一種粳稻籽粒的品種分類鑒別方法與裝置 技術(shù)領(lǐng)域 [0001] 本發(fā)明涉及深度學習神經(jīng)網(wǎng)絡(luò)，尤其涉及粳稻籽粒的品種分類鑒別。 背景技術(shù) [0002] 水稻作為全球近一半人口的主食，為人們提供了豐富的營養(yǎng)物質(zhì)；而粳稻因其米質(zhì)優(yōu)良、口感獨特而深受消費者喜愛，成為了糧食供應(yīng)的重要作物之一。 [0003] 不同品種的粳稻在生長周期、抗病蟲害能力、產(chǎn)量潛力、米質(zhì)口感等品質(zhì)方面存在顯著差異；這些差異對后續(xù)的產(chǎn)量和經(jīng)濟效益分析以及食品加工生產(chǎn)都有重要影響。 [0004] 因此通過科學分類，精準識別出適合特定地區(qū)的氣候條件、土壤特性和市場需求的粳稻品種，從而優(yōu)化種植結(jié)構(gòu)，提高農(nóng)業(yè)生產(chǎn)效率，具有重要的實際意義。 [0005] 但是，目前對粳稻籽粒的品種進行分類鑒別的方法，主要是人工方法、化學方法和光譜技術(shù)等傳統(tǒng)分類方法。 [0006] 采用人工方法、化學方法和光譜技術(shù)等傳統(tǒng)分類方法對粳稻籽粒進行評估或分類，不僅費用昂貴，且耗時、效率低下，還精度不足。 [0007] 近年來，基于圖像處理和計算機視覺的分類技術(shù)逐漸在農(nóng)業(yè)中取得大量應(yīng)用。相比于人工方法、化學方法和光譜技術(shù)等傳統(tǒng)分類方法，基于圖像處理和計算機視覺的分類技術(shù)具有非破壞性評估和低成本的優(yōu)點，在大規(guī)模應(yīng)用上更具有優(yōu)勢。 [0008] 目前，許多數(shù)字圖像特征已被用于糧食作物分類和品質(zhì)評價，如幾何參數(shù)（長度、周長等）、破碎率、白度和裂紋等。 [0009] 但是，相比于其他糧食作物，不同品種的粳稻籽粒具有很高的相似性，這對模型的分類性能帶來了較大的挑戰(zhàn)。 [0010] 現(xiàn)有的圖像分類處理模型的參數(shù)復雜度高、分類準確率低、無法避免過擬合、收斂速度慢，在性能方面無法滿足粳稻籽粒分類的需求，因此雖然基于圖像處理和計算機視覺的分類技術(shù)在其他農(nóng)作物領(lǐng)域獲得了廣泛應(yīng)用，但是怎樣將基于圖像處理和計算機視覺的分類技術(shù)應(yīng)用于粳稻籽粒分類卻缺少相關(guān)研究，導致當前依然采用人工方法、化學方法和光譜技術(shù)等傳統(tǒng)分類方法對粳稻籽粒進行評估或分類，費用昂貴、耗時、效率低下，且精度不足。 發(fā)明內(nèi)容 [0011] 本發(fā)明提出了一種粳稻籽粒的品種分類鑒別方法與裝置，解決了現(xiàn)有的圖像分類處理模型的參數(shù)復雜度高、分類準確率低、無法避免過擬合、收斂速度慢，在性能方面無法滿足粳稻籽粒分類的需求，導致缺少將基于圖像處理和計算機視覺的分類技術(shù)應(yīng)用于粳稻籽粒分類的相關(guān)研究，進而導致的當前依然采用人工方法、化學方法和光譜技術(shù)等傳統(tǒng)分類方法對粳稻籽粒進行評估或分類，費用昂貴、耗時、效率低下，且精度不足的問題。 [0012] 本發(fā)明所述的一種粳稻籽粒的品種分類鑒別方法，其技術(shù)方案如下： [0013] 所述方法包括以下步驟： [0014] 用于獲取采集的待分類的粳稻籽粒的RGB圖像的步驟； [0015] 用于對待分類的粳稻籽粒的RGB圖像進行數(shù)據(jù)預處理的步驟； [0016] 用于獲取訓練完成的J?Rice?ResNeXt模型的步驟；其中： [0017] J?Rice?ResNeXt模型是對ResNeXt50模型改進后獲得，其改進包括： [0018] 保留ResNeXt50模型的主干網(wǎng)絡(luò)框架； [0019] 將用于升高維度的1×1Conv替換成1×1GConv； [0020] 將下采樣中的1×1Conv替換成3×3DWConv； [0021] 將ReLU激活函數(shù)替換成Mish激活函數(shù)，從而防止模型的過擬合，并加快模型的收斂速度； [0022] 引入ECA注意力機制，使模型聚焦于粳稻籽粒的基本特征，無視無關(guān)的特征； [0023] 用于將數(shù)據(jù)預處理后的待分類的粳稻籽粒的RGB圖像輸入訓練完成的J?Rice?ResNeXt模型中，獲得粳稻籽粒的分類鑒別結(jié)果的步驟。 [0024] 進一步的，提供一個優(yōu)選實施方式，所述數(shù)據(jù)預處理包括： [0025] 去除采集的待分類的粳稻籽粒的RGB圖像中無用的圖像； [0026] 采用閾值分割方法，提取出RGB圖像中粳稻籽粒目標區(qū)域。 [0027] 進一步的，提供一個優(yōu)選實施方式，所述采用閾值分割方法，提取出RGB圖像中粳稻籽粒目標區(qū)域包括： [0028] 根據(jù)RGB圖像獲得其灰度圖像； [0029] 根據(jù)給定的閾值，將灰度圖像中的像素分為兩類：粳稻籽粒目標像素和背景像素： [0030] 將灰度值低于給定的閾值的像素的灰度值設(shè)置為0，灰度值高于給定的閾值的像素的灰度值設(shè)置為1，獲得二值圖像；其中，灰度值設(shè)置為0的像素為黑色，代表背景像素；灰度值設(shè)置為1的像素為白色，代表粳稻籽粒目標像素； [0031] 將二值圖像作為掩膜圖像與RGB圖像逐像素相乘，使得與掩膜圖像中灰度值為1的像素相乘的RGB圖像中的像素被保留下來，而與掩膜圖像中灰度值為0的像素相乘的RGB圖像中的像素被置為黑色，獲得去除背景區(qū)域的RGB圖像；

1.一種粳稻籽粒的品種分類鑒別方法，其特征在于，所述方法包括以下步驟： 用于獲取采集的待分類的粳稻籽粒的RGB圖像的步驟； 用于對待分類的粳稻籽粒的RGB圖像進行數(shù)據(jù)預處理的步驟； 用于獲取訓練完成的J?Rice?ResNeXt模型的步驟；其中： J?Rice?ResNeXt模型是對ResNeXt50模型改進后獲得，其改進包括： 保留ResNeXt50模型的主干網(wǎng)絡(luò)框架； 將用于升高維度的1×1Conv替換成1×1GConv； 將下采樣中的1×1Conv替換成3×3DWConv； 將ReLU激活函數(shù)替換成Mish激活函數(shù)，從而防止模型的過擬合，并加快模型的收斂速度； 引入ECA注意力機制，使模型聚焦于粳稻籽粒的基本特征，無視無關(guān)的特征； 用于將數(shù)據(jù)預處理后的待分類的粳稻籽粒的RGB圖像輸入訓練完成的J?Rice?ResNeXt模型中，獲得粳稻籽粒的分類鑒別結(jié)果的步驟； Conv為標準卷積； GConv為分組卷積； DWConv為深度卷積。 2.根據(jù)權(quán)利要求1所述的一種粳稻籽粒的品種分類鑒別方法，其特征在于，所述數(shù)據(jù)預處理包括： 去除采集的待分類的粳稻籽粒的RGB圖像中無用的圖像； 采用閾值分割方法，提取出RGB圖像中粳稻籽粒目標區(qū)域。 3.根據(jù)權(quán)利要求2所述的一種粳稻籽粒的品種分類鑒別方法，其特征在于，所述采用閾值分割方法，提取出RGB圖像中粳稻籽粒目標區(qū)域包括： 根據(jù)RGB圖像獲得其灰度圖像； 根據(jù)給定的閾值，將灰度圖像中的像素分為兩類：粳稻籽粒目標像素和背景像素： 將灰度值低于給定的閾值的像素的灰度值設(shè)置為0，灰度值高于給定的閾值的像素的灰度值設(shè)置為1，獲得二值圖像；其中，灰度值設(shè)置為0的像素為黑色，代表背景像素；灰度值設(shè)置為1的像素為白色，代表粳稻籽粒目標像素； 將二值圖像作為掩膜圖像與RGB圖像逐像素相乘，使得與掩膜圖像中灰度值為1的像素相乘的RGB圖像中的像素被保留下來，而與掩膜圖像中灰度值為0的像素相乘的RGB圖像中的像素被置為為黑色，獲得去除背景區(qū)域的RGB圖像； 采用輪廓提取算法在去除背景區(qū)域的RGB圖像中提取粳稻籽粒目標像素分布區(qū)域的邊緣，獲得粳稻籽粒目標區(qū)域。 4.根據(jù)權(quán)利要求3所述的一種粳稻籽粒的品種分類鑒別方法，其特征在于，所述給定的閾值為0.4。 5.根據(jù)權(quán)利要求1所述的一種粳稻籽粒的品種分類鑒別方法，其特征在于，在J?Rice?ResNeXt模型的訓練過程中：