CN107909103A - 一种钻石4c标准自动分级方法、设备及存储设备 - Google Patents

一种钻石4c标准自动分级方法、设备及存储设备 Download PDF

Info

Publication number
CN107909103A
CN107909103A CN201711116775.5A CN201711116775A CN107909103A CN 107909103 A CN107909103 A CN 107909103A CN 201711116775 A CN201711116775 A CN 201711116775A CN 107909103 A CN107909103 A CN 107909103A
Authority
CN
China
Prior art keywords
diamond
feature vector
grader
layers
sample image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711116775.5A
Other languages
English (en)
Inventor
肖滢
田轶
安博
王春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WUHAN GEOLOGICAL RESOURCES AND ENVIRONMENT INDUSTRIAL TECHNOLOGY RESEARCH INSTITUTE Co Ltd
Original Assignee
WUHAN GEOLOGICAL RESOURCES AND ENVIRONMENT INDUSTRIAL TECHNOLOGY RESEARCH INSTITUTE Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by WUHAN GEOLOGICAL RESOURCES AND ENVIRONMENT INDUSTRIAL TECHNOLOGY RESEARCH INSTITUTE Co Ltd filed Critical WUHAN GEOLOGICAL RESOURCES AND ENVIRONMENT INDUSTRIAL TECHNOLOGY RESEARCH INSTITUTE Co Ltd
Priority to CN201711116775.5A priority Critical patent/CN107909103A/zh
Publication of CN107909103A publication Critical patent/CN107909103A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)

Abstract

本发明提供了一种钻石4C标准自动分级方法、设备及存储设备，所述方法包括步骤：采集4C标准下各级别中预定级别的钻石样本图像；将所述钻石样本图像输入卷积神经网络得到钻石样本图像对应的特征向量；将所述特征向量输入平均池化层得到平均池化特征向量；选取分类器并用所述平均池化特征向量训练所述分类器得到有效分类器；将4C标准下采集到的各级别中预定级别的钻石样本图像输入所述有效分类器得到钻石分类结果。一种钻石4C标准自动分级设备及存储设备，用来实现所述方法。本发明应用广泛，分类结果客观真实且具有较高的准确性。

Description

一种钻石4C标准自动分级方法、设备及存储设备
技术领域
本发明涉及钻石检测领域，具体涉及一种钻石4C标准自动分级方法、设备及存储设备。
背景技术
长久以来，由于钻石鉴定是一项极为专业的工作，普通消费者及钻石爱好者受限于个人经验，往往难以自行对钻石进行鉴定。虽然GIA创立了4C标准，即重量(CARAT)、净度(CLARITY)、色泽(COLOUR)和切工(CUT)。但是，由于不同机构细节标准的不同、专业水准的差异，导致认证结果略有差别，导致消费者在购买时往往无所适从。因此，寻求一种客观真实且具有较高准确性的钻石分类方法就成为业界亟需解决的问题。
发明内容
本发明提供了一种钻石4C标准自动分级方法、设备及存储设备，可以有效解决上述问题。
本发明提供的技术方案是：一种钻石4C标准自动分级方法，所述方法包括步骤：采集4C标准下各级别中预定级别的钻石样本图像；将所述钻石样本图像输入卷积神经网络得到钻石样本图像对应的特征向量；将所述特征向量输入平均池化层得到平均池化特征向量；选取分类器并用所述平均池化特征向量训练所述分类器得到有效分类器；将4C标准下采集到的各级别中预定级别的钻石样本图像输入所述有效分类器得到钻石分类结果。存储设备，所述存储设备存储指令及数据用于实现所述一种钻石4C标准自动分级方法。一种钻石4C标准自动分级设备，所述设备包括处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现所述的一种钻石4C标准自动分级方法。
本发明的有益效果是：本发明提供了一种钻石4C标准自动分级方法、设备及存储设备，通过将卷积神经网络与分类器结合，使得发明的技术方案具有使用方便的特点，为方法的广泛应用提供了基础。同时，由于其不依赖专家经验和人为判断，具有客观性。最后，本发明的技术方案具有较高的准确性，通过实验验证模型的准确性及可靠性，结果显示进行切工分级的平均准确率高达97％。
附图说明
图1是本发明实施例中钻石4C标准自动分级方法的整体流程图；
图2是本发明实施例中卷积神经网络对4C标准下采集到的各级别中预定级别的钻石样本图像进行处理具体步骤流程图；
图3是本发明实施例中SVM分类器的训练具体步骤流程图；
图4是本发明实施例中4C标准下钻石切工5等级SVM分类器训练方法示意图；
图5是本发明实施例的硬件设备工作示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述，下文中提到的具体技术细节，如：方法，设备等，仅为使读者更好的理解技术方案，并不代表本发明仅局限于以下技术细节。
本发明的实施例提供了一种钻石4C标准自动分级方法、设备及存储设备。请参阅图1，图1是本发明实施例中钻石4C标准自动分级方法的整体流程图，所述方法由硬件设备实现，具体步骤包括：
S101：采集4C标准下各级别中预定级别的钻石样本图像。
S102：将所述钻石样本图像输入卷积神经网络得到钻石样本图像对应的特征向量。
S103：将所述特征向量输入平均池化层得到平均池化特征向量。
S104：选取分类器并用所述平均池化特征向量训练所述分类器得到有效分类器,所述分类器为：softmax分类器或SVM分类器。
S105：将4C标准下采集到的各级别中预定级别的钻石样本图像输入所述有效分类器得到钻石分类结果。
参见图2，图2是本发明实施例中卷积神经网络对4C标准下采集到的各级别中预定级别的钻石样本图像进行处理具体步骤流程图，包括：
S201：卷积神经网络中后一层对前一层的输出进行卷积运算和激活操作提取前一层的空间特征。所述激活操作的激活函数为：
xl＝f(Wlxl-1+bl)
其中，xl-1是l-1层的输出，也就是l层的输入，xl是l层的输出，Wl是l层的权值，bl为l层的偏差，f为sigmoid激活函数
S202：对提取的前一层空间特征进行池化。
S203：逐层重复上述步骤直至通过全连接层。
S204：输出各级别的钻石样本对应的特征向量。
S205：将所述特征向量分别输入平均池化层得到平均池化特征向量。
参见图3，图3是本发明实施例中SVM分类器的训练具体步骤流程图，包括：
S301：设定4C标准下的级别为K。
S302：设置K-1层SVM分类器，第k-i层有k-i个SVM分类器，第k层对应k个级别的钻石样本图像的平均池化特征向量。所述设置K-1层SVM分类器是按照有向无环图进行设置。
S303：第k-i层的第k-j个SVM分类器将第k-i+1层的第k-j+1个和第k-j平均池化特征向量作为正负样本进行训练，其中，i∈[1,k-1]，j∈[1,k-1]。
S304：重复上一步骤直至平均池化特征向量合并为两类特征向量。
S305：以所述两类特征向量作为第一层SVM分类器的正负样本。
参见图4，图4是本发明实施例中4C标准下钻石切工5等级SVM分类器训练方法示意图，包括：差切工1、一般切工2、好切工3、非常好切工4、理想切工5、SVM分类器1VS5、SVM分类器2VS5、SVM分类器1VS4、SVM分类器3VS5、SVM分类器2VS4、SVM分类器1VS3、SVM分类器4VS5、SVM分类器3VS4、SVM分类器2VS3、SVM分类器1VS2。由图中可见，差切工1及一般切工2的平均池化特征向量作为SVM分类器1VS2的正负样本，一般切工2及好切工3的平均池化特征向量作为SVM分类器2VS3的正负样本，好切工3及非常好切工4的平均池化特征向量作为SVM分类器3VS4的正负样本，非常好切工4及理想切工5的平均池化特征向量作为SVM分类器4VS5的正负样本，好切工3、非常好切工4及理想切工5的平均池化特征向量作为SVM分类器3VS5的正负样本，一般切工2、好切工3及非常好切工4的平均池化特征向量作为SVM分类器2VS4的正负样本，差切工1、一般切工2及好切工3的平均池化特征向量作为SVM分类器1VS3的正负样本，一般切工2、好切工3、非常好切工4及理想切工5的平均池化特征向量作为SVM分类器2VS5的正负样本，差切工1、一般切工2、好切工3及非常好切工4的平均池化特征向量作为SVM分类器1VS4的正负样本，差切工1、一般切工2、好切工3、非常好切工4及理想切工5的平均池化特征向量作为SVM分类器1VS5的正负样本。SVM分类器的训练步骤与S301～S305相同，在此不再赘述。通过随机选取3组各100个已鉴定的钻石样本对训练好的SVM分类器进行测试，平均97.3个测试结果与GIA的4C认证结果相同，2.7个测试结果与GIA的4C认证结果相差1级，准确度超过97％。
参见图5，图5是本发明实施例的硬件设备工作示意图，所述硬件设备具体包括：一种钻石4C标准自动分级设备501、处理器502及存储设备503。
钻石4C标准自动分级设备501：所述一种钻石4C标准自动分级设备501实现所述一种钻石4C标准自动分级方法。
处理器502：所述处理器502加载并执行所述存储设备503中的指令及数据用于实现所述的一种钻石4C标准自动分级方法。
存储设备503：所述存储设备503存储指令及数据；所述存储设备503用于实现所述的一种钻石4C标准自动分级方法。
通过执行本发明的实施例，本发明权利要求里的所有技术特征都得到了详尽阐述。
区别于现有技术，本发明的实施例提供了一种钻石4C标准自动分级方法、设备及存储设备，通过将卷积神经网络与分类器结合，使得发明的技术方案具有使用方便的特点，为方法的广泛应用提供了基础。同时，由于其不依赖专家经验和人为判断，具有客观性。最后，本发明的技术方案具有较高的准确性，通过实验验证模型的准确性及可靠性，结果显示进行切工分级的平均准确率高达97％。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种钻石4C标准自动分级方法，所述方法由硬件设备实现，其特征在于：包括以下步骤：采集4C标准下各级别中预定级别的钻石样本图像；将所述钻石样本图像输入卷积神经网络得到钻石样本图像对应的特征向量；将所述特征向量输入平均池化层得到平均池化特征向量；选取分类器并用所述平均池化特征向量训练所述分类器得到有效分类器；将4C标准下采集到的各级别中预定级别的钻石样本图像输入所述有效分类器得到钻石分类结果。
2.如权利要求1所述的一种钻石4C标准自动分级方法，其特征在于：卷积神经网络对4C标准下采集到的各级别中预定级别的钻石样本图像进行处理具体步骤包括：卷积神经网络中后一层对前一层的输出进行卷积运算和激活操作提取前一层的空间特征；对提取的前一层空间特征进行池化；逐层重复上述步骤直至通过全连接层；输出各级别的钻石样本对应的特征向量；将所述特征向量分别输入平均池化层得到平均池化特征向量。
3.如权利要求2所述的一种钻石4C标准自动分级方法，其特征在于：所述激活操作的激活函数为：
xl＝f(Wlxl-1+bl)
其中，xl-1是l-1层的输出，也就是l层的输入，xl是l层的输出，Wl是l层的权值，bl为l层的偏差，f为sigmoid激活函数。
4.如权利要求1所述的一种钻石4C标准自动分级方法，其特征在于：所述分类器为：softmax分类器或SVM分类器。
5.如权利要求4所述的一种钻石4C标准自动分级方法，其特征在于：所述SVM分类器的训练具体步骤包括：设定4C标准下的级别为K；设置K-1层SVM分类器，第k-i层有k-i个SVM分类器；第k-i层的第k-j个SVM分类器将第k-i+1层的第k-j+1个和第k-j平均池化特征向量作为正负样本进行训练，其中，i∈[1,k-1]，j∈[1,k-1]；重复上一步骤直至平均池化特征向量合并为两类特征向量；以所述两类特征向量作为第一层SVM分类器的正负样本。
6.如权利要求5所述的一种钻石4C标准自动分级方法，其特征在于：第k层对应k个级别的钻石样本图像的平均池化特征向量。
7.如权利要求6所述的一种钻石4C标准自动分级方法，其特征在于：所述设置K-1层SVM分类器是按照有向无环图进行设置。
8.存储设备，其特征包括：所述存储设备存储指令及数据用于实现权利要求1～7所述的任意一种方法。
9.一种钻石4C标准自动分级设备，其特征在于：包括：处理器及所述存储设备；所述处理器加载并执行权利要求8中所述存储设备中的指令及数据用于实现权利要求1～7所述的任意一种方法。
CN201711116775.5A 2017-11-13 2017-11-13 一种钻石4c标准自动分级方法、设备及存储设备 Pending CN107909103A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711116775.5A CN107909103A (zh) 2017-11-13 2017-11-13 一种钻石4c标准自动分级方法、设备及存储设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711116775.5A CN107909103A (zh) 2017-11-13 2017-11-13 一种钻石4c标准自动分级方法、设备及存储设备

Publications (1)

Publication Number Publication Date
CN107909103A true CN107909103A (zh) 2018-04-13

Family

ID=61843893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711116775.5A Pending CN107909103A (zh) 2017-11-13 2017-11-13 一种钻石4c标准自动分级方法、设备及存储设备

Country Status (1)

Country Link
CN (1) CN107909103A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111007068A (zh) * 2019-11-21 2020-04-14 中国兵器工业信息中心 基于深度学习的黄色培育钻石品级分类方法
CN111126435A (zh) * 2019-11-21 2020-05-08 中国兵器工业信息中心 基于深度学习的黄色培育钻石品级分类系统
CN111144437A (zh) * 2019-11-21 2020-05-12 中国兵器工业信息中心 基于视觉识别的黄色培育钻石自动分级系统
WO2021018174A1 (en) * 2019-07-29 2021-02-04 Goldway Technology Limited A process and system for colour grading for diamonds
US11137355B2 (en) 2019-07-29 2021-10-05 Goldway Technology Limited Process and system for diamond clarity measurement

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408435A (zh) * 2014-12-05 2015-03-11 浙江大学 一种基于随机池化卷积神经网络的人脸识别方法
CN107229942A (zh) * 2017-04-16 2017-10-03 北京工业大学 一种基于多个分类器的卷积神经网络快速分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408435A (zh) * 2014-12-05 2015-03-11 浙江大学 一种基于随机池化卷积神经网络的人脸识别方法
CN107229942A (zh) * 2017-04-16 2017-10-03 北京工业大学 一种基于多个分类器的卷积神经网络快速分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MIN LIN ET AL.: "Network In Network", 《ARXIV》 *
万卫兵 等: "《智能视频监控中目标检测与识别》", 31 January 2010 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021018174A1 (en) * 2019-07-29 2021-02-04 Goldway Technology Limited A process and system for colour grading for diamonds
CN112381833A (zh) * 2019-07-29 2021-02-19 金展科技有限公司 用于钻石的颜色分级的工艺和系统
US11137355B2 (en) 2019-07-29 2021-10-05 Goldway Technology Limited Process and system for diamond clarity measurement
US11326952B2 (en) 2019-07-29 2022-05-10 Goldway Technology Limited Process and system for colour grading for diamonds
CN111007068A (zh) * 2019-11-21 2020-04-14 中国兵器工业信息中心 基于深度学习的黄色培育钻石品级分类方法
CN111126435A (zh) * 2019-11-21 2020-05-08 中国兵器工业信息中心 基于深度学习的黄色培育钻石品级分类系统
CN111144437A (zh) * 2019-11-21 2020-05-12 中国兵器工业信息中心 基于视觉识别的黄色培育钻石自动分级系统
CN111007068B (zh) * 2019-11-21 2022-05-13 中国兵器工业信息中心 基于深度学习的黄色培育钻石品级分类方法
CN111126435B (zh) * 2019-11-21 2023-11-21 中国兵器工业信息中心 基于深度学习的黄色培育钻石品级分类系统
CN111144437B (zh) * 2019-11-21 2023-12-22 中国兵器工业信息中心 基于视觉识别的黄色培育钻石自动分级系统

Similar Documents

Publication Publication Date Title
CN107909103A (zh) 一种钻石4c标准自动分级方法、设备及存储设备
CN106156781B (zh) 排序卷积神经网络构建方法及其图像处理方法与装置
CN102521656B (zh) 非平衡样本分类的集成迁移学习方法
CN105184312B (zh) 一种基于深度学习的文字检测方法及装置
CN110163234A (zh) 一种模型训练方法、装置和存储介质
CN113657465A (zh) 预训练模型的生成方法、装置、电子设备和存储介质
CN106530305A (zh) 语义分割模型训练和图像分割方法及装置、计算设备
CN110309840A (zh) 风险交易识别方法、装置、服务器及存储介质
CN109919252A (zh) 利用少数标注图像生成分类器的方法
CN107368918A (zh) 数据处理方法和装置
CN112039687A (zh) 一种面向小样本特征的基于改进生成对抗网络的故障诊断方法
CN110349082A (zh) 图像区域的裁剪方法和装置、存储介质及电子装置
CN110310114A (zh) 对象分类方法、装置、服务器及存储介质
WO2019187594A1 (ja) 学習装置、学習方法および学習プログラム
US20230048386A1 (en) Method for detecting defect and method for training model
CN114584406B (zh) 一种联邦学习的工业大数据隐私保护系统及方法
CN106951912B (zh) 一种果蔬外观变化识别模型的建立方法和识别方法
CN107480723A (zh) 基于局部二进制阈值学习网络的纹理识别方法
CN111199469A (zh) 用户还款模型生成方法、装置及电子设备
CN115775026B (zh) 一种基于组织相似度的联邦学习方法
CN110321947A (zh) 一种基于卷积神经网络的用电异常预判方法
CN111210332A (zh) 贷后管理策略生成方法、装置及电子设备
CN113763364A (zh) 一种基于卷积神经网络的图像缺陷检测方法
CN110070131A (zh) 一种面向数据驱动建模的主动学习方法
US20230386199A1 (en) Automated hazard recognition using multiparameter analysis of aerial imagery

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180413