CN113826109B 用于稻米颗粒识别的工业化系统及其方法 （布勒有限公司）

2021.09.22PCT/EP2020/0576462020.03.19WO2020/188042EN2020.09.24提出了一种用于稻米颗粒识别的工业化系统(1)和方法。由用户(5)拍摄光学图像(123)并统(1)分割光学图像(123)并且从图像(123)提取和/或测量描述颗粒(4)的不同方面的适当颗粒征(41)以进行稻米颗粒(4)识别，并且通过随机过由阈值触发器(1123)基于包括的混淆矩阵(11221)改变适当的阈值(11231)来进一步优化所选择的应用的机器学习结构(11211，...，11211)中最好的。主动学习结构(113)基于包括针对经分类的稻米颗粒的真正例(TP)、假负例其中，基于反馈回路(1132)的反馈参数对系统23模块通过识别捕获颗粒或颗粒部分的光学图像片段来对所捕获的光学图像进行分割以获通过特征提取处理的该特征描述所述颗粒的不同参数化方面，至少包在学习模式中，所述数字平台包括分类器，所述分类器具有用通过借助于阈值触发器改变判别阈值来进一步优化在所应用的机器学习结构中选择根据所述分类器的误警率来优化所述分类器5.根据权利要求1至4中的一项所述的工业化系6.根据权利要求1至4中的一项所述的工业化系9.根据权利要求1至4中的一项所述的工业化系统，4所述数字平台分析所述光学图像并且向所述光学捕获装置和/或用户装置提供对稻米识别通过特征提取处理的该特征描述所述颗粒的不同参数化方面，至少包在学习模式中，由分类器的选择器顺序地选择多个机器学习结器学习结构中的分类为假正例的颗粒数量最小同时保持最高的总准确度的所应用的机器通过借助于阈值触发器改变适当的阈值来进一步优化在所应用的机器学习结构中选5前除南极之外的各个大陆都栽培了数千种稻萨姆邦部分主要稻季节期间25％的潜能到埃及南部和苏丹的约95％的潜能。水稻在南亚、[0004]两种稻种是人类营养的重要谷类食物：在全世界种植的亚洲栽培稻(Oryzasativa)和在西非部分地区种植的非洲栽培稻(O.glaberrima)。仅栽培植物已知的这多数品种可以被分组成该属的两个主要部分中的紧密相关品种的4个复合体。仅都是二倍体的以下两个品种没有亲缘关系并且被置于该属自己的部分：澳洲稻种(O.australiensis)和短药6使得养分管理成为水稻种植的关键方面。淹水土壤的独特性质使水稻不同于其他任何作7量增加的主要原因是稻较高的产量，其年平均增长率为1.74而收割面积的年平均增长[0009]对于在市场上销售的稻米，需要被正确地分类以尽可能少的包含不想要的材这些不需要的材料的范围可以从影响质量的因素(例如脱色或未成熟的谷物)到影响食品8[0012]HaiVu等人在2018年12月的信息和通信技术(InformationandCommunicationTechnology)的文献“Inspectingriceseedspeciespurityonalargedataset纯度的方法。该方法依赖于使用从高分辨率RGB图像提取的形态和几何特征两者的独特特[0013]Ozabaki等人2015年11月在www.reasearchgate的文献“Classificationof[0014]KevinArvai2018年1月在的文献“Finetuningaclassifierinscikit-learn-TowardsDataScience”公开了一种优化分类器灵敏度的上下文和目标。精确度是正确预测正观察结果(真正例)与系统的总预测正观察结果(即正9正例连同假负例。准确度是正确预测的分类(真正例和真负例两者)与总使用数据集的比例的能力的精确度得分低，但是具有非常高的为99％的准确度得分(因为准确度评估在识用参数上的随机化搜索的随机化参数优化，其中每个设置从可能的参数值的分布中采样；(B)第二步骤使用查准率-查全率曲线和受试者操作特征曲线(ROC曲线)调整分类器的决定[0015]最后，ChengJu等人2017年4月在康涅尔大学图书馆的文献“TheRelativePerformanceofEnsembleMethodswithDeepConvolutionalNeuralNetworksfor习任务的人工神经网络的集合体的使用。该方法涉及用于图像识别任务的多个集合方法，为候选算法。所提出的算法使用在单个训练过程中具有不同模型检查点的相同网络结构，通过识别捕获颗粒或颗粒部分的光学图像片段来对捕获的光学图像进行分割以获得颗粒，该二元分类器系统的诊断能力与判别阈值的变化相[0020]图1示出了示意性地示出用于稻米颗粒识别和分类的示例包括分割110、特征提取111和分类112，分类112包括选择优选的机器学习结构其他光学图像捕获装置12的光学传感器/摄像装置[0022]图3示出了示意性地示出盘14特别地是训练盘141和样本盘142的图，其允许捕获要被施加到光罩13上的稻米颗粒4以用于光学图[0024]图5示出了示意性地示出由分割模块110进行的示例性分割的图，该分割模块110通过识别捕获颗粒4或颗粒部分的光学图像123片段来对所捕获光学图像123进行分割以获[0025]图6示出了示意性地示出由特征提取器111从光学图像123中的所识别的颗粒4或述颗粒4的不同参数化的方面的特征至少包括形状参数值411和/或颜色参数值412和/或空[0026]图7a至图7c、图8a至图8d和图9a至图9d示意性地示出了当系统1识别颗粒时智能络2将所捕获的光学图像123发送到数字平台11之前的所捕获的光学图像123。图9d另外示出了为迭代重新训练过程1131提供反馈回[0027]图10至图16示出了示意性地示出示例性训练模式114中的数字系统11的图。图11通过本发明的主动学习结构对具有经校正的数据集的分类模型进行重新训算平台11a提供稻米颗粒识别作为软件即服务(SaaS)，并且机器学习/数据挖掘系统11b通[0031]图20示出了示意性地示出稻米颗粒识别的产业化的示例性发明项目上下文的[0032]图21和图22示出了示意性地示出示例性光罩或光箱13，其包括电源132和用于光学图像捕获装置12的光学传感器/摄像装置121[0033]图1至图22示意性地示出了用于稻米颗粒识别和分类的本发明方法和系统1的实学捕获装置2可以例如应用于包括均匀光源131的光罩13。光学捕获装置2例如可以应用于动智能电话的摄像装置121使用专用移动应用程序捕获光学图像123并且经由移动智能电话的数据传输接口124中的一个通过数据传输网络2将光学图像123[0034]数字平台11包括分割模块110，分割模块110通过识别捕获颗粒4或颗粒部分的光学图像123的片段来对所捕获的光学图像123进行分[0035]数字平台11包括特征提取器111，该特征提取器111从光学图像123中的所识别的化方面的特征至少包括形状参数值411和/或颜色参数值412和/或空间参数413和/或几何蛋白质含量。所提取的特征41在训练模式114和/或预测模式115期间用作机器学习结构[0036]测试重量可以是由特征提取器111测量和提取的另一个特征41。该特征41与体积的种子或颗粒和气味。碾米的主要目的是在使胚乳的受损最小的情况下去除外层(外壳)、麸皮和胚芽。稻米的碾磨质量可以与在训练模式114和/或预测模式115期间从特征提取器的与碾磨质量相关联的特征41例如可以通过两个参数来量度(i)总产量和(ii)出米率，并且另外的参数如碾磨程度和碎米可以例如由特征提取器111使用以量度碾磨质量(以百分链淀粉(α(1-4)键的线性链葡萄糖)和支链淀粉(α(1-6)键的支链葡萄糖)。根据直链淀粉，[0037]数字平台11包括分类器112，分类器112具有用于依次选择多个机器学习结构11211，......，1121i的选择器112，选择器1122将不同的机器学习结构11211，......，1121i应用于提取的谷物特征41以进行稻米颗粒识别，并且从应用的机器学习结构优选实施方式变体，特别是关于本发明113的可能主动学习结构。深度学习结构随机森林结构来训练，该随机森林结构提供用于使用多个机器学习结构11211，......，11211i对这些颗粒4进行分类的总体学习过程。可以例如借助于提供适当的随机森林预测器112223的随机森林学习器112222来训练所选择的机器学习结构11211......11211i中的类器系统112的诊断能力与判别阈值11231的[0039]通过借助于阈值触发器1123改变适当的阈值11231来进一步优化所选择的最佳应种阈值设置下量度真正率112331与假正率112332，从而根据分类器112的误警率(fallout)来优化其灵敏度。阈值参数值112311例如可以由阈值触发器1123以如下方式来优化：假正率112332被限制为预定义的触发值。用于假正率112332的预定触发值例如可以>=结构提供机器学习和数据挖掘处理。特别地，通过将用于机器学习/数据挖掘系统11b的KNIME(康斯坦兹信息挖掘器)用作数据分析、报告和集成结构，可以实现进一步的性能改进。KNIME结构允许通过其模块化数据流水线概念来集成用于机器学习和数据挖掘的各种[0043]更高级的分类结构的使用意味着需要开发更复杂的结构和处理算法来确定给定别的神经网络来确定颗粒的质量。卷积神经网络(CNN)可以在图像识别中提供非常准确的良好或有缺陷类别的概率对应的一对值。然后由系统和/或操作者来确定颗粒分类为良好新的水稻颗粒图像一起解析并且使用该更新的新数据重新训集(可能具有挑战性)以及如何用领域专家来闭合反馈回路对于实现高度准确的预测是必