技术领域
[0001] 本
发明主要涉及到稻米智能加工技术领域，特指一种稻米加工在线工艺检测方法。
背景技术
[0002] 智能
制造过程必须也只能围绕智能工厂展开，智能工厂的核心是“数据驱动”。构建
水稻加工智能工厂也必须依靠“数据驱动”这个核心，而针对各道工序加工的在线工艺检测正是这个核心中的核心，它为水稻加工生产设备的智能控制提供原始的驱动
力与核心依据。
[0003] 事实上，稻米加工的在线工艺检测正是实现水稻加工智能工厂的
瓶颈。目前，针对于不同加工工序，在线工艺检测的检测内容包括以下几个方面：
[0004] （a）清理与去石工序：从稻谷（包含糙米）中检测无机杂质（如泥
块、石子等）与有机杂质（稻草、其他有机物如麦粒、玉米、稗子等）；
[0005] （b）砻谷工序：从糙米中检测稻谷、碎糙米、未熟糙米、裂纹糙米等；
[0006] （c）碾米工序：检测糙米、开糙米、每道碾米工艺要求的米层、留胚米、留皮米；
[0007] （d）色选工序：检测病班粒、黄粒米、垩白粒等异色粒；
[0008] （e）
抛光工序：检测米粒表面的糠粉附着程度、米粒表面的光洁度、米粒的透明度、米粒的白度、米粒被碾磨到的结构上的层次；
[0009] （f）成品：留皮粒、留胚粒、病班粒、黄粒米、垩白粒、碎米、针尖病班粒、未熟粒等。
[0010] 由此可见，加工生产过程中的检测项目繁多，同时，作为自然生长的作物具有每个颗粒均不相同的表现特征丰富性，使得稻米加工的在线工艺检测极具难点与挑战，这也是其成为“世界性难题”的根本原因。
发明内容
[0011] 本发明要解决的技术问题就在于：针对
现有技术存在的技术问题，本发明提供一种原理简单、容易实现、检测
精度高的稻米加工在线工艺检测方法。
[0012] 为解决上述技术问题，本发明采用以下技术方案：
[0013] 一种稻米加工在线工艺检测方法，其步骤包括：
[0014] 步骤S1：构建一个基于
机器视觉的
人工神经网络系统；
[0015] 所述人工神经网络系统包括
输入层、
隐藏层、
输出层，第一层为输入层，每一个输入向量占用一个神经元；最后一层为输出层；所述隐藏层的前一部分为
卷积神经网络，后一部分为BP反馈神经网络；所述隐藏层的组成是：整个人工神经网络系统的第二层与第三层为神经网络的卷积层，使用S函数作为激活函数，以f(x)=X³+b作为过滤函数；第四层与第五层为神经网络的
池化层，使用S函数作为激活函数，对检测对象的特征空间进行
降维；第六层至第十层为BP层，运用反馈
算法实现神经网络训练的有
监督学习，使用
变形的L函数作为激活函数，L函数的变形规则为，f(x)=aX+b，当X>0时，a=3,当X<0时，a=0.2；
[0016] 步骤S2：基于机器视觉采集到的稻米图像信息作为人工神经网络系统的输入向量；
[0017] 步骤S3：经人工神经网络系统最后一层输出后，先以隶属度函数对每个对象模糊化，最后通过硬极性函数进行判别，完成解模糊；
[0018] 步骤S4：使用稻米的实物样本对人工神经网络系统进行训练；
[0019] 步骤S5：完成神经网络的训练，上线使用。
[0020] 作为本发明的进一步改进：在完成步骤S4之后，还包括：使用没有经过
机器学习的实物样本提供给人工神经网络系统进行判别，将其中判别错误的样本做好标记，再提供给人工神经网络系统
强化学习。
[0021] 作为本发明的进一步改进：在所述步骤S2中，对图像中
像素逐一扫描，将每一像素与相邻的像素进行比较，获得其四个方向上的ΔV值，所述ΔV即相邻两个像素之间的
亮度之差，标记ΔV符合“突变”特征的像素点，将这些点连起来，即构成被检测对象的外轮廓；
[0022] 对获取的每一颗对象进行分割，得到A、B、C、D、E、F六段曲线，将这六段曲线分别转换成为直
角坐标中的曲线函数F(x)，再将六段曲线函数转换为神经网络的六个输入向量，q1、q2、q3、q4、q5、q6，六个输入向量对应了神经网络输入层的六个神经元。
[0023] 作为本发明的进一步改进：对被检测对象轮廓内像素逐一扫描，同样将每一像素与相邻像素进行比较得到其ΔH值，所述H为机器视觉中的“色相”，标记ΔH符合“突变”特征的像素，形成符合突变特征的点；如果某一个点的周围一定距离
阈值范围内没有其他点，那么就为点；如果某一个点的周围一定距离阈值范围内有一个其他的点，那么连接成线；如果某一个点的周围一定距离阈值范围内有两个以上的其他的点，那么连接成面；通过
抽取，将抽取点的数量、线的长度、面的宽度、色块中H、S、V以及每色块包含的像素数均各自随机抽取若干个值，分别组织成输入向量，对应神经网络输入层的神经元。
[0024] 作为本发明的进一步改进：对被检测对象轮廓内的像素再进行逐一扫描，得到每一像素与相邻像素的ΔV值，这仍然是亮度值之差，将ΔV符合“次突变”特征的点标记，并连接成线，这些“线”即为被检测对象的“纹理”。在所述图像信息中所获取的“纹理”，将这些纹理的数量、长度、走向、分布
位置、纹理“内”的H、S、V值若干个、纹理“边线”的H、S、V值若干个分别组织成输入向量，对应了神经网络的输入层神经元。
[0025] 作为本发明的进一步改进：将被检测对象轮廓内按照预设值的相邻像素组成一个小单元，统计每个小单元内H、S、V的平均值，从轮廓中随机抽取若干个小单元，得到输入向量。
[0026] 作为本发明的进一步改进：定义一个直角坐标，将坐标分成八个象限，分别标记为1、2、3、4、5、6、7、8，对被检测对象轮廓边线所有组成像素逐一扫描，每相邻的下一像素与上一像素之间的位置关系符合图中的某一象限，即标记该象限所对应的数值，将所有相邻关系中1、2、3、4、5、6、7、8所占比例分别统计，构成8个输入向量。
[0027] 与现有技术相比，本发明的优点在于：本发明的一种稻米加工在线工艺检测方法，原理简单、容易实现、检测精度高，通过构建基于机器视觉的人工神经网络系统，并依托于扫描后的处理策略，能够真正实现高效、快速、精确的稻米加工在线工艺检测。
附图说明
[0028] 图1是本发明方法的流程示意图。
[0029] 图2是本发明在具体应用实例中构成被检测对象的外轮廓的效果示意图；图中（a）、（b）、（c）分别为三个不同视角获取的检测对象的外轮廓。
[0030] 图3是本发明在具体应用实例中对获取的每一颗对象进行分割后的效果示意图。
[0031] 图4是本发明在具体应用实例中再次对被检测对象轮廓内像素逐一扫描的效果示意图；图中（a）为突变特征的点的示意图；（b）为突变特征的点连成线的示意图；（c）为突变特征的点连成面的示意图。
[0032] 图5是本发明在具体应用实例中对被检测对象轮廓内的像素再进行逐一扫描，得到每一像素与相邻像素的ΔV值的效果示意图；图中（a）、（b）、（c）分别为三个不同视角获取检测对象中纹理的示意图。
[0033] 图6是本发明在具体应用实例中定义一个直角坐标的效果示意图。
具体实施方式
[0034] 以下将结合
说明书附图和具体
实施例对本发明做进一步详细说明。
[0035] 如图1所示，本发明的一种稻米加工在线工艺检测方法，其步骤包括：
[0036] 步骤S1：构建一个基于机器视觉的人工神经网络系统；
[0037] 这个神经网络系统由输入层、隐藏层、输出层构成。第一层为输入层，每一个输入向量占用一个神经元；最后一层，即第十一层为输出层。
[0038] 步骤S2：基于机器视觉采集到的稻米图像信息作为人工神经网络系统的输入向量。
[0039] 步骤S3：经神经网络最后一层输出后，先以隶属度函数对每个对象模糊化，最后通过硬极性函数进行判别（解模糊）。
[0040] 步骤S4：使用稻米的实物样本对神经网络进行训练。
[0041] 步骤S5：完成神经网络的训练，上线使用。
[0042] 作为优选实施例，本发明还可以在步骤S4之后包括：使用没有经过机器学习的实物样本提供给神经网络进行判别，将其中判别错误的样本做好标记，再提供给神经网络强化学习。
[0043] 在一个具体应用实例中，第二层至第十层为该神经网络的隐藏层，为了适应被检测（即，分类）对象的复杂性，本发明设计人工神经网络时充分考虑神经网络对检测对象分类敏感特征的提取与对先验知识的运用，将之设计为一个混合神经网络：隐藏层的前一部分为卷积神经网络，后一部分则为BP反馈神经网络，且分别使用了不同的激活函数以充分发挥两种神经网络的优点，在达到准确复杂分类的
基础上尽可能降低对神经网络的训练时间。
[0044] 隐藏层的组成是：第二层（整个神经网络的第二层）与第三层为神经网络的卷积层，使用S函数作为激活函数，以f(x)=X³+b作为过滤函数；第四层与第五层为神经网络的池化层，仍然使用S函数作为激活函数，对检测对象的特征空间进行降维；第六层至第十层为BP层，运用反馈算法实现神经网络训练的有监督学习，为了防止梯度消失，使用变形的L函数作为激活函数，L函数的变形规则为，f(x)=aX+b，当X>0时，a=3,当X<0时，a=0.2。
[0045] 可以理解，可以根据实际检测需要选择不同的隐藏层构成，上述实例仅为本发明的优选实施例，其他的实施方式也应当在本发明的保护范围之内。
[0046] 在一个具体应用实例中，本发明所构建的神经网络基于机器视觉，因此，其输入向量的设计仍然基于机器视觉。为此，在具体应用时，步骤S2的具体流程可以为：
[0047] 步骤S201：如图2所示，对图像中像素逐一扫描，将每一像素与相邻的像素进行比较，获得其四个方向上的ΔV值（注：H、S、V为机器视觉中的通用概念与标准参数，其中H是hue，表示色相；S是saturation，表示
饱和度；V是value，表示亮度，也就是灰度。ΔV即相邻两个像素之间的亮度之差），标记ΔV符合“突变”特征的像素点，将这些点连起来，即构成被检测对象的外轮廓。
[0048] 如图3所示，然后对获取的每一颗对象进行如下分割，得到A、B、C、D、E、F六段曲线，将这六段曲线分别转换成为直角坐标中的曲线函数F(x)，再将六段曲线函数转换为神经网络的六个输入向量，q1、q2、q3、q4、q5、q6，六个输入向量对应了神经网络输入层的六个神经元。
[0049] 步骤S202：如图4所示，进一步对被检测对象轮廓内像素逐一扫描，同样将每一像素与相邻像素进行比较得到其ΔH值（注：H为机器视觉中的“色相”），标记ΔH符合“突变”特征的像素，形成符合突变特征的点；如果某一个点的周围一定距离阈值范围内没有其他点，那么就为点；如果某一个点的周围一定距离阈值范围内有一个其他的点，那么连接成线；如果某一个点的周围一定距离阈值范围内有两个以上的其他的点，那么连接成面；如图4所示，呈现出点（如图4左）、线（如图4中）、面（如图4右），其中a是面，b与c是线，e、f、g、h...是点；通过抽取，将抽取点的数量、线的长度、面的宽度、色块（含点、线、面）中H、S、V的各自随机抽取的20个值、以及每色块包含的像素数分别组织成输入向量，分别为q7、q8、q9、q10、q11、q12、q13...q80，对应神经网络输入层的87个神经元。
[0050] 步骤S203：如图5所示，再进一步，对被检测对象轮廓内的像素再进行逐一扫描，得到每一像素与相邻像素的ΔV值，这仍然是亮度值之差，将ΔV符合“次突变”特征（注：外轮廓的获得是寻找符合“突变特征”，在此则是符合“次突变”特征，意为其突变程度要小，区别“突变”与“次突变”是通过模糊理论的“隶属度”算法，隶属度大于0.8则为突变，隶属度为0.4-0.8则为次突变）的点标记，并连接成线，在图像信息中这些“线”即为被检测对象的“纹理”，由于是在图像信息中，所以所述“纹理”实际上是一个或宽或窄的“线”，从图像信息的像素上来看，该“线”实际上具有一定的面积，那么纹理“边线”即为该纹理的轮廓线，纹理“内”即为纹理轮廓线内的区域。图中所标记A、B、C、D、E、F...分别为所获取的“纹理”，将这些纹理的数量、长度、走向、分布位置、以及纹理“内”的H、S、V值各10个、纹理“边线”的H、S、V值各20个（左、右两边各10个）分别组织成123个输入向量，对应了神经网络123个输入层神经元。
[0051] 步骤S204：进一步，将被检测对象轮廓内每相邻的9个像素组成一个小单元，统计每个小单元内H、S、V的平均值，从轮廓中随机抽取500个小单元，得到1500个输入向量。
[0052] 步骤S205：如图6所示，定义一个直角坐标，将坐标分成八个象限，分别标记为1、2、3、4、5、6、7、8，对被检测对象轮廓边线所有组成像素逐一扫描，每相邻的下一像素与上一像素之间的位置关系符合图中的某一方向（象限），即标记该象限所对应的数值，将所有相邻关系中1、2、3、4、5、6、7、8所占比例分别统计，构成8个输入向量。
[0053] 在具体应用实例中，在步骤S3中，神经网络最后一层输出的是对每一具体样本的特征描述，这个描述是数字的，是多维度的。多维度的每一“维”，具体表示为特征欧几里得空间的一个方向的“量”——实际上就是神经网络所理解的该样本在此“特征维度”上的“值”。这个值，不能直接判别并对样本进行分类，需要将这个“值”转换为该特征维度上的“符合度”，用0-1之间的小数表达，这个过程称为“模糊化”，硬极性函数使用f（x）=1,当x大于a，和f(x)=0，当x小于a，而这个a的值究竟是多少，也是通过神经网络的训练学习出来的。完成是1或者0的判别——即分类——的过程就是“解模糊”。
[0054] 在一个具体应用实例中，本发明在物理上依托一个颗粒的动态检测装置（
专利号201720785155X、名称：一种颗粒物自动检测机构），本发明按照上述方法进行实际操作，具体流程为：
[0055] 1、通过在线检测装置获得所有种类的样本，包括：石子、泥块、稻草、麦子、玉米、稗子、稻梗、稻谷、糙米、碎糙米、未熟糙米、每道碾米（一、二、三、四）的标准样本、开糙粒、留皮粒、留胚粒、病班粒、黄粒米、碎米粒、粒面带糠粉的米粒、洁净的米粒、表明光滑的米粒、未抛光的米粒。
[0056] 2、训练神经网络；
[0057] （1）利用本发明上述方法中基于机器视觉采集到的稻米图像信息作为人工神经网络系统的输入向量，即将未抛光的稻米米粒作为负样本B，表面光滑的米粒作为正样本A，训练神经网络，训练完成后，使用未曾学习过的样本提供给神经网络判别，将错判为B的A作为正样本再学习，将错判为A的B作为B样本再学习，直到误判率与漏判率均小于0.1%；完成抛光达标样本的学习。
[0058] （2）将粒面光滑的样本作为负样本B，粒面留有糠粉的样本作为正样本A，训练神经网络，重复（1）的动作；完成粒面糠粉样本的学习。
[0059] （3）将（1）与（2）中的所有样本（包含正、负样本，以后均与此同）作为负样本B，将终碾标准样本作为正样本A，训练神经网络，重复（1）的动作；完成终碾达标样本的学习。
[0060] （4）将（1）（2）（3）中的所有样本作为负样本B，将留皮粒作为正样本A，训练神经网络，重复（1）的动作；完成留皮粒的学习。
[0061] （5）将（1）（2）（3）中的所有样本作为负样本B，将留胚粒作为正样本A，训练神经网络，重复（1）的动作；完成留胚粒的学习。
[0062] （6）依照（3）同样的程序，完成碾米各道工序的样本学习，不论多机轻碾的碾米道数（2、3、4、5、6道碾米）。
[0063] （7）将（1）-（6）的所有样本与糙米作为负样本B，将病班粒作为正样本A，训练神经网络，重复（1）的动作；完成病班粒的学习。
[0064] 与此相同，完成黄粒米的学习。
[0065] 与此相同，完成垩白粒的学习。
[0066] （8）将（1）-（7）的所有样本与糙米作为负样本B，将开糙粒作为正样本A，训练神经网络，重复（1）的动作；完成开糙粒的学习。
[0067] （9）将（1）-（8）的所有样本作为负样本B，将符合国标碎米特征的碎米粒作为负样本A训练神经网络，重复（1）的动作，完成碎米的学习。
[0068] （10）将（1）-（9）的所有样本作为负样本B，将未熟糙米作为正样本A，训练神经网络，重复（1）的动作；完成未熟糙米的学习。
[0069] （11）将（1）-（10）的所有样本作为负样本B，将稻谷作为正样本A，训练神经网络，重复（1）的动作；完成稻谷的学习。
[0070] （12）将（1）-（11）的所有样本作为负样本B，将稻草、稻梗、玉米、麦子、稗子分别作为正样本A，训练神经网络，重复（1）的动作；完成稻草、稻梗、玉米、麦子、稗子的学习。
[0071] 与之前不同的是将稻草、稻梗、玉米、麦子、稗子依次投入样本学习，而非将几者混合投入或者一次性投入。
[0072] （13）将（1）-（12）的所有样本作为负样本B，将石子、泥块等无机杂质作为正样本A，训练神经网络，重复（1）的动作；完成无机杂质的学习。
[0073] （14）检验神经网络训练效果，有偏差时，重复以上训练步骤，直到每一类的分类误判率和漏判率均小于0.1%。
[0074] （15）完成训练后，上线使用时，判别与分类顺序与学习顺序相反。
[0075] 采用本发明的方法之后，通过实践应用，其实际效果在完成训练后，在动态检测装置上进行稻米加工在线工艺检测，每项指标的误差≤0.2%，重复误差≤0.3% 。
[0076] 以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
