[发明专利]一种基于深度神经网络的花生选芽方法及控制系统

说明书

本发明涉及花生选芽领域，公开了一种基于深度神经网络的花生选芽方法，包括：采集若干发芽花生的图像；根据花生发芽的程度对该图像进行标记并分类；通过分类后的图像对卷积神经网络模型进行训练；通过入料口投入发芽花生，通过CCD相机采集其下落时的图像；将该图像输入至训练好的卷积神经网络模型中，得到与其对应的标签；通过该标签控制剔除装置的吹气时间；收集分选后的发芽花生，得到分类后的发芽花生；基于深度神经网络的花生选芽方法的控制系统，图像采集模块、标签模块、显著性处理模块、神经网络模块、数据反馈模块、剔除模块均与控制器连接，可以将不同发芽程度的花生进行分类，选芽效率高，剔除不好的花生，效果佳，自动化程度高，减小人力。

技术领域

本发明涉及花生选芽领域，更具体地说，特别涉及一种基于深度神经网络的花生选芽方法及控制系统。

背景技术

发芽的花生为坏的物料，需要剔除。因为花生在收获的时候遇到连续阴雨天气，花生不能及时干燥，导致花生发芽甚至霉变。霉变发芽的花生无法作为合格的花生食用，且会影响产品的卖相和口感。现有花生芽大多采用人工进行选芽，选芽效率低，成本高，且不能将不同发芽程度的花生进行分类。

如何解决上述技术问题，成为亟待解决的难题。

发明内容

本发明的目的在于提供一种基于深度神经网络的花生选芽方法及控制系统，以解决背景技术中提到的问题。

为了达到上述目的，本发明采用的技术方案如下：

一种基于深度神经网络的花生选芽方法，包括：S1、采集若干发芽花生的图像；S2、根据花生发芽的程度对该图像进行标记并分类；S3、通过分类后的图像对卷积神经网络模型进行训练；S4、通过入料口投入发芽花生，通过CCD相机采集其下落时的图像；S5、将该图像输入至训练好的卷积神经网络模型中，得到与其对应的标签；S6、通过该标签控制剔除装置的吹气时间，使不同标签的发芽花生落至不同的物料出口；S7、收集分选后的发芽花生，得到分类后的发芽花生，可以将不同发芽程度的花生进行分类，选芽效率高，剔除不好的花生，效果佳，自动化程度高，减小人力。

进一步地，所述步骤S1中发芽花生的图像同样通过CCD相机采集。

进一步地，所述步骤S1还可以包括对所述采集图像的预处理过程，该预处理过程采用无交互式图像分割方法处理所述图像，可实现发芽花生图像中目标区域的分割，形成发芽花生样本数据库。

进一步地，所述步骤S2中发芽花生分类为初级发芽花生、中级发芽花生、中高级发芽花生和高级发芽花生，不同类的发芽花生发芽长度不同。

进一步地，所述步骤S4还可以包括对所述采集图像的预处理过程，该预处理过程采用无交互式图像分割方法处理所述图像，可实现发芽花生图像中目标区域的分割，形成发芽花生样本数据库。

本方案还公开了一种应用于权利要求1至5中任一权利要求的基于深度神经网络的花生选芽方法的控制系统，包括：控制器；图像采集模块，用于采集下落时发芽花生的图像；标签模块，用于对采集得到的图像进行贴标签处理；显著性处理模块，用于实现对采集凸显的前景和背景的分离，得到发芽花生的显著图；神经网络模块，向其输入图像并得到对应的图像标签；数据反馈模块，用于保存相互对应的标签和吹气时间，向数据反馈模块中输入一个标签，得到与该标签对应的吹气时间；剔除模块，用于对下落的发芽花生吹气使其落入对应的通道；所述图像采集模块、标签模块、显著性处理模块、神经网络模块、数据反馈模块、剔除模块均与控制器连接。

与现有技术相比，本发明的优点在于：

本方案可以将不同发芽程度的花生进行分类，选芽效率高，剔除不好的花生，效果佳，自动化程度高，减小人力。

附图说明