本技术涉及智能检测领域，且更为具体地，涉及一种粮油品质检测方法及其系统。
背景技术：
1、粮油是对谷类、豆类等粮食和油料及其加工成品和半成品的统称，常见的包括稻谷、小麦、玉米、高粱等粮食，还有花生、棕榈果、葵花籽等油料。
2、粮油品质检测是对上述粮食或油料的化学、物理、生物学性质进行系统分析和评价的过程。传统的粮油品质检测在对于感官指标(如色泽等)的评估中通常以直观感受的方式进行评价，会受到个体差异、环境因素、心理因素等多种因素的影响，导致评价结果不够客观和准确。
3、因此，期待一种优化的粮油品质检测方案。
技术实现思路
1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种粮油品质检测方法及其系统。其首先将监控图像进行预处理以得到预处理后监控图像，接着，将所述监控图像通过包含深浅特征融合模块的样品特征提取器以得到样品监控特征图，然后，将所述样品监控特征图沿通道维度的各个样品监控特征矩阵进行展开以得到多个样品监控特征向量，接着，将所述多个样品监控特征向量通过基于转换器的上下文编码器以得到样品全局语义关联特征向量，最后，将所述样品全局语义关联特征向量通过分类器以得到用于表示所述待检测样品是否达到预定要求的分类结果。这样，可以准确地反映待检测样品的品质特征。
2、根据本技术的一个方面，提供了一种粮油品质检测方法，其包括：
3、获取待检测样品的监控图像；
4、将所述监控图像进行预处理以得到预处理后监控图像；
5、将所述监控图像通过包含深浅特征融合模块的样品特征提取器以得到样品监控特征图；
6、将所述样品监控特征图沿通道维度的各个样品监控特征矩阵进行展开以得到多个样品监控特征向量；
7、将所述多个样品监控特征向量通过基于转换器的上下文编码器以得到样品全局语义关联特征向量；以及
8、将所述样品全局语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测样品是否达到预定要求。
9、在上述的粮油品质检测方法中，将所述监控图像通过包含深浅特征融合模块的样品特征提取器以得到样品监控特征图，包括：
10、将所述监控图像输入所述样品特征提取器以从所述样品特征提取器的浅层提取浅层特征图以及从所述样品特征提取器的深层提取深层特征图；以及
11、使用所述深浅特征融合模块来将所述浅层特征图和所述深层特征图进行级联以得到所述样品监控特征图。
12、在上述的粮油品质检测方法中，将所述多个样品监控特征向量通过基于转换器的上下文编码器以得到样品全局语义关联特征向量，包括：
13、将所述多个样品监控特征向量通过所述上下文编码器以得到多个样品监控语义特征向量；以及
14、将所述多个样品监控语义特征向量进行级联以得到所述样品全局语义关联特征向量。
15、在上述的粮油品质检测方法中，将所述样品全局语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测样品是否达到预定要求，包括：
16、使用所述分类器的多个全连接层对所述样品全局语义关联特征向量进行全连接编码以得到编码分类特征向量；以及
17、将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
18、在上述的粮油品质检测方法中，还包括训练步骤：对所述包含深浅特征融合模块的样品特征提取器、所述基于转换器的上下文编码器和所述分类器进行训练。
19、在上述的粮油品质检测方法中，所述训练步骤，包括：
20、获取训练数据，所述训练数据包括待检测样品的训练监控图像，以及，待检测样品是否达到预定要求的真实值；
21、将所述训练监控图像进行预处理以得到训练预处理后监控图像；
22、将所述训练监控图像通过所述包含深浅特征融合模块的样品特征提取器以得到训练样品监控特征图；
23、将所述训练样品监控特征图沿通道维度的各个训练样品监控特征矩阵进行展开以得到多个训练样品监控特征向量；
24、将所述多个训练样品监控特征向量通过所述基于转换器的上下文编码器以得到训练样品全局语义关联特征向量；
25、将所述训练样品全局语义关联特征向量通过分类器以得到分类损失函数值；以及
26、基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含深浅特征融合模块的样品特征提取器、所述基于转换器的上下文编码器和所述分类器进行训练，其中，在训练过程中的每次迭代时，对所述训练样品监控特征图进行优化。
27、在上述的粮油品质检测方法中，在训练过程中的每次迭代时，对所述训练样品监控特征图进行优化，包括：首先将所述训练样品监控特征图展开为训练样品监控特征向量，计算所述训练样品监控特征向量与其自身的转置的自关联矩阵，并计算所述自关联矩阵的第i和第j行向量的内积，作为权重矩阵的第(i,j)位置的矩阵值，以得到权重矩阵，然后，将所述权重矩阵与所述自关联矩阵进行矩阵相乘后，进一步与所述训练样品监控特征向量进行矩阵-向量相乘以得到校正向量，最后将所述校正向量与所述训练样品监控特征向量点乘来获得优化的训练样品监控特征向量，并将所述优化的训练样品监控特征向量还原为优化的训练样品监控特征图。
28、根据本技术的另一个方面，提供了一种粮油品质检测系统，其包括：
29、图像获取模块，用于获取待检测样品的监控图像；
30、图像预处理模块，用于将所述监控图像进行预处理以得到预处理后监控图像；
31、深浅特征融合模块，用于将所述监控图像通过包含深浅特征融合模块的样品特征提取器以得到样品监控特征图；
32、特征矩阵展开模块，用于将所述样品监控特征图沿通道维度的各个样品监控特征矩阵进行展开以得到多个样品监控特征向量；
33、上下文编码模块，用于将所述多个样品监控特征向量通过基于转换器的上下文编码器以得到样品全局语义关联特征向量；以及
34、分类模块，用于将所述样品全局语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测样品是否达到预定要求。
35、在上述的粮油品质检测系统中，所述深浅特征融合模块，用于：
36、将所述监控图像输入所述样品特征提取器以从所述样品特征提取器的浅层提取浅层特征图以及从所述样品特征提取器的深层提取深层特征图；以及
37、使用所述深浅特征融合模块来将所述浅层特征图和所述深层特征图进行级联以得到所述样品监控特征图。
38、在上述的粮油品质检测系统中，所述上下文编码模块，用于：
39、将所述多个样品监控特征向量通过所述上下文编码器以得到多个样品监控语义特征向量；以及
40、将所述多个样品监控语义特征向量进行级联以得到所述样品全局语义关联特征向量。
41、与现有技术相比，本技术提供的粮油品质检测方法及其系统，其首先将监控图像进行预处理以得到预处理后监控图像，接着，将所述监控图像通过包含深浅特征融合模块的样品特征提取器以得到样品监控特征图，然后，将所述样品监控特征图沿通道维度的各个样品监控特征矩阵进行展开以得到多个样品监控特征向量，接着，将所述多个样品监控特征向量通过基于转换器的上下文编码器以得到样品全局语义关联特征向量，最后，将所述样品全局语义关联特征向量通过分类器以得到用于表示所述待检测样品是否达到预定要求的分类结果。这样，可以准确地反映待检测样品的品质特征。
1.一种粮油品质检测方法，其特征在于，包括：
2.根据权利要求1所述的粮油品质检测方法，其特征在于，将所述监控图像通过包含深浅特征融合模块的样品特征提取器以得到样品监控特征图，包括：
3.根据权利要求2所述的粮油品质检测方法，其特征在于，将所述多个样品监控特征向量通过基于转换器的上下文编码器以得到样品全局语义关联特征向量，包括：
4.根据权利要求3所述的粮油品质检测方法，其特征在于，将所述样品全局语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测样品是否达到预定要求，包括：
5.根据权利要求4所述的粮油品质检测方法，其特征在于，还包括训练步骤：对所述包含深浅特征融合模块的样品特征提取器、所述基于转换器的上下文编码器和所述分类器进行训练。
6.根据权利要求5所述的粮油品质检测方法，其特征在于，所述训练步骤，包括：
7.根据权利要求6所述的粮油品质检测方法，其特征在于，在训练过程中的每次迭代时，对所述训练样品监控特征图进行优化，包括：首先将所述训练样品监控特征图展开为训练样品监控特征向量，计算所述训练样品监控特征向量与其自身的转置的自关联矩阵，并计算所述自关联矩阵的第i和第j行向量的内积，作为权重矩阵的第(i,j)位置的矩阵值，以得到权重矩阵，然后，将所述权重矩阵与所述自关联矩阵进行矩阵相乘后，进一步与所述训练样品监控特征向量进行矩阵-向量相乘以得到校正向量，最后将所述校正向量与所述训练样品监控特征向量点乘来获得优化的训练样品监控特征向量，并将所述优化的训练样品监控特征向量还原为优化的训练样品监控特征图。
8.一种粮油品质检测系统，其特征在于，包括：
9.根据权利要求8所述的粮油品质检测系统，其特征在于，所述深浅特征融合模块，用于：
10.根据权利要求9所述的粮油品质检测系统，其特征在于，所述上下文编码模块，用于：
