CN115862006B - 一种面粉磨粉过程中麸星的检测方法 - Google Patents

Abstract

本发明涉及神经网络技术领域，具体涉及一种面粉磨粉过程中麸星的检测方法，该方法通过将面粉表面图像输入到预先训练好的空间金字塔网络中获得麸星检测结果。该空间金字塔网络将面粉表面图像输入到卷积层，输出得到表面特征图，进一步对表面特征图像进行划分得到特征窗口，根据特征窗口中疑似麸星像素点的空间分布特征筛选出候选麸星特征窗口，对候选麸星特征窗口的各个待检测窗口的特征值的相对分布特征进行计算得到每个待检测窗口的特征向量，进一步得到候选麸星特征窗口的综合特征向量，将综合特征向量输入到全连接层，输出麸星异常区域，完成面粉磨粉过程中麸星的检测。本发明提高了面粉中麸星检测识别的准确度。

Description

一种面粉磨粉过程中麸星的检测方法

技术领域

本发明涉及神经网络技术领域，具体涉及一种面粉磨粉过程中麸星的检测方法。

背景技术

面粉是主食之一，通常通过研磨小麦得到，而面粉的质量受到多方面影响，其中包括面粉中可能会存在的麸星，面粉中麸星数量过多会降低面粉品质，在表面会造成面粉色泽受到影响，并且在食用时影响口感和味道。因此需要在面粉磨粉过程中及时检测出麸星并筛选出来，以保证面粉质量。现有技术通过根据麸星在面粉中表现的特征通过神经网络识别麸星，而SPP-Net网络，即空间金字塔池化网络由于不对输入图像尺寸大小进行限定，在通过神经网络进行图像处理的领域中应用广泛。

发明人在实践中，发现上述现有技术存在以下缺陷：

SPP-Net网络进行特征识别时，不同的特征区域会由于光照和内部纹理的存在，影响到池化过程中特征向量的选取，造成正确的特征向量信息被噪声覆盖，即光照和面粉内部纹理所产生的噪声会导致特征区域信息丢失，进一步使得面粉磨粉过程中检测麸星的准确度降低。

发明内容

为了解决面粉磨粉过程中检测麸星的准确度降低技术问题，本发明的目的在于提供一种面粉磨粉过程中麸星的检测方法，所采用的技术方案具体如下：

本发明提出了一种面粉磨粉过程中麸星的检测方法，所述方法包括：

获取面粉研磨过程中的面粉表面图像；

将所述面粉表面图像输入预先训练好的空间金字塔池化网络中，获得麸星检测结果；

所述空间金字塔池化网络至少包括卷积层和全连接层；所述卷积层的输入为所述面粉表面图像，输出为表面图像特征图，根据所述表面图像特征图的图像特征得到特征窗口；根据所述特征窗口中像素点的灰度值筛选出所有疑似麸星像素点，根据所述特征窗口中所有疑似麸星像素点的空间分布特征得到麸星可能性，根据麸星可能性筛选出候选麸星特征窗口；将所述候选麸星特征窗口按预设划分规则划分，获得两个以上待检测窗口，获取所有待检测窗口中各个像素点的特征值，根据每个像素点在所述待检测窗口中所述特征值的相对分布特征得到每个所述疑似麸星像素点的选择价值，根据所述选择价值对所述待检测窗口中所有疑似麸星像素点进行筛选，获得参考像素点，根据参考像素点的所述特征值得到对应的特征向量；根据所述候选麸星特征窗口对应的所有待检测窗口的特征向量得到所述候选麸星特征窗口的综合特征向量；将所述综合特征向量输入全连接层进行识别，输出所述面粉表面图像的麸星异常区域。

进一步地，所述疑似麸星像素点的获取方法包括：

获取所述特征窗口中所有像素点的灰度值，计算所有像素点灰度值与预设麸星标准灰度值之间的灰度值差异，将所述灰度值差异小于预设差异阈值对应的像素点记为疑似麸星像素点。

进一步地，所述麸星可能性的获取方法包括：

统计目标特征窗口中疑似麸星像素点的数量，将所有疑似麸星像素点的所述灰度值差异的数值从小到大的顺序记为灰度值差异升序，将所有疑似麸星像素点的灰度值以所述灰度值差异升序进行排列得到疑似麸星像素点序列；

计算所述疑似麸星像素点序列中相邻疑似麸星像素点之间的距离，将所有距离倒数的累加和的均值记为所述目标特征窗口的麸星可能性；

改变目标特征窗口得到所有特征窗口的麸星可能性。

进一步地，所述疑似麸星像素点的选择价值的获取方法包括：

计算所述待检测窗口中所有疑似麸星像素点与目标疑似麸星像素点的特征值差异累加和，将所述累加和记为目标疑似麸星像素点对应的累加特征值；

获得所述待检测窗口中的最大特征值，将所述最大特征值与所述目标疑似麸星像素点的特征值差值进行正相关映射，将所述正相关映射得到的映射值记为目标疑似麸星像素点的被覆盖程度；

将所述被覆盖程度与所述累加特征值的比值记为选择特征值，将所述选择特征通过函数映射得到目标疑似麸星像素点对应的选择价值；

改变目标疑似麸星像素点得到所有疑似麸星像素点的选择价值。

进一步地，所述特征向量的获取方法包括：

统计所述待检测窗口中所有疑似麸星像素点的选择价值，将选择价值最高的疑似麸星像素点作为参考像素点；将所述参考像素点对应的特征值作为所述特征向量。

进一步地，所述根据麸星可能性筛选出候选麸星特征窗口包括：

统计所有特征窗口中的麸星可能性，将所述麸星可能性进行归一化，将归一化后麸星可能性大于等于预设麸星阈值的特征窗口记为候选麸星特征窗口。

进一步地，所述特征窗口的获取方法包括：

在所述面粉表面图像中根据麸星区域的特征通过选择性搜索算法得到特征区域，将所述特征区域在所述表面图像特征图中进行映射得到两个以上特征窗口。

本发明具有如下有益效果：

由于面粉堆叠所产生的噪声会对麸星的识别造成影响，因此为了能够准确的得到存在麸星的窗口，本发明考虑到麸星区域与噪声区域像素点在图像上的空间分布特征差异，根据特征窗口中像素点的灰度值筛选出疑似麸星像素点，根据疑似麸星像素点的分布特征得到麸星可能性，进一步根据麸星可能性筛选出候选麸星特征窗口。该候选麸星窗口根据麸星形状以及颜色特征进行自适应选取得到，减少了后续识别过程中噪声的影响，提高了麸星检测的准确度。

另一方面，由于传统的空间金字塔池化网络通常采用最大值池化选取窗口中的特征向量，即将窗口中的最大特征向量作为窗口特征向量，但是在面粉表面图像中，考虑到面粉必然会发生堆叠导致面粉的纹理边缘较为随机，采用空间金字塔池化网络最大值池化的方法进行特征识别时，极易容易受到噪声影响。所以本发明为了减少网络识别过程中噪声信息的影响，根据候选麸星特征窗口中的特征值的相对分布特征得到所有麸星像素点的选择价值，根据候选麸星特征窗口中疑似麸星像素点的选择价值选择参考像素点，进而获得对应的特征向量。选择价值结合了麸星像素点通常在面粉中集中分布的特征，使得麸星区域的像素点与噪声区域像素点能够区分开，减少了面粉堆叠产生的噪声边缘影响，从而保证特征识别的准确性。通过不同预设划分规则下初始综合特征向量的合成，获得具有明显麸星特征的综合特征向量，进而实现麸星异常区域的检测。本发明通过在金字塔池化网络中获取麸星特征明显的综合特征向量用于麸星异常的检测，提高了面粉中麸星检测识别的准确度。

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和优点，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的介绍，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它附图。

图1为本发明一个实施例所提供的一种面粉磨粉过程中麸星的检测方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种面粉磨粉过程中麸星的检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种面粉磨粉过程中麸星的检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种面粉磨粉过程中麸星的检测方法流程图，该方法包括：

步骤S1：获取面粉研磨过程中的面粉表面图像。

本发明的目的是通过空间金字塔网络根据面粉表面图像中特征位置关系以及不同位置特征信号的强度，对可能存在麸星的窗口的特征向量进行自适应选择，进一步识别出面粉研磨过程中的麸星。因此首先需要获取面粉研磨过程中的面粉表面图像。

麸星是小麦颗粒麸皮的碎片，考虑到面粉在研磨前就已经经过筛分处理，所以麸星在面粉中的含量少，因此为了能够准确的提取麸星在面粉图像中的特征，在采集面粉表面图像时需要保证图像采集设备的精度。为了方便在面粉磨粉过程中采集面粉图像，在研磨机械上安装图像采集设备。另一方面，为了保证后续分析过程中各个像素点像素值的准确性，需要保证图像采集设备的设置方向为竖直向下。此外，由于环境光线在照射不规则的面粉表面时，所产生的阴影会对后续的分析造成影响，因此需要设置补光设备以减少面粉表面图像的阴影，进一步通过图像采集设备采集面粉表面图像。在本发明实施例中，采用高精度工业相机作为图像采集设备，采用补光灯作为补光设备。

步骤S2：将面粉表面图像输入预先训练好的空间金字塔池化网络中，获得麸星检测结果。

本发明实施例通过目标检测法根据神经网络识别面粉磨粉过程中的麸星。考虑到通过常规CNN网络进行检测时，由于常规CNN网络的对输入图像的限制，当待检测区域不为等大区域时，无法进行识别，即常规CNN网络需要保证检测图像的尺寸一致，所以通过常规CNN网络进行检测时需要将面粉表面图像进行裁剪和缩放来统一尺寸，但是裁剪和缩放的过程必然会影响面粉检测图像的质量，进一步影响识别结果。进一步地如果在常规CNN网络中加入空间金字塔池化层，形成SPP-Net网络，即空间金字塔池化网络，使得检测过程能够对不同尺寸的图像和窗口进行识别，避免了裁剪和缩放过程影响识别结果的问题。因此本发明实施例将面粉表面图像输入预先训练好的空间金字塔池化网络中，获得麸星检测结果。需要说明的是，CNN网络和SPP-Net网络的构建及原理为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。

本发明实施例所采用的空间金字塔池化网络结构在逻辑顺序上为：将图像输入到卷积层中得到特征图；根据特征图的图像特征得到特征窗口；对特征窗口进行筛选获得候选麸星特征窗口，进一步将不同尺寸的候选麸星特征窗口通过空间金字塔池化层转化为大小一致的特征向量，将所有特征向量输入到全连接层后输出所需要的对象。即本发明实施例的空间金字塔池化网络至少包括卷积层和全连接层。

因此首先需要将图像输入到卷积层，即卷积层的输入为面粉表面图像，进一步地输出表面图像特征图。需要说明的是，卷积层输出的表面图像特征图像中一个像素点对应一个特征值。

由于空间金字塔池化网络本身的特性，不需要计算每个窗口的特征向量，因此进一步地在卷积层输出的表面图像特征图中根据图像特征得到特征窗口。

优选地，该图像特征即为表面图像特征图中可能为麸星的图像特征，即筛选出的特征窗口为可能存在麸星的窗口。因此在面粉表面图像中根据麸星区域的特征通过选择性搜索算法得到特征区域，将特征区域在表面图像特征图中进行映射得到两个以上特征窗口。需要说明的是，特征窗口对应特征区域在表面图像特征图进行映射后对应区域的最大外接矩形。

通过初始筛选过程，在表面图像特征图中筛选出特征窗口，能够降低网络处理特征向量的计算量，方便后续网络的识别。

进一步对每个特征窗口进行分析得到对应的特征向量，将所有特征向量作为全连接层的输入得到识别结果。但是考虑到由于面粉堆叠会产生纹理边缘，且面粉堆叠的现象是不可避免的，对于边缘较强的像素值波动所产生的噪声可能会将麸星区域的波动进行覆盖。所以在选择特征向量时，由于麸星区域的特征被覆盖，会导致在特征向量的选择过程中麸星区域信息丢失，进一步影响后续的识别过程。因此为了减少噪声的影响，本发明实施例根据麸星区域的特征在进行金字塔池化时自适应选取特征向量。

另一方面，考虑到麸星与面粉之间的特征差异不大，所以检测过程中极易受到噪声的影响，使得在根据图像特征得到的所有特征窗口中，可能存在由于噪声影响被筛选出的特征窗口，因此在所有特征窗口均进行自适应选取特征向量的方法会产生检测误差和大量不必要的计算。因此本发明实施例对所有特征窗口的麸星可能性进行计算，根据麸星可能性在所有特征窗口中筛选得到候选麸星特征窗口，进一步提高后续特征向量的选取精度并降低计算量。

考虑到正常面粉区域对应像素点与麸星区域对应像素点之间的灰度值差异明显，所以根据特征窗口内像素点的灰度值筛选出所有疑似麸星像素点，由于疑似麸星像素点仅根据灰度值得到，对应的面粉的纹理边缘波动所产生的噪声像素点的灰度值可能存在与麸星像素点灰度值相近的情况，因此疑似麸星像素点中可能包含噪声像素点，所有为了提高对麸星区域识别的准确度，进一步根据麸星在面粉中的分布较为聚集的特征在疑似麸星像素点的基础上得到对应的麸星可能性。本发明实施例通过特征窗口中所有疑似麸星像素点的分布特征得到麸星可能性。

优选地，统计特征窗口内所有像素点的灰度值，计算所有像素点灰度值与预设麸星标准灰度值之间的灰度值差异，将灰度值差异小于预设差异阈值对应的像素点记为疑似麸星像素点。在本发明实施例中，预设差异阈值设置为5。需要说明的是，预设麸星标准灰度值的大小与实施者的具体实施环境有关，其具体的大小根据实际情况自适应选择。

优选地，统计目标特征窗口中疑似麸星像素点的数量，将所有疑似麸星像素点的灰度值差异数值从小到大的顺序记为灰度值差异升序，将所有疑似麸星像素点的灰度值以灰度值差异升序进行排列得到疑似麸星像素点序列。该疑似麸星像素点序列中的元素的排列方法能够将疑似麸星像素点排列方式统一，进一步提高后续特征向量选取的严谨性。

进一步地计算疑似麸星像素点序列中相邻疑似麸星像素点之间的距离，将所有距离的倒数的累加和记为目标特征窗口的麸星可能性，改变目标特征窗口得到所有特征窗口的麸星可能性。该麸星可能性的获取方法在公式上表现为：

其中，表示特征窗口对应的麸星可能性，表示特征窗口中疑似麸星像素点的数量，表示疑似麸星像素点序列中第个疑似麸星点，表示疑似麸星点序列中第个疑似麸星点，表示疑似麸星点序列中疑似麸星点的序号，表示欧氏距离计算函数。

该麸星可能性的获取方法在考虑麸星像素点灰度值的基础上，通过麸星区域对应的麸星像素点聚集分布的特征与噪声像素点离散分布的特征，计算疑似麸星像素点之间的欧氏距离，并将该欧氏距离进行负相关映射的均值表征麸星可能性。通过计算疑似麸星像素点欧氏距离的方法能够直观地表征特征窗口中噪声像素点和麸星像素点的分布情况，当所有疑似麸星像素点之间的欧氏距离越小时，对应的麸星可能性越大。

为了减少计算量，进一步地根据每个特征窗口中计算出的麸星可能性筛选出候选麸星窗口。

优选地，统计所有特征窗口中的麸星可能性，将麸星可能性进行归一化，将归一化后麸星可能性大于等于预设麸星阈值的特征窗口记为候选麸星特征窗口。在本发明实施例中，采用sigmoid函数进行归一化，预设麸星阈值设置为0.7。需要说明的是，sigmoid函数为本领域技术人员所熟知的现有技术，在此不做进一步赘述。

至此，得到候选麸星窗口，即麸星区域存在可能性高的窗口。在金字塔池化网络结构中，需要进一步获取候选麸星窗口区域对应的特征向量，考虑到本发明实施例所采用的池化网络为空间金字塔池化网络，因此需要将候选麸星窗口区域划分为多个待检测窗口，进一步计算待检测窗口对应的特征向量得到候选麸星窗口的特征向量。本发明实施例将候选麸星特征窗口按照预设划分规则划分，获得两个以上待检测窗口。

在本发明实施例中，预设划分规则具体包括：将候选麸星特征窗口进行三种形式的划分得到对应的三种尺寸大小不同的窗口。首先将候选麸星特征窗口整体作为一个待检测窗口表示第一种划分形式，即1行1列；然后将候选麸星特征窗口划分为4个形状大小相同的待检测窗口作为第二种划分形式，即2行2列；最后将候选麸星特征窗口划分为16个大小相同的待检测窗口作为第三种划分形式，即4行4列。将候选麸星特征窗口以三种划分形式得到21个待检测窗口，且待检测窗口的尺寸大小存在3种，每个种类的所有待检测窗口均可组合为候选麸星特征窗口，根据本发明实施例得到每个候选麸星特征窗口对应的21个待检测窗口。

进一步地，通过计算每个待检测窗口对应的特征向量即可表征对应候选麸星特征窗口的特征向量。考虑空间金字塔池化层采用传统的最大值池化的方法会由于噪声影响特征向量的选择，造成麸星区域的特征被遮盖。因此需要尽可能的减少或者消除噪声影响，本发明实施例对最大值池化的方法进行改变，在不改变最大值选取原则的基础上改变池化对象。具体的：本发明实施例获取所有待检测窗口中各个像素点的特征值，根据每个像素点在待检测窗口中特征值的相对分布特征得到每个疑似麸星像素点的选择价值，进一步将选择价值作为池化对象得到对应的特征向量。

优选地，计算待检测窗口中所有疑似麸星像素点与目标疑似麸星像素点的特征值差异累加和，将累加和记为目标疑似麸星像素点对应的累加特征值。由于特征值为卷积层输出的各个像素点的特征值，所以每个疑似麸星像素点的特征值会受到其他非疑似麸星像素点的影响，且由于麸星通常在麸星区域中集中分布，因此在所有疑似麸星像素点的特征值中，在麸星区域集中分布的麸星像素点之间的特征值差异不大，而在麸星区域集中分布的麸星像素点与离散分布的噪声像素点之间的特征值差异明显。因此将特征值差异的累加和得到的累加特征值能够作为区分噪声像素点和麸星像素点的特征参数。当目标疑似麸星像素点对应的累加特征值越大，说明目标疑似麸星像素点越可能为噪声点，即选择价值越小；当目标疑似麸星像素点对应的累加特征值越小，说明目标疑似麸星像素点越可能为麸星像素点，即选择价值越大。

获得候选麸星特征窗口中的最大特征值，将最大特征值与目标疑似麸星像素点的特征值差值进行正相关映射，将正相关映射得到的映射值记为目标疑似麸星像素点的被覆盖程度。由于噪声的存在，真正麸星像素点的特征可能会被覆盖，并且对应的真正麸星像素点的特征值越低时，被覆盖的程度就越大，因此本发明实施例将最大特征值与疑似像素点的特征值做差并进行正相关映射，将被覆盖程度更大的疑似麸星像素点的重要性进行提升，即当目标疑似麸星像素点的被覆盖程度越大，对应的选择价值越大。

将被覆盖程度与累加特征值的比值记为选择特征值，将选择特征通过函数映射得到目标疑似麸星像素点对应的选择价值，改变目标疑似麸星像素点得到所有疑似麸星像素点的选择价值。由于被覆盖程度与选择价值呈正相关，而累加特征值与选择价值呈负相关，因此将被覆盖程度作为分子，累加特征值作为分母得到选择特征值，进一步通过函数对选择特征值进行适应性的增大和减小得到选择价值，使真正麸星像素点和噪声点的区分更加明显。

选择价值的获取方法在公式上表现为：

其中，表示疑似麸星像素点的选择价值，表示疑似麸星像素点的特征值，表示除了疑似麸星像素点以外第个疑似麸星像素点的特征值，表示待检测窗口中疑似麸星像素点的数量，表示待检测窗口的所有像素点的特征值最大值，为自然常数，为激活函数。需要说明的是，激活函数为本领域技术人原所熟知的现有技术，在此不做进一步赘述。

进一步根据选择价值对待检测窗口中所有疑似麸星像素点进行筛选，获得参考像素点，根据参考像素点的特征值得到对应的特征向量。因为选择价值能够作为特征明显像素点的选择依据，因此根据选择价值筛选得到的参考像素点具有明显的特征表现，能够作为后续全连接层识别异常时的依据，即根据参考像素点的特征值所得到的特征向量参考性更强。优选地，统计待检测窗口中所有疑似麸星像素点的选择价值，将选择价值最高的疑似麸星像素点作为参考像素点；将参考像素点对应的特征值作为特征向量。将选择价值最高的参考像素点的特征向量池化对象，并且在不改变最大值选取原则基础上提高了所选选取特征向量的准确度。

进一步地根据待检测窗口中特征向量的获取方法，获得候选麸星窗口对应的所有待检测窗口的特征向量，根据候选麸星特征窗口对应的所有待检测窗口的特征向量得到候选麸星特征窗口的综合特征向量。在本发明实施例中，每个候选麸星特征窗口对应21个待检测窗口，对所有的待检测窗口以尺寸从小到大，空间分布从上到下、从左到右的顺序依次排列得到一个1行21列的综合特征向量。

得到每个候选麸星特征窗口的综合特征向量，每个候选麸星特征窗口的预设划分规则与分析过程均相同，对应的所有综合特征向量尺寸大小一致，符合全连接层的输入要求。进一步将综合特征向量输入全连接层进行识别，输出面粉表面图像的麸星异常区域，最后根据麸星异常区域完成面粉磨粉过程中麸星的检测。本发明实施例在输出麸星异常区域后，进一步通过控制计算机控制生产线相关设备将粉料中存在的麸星进行筛除，达到提升面粉质量的目的。

至此，完成面粉磨粉过程中麸星的检测。

综上所述，本发明通过将面粉表面图像输入到预先训练好的空间金字塔网络中获得麸星检测结果。该空间金字塔网络将面粉表面图像输入到卷积层，输出得到表面特征图，进一步对表面特征图像进行划分得到特征窗口，根据特征窗口中疑似麸星像素点的空间分布特征得到候选麸星特征窗口，对候选麸星特征窗口的各个待检测窗口的特征值的相对分布特征进行计算得到每个待检测窗口的特征向量，进一步得到候选麸星特征窗口的综合特征向量，将综合特征向量输入到全连接层，输出麸星异常区域，完成面粉磨粉过程中麸星的检测。本发明提高了面粉中麸星检测识别的准确度。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (2)

1.一种面粉磨粉过程中麸星的检测方法，其特征在于，所述方法包括：

获取面粉研磨过程中的面粉表面图像；

将所述面粉表面图像输入预先训练好的空间金字塔池化网络中，获得麸星检测结果；

所述空间金字塔池化网络至少包括卷积层和全连接层；所述卷积层的输入为所述面粉表面图像，输出为表面图像特征图，根据所述表面图像特征图的图像特征得到特征窗口；根据所述特征窗口中像素点的灰度值筛选出所有疑似麸星像素点，根据所述特征窗口中所有疑似麸星像素点的空间分布特征得到麸星可能性，根据麸星可能性筛选出候选麸星特征窗口；将所述候选麸星特征窗口按预设划分规则划分，获得两个以上待检测窗口，获取所有待检测窗口中各个像素点的特征值，根据每个像素点在所述待检测窗口中所述特征值的相对分布特征得到每个所述疑似麸星像素点的选择价值，根据所述选择价值对所述待检测窗口中所有疑似麸星像素点进行筛选，获得参考像素点，根据参考像素点的所述特征值得到对应的特征向量；根据所述候选麸星特征窗口对应的所有待检测窗口的特征向量得到所述候选麸星特征窗口的综合特征向量；将所述综合特征向量输入全连接层进行识别，输出所述面粉表面图像的麸星异常区域；所述特征窗口的获取方法包括：

在所述面粉表面图像中根据麸星区域的特征通过选择性搜索算法得到特征区域，将所述特征区域在所述表面图像特征图中进行映射得到两个以上特征窗口；

所述疑似麸星像素点的获取方法包括：

获取所述特征窗口中所有像素点的灰度值，计算所有像素点灰度值与预设麸星标准灰度值之间的灰度值差异，将所述灰度值差异小于预设差异阈值对应的像素点记为疑似麸星像素点；

所述麸星可能性的获取方法包括：

统计目标特征窗口中疑似麸星像素点的数量，将所有疑似麸星像素点的所述灰度值差异的数值从小到大的顺序记为灰度值差异升序，将所有疑似麸星像素点的灰度值以所述灰度值差异升序进行排列得到疑似麸星像素点序列；

计算所述疑似麸星像素点序列中相邻疑似麸星像素点之间的距离，将所有距离倒数的累加和的均值记为所述目标特征窗口的麸星可能性；

改变目标特征窗口得到所有特征窗口的麸星可能性；

所述疑似麸星像素点的选择价值的获取方法包括：

任选一个初始疑似麸星像素点作为目标疑似麸星像素点；

计算所述待检测窗口中所有疑似麸星像素点与目标疑似麸星像素点的特征值差异累加和，将所述累加和记为目标疑似麸星像素点对应的累加特征值；

获得所述待检测窗口中的最大特征值，将所述最大特征值与所述目标疑似麸星像素点的特征值差值进行正相关映射，将所述正相关映射得到的映射值记为目标疑似麸星像素点的被覆盖程度；

将所述被覆盖程度与所述累加特征值的比值记为选择特征值，将所述选择特征通过函数映射得到目标疑似麸星像素点对应的选择价值；

改变目标疑似麸星像素点得到所有疑似麸星像素点的选择价值；

所述特征向量的获取方法包括：

统计所述待检测窗口中所有疑似麸星像素点的选择价值，将选择价值最高的疑似麸星像素点作为参考像素点；将所述参考像素点在所述表面图像特征图中的特征向量作为对应待检测窗口的特征向量；

所述预设划分规则包括：

将候选麸星特征窗口进行三种形式的划分得到对应的三种尺寸大小不同的窗口；将候选麸星特征窗口整体作为一个待检测窗口表示第一种划分形式；将候选麸星特征窗口划分为4个形状大小相同的待检测窗口作为第二种划分形式；将候选麸星特征窗口划分为16个大小相同的待检测窗口作为第三种划分形式；将候选麸星特征窗口以三种划分形式得到21个待检测窗口。

2.根据权利要求1所述的一种面粉磨粉过程中麸星的检测方法，其特征在于，所述根据麸星可能性筛选出候选麸星特征窗口包括：

统计所有特征窗口中的麸星可能性，将所述麸星可能性进行归一化，将归一化后麸星可能性大于等于预设麸星阈值的特征窗口记为候选麸星特征窗口。

Images