(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210407676.7 (22)申请日 2022.04.19 (71)申请人 中国农业大 学 地址 100083 北京市海淀区清华 东路17号 (72)发明人 李永玉　马劭瑾　韩北忠　陈小　 (74)专利代理 机构 北京中安信知识产权代理事 务所(普通 合伙) 11248 专利代理师 徐林 (51)Int.Cl. G06V 10/28(2022.01) G06V 10/30(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G01N 21/95(2006.01) G01N 21/84(2006.01) (54)发明名称 基于机器视觉的酿酒高粱掺假检测系统及 方法 (57)摘要 本发明涉及一种基于机器视觉的酿酒高粱 掺假检测系统及方法， 属于农产品无损检测技术 领域。 包括1、 分别获取每种高粱品种的原始图 像； 2、 从每种高粱品种的每一张原始图像中提取 单粒高粱并生成同样大小尺寸的图像， 并进行缺 陷颗粒剔除； 3、 数据集的划分； 4、 Xception网络 模型的结构调整； 5、 分别将步骤3得到的泸州红 掺假判别模型、 郎糯红掺假判别模型、 宜糯红掺 假判别模型和混合需求样品掺假判别模型的训 练集和泸州红掺假判别模型、 郎糯红掺假判别模 型、 宜糯红掺假判别模型和混合需求样品掺假判 别模型的交叉验证集图像代入步骤4， 得到的 Xception网络中进行训练， 得到训练后的泸州红 掺假判别模型、 郎糯红掺假判别模型、 宜糯红掺 假判别模型和混合需求样品掺 假判别模型。 权利要求书3页 说明书9页 附图4页 CN 114743011 A 2022.07.12 CN 114743011 A 1.一种基于机器视觉的酿酒高粱掺假检测系统， 其特征在于： 该系统包括： 工业彩色相 机(1)、 LED白光穹顶光源(2)、 黑色样品板(3)、 筛网盘(4)和计算机(5)； 黑色样品板(3)的上方设置有LED白光穹顶光源(2)， 黑色样品板(3)上放置筛网盘(4)， LED白光穹顶光源(2)的发光区域 面积大于 筛网盘(4)的面积； LED白光穹顶光源(2)的顶部设有开口； 工业彩色相机(1)竖直布置， 工业彩色相机(1) 的镜头由LED白光穹顶光源(2)的顶部开口朝向筛网盘(4)； 工业彩色相机(1)和计算机(5) 通过数据线连接； 筛网盘(4)上设有 多个筛网孔。 2.如权利要求1所述的基于机器视觉的酿酒高粱掺假检测系统， 其特征在于： 所述筛网 孔的直径为 4.5mm， 孔距为5.5m m。 3.如权利要求1所述的基于机器视觉的酿酒高粱掺假检测系统， 其特征在于： 筛网盘 (4)承载1 15颗高粱颗粒。 4.如权利要求1所述的基于机器视觉的酿酒高粱掺假检测系统， 其特征在于： 筛网盘 (4)的高度为1m m。 5.如权利要求1所述的基于机器视觉的酿酒高粱掺假检测系统， 其特征在于： LED白光 穹顶光源(2)的直径为170m m。 6.一种利用如权利要求1～5之一所述的基于机器视觉的酿酒高粱掺假检测系统的基 于机器视觉的酿酒高粱掺 假检测方法， 其特 征在于： 该 方法包括以下步骤： 选取3种酿酒高粱需求高粱品种： 泸州红、 郎糯红和宜糯红， 以及与需求高粱品种外观 差异最小的7种非需求高粱品种： 金糯粱1号、 金糯粱2号、 金糯粱4号、 金糯粱7号、 金糯粱8 号、 金糯粱9 号和辽宁红缨子作为待测高粱样品； 共建立4种分类模型， 分别为泸州红掺假判 别模型、 郎糯红掺假判别模型、 宜糯红掺假判别模型和泸州红、 郎糯红、 宜糯红混合的混合 需求样品掺假判别模型； 在进行掺假预测时， 根据待检测的需求高粱品种， 选择4种模型中 的任一种进行检测； 步骤1、 分别获取每种高粱品种的原 始图像； 对于泸州红掺 假判别模型， 分别获取泸州红和7种非需求高粱品种的原 始图像； 对于郎糯红掺 假判别模型， 分别获取郎糯红和7种非需求高粱品种的原 始图像； 对于宜糯红掺 假判别模型， 分别获取宜糯红和7种非需求高粱品种的原 始图像； 对于泸州红、 郎糯红、 宜糯红混合的混合需求样品掺假判别模型， 分别获取泸州红、 郎 糯红、 宜糯红和7种非需求高粱品种的原 始图像； 7种非需求高粱品种分别为： 金糯粱1号、 金糯粱2号、 金糯粱4号、 金糯粱7号、 金糯粱8 号、 金糯粱9号和辽宁红缨子； 在获取每张图像时， 每种高粱品种随机抽取一定量的高粱颗粒样品， 利用筛网盘(4)将 高粱颗粒样品分散开， 利用工业彩色相机(1)采集高粱图像， 每张图像上包含m个高粱颗粒； 每种高粱品种分别获取n张图像， 每张图像的尺寸 为1944×2592， 称之为原 始图像； 步骤2、 从每种高粱品种的每一张原始图像中提取单粒高粱并生成同样大小尺寸的图 像， 并进行缺陷颗粒剔除； 步骤2.1、 对每种高粱品种的每一张原 始图像进行 预处理： 对采集得到的每种高粱品种的每一张原始图像进行背景去 除： 选取R通道的图像进行权　利　要　求　书 1/3 页 2 CN 114743011 A 2二值化， 利用中值滤波消除椒盐噪声； 形态学处理： 依次进行孔洞填充、 两次形态学膨胀处理、 孔洞填充、 三次形态学腐蚀处 理、 三次形态学膨胀处理； 此时， R通道的背景值全部为0， 因此将R通道的背景赋值给G、 B通 道， 三通道叠加后生成背景去除后的图像； 步骤2.2、 对步骤2.1中得到的图像进行裁 剪， 并生成包 含单一高粱颗粒的小图像： 步骤2.1中得到的图像背景像素值全为0， 即全黑， 此时， 为从所述包含m个高粱颗粒的 图像中生成m张包含单一高粱颗粒的小图像， 首先将从步骤2.1中得到的图像二值化， 随后 获取图像中所有8连通区域的属性， 生 成尺寸为22 4×224的包含单一高粱颗粒的小图像， 用 于后期网络模型训练； 步骤2.3、 从步骤2.2中得到的包 含单一高粱颗粒的小图像中剔除缺陷颗粒： 将高粱颗粒范围内的白色区域像素与 方框内区域像素之比大于1/4的颗粒视为破损颗 粒， 并将其去除； 高粱颗粒范围内的白色区域像素与方框内区域像素之比即方框内像素值 为255的像素个数与方框内总像素个数的比值； 步骤3、 数据集的划分； 对每种高粱品种得到的每个尺寸为224 ×224的包含单一高粱颗粒的小图像都重复步 骤2.3后， 最终得到每种高粱品种的s张包含单一高粱颗粒的小图像； 从每种高粱品种中抽 取60％×s张小图像作为模 型的训练集， 10％ ×s张图像作为模 型的交叉验证集， 30％ ×s张 图像作为模型的测试集； 对于泸州红掺假判别模型， 分别得到泸州红掺假判别模型的训练集、 泸州红掺假判别 模型的交叉验证集和泸州红掺 假判别模型的测试集； 对于郎糯红掺假判别模型， 分别得到 郎糯红掺假判别模型的训练集、 郎糯红掺假判别 模型的交叉验证集和郎糯红掺 假判别模型的测试集； 对于宜糯红掺假判别模型， 分别得到宜糯红掺假判别模型的训练集、 宜糯红掺假判别 模型的交叉验证集和宜糯红掺 假判别模型的测试集； 对于混合需求样品掺假判别模型， 分别得到混合需求样品掺假判别模型的训练集、 混 合需求样品掺 假判别模型的交叉验证集和混合需求样品掺 假判别模型的测试集； 步骤4、 Xcepti on网络模型的结构调整； 步骤4.1、 将图像输入层的尺寸调整为224 ×224×3； 采用z‑score预处理方法在输入层 对输入图像进行 预处理； 步骤4.2、 调整图像最后一个全连接层； 对于泸州红掺假判别模型， 将全连接层的输出设置为8， 即8种类别的高粱， 包括泸州红 和7种非需求高粱； 对于郎糯红掺假判别模型， 将全连接层的输出设置为8， 即8种类别的高粱， 包括郎糯红 和7种非需求高粱； 对于宜糯红掺假判别模型， 将全连接层的输出设置为8， 即8种类别的高粱， 包括宜糯红 和7种非需求高粱； 对于混合需求样品掺假判别 模型， 将全连接层的输出设置为10， 即10种类别的高粱， 包 括泸州红、 郎糯红、 宜糯红和7种非需求高粱； 步骤4.3、 采用Adam优化算法训练网络， 设置批大小为64， 学习率衰减率为0.1， 每10代权　利　要　求　书 2/3 页 3 CN 114743011 A 3