【技术实现步骤摘要】
本专利技术涉及智能分选，特别是涉及一种基于机器视觉的豆类智能分选方法。
技术介绍
1、豆科植物被广泛认为是最大和最具经济活力的植物科之一。它们是健康饮食所必需的，富含蛋白质，蛋白质含量是玉米的两倍，是大米的三倍。豆类还含有油脂、淀粉和膳食纤维等营养物质，这些都是动物和人类消耗的。豆科植物在世界各地被广泛种植，为了确保豆类生产的品质，对优质豆类进行高效分选显得尤为重要。除了豆类的大小、形状和颜色特征外，表面完整性、物理损伤、昆虫损伤、真菌感染和霉菌等病菌也是用于评估的其他因素。起初豆科植物的表面缺陷是根据人工观察和经验进行评估的。然而，通过目视检查进行评估耗时且主观性高。因此，需要一种能够全面替代人眼的快速、系统的豆类表面筛选方法。传统的豆类筛选方法主要依靠机械振动对破损的籽粒进行分选，这是一种简单粗暴的方法，会对豆类造成严重的损害。由于豆类的损伤主要表现在表面视觉上，通过机器视觉是识别豆类损伤更加高效的方法。目前，基于机器视觉的豆类智能分选方法分为三大类，基于传统机械筛选的方法、基于光谱成像技术的方法和基于机器视觉技术的方法。
2、基于传统机械筛选的方法主要依靠机械振动对破损的籽粒进行分选。现有的解决方案提出了一种大豆在筛板上移动，利用重力，使大豆经由不同直径的筛孔掉落收集的分选方法，该方法只适用于大豆等级的划分。现有的解决方案还提出了一种大豆筛选装置，通过料斗和不同倾斜度的滑道对不同质量的大豆和杂质进行筛选，该方法局限于绝大部分残缺大豆和杂质的分选，难以筛选出霉变的大豆且筛选的准确率不高。现有的解决方案还提出了一种
3、基于光谱成像技术的方法通常是近红外光谱、高光谱成像、多光谱成像等方法，通过直接测定豆科植物的化学成分，或根据豆科植物的化学键间接测定其他品质属性对豆类进行分选。现有的解决方案提出了利用近红外高光谱成像技术检测豆类真菌感染的方法，这种方法局限于对豆类内部成分的测定，缺乏对豆类外部信息的测定，容易造成外部缺陷豆类的漏选。
4、基于机器视觉技术的方法通过使用rgb数码相机模仿人眼的视觉来检测豆类样品的外部质量，包括颜色、纹理、虫害和尺寸特征等，它们可以用作质量评估、分级和表面缺陷检测的指标。现有的解决方案提出了一种根据大豆形状合格判别值和霉变缺陷辨别指数对大豆质量进行判断大豆质量分选方法。现有的解决方案还提出了一种豆类缺陷分选方法，该方法对于豆类破损、虫蛀、病菌感染分别使用了三种算法检测效率低并且存在一定的冗余。现有的解决方案还提出了一种大豆种子全表面缺陷实时识别方法，该方法通过采用交替旋转机制暴露种子的完整表面特征信息，通过将shufflenet网络结构引入mobilenet算法的瓶颈叠加模块中对大豆进行分类。现有的解决方案还提出了一种基于yolov5、注意力机制、加权双向特征金字塔网络的受损豆类检测方法，该方法通过在yolov5算法的骨干网络中加入注意力机制模块，提高堆叠豆类中破损豆类的检测精度，然后在特征融合阶段加入加权双向特征金字塔网络模块，该模块从上到下集成了多尺度特征，减少了对轻微受损豆类的漏检。现有的解决方案还提出了一种基于snet算法的豆类分选方法，该方法将分选流程分为图像分割和图像分类两大部分，首先在分割阶段，通过maskr-cnn算法将挤压在一起的大豆分割单个大豆；然后是分类阶段，基于mobilenet网络加入深度可分离卷积模块和混合特征重新校准(mfr)模块设计了snet算法，该算法提高了大豆损伤特征的表示能力，使模型增加对关键区域的关注度，能够在一定程度上提高分选的精度，但分选效率较低且存在一定的冗余。
技术实现思路
1、本专利技术的目的是提出一种基于机器视觉的豆类智能分选方法，以解决上述现有技术存在的问题，有效提升小目标的识别及定位精度。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于机器视觉的豆类智能分选方法，包括：
4、获取待检测豆类图片；
5、构建改进后的yolov8模型，其中，所述改进后的yolov8模型利用训练集训练获得，所述训练集包括：复杂情况下的优质大豆和多类缺陷大豆图片以及对应标签，所述改进后的yolov8模型通过引入轻量化可变卷积以及simam无参注意力机制进行特征提取；
6、将所述待检测豆类图片输入所述改进后的yolov8模型进行目标检测，获取豆类分选结果。
7、可选地，所述改进后的yolov8模型包括：
8、特征提取模块和特征检测模块；
9、特征提取模块，用于对所述待检测豆类图片进行特征提取；
10、特征检测模块，用于对特征提取后的待检测豆类图片进行目标检测，获取所述豆类分选结果。
11、可选地，所述特征提取模块包括：
12、标准卷积conv子模块，用于对所述待检测豆类图片进行卷积操作，获取第一卷积图像；
13、若干个融合子模块，用于对所述卷积图像进行卷积操作以及不同尺度的特征融合，获取特征图p1；
14、第一akconv子模块，用于对所述特征图p1进行卷积操作，获取第二卷积图像；
15、sppf子模块，用于第二卷积图像进行不同尺度的特征提取，获取特征图p2。
16、可选地，所述若干个融合子模块包括：
17、若干个akconv单元和若干个第一c2f单元，所述若干个akconv单元和所述若干个第一c2f单元交替设置；
18、所述若干个akconv单元，用于对上一层输出的特征图进行卷积操作，分别获取第三卷积图像、第四卷积图像、第五卷积图像；
19、所述若干个第一c2f单元，用于分别对所述第三卷积图像、第四卷积图像、第五卷积图像与所述第三卷积图像、第四卷积图像、第五卷积图像所对应上一次的特征图进行融合，获取特征图p3、特征图p4、特征图p5。
20、可选地，所述特征检测模块包括：
21、若干个特征处理子模块、若干个特征提取子模块和detect子模块；所述若干个特征处理子模块、所述若干个特征提取子模块和所述detect子模块依次连接；
22、所述若干个特征处理子模块，用于对所述特征图p2进行上采样；
23、所述若干个特征提取子模块，用于推断上采样后的特征图p2的3-d关注权重，获取特征图p6；
24、所述detect子模块，用于对所述特征图p6进行目标检测，获取所述豆类分选结果。
25、可选地，所述若干个特征处理子模块包括：
26、第一nn.upsample单元，用于对所述特征图p2进行上采样；
27、第一concat单元，用于对所述上采样后的特征图p2与所述特征图p5进行连接，获取特征图p7；
28、第二c2f单元，用于对所述特征图p7与所述第五卷积图像进行融合处理；
29、第二nn.upsample单元，用于对处理后的特征图p7进行上本文档来自技高网...
【技术保护点】
1.一种基于机器视觉的豆类智能分选方法，其特征在于，包括：
2.根据权利要求1所述的基于机器视觉的豆类智能分选方法，其特征在于，所述改进后的yolov8模型包括：
3.根据权利要求2所述的基于机器视觉的豆类智能分选方法，其特征在于，所述特征提取模块包括：
4.根据权利要求3所述的基于机器视觉的豆类智能分选方法，其特征在于，所述若干个融合子模块包括：
5.根据权利要求4所述的基于机器视觉的豆类智能分选方法，其特征在于，所述特征检测模块包括：
6.根据权利要求5所述的基于机器视觉的豆类智能分选方法，其特征在于，所述若干个特征处理子模块包括：
7.根据权利要求6所述的基于机器视觉的豆类智能分选方法，其特征在于，所述若干个特征提取子模块包括：
8.根据权利要求7所述的基于机器视觉的豆类智能分选方法，其特征在于，所述若干个特征提取子模块还包括：
9.根据权利要求8所述的基于机器视觉的豆类智能分选方法，其特征在于，所述Detect子模块包括：
10.根据权利要求5所述的基于机器视觉的豆
...【技术特征摘要】
1.一种基于机器视觉的豆类智能分选方法，其特征在于，包括：
2.根据权利要求1所述的基于机器视觉的豆类智能分选方法，其特征在于，所述改进后的yolov8模型包括：
3.根据权利要求2所述的基于机器视觉的豆类智能分选方法，其特征在于，所述特征提取模块包括：
4.根据权利要求3所述的基于机器视觉的豆类智能分选方法，其特征在于，所述若干个融合子模块包括：
5.根据权利要求4所述的基于机器视觉的豆类智能分选方法，其特征在于，所述特征检测模块包括：
6.根据权利要求5所...
【专利技术属性】
技术研发人员：谢剑斌，常智超，王兴，
申请(专利权)人：湖南中科助英智能科技研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。