一种高粱不完善类别识别装置及方法与流程

1.本发明涉及智能检测技术领域，特别是涉及一种高粱不完善类别识别方法、装置、计算机设备和存储介质。


背景技术：

2.高粱是古老的谷类作物之一，有食用及药用多种功效，由于具有较高的单宁含量与淀粉含量，常作为主要原料用于基酒酿造过程。然而在酿酒过程中，造沙和下沙等不同步骤对高粱的质量有着不同要求，因此需要在酿酒之前对高粱质量的优劣进行检测，筛选出不完善粒。其中，不完善粒是指受到损伤但尚有使用价值的颗粒，包括霉变粒、虫蚀粒、发芽粒、破碎粒等。
3.目前，可以通过半人工半自动化的方式对高粱的质量的优劣进行检测，然而由于高粱颗粒的尺寸较小，并且不完善粒情况较多，导致对高粱不完善类别进行识别的过程中存在效率低、成本高、实时性差等问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种高粱不完善类别识别方法、装置、计算机设备和存储介质，改善高粱不完善类别识别性能不佳的问题。
5.一方面，提供一种高粱不完善类别识别方法，所述高粱不完善类别识别方法包括：
6.获取高粱的多角度图像，对所述多角度图像进行特征提取，获得高粱特征，根据所述高粱特征与预设的分类模型，获得所述多角度图像对应的识别类型；
7.获得所述多角度图像的边缘轮廓，根据所述边缘轮廓获得尺寸数值，根据所述尺寸数值与预设的差异数值之间的比较结果，获得所述多角度图像对应的验证类型；
8.判断所述验证类型与所述识别类型是否一致；若是，则获取第一识别结果；若否，则获取第二识别结果。
9.在其中一个实施例中，获取多角度图像的步骤包括：
10.设置起始位置、终止位置，将所述高粱从所述起始位置移动至所述终止位置；
11.在所述起始位置与所述终止位置之间选择中间位置，在所述中间位置与预设的四个方向的交点处对所述高粱进行拍摄，获得所述多角度图像。
12.在其中一个实施例中，对所述多角度图像进行特征提取，获得高粱特征集，根据所述高粱特征与预设的分类模型，获得所述多角度图像对应的识别类型的步骤包括：
13.对所述多角度图像进行卷积处理，获得第一特征；
14.对所述第一特征进行最大池化处理，获得第二特征；
15.对所述第二特征进行全局均值池化处理，获得所述高粱特征；
16.将所述高粱特征输入至全连接层进行映射处理，获得所述识别类型，其中，所述识别类型至少包括以下之一：破损类型、虫蚀类型、擦皮类型、发芽类型、霉变类型、杂质类型。
17.在其中一个实施例中，获得所述多角度图像的边缘轮廓的步骤包括：
18.对所述多角度图像进行二值化处理，获得黑白图像；
19.采用深度卷积神经网络提取所述黑白图像的感兴趣区域，根据所述感兴趣区域获得目标回归框；
20.根据sobel算子对所述目标回归框内的所述黑白图像进行轮廓检测，获得轮廓；
21.根据过滤算法对所述轮廓进行优化处理，获得所述边缘轮廓。
22.在其中一个实施例中，获得黑白图像的步骤包括：
23.根据预设的尺寸对所述多角度图像进行裁剪，获得多角度分割图像；
24.对所述多角度分割图像进行卷积处理，获得多角度平滑图像；
25.对所述多角度平滑图像进行色差转换处理，获得多角度灰度图像；
26.对所述多角度灰度图像进行阈值调整处理，获得所述黑白图像。
27.在其中一个实施例中，采用深度卷积神经网络提取所述黑白图像的感兴趣区域，根据所述感兴趣区域获得目标回归框的步骤包括：
28.提取多个所述黑白图像的特征，获得黑白特征信息，对所述黑白特征信息进行残差传播处理，生成残差特征图；
29.对所述残差特征图进行分离处理，获得图像前景及图像背景，根据所述图像前景得到所述感兴趣区域，并对所述感兴趣区域进行回归处理，生成所述目标回归框。
30.在其中一个实施例中，根据所述边缘轮廓获得尺寸数值，根据所述尺寸数值与预设的差异数值之间的比较结果，获得所述多角度图像对应的验证类型的步骤包括：
31.根据所述边缘轮廓获得中心坐标，根据所述中心坐标获得长轴数值、短轴数值，其中，所述尺寸数值包括：所述长轴数值、所述短轴数值；
32.将所述长轴数值减去预设的标准长轴数值，获得长轴差值；
33.将所述短轴数值减去预设的标准短轴数值，获得短轴差值；
34.若所述长轴差值与所述短轴差值都小于所述差异数值，则获得第一验证类型；若否，则获得第二验证类型；其中，所述验证类型包括：所述第一验证类型、所述第二验证类型。
35.另一方面，提供了一种高粱不完善类别识别装置，所述高粱不完善类别识别装置包括：
36.第一获得模块，用于获取高粱的多角度图像，对所述多角度图像进行特征提取，获得高粱特征，根据所述高粱特征与预设的分类模型，获得所述多角度图像对应的识别类型；
37.第二获得模块，用于获得所述多角度图像的边缘轮廓，根据所述边缘轮廓获得尺寸数值，根据所述尺寸数值与预设的差异数值之间的比较结果，获得所述多角度图像对应的验证类型；
38.判断模块，用于判断所述验证类型与所述识别类型是否一致；若是，则获取第一识别结果；若否，则获取第二识别结果。
39.再一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
40.获取高粱的多角度图像，对所述多角度图像进行特征提取，获得高粱特征，根据所述高粱特征与预设的分类模型，获得所述多角度图像对应的识别类型；
41.获得所述多角度图像的边缘轮廓，根据所述边缘轮廓获得尺寸数值，根据所述尺
寸数值与预设的差异数值之间的比较结果，获得所述多角度图像对应的验证类型；
42.判断所述验证类型与所述识别类型是否一致；若是，则获取第一识别结果；若否，则获取第二识别结果。
43.又一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
44.获取高粱的多角度图像，对所述多角度图像进行特征提取，获得高粱特征，根据所述高粱特征与预设的分类模型，获得所述多角度图像对应的识别类型；
45.获得所述多角度图像的边缘轮廓，根据所述边缘轮廓获得尺寸数值，根据所述尺寸数值与预设的差异数值之间的比较结果，获得所述多角度图像对应的验证类型；
46.判断所述验证类型与所述识别类型是否一致；若是，则获取第一识别结果；若否，则获取第二识别结果。
47.上述一种高粱不完善类别识别方法、装置、计算机设备和存储介质，通过获取高粱的多角度图像，对多角度图像进行特征提取，获得高粱特征，根据高粱特征与预设的分类模型，获得多角度图像对应的识别类型；获得多角度图像的边缘轮廓，根据边缘轮廓获得尺寸数值，根据尺寸数值与预设的差异数值之间的比较结果，获得多角度图像对应的验证类型；判断验证类型与识别类型是否一致；若是，则获取第一识别结果；若否，则获取第二识别结果，以此解决高粱不完善类别识别性能不佳等问题。
附图说明
48.图1为一个实施例中一种高粱不完善类别识别方法的应用环境图；
49.图2为一个实施例中一种高粱不完善类别识别方法的流程示意图；
50.图3为一个实施例中获取多角度图像的流程示意图；
51.图4为一个实施例中获得识别类型的流程示意图；
52.图5为一个实施例中获得边缘轮廓的流程示意图；
53.图6为一个实施例中获得黑白图像的流程示意图；
54.图7为一个实施例中获得目标回归框的流程示意图；
55.图8为一个实施例中获得验证类型的流程示意图；
56.图9为一个实施例中高粱不完善类别识别装置的结构框图；
57.图10为一个实施例中计算机设备的内部结构图；
58.图11为一个实施例中芯片的内部结构示意图。
具体实施方式
59.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
60.本技术提供的一种高粱不完善类别识别方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信。例如，本技术提供的一种高粱不完善类别识别方法可应用于对高粱的不完善类别进行识别的场景中。高粱是古老的谷类作物之一，有食用及药用多种功效，由于具有较高的单宁含量与淀粉含量，常作为主要原料用于基
酒酿造过程。然而在酿酒过程中，造沙和下沙等不同步骤对高粱的质量有着不同要求，因此需要在酿酒之前对高粱质量的优劣进行检测，筛选出不完善粒。其中，不完善粒是指受到损伤但尚有使用价值的颗粒，包括霉变粒、虫蚀粒、发芽粒、破碎粒等。目前，可以通过半人工半自动化的方式对高粱的质量的优劣进行检测，然而由于高粱颗粒的尺寸较小，并且不完善粒情况较多，导致对高粱不完善类别进行识别的过程中存在效率低、成本高、实时性差等问题，因此，本方法通过获取高粱的多角度图像，对多角度图像进行特征提取，获得高粱特征，根据高粱特征与预设的分类模型(一种深度神经网络)，获得多角度图像对应的识别类型；获得多角度图像的边缘轮廓，根据边缘轮廓获得尺寸数值，根据尺寸数值与预设的差异数值之间的比较结果，获得多角度图像对应的验证类型；判断验证类型与识别类型是否一致；若是，则获取第一识别结果；若否，则获取第二识别结果，以此解决高粱不完善类别识别性能不佳等问题，并且还可以对高粱不完善类别进行在线识别、检测。在具体实施过程中，可以在终端102采集高粱各个角度的图像，将数据传输至服务器104进行处理，并将处理结果返回至终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备或者子服务器，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群或者云计算平台来实现。
61.需要进行说的是，神经网络是一种运算模型，由大量的节点(或称神经元)之间相互连接构成，每个节点对应一个策略函数，每两个节点间的连接代表一个对于通过该连接信号的加权值，称之为权重。神经网络一般包括多个神经网络层，上下网络层之间相互级联，第i个神经网络层的输出与第i 1个神经网络层的输入相连，第i 1个神经网络层的输出与第i 2个神经网络层的输入相连，以此类推。训练样本输入具有分支结构的神经网络层后，通过每个神经网络层输出一个输出结果，该输出结果作为下一个神经网络层的输入，由此，通过多个神经网络层计算获得输出，比较输出层的输出的预测结果与真正的目标值，再根据预测结果与目标值之间的差异情况来调整每一层的权重矩阵和策略函数，神经网络利用训练样本不断地经过上述调整过程，使得神经网络的权重等参数得到调整，直到神经网络输出的预测结果与真正的目标结果相符，该过程就被称为神经网络的训练过程。
62.神经网络经过训练后，可得到神经网络模型。神经网络训练通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。
63.而深度学习通过建立具有阶层结构的人工神经网络，在计算系统中实现人工智能。由于阶层结构的人工神经网络能够对输入信息进行逐层提取和筛选，因此深度学习具有表征学习能力，可以实现端到端的监督学习和非监督学习。深度学习所使用的阶层结构的人工神经网络具有多种形态，其阶层的复杂度被通称为“深度”，按构筑类型，深度学习的形式包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑。深度学习使用数据对其构筑中的参数进行更新以达成训练目标，该过程被通称为“学习”，深度学习提出了一种让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。
64.在一个实施例中，如图2所示，提供了一种高粱不完善类别识别方法，包括以下步骤：
65.s1：获取高粱的多角度图像，对所述多角度图像进行特征提取，获得高粱特征，根据所述高粱特征与预设的分类模型，获得所述多角度图像对应的识别类型；
66.s2：获得所述多角度图像的边缘轮廓，根据所述边缘轮廓获得尺寸数值，根据所述尺寸数值与预设的差异数值之间的比较结果，获得所述多角度图像对应的验证类型；
67.s3：判断所述验证类型与所述识别类型是否一致；若是，则获取第一识别结果；若否，则获取第二识别结果。
68.通过上述步骤，可改善对高粱不完善类别进行识别的过程中性能不佳得问题。
69.为了更精确地对高粱的类别进行识别，在步骤s1中，示例性地说明，获取高粱的多角度图像，对多角度图像进行特征提取，获得高粱特征，根据高粱特征与预设的分类模型，获得多角度图像对应的识别类型，例如，由于高粱可能出现一个表面存在不完善状况而其他表面显示却是正常健康状况的情况，因此如果只对单独某一个表面进行不完善类别的检测可能出现识别结果不准确的问题，因此，可以获取高粱在多个角度(多个表面)的图像，对多角度图像进行识别，对于每一个高粱，若任一角度图像(任一表面)出现不完善状况，则判定该高粱对该不完善类别对应的类别，在具体实施过程中，可以利用单粒粮食落料机来实现高粱的掉落，并在掉落过程中从多个角度进行拍摄并获取多角度图像，然后对多角度图像进行特征提取，获得高粱特征，例如形态特征、颜色特征、纹理特征，然后将高粱特征输入至预设的分类模型，获得多角度图像对应的识别类型，具体地，当识别出某一个角度(表面、方向)图像属于某一个识别类型的识别率超过70％的时候则判断该高粱为相应的识别类型；在一些实施过程中，对多角度图像进行特征提取之前，还可以对多角度图像进行滤波、分割等处理。
70.为了进一步验证高粱的识别类别是否准确，在步骤s2中，示例性地说明，获得多角度图像的边缘轮廓，根据边缘轮廓获得尺寸数值，根据尺寸数值与预设的差异数值之间的比较结果，获得多角度图像对应的验证类型，例如，针对某一品种的高粱，实施者可以根据高粱的使用场景对高粱的形态大小进行标准制定，即，在通过分类模型获得识别类型后，可以进一步判断高粱的尺寸数值与差异数值之间的差别是否处于阈值内，获得验证类型，以此判断识别类型是否准确，具体地，尺寸数值代表了高粱边缘轮廓的长短尺寸情况，通过该方式，可以自动实现高粱粒不完善类型识别，不需要人工参与，提高检测效率与准确性。
71.获得验证类型以后，在步骤s3中，示例性地说明，判断验证类型与识别类型是否一致；若是，则获取第一识别结果；若否，则获取第二识别结果，例如，当验证类型与识别类型一致时，认为识别类型准确，将识别类型作为第一识别结果；当验证类型与识别类型不一致时，认为识别类型不准确，将验证类型作为第二识别结果。
72.在一些实施例中，如图3所示，获取多角度图像的步骤包括：
73.s11：设置起始位置、终止位置，将所述高粱从所述起始位置移动至所述终止位置；
74.s12：在所述起始位置与所述终止位置之间选择中间位置，在所述中间位置与预设的四个方向的交点处对所述高粱进行拍摄，获得所述多角度图像。
75.如图3所示，在步骤s11至步骤s12中，示例性地说明，设置起始位置、终止位置，将高粱从起始位置移动至终止位置，在起始位置与终止位置之间选择中间位置，在中间位置
与预设的四个方向的交点处对高粱进行拍摄，获得多角度图像，例如，可以利用单粒粮食落料机构来实现，将单粒粮食落料机构设置在监控区域内，将同批次约20g的若干待识别红缨子高粱粒置入单粒粮食落料机构中，通过单粒粮食落料机构逐一将一粒粒的红缨子高粱粒掉落出来，进行拍摄及识别处理，具体地，起始位置可以为单粒粮食落料机的出料口，终止位置可以为承载掉落高粱的载具，中间位置设置在起始位置与终止位置之间，然后在与中间位置同一水平面内设置四个相机，且四个相机以待识别高粱坠落点为中心环绕一周且间隔分布。应理解地，四个相机处于同一水平面内，且四个相机分别摆放在四个不同的方位，以确保能够360
°
无死角拍摄到待识别高粱，四个相机相比一个相机具有更好的容错性能，能获得多角度图像。
76.如图4所示，在一些实施例中，对所述多角度图像进行特征提取，获得高粱特征集，根据所述高粱特征与预设的分类模型，获得所述多角度图像对应的识别类型的步骤包括：
77.s21：对所述多角度图像进行卷积处理，获得第一特征；
78.s22：对所述第一特征进行最大池化处理，获得第二特征；
79.s23：对所述第二特征进行全局均值池化处理，获得所述高粱特征；
80.s24：将所述高粱特征输入至全连接层进行映射处理，获得所述识别类型，其中，所述识别类型至少包括以下之一：破损类型、虫蚀类型、擦皮类型、发芽类型、霉变类型、杂质类型。
81.如图4所示，在步骤s21至步骤s24中，示例性地说明，对多角度图像进行卷积处理、最大池化处理、全局均值池化处理后，获得高粱特征，并将高粱特征输入至全连接层进行映射处理，获得识别类型，例如，分类模型包括多个顺序排列的一维卷积层、多个顺序排列的最大池化层以及全局均值池化层和全连接层，将多角度图像输入至首个一维卷积层组中进行卷积处理，得到第一特征，将第一特征输入至首个最大池化层中进行上采样处理，并将下一个所述一维卷积层组作为首个一维卷积层组，获得第二特征，直至将第一特征输入至最后一个所述最大池化层中进行上采样处理，从而得到最终的第二特征，将第二特征输入至所述全局均值池化层进行上采样处理得到高粱特征，将高粱粒特征输入至全连接层进行映射处理，得到识别结果，识别结果包括破损类型、虫蚀类型、擦皮类型、发芽类型、霉变类型或杂质类型中的一种或多种。
82.如图5所示，获得所述多角度图像的边缘轮廓的步骤包括：
83.s31：对所述多角度图像进行二值化处理，获得黑白图像；
84.s32：采用深度卷积神经网络提取所述黑白图像的感兴趣区域，根据所述感兴趣区域获得目标回归框；
85.s33：根据sobel算子对所述目标回归框内的所述黑白图像进行轮廓检测，获得轮廓；
86.s34：根据过滤算法对所述轮廓进行优化处理，获得所述边缘轮廓
87.如图5所示，在步骤s31至步骤s34中，示例性地说明，对多角度图像进行二值化处理，获得黑白图像，采用深度卷积神经网络提取黑白图像的感兴趣区域，根据感兴趣区域获得目标回归框，根据目标回归框对多角度图像的边缘进行检测，获得边缘轮廓，例如，对各个角度红缨子高粱粒图像(多角度图像)进行图像优化处理(例如二值处理，在此不对具体算法作限定)，得到与各个角度红缨子高粱粒图像对应的黑白图像，需要说明的是，黑白图
像可以是所有角度黑白图像的集合；然后基于深度卷积神经网络对黑白图像进行感兴趣区域提取，根据感兴趣区域生成目标回归框；通过目标回归框对黑白图像进行红缨子高粱粒边缘整体轮廓检测，得到边缘轮廓，具体地，可以根据sobel算子对目标回归框内的黑白图像进行轮廓检测，获得轮廓，根据过滤算法对轮廓进行优化处理，获得边缘轮廓，例如，在一些实施过程中，sobel算子为其中，g
x
为水平梯度，gy为垂直梯度，经过sobel算子可以对目标回归框内的多个黑白图像进行轮廓边缘检测，获得轮廓，然后采用过滤算法对轮廓进行优化处理，得到优化后的轮廓，即边缘轮廓，通过该方式，能够较为准确得到红缨子高粱粒边缘整体轮廓，为之后获得红缨子高粱粒的长轴数值、短轴数值等参数提供保障。
88.如图6所示，在一些实施例中，获得黑白图像的步骤包括：
89.s41：根据预设的尺寸对所述多角度图像进行裁剪，获得多角度分割图像；
90.s42：对所述多角度分割图像进行卷积处理，获得多角度平滑图像；
91.s43：对所述多角度平滑图像进行色差转换处理，获得多角度灰度图像；
92.s44：对所述多角度灰度图像进行阈值调整处理，获得所述黑白图像。
93.如图6所示，在步骤s41至步骤s44中，示例性地说明，根据预设的尺寸对多角度图像进行裁剪，获得多角度分割图像；对多角度分割图像进行卷积处理，获得多角度平滑图像；对多角度平滑图像进行色差转换处理，获得多角度灰度图像；对多角度灰度图像进行阈值调整处理，获得黑白图像，例如，预设的尺寸可以设置为1920*1080的分辨率的像素大小，按照预设的尺寸对多角度图像进行裁剪获得多角度分割图像，然后根据pymeanshift均值漂移算法对各个裁剪后的多角度分割图像进行卷积平滑处理获得多角度平滑图像；根据预设的色差参数设置色差模型，通过色差模型将各个卷积平滑处理后的多角度平滑图像转换为色差分量图；对色差分量图进行灰度转换，得到多角度灰度图像；对多角度灰度图像进行自动阈值调整，得到各个红缨子高粱粒图像对应的黑白图像。其中，卷积平滑可以去除噪点，减少光线不均对红缨子高粱粒图像中红缨子高粱粒识别的影响，并为后续进行灰度转换以及自动阈值调整提供保障。
94.如图7所示，在一些实施例中，采用深度卷积神经网络提取所述黑白图像的感兴趣区域，根据所述感兴趣区域获得目标回归框的步骤包括：
95.s51：提取多个所述黑白图像的特征，获得黑白特征信息，对所述黑白特征信息进行残差传播处理，生成残差特征图；
96.s52：对所述残差特征图进行分离处理，获得图像前景及图像背景，根据所述图像前景得到所述感兴趣区域，并对所述感兴趣区域进行回归处理，生成所述目标回归框。
97.如图7所示，在步骤s51至步骤s52中，示例性地说明，提取多个黑白图像的特征，获得黑白特征信息，对黑白特征信息进行残差传播处理，生成残差特征图，对残差特征图进行分离处理，获得图像前景及图像背景，根据图像前景得到所述感兴趣区域，并对感兴趣区域进行回归处理，生成目标回归框，例如，在多个黑白图像中进行各个黑白图像的特征提取，得到黑白特征信息，对黑白特征信息进行残差传播处理，生成残差特征图；然后分离残差特征图的图像前景及图像背景，根据分离得到的图像前景得到感兴趣区域，对感兴趣区域进行回归处理，生成目标回归框。在另一些实施过程中，还可以通过基于大津阈值法的分割方
法进行处理，得到残差特征图的图像前景及图像背景。通过该方式，能够通过深度卷积神经网络快速地得到感兴趣区域，并生成目标回归框。
98.如图8所示，在一些实施例中，根据所述边缘轮廓获得尺寸数值，根据所述尺寸数值与预设的差异数值之间的比较结果，获得所述多角度图像对应的验证类型的步骤包括：
99.s61：根据所述边缘轮廓获得中心坐标，根据所述中心坐标获得长轴数值、短轴数值，其中，所述尺寸数值包括：所述长轴数值、所述短轴数值；
100.s62：将所述长轴数值减去预设的标准长轴数值，获得长轴差值；
101.s63：将所述短轴数值减去预设的标准短轴数值，获得短轴差值；
102.s64：若所述长轴差值与所述短轴差值都小于所述差异数值，则获得第一验证类型；若否，则获得第二验证类型；其中，所述验证类型包括：所述第一验证类型、所述第二验证类型。
103.如图8所示，在步骤s61至步骤s64中，示例性地说明，根据边缘轮廓获得中心坐标，根据中心坐标获得长轴数值、短轴数值，将长轴数值减去预设的标准长轴数值，获得长轴差值，将短轴数值减去预设的标准短轴数值，获得短轴差值，例如，由于边缘轮廓通常可能为不规则图形，因此可以用边缘轮廓所构成图形的重心作为边缘轮廓的中心坐标(在此不对获取中心坐标的具体算法作限定)，在获取中心坐标以后，获取多个贯穿中心并且起点与终点均在边缘轮廓上的直线，计算各个直线的长度数值，将长度数值最大的直线对应的长度数值作为长轴数值，将长度数值最小的直线对应的长度数值作为短轴数值，然后将长轴数值减去预设的标准长轴数值，获得长轴差值，将短轴数值减去预设的标准短轴数值，获得短轴差值，进一步地，差异数值可以按算法统计完善率的标准轴大小分布，设定阈值，剔除完善率中明显有问题的误判，以此提高系统的准确率，具体地，若长轴差值与短轴差值都小于差异数值，则获得第一验证类型；若否，则获得第二验证类型；其中，验证类型包括：第一验证类型、第二验证类型，需要说明的是，第一验证类型代表高粱的长轴差值与短轴差值都小于阈值，第一验证类型代表高粱的长轴差值和/或短轴差值小于阈值。
104.在一些实施过程中，若识别类型为完善粒，而验证类型为第一验证类型，则识别类型与第一验证类型一致，获得第一识别结果；若识别类型为完善粒，而验证类型为第二验证类型，则识别类型与第一验证类型不一致，获得第二识别结果。通过该方式，先通过分类神经网络进行红缨子高粱不完善类型识别，最后通过边缘轮廓识别的方式对识别结果进行验证，即先识别后验证，可进一步提高识别的准确性。
105.应该理解的是，虽然图2至图8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2至图8中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
106.在一个实施例中，如图9所示，提供了一种高粱不完善类别识别装置，所述高粱不完善类别识别装置包括：
107.第一获得模块，用于获取高粱的多角度图像，对所述多角度图像进行特征提取，获
得高粱特征，根据所述高粱特征与预设的分类模型，获得所述多角度图像对应的识别类型；
108.第二获得模块，用于获得所述多角度图像的边缘轮廓，根据所述边缘轮廓获得尺寸数值，根据所述尺寸数值与预设的差异数值之间的比较结果，获得所述多角度图像对应的验证类型；
109.判断模块，用于判断所述验证类型与所述识别类型是否一致；若是，则获取第一识别结果；若否，则获取第二识别结果。
110.在第一获得模块中，示例性地说明，获取高粱的多角度图像，对多角度图像进行特征提取，获得高粱特征，根据高粱特征与预设的分类模型，获得多角度图像对应的识别类型，例如，由于高粱可能出现一个表面存在不完善状况而其他表面显示却是正常健康状况的情况，因此如果只对单独某一个表面进行不完善类别的检测可能出现识别结果不准确的问题，因此，可以获取高粱在多个角度(多个表面)的图像，对多角度图像进行识别，对于每一个高粱，若任一角度图像(任一表面)出现不完善状况，则判定该高粱对该不完善类别对应的类别，在具体实施过程中，可以利用单粒粮食落料机来实现高粱的掉落，并在掉落过程中从多个角度进行拍摄并获取多角度图像，然后对多角度图像进行特征提取，获得高粱特征，例如形态特征、颜色特征、纹理特征，然后将高粱特征输入至预设的分类模型，获得多角度图像对应的识别类型，具体地，当识别出某一个角度(表面、方向)图像属于某一个识别类型的识别率超过75％的时候则判断该高粱为相应的识别类型；在一些实施过程中，对多角度图像进行特征提取之前，还可以对多角度图像进行滤波、分割等处理。
111.在第二获得模块中，示例性地说明，示例性地说明，获得多角度图像的边缘轮廓，根据边缘轮廓获得尺寸数值，根据尺寸数值与预设的差异数值之间的比较结果，获得多角度图像对应的验证类型，例如，针对某一品种的高粱，实施者可以根据高粱的使用场景对高粱的形态大小进行标准制定，即，在通过分类模型获得识别类型后，可以进一步判断高粱的尺寸数值与差异数值之间的差别是否处于阈值内，获得验证类型，以此判断识别类型是否准确，具体地，尺寸数值代表了高粱边缘轮廓的长短尺寸情况，通过该方式，可以自动实现高粱粒不完善类型识别，不需要人工参与，提高检测效率与准确性。
112.在判断模块中，示例性地说明，判断验证类型与识别类型是否一致；若是，则获取第一识别结果；若否，则获取第二识别结果，例如，当验证类型与识别类型一致时，认为识别类型准确，将识别类型作为第一识别结果；当验证类型与识别类型不一致时，认为识别类型不准确，将验证类型作为第二识别结果。
113.优选地，本装置中可以设置高粱颗粒触发传感器，由高粱颗粒触发传感器触发相机拍照，通过软件抓取所拍到的图片，然后送入到算法进行分割和识别，识别完成后将结果和数据写入数据库和磁盘存档。
114.优选地，通过本装置还可实现对高粱不完善类别进行在线识别、检测。
115.上述装置可应用于对高粱的不完善类别进行识别的场景中，通过第一后的模块获取高粱的多角度图像，对多角度图像进行特征提取，获得高粱特征，根据高粱特征与预设的分类模型，获得多角度图像对应的识别类型；通过第二获得模块获得多角度图像的边缘轮廓，根据边缘轮廓获得尺寸数值，根据尺寸数值与预设的差异数值之间的比较结果，获得多角度图像对应的验证类型；通过判断模块判断所述验证类型与所述识别类型是否一致；若是，则获取第一识别结果；若否，则获取第二识别结果，以此解决高粱不完善类别识别性能
memory，ram)等。
128.具体的，请参阅图11，图11为本技术实施例提供的芯片的一种结构示意图，所述芯片可以表现为神经网络处理器npu(neural-network processing unit，神经网络处理器)20，npu20作为协处理器挂载到主cpu(host cpu)上，由host cpu分配任务。npu的核心部分为运算电路203，通过控制器204控制运算电路203提取存储器中的矩阵数据并进行乘法运算。
129.在一些实施过程中，运算电路203内部包括多个处理单元(process engine，pe)。在实施过程中，运算电路203是二维脉动阵列。运算电路203还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在实施过程中，运算电路203是通用的矩阵处理器。
130.举例来说，假设有输入矩阵a，权重矩阵b，输出矩阵c。运算电路从权重存储器202中取矩阵b相应的数据，并缓存在运算电路中每一个pe上。运算电路从输入存储器201中取矩阵a数据与矩阵b进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)208中。
131.统一存储器206用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(direct memory access controller，dmac)205，dmac被搬运到权重存储器202中。输入数据也通过dmac被搬运到统一存储器206中。biu为bus interface unit，即总线接口单元210，用于axi总线与dmac和取指存储器(instruction fetch buffer，ifb)209的交互。总线接口单元210(bus interface unit，简称biu)，用于取指存储器209从外部存储器获取指令，还用于存储单元访问控制器205从外部存储器获取输入矩阵a或者权重矩阵b的原数据。dmac主要用于将外部存储器ddr中的输入数据搬运到统一存储器206或将权重数据搬运到权重存储器202中或将输入数据数据搬运到输入存储器201中。向量计算单元207包括多个运算处理单元，在需要的情况下，对运算电路的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。主要用于神经网络中非卷积/全连接层网络计算，如batch normalization(批归一化)，像素级求和，对特征平面进行上采样等。
132.在一些实施过程中，向量计算单元207能将经处理的输出的向量存储到统一存储器206。例如，向量计算单元207可以将线性函数和/或非线性函数应用到运算电路203的输出，例如对卷积层提取的特征平面进行线性插值，再例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元207生成归一化的值、像素级求和的值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路203的激活输入，例如用于在神经网络中的后续层中的使用。
133.控制器204连接的取指存储器(instruction fetch buffer)209，用于存储控制器204使用的指令；统一存储器206，输入存储器201，权重存储器202以及取指存储器209均为on-chip存储器。外部存储器私有于npu20硬件架构。
134.其中，上述各个实施例示出的目标模型中各层的运算可以由运算电路203或向量计算单元207执行。
135.其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，或一个或多个用于控制上述第一方面方法的程序执行的集成电路。
136.另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离
部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本技术提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。
137.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
138.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
139.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。