(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211118842.8 (22)申请日 2022.09.15 (71)申请人 合肥安杰特光电科技有限公司 地址 230011 安徽省合肥市高新区科 学大 道79号科园创业中心1号楼 210室 (72)发明人 赵公方　李新奇　樊春晓　沈红艳　 严金欣　 (74)专利代理 机构 合肥市长 远专利代理事务所 (普通合伙) 34119 专利代理师 刘勇 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 5/00(2006.01)G06T 5/20(2006.01) G06T 7/11(2017.01) G06T 7/187(2017.01) G06V 10/26(2022.01) G06V 10/30(2022.01) G06V 10/36(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G01N 21/27(2006.01) G01N 21/25(2006.01) G01N 15/10(2006.01) (54)发明名称 一种大米碎米 检测方法和系统 (57)摘要 本发明公开了一种大米碎米检测方法和系 统， 其中方法包括以下步骤： S1， 图像采集； S2， 对 步骤S1采集的图像进行预处理； S3， 根据步骤S2 预处理后的图像数据进行碎米率计算。 本发明使 用基于标记控制的形态学梯度的分水岭算法来 实现粘连大米的分割， 统计米粒数目。 在图像预 处理阶段， 用图像增强扩充数据集， 防止模型训 练过程中出现过拟合现象。 本方法使用了全卷积 网络， 由于采集到的图像能够直接输入到网络 中， 免去了复杂的特征提取， 减少了数据预处理 的难度， 降低了算法设计的复杂度， 避免了造成 的误判， 提高了识别精确度。 权利要求书2页 说明书8页 附图2页 CN 115511803 A 2022.12.23 CN 115511803 A 1.一种大米碎米 检测方法， 其特 征在于， 包括以下步骤： S1， 采集至少3种不同种类的米粒图像， R通道700nm、 G通道550nm和B通道440nm附近三 个波段的米粒 可见光谱图像信息； S2， 对步骤S1采集的图像进行 预处理； 其中， 预处 理的步骤 包括： S21， 对步骤S1中采集的图像数据进行旋转、 翻转和调整， 从而进行数据增强， 以扩充样 本数据集； 旋转公式为 ， θ 为旋转角， （x1， y1） 为当前坐标， （x2， y2） 为旋转后坐标， 调整对比度使用伽马变换 ， s为输出 灰度级， r为输入灰度级， 为伽马值； S22， 将步骤S21中得到的数据进行灰度化处理； 灰度化公式为 ， Gray为该点的灰度值， R、 G、 B为该点的RGB三个通道的值； S23， 通过中值滤波去除噪点， 中值滤波时， 取3 ×3的矩阵， 用矩阵所有像素点的中值代 替中心点的值， 得到新的矩阵； S24， 采用基于标记控制的形态学梯度的分水岭算法进行粘连大米的分割， 设f为是输 入图像， b为是结构元素， 图像的形态学梯度表示为g， 为膨胀操作， 膨胀公式为 ， 为腐蚀操作， 腐蚀公式为 ， 则有 ， 分水岭算法将灰度图像转为 梯度图像， 转换公式为 ， ， ， gx为该点x 方向的梯度， gy为该点y方向的梯度， M （x， y） 为该点的 梯度， 利用附加标记， 在原图中寻找标记， 引导 算法进行分割； S3， 根据步骤S2预处 理后的图像数据进行碎米率计算； 其中， 碎米率的计算 步骤包括： S31， 利用行程标记算法统计 米粒总数； S32， 搭建全卷积神经网络进行碎粒区域分割， 统计碎米数； 其中， 搭建的全卷积神经网络包括四个阶段， 分别为sta ge1、 stage2、 stage3和sta ge4； 其中， Stage1： 输入灰度图像， 经过残差卷积模块C1， C1包括64个3 ×3的卷积核， 卷积后 的图像被复制为两份， 一份传递到残差卷积模块C2、 C3、 C4， C2包括16个1 ×1的卷积核， C3包 括1个1×1的卷积核， C4包括1个1 ×1的卷积核构成， 卷积后生 成的图像为Output_1； 另一份 经过空洞卷积层S1， 使用S1替换常规网络中的池化层， 对图像进 行下采样， 将卷积后的图像 输入stage2； Stage2： 输入为Stage1传入的图像， 经过残差卷积模块C1， C1包括64个3 ×3的卷积核， 卷积后的图像被复制为两份， 一份传递到残差卷积模块C2、 C3、 C4， C2包括16个1 ×1的卷积 核， C3包括1个1 ×1的卷积核， C4包括1个1 ×1的卷积核， 卷积后生成的图像为Output_2； 另 一份经过空洞卷积层S1， 使用S1替换常规网络中的池化层， 对图像进 行下采样， 将卷积后的 图像输入sta ge3； Stage3： 输入为Stage2传入的图像， 经过残差卷积模块C1， C1包括64个3 ×3的卷积核， 卷积后的图像被复制为两份， 一份传递到残差卷积模块C2、 C3、 C4， C2包括16个1 ×1的卷积权　利　要　求　书 1/2 页 2 CN 115511803 A 2核， C3包括1个1 ×1的卷积核， C4包括1个1 ×1的卷积核， 卷积后生成的图像为Output_3； 另 一份经过空洞卷积层S1， 使用S1替换常规网络中的池化层， 对图像进 行下采样， 将卷积后的 图像输入sta ge4； Stage4： 输入为Stage3传入的图像， 经过残差卷积模块C1， C1包括64个3 ×3的卷积核， 卷积后的图像被传递到残差卷积模块C2、 C3， C2包括16个1 ×1的卷积核， C3包括1个1 ×1的 卷积核， 卷积后生成的图像为Output_4； 为了提高分割的精确度， Output1 ‑4直接叠加后， 输入残差卷积模块C1， C1包括1个1 ×1 的卷积核， 输出最后的分割图像； S33， 计算碎米率， 所述 。 2.根据权利要求1所述的方法， 其特 征在于， 步骤S32统计碎米数的具体步骤 包括： S321 ， 通过残差可变形卷积模块对米粒特征进行提取 ； 可变卷积公式为： ， 为原图像像素点的值  ， 为卷积核像素点的值， 为可变形卷积核在每一个元素上额外增加的方向参数， 为 卷积后的值； S322， 通过空洞卷积层对步骤S321处理后的图像进行连接， 卷积核的扩张率分别为2、 4、 8； 空洞卷积层实际的卷积核大小为  K=k+ (k‑1) (r‑1)， k为原始卷积核大小， r为空洞卷 积参数空洞率； S323， 分别对全卷积神经网络包含的四个阶段得到的米粒特征使用16个1 ×1大小的滤 波器进行卷积运算； 卷积公式为： ， 为原图像像素 点的值， 为卷积核像素点的值， 为卷积后的值； S324， 将各阶段 得到的16  张特征图使用1 ×1 大小的滤波器进行融合； S325， 将融合后的特 征图与人工标定的结果进行对比， 计算损失值； S326， 将不同阶段的特 征图进行融合， 得到最终的分割图， 从而统计出碎米数。 3.一种计算机系统， 其特征在于： 包括处理器、 存储介质， 存储介质上存有计算机程序， 处理器从存储介质上读取并运行计算机程序以执行如权利要求1至2中任一项所述的大米 碎米检测方法。 4.用于权利要求1 ‑2任一所述的一种大米碎米检测方法的系统， 其特征在于： 包括暗箱 （1） 、 集成图像采集 卡的CCD相机 （3） 、 计算机、 光源 （2） 以及载物台 （4） ； 所述暗箱 （1） 的顶端环形阵列设置有所述光源 （2） ， 用以提供暗箱 （1） 中不同波段的照 明并避免产生阴影； 所述暗箱 （1） 的底部中央设置有所述载物台 （4） ， 用以放置不同种类的大米样本； 在所 述暗箱 （1） 外的所述载物台 （4） 的正上方设置所述CCD相机 （3） ， 用以采集不同波长光源 （2） 照射下的大米样本， 并通过 所述图像采集 卡上传至所述计算机进行样本的进一 步处理； 所述暗箱 （1） 的内侧壁上粘贴有 背景纸， 避免发生镜面反射。权　利　要　求　书 2/2 页 3 CN 115511803 A 3