申请/专利权人：江苏大学

申请日：2021-04-06

公开（公告）日：2024-03-22

公开（公告）号：CN113298085B

主分类号：G06V10/44

分类号：G06V10/44;G06V10/764;G06V10/82;G06N3/0464;G06N3/047;G06N3/09;B65G23/04;B65G69/04

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2021.09.10#实质审查的生效;2021.08.24#公开

摘要：本发明提供了一种基于MaskR‑CNN的谷物含杂‑破碎识别方法与系统，属于农业智能装备领域。本发明的识别系统包括在线谷物捕获装置、嵌入式处理器以及显示装置，嵌入式处理器用于用改进后的MaskR‑CNN算法对保存的谷物图像进行处理，得到谷物的破碎率和含杂率。本发明采用边缘检测算法与MaskR‑CNN算法相结合来处理谷物图像，边缘检测算法可以帮助MaskR‑CNN算法更好的检测到目标的边缘，提高检测精度，进而提高含杂率、破碎率的识别精度。

主权项：1.一种基于MaskR-CNN的谷物含杂-破碎识别方法，其特征在于：嵌入式处理器调用改进后的MaskR-CNN算法对保存的谷物图像进行处理，得到谷物的破碎率和含杂率，所述破碎率、含杂率在显示装置显示，同时保存数据到本地并且通过CAN总线传送到上位机；所述改进后的MaskR-CNN算法对保存的谷物图像进行处理，具体为：谷物图片在Resnet101和特征金字塔网络中共享卷积层，提取谷物图片的特征图谱，在特征图谱上使用RPN区域建议网络生成目标建议框，使用ROIAlign方法处理所述目标建议框，最后对目标建议方内的目标进行Softmax分类、利用全卷积网络和边缘检测进行分割、方框回归；所述改进后的MaskR-CNN算法，具体为：在MaskR-CNN框架中增加一个边缘检测的分支网络；在计算损失函数时加入边缘损失函数：L＝LRPN+Lcls+Lbox+Lmask+Ledge其中：L为总损失函数，LRPN为RPN网络损失函数，Lcls为分类损失函数，Lbox为方框回归损失函数，Lmask为掩码损失函数，Ledge为边缘检测损失函数；所述含杂率其中x为正常籽粒一个像素所对应的质量，y为杂质一个像素所对应的质量，z为破碎籽粒一个像素所对应的质量，s为图中目标总面积，s1为杂质面积，s2为破碎籽粒面积；所述破碎率其中x为正常籽粒一个像素所对应的质量，y为杂质一个像素所对应的质量，z为破碎籽粒一个像素所对应的质量，s为图中目标总面积，s1为杂质面积，s2为破碎籽粒面积。

全文数据：

权利要求：

百度查询： 江苏大学 一种基于Mask R-CNN的谷物含杂-破碎识别方法与系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD