基于卷積神經(jīng)網(wǎng)絡(luò)算法處理的稻米參數(shù)評定分析儀

步東偉

（鄭州大學(xué) 信息工程學(xué)院，河南 鄭州 450007）

我國作為世界上最大的稻米生產(chǎn)國和消費(fèi)國之一，國家對稻米的品質(zhì)非常重視，人們對稻米的精深加工、品種和質(zhì)量的要求越來越高，為此頒布國家標(biāo)準(zhǔn)GB/T 17891—2017《優(yōu)質(zhì)稻谷》[1]、GB1350—2009《稻谷》[2]、GB/T24535—2009《稻谷粒型檢驗(yàn)方法》[3]，為我國優(yōu)質(zhì)稻谷的生產(chǎn)與開發(fā)提供了重要的依據(jù)，文獻(xiàn)[4-6]對整精米的標(biāo)準(zhǔn)應(yīng)用進(jìn)行闡述分析。其中粒型參數(shù)包括米粒的長度、寬度、長寬比、堊白度等參數(shù)，這些參數(shù)用于稻米等級評定參考，現(xiàn)行粒型的檢測方法主要采用人工測量的方法獲得，用直尺測量10粒稻米的總長度和寬度，從而計(jì)算出粒型，這種方法受檢測人員的主觀因素影響，且該檢測方法的檢測時(shí)間長、可操作性和重復(fù)性差，影響檢測結(jié)果的合理性，不能滿足稻米收購、儲(chǔ)藏等過程中對品質(zhì)檢測的快速、客觀和準(zhǔn)確性要求，影響了稻米的流通和加工品質(zhì)的提高，為此國內(nèi)外很多學(xué)者提出了不同的處理設(shè)備和方法，比如提出技術(shù)模式識(shí)別的測試方法，缺點(diǎn)是速度慢，成本高，精度不好控制[7-11]。也有很多學(xué)者將卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）用于農(nóng)業(yè)檢測[12-17]，用于提高農(nóng)產(chǎn)品檢測設(shè)備的智能化。

基于此，本文提出了一種基于CNN算法處理的稻米參數(shù)評定分析儀，可以快速檢測出稻米的形態(tài)參數(shù)，并給出參數(shù)指標(biāo)，為稻米的存儲(chǔ)和種子選取做好了準(zhǔn)備，本設(shè)備成本低，操作方便，便于攜帶，有利于現(xiàn)場使用，便于本設(shè)備的后期推廣應(yīng)用。

1 稻米參數(shù)評定分析儀研制

1.1 分析儀結(jié)構(gòu)設(shè)計(jì)

本分析儀采用基于電荷耦合元件（Chargecoupled Device，CCD）攝像頭的嵌入式硬件平臺(tái)，便于產(chǎn)品小型化，便于現(xiàn)場應(yīng)用，分析儀具有良好的人機(jī)交互界面，多按鍵輸入，可以輸入預(yù)定閾值，可以根據(jù)經(jīng)驗(yàn)或者標(biāo)準(zhǔn)米粒的參數(shù)進(jìn)行CNN閾值設(shè)計(jì)，硬件平臺(tái)通過CCD攝像頭采集稻米形態(tài)圖片，稻米被抽取到一個(gè)密閉的振動(dòng)空間平臺(tái)上，密閉空間平臺(tái)頂端攝像頭抓取圖像，而后把數(shù)據(jù)送給嵌入式處理器，嵌入式處理器對數(shù)據(jù)進(jìn)行 CNN網(wǎng)絡(luò)處理或者直接把數(shù)據(jù)給上位機(jī)，在上位機(jī)上做處理，此時(shí)嵌入式前端設(shè)備就相當(dāng)于上位機(jī)的一個(gè)機(jī)器視覺傳感器，該分析儀的結(jié)構(gòu)原理圖如圖1所示。

圖1 硬件結(jié)構(gòu)原理圖Fig.1 Schematic diagram of hardware structure

圖像抓取裝置，由1CCD攝像頭、2采集箱、3振動(dòng)、4凹平面、5光源組成，CCD攝像頭抓取圖像裝置如圖2所示。

圖2 圖像采集裝置結(jié)構(gòu)圖Fig.2 Structure diagram of the image capture device

1.2 軟件設(shè)計(jì)

1.2.1 CNN算法原理

CNN算法是一種類生物進(jìn)程，其中神經(jīng)元之間的聯(lián)結(jié)模式和動(dòng)物視覺皮層組織非常相似；是一種前饋神經(jīng)網(wǎng)絡(luò)，擁有卷積計(jì)算，是深度學(xué)習(xí)的代表算法之一[16]。具有表征學(xué)習(xí)能力，能夠按其階層結(jié)構(gòu)對輸入信息進(jìn)行平移不變分類，因此也被稱為“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)”。

CNN算法利用輸入是圖片的特點(diǎn)，把神經(jīng)元設(shè)計(jì)成三個(gè)維度：width,height,depth。比如輸入的圖片大小是 120×120×3 (rgb)，那么輸入神經(jīng)元就也具有3個(gè)維度，神經(jīng)網(wǎng)絡(luò)解過程如圖3所示。

圖3 神經(jīng)網(wǎng)絡(luò)解過程Fig.3 The solution process of Neural Network

矩陣求解過程如圖4所示，本文中將應(yīng)用矩陣求解計(jì)算米粒圖像的像素?cái)?shù)。

圖4 卷積神經(jīng)網(wǎng)絡(luò)的矩陣求解過程示意圖Fig.4 Schematic illustration of matrix solving process based on Neural Network

1.2.2 嵌入式平臺(tái)抓取圖像的流程

嵌入式平臺(tái)采集稻米粒型圖片過程如圖5所示。

圖5 稻米粒型圖片采集流程圖Fig.5 The collection flowchart of rice image

1.2.3 CNN算法分析應(yīng)用

首先將原始圖像轉(zhuǎn)換為灰度圖像，然后利用卷積核g1識(shí)別出稻米邊緣和堊白部分，而后，根據(jù)稻米米粒的像素?cái)?shù)計(jì)算相關(guān)米粒的參數(shù)。

卷積核g1是滑動(dòng)窗口，原始圖像I1，處理為灰度圖像I2，I2與g1卷積，步長stride，

采用（2）的方式，使得輸入圖片寬度win像素和輸出圖片寬度wout像素大小一樣，kernel_size=3為 g1，padding=1，stride=1，不會(huì)改變卷積前后特征圖的大小。

根據(jù)以上得I2×g1得到圖片 I3，設(shè)定閾值LEVEL1=x1，x1為經(jīng)驗(yàn)值，圖像 I3二值化處理后得到圖像 I4，設(shè)定閾值 LEVEL2=x2，x2為經(jīng)驗(yàn)值，根據(jù)I3得到堊白圖像I5。

1.2.4 稻米形態(tài)參數(shù)計(jì)算

單個(gè)米粒圖像閾值分割，首先根據(jù)CNN算法后的圖像，設(shè)定LEVEL1=t1的值，將小于閾值t1的像素量化成零，大于閾值t1的像素量化成1。

以兩個(gè)鄰近像素點(diǎn)間的距離為單位長度，即以像素間距為長度測量單位，建立單米粒坐標(biāo)圖如圖6所示，建立二維數(shù)組pixel[y][x]，

圖6 單米粒坐標(biāo)圖Fig.6 The coordinates of single rice

權(quán)值分別為：R取 0.399、G取 0.497、B取0.104，進(jìn)行圖像灰度化，而后CNN卷積處理后，設(shè)定t1=Grey，則圖其轉(zhuǎn)化過程如圖7所示。

圖7 米粒圖像分割圖Fig.7 The segmentation picture of rice image

根據(jù)公式（7）計(jì)算單幅圖像的整個(gè)米粒整精度，作為本次抽樣的檢測依據(jù)，對米粒進(jìn)行參數(shù)評分。

設(shè)定 LEVEL2=t2的值，將小于閾值 t2的像素量化成零，大于閾值t2的像素量化成1。

進(jìn)行堊白像素計(jì)算，根據(jù)t1計(jì)算所有米粒像素 pixel_1，根據(jù)t2計(jì)算所有堊白像素pixel_2，而后根據(jù)公式(8)計(jì)算整幅圖像米粒的堊白度。

可連續(xù)采集多幅圖像，求出所有圖像的相應(yīng)參數(shù)的算術(shù)平均值，即可做為該類稻米的相關(guān)參數(shù)。如果出現(xiàn)稻米米粒在同一平面上邊緣相切的情況，依然可以使用文中的方法進(jìn)行邊緣切割，不影響稻米米粒的總數(shù)統(tǒng)計(jì)，可以看成圖7的一種特殊情況，兩個(gè)米粒間距為 0，按照文中方法進(jìn)行處理既可。

1.3 數(shù)據(jù)分析

抽樣8組，每組樣品米粒16個(gè)，每組均勻分布，樣品為整精米和碎米混合物隨機(jī)分布，整精米率0%～100%隨機(jī)分布，測試結(jié)果如表1所示，GB/T24535—2009[3]中定義粒型（長寬比）指的是完整精米粒長度與寬度的比值，無量綱。

表1 稻米粒型檢測結(jié)果Table 1 The detection result of rice shape

表中的人工和分析儀行的數(shù)據(jù)為測試米粒的長寬比，無量綱。單粒米粒樣品絕對誤差最大值為0.02；人工測試所得平均值作為標(biāo)準(zhǔn)As，分析儀的平均值，根據(jù)相對誤差公式可以計(jì)算相對誤差值Δe。

取絕對誤差和相對差中的最大值為參數(shù)評定參考，則本組測試數(shù)據(jù)的最大誤差為 0.02，檢測結(jié)果表明，分析儀檢測結(jié)果與人工檢測的結(jié)果高度相關(guān)。

2 總結(jié)

基于CNN算法處理的稻米參數(shù)評定分析儀，實(shí)現(xiàn)了根據(jù)國家標(biāo)準(zhǔn) GB/T17891、GB1350、GB/T24535對稻米粒型參數(shù)的快速劃分，分析儀測試結(jié)果和人工測試結(jié)果誤差在0.02以下，堊白參數(shù)的計(jì)算，可以根據(jù)灰度圖像中灰度值的不同，設(shè)定合適的灰度閾值，進(jìn)行堊白位置、堊白大小、堊白度等堊白參數(shù)計(jì)算。凈稻谷、出糙率、未熟粒等參數(shù)的CNN算法應(yīng)用，有待以進(jìn)一步研究，以便于CNN算法在稻米參數(shù)檢測中的推廣應(yīng)用。