[发明专利]一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法

说明书

本发明公开了一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法。获取玉米籽粒图像，依次进行灰度变换、滤波、图像分割和边缘提取后，计算玉米籽粒轮廓质心作为极点建立极坐标系，构建轮廓信息序列，再进行等角度采样和归一化处理构建轮廓特征向量；用样本玉米籽粒图像的轮廓特征向量与是否为玉米破碎粒标签一起输入BP神经网络进行训练，以训练好的BP神经网络对待测玉米籽粒图像进行检测。本发明能够适应非理想环境和玉米籽粒颜色引入的误差，为玉米粒收破碎粒检测提供了一种有效方法。

技术领域

本发明涉及一种玉米破碎粒检测方法及图像采集装置，尤其是涉及了一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法。

背景技术

机械粒收是玉米收获技术的发展趋势，是玉米实现全程机械化的关键。玉米机械收获水平逐年提高，但穗收比例远高于粒收。“GB/T 21962-2008”玉米收获机械技术条件中规定玉米粒收籽粒破碎率应不高于5.0％，籽粒破碎率高是目前制约我国玉米粒收技术发展和推广的重要因素。因此，及时获取玉米粒收破碎率状况，调整机械作业参数，使在保证机械作业效率的前提下将籽粒破碎率降至最低尤为必要。而利用机器视觉系统采集玉米籽粒图像和实现玉米破碎粒检测是代替人工方式的较好选择。

“GB1353-2009”玉米质量指标中规定玉米籽粒损伤达本颗粒体积1/5(含)以上的颗粒为破碎粒。玉米破碎粒检测主要涉及到形状特征、颜色特征、纹理特征这三个方面的内容。诸多学者提取了面积、周长、长短轴等多个经典形状特征参数进行检测(Liao K,Paulson M Ret.al.Corn kernel breakage classification by machine vision usinga neural network classifier.Transactions of the ASABE,1993；印杨松.机器视觉技术在玉米并肩杂、不完善粒检测中的应用研究.浙江大学,2011；万鹏等.基于计算机视觉的玉米粒形检测方法.中国粮油学报,2011)。近年来，深度学习提供了玉米破碎粒检测的一种新思路(魏英姿等.深度学习玉米籽粒完整性识别的深度学习方法.沈阳理工大学学报,2016)。此外，为更好地定位和检测玉米籽粒，玉米正形的研究也受到关注(王侨等.基于机器视觉的玉米种粒定向定位摆放装置研制.农业工程学报,2017)。

但在玉米粒收破碎粒检测中，这些方法并不适合。由于物距或玉米空间姿态的不一致，玉米籽粒面积、周长的测量会受到较大影响，面积、周长特征将不再可靠。由于玉米破碎部位和破碎程度存在差异，玉米外形不规则程度高，采用MER方法或轮廓曲率分析法检测到的长轴(主轴)与实际检测结果存在差异，而现有的玉米正形方法多用于玉米种子产业，仅针对完整籽粒进行研究，无法解决上述长轴(主轴)检测误差问题，因此，长短轴特征也可能引入较大的误差。颜色特征方法需要严格保证物距和光源的相互适应，玉米籽粒颜色的不一致也会引入误差。深度学习方法将各单籽粒图像处理成等规格灰度图像输入卷积神经网络进行训练和检测，但是数据规模、数据质量等方面的要求大大增加了训练成本。

发明内容

为了解决背景技术中存在的问题，本发明通过分析玉米籽粒的轮廓特征，提出了一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法，并通过试验验证了该方法的可靠性。

如图2所示，本发明解决其技术问题所采用的技术方案是：

1)获取玉米籽粒图像，以图像的左上角点为原点，以图像水平向右方向为x轴正方向，以图像竖直向下方向为y轴正方向，建立直角坐标系。

2)对玉米籽粒图像依次进行分段灰度变换、滤波、图像分割和轮廓提取，绘制轮廓图像E。

3)扫描轮廓图像E，构建直角坐标系下长度为n_s的玉米籽粒轮廓信息序列S；

4)计算轮廓质心O的坐标(x_o,y_o)：