、重垩大米及正常大米。
步骤1031b，对大米RGB色彩模式图像进行图像分割处理，获得各粒大米轮廓信息。
本实施例中，对大米RGB色彩模式图像进行图像分割处理，具体地，将图像由RGB颜色空间转换到HSV空间，对S通道图像进行腐蚀操作，V通道图像与腐蚀图像的最大值构建单通道图像Ivs，对图像Ivs进行开运算，得到图像I′vs；将图像I′vs进行二值化，然后检测二值化图像的轮廓，计算轮廓内面积，如果面积小于预设阈值，则认为是噪声，将此轮廓舍弃，从而获得各粒大米轮廓信息。
步骤1031c，根据各粒大米位置信息、各粒大米类别信息以及各粒大米轮廓信息得到各类大米轮廓信息。
本实施例中，根据各粒大米位置信息、各粒大米类别信息以及各粒大米轮廓信息确定各类大米轮廓信息，具体地，根据各粒大米类别信息、各粒大米位置信息以及各粒大米轮信息统计各类大米轮廓信息。
实施例五
图6是本发明实施例五提供的大米等级划分方法的流程示意图，如图6所示，在本发明实施例一提供的大米等级划分方法的基础上，对步骤104进行了进一步细化，具体包括以下步骤：
步骤1041，根据大米高光谱图像对应的各类大米重量确定大米高光谱图像对应的全部大米总重量，并计算大米高光谱图像对应的各类异常大米总重量与全部大米总重量的比值，得到各类异常大米对应的占比。
本实施例中，将大米高光谱图像对应的各类大米重量相加得到大米高光谱图像对应的全部大米总重量，进一步计算各类型异常米占全部大米总重量的比值，计算大米高光谱图像对应的碎粒大米总重量与全部大米总重量的比值，得到碎粒大米对应的占比。计算大米高光谱图像对应的垩白大米总重量与全部大米总重量的比值，得到垩白大米对应的占比。计算大米高光谱图像对应的黄粒大米总重量与全部大米总重量的比值，得到黄粒大米对应的占比。计算大米高光谱图像对应的病斑大米总重量与全部大米总重量的比值，得到病斑大米对应的占比。计算大米高光谱图像对应的重垩大米总重量与全部大米总重量的比值，得到重垩大米对应的占比。
步骤1042，将各类异常大米对应的占比与对应的各类异大常米阈值进行比较，并根据比较结果确定大米等级。
本实施例中，将各类异常大米对应的占比即碎粒大米对应的占比、垩白大米对应的占比、黄粒大米对应的占比、病斑大米对应的占比及重垩大米对应的占比分别与各异常大米对应的阈值进行比较，根据比较结果确定大米等级。其中，占比公式如下：
其中，Pj为某类异常大米对应的占比，Mj为某类异常大米总重量，M为全部大米总重量。
可选地，对根据比较结果确定大米等级进行了进一步细化，具体包括以下步骤：
本实施例中，将碎粒大米对应的占比与碎粒大米对应的阈值进行比较，并将垩白大米对应的占比与垩白大米对应的阈值进行比较，并将黄粒大米对应的占比与黄粒大米对应的阈值进行比较，并将病斑大米对应的占比与病斑大米对应的阈值进行比较，并将重垩大米对应的占比与重垩大米对应的对应的阈值进行比较，阈值包括第一阈值、第二阈值及第三阈值，第一阈值＜第二阈值＜第三阈值。
若碎粒大米对应的占比小于碎粒大米对应的第一阈值且黄粒大米对应的占比小于黄粒大米对应的第一阈值且病斑大米对应的占比小于病斑大米对应的第一阈值且垩白大米对应的占比小于垩白大米对应的第一阈值且重垩大米对应的占比小于重垩大米对应的第一阈值，则确定大米高光谱图像中大米的等级为一等大米。
其中，若碎粒大米对应的占比小于碎粒大米对应的第二阈值且黄粒大米对应的占比小于黄粒大米对应的第二阈值且病斑大米对应的占比小于病斑大米对应的第二阈值且垩白大米对应的占比小于垩白大米对应的第二阈值且重垩大米对应的占比小于重垩大米对应的第二阈值，则确定大米高光谱图像中大米的等级为二等大米。
其中，若碎粒大米对应的占比小于碎粒大米对应的第三阈值且黄粒大米对应的占比小于黄粒大米对应的第三阈值且病斑大米对应的占比小于病斑大米对应的第三阈值且垩白大米对应的占比小于垩白大米对应的第三阈值且重垩大米对应的占比小于重垩大米对应的第三阈值，则确定大米高光谱图像中大米的等级为三等大米。
本实施例中，采用预先训练的大米密度预测网络模型，能够得到较为准确的大米密度信息，进一步根据密度信息确定各类大米重量，从而根据各类大米重量确定大米等级，无需工人手动进行分类，不仅提高分类效率，而且有效提高了分类正确率。
实施例六
图7是本发明实施例六提供的大米等级划分方法的流程示意图，如图7所示，在本发明实施例一提供的大米等级划分方法的基础上，步骤102之前，还包括以下步骤：
步骤1021，从训练数据集合选择大米样本高光谱图像，将大米样本高光谱图像输入至预设大米密度预测网络模型中，输出大米样本高光谱图像对应的大米预测密度信息。
本实施例中，从预设数据库中抽取大米样本高光谱图像作为训练数据集合，对各大米样本高光谱图像中的大米进行称重，得到各大米样本高光谱图像对应的大米实际总重量，获取各大米样本高光谱图像对应的大米实际总重量。从训练数据集合中选择大米样本高光谱图像，将大米样本高光谱图像输入至预设大米密度预测网络模型中，得到大米样本高光谱图像对应的大米预测密度信息，其中大米预测密度信息包括大米预测密度图像信息以及大米预测密度值。
步骤1022，根据大米预测密度信息确定各图像对应的大米预测总重量，并根据各图像对应的大米预测总重量确定第一大米重量损失值。
本实施例中，根据大米预测密度信息以及各图像对应的各类大米轮廓信息确定各图像对应的大米预测总重量。根据各图像对应的大米预测总重量以及各图像对应的大米实际总重量确定第一大米重量损失值，将各图像对应的大米预测总重量以及各图像对应的大米实际总重量代入公式(3)，得到第一大米重量损失值：
其中，LM为第一大米重量损失值，M’k为图像K对应的大米实际总重量，Mk为图像K对应的大米预测总重量。
步骤1023，根据第一大米重量损失值确定网络损失函数值，更新网络损失函数对应的网络权重参数，直至迭代次数达预设迭代次数。
本实施例中，根据第一大米重量损失值确定网络损失函数值，具体地，根据公式(4)计算网络损失函数值，公式(4)如下：
Loss＝LM+αL1+βL2 公式(4)
其中，第一大米重量损失值，L1和L2为正则化项，α和β是两个正则化项对应的权重。L1和L2用于对网络权重参数进行限制。
可选地，L1的计算公式如下：
可选地，L2的计算公式如下：
其中，ωi为预设大米密度预测网络模型的权重系数。
本实施例中，采用预设算法更新网络损失函数对应的网络权重参数，直至迭代次数达预设迭代次数，采用Adam优化算法对网络进行反向传播，更新网络损失函数对应的网络权重参数。
步骤1024，将最小网络损失函数对应的网络权重参数对应的预设大米密度预测网络模型确定为最优大米密度预测网络模型，对最优大米密度预测网络模型进行测试，得到第二大米重量损失值。
本实施例中，将最小网络损失函数对应的网络权重参数对应的预设大米密度预测网络模型确定为最优大米密度预测网络模型，采用测试数据集合对最优大米密度预测网络模型进行测试，得到对应的第二大米重量损失值。
可选地，预先建立测试数据集合，从预设数据库中抽取测试样本高光谱图像作为测试数据集合，对各测试样本高光谱图像中的大米进行称重，得到各测试样本高光谱图像对应的大米实际总重量，获取各测试样本高光谱图像对应的大米实际总重量。
其中，第二大米重量损失值是根据各测试样本高光谱图像对应的大米预测总重量以及各测试样本高光谱图像对应的大米实际总重量得到的，计算测试样本高光谱图像对应的大米实际总重量与测试样本高光谱图像对应的大米预测总重量的差值，该差值为第二大米重量损失值。
步骤1025，若第二大米重量损失值小于或等于预设损失值，则将最优大米密度预测网络模型确定为已训练的大米密度预测网络模型。
本实施例中，若第二大米重量损失值小于或等于预设损失值，说明大米实际总重量与预测总重量接近，网络训练结束，将最优大米密度预测网络模型确定为已训练的大米密度预测网络模型。
其中，若第二大米重量损失值大于预设损失值，可通过调整学习率、batchsize值，或者增加训练数据、对训练数据进行增强、增大训练迭代次数等方法重新训练网络或者对已训练得到的网络模型进行微调。
实施例七
在本发明实施例六提供的大米等级划分方法的基础上，对步骤1022的根据大米预测密度信息确定各图像对应的大米预测总重量进行了进一步细化，具体包括以下步骤：
步骤1022a，确定各图像对应的各类大米轮廓信息，并根据大米预测密度信息以及各图像对应的各类大米轮廓信息确定各图像对应的大米预测总重量。
本实施例中，确定各图像对应的各类大米轮廓信息，根据大米预测密度信息和各类大米轮廓信息确定各图像对应的大米预测总重量，具体地，根据大米轮廓信息确定大米轮廓信息对应的占位函数，根据大米轮廓信息对应的占位函数以及大米预测密度信息确定各图像对应的大米预测总重量，根据公式(7)计算图像对应的大米预测总重量，公式(7)表示为：
其中，M’为大米预测总重量，w为图像Id的宽度，h为图像Id的高度，f(x，y)为图像Id位于(x,y)处的像素对应的密度值，c(x,y)为大米轮廓信息对应的占位函数。
其中，大米轮廓信息对应的占位函数由大米轮廓信息确定，参见公式(8)：。
其中，若(x,y)处的像素位于大米轮廓内，则c(x,y)＝1；若(x,y)处的像素未位于大米轮廓内，则c(x,y)＝0。
图8是本发明一实施例提供的大米等级划分装置的结构示意图，如图8所示，本实施例提供的大米等级划分装置200包括预处理单元201，预测单元202，确定单元203。
其中，预处理单元201，用于获取大米初始高光谱图像，对大米初始高光谱图像进行预处理获得待检测的大米高光谱图像。预测单元202，用于将待检测的大米高光谱图像输入至已训练的大米密度预测网络模型中，输出大米高光谱图像对应的大米密度信息。确定单元203，用于根据大米高光谱图像对应的大米密度信息确定大米高光谱图像对应的各类大米重量。确定单元203，还用于根据大米高光谱图像对应的各类大米重量确定大米高光谱图像对应的大米等级。
可选地，预处理单元，还用于获取大米全白标定图像和大米全黑标定图像，根据大米全白标定图像、大米全黑标定图像以及大米初始高光谱图像获得校正后的大米高光谱图像；对校正后的大米高光谱图像依次进行数据消冗处理及滤波去噪处理，获得待检测的大米高光谱图像。
可选地，确定单元，还用于确定大米高光谱图像对应的各类大米轮廓信息；根据大米高光谱图像对应的大米密度信息及大米高光谱图像对应的各类大米轮廓信息确定大米高光谱图像对应的各类大米重量。
可选地，确定单元，还用于根据大米高光谱图像得到大米RGB色彩模式图像，将大米RGB色彩模式图像输入至训练的大米类别检测网络模型中，输出大米RGB色彩模式图像对应的各粒大米位置信息及各粒大米类别信息；对大米RGB色彩模式图像进行图像分割处理，获得各粒大米轮廓信息；根据各粒大米位置信息、各粒大米类别信息以及各粒大米轮廓信息得到各类大米轮廓信息。
可选地，确定单元，还用于根据大米高光谱图像对应的各类大米重量确定大米高光谱图像对应的全部大米总重量，并计算大米高光谱图像对应的各类异常大米总重量与全部大米总重量的比值，得到各类异常大米对应的占比；将各类异常大米对应的占比与对应的各类异常大米阈值进行比较，并根据比较结果确定大米等级。
可选地，大米等级划分装置还包括：训练单元。
训练单元，用于从训练数据集合选择大米样本高光谱图像，将大米样本高光谱图像输入至预设大米密度预测网络模型中，输出大米样本高光谱图像对应的大米预测密度信息；根据大米预测密度信息确定各图像对应的大米预测总重量，并根据各图像对应的大米预测总重量确定第一大米重量损失值；根据第一大米重量损失值确定网络损失函数值，更新网络损失函数对应的网络权重参数，直至迭代次数达预设迭代次数；将最小网络损失函数对应的网络权重参数对应的预设大米密度预测网络模型确定为最优大米密度预测网络模型，对最优大米密度预测网络模型进行测试，得到第二大米重量损失值；若第二大米重量损失值小于或等于预设损失值，则将最优大米密度预测网络模型确定为已训练的大米密度预测网络模型。
可选地，训练单元，还用于确定各图像对应的各类大米轮廓信息，并根据大米预测密度信息以及各图像对应的各类大米轮廓信息确定各图像对应的大米预测总重量。
图9是用来实现本发明实施例的大米等级划分方法的电子设备的框图，如图9所示，该电子设备300包括：处理器301，以及与处理器301通信连接的存储器302。
存储器302存储计算机执行指令；
处理器31执行存储器302存储的计算机执行指令，使得处理器执行上述任意一个实施例提供的方法。
在示例性实施例中，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行上述任意一个实施例中的方法。
在示例性实施例中，还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行上述任意一个实施例中的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求书指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种大米等级划分方法，其特征在于，所述方法包括：
获取大米初始高光谱图像，对大米初始高光谱图像进行预处理获得待检测的大米高光谱图像；
将待检测的大米高光谱图像输入至已训练的大米密度预测网络模型中，输出大米高光谱图像对应的大米密度信息；
根据大米高光谱图像对应的大米密度信息确定大米高光谱图像对应的各类大米重量；
根据大米高光谱图像对应的各类大米重量确定大米高光谱图像对应的大米等级。
2.根据权利要求1所述的方法，其特征在于，所述对大米初始高光谱图像进行预处理获得待检测的大米高光谱图像，包括：
获取大米全白标定图像和大米全黑标定图像，根据大米全白标定图像、大米全黑标定图像以及大米初始高光谱图像获得校正后的大米高光谱图像；
对校正后的大米高光谱图像依次进行数据消冗处理及滤波去噪处理，获得待检测的大米高光谱图像。
3.根据权利要求1所述的方法，其特征在于，所述根据大米高光谱图像对应的大米密度信息确定大米高光谱图像对应的各类大米重量，包括：
确定大米高光谱图像对应的各类大米轮廓信息；
根据大米高光谱图像对应的大米密度信息及大米高光谱图像对应的各类大米轮廓信息确定大米高光谱图像对应的各类大米重量。
4.根据权利要求3所述的方法，其特征在于，所述确定大米高光谱图像对应的各类大米轮廓信息，包括：
根据大米高光谱图像得到大米RGB色彩模式图像，将大米RGB色彩模式图像输入至训练的大米类别检测网络模型中，输出大米RGB色彩模式图像对应的各粒大米位置信息及各粒大米类别信息；
对大米RGB色彩模式图像进行图像分割处理，获得各粒大米轮廓信息；
根据各粒大米位置信息、各粒大米类别信息以及各粒大米轮廓信息得到各类大米轮廓信息。
5.根据权利要求1所述的方法，其特征在于，所述根据大米高光谱图像对应的各类大米重量确定大米高光谱图像对应的大米等级，包括：
根据大米高光谱图像对应的各类大米重量确定大米高光谱图像对应的全部大米总重量，并计算大米高光谱图像对应的各类异常大米总重量与全部大米总重量的比值，得到各类异常大米对应的占比；
将各类异常大米对应的占比与对应的各类异常大米阈值进行比较，并根据比较结果确定大米等级。
6.根据权利要求1所述的方法，其特征在于，所述将待检测的大米高光谱图像输入至已训练的大米密度预测网络模型中，输出大米高光谱图像对应的大米密度之前，还包括：
从训练数据集合选择大米样本高光谱图像，将大米样本高光谱图像输入至预设大米密度预测网络模型中，输出大米样本高光谱图像对应的大米预测密度信息；
根据大米预测密度信息确定各图像对应的大米预测总重量，并根据各图像对应的大米预测总重量确定第一大米重量损失值；
根据第一大米重量损失值确定网络损失函数值，更新网络损失函数对应的网络权重参数，直至迭代次数达预设迭代次数；
将最小网络损失函数对应的网络权重参数对应的预设大米密度预测网络模型确定为最优大米密度预测网络模型，对最优大米密度预测网络模型进行测试，得到第二大米重量损失值；
若第二大米重量损失值小于或等于预设损失值，则将最优大米密度预测网络模型确定为已训练的大米密度预测网络模型。
7.根据权利要求6所述的方法，其特征在于，所述根据大米预测密度信息确定各图像对应的大米预测总重量，包括：
确定各图像对应的各类大米轮廓信息，并根据大米预测密度信息以及各图像对应的各类大米轮廓信息确定各图像对应的大米预测总重量。
8.一种大米等级划分装置，其特征在于，所述装置包括：
预处理单元，用于获取大米初始高光谱图像，对大米初始高光谱图像进行预处理获得待检测的大米高光谱图像；
预测单元，用于将待检测的大米高光谱图像输入至已训练的大米密度预测网络模型中，输出大米高光谱图像对应的大米密度信息；
确定单元，用于根据大米高光谱图像对应的大米密度信息确定大米高光谱图像对应的各类大米重量；
确定单元，还用于根据大米高光谱图像对应的各类大米重量确定大米高光谱图像对应的大米等级。
9.一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111593155.7A CN114387226A (zh) | 2021-12-23 | 2021-12-23 | 大米等级划分方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111593155.7A CN114387226A (zh) | 2021-12-23 | 2021-12-23 | 大米等级划分方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114387226A true CN114387226A (zh) | 2022-04-22 |
Family
ID=81198573
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111593155.7A Pending CN114387226A (zh) | 2021-12-23 | 2021-12-23 | 大米等级划分方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114387226A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115963066A (zh) * | 2022-12-30 | 2023-04-14 | 江苏海洋大学 | 一种陆基鱼塘养殖水质光谱检测方法、装置及计算机设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160150213A1 (en) * | 2014-11-21 | 2016-05-26 | Christopher M. MUTTI | Imaging system for object recognition and assessment |
| CN110780628A (zh) * | 2019-11-20 | 2020-02-11 | 广东美的厨房电器制造有限公司 | 烹饪设备的控制方法、装置、烹饪设备及存储介质 |
| US20200333185A1 (en) * | 2017-12-01 | 2020-10-22 | Universite De Reims Champagne Ardenne | Method for characterising samples using neural networks |
| CN112560576A (zh) * | 2020-11-09 | 2021-03-26 | 华南农业大学 | 一种ai识图的垃圾分类与智能回收方法 |
-
2021
- 2021-12-23 CN CN202111593155.7A patent/CN114387226A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160150213A1 (en) * | 2014-11-21 | 2016-05-26 | Christopher M. MUTTI | Imaging system for object recognition and assessment |
| US20200333185A1 (en) * | 2017-12-01 | 2020-10-22 | Universite De Reims Champagne Ardenne | Method for characterising samples using neural networks |
| CN110780628A (zh) * | 2019-11-20 | 2020-02-11 | 广东美的厨房电器制造有限公司 | 烹饪设备的控制方法、装置、烹饪设备及存储介质 |
| CN112560576A (zh) * | 2020-11-09 | 2021-03-26 | 华南农业大学 | 一种ai识图的垃圾分类与智能回收方法 |
Non-Patent Citations (3)
| Title |
|---|
| SAMRENDRA K. SINGH ET AL.: "Machine learnt image processing to predict weight and size of rice kernels", 《JOURNAL OF FOOD ENGINEERING 》, 1 June 2020 (2020-06-01), pages 1 - 19 * |
| XIANG WANG ET AL.: "Vision-Based Defect Classification and Weight Estimation of Rice Kernels", 《IEEE ACCESS》, vol. 10, 17 November 2022 (2022-11-17), pages 122243 - 122253 * |
| 邢永春: "高光谱散射图像特征提取方法及其在面粉品质无损检测中的应用研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》, no. 2, 15 February 2018 (2018-02-15), pages 024 - 309 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115963066A (zh) * | 2022-12-30 | 2023-04-14 | 江苏海洋大学 | 一种陆基鱼塘养殖水质光谱检测方法、装置及计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108022233A (zh) | 一种基于改进型Canny算子的工件边缘提取方法 | |
| CN110619618A (zh) | 一种表面缺陷检测方法、装置及电子设备 | |
| CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
| US20120213440A1 (en) | Systems and Methods for Automatically Identifying Shadows in Images | |
| CN111932510B (zh) | 一种图像清晰度的确定方法及装置 | |
| CN111311540A (zh) | 车辆定损方法、装置、计算机设备和存储介质 | |
| CN108664839B (zh) | 一种图像处理方法和设备 | |
| WO2021153633A1 (ja) | 金属組織の相の分類方法、金属組織の相の分類装置、金属組織の相の学習方法、金属組織の相の学習装置、金属材料の材料特性予測方法および金属材料の材料特性予測装置 | |
| CN110705634B (zh) | 一种鞋跟型号识别方法、装置及存储介质 | |
| CN112001904A (zh) | 一种遥感图像质量清晰度综合评价模块及评价方法 | |
| Hassanpour et al. | Image quality enhancement using pixel-wise gamma correction via SVM classifier | |
| CN114693685B (zh) | 无监督的缺陷检测模型的训练方法、缺陷检测方法 | |
| CN112508950B (zh) | 异常检测方法和装置 | |
| CN110782413A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和*** | |
| CN114066857A (zh) | 红外图像质量评价方法、装置、电子设备及可读存储介质 | |
| CN115546127A (zh) | 一种发动机滑油磨粒图像分析方法及装置、介质、设备 | |
| CN114387226A (zh) | 大米等级划分方法、装置、设备及存储介质 | |
| CN115909256A (zh) | 基于道路视觉图像的道路病害检测方法 | |
| CN115829942A (zh) | 基于非负性约束稀疏自编码器的电子电路缺陷检测方法 | |
| CN108629771B (zh) | 一种具有尺度鲁棒性的图像质量盲评价方法 | |
| CN112419278B (zh) | 一种基于深度学习的实木地板分类方法 | |
| CN111222559B (zh) | 对小样本图像进行分类的主成分分析网络的训练方法 | |
| CN117392461A (zh) | 一种基于ResNet18和注意力机制的蚕茧图片分类方法及*** | |
| CN116309561A (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |