CN110765899A - 一种基于深度神经网络的花生选芽方法及控制系统 - Google Patents

一种基于深度神经网络的花生选芽方法及控制系统 Download PDF

Info

Publication number
CN110765899A
CN110765899A CN201910955799.2A CN201910955799A CN110765899A CN 110765899 A CN110765899 A CN 110765899A CN 201910955799 A CN201910955799 A CN 201910955799A CN 110765899 A CN110765899 A CN 110765899A
Authority
CN
China
Prior art keywords
peanuts
image
sprouted
neural network
module
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.)
Withdrawn
Application number
CN201910955799.2A
Other languages
English (en)
Inventor
徐道际
王斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ANHUI HONGSHI OPTIC ELECTROMECHANICAL HI-TECH Co Ltd
Original Assignee
ANHUI HONGSHI OPTIC ELECTROMECHANICAL HI-TECH Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ANHUI HONGSHI OPTIC ELECTROMECHANICAL HI-TECH Co Ltd filed Critical ANHUI HONGSHI OPTIC ELECTROMECHANICAL HI-TECH Co Ltd
Priority to CN201910955799.2A priority Critical patent/CN110765899A/zh
Publication of CN110765899A publication Critical patent/CN110765899A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

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。

Description

一种基于深度神经网络的花生选芽方法及控制系统
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
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明中的方法框图；
图2是本发明中的系统框图。
附图标记说明：1控制器、2图像采集模块、3显著性处理模块、4神经网络模块、5剔除模块、6数据反馈模块。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1所示，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。
卷积神经网络采用两层卷积、两层池化、两层全连接。池化核大小为2*2。采用LeNet模型训练。
LeNet算上输入输出一共为八层：
第一层：数据输入层,首先数据归一化，区间范围为灰度图0-255。
第二层：卷积层c1
卷积层是卷积神经网络的核心，通过不同的卷积核，来获取图片的特征。卷积核相当于一个滤波器，不同的滤波器提取不同特征。
第三层：pooling池化层
基本每个卷积层后面均有一个pooling层，目的是为了降维。一般将原来的卷积层的输出矩阵大小变为原来的一半，简便之后的运算。另外，pooling层增加了系统的鲁棒性，把原来的准确描述变为了概略描述一定程度上防止了过拟合。
第四层：卷积层
与前类似，对特征进一步提取，对原样本更深层次的表达。
第五层：pooling层
第六层：卷积层(全连接)
这里有100个卷积核，这里是全连接的。将矩阵卷积成一个数，方便后面网络进行判定。
第七层：全连接层
和MLP中的隐层一样，获得高维空间数据的表达。
第八层：输出层。
本实施例中，所述步骤S1中发芽花生的图像同样通过CCD相机采集。
本实施例中，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。
本实施例中，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。
本实施例中，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基于深度神经网络的花生选芽方法的控制系统，请参阅图2所示，包括：控制器1；图像采集模块2，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3，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4，向其输入图像并得到对应的图像标签；数据反馈模块6，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5，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2、显著性处理模块3、神经网络模块4、数据反馈模块6、剔除模块5均与控制器1连。
这就是该基于深度神经网络的花生选芽方法的工作原理，同时本说明书中未作详细描述的内容均属于本领域专业技术人员公知的现有技术。
虽然结合附图描述了本发明的实施方式，但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改，只要不超过本发明的权利要求所描述的保护范围，都应当在本发明的保护范围之内。

Claims (6)

1.一种基于深度神经网络的花生选芽方法，其特征在于，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。
2.根据权利要求1所述的基于深度神经网络的花生选芽方法，其特征在于，所述步骤S1中发芽花生的图像同样通过CCD相机采集。
3.根据权利要求1所述的基于深度神经网络的花生选芽方法，其特征在于，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。
4.根据权利要求1所述的基于深度神经网络的花生选芽方法，其特征在于，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。
5.根据权利要求1所述的基于深度神经网络的花生选芽方法，其特征在于，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。
6.一种应用于权利要求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，其特征在于，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。
CN201910955799.2A 2019-10-09 2019-10-09 一种基于深度神经网络的花生选芽方法及控制系统 Withdrawn CN110765899A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910955799.2A CN110765899A (zh) 2019-10-09 2019-10-09 一种基于深度神经网络的花生选芽方法及控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910955799.2A CN110765899A (zh) 2019-10-09 2019-10-09 一种基于深度神经网络的花生选芽方法及控制系统

Publications (1)

Publication Number Publication Date
CN110765899A true CN110765899A (zh) 2020-02-07

Family

ID=69331388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910955799.2A Withdrawn CN110765899A (zh) 2019-10-09 2019-10-09 一种基于深度神经网络的花生选芽方法及控制系统

Country Status (1)

Country Link
CN (1) CN110765899A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111964723A (zh) * 2020-08-18 2020-11-20 合肥金果缘视觉科技有限公司 一种基于人工智能的花生米短芽检测系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111964723A (zh) * 2020-08-18 2020-11-20 合肥金果缘视觉科技有限公司 一种基于人工智能的花生米短芽检测系统

Similar Documents

Publication Publication Date Title
CN110009043B (zh) 一种基于深度卷积神经网络的病虫害检测方法
Yalcin Plant phenology recognition using deep learning: Deep-Pheno
CN104899255B (zh) 适用于训练深度卷积神经网络的图像数据库的构建方法
CN108388917A (zh) 一种基于改进深度学习模型的高光谱图像分类方法
CN111699494A (zh) 使用通过主成分分析和重复频谱聚类进行训练的卷积神经网络的对象识别
CN107679509B (zh) 一种小环藻识别方法及装置
CN107451565B (zh) 一种半监督小样本深度学习图像模式分类识别方法
CN107067043A (zh) 一种农作物病虫害检测方法
Cengıl et al. Multiple classification of flower images using transfer learning
CN110503140B (zh) 基于深度迁移学习与邻域降噪的分类方法
CN111127423B (zh) 一种基于cnn-bp神经网络算法水稻病虫害识别方法
CN116071560A (zh) 一种基于卷积神经网络的水果识别方法
CN111709326A (zh) 基于深度学习的级联式颗粒作物质量分析方法及其系统
CN116524279A (zh) 一种数字农业的人工智能图像识别作物长势分析方法
CN112270401A (zh) 一种卷积神经网络的卷积实现方法
CN110956201B (zh) 一种基于卷积神经网络的图像失真类型分类方法
CN113221913A (zh) 一种基于高斯概率决策级融合的农林病虫害细粒度识别方法及装置
CN113313692A (zh) 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法
CN109325533A (zh) 一种人工智能框架进行cnn迭代训练方法
CN111932639A (zh) 一种基于卷积神经网络的不均衡缺陷样本的检测方法
CN111563542A (zh) 一种基于卷积神经网络的植物自动分类方法
CN110765899A (zh) 一种基于深度神经网络的花生选芽方法及控制系统
CN113344009A (zh) 一种轻小型网络自适应番茄病害特征提取方法
CN113077452A (zh) 基于dnn网络和斑点检测算法的苹果树病虫害检测方法
Agnihotri et al. Comparative analysis of tomato leaf disease detection using machine learning

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200207