基于机器视觉的酿酒高粱掺假检测系统及方法

1.本发明涉及一种酿酒高粱掺假检测的系统及方法，属于农产品无损检测技术领域。


背景技术：

2.在我国，高粱作为酿造白酒的原材料已有700多年的历史。不同品种的高粱因淀粉、蛋白质、多酚类物质等含量的不同而对白酒的生产过程和品质带来不同的影响。在购进高粱原材料时，酒厂以泸州红、郎糯红和宜糯红为主要需求品种，但许多不法商贩为了谋求更高的利益，经常在需求品种中掺杂不适于酿酒的非需求高粱品种，其中以金糯梁、辽宁红缨子等最为常见。为了保障白酒制作工艺，酒厂需要在高粱入库加工前进行严格的质量检测。
3.目前，传统的高粱掺假鉴别手段主要依靠高粱的外观，当肉眼无法判别时则采用蒸煮的方法。基于dna或光谱的掺假检测技术也逐渐成为关注的热点。前者是通过比较dna片段来区分不同品种的高粱，但是需要复杂的分子标记和片段分离过程，时间、物力成本较高；后者则具有无损、快速检测的优势，但是无法保证在抽样量相对较大时仍可以检测到每一粒高粱的特性，因此对于掺假率较低的高粱样品判别效果不佳。机器视觉技术则可以弥补上述两种方法的不足，可以实现对单粒高粱的品种鉴别，且无损、快速，成本相对更低。
4.随着大数据与人工智能的兴起，卷积神经网络(convolutional neural network,cnn)因具有自动提取代表性特征的优势，已经在农产品及食品检测中得到了应用并取得了令人满意的效果。然而，cnn违背了奈奎斯特采样定理，因此同一个输入图像的微小变动(如平移、缩放、旋转)也有可能带来结果差异极大的网络输出结果。对于高粱掺假检测系统而言，影响最大的是输入图像的旋转有可能引起的输出误差。因此，有必要寻找一种稳健、可靠的方法提高所训练cnn的旋转不变性，从而提高掺假检测的准确率。


技术实现要素：

5.本发明提供一种基于机器视觉的酿酒高粱掺假检测系统及方法，可以利用每粒高粱的图像结合机器学习算法实现无损、快速检测。有利于小型设备的研发，适用于酒厂在高粱收购时的实时检测。
6.为了达到上述目的，本发明提供了如下技术方案：
7.一种基于机器视觉的酿酒高粱掺假检测系统，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；
8.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；
9.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；
10.筛网盘4上设有多个筛网孔。
11.其中，所述筛网孔的直径为4.5mm，孔距为5.5mm。
12.其中，筛网盘4承载115颗高粱颗粒。
13.其中，筛网盘4的高度为1mm。
14.其中，led白光穹顶光源2的直径为170mm。
15.一种利用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，该方法包括以下步骤：
16.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；
17.步骤1、分别获取每种高粱品种的原始图像
18.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；
19.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；
20.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；
21.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；
22.7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；
23.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；
24.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；
25.步骤2.1、对每种高粱品种的每一张原始图像进行预处理：
26.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通道的图像进行二值化，利用中值滤波消除椒盐噪声；
27.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；
28.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：
29.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224
×
224的包含单一高粱颗粒的小图像，用于后期网络模型训练；
30.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：
31.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；
32.步骤3、数据集的划分
33.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；
34.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；
35.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；
36.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；
37.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；
38.步骤4、xception网络模型的结构调整：
39.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；
40.步骤4.2、调整图像最后一个全连接层；
41.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；
42.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；
43.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；
44.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；
45.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代训练学习率衰减一次；
46.步骤4.4、对xception网络中的最大池化层进行抗锯齿处理；
47.将步长为2的最大池化层，替换为步长为1的最大池化层和步长为2的下采样层；其中，卷积核的大小保持不变；
48.步骤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；
49.步骤5.1、将步骤3得到的泸州红掺假判别模型的训练集和泸州红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；
50.利用步骤3得到的泸州红掺假判别模型的测试集图像代入所述泸州红掺假判别模型中进行测试，测试所得的混淆矩阵；
51.步骤5.2、将步骤3得到的郎糯红掺假判别模型的训练集和郎糯红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，得到训练后的郎糯红掺假判别模型；
52.利用步骤3得到的郎糯红掺假判别模型的测试集图像代入所述郎糯红掺假判别模型中进行测试，测试所得的混淆矩阵；
53.步骤5.3、将步骤3得到的宜糯红掺假判别模型的训练集和宜糯红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，得到训练后的宜糯红掺假判别模型；
54.利用步骤3得到的宜糯红掺假判别模型的测试集图像代入所述宜糯红掺假判别模型中进行测试，测试所得的混淆矩阵；
55.步骤5.4、将步骤3得到的混合需求样品掺假判别模型的训练集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，得到训练后的混合需求样品掺假判别模型；
56.利用步骤3得到的混合需求样品掺假判别模型的测试集图像代入所述混合需求样品掺假判别模型中进行测试，测试所得的混淆矩阵。
57.其中，所述m＝115，n＝10。
58.与现有技术相比，本发明的有益效果在于：
59.本发明提供的视觉作用下的基于机器视觉的酿酒高粱掺假检测系统及方法，待测样品无需前处理，重复性好，分析过程不需要消耗有机试剂，且对高粱无破坏。
附图说明
60.图1为本发明基于机器视觉的酿酒高粱掺假检测方法的流程图；
61.图2为本发明的基于机器视觉的酿酒高粱掺假检测系统的结构示意图；
62.图3a输入图像的特征图；
63.图3b为对未经过抗锯齿处理的xception网络对图3a的输入图像的特征图；
64.图3c为经过抗锯齿处理的xception对对图3a的输入图像的特征图；
65.图4a～图4d为泸州红模型、郎糯红模型、宜糯红模型和混合样品模型的混淆矩阵。
66.其中的附图标记为：
67.1、工业彩色相机
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
2、led白光穹顶光源
68.3、黑色样品板
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
4、筛网盘
69.5、计算机
具体实施方式
70.下面结合附图对本发明的具体实施方式作进一步说明。
71.如图2所示，一种基于机器视觉的酿酒高粱掺假检测系统，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。
72.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。
73.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。
74.筛网盘4上设有多个筛网孔。因需求高粱的颗粒大小整体小于非需求高粱品种，筛网孔的直径根据需求高粱品种而定。孔距设定根据所有高粱中颗粒直径最大的品种而定，保证最大颗粒之间不会相互接触。筛网盘4的高度能够保证进入同一个筛网孔的颗粒能够轻易地被人为拨开。
75.优选地，所述筛网孔的直径为4.5mm，孔距为5.5mm。
76.优选地，筛网盘4可承载115颗高粱颗粒，如此可以保证每次抽样检测的检测量，且能保证每一粒高粱在合适的视野范围之内。
77.优选地，筛网盘4的高度为1mm。
78.优选地，led白光穹顶光源2的直径为170mm。
79.如图1所示，一种基于机器视觉的酿酒高粱掺假检测方法，该方法包括以下步骤：
80.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。
81.步骤1、分别获取每种高粱品种的原始图像
82.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；
83.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；
84.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；
85.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；
86.7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。
87.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。
88.优选地，所述m＝115，n＝10。
89.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；
90.步骤2.1、对每种高粱品种的每一张原始图像进行预处理：
91.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通道的图像进行二值化，利用中值滤波消除椒盐噪声；
92.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；
93.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：
94.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224
×
224的包含单一高粱颗粒的小图像，用于后期网络模型训练。
95.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：
96.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。
97.步骤3、数据集的划分
98.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；
99.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；
100.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；
101.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；
102.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。
103.步骤4、xception网络模型的结构调整：
104.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；
105.步骤4.2、调整图像最后一个全连接层；
106.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；
107.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；
108.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；
109.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；
110.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代训练学习率衰减一次；
111.步骤4.4、对xception网络中的最大池化层进行抗锯齿处理；
112.将步长为2的最大池化层，替换为步长为1的最大池化层和步长为2的下采样层。其中，卷积核的大小保持不变。
113.图3a为一组经过不同角度旋转的包含单一高粱颗粒的小图像，其中左上角为原始输入图像，右上角、左下角、右下角分别为包含单一高粱颗粒的小图像中高粱颗粒围绕其中心点逆时针旋转90
°
、180
°
和270
°
后的图像。图3b和图3c分别为未经过抗锯齿处理的xception网络和经过抗锯齿处理的xception网络对相同输入图像的特征图。与图3a中相同，图3b和图3c中左上角、右上角、左下角、右下角分别为原始图像和其中的高粱颗粒围绕其中心点逆时针旋转90
°
、180
°
和270
°
后的图像作为网络输入后得到的特征图。为清晰呈现特征图结果，将目标高粱颗粒进行掩模，只观察网络对背景信息的识别情况。可见，当目标物在图像中发生旋转时，未经过抗锯齿处理的网络会将背景信息也识别为特征，而经过抗锯齿处理的网络则依旧能正确的将背景特征视为0。
114.步骤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；
115.步骤5.1、将步骤3得到的泸州红掺假判别模型的训练集和泸州红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。
116.利用步骤3得到的泸州红掺假判别模型的测试集图像代入所述泸州红掺假判别模型中进行测试，测试所得的混淆矩阵，如图4a所示。
117.步骤5.2、将步骤3得到的郎糯红掺假判别模型的训练集和郎糯红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，得到训练后的郎糯红掺假判别模型。
118.利用步骤3得到的郎糯红掺假判别模型的测试集图像代入所述郎糯红掺假判别模型中进行测试，测试所得的混淆矩阵，如图4b所示。
119.步骤5.3、将步骤3得到的宜糯红掺假判别模型的训练集和宜糯红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，得到训练后的宜糯红掺假判别模型。
120.利用步骤3得到的宜糯红掺假判别模型的测试集图像代入所述宜糯红掺假判别模型中进行测试，测试所得的混淆矩阵，如图4c所示。
121.步骤5.4、将步骤3得到的混合需求样品掺假判别模型的训练集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，得到训练后的混合需求样品掺假判别模型。
122.利用步骤3得到的混合需求样品掺假判别模型的测试集图像代入所述混合需求样品掺假判别模型中进行测试，测试所得的混淆矩阵，如图4d所示。
123.图4a～图4d中，jnl1、jnl2、jnl4、jnl7、jnl8、jnl9、ln分别表示7种非需求高粱：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、辽宁红缨子；langn1、lzh、ynh分别表示需求高粱：郎糯红(郎糯红1号)、泸州红、宜糯红。
124.下面以泸州红掺假判别模型为例，进一步说明本发明的方法。
125.步骤1、分别获取泸州红、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号和辽宁红缨子的原始图像；
126.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115个高粱颗粒。每种高粱品种分别获取10张图像，每张图像的尺寸为1944
×
2592，称之为原始图像。
127.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；
128.步骤2.1、对每种高粱品种的每一张原始图像进行预处理：
129.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通道的图像进行二值化，利用中值滤波消除椒盐噪声；
130.其中，利用cv2.threshold函数进行二值化处理，起始值和最大值分别设置为0和255，采用cv2.thresh_binary算法进行阈值划分；
131.利用cv2.medianblur函数进行中值滤波处理，其中滤波器核的大小设置为5；
132.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；
133.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：
134.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115个高粱颗粒的图像中生成115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224
×
224的包含单一高粱颗粒的小图像，用于后期网络模型训练。
135.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：
136.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。
137.步骤3、数据集的划分
138.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1000张包含单一高粱颗粒的小图像。从每种高粱品种中抽取600张小图像作为模型的训练集，100张图像作为模型的交叉验证集，300张图像作为模型的测试集；
139.步骤4、xception网络模型的结构调整：
140.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；
141.步骤4.2、调整图像最后一个全连接层；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；
142.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代训练学习率衰减一次；
143.步骤4.4、对xception网络中的最大池化层进行抗锯齿处理；
144.将步长为2的最大池化层，替换为步长为1的最大池化层和步长为2的下采样层。其中，卷积核的大小保持不变。
145.步骤5、将步骤3得到的泸州红模型的训练集和泸州红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。
146.利用步骤3得到的泸州红模型的测试集图像代入所述泸州红掺假判别模型中进行测试，测试所得的混淆矩阵，如图4a所示。
147.其中，jnl1、jnl2、jnl4、jnl7、jnl8、jnl9、ln分别表示7种非需求高粱：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、辽宁红缨子；langn1表示需求高粱：郎糯红(郎糯红1号)。