一种稻种颗粒形貌检测方法、系统、电子设备和存储介质

1.本公开涉及稻种检测领域，具体涉及一种稻种颗粒形貌检测方法、系统、电子设备和存储介质。


背景技术：

2.稻种选择是水稻精准化生产的关键环节之一，好种出好稻，好稻出好米，这是一个十分浅显的道理。好的优质稻种活力强、出芽率高、生长潜力强，是打造高品质稻米产品产业链的首个环节。从浸种开始，经过育秧、插秧、田间管理直到收获，稻种品质的优劣与水稻产量的高低有着很大的关系。
3.种子活力是决定种子在萌发和出苗期间活性和表现水平的所有特性总和，是反映种子质量的主要指标之一。种子活力是保障粮食生产成功的关键，高活力种子在田间条件下表现出发芽率高、植株健壮、抗逆性强、产量高等明显优势。低活力的种子往往出芽率低、生长潜力不强，造成产量降低。种子的劣变将导致种子的活力、田间建植能力等质量因素下降，从而造成巨大经济损失。同样批量种子中间的净度即杂质含量也是影响精准播种的一个重要因素，杂质的存在将导致播种后稻苗的稀疏程度，也会导致稻米产量的降低。基于此，播种前稻种的选择上需要检测稻种的质量，具体检测目标方面，稻米的的饱满程度、黄米粒、杂质及内含水分、霉变、蛋白质、脂肪、黄曲霉素等都决定了稻种品质的优劣。
4.高活力稻种具有发芽率高、植株健壮、抗逆性强、产量高等优势。低活力稻种往往出芽率低、生长潜力不强，产量低。在稻种的品质评定时，常采用的是人工目视比较鉴别或简单仪器测定，多数还停留在完全人工检测阶段。这种方法受人为主观因素和环境干扰因素的影响较大，准确性及重现性差，并且有主观性、费时及自动化程度低的缺点，远不能满足高品质稻种的品质需求。
5.随着信息技术的迅速发展，利用视觉测量、人工智能可以解决农产品品质检测方法和手段落后的问题，主要涉及稻米的碎米率测定、杂质率及黄粒米率的检测等，是一种有效的解决办法。视觉系统采集的米粒图像存在种粒粘连现象，稻种纯度检测首先需要解决目标粘连问题。粘连目标的分割一直是图像处理领域的研究难点。针对稻种图像目标粘连问题，目前主要有两种解决方案：一是通过设计特殊装置来避免米粒间发生粘连；二是通过使用相关图像分割算法对粘连图像进行有效分割。在稻种内含水分、霉变、蛋白质、脂肪、黄曲霉素等方面，目前一般采用电子鼻检测稻米种子发霉情况，采用电学特性来检测所含水分情况；国外较早开展了稻米外观品质检测仪器研究，日本的产品技术水平处于世界前列，并且已经有相关产品面世。如日本佐竹公司生产的颗粒评定仪、凯特公司生产的米质判定仪，但是这些产品在中国售价较高。国内，部分研究单位也开展了相关产品的研发，北京东孚久恒仪器技术有限公司研究了稻种外观品质检测仪，但是适应性弱，识别准确率较低。


技术实现要素：

6.本公开提供一种稻种颗粒形貌检测方法、系统、电子设备和存储介质，在采集到稻
种颗粒的图像数据的基础上，通过图像预处理算法对目标稻米图像进行噪声滤波和图像增强等处理，然后再通过图像特征提取算法进一步获取不同种类稻种的信息特征，最后依据图像特征对不同种类稻种进行分类处理，实现稻种中黄米率、杂质率、碎米率等的快速检测。本公开提供以下技术方案来解决上述技术问题：
7.作为本公开实施例的一个方面，提供一种稻种颗粒形貌检测方法，包括如下步骤：
8.获取稻种颗粒图像；
9.将所述稻种颗粒图像裁剪获取感兴趣区域，并将所述感兴趣区域滤波增强后进行图像灰度化处理；
10.将所述灰度化处理后的图像进行图像二值化处理得到二值化图像；
11.将所述二值化图像进行粘连区域分割得到单独的稻种颗粒区域，然后根据所述稻种颗粒区域所在的位置在稻种颗粒图像实现每颗稻种的标记；
12.获取的每颗稻种的颜色特征，并将所述颜色特征和稻种颗粒区域信息利用搭建好的神经网络模型进行识别得到稻种检测参数；
13.其中，所述稻种检测参数包括碎米率、黄米率、杂质率中的至少一个。
14.可选地，将所述二值化图像进行粘连区域分割得到单独的稻种颗粒区域的具体实现还包括如下步骤：
15.采用脉冲耦合神经网络图像分割法实现对所述二值化图像的粘连区域分割。
16.可选地，所述脉冲耦合神经网络图像分割法具体包括如下步骤：
17.根据二值化图像中的划定区域的的灰度值分布计算区域对比度；
18.将所述区域对比度作为的连接系数配置脉冲耦合神经网络图像分割法；
19.在划定区域内根据配置后的脉冲耦合神经网络图像分割法对图像进行分割；
20.更改所述划定区域循环执行上述步骤直至将所述二值化图像中的粘连区域都分割为单独的稻种颗粒区域。
21.可选地，计算所述区域对比度dev(x，y)的公式如下：
[0022][0023]
其中，maxf
ω
(x，y)表示以像素p(x，y)为中心的ω划定区域内像素灰度值的最大值，avgf
ω
(x，y)表示以像素p(x，y)为中心的ω划定区域内像素灰度值的平均值，minf
ω
(x，y)表示以像素p(x，y)为中心的ω划定区域内像素灰度值的最小值。
[0024]
可选地，所述方法还包括如下步骤：
[0025]
在将所述二值化图像进行粘连区域分割得到单独的稻种颗粒区域之前，对图像二值化处理得到的二值化图像进行形态学滤波或中值滤波；
[0026]
和/或，
[0027]
将所述感兴趣区域滤波增强包括如下步骤：采用双边滤波法对感兴趣区域图像进行降噪滤波；采用直方图法对降噪滤波后的感兴趣区域图像进行增强；
[0028]
和/或，
[0029]
在实现每颗稻种的标记后获取每颗稻种的形状尺寸。
[0030]
可选地，所述搭建好的神经网络模型为经过训练的脉冲耦合神经网络模型，所述脉冲耦合神经网络模型包括可用于实现分割二值化图像的粘连区域，还包括实现根据稻种
颗粒的形状尺寸和颜色识别出碎米特征、黄米粒特征和杂质率中的至少一种。
[0031]
可选地，所述杂质率的获取包括如下步骤：
[0032]
获取完好稻种与识别出的稻种颗粒的形状尺寸和颜色特征；
[0033]
计算上述两者形状尺寸和颜色特征之间的马氏距离，进而确定两者之间的相似度以计算杂质率。
[0034]
作为本公开实施例的另一方面，提供一种稻种颗粒形貌检测系统，包括：
[0035]
图像获取模块，用于获取稻种颗粒图像；
[0036]
roi灰度化模块，将所述稻种颗粒图像裁剪获取感兴趣区域，并将所述感兴趣区域滤波增强后进行图像灰度化处理；
[0037]
二值化模块，将所述灰度化处理后的图像进行图像二值化处理得到二值化图像；
[0038]
分割标记模块，将所述二值化图像进行粘连区域分割得到单独的稻种颗粒区域，然后根据所述稻种颗粒区域所在的位置在稻种颗粒图像实现每颗稻种的标记；
[0039]
参数获取模块，获取的每颗稻种的颜色特征，并将所述颜色特征和稻种颗粒区域信息利用搭建好的神经网络模型进行识别得到稻种检测参数；
[0040]
其中，所述稻种检测参数包括碎米率、黄米率、杂质率中的至少一个。
[0041]
作为本公开实施例的另一方面，提供一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现上述的稻种颗粒形貌检测方法。
[0042]
作为本公开实施例的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现上述的稻种颗粒形貌检测方法的步骤。
[0043]
本公开通过将二值化图像进行粘连区域分割得到单独的稻种颗粒区域进而标记出每颗稻种，进而根据每颗稻种的颜色特征和标记后的位置信息获取形状尺寸能够得到准确的稻种检测参数，也即碎米率、黄米率、杂质率中的至少一个。另外，本公开采用将所述区域对比度作为的连接系数配置脉冲耦合神经网络图像分割法能够使得稻种粘连区域的分割更自然，减少了稻种颗粒的尺寸信息丢失。此外，引入颜色特征可同时识别黄米率和杂质率，也能够综合能够在稻种颗粒的形状尺寸和颜色特征上以使得杂质率的识别精度更高。
附图说明
[0044]
图1为本公开实施例1中的稻种颗粒形貌检测方法流程图；
[0045]
图2为脉冲耦合神经网络图像分割法流程图；
[0046]
图3为稻种颗粒形貌检测系统框图。
具体实施方式
[0047]
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0048]
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除
非特别指出，不必按比例绘制附图。
[0049]
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
[0050]
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
[0051]
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
[0052]
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
[0053]
此外，本公开还提供了稻种颗粒形貌检测系统100、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种稻种颗粒形貌检测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
[0054]
稻种颗粒形貌检测方法的执行主体可以是计算机或者其他能够实现稻种颗粒形貌检测的装置，例如，方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(user equipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(personal digital assistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该稻种颗粒形貌检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
[0055]
实施例1
[0056]
作为本公开实施例的一个方面，如图1所示，提供一种稻种颗粒形貌检测方法，包括如下步骤：
[0057]
s10、获取稻种颗粒图像；
[0058]
s20、将所述稻种颗粒图像裁剪获取感兴趣区域，并将所述感兴趣区域滤波增强后进行图像灰度化处理；
[0059]
s30、将所述灰度化处理后的图像进行图像二值化处理得到二值化图像；
[0060]
s40、将所述二值化图像进行粘连区域分割得到单独的稻种颗粒区域，然后根据所述稻种颗粒区域所在的位置在稻种颗粒图像实现每颗稻种的标记；
[0061]
s50、获取的每颗稻种的颜色特征，并将所述颜色特征和稻种颗粒区域信息利用搭建好的神经网络模型进行识别得到稻种检测参数；
[0062]
其中，所述稻种检测参数包括碎米率、黄米率、杂质率中的至少一个。
[0063]
基于上述配置本公开实施例可以实现将二值化图像进行粘连区域分割得到单独的稻种颗粒区域进而标记出每颗稻种，进而根据每颗稻种的颜色特征和标记后的位置信息获取形状尺寸能够得到准确的稻种检测参数，也即碎米率、黄米率、杂质率中的至少一个。
[0064]
下面分别对本公开实施例的各步骤进行详细说明。
[0065]
s10、获取稻种颗粒图像；
[0066]
其中稻种颗粒图像可采用图像获取设备获取，所述图像获取设备包括但不限于工
业相机、高分辨率未优化的普通相机等，而且在获取的过程中，光源优选为自然光或者至少多个方向均有光源的“无影光源”，在拍摄得到稻种颗粒图像后传输至处理设备如计算机、工控机、服务器等具有运算功能的设备中；
[0067]
s20、将所述稻种颗粒图像裁剪获取感兴趣区域，并将所述感兴趣区域滤波增强后进行图像灰度化处理；
[0068]
其中，感兴趣区域(roi)也即是从图像中选择一个图像区域,这个区域是图像分析所关注的重点，在本公开实施例中，感兴趣的图像区域为具有稻种颗粒的区域，优选将稻种颗粒放置在黑色或灰色的漫反射的布景中获取图像，这样就使得感兴趣区域的获取可采用灰度识别即可实现，可先采用roi_addimage()函数获取图像，再根据灰度定义roi区域，可使用掩膜复制的方式复制到roi区域。
[0069]
s30、将所述灰度化处理后的图像进行图像二值化处理得到二值化图像；
[0070]
其中，可采用ostu方法、平均灰度法或微分直方图法等算法实现图像二值化处理，或者根据上述方法中最优的方法来实现，本领域技术人员也可以根据上述方法中在不同图像的二值化处理结果中进行比较，进而选出适合的二值化处理算法，而不必限于其中一种或多种。
[0071]
s40、将所述二值化图像进行粘连区域分割得到单独的稻种颗粒区域，然后根据所述稻种颗粒区域所在的位置在稻种颗粒图像实现每颗稻种的标记；
[0072]
其中，将所述二值化图像进行粘连区域分割得到单独的稻种颗粒区域的具体实现还包括如下步骤：
[0073]
采用脉冲耦合神经网络图像分割法实现对所述二值化图像的粘连区域分割。其中，所述脉冲耦合神经网络图像分割法(pcnn)可以连接起来创建一个高度灵活的生理滤波器，对灵长类视觉皮层中观察到的脉冲高度、持续时间、重复频率和神经间联系进行建模。该模型不仅能满足我们视觉模型的滤波要求，还能产生所需的连接和脉冲，以模拟依赖于状态的调制和时间同步；pcnn的特征提取和对象分割特性来自神经元的脉冲频率，具有相关进食输入特征(颜色、强度等)的神经元具有相似的脉冲率。连接导致神经元紧密接近，相关特征一致脉冲。连接模式、权重和连接系数决定了连接输入影响神经元输出的接近度和程度。
[0074]
在优选的实施例中，如图2所示，所述脉冲耦合神经网络图像分割法具体包括如下步骤：
[0075]
s401、根据二值化图像中的划定区域的的灰度值分布计算区域对比度；
[0076]
s402、将所述区域对比度作为的连接系数配置脉冲耦合神经网络图像分割法；
[0077]
s403、在划定区域内根据配置后的脉冲耦合神经网络图像分割法对图像进行分割；
[0078]
s404、更改所述划定区域循环执行s401-s403步骤直至将所述二值化图像中的粘连区域都分割为单独的稻种颗粒区域。
[0079]
其中，计算所述区域对比度dev(x，y)的公式如下：
[0080][0081]
在上述公式中，maxf
ω
(x，y)表示以像素p(x，y)为中心的ω划定区域内像素灰度值
的最大值，avgf
ω
(x，y)表示以像素p(x，y)为中心的ω划定区域内像素灰度值的平均值，minf
ω
(x，y)表示以像素p(x，y)为中心的ω划定区域内像素灰度值的最小值。上述公式实现的区域对比度能够适合稻种的渐进性灰度特点，将平均灰度作为标准进行计算，而且考虑到稻种颗粒中间高光区域和边缘区域的灰度也就是最大灰度值和最小灰度值的差距，进而将其作为连接系数配置脉冲耦合神经网络图像分割法能够使得稻种粘连区域的分割更自然，减少了稻种颗粒的尺寸信息丢失。
[0082]
在一些实施例中，所述方法还包括如下步骤：
[0083]
在将所述二值化图像进行粘连区域分割得到单独的稻种颗粒区域之前，对图像二值化处理得到的二值化图像进行形态学滤波或中值滤波；
[0084]
在一些实施例中，将所述感兴趣区域滤波增强包括如下步骤：采用双边滤波法对感兴趣区域图像进行降噪滤波；采用直方图法对降噪滤波后的感兴趣区域图像进行增强；
[0085]
在一些实施例中，在实现每颗稻种的标记后获取每颗稻种的形状尺寸。其中，标记每颗稻种后，每颗稻种的形状可通过计算边长、面积、最长距离(也就是稻种的长度，用于判断标记是否错误或者为非稻种的其他类型的颗粒或者稻种本身有问题)和最短距离(也即稻种大概中间位置的最窄处，主要用于判断是否为碎米)。
[0086]
s50、获取的每颗稻种的颜色特征，并将所述颜色特征和稻种颗粒区域信息利用搭建好的神经网络模型进行识别得到稻种检测参数；其中，所述稻种检测参数包括碎米率、黄米率、杂质率中的至少一个。
[0087]
在一些实施例中，所述搭建好的神经网络模型为经过训练的脉冲耦合神经网络模型，所述脉冲耦合神经网络模型包括可用于实现分割二值化图像的粘连区域，还包括实现根据稻种颗粒的形状尺寸和颜色识别出碎米特征、黄米粒特征和杂质率中的至少一种。
[0088]
在一些实施例中，所述杂质率的获取包括如下步骤：
[0089]
获取完好稻种与识别出的稻种颗粒的形状尺寸和颜色特征；
[0090]
计算上述两者形状尺寸和颜色特征之间的马氏距离，进而确定两者之间的相似度以计算杂质率。
[0091]
实施例2
[0092]
作为本公开实施例的另一方面，如图3所示，提供一种稻种颗粒形貌检测系统100，包括：
[0093]
图像获取模块1，用于获取稻种颗粒图像；
[0094]
roi灰度化模块2，将所述稻种颗粒图像裁剪获取感兴趣区域，并将所述感兴趣区域滤波增强后进行图像灰度化处理；
[0095]
二值化模块3，将所述灰度化处理后的图像进行图像二值化处理得到二值化图像；
[0096]
分割标记模块4，将所述二值化图像进行粘连区域分割得到单独的稻种颗粒区域，然后根据所述稻种颗粒区域所在的位置在稻种颗粒图像实现每颗稻种的标记；
[0097]
参数获取模块5，获取的每颗稻种的颜色特征，并将所述颜色特征和稻种颗粒区域信息利用搭建好的神经网络模型进行识别得到稻种检测参数；
[0098]
其中，所述稻种检测参数包括碎米率、黄米率、杂质率中的至少一个。
[0099]
基于上述配置本公开实施例可以实现将二值化图像进行粘连区域分割得到单独的稻种颗粒区域进而标记出每颗稻种，进而根据每颗稻种的颜色特征和标记后的位置信息
获取形状尺寸能够得到准确的稻种检测参数，也即碎米率、黄米率、杂质率中的至少一个。
[0100]
下面分别对本公开实施例的各个模块进行详细说明。
[0101]
图像获取模块1，用于获取稻种颗粒图像；
[0102]
其中图像获取模块1可采用图像获取设备，所述图像获取设备包括但不限于工业相机、高分辨率未优化的普通相机等，而且在获取的过程中，光源优选为自然光或者至少多个方向均有光源的“无影光源”，在拍摄得到稻种颗粒图像后传输至处理设备如计算机、工控机、服务器等具有运算功能的设备中；
[0103]
roi灰度化模块2，将所述稻种颗粒图像裁剪获取感兴趣区域，并将所述感兴趣区域滤波增强后进行图像灰度化处理；
[0104]
其中，roi灰度化模块2用于实现感兴趣区域(roi)的裁剪和灰度化处理，所述感兴趣区域(roi)也即是从图像中选择一个图像区域,这个区域是图像分析所关注的重点，在本公开实施例中，感兴趣的图像区域为具有稻种颗粒的区域，优选将稻种颗粒放置在黑色或灰色的漫反射的布景中获取图像，这样就使得感兴趣区域的获取可采用灰度识别即可实现，可先采用roi_addimage()函数获取图像，再根据灰度定义roi区域，可使用掩膜复制的方式复制到roi区域。
[0105]
二值化模块3，将所述灰度化处理后的图像进行图像二值化处理得到二值化图像；
[0106]
其中，二值化模块3可采用ostu方法、平均灰度法或微分直方图法等算法实现图像二值化处理，或者根据上述方法中最优的方法来实现，本领域技术人员也可以根据上述方法中在不同图像的二值化处理结果中进行比较，进而选出适合的二值化处理算法，而不必限于其中一种或多种。
[0107]
分割标记模块4，将所述二值化图像进行粘连区域分割得到单独的稻种颗粒区域，然后根据所述稻种颗粒区域所在的位置在稻种颗粒图像实现每颗稻种的标记；
[0108]
其中，所述分割标记模块4将所述二值化图像进行粘连区域分割得到单独的稻种颗粒区域的具体实现还包括：
[0109]
采用脉冲耦合神经网络图像分割法实现对所述二值化图像的粘连区域分割。其中，所述脉冲耦合神经网络图像分割法(pcnn)可以连接起来创建一个高度灵活的生理滤波器，对灵长类视觉皮层中观察到的脉冲高度、持续时间、重复频率和神经间联系进行建模。该模型不仅能满足我们视觉模型的滤波要求，还能产生所需的连接和脉冲，以模拟依赖于状态的调制和时间同步；pcnn的特征提取和对象分割特性来自神经元的脉冲频率，具有相关进食输入特征(颜色、强度等)的神经元具有相似的脉冲率。连接导致神经元紧密接近，相关特征一致脉冲。连接模式、权重和连接系数决定了连接输入影响神经元输出的接近度和程度。
[0110]
在优选的实施例中，如图2所示，所述分割标记模块4中的脉冲耦合神经网络图像分割法具体包括：根据二值化图像中的划定区域的的灰度值分布计算区域对比度；将所述区域对比度作为的连接系数配置脉冲耦合神经网络图像分割法；在划定区域内根据配置后的脉冲耦合神经网络图像分割法对图像进行分割；更改所述划定区域循环执行直至将所述二值化图像中的粘连区域都分割为单独的稻种颗粒区域。
[0111]
其中，计算所述区域对比度dev(x，y)的公式如下：
[0112][0113]
在上述公式中，maxf
ω
(x，y)表示以像素p(x，y)为中心的ω划定区域内像素灰度值的最大值，avgf
ω
(x，y)表示以像素p(x，y)为中心的ω划定区域内像素灰度值的平均值，minf
ω
(x，y)表示以像素p(x，y)为中心的ω划定区域内像素灰度值的最小值。上述公式实现的区域对比度能够适合稻种的渐进性灰度特点，将平均灰度作为标准进行计算，而且考虑到稻种颗粒中间高光区域和边缘区域的灰度也就是最大灰度值和最小灰度值的差距，进而将其作为连接系数配置脉冲耦合神经网络图像分割法能够使得稻种粘连区域的分割更自然，减少了稻种颗粒的尺寸信息丢失。
[0114]
在一些实施例中，所述二值化模块3还包括：对图像二值化处理得到的二值化图像进行形态学滤波或中值滤波；
[0115]
在一些实施例中，将所述感兴趣区域滤波增强包括：采用双边滤波法对感兴趣区域图像进行降噪滤波；采用直方图法对降噪滤波后的感兴趣区域图像进行增强；
[0116]
参数获取模块5，获取的每颗稻种的颜色特征，并将所述颜色特征和稻种颗粒区域信息利用搭建好的神经网络模型进行识别得到稻种检测参数；其中，所述稻种检测参数包括碎米率、黄米率、杂质率中的至少一个，在本实施例中，优选同时包括碎米率、黄米率、杂质率的检测。
[0117]
在一些实施例中，在实现每颗稻种的标记后获取每颗稻种的形状尺寸。其中，标记每颗稻种后，每颗稻种的形状可通过计算边长、面积、最长距离(也就是稻种的长度，用于判断标记是否错误或者为非稻种的其他类型的颗粒或者稻种本身有问题)和最短距离(也即稻种大概中间位置的最窄处，主要用于判断是否为碎米)。
[0118]
在一些实施例中，所述搭建好的神经网络模型为经过训练的脉冲耦合神经网络模型，所述脉冲耦合神经网络模型包括可用于实现分割二值化图像的粘连区域，还包括实现根据稻种颗粒的形状尺寸和颜色识别出碎米特征、黄米粒特征和杂质率中的至少一种。
[0119]
在一些实施例中，所述杂质率的获取包括：获取完好稻种与识别出的稻种颗粒的形状尺寸和颜色特征；计算上述两者形状尺寸和颜色特征之间的马氏距离，进而确定两者之间的相似度以计算杂质率。
[0120]
实施例3
[0121]
作为本公开实施例的另一方面，提供一种电子设备，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实施例1中的稻种颗粒形貌检测方法。
[0122]
实施例4
[0123]
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实施例1中的稻种颗粒形貌检测方法的步骤。
[0124]
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
[0125]
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实
施例中的稻种颗粒形貌检测方法中的步骤。
[0126]
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
[0127]
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。