【技術實現步驟摘要】
本專利技術涉及智能分選，特別是涉及一種基于機器視覺的豆類智能分選方法。
技術介紹
1、豆科植物被廣泛認為是最大和最具經濟活力的植物科之一。它們是健康飲食所必需的，富含蛋白質，蛋白質含量是玉米的兩倍，是大米的三倍。豆類還含有油脂、淀粉和膳食纖維等營養物質，這些都是動物和人類消耗的。豆科植物在世界各地被廣泛種植，為了確保豆類生產的品質，對優質豆類進行高效分選顯得尤為重要。除了豆類的大小、形狀和顏色特征外，表面完整性、物理損傷、昆蟲損傷、真菌感染和霉菌等病菌也是用于評估的其他因素。起初豆科植物的表面缺陷是根據人工觀察和經驗進行評估的。然而，通過目視檢查進行評估耗時且主觀性高。因此，需要一種能夠全面替代人眼的快速、系統的豆類表面篩選方法。傳統的豆類篩選方法主要依靠機械振動對破損的籽粒進行分選，這是一種簡單粗暴的方法，會對豆類造成嚴重的損害。由于豆類的損傷主要表現在表面視覺上，通過機器視覺是識別豆類損傷更加高效的方法。目前，基于機器視覺的豆類智能分選方法分為三大類，基于傳統機械篩選的方法、基于光譜成像技術的方法和基于機器視覺技術的方法。
2、基于傳統機械篩選的方法主要依靠機械振動對破損的籽粒進行分選。現有的解決方案提出了一種大豆在篩板上移動，利用重力，使大豆經由不同直徑的篩孔掉落收集的分選方法，該方法只適用于大豆等級的劃分。現有的解決方案還提出了一種大豆篩選裝置，通過料斗和不同傾斜度的滑道對不同質量的大豆和雜質進行篩選，該方法局限于絕大部分殘缺大豆和雜質的分選，難以篩選出霉變的大豆且篩選的準確率不高。現有的解決方案還提出了一種
3、基于光譜成像技術的方法通常是近紅外光譜、高光譜成像、多光譜成像等方法，通過直接測定豆科植物的化學成分，或根據豆科植物的化學鍵間接測定其他品質屬性對豆類進行分選。現有的解決方案提出了利用近紅外高光譜成像技術檢測豆類真菌感染的方法，這種方法局限于對豆類內部成分的測定，缺乏對豆類外部信息的測定，容易造成外部缺陷豆類的漏選。
4、基于機器視覺技術的方法通過使用rgb數碼相機模仿人眼的視覺來檢測豆類樣品的外部質量，包括顏色、紋理、蟲害和尺寸特征等，它們可以用作質量評估、分級和表面缺陷檢測的指標。現有的解決方案提出了一種根據大豆形狀合格判別值和霉變缺陷辨別指數對大豆質量進行判斷大豆質量分選方法。現有的解決方案還提出了一種豆類缺陷分選方法，該方法對于豆類破損、蟲蛀、病菌感染分別使用了三種算法檢測效率低并且存在一定的冗余。現有的解決方案還提出了一種大豆種子全表面缺陷實時識別方法，該方法通過采用交替旋轉機制暴露種子的完整表面特征信息，通過將shufflenet網絡結構引入mobilenet算法的瓶頸疊加模塊中對大豆進行分類。現有的解決方案還提出了一種基于yolov5、注意力機制、加權雙向特征金字塔網絡的受損豆類檢測方法，該方法通過在yolov5算法的骨干網絡中加入注意力機制模塊，提高堆疊豆類中破損豆類的檢測精度，然后在特征融合階段加入加權雙向特征金字塔網絡模塊，該模塊從上到下集成了多尺度特征，減少了對輕微受損豆類的漏檢。現有的解決方案還提出了一種基于snet算法的豆類分選方法，該方法將分選流程分為圖像分割和圖像分類兩大部分，首先在分割階段，通過maskr-cnn算法將擠壓在一起的大豆分割單個大豆；然后是分類階段，基于mobilenet網絡加入深度可分離卷積模塊和混合特征重新校準(mfr)模塊設計了snet算法，該算法提高了大豆損傷特征的表示能力，使模型增加對關鍵區域的關注度，能夠在一定程度上提高分選的精度，但分選效率較低且存在一定的冗余。
技術實現思路
1、本專利技術的目的是提出一種基于機器視覺的豆類智能分選方法，以解決上述現有技術存在的問題，有效提升小目標的識別及定位精度。
2、為實現上述目的，本專利技術提供了如下方案：
3、一種基于機器視覺的豆類智能分選方法，包括：
4、獲取待檢測豆類圖片；
5、構建改進后的yolov8模型，其中，所述改進后的yolov8模型利用訓練集訓練獲得，所述訓練集包括：復雜情況下的優質大豆和多類缺陷大豆圖片以及對應標簽，所述改進后的yolov8模型通過引入輕量化可變卷積以及simam無參注意力機制進行特征提取；
6、將所述待檢測豆類圖片輸入所述改進后的yolov8模型進行目標檢測，獲取豆類分選結果。
7、可選地，所述改進后的yolov8模型包括：
8、特征提取模塊和特征檢測模塊；
9、特征提取模塊，用于對所述待檢測豆類圖片進行特征提取；
10、特征檢測模塊，用于對特征提取后的待檢測豆類圖片進行目標檢測，獲取所述豆類分選結果。
11、可選地，所述特征提取模塊包括：
12、標準卷積conv子模塊，用于對所述待檢測豆類圖片進行卷積操作，獲取第一卷積圖像；
13、若干個融合子模塊，用于對所述卷積圖像進行卷積操作以及不同尺度的特征融合，獲取特征圖p1；
14、第一akconv子模塊，用于對所述特征圖p1進行卷積操作，獲取第二卷積圖像；
15、sppf子模塊，用于第二卷積圖像進行不同尺度的特征提取，獲取特征圖p2。
16、可選地，所述若干個融合子模塊包括：
17、若干個akconv單元和若干個第一c2f單元，所述若干個akconv單元和所述若干個第一c2f單元交替設置；
18、所述若干個akconv單元，用于對上一層輸出的特征圖進行卷積操作，分別獲取第三卷積圖像、第四卷積圖像、第五卷積圖像；
19、所述若干個第一c2f單元，用于分別對所述第三卷積圖像、第四卷積圖像、第五卷積圖像與所述第三卷積圖像、第四卷積圖像、第五卷積圖像所對應上一次的特征圖進行融合，獲取特征圖p3、特征圖p4、特征圖p5。
20、可選地，所述特征檢測模塊包括：
21、若干個特征處理子模塊、若干個特征提取子模塊和detect子模塊；所述若干個特征處理子模塊、所述若干個特征提取子模塊和所述detect子模塊依次連接；
22、所述若干個特征處理子模塊，用于對所述特征圖p2進行上采樣；
23、所述若干個特征提取子模塊，用于推斷上采樣后的特征圖p2的3-d關注權重，獲取特征圖p6；
24、所述detect子模塊，用于對所述特征圖p6進行目標檢測，獲取所述豆類分選結果。
25、可選地，所述若干個特征處理子模塊包括：
26、第一nn.upsample單元，用于對所述特征圖p2進行上采樣；
27、第一concat單元，用于對所述上采樣后的特征圖p2與所述特征圖p5進行連接，獲取特征圖p7；
28、第二c2f單元，用于對所述特征圖p7與所述第五卷積圖像進行融合處理；
29、第二nn.upsample單元，用于對處理后的特征圖p7進行上本文檔來自技高網...
【技術保護點】
1.一種基于機器視覺的豆類智能分選方法，其特征在于，包括：
2.根據權利要求1所述的基于機器視覺的豆類智能分選方法，其特征在于，所述改進后的yolov8模型包括：
3.根據權利要求2所述的基于機器視覺的豆類智能分選方法，其特征在于，所述特征提取模塊包括：
4.根據權利要求3所述的基于機器視覺的豆類智能分選方法，其特征在于，所述若干個融合子模塊包括：
5.根據權利要求4所述的基于機器視覺的豆類智能分選方法，其特征在于，所述特征檢測模塊包括：
6.根據權利要求5所述的基于機器視覺的豆類智能分選方法，其特征在于，所述若干個特征處理子模塊包括：
7.根據權利要求6所述的基于機器視覺的豆類智能分選方法，其特征在于，所述若干個特征提取子模塊包括：
8.根據權利要求7所述的基于機器視覺的豆類智能分選方法，其特征在于，所述若干個特征提取子模塊還包括：
9.根據權利要求8所述的基于機器視覺的豆類智能分選方法，其特征在于，所述Detect子模塊包括：
10.根據權利要求5所述的基于機器視覺的豆
...【技術特征摘要】
1.一種基于機器視覺的豆類智能分選方法，其特征在于，包括：
2.根據權利要求1所述的基于機器視覺的豆類智能分選方法，其特征在于，所述改進后的yolov8模型包括：
3.根據權利要求2所述的基于機器視覺的豆類智能分選方法，其特征在于，所述特征提取模塊包括：
4.根據權利要求3所述的基于機器視覺的豆類智能分選方法，其特征在于，所述若干個融合子模塊包括：
5.根據權利要求4所述的基于機器視覺的豆類智能分選方法，其特征在于，所述特征檢測模塊包括：
6.根據權利要求5所...
【專利技術屬性】
技術研發人員：謝劍斌，常智超，王興，
申請(專利權)人：湖南中科助英智能科技研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。