1.一种基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检测方法，其特征在于，包括如下步骤：步骤1)，获取不同均匀态的颗粒物料的DR影像数据，对DR影像数据提取一维统计特征；

其中：

在颗粒物料混合工艺过程中的不同时间、不同位置取相同质量的样本装入相同尺寸的塑料实验瓶中，采用微焦点CT扫描的方法，获取DR影像数据，对获取的DR影像数据进行归一化处理，处理方式为最大最小值方法；

所述一维统计特征为灰度直方图特征：

式中，H(i)表示灰度直方图，i表示灰度级，L表示灰度级种类数，ni表示图像中具有灰度级i的像素个数，N表示图像的总像素；

步骤2)，将一维统计特征数据拼接成二维矩阵，划分为训练集数据和测试集数据；其中：取相同质量的颗粒物料样本装入若干个规格相同的塑料实验瓶中，使用搅拌器材搅拌，采用微焦点CT扫描的方法，从试管的正前方、左面、右面三个不同方向获取DR影像数据，提取DR影像数据中感兴趣的区域，将同一试管获取的DR影像数据的一维统计特征拼接成二维矩阵，并作为LSTM复合网络的输入，数据集按比例随机选取训练样本和测试样本；

步骤3)，构建LSTM复合网络模型；

步骤4)，选用Softmax分类器，对LSTM复合网络模型输出进行分类；

步骤5)，利用训练集数据对构建的LSTM复合网络模型进行训练；

步骤6)，对训练好的LSTM复合网络模型，通过调试参数进行优化，在优化后的LSTM复合网络模型中，选用测试集数据进行验证，最终，利用优化后的LSTM复合网络模型检测颗粒物料的混合均匀性。

2.根据权利要求1所述基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检测方法，其特征在于，所述步骤3)中，构建的LSTM复合网络结构包括输入层、隐藏层和输出层，其中隐藏层包括LSTM层、随机失活层和全连接层；随机失活层通过设置保留概率，在遍历网络每一层的节点的过程中，使得神经网络不偏向于某一特定截点，用来降低LSTM网络过拟合；全连接层可将随机失活层后输出的样本特征映射到样本标记空间，便于分类器分类，LSTM层有三种门限向细胞中删除或更新信息，分别为：遗忘门、输入门、输出门，门限的计算公式分别为：ft＝σ(Wf·[ht‑1,xt]+bf) (2)

it＝σ(Wi·[ht‑1,xt]+bi) (3)

ot＝σ(Wo·[ht‑1,xt]+bo) (6)

ht＝ot*tanh(Ct) (7)

(2)式中，ft表示遗忘门选择输入的信息，Wf表示权重，σ指标准sigmoid激活函数，xt为t时刻隐藏层的输入向量，ht‑1为前一个隐藏层单元的输出向量，bf表示偏置，·为两个向量的乘积；(3)式中it表示输入门，Wi表示权重，bi表示偏置；(4)式中 表示输入信息经过tanh函数变换后的输出值，Wc为权重，bc为偏置；(5)式中的Ct‑1与Ct分别表示上一个时刻与当前时刻输入门最终输入的单元状态；(6)式中ot表示输出门，Wo表示权重，bo表示偏置；(7)式中ht表示隐藏层单元的最终输出。

3.根据权利要求1所述基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检测方法，其特征在于，所述步骤4)中，针对LSTM输出层，选用Softmax分类器输出均匀性判定结果。

4.根据权利要求1所述基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检测方法，其特征在于，所述步骤5)中，进行训练的关键参数设置如下：训练比率为50％，隐藏元的个数为50，最小训练批为32，学习率为0.001，训练轮次为1000，随机是活层的失活比率为

0.4。

5.根据权利要求1所述基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检测方法，其特征在于，所述步骤5)中，使用训练集特征数据作为LSTM复合网络的输入，完成一次训练；不断改变输入数据训练网络，自动调整梯度，最终得到相对较优的网络模型，其中在网络训练的过程中采用的时间反向传播算法；所述步骤6)中，在优化后的LSTM复合网络模型中，选用测试集数据进行分类和验证。

6.根据权利要求1所述基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检测方法，其特征在于，所述步骤6)中，采用标准最小误差评估方法，以测试集的分类精度为标准，通过固定一种参数而改变另一种参数对其参数进行优化，精度越大分类效果越好。