一种基于成像的籼米品质无损分级检测方法与流程

摘要: 本发明涉及粮食仓储与品质检测,尤其涉及一种基于成像的籼米品质无损分级检测方法。背景技术:1、籼米作为我国主要稻米类型之一,约占全国水稻种植与产量的70%,在我国...
一种基于成像的籼米品质无损分级检测方法与流程

本发明涉及粮食仓储与品质检测,尤其涉及一种基于成像的籼米品质无损分级检测方法。

背景技术:

1、籼米作为我国主要稻米类型之一,约占全国水稻种植与产量的70%,在我国稻米生产与消费结构中占据主导地位。其广泛的种植面积和稳定的产出,不仅为国家粮食安全提供了重要保障,也为相关加工产业提供了充足原料,所制成的米线、米粉等产品在餐饮及日常饮食中应用广泛,深受消费者喜爱,同时也成为许多地区农民增收的重要来源。籼米作为主要粮食作物之一,其品质直接关系到粮食安全和市场流通效率,随着消费需求的多样化和对高品质粮食的重视,传统人工分级方法面临效率低、主观性强和易受人为因素影响等问题,无损检测能够在不破坏米粒完整性的前提下,实现籼米品质的快速检测。

2、如中国专利公开号:cn105181912a的一种大米储藏过程中的新鲜度检测方法,操作快速简便,是一种绿色的,快速无损的大米新鲜度检测方法,检测一个样本只需要几分钟即可,可用于陈化大米的品质检测,也可用于大米储藏过程中陈化过程监控。

3、现有技术中,籼米颗粒表面的局部光泽差异会引起高光谱图像反射率不均匀,而传统校正方法难以消除该干扰,导致初始光谱数据一致性差,由于籼米内部水分与淀粉成分的空间分布异质性依然存在,单一光谱特征难以准确表征其内部品质差异,同时,不同储藏期内籼米陈化标志物质变化微弱且呈动态演进,静态分级模型难以实现长期、连续、无损的品质动态监测,制约着籼米无损分级检测的精度,为此,现提出一种基于成像的籼米品质无损分级检测方法,以解决上述提出的问题。

技术实现思路

1、为了克服背景技术中的缺点,本发明提供了一种基于成像的籼米品质无损分级检测方法,能够有效解决上述背景技术中涉及的问题。

2、本发明的目的可以通过以下技术方案来实现:本发明提供了一种基于成像的籼米品质无损分级检测方法,包括以下步骤:

3、步骤1,采用智能传感器采集待检测籼米的高光谱图像,剔除暗电流与背景噪声,提取颗粒级光谱数据,保留原始空间信息,有效滤除传感器噪声与背景干扰,为后续分析提供高信噪比、空间对齐的标准化数据基础;

4、步骤2,融合自适应阈值分割与粒子群优化-离散小波变换算法,定位籼米颗粒的均匀反射区域并剔除异常像素,消除表面光泽差异引起的反射率不均,精准抑制表面光泽伪影,显著提升颗粒内部光谱数据的一致性与成分表征可靠性;

5、步骤3,采用图割算法分割籼米内部异质性区域,结合遗传算法优化的三维卷积神经网络,提取空间-光谱联合特征,量化水分与淀粉分布,实现水分与淀粉富集区的精准定位及空间分布量化,增强对内部成分异质性的表征能力;

6、步骤4,基于提取的空间-光谱联合特征,构建水分与淀粉分布的异质性量化模型,解析籼米内部成分空间差异,建立光谱-品质映射关系,建立高精度非线性映射模型,实现内部成分空间差异向品质参数的准确转化;

7、步骤5,引入长短时记忆网络捕捉储藏期的籼米光谱时序变化,结合灰狼优化-随机森林算法建立时序动态分级模型,以识别陈化标志物质动态演进,实现连续监测,融合时序依赖捕捉与非线性判别优势,实现陈化过程的长期、连续、动态精准监测;

8、步骤6,基于时序动态分级模型对待检测籼米进行长期、无损品质分级,输出陈化程度判别结果,完成高光谱成像无损检测流程,输出可视化分级结果与置信度评分,为籼米储藏品质管理提供可靠决策依据。

9、优选的,所述步骤1具体包括:

10、启动待检测区域部署的集成智能传感器阵列的高光谱成像系统采集待检测籼米样本的单层高光谱图像,同步获取暗电流图像与白板校正图像,通过逐像素灰度差分剔除暗电流噪声及非均匀光照干扰,确保采集的高光谱图像数据准确反映样本真实反射特性;

11、基于校正后图像的反射率直方图分布特征,采用自适应阈值分割算法分离米粒前景与背景区域,生成颗粒级二值掩膜并提取各米粒的独立光谱曲线,实现米粒与背景的精准分离,为单颗粒分析提供可靠数据基础;

12、将提取的颗粒级光谱数据与对应像素空间坐标绑定存储,构建包含光谱维与空间维的原始数据张量,保留用于后续异质性分析的完整空间信息,为后续空间-光谱联合特征提取奠定完整的数据组织结构。

13、优选的,所述步骤2具体包括:

14、对每个籼米颗粒的反射率图像进行局部滑动窗口统计,动态计算窗口内反射率均值与标准差,自适应设定上下阈值以初步剔除光泽过强或过暗的异常像素,有效滤除表面局部高光与阴影干扰,保留内部成分有效信号;

15、对剩余像素的光谱序列执行离散小波变换,分解为低频近似系数与高频细节系数,以粒子群算法优化小波基函数与分解层数,最小化高频能量表征光泽伪影,实现光泽伪影频段的精准定位,提升光谱去噪的自适应能力;

16、依据优化后的高频细节系数的阈值规则定位均匀反射区域,剔除高频能量异常像素,输出反射率归一化的颗粒级光谱数据,消除表面光泽差异引起的反射率不均,确保颗粒间光谱反射率一致性,为后续异质性分析提供可靠数据基础。

17、优选的,所述步骤2还包括:

18、初始化粒子群参数,各粒子编码代表候选小波基类型、分解层数及高频系数阈值组合,以重构光谱与原始光谱均方根误差为适应度函数评估粒子质量,实现小波参数的自适应优选,避免人工经验调参带来的偏差;

19、迭代更新粒子位置与速度,全局最优粒子对应的小波参数组合使高频细节系数能量最小化,同时约束重构误差低于预设容限,实现自适应去噪与异常定位,精准分离光泽伪影与有效成分信号,保留真实光谱信息;

20、采用最终优化的小波参数对每个像素的光谱序列执行逆变换,仅保留低频重构分量作为均匀反射区域的特征光谱,完成反射率不均干扰的逐像素消除,获得反射率归一化的颗粒级光谱,消除表面光泽差异对后续分析的干扰。

21、优选的,所述步骤3具体包括:

22、将每个籼米颗粒视为图结构,像素为节点,光谱相似性作为数据项权重,空间邻接关系作为平滑项权重,通过最小割能量函数分割水分富集区与淀粉富集区,精准分离水分与淀粉富集区域,为成分空间异质性分析奠定基础;

23、构建三维卷积神经网络,卷积核同时沿空间高度、空间宽度与光谱维度滑动提取空间-光谱联合特征,采用遗传算法优化网络层数、卷积核尺寸与激活函数超参数,自适应优化网络结构,提升空间-光谱联合特征的判别能力;

24、将图割分割得到的异质性区域标签作为监督信号,驱动三维卷积神经网络输出空间-光谱联合特征图,并计算异质性指数,量化水分与淀粉在籼米内部的分布强度及空间变异程度,实现成分空间分布的定量表征,有效刻画内部异质性程度。

25、优选的,所述步骤4具体包括:

26、基于空间-光谱联合特征图,逐颗粒计算水分富集区与淀粉富集区的反射率均值及标准差,构建异质性量化指标向量包括变异系数与偏度峰度,有效量化成分空间分布的光谱响应离散程度与非对称特性;

27、采用偏最小二乘回归算法建立异质性指标向量与参考品质参数之间的映射模型,通过交叉验证筛选对水分含量及直链淀粉比例敏感的最优特征组合,剔除冗余特征,提升模型预测精度与可解释性;

28、将最优特征组合对应的回归系数矩阵保存为光谱-品质映射关系库,用于未知样本内部成分空间差异的解析与品质参数预测,实现未知样本品质参数的快速、标准化预测。

29、优选的,所述步骤4还包括:

30、提取图割算法输出的水分-淀粉过渡区边界长度与各均质区域面积比值,计算异质性指数量化籼米内部成分空间分布的破碎化程度及梯度变化剧烈度,有效量化成分空间分布的破碎化程度,为品质判别提供直观依据;

31、将变异系数、异质性指数及联合特征图的高阶统计量组合输入基于支持向量回归模型而构建的水分与淀粉分布的异质性量化模型,以径向基核函数拟合非线性光谱-品质映射关系,提升对复杂分布形态的适应性,实现非线性光谱-品质映射,提升复杂成分分布下的预测精度;

32、采用留一法交叉验证评估映射模型的预测残差,筛选出解释水分与淀粉空间差异能力最强的特征子集,固化形成标准化的异质性量化模型参数,筛选最具解释力的特征子集,提升模型泛化能力与运行效率。

33、优选的,所述步骤5具体包括:

34、对不同储藏时间点的同批次籼米重复执行从高光谱图像采集到异质性量化模型构建的全部分析流程,提取每个时间点的异质性量化特征向量并按时间顺序排列,构建特征-时间序列数据集,为后续模型学习陈化动态规律提供完整的数据基础;

35、构建长短时记忆网络,输入层接收连续多个时间点的特征向量,通过遗忘门与输入门学习陈化标志物质的长期依赖规律,输出下一时间点的品质状态预测值,通过lstm门控机制有效捕捉陈化物质渐变规律,实现对未来品质状态的精准时序预测;

36、将长短时记忆网络输出的预测特征与当前实测特征拼接,输入随机森林分类器判别陈化等级,形成时序动态分级模型的基础架构用于连续监测,融合时序预测与非线性判别优势,实现了陈化等级的连续、动态、高精度监测。

37、优选的,所述步骤5还包括:

38、初始化灰狼种群,各灰狼位置编码代表随机森林的树数量、最大深度及分裂特征数超参数组合,以分类准确率为适应度函数评估个体优劣,有效避免人工试错调参的主观性与盲目性,提升超参数搜索效率;

39、迭代更新灰狼个体的包围、狩猎与攻击行为,全局最优超参数组合使随机森林在时序交叉验证中取得最高平均精度,同时控制过拟合风险,实现模型泛化能力与预测精度的同步提升,保障分级结果稳定性;

40、采用优化后的随机森林替换随机森林分类器,与长短时记忆网络级联构成最终时序动态分级模型,识别籼米陈化标志物质的动态演进阶段,增强模型对陈化渐变过程的追踪能力,实现储藏品质的连续动态监测。

41、优选的,所述步骤6具体包括:

42、对待检测籼米样本执行从高光谱图像采集到空间-光谱联合特征提取的全流程预处理,提取当前时刻的空间-光谱联合特征与异质性量化指标,若存在历史检测数据则一并输入时序动态分级模型,确保检测数据完整性与时序连续性,为动态分级提供可靠输入;

43、利用时序动态分级模型输出陈化程度判别结果,按预设阈值将籼米划分为新鲜、初期陈化、中度陈化及严重陈化四个等级,并生成各等级的置信度评分,实现陈化程度的精细化分级与可信度量化,提升判别结果的可解释性;

44、输出可视化检测报告,包含米粒异质性热图、关键特征时序变化曲线及最终分级标签,完成基于高光谱成像的籼米品质长期无损分级检测流程,直观呈现成分空间分布与品质演变趋势,满足长期无损监测的可视化需求。

45、与现有技术相比,本发明的有益效果是:

46、1、该一种基于成像的籼米品质无损分级检测方法,通过对籼米颗粒表面的局部光泽异常进行逐像素精准校正,剔除宏观光泽异常像素,结合粒子群算法优化小波分解参数,将光泽伪影所在的高频分量与表征内部成分的低频分量有效分离,经软阈值处理后重构归一化特征光谱,实现颗粒内部所有像素光谱反射率向同一基准水平的归一化,消除表面形态与脂质分布差异导致的反射率不均问题。

47、2、该一种基于成像的籼米品质无损分级检测方法,采用图割算法对籼米颗粒进行像素级内部区域分割,将颗粒划分为水分富集区与淀粉富集区,并提取过渡区边界长度与区域面积比值构建异质性指数,实现对成分空间分布破碎化程度与梯度变化剧烈度的量化表征,在此基础上,结合遗传算法优化的三维卷积神经网络提取空间-光谱联合特征,同时编码水分与淀粉在空间分布上的结构信息与深层光谱吸收特征,充分考虑籼米内部水分与淀粉分布的空间异质性,显著提升对籼米内部成分复杂分布形态的表征能力。

48、3、该一种基于成像的籼米品质无损分级检测方法,基于支持向量回归构建异质性量化模型,将水分富集区与淀粉富集区的变异系数、异质性指数及三维卷积神经网络联合特征图的高阶统计量进行多维度组合,形成融合空间结构与光谱特征的输入向量,采用径向基核函数拟合非线性光谱-品质映射关系,并通过留一法交叉验证筛选出对水分含量与直链淀粉比例解释能力最强的特征子集,固化形成标准化模型参数文件,有效提升模型对籼米内部成分复杂分布形态的适应能力,实现对未知样本内部成分空间差异的精准解析与品质参数的高精度预测。

49、4、该一种基于成像的籼米品质无损分级检测方法,构建特征-时间序列数据集,选取多个储藏时间点的同批次籼米样本,提取其异质性量化特征向量并按时间顺序排列,采用三层堆叠式长短时记忆网络学习连续时间点的特征序列中的长期依赖规律,通过遗忘门与输入门机制捕捉陈化标志物质的渐变演进过程,输出预测特征向量,实现对籼米储藏全周期的连续监测能力,能够有效识别陈化过程中标志物质的微弱动态变化。