申请/专利权人：华南理工大学

申请日：2021-09-02

公开（公告）日：2024-04-30

公开（公告）号：CN113887309B

主分类号：G06V20/69

分类号：G06V20/69;G06T7/11;G06T7/13;G06V10/82;G06N3/0464;G06N3/045;G06N3/0499;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2022.01.21#实质审查的生效;2022.01.04#公开

摘要：本发明公开了基于MaskR‑CNN的淀粉颗粒识别方法，该方法将热台‑偏光显微观察与计算机图像识别技术相结合，智能识别淀粉糊化过程中颗粒数量变化：基于热台‑偏光显微观察的淀粉糊化图像数据采集，通过算法依次进行淀粉糊化数据集构建，MaskR‑CNN模型构建及训练，淀粉糊化过程颗粒检测，淀粉颗粒数量统计。其中，算法由淀粉图像二值化算法、淀粉糊化数据集构建算法、神经网络训练算法、淀粉颗粒检测算法等。本发明利用MaskR‑CNN对淀粉糊化进行智能检测，自动化程度高，检测效率好，颗粒检测准确率达95％以上。本发明提供了一种智能化检测淀粉颗粒，评估淀粉糊化的定量新方法。

主权项：1.于MaskR-CNN的淀粉颗粒识别方法，其特征在于包括如下步骤：1淀粉糊化图数据采集：配制淀粉悬浮液，分散均匀后，滴加至载玻片上，得到样本片，将样本片放置在带有显微镜的热台设备上，开启热台设备，升温至糊化温度，通过与显微镜相连的数码相机进行拍照，获取加热过程中的淀粉糊化图；2淀粉糊化数据集构建：将步骤1所得的淀粉糊化图转化为淀粉糊化二值图，分割淀粉糊化二值图中的淀粉颗粒，将淀粉颗粒制作为淀粉颗粒掩膜图；对淀粉颗粒掩膜图进行信息提取，输出淀粉糊化数据集JSON文件；3MaskR-CNN模型构建与训练：构建MaskR-CNN模型，利用神经网络训练算法对淀粉糊化数据集进行读取，并将其输入至MaskR-CNN模型中，基于误差反向传播方法对MaskR-CNN模型进行权重优化，完成MaskR-CNN模型的训练；所述的MaskR-CNN模型是一种用于实例分割的卷积神经网络模型，用于识别数字图像物体种类及其所在位置，其结构为特征提取层、候选区域提取层、目标识别层、掩膜预测层；利用神经网络训练算法对淀粉糊化数据集进行读取，并将其输入至MaskR-CNN模型中，基于误差反向传播方法对MaskR-CNN模型进行权重优化通过以下步骤实现：1打包5-20张淀粉糊化图，利用拥有初始权重的MaskR-CNN对淀粉糊化图进行检测，输出淀粉糊化图中颗粒位置、数量；2读取淀粉糊化数据集JSON文件中的images字段列表，annotation字段列表，与MaskR-CNN的检测值相比较，并计算损失值L；L＝Lclsp,u+Lbboxt,v+Lmasko,qLclsp,u＝-logp，u Lclsp,u为类别损失函数，p为图像预测类别种类，即2，u表示预测的结果；Lbboxt,v为边界框损失函数，t为预测值，v为真实值，两者均包含边界框的大小与位置；m为样本总数，为i点预测值的预测结果，x、y、w、h为感兴趣区域的坐标值；L1为范数损失函数；smoothL1为光滑后的L1范数损失函数；Lmask为掩膜损失函数，o为淀粉颗粒所属的真实像素，q为淀粉颗粒预测像素；3利用误差反向传播算法基于损失函数值L优化MaskR-CNN中的初始权重，完成一次MaskR-CNN模型的学习；误差反向传播算法进行权重优化是计算输出层和隐藏层的误差及隐藏层和输入层的误差对整体误差的影响，以此进行权重优化；将淀粉原始图像输入MaskR-CNN模型，计算机根据程序设定检测淀粉颗粒边缘为特征图层，后对整个淀粉颗粒进行提取确定为目标图层，对识别提取后的淀粉颗粒图层进行掩膜处理，最后对掩膜进行预测完成一次MaskR-CNN模型的学习；4重复1，2，3步骤，遍历所有淀粉糊化数据集中的训练集，完成MaskR-CNN的训练；4淀粉糊化过程颗粒检测：利用淀粉糊化检测算法，基于MaskR-CNN对糊化过程中淀粉糊化图的淀粉颗粒进行检测，输出淀粉糊化检测图，并统计所有淀粉颗粒数量变化；5淀粉糊化评估：统计淀粉糊化图中的不同温度i时的淀粉糊化图中的颗粒数量Ai。

全文数据：

权利要求：

百度查询： 华南理工大学 基于Mask R-CNN的淀粉颗粒识别方法

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