在稻谷生產(chǎn)和儲(chǔ)藏過(guò)程中，傳統(tǒng)的稻谷外觀品質(zhì)檢測(cè)方法主要是通過(guò)人工自主識(shí)別，即通過(guò)人眼結(jié)合對(duì)照的直觀分析進(jìn)行鑒別。人工檢測(cè)和評(píng)估的方法不僅耗時(shí)耗力，而且結(jié)果也基本受到專(zhuān)業(yè)檢測(cè)人員主觀性的影響。由于檢測(cè)人員的主觀性以及不同地區(qū)造成的判斷標(biāo)準(zhǔn)的差異，使得快速、自動(dòng)、準(zhǔn)確的檢測(cè)稻米外觀品質(zhì)成為行業(yè)的發(fā)展趨勢(shì)。
本研究通過(guò)引入卷積神經(jīng)網(wǎng)絡(luò)和圖像處理技術(shù)，自主設(shè)計(jì)了一套基于機(jī)器視覺(jué)技術(shù)的大米外觀品質(zhì)快速自動(dòng)檢測(cè)系統(tǒng)。本研究通過(guò)將NIR和RGB圖像疊加生成五通道圖像數(shù)據(jù)，并采用Watershed算法和Otus自適應(yīng)閾值函數(shù)相結(jié)合的方法對(duì)圖像進(jìn)行預(yù)處理。對(duì)樣本中的不同顆粒進(jìn)行標(biāo)記，放入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。通過(guò)選擇最優(yōu)的訓(xùn)練模型，對(duì)水稻籽粒進(jìn)行分類(lèi)并對(duì)表型數(shù)據(jù)進(jìn)行分析，實(shí)現(xiàn)對(duì)水稻外觀品質(zhì)的檢測(cè)。
實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)的分辨率可達(dá)92.3 %。該系統(tǒng)在稻米外觀品質(zhì)檢測(cè)過(guò)程中，不僅減少了因檢測(cè)環(huán)境不同導(dǎo)致的主觀性問(wèn)題、大樣本量導(dǎo)致的視覺(jué)疲勞以及檢測(cè)人員的個(gè)人因素，而且顯著提高了檢測(cè)精度，增強(qiáng)了稻米外觀品質(zhì)檢測(cè)效率和等級(jí)判定。從而實(shí)現(xiàn)了稻米外觀品質(zhì)的自動(dòng)化、科學(xué)化、精確化檢測(cè)，成為傳統(tǒng)檢測(cè)方法的良好替代品，對(duì)大米產(chǎn)業(yè)的發(fā)展具有積極意義。
圖1 系統(tǒng)的整體結(jié)構(gòu)框架。系統(tǒng)包括暗箱、條形光源、五通道攝像頭、抽屜式載臺(tái)、秤架、背光板、控制模塊、計(jì)算機(jī)等。
圖2 系統(tǒng)的物理圖。
圖3 細(xì)分效果對(duì)比圖。（A） 手動(dòng)閾值分割（閾值190）。（B） 手動(dòng)閾值分割（閾值200）。（C） 手動(dòng)閾值分割（閾值210）。（D） 自適應(yīng)閾值分割。
圖4 水稻預(yù)測(cè)效應(yīng)。（a） 完成。（二）病變。（三）霉菌。（四）不成熟。
圖5 檢測(cè)時(shí)間比較。
圖6 測(cè)量精度比較。
文獻(xiàn)來(lái)源：He Y, Fan B, Sun L, Fan X, Zhang J, Li Y, Suo X. Rapid appearance quality of rice based on machine vision and convolutional neural network research on automatic detection system. Frontiers in Plant Science. https://doi.org/3389.2023/fpls.1190591.
鄂公網(wǎng)安備42018502003245號(hào) 網(wǎng)站地圖
