用于精米米种检测的数据库模型构建方法和装置及精米米种检测方法与流程

1.涉及食品检测领域，具体涉及用于精米米种检测的数据库模型构建方法和装置及精米米种检测方法。


背景技术：

2.大米因其良好的口感和营养价值而成为亚洲各国最重要的谷类作物。然而错误地标明大米产地或掺假行为给不法商贩带来不公平的经济优势，同时也破坏了消费者对生产者的信誉。
3.大米品种检测方法包括拉曼光谱、高光谱、无机元素分析、近红外光谱、太赫兹光谱等方法。
4.2021-07-01杨森发表的文献《development of an integrated variety and appearance qualitymeasurement system for milled rice》中提出了一种将单参数的机器视觉(mv)与红外光谱 (nis)在流程上进行融合(nis-mv)的精米米种检测方法；但是在该方法中，nis是主体， mv是辅助，mv只用了一个参数，目的在于nis出现误判时，通过图像特征纠正这个错误，其中mv和nis实质上是独立工作，没有相互之间的组合；并且由于是纠错，所以只有当 nis把一个品种分类成与其外形差异很大的品种时才能实现有效纠错，也正是因为这种纠错原理，使得nis-mv方法的适用范围很窄，精度低，效率低。


技术实现要素：

5.针对现有技术研究中主要存在的对于精米的品种分类，机器视觉方法尚未被探索、机器视觉法与近红外光谱法的融合应用尚未被探索的问题，本技术采用的技术手段为：
6.提供了用于精米米种检测的数据库模型构建方法，所述的方法包括：
7.采集精米米粒样本图像的步骤；
8.将精米米粒研磨成粉，采集光谱的步骤；
9.将精米米粒品种编号与所述的图像和光谱匹配的步骤。
10.进一步，所述的采集精米米粒样本图像的步骤中还包括：采集多图像参数的步骤；所述的多图像参数包括：形态、纹理和颜色。
11.进一步，所述的采集精米米粒样本图像的步骤还包括：对采集的图像进行预处理的步骤；所述的预处理包括：灰度变换、中值滤波、开放操作和图像融合。
12.基于同一发明构思，本技术还提供了用于精米米种检测的数据库模型构建装置，所述的装置包括：
13.用于采集精米米粒样本图像的图像采集模块；
14.用于将精米米粒研磨成粉的研磨模块；
15.用于采集所述的磨成粉的精米的光谱的光谱采集模块；
16.用于将精米米粒品种编号与所述的图像和光谱匹配的匹配模块。
17.进一步，所述的图像采集模块还包括：用于采集多图像参数的参数采集子模块；所述的多图像参数包括：形态、纹理和颜色。
18.进一步，所述的图像采集模块还包括：用于对采集的图像进行预处理的预处理模块；所述的预处理包括：灰度变换、中值滤波、开放操作和图像融合。
19.基于同一发明构思，本技术还提供一种储存介质，所述的储存介质中储存有计算机程序，当外部处理器运行该储存介质中储存的程序时，所述的外部处理器执行用于精米米种检测的数据库模型构建方法。
20.基于同一发明构思，本技术还提供一种计算机设备，包括处理器和储存器，所述的储存器储存有计算机程序，当所述的处理器运行所述的储存器中储存的程序时，所述的处理器执行所述的用于精米米种检测的数据库模型构建方法。
21.精米米种检测的方法，其特征在于，所述方法包括：
22.通过机器视觉系统采集精米米粒样本图像的图像采集步骤；
23.将精米米粒样本研磨成粉的研磨步骤；
24.通过红外光谱仪采集所述的磨成粉的精米的光谱的光谱采集步骤；
25.采用精米米种检测的数据库模型对所述的图像采集步骤采集的图像和所述光谱采集步骤采集的光谱进行匹配，并输出与其匹配的精米米种编号的步骤；
26.所述的米种检测的数据库模型的构建方法为：根据权利要求1-3中任意一项所述的用于精米米种检测的数据库模型构建方法。
27.根据权利要求9所述的精米米种检测的方法，其特征在于，所述研磨步骤具体为：将精米米粒样本研磨成的粉的粒径在100-140目之间。
28.本技术的有益之处在于：
29.本技术采用建模融合方法代替现有技术中的流程融合方法，将多参数机器视觉方法和红外光谱法相结合，提出了精米米种检测方法和装置。具体的：
30.1.本技术的第一主题，开拓性地将多参数机器视觉方法采集的图像与红外光谱法采集的光谱和大米品种相结合，构建了一个精米米种数据库模型，将多参数机器视觉方法结合红外光谱法用于精米米种检测领域进行实施，为精米米种检测领域的研究提供了一个新的技术方向。
31.2.在现有技术研究中，还存在：本领域技术人员没有将机器视觉方法或机器视觉法与近红外光谱法的融合应用于精米的品种分类的问题。
32.本技术的第二主题(nis-mmv)，是基于第一主题构建的模型的基础上提供了精米米种检测的方法，解决了现有技术中本领域技术人员没有将机器视觉方法或机器视觉法与近红外光谱法的融合应用于精米的品种分类的问题，并且对比背景技术中提到的2021-07-01杨森发表的文献《development of an integrated variety and appearance quality measurement system for milled rice》中提出了一种将单参数的机器视觉(mv)与红外光谱(nis)在流程上进行融合(nis-mv)的精米米种检测方法，本技术的第二主题的优势在于：
33.2.1检测原理不同，文献中的nis-mv方法是以传统的nis方法为基础的，图像法只用了一个参数，目的就是在nis出现误判时，通过图像特征把这个结果纠正过来，以此达到分类精度提升。由于是纠错，所以只有当光谱建模把一个品种分类成与其外形差异很大的品种时才能实现有效纠错，例如光谱把长粒米判断为圆粒米，但是图像可以看出他是长粒
米，所以光谱模型输出的圆粒米类型肯定是不对的。也正是因为这种纠错原理，使得文献中的 nis-mv方法的适用范围很窄。
34.而本技术的第二主题提供的方法中nis和mv都是主体，在建立融合模型时，由于图像参数类型的增多，其作用也增大。由于采用融合模型，多图像参数可以引入更多的大米品种差异性特征，因此本技术提供的nis-mmv方法相比于传统的nis方法，在提升性能方面的适用范围很宽。
35.2.2检测步骤不同，文献中的nis-mv方法相比于本技术提供的nis-mmv方法多了的步骤在于：
36.文献中的nis-mv方法中，光谱模型的输出参数需记录第一可能和第二可能品种，在后续流程中通过图像对应关系确定输出第一还是第二可能品种；
37.而本技术提供的nis-mmv方法融合模型输出直接就是最终结果。
38.2.3检测种类更多，即如果在建模过程中增加大米品种，文献中的nis-mv方法的检测精度可能会减低，二本技术提供的nis-mmv方法在使用光谱法提取精米品种差异性特征的基础上，又使用图像法增加了多种图像参数提取出了更多的精米品种差异性特征，进而相比于传统的nis方法和文献中的nis-mv方法提高了分类精度；检测精度的降幅几乎没有。
39.本技术的第一主题适用于检测精米米种的过程中对于模型构建的应用中。
40.本技术的第二主题适用于多品种大样本的大米品种分类应用中。
附图说明
41.图1为实施方式十一中提到的训练集光谱；
42.其中横坐标wavenumber表示波数，(cm-1)为红外常用波数，光谱学中波长单位，纵坐标transmittance为透射比；
43.其中，wc表示五常，xs表示响水，ys表示银水，yg表示越光，ml表示茉莉，sm 表示思淼；
44.图2为实施方式一中提到的全特征建模数据的柱形图；
45.其中，图2中横坐标的参数在实施方式一中有详细说明。
具体实施方式
46.下面结合附图对本技术进行进一步解释说明：
47.实施方式一、参见图2说明本实施方式，本实施方式提供了用于精米米种检测的数据库模型构建方法，所述的方法包括：
48.采集精米米粒样本图像的步骤；
49.将精米米粒研磨成粉，采集光谱的步骤；
50.将精米米粒品种编号与所述的图像和光谱匹配的步骤。其中，使用近红外光谱法采集训练集的光谱，截取4331-5102cm-1
的光谱区域；采用pls方法建立品种分类模型。
51.建模过程中，首先是mmv部分，对米粒样本先进行图像采集，计算多图像参数；然后是nis部分，将米粒样本磨成粉，进行光谱采集。
52.最后，将多图像参数和光谱数据作为输入参数，大米品种编号作为输出参数进行融合建模。
53.实施方式二、本实施方式是对实施方式一中提供的用于精米米种加测的数据库模型构建方法的进一步限定，所述的采集精米米粒样本图像的步骤中还包括：采集多图像参数的步骤；所述的多图像参数包括：形态、纹理和颜色。
54.其中，选用的机器视觉参数如下：
55.形态学参数包括米粒区域像素数s1、米粒周长c1、米粒长度l1、米粒宽度d1、米粒长宽比k、米粒圆度r、米粒紧致度co、米粒特征sf1＝l1/s1、米粒特征sf2＝s1/l12、米粒长轴长度l、米粒短轴长度d、凸面面积ta。
56.纹理参数包括对比度cs、同质性ht、相关cl、能量eg。
57.色彩参数包括rgb图像的颜色通道均值(r-mean、g-mean、b-mean)、rgb图像的颜色通道一阶矩(r-std、g-std、b-std)、ycbcr图像的颜色通道均值(y-mean、cb-mean、cr-mean)、 ycbcr图像的颜色通道一阶矩(y-std、cb-std、cr-std)、hsv图像的颜色通道均值(h-mean、 c-mean、v-mean)、hsv图像的颜色通道一阶矩(h-std、c-std、v-std)。
[0058][0059]
实施方式三、本实施方式是对实施方式一提供的用于精米米种检测的数据库模型构建方法的进一步限定，所述的采集精米米粒样本图像的步骤还包括：对采集的图像进行预处理的步骤；所述的预处理包括：灰度变换、中值滤波、开放操作和图像融合。
[0060]
其中，采用snv进行光谱预处理。
[0061]
实施方式四、参见图2说明本实施方式，本实施方式提供了用于精米米种检测的数据库模型构建装置，所述的装置包括：
[0062]
用于采集精米米粒样本图像的图像采集模块；
[0063]
用于将精米米粒研磨成粉的研磨模块；
[0064]
用于采集所述的磨成粉的精米的光谱的光谱采集模块；
[0065]
用于将精米米粒品种编号与所述的图像和光谱匹配的匹配模块。
[0066]
实施方式五、本实施方式是对实施方式四提供的用于精米米中检测的数据库模型构建装置的进一步限定，所述的图像采集模块还包括：用于采集多图像参数的参数采集子模块；所述的多图像参数包括：形态、纹理和颜色。
[0067]
实施方式六、本实施方式是对实施方式四提供的用于精米米种检测的数据库模型构建装置的进一步限定，所述的图像采集模块还包括：用于对采集的图像进行预处理的预处理模块；所述的预处理包括：灰度变换、中值滤波、开放操作和图像融合。
[0068]
实施方式七，本实施方式提供了一种储存介质，所述的储存介质中储存有计算机程序，当外部处理器运行该储存介质中储存的程序时，所述的外部处理器执行实施方式一、二或三提供的用于精米米种检测的数据库模型构建方法。
[0069]
实施方式八、本实施方式提供了一种计算机设备，包括处理器和储存器，所述的储存器储存有计算机程序，当所述的处理器运行所述的储存器中储存的程序时，所述的处理器执行实施方式一、二或三提供的用于精米米种检测的数据库模型构建方法。
[0070]
实施方式九、本实施方式提供了精米米种检测的方法，所述方法包括：
[0071]
通过机器视觉系统采集精米米粒样本图像的图像采集步骤；
[0072]
将精米米粒样本研磨成粉的研磨步骤；
[0073]
通过红外光谱仪采集所述的磨成粉的精米的光谱的光谱采集步骤；
[0074]
采用精米米种检测的数据库模型对所述的图像采集步骤采集的图像和所述光谱采集步骤采集的光谱进行匹配，并输出与其匹配的精米米种编号的步骤；
[0075]
所述的米种检测的数据库模型的构建方法为实施方式一至三中任意一项提供的用于精米米种检测的数据库模型构建方法。
[0076]
测量过程中，mv部分对被测米粒进行图像采集，计算多图像参数。
[0077]
nis部分将被磨成粉的被测米粒，用光谱仪进行光谱采集，然后进行光谱预处理，得到光谱数据。
[0078]
将光谱数据和多图像参数作为输入参数，输入到已建立的融合模型中，根据模型输出结果得到大米品种。
[0079]
实施方式十、本实施方式是对实施方式九提供的提供了精米米种检测的方法的进一步限定，所述研磨步骤具体为：将精米米粒样本研磨成的粉的粒径在100-140目之间。
[0080]
实施方式十一、参见图1-2说明本实施方式，本实施方式对实施方式七提供的精米米种检测的方法提供了具体的实施例，具体为：
[0081]
选用480个精米粒进行品种分类。480个样品中包括五常大米(80个，黑龙江)、响水大米(80个，黑龙江)、银水大米(80个，黑龙江)、越光稻大米(80个，日本)、茉莉大米(80个，泰国)、和丝苗大米(80个，江苏)。所有的大米样品均为2019年产。
[0082]
步骤1、将6个种类的大米分种类进行多图像参数检测，即采用vaqms测量图像，利用matlab程序编写算法获取形态学参数、纹理参数和颜色参数，如表1所示。
[0083]
表1国家、品种与物理参数的对应关系
[0084][0085][0086]
步骤2、近红外分析样品的制备步骤如下:首先，将研磨机(e4,hero,中国)打开1分钟使其平稳运行；第二步，将30g大米加入磨粉机研磨1分钟；第三步，近红外光谱分析前，米粉在室温平衡条件下保存。将样本分配为训练集和测试集，训练集光谱如图2所示。
[0087]
步骤3、采用pls方法进行多输入单输出建模，不同分类方法的准确率如表2所示。从表2可以看出，nis-mmv建模法比传统的nis法(传统方法)以及nis-mv融合法(背景技术中提到的方法)取得了更好的结果，对于各品种的分类精度均提高了5％。多图像参数相比于单图像参数可以更好的提取精米品种差异性特征。
[0088]
表2不同分类方法的品种分类精度
[0089]