CN113506242A - 基于yolo的玉米黄曲霉素检测方法 - Google Patents
基于yolo的玉米黄曲霉素检测方法 Download PDFInfo
- Publication number
- CN113506242A CN113506242A CN202110577223.4A CN202110577223A CN113506242A CN 113506242 A CN113506242 A CN 113506242A CN 202110577223 A CN202110577223 A CN 202110577223A CN 113506242 A CN113506242 A CN 113506242A
- Authority
- CN
- China
- Prior art keywords
- aflatoxin
- yolo
- corn
- image
- images
- 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
- 240000008042 Zea mays Species 0.000 title claims abstract description 59
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 59
- 229930195730 Aflatoxin Natural products 0.000 title claims abstract description 49
- 239000005409 aflatoxin Substances 0.000 title claims abstract description 49
- XWIYFDMXXLINPU-UHFFFAOYSA-N Aflatoxin G Chemical compound O=C1OCCC2=C1C(=O)OC1=C2C(OC)=CC2=C1C1C=COC1O2 XWIYFDMXXLINPU-UHFFFAOYSA-N 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 46
- 235000005822 corn Nutrition 0.000 title claims abstract description 46
- 238000013135 deep learning Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 45
- 238000000034 method Methods 0.000 claims description 26
- 238000011049 filling Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 15
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 claims description 13
- 235000009973 maize Nutrition 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 9
- 208000003643 Callosities Diseases 0.000 claims description 7
- 206010020649 Hyperkeratosis Diseases 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 208000015181 infectious disease Diseases 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- MBMQEIFVQACCCH-UHFFFAOYSA-N trans-Zearalenon Natural products O=C1OC(C)CCCC(=O)CCCC=CC2=CC(O)=CC(O)=C21 MBMQEIFVQACCCH-UHFFFAOYSA-N 0.000 claims description 6
- MBMQEIFVQACCCH-QBODLPLBSA-N zearalenone Chemical compound O=C1O[C@@H](C)CCCC(=O)CCC\C=C\C2=CC(O)=CC(O)=C21 MBMQEIFVQACCCH-QBODLPLBSA-N 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 241001480061 Blumeria graminis Species 0.000 claims description 3
- 206010024774 Localised infection Diseases 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- JKQXZKUSFCKOGQ-JLGXGRJMSA-N (3R,3'R)-beta,beta-carotene-3,3'-diol Chemical compound C([C@H](O)CC=1C)C(C)(C)C=1/C=C/C(/C)=C/C=C/C(/C)=C/C=C/C=C(C)C=CC=C(C)C=CC1=C(C)C[C@@H](O)CC1(C)C JKQXZKUSFCKOGQ-JLGXGRJMSA-N 0.000 claims 2
- JKQXZKUSFCKOGQ-LQFQNGICSA-N Z-zeaxanthin Natural products C([C@H](O)CC=1C)C(C)(C)C=1C=CC(C)=CC=CC(C)=CC=CC=C(C)C=CC=C(C)C=CC1=C(C)C[C@@H](O)CC1(C)C JKQXZKUSFCKOGQ-LQFQNGICSA-N 0.000 claims 2
- QOPRSMDTRDMBNK-RNUUUQFGSA-N Zeaxanthin Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CCC(O)C1(C)C)C=CC=C(/C)C=CC2=C(C)CC(O)CC2(C)C QOPRSMDTRDMBNK-RNUUUQFGSA-N 0.000 claims 2
- JKQXZKUSFCKOGQ-LOFNIBRQSA-N all-trans-Zeaxanthin Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CC(O)CC1(C)C)C=CC=C(/C)C=CC2=C(C)CC(O)CC2(C)C JKQXZKUSFCKOGQ-LOFNIBRQSA-N 0.000 claims 2
- KBPHJBAIARWVSC-XQIHNALSSA-N trans-lutein Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CC(O)CC1(C)C)C=CC=C(/C)C=CC2C(=CC(O)CC2(C)C)C KBPHJBAIARWVSC-XQIHNALSSA-N 0.000 claims 2
- 229940043269 zeaxanthin Drugs 0.000 claims 2
- 235000010930 zeaxanthin Nutrition 0.000 claims 2
- 239000001775 zeaxanthin Substances 0.000 claims 2
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 235000013305 food Nutrition 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000357 carcinogen Toxicity 0.000 description 1
- 239000003183 carcinogenic agent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 231100000167 toxic agent Toxicity 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000011179 visual inspection Methods 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于YOLO的玉米黄曲霉素检测方法，包括以下步骤：S1，搭建机器视觉检测平台，计算机控制紫外灯光源与工业相机异步触发，实时采集玉米的彩色RGB图像；S2，对采集到的玉米图像进行图像处理与分割；S3，建立YOLO深度学习神经网络检测模型；S4，对分割后的图像实时进行是否感染黄曲霉素的识别，得到是否感染黄曲霉素的识别结果，并输出识别结果。本发明提取出玉米的RGB色彩图像，采用YOLO深度学习的方式进行检测，大大提高了检测的精度与效率。
Description
技术领域
本发明属于机器视觉检测技术领域，涉及一种基于YOLO的玉米黄曲霉素检测方法。
背景技术
玉米是世界最重要的粮食作物之一，广泛分布于中国、美国、巴西等国家。玉米在我国既是人类食用粮食的主要来源，同时也是畜牧业中牲畜饲料的主要原料来源。然而玉米在存储过程中极易被黄曲霉素感染，发生霉变。黄曲霉素是世界卫生组织癌症研究机构划定的一类致癌物质，是一种毒性极强的剧毒物质。因此，对玉米是否感染黄曲霉素进行精准检测已经成为亟待解决的问题。
目前对玉米是否感染黄曲霉素检测的手段主要是传统的人工肉眼检测，通过人工抽取玉米，凭借肉眼检测玉米是否被黄曲霉素感染，由于该检测方式主观性较强且工人长时间工作后会产生视觉疲劳，容易产生错误分拣，工作量大且检测效率较低，因此迫切需要提出一种更精确、更高效的检测方法。
发明内容
为解决上述问题，提供一种基于YOLO的玉米黄曲霉素检测方法，用以检测玉米是否被黄曲霉素感染，从而为玉米的筛选工作带来方便。
包括以下步骤：
S1，搭建机器视觉检测平台，计算机控制紫外灯光源与工业相机异步触发，实时采集玉米的彩色RGB图像；
S2，对采集到的玉米图像进行图像处理与分割；
S3，建立YOLO深度学习神经网络检测模型；
S4，对分割后的图像实时进行是否感染黄曲霉素的识别，得到是否感染黄曲霉素的识别结果，并输出识别结果；
其中，所述机器视觉检测平台包括工业相机、紫外灯光源、载物台和计算机，计算机与工业相机和紫外灯光源分别连接，所述载物台设置在工业相机的正下方，所述紫外灯光源设置在工业相机的两侧。
优选地，所述S1中玉米若感染黄曲霉素，在紫外灯光源照射下通过工业相机采集到的玉米的彩色RGB图像呈现荧光反应。
优选地，所述S2，对采集到的玉米图像进行图像处理与分割，包括以下步骤：
S201，选择颜色模型；
S202，滤波处理；
S203，边缘提取；
S204，形态学滤波；
S205，图像填充与标记；
S206，图像合成。
优选地，所述滤波处理包括中值滤波对图像进行噪点去除。
优选地，所述边缘提取包括Canny算子提取玉米感兴趣区域边缘。
优选地，所述形态学滤波采用3×3方形结构对感兴趣区域进行膨胀、腐蚀、开运算、闭运算进行细小孔洞的填充或误连接区域的断开。
优选地，所述图像填充与标记采用扫描线种子填充法对感兴趣区域进行填充与标记。
优选地，所述图像合成包括对图像进行位与运算并组合，得到背景分割后的图像。
优选地，所述S3包括以下步骤：
S301，数据集采集：尽可能多的采集玉米被黄曲霉素感染的图像，尽量涵盖所有黄曲霉素感染后的玉米霉变形式，目的是为了使训练得到的检测模型的准确率尽可能高；
S302，归一化处理：对采集到的所有玉米被黄曲霉素感染的图像使用双线性插值法进行归一化处理，将图像等比缩放为像素为347×416的图像后再填入像素416×416的空白图像中，空白图像颜色使用(128，128，128)的灰色图像填充；
S303，数据集标注：使用labelImg标记软件用矩形框人工标定出玉米黄曲霉素感染区域并将矩形框的坐标存入txt文件中，将标注后的图像以7：3的比例随机划分为训练集与测试集；
S304，设置参数：训练10000次，使用adam优化器对网络参数进行优化，一次训练所选取的样本数为64，先验框anchor box大小设置为9，即设置‘epochs＝10000’，‘optimizer＝adam’，‘batch_size＝64’；
S305，训练模型：将S303中划分出的训练集输入YOLO深度学习神经网络，使用GPU加速训练模型；
S306，测试模型：待S305中所述训练结束后，利用S303中所述训练集对S305中所述训练模型进行测试，S305中所述训练模型对S303中所述训练集中的玉米黄曲霉素感染识别率不低于99％，则将当前训练模型作为YOLO深度学习神经网络检测模型，若未达到99％，则将当前训练模型作为待训练的YOLO深度学习神经网络检测模型，继续执行S304、S305、S306，直至得到对S303中所述训练集中的玉米黄曲霉素感染识别率不低于99％的YOLO深度学习神经网络检测模型。
优选地，所述先验框anchor box大小通过k-means聚类算法设置，随机选取9个被黄曲霉素感染的玉米对象作为聚类中心，计算各对象中心点与各聚类中心之间的距离，并取每个对象中心点与各聚类中心之间距离的最小值，根据此最小值将该对象划分给最近的聚类中心，更新每个聚类中心为当前聚类中心的点的均值，重复上述过程，直至所有的聚类中心不再发生变化。
与现有技术相比，本发明的有益效果如下：
本发明采取了紫外灯光源，若玉米感染黄曲霉素，在该光源的照射下会发生特定的荧光反应；本发明具有精度高、鲁棒性强、非接触、适应性好等优点，将工人从机械式的肉眼检查工作中解放，采用深度学习的方式进行检测，大大提高了检测的精度与效率，由于采用的YOLO深度学习神经网络检测模型是一种深度网络结构的自学习检测算法，因而能够很好的从训练集中学习到有效的识别方式，大大提高了检测的准确率。
附图说明
图1为本发明实施例基于YOLO的玉米黄曲霉素检测方法的步骤流程图；
图2为本发明实施例提供的基于YOLO的玉米黄曲霉素检测方法中机器视觉检测平台结构示意图；
图3为本发明实施例基于YOLO的玉米黄曲霉素检测方法的S2具体步骤流程图；
图4为本发明实施例基于YOLO的玉米黄曲霉素检测方法的S3具体步骤流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
为了克服现有技术的缺陷，参见图1，所示为本发明基于YOLO的玉米黄曲霉素检测方法的步骤流程图，
包括以下步骤：
S1，搭建机器视觉检测平台，计算机控制紫外灯光源与工业相机异步触发，实时采集玉米的彩色RGB图像；
S2，对采集到的玉米图像进行图像处理与分割；
S3，建立YOLO深度学习神经网络检测模型；
S4，对分割后的图像实时进行是否感染黄曲霉素的识别，得到是否感染黄曲霉素的识别结果，并输出识别结果；
其中，参见图2，机器视觉检测平台包括工业相机2、紫外灯光源3、载物台5和计算机1，计算机1与工业相机2和紫外灯光源3分别连接，载物台5设置在工业相机2的正下方，紫外灯光源3设置在工业相机2的两侧，工业相机2选用Apex系列RGB面阵扫描相机Apex AP-1600T-PGE，该相机是3-CMOS棱镜式工业R-G-B面阵扫描相机，具有3×160万像素，帧数为24fps，能够提供更好的空间分辨率与色彩保真度，计算机1安装有图像采集卡供计算机1获取工业相机2采集到的图像，两个紫外灯光源3与工业相机2位于同一水平高度且等距离分布在工业相机2的两侧，距离为200mm，工业相机2与紫外灯光源3均与计算机1电连接，可由计算机1控制同步或异步触发。
S1中玉米若感染黄曲霉素，在紫外灯光源照射下通过工业相机采集到的玉米的彩色RGB图像呈现荧光反应。
参见图3，S2，对采集到的玉米图像进行图像处理与分割，包括以下步骤：
S201，选择颜色模型；
S202，滤波处理；
S203，边缘提取；
S204，形态学滤波；
S205，图像填充与标记；
S206，图像合成。
具体实施例中，S201中颜色模型可选用RGB颜色模型。
S202，所述滤波处理包括中值滤波对图像进行噪点去除。
S203，所述边缘提取包括Canny算子提取玉米感兴趣区域边缘。
S204，所述形态学滤波采用3×3方形结构对感兴趣区域进行膨胀、腐蚀、开运算、闭运算进行细小孔洞的填充或误连接区域的断开。
S205，图像填充与标记采用扫描线种子填充法对感兴趣区域进行填充与标记。
S206，图像合成包括对图像进行位与运算并组合，得到背景分割后的图像。
参见图4，S3包括以下步骤：
S301，数据集采集：尽可能多的采集玉米被黄曲霉素感染的图像，尽量涵盖所有黄曲霉素感染后的玉米霉变形式，目的是为了使训练得到的检测模型的准确率尽可能高；
S302，归一化处理：对采集到的所有玉米被黄曲霉素感染的图像使用双线性插值法进行归一化处理，将图像等比缩放为像素为347×416的图像后再填入像素416×416的空白图像中，空白图像颜色使用(128，128，128)的灰色图像填充；
可对S302中所述归一化处理后的玉米被黄曲霉素感染的图像进行数据增强，可选的数据增强方式有平移、翻转、人工标记等方式；
S303，数据集标注：使用labelImg标记软件用矩形框人工标定出玉米黄曲霉素感染区域并将矩形框的坐标存入txt文件中，将标注后的图像以7：3的比例随机划分为训练集与测试集；
S304，设置参数：训练10000次，使用adam优化器对网络参数进行优化，一次训练所选取的样本数为64，先验框anchor box大小设置为9，即设置‘epochs＝10000’，‘optimizer＝adam’，‘batch_size＝64’；
S305，训练模型：将S303中划分出的训练集输入YOLO深度学习神经网络，使用GPU加速训练模型；
S306，测试模型：待S305中所述训练结束后，利用S303中所述训练集对S305中所述训练模型进行测试，S305中所述训练模型对S303中所述训练集中的玉米黄曲霉素感染识别率不低于99％，则将当前训练模型作为YOLO深度学习神经网络检测模型，若未达到99％，则将当前训练模型作为待训练的YOLO深度学习神经网络检测模型，继续执行S304、S305、S306，直至得到对S303中所述训练集中的玉米黄曲霉素感染识别率不低于99％的YOLO深度学习神经网络检测模型。
具体实施例中，所述先验框anchor box大小通过k-means聚类算法设置，随机选取9个被黄曲霉素感染的玉米对象作为聚类中心，计算各对象中心点与各聚类中心之间的距离，并取每个对象中心点与各聚类中心之间距离的最小值，根据此最小值将该对象划分给最近的聚类中心，更新每个聚类中心为当前聚类中心的点的均值，重复上述过程，直至所有的聚类中心不再发生变化。
无论上文说明如何详细，还有可以有许多方式实施本发明，说明书中所述的只是本发明的若干具体实施例子。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。
本发明实施例的上述详细说明并不在穷举的或者用于将本发明限制在上述明确的形式上。在上述以示意性目的说明本发明的特定实施例和实施例的同时，本领域技术人员将认识到可以在本发明的范围内进行各种等同修改。
在上述说明描述了本发明的特定实施例并且描述了预期最佳模式的同时，无论在上文中出现了如何详细的说明，也可以许多方式实施本发明。上述电路结构及其控制方式的细节在其实行细节中可以进行相当多的变化，然而其仍然包含在这里所公开的本发明中。
如上述一样应当注意，在说明本发明的某些特征或者方案时所使用的特殊术语不应当用于表示在这里重新定义该术语以限制与该术语相关的本发明的某些特定特点、特征或者方案。总之，不应当将在随附的权利要求书中使用的术语解释为将本发明限定在说明书中公开的特定实施例，除非上述详细说明部分明确地限定了这些术语。因此，本发明的实际范围不仅包括所公开的实施例，还包括在权利要求书之下实施或者执行本发明的所有等效方案。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于YOLO的玉米黄曲霉素检测方法，其特征在于，包括以下步骤：
S1，搭建机器视觉检测平台，计算机控制紫外灯光源与工业相机异步触发，实时采集玉米的彩色RGB图像；
S2，对采集到的玉米图像进行图像处理与分割；
S3，建立YOLO深度学习神经网络检测模型；
S4，对分割后的图像实时进行是否感染黄曲霉素的识别，得到是否感染黄曲霉素的识别结果，并输出识别结果；
其中，所述机器视觉检测平台包括工业相机、紫外灯光源、载物台和计算机，计算机与工业相机和紫外灯光源分别连接，所述载物台设置在工业相机的正下方，所述紫外灯光源设置在工业相机的两侧。
2.根据权利要求1所述的基于YOLO的玉米黄曲霉素检测方法，其特征在于，所述S1中玉米若感染黄曲霉素，在紫外灯光源照射下通过工业相机采集到的玉米的彩色RGB图像呈现荧光反应。
3.根据权利要求1所述的基于YOLO的玉米黄曲霉素检测方法，其特征在于，所述S2，对采集到的玉米图像进行图像处理与分割，包括以下步骤：
S201，选择颜色模型；
S202，滤波处理；
S203，边缘提取；
S204，形态学滤波；
S205，图像填充与标记；
S206，图像合成。
4.根据权利要求3所述的基于YOLO的玉米黄曲霉素检测方法，其特征在于，所述滤波处理包括中值滤波对图像进行噪点去除。
5.根据权利要求3所述的基于YOLO的玉米黄曲霉素检测方法，其特征在于，所述边缘提取包括Canny算子提取玉米感兴趣区域边缘。
6.根据权利要求3所述的基于YOLO的玉米黄曲霉素检测方法，其特征在于，所述形态学滤波采用3×3方形结构对感兴趣区域进行膨胀、腐蚀、开运算、闭运算进行细小孔洞的填充或误连接区域的断开。
7.根据权利要求3所述的基于YOLO的玉米黄曲霉素检测方法，其特征在于，所述图像填充与标记采用扫描线种子填充法对感兴趣区域进行填充与标记。
8.根据权利要求3所述的基于YOLO的玉米黄曲霉素检测方法，其特征在于，所述图像合成包括对图像进行位与运算并组合，得到背景分割后的图像。
9.根据权利要求1所述的基于YOLO的玉米黄曲霉素检测方法，其特征在于，所述S3，建立YOLO深度学习神经网络检测模型，包括以下步骤：
S301，数据集采集：采集玉米被黄曲霉素感染的图像，涵盖若干种黄曲霉素感染后的玉米霉变形式；
S302，归一化处理：对采集到的所有玉米被黄曲霉素感染的图像使用双线性插值法进行归一化处理，将图像等比缩放为像素为347×416的图像后再填入像素416×416的空白图像中，空白图像颜色使用(128，128，128)的灰色图像填充；
S303，数据集标注：使用labelImg标记软件用矩形框人工标定出玉米黄曲霉素感染区域并将矩形框的坐标存入txt文件中，将标注后的图像以7:3的比例随机划分为训练集与测试集；
S304，设置参数：训练10000次，使用adam优化器对网络参数进行优化，一次训练所选取的样本数为64，先验框anchor box大小设置为9，即设置‘epochs＝10000’，‘optimizer＝adam’，‘batch_size＝64’；
S305，训练模型：将S303中划分出的训练集输入YOLO深度学习神经网络，使用GPU加速训练模型；
S306，测试模型：待S305中所述训练结束后，利用S303中所述训练集对S305中所述训练模型进行测试，S305中所述训练模型对S303中所述训练集中的玉米黄曲霉素感染识别率不低于99％，则将当前训练模型作为YOLO深度学习神经网络检测模型，若未达到99％，则将当前训练模型作为待训练的YOLO深度学习神经网络检测模型，继续执行S304、S305、S306，直至得到对S303中所述训练集中的玉米黄曲霉素感染识别率不低于99％的YOLO深度学习神经网络检测模型。
10.根据权利要求9所述的基于YOLO的玉米黄曲霉素检测方法，其特征在于，所述先验框anchor box大小通过k-means聚类算法设置，随机选取9个被黄曲霉素感染的玉米对象作为聚类中心，计算各对象中心点与各聚类中心之间的距离，并取每个对象中心点与各聚类中心之间距离的最小值，根据此最小值将该对象划分给最近的聚类中心，更新每个聚类中心为当前聚类中心的点的均值，重复上述过程，直至所有的聚类中心不再发生变化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110577223.4A CN113506242A (zh) | 2021-05-26 | 2021-05-26 | 基于yolo的玉米黄曲霉素检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110577223.4A CN113506242A (zh) | 2021-05-26 | 2021-05-26 | 基于yolo的玉米黄曲霉素检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113506242A true CN113506242A (zh) | 2021-10-15 |
Family
ID=78008583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110577223.4A Pending CN113506242A (zh) | 2021-05-26 | 2021-05-26 | 基于yolo的玉米黄曲霉素检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113506242A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114240807A (zh) * | 2022-02-28 | 2022-03-25 | 山东慧丰花生食品股份有限公司 | 一种基于机器视觉的花生黄曲霉素检测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104646315A (zh) * | 2015-03-02 | 2015-05-27 | 青岛农业大学 | 一种具有黄曲霉素检测功能的农产品智能分选机 |
| CN110490874A (zh) * | 2019-09-04 | 2019-11-22 | 河海大学常州校区 | 基于yolo神经网络的纺织布匹表面瑕疵检测方法 |
-
2021
- 2021-05-26 CN CN202110577223.4A patent/CN113506242A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104646315A (zh) * | 2015-03-02 | 2015-05-27 | 青岛农业大学 | 一种具有黄曲霉素检测功能的农产品智能分选机 |
| CN110490874A (zh) * | 2019-09-04 | 2019-11-22 | 河海大学常州校区 | 基于yolo神经网络的纺织布匹表面瑕疵检测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114240807A (zh) * | 2022-02-28 | 2022-03-25 | 山东慧丰花生食品股份有限公司 | 一种基于机器视觉的花生黄曲霉素检测方法及系统 |
| CN114240807B (zh) * | 2022-02-28 | 2022-05-17 | 山东慧丰花生食品股份有限公司 | 一种基于机器视觉的花生黄曲霉素检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10783641B2 (en) | Systems and methods for adaptive histopathology image unmixing | |
| JP2022180419A (ja) | 画像解析方法、装置、プログラムおよび学習済み深層学習アルゴリズムの製造方法 | |
| CN110120042B (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
| CN110084241B (zh) | 一种基于图像识别的电表自动读数方法 | |
| CN108133216B (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
| CN109671068B (zh) | 一种基于深度学习的腹部肌肉标注方法及装置 | |
| CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
| CN108960011B (zh) | 部分遮挡的柑橘果实图像识别方法 | |
| CN111259925B (zh) | 基于k均值聚类和宽度突变算法的田间麦穗计数方法 | |
| CN112634257B (zh) | 一种真菌荧光检测方法 | |
| CN112069985B (zh) | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 | |
| CN108133471B (zh) | 一种基于人工蜂群算法的机器人导航路径提取方法及装置 | |
| CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
| Sigit et al. | Identification of leukemia diseases based on microscopic human blood cells using image processing | |
| CN110826612A (zh) | 深度学习的训练识别方法 | |
| CN113506242A (zh) | 基于yolo的玉米黄曲霉素检测方法 | |
| CN109948544B (zh) | 一种目标菌落自动定位与识别方法 | |
| CN108961295B (zh) | 基于正态分布h阈值的紫色土图像分割提取方法 | |
| CN113518182B (zh) | 一种基于树莓派的黄瓜表型特征测量方法 | |
| CN113222889B (zh) | 高分辨率图像下水产养殖物的工厂化养殖计数方法及装置 | |
| CN113793385A (zh) | 鱼头鱼尾定位方法及装置 | |
| CN108967246B (zh) | 虾苗定位方法 | |
| CN111968115A (zh) | 基于栅格化图像处理方法的骨科耗材检测方法及系统 | |
| CN116229236A (zh) | 一种基于改进YOLO v5模型的结核杆菌检测方法 | |
| CN107895152A (zh) | 一种在轨云缝快速检测方法 |
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 |