CN108009564A - 一种基于径向基函数神经网络模型的翡翠手镯品质分级方法 - Google Patents
一种基于径向基函数神经网络模型的翡翠手镯品质分级方法 Download PDFInfo
- Publication number
- CN108009564A CN108009564A CN201711049636.5A CN201711049636A CN108009564A CN 108009564 A CN108009564 A CN 108009564A CN 201711049636 A CN201711049636 A CN 201711049636A CN 108009564 A CN108009564 A CN 108009564A
- Authority
- CN
- China
- Prior art keywords
- green
- jade
- quality
- emerald
- jade bracelet
- 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
Links
- 239000010977 jade Substances 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003062 neural network model Methods 0.000 title claims abstract description 8
- 241000579895 Chlorostilbon Species 0.000 claims abstract description 41
- 239000010976 emerald Substances 0.000 claims abstract description 41
- 229910052876 emerald Inorganic materials 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 230000003749 cleanliness Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 35
- 239000002245 particle Substances 0.000 claims description 17
- 238000002834 transmittance Methods 0.000 claims description 16
- 108010091872 satietin Proteins 0.000 claims description 15
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 12
- 239000011707 mineral Substances 0.000 claims description 12
- 241001504639 Alcedo atthis Species 0.000 claims description 11
- 150000001875 compounds Chemical class 0.000 claims description 11
- 239000011521 glass Substances 0.000 claims description 9
- 229920000742 Cotton Polymers 0.000 claims description 7
- 239000008187 granular material Substances 0.000 claims description 7
- 238000005498 polishing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- NNBFNNNWANBMTI-UHFFFAOYSA-M brilliant green Chemical compound OS([O-])(=O)=O.C1=CC(N(CC)CC)=CC=C1C(C=1C=CC=CC=1)=C1C=CC(=[N+](CC)CC)C=C1 NNBFNNNWANBMTI-UHFFFAOYSA-M 0.000 claims description 3
- 238000000280 densification Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 210000003746 feather Anatomy 0.000 claims description 2
- 239000000686 essence Substances 0.000 claims 1
- 239000011159 matrix material Substances 0.000 claims 1
- 230000006870 function Effects 0.000 description 20
- 241000219146 Gossypium Species 0.000 description 6
- 238000012360 testing method Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 229910052640 jadeite Inorganic materials 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229910001753 sapphirine Inorganic materials 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Adornments (AREA)
Abstract
本发明涉及一种基于径向基函数神经网络模型的翡翠手镯品质分级方法，属于翡翠分级技术领域。首先收集翡翠手镯产品实际交易的数据，并从实际交易数据中对影响翡翠手镯产品的各个因素，具体包括透明度、质地、颜色、净度、工艺、重量进行评分，再利用影响因素以及相应的评分来训练网络，运用径向基函数神经网络技术建立预测模型，然后利用该模型和已知的翡翠手镯产品中影响因素的实际参数对翡翠手镯的品质进行分级。本发明通过神经网络预测模型减小了翡翠手镯产品品质分级的主观性，使翡翠手镯产品的品质分级得到了一个很好的规范。
Description
技术领域
本发明涉及一种基于径向基函数神经网络模型的翡翠手镯品质分级方法，属于翡翠分级技术领域。
背景技术
随着人们对翡翠产品需求量的增加，关于翡翠产品的品质问题就越来越受到人们的关注。目前，国内外的翡翠产品品质分级的方法较少且模型基本是以线性模型为主，这类方法对于一般等级的翡翠产品可以使用，但翡翠产品某一因素参数大过一定值后，品质级别与参数间关系呈现非线性关系。不同的地区以及不同的商家对翡翠产品的品质分级往往差距很大，存在着很大的差异性。所以对于翡翠手镯产品品质分级的难度变得越大。
径向基函数神经网络是一种性能良好的前向网络，不仅具有学习速度快，非线性映射功能强的能力，而且还具有能以任意精度逼近任意连续函数，实现全局最优的性能，同时径向基函数神经网络具有极强的泛化能力，它通过不断调整网络自身的权值，能正确处理与样本数据相似的数据。因此它可以通过学习历史数据，找到影响翡翠手镯品质的因素与品质分级的映射关系，较好地揭示翡翠产品品质与影响因素所表现出的非线性结构，因此它对翡翠手镯产品品质的分级起到了很大的规范作用。
发明内容
本发明要解决的技术问题是提供一种基于径向基函数神经网络的翡翠手镯品质分级方法，用以解决传统线性模型不能描述的翡翠产品品质影响因素与翡翠产品品质级别之间的非线性关系问题。
本发明的技术方案是：一种基于径向基函数神经网络模型的翡翠手镯品质分级方法，收集翡翠手镯产品实际交易的数据，并从实际交易数据中对影响翡翠手镯产品的各个因素，具体包括透明度(水)、质地(种)、颜色(色)、净度(瑕)、工艺、重量进行评分，再利用影响因素以及相应的评分来训练网络，运用径向基函数神经网络技术建立预测模型，然后利用该模型和已知的翡翠手镯产品中影响因素的实际参数对翡翠手镯的品质进行分级。
具体步骤为：
第一步：获取训练数据：
收集翡翠手镯产品的销售数据，作为训练网络的样本数据；获取的数据包括各影响因素的值、商场对产品的分级；
第二步：对各个影响因素进行评分：
采用LH-206透明度测试仪对翡翠的透明度(水)进行检测，该测试仪采用自动操作系统及数据处理系统，自动显示透光率的值，显示范围是0-100％，具体操作为仪器开机自检完成后紫外线、红外线、可见光的透光率都为100％，此时将翡翠竖直放到测试槽内，仪器会自动显示三种光源的透光率，只需要观察可见光的透光率即可，并根据可见光的透光率将透明度分为100个等级，具体的评分标准为：透光率乘以100即为透明度的评分值，例如，可见光的透光率为70％，则该翡翠手镯产品的透明度评分为70分；
在对翡翠的颜色(色)进行评分时，选用WR-10高精度测色仪对翡翠手镯产品进行检测，该测色仪可以按照符合CIE标准的Lab颜色模型将翡翠的颜色用数字表达出来；其中L为亮度，a和b是两个颜色通道，a包括的颜色是从深绿色(低亮度值)到无色(中亮度值)再到亮粉红色(高亮度值)，a的取值范围是[-128，127]；b是从亮蓝色(低亮度值)到无色(中亮度值)再到黄色(高亮度值)，b的取值范围是[-128，127]；对颜色的评分主要依据绿色的值进行评分，所以主要要看a的负数值，由于从深绿色到无色对应的是[-128,0]，所以对a的观察值做以下处理作为翡翠色的评分值；
根据翡翠的质地(种)标准将翡翠手镯饰品分为极细粒、细粒、中粒、粗粒，划分标准为：极细粒，结构非常细腻致密，粒度均匀微小，十倍放大镜下不见晶粒大小及复合的原生裂隙、次生矿物充填的裂隙等，粒径小于0.1mm，多为纤维状结构，难见“翠性”，对应的评分值为76-100；细粒，结构致密，粒度细小均匀，十倍放大镜下可见极少细小复合原生裂隙和晶粒粒度大小，不见次生矿物充填裂隙，粒径在0.1mm-1mm之间，呈纤维状结构、粒状结构，偶见“翠性”，对应的评分值为51-75；中粒，结构不够致密，粒度大小不均匀，十倍放大镜下局部见细小裂隙、复合原生裂隙及次生矿物充填裂隙，粒径在1mm-3mm之间，呈柱粒状结构，“翠性”明显，对应的评分值为26-50；粗粒，结构疏松，粒度大小悬殊，肉眼可见裂隙，复合原生裂隙及次生矿物充填裂隙，粒径大于3mm以上，呈粒状碎裂结构，“翠性”非常明显，对应的评分值为0-25；
根据净度的变化将翡翠的净度(瑕)分为：极微瑕、微瑕、中瑕、重瑕，相应的分级标准是在高倍显微镜下1mm2内黑点、裂绺、白棉、黑丝的数量多少，并根据黑点、裂绺、白棉、黑丝的多少将净度分为100个级别，对应的评分标准为：极微瑕，很难观察到裂绺，有1-3个黑点，1-5个白棉、黑丝、灰点、灰丝等，对应的评分值为70-100；微瑕：有1-2个小裂绺，5-10个黑点、白棉及黑丝等，对应的评分值为40-70；中瑕：可以观察到有3-5个裂绺，10-15个黑点、灰黑丝等，对应的评分值为20-40；重瑕，可以观察到6-10个明显裂绺，16-20个白棉、黑点、灰黑丝等，对应的评分值为0-20；
根据翡翠手镯产品工艺的不同将翡翠饰品的工艺级别分为非常好，很好，好，一般，差；按工艺的复杂程度将翡翠饰品工艺分为素身翡翠饰品和雕花翡翠饰品两类，其中素身翡翠饰品工艺级别评价指标如下：a、轮廓优美；b、对称性好；c、比例适当；d、大小合适；e抛光精美，光泽强；雕花翡翠饰品工艺级别评价指标如下：a、掩盖了瑕疵；b、突出美的色彩和质地；c、造型设计巧妙，层次清晰，和谐美观；d、线条、弧面、平面要流畅，不呆滞，不断线；抛光要精细到位，能突出饰品光泽温润透亮；相应的评分标准为：非常好，满足素身翡翠的五项评价指标，或者满足雕花翡翠饰品的四项评价指标，对应的评分值为81-100；很好，能满足素身翡翠饰品评价指标中的任意四项，或者能满足雕花翡翠饰品评价指标中的任意三项，对应的评分标准为61-80；好，能满足素身翡翠饰品评价指标中的任意三项，或者能满足雕花翡翠饰品评价指标中的任意两项，对应的评分值为41-60；一般，能满足素身翡翠饰品评价指标中的任意一项至两项，或者能满足雕花翡翠饰品评价指标中的任意一项，对应的评价指标为21-40；差，能满足素身翡翠饰品中的任意一项，或者满足雕花翡翠饰品评价指标中的任意一项，对应的评分值为0-20；
重量是翡翠手镯产品的重量，采用天平对翡翠手镯进行称重，手镯的重量(克)即为重量分值，100克以上为100分；
第三步：利用获取的影响因素训练径向基函数神经网络：
为了避免奇异化数据给预测结果产生较大的影响，用[y,ps]＝mapminmax(p)函数对第二步中的各影响因素的评分进行归一化处理，把样本参数都归一化到[0,1]范围之内，这样可以使神经网络的预测结果更加准确，在公式[y,ps]＝mapminmax(p)中，p是输入矩阵，y是归一化后的样本数据，ps是一个规范化的映射，采用MATLAB软件工具箱中的NEWRBE(P,T,err_goal,spread)函数构建RBF神经网络，P为输入向量，T为期望输出向量，err_goal为均方误差，spread为径向基函数的分布密度，以翡翠手镯品质的级别为输出样本，通过不断调整spread的值来改变网络的预测精度，从而找出目标输出与期望输出最接近的网络模型；
第四步：用训练好的网络对翡翠手镯进行品质分级：
根据建立的模型将翡翠产品的品质级别划分为1000个级别：分别为0-1000，将预估翡翠产品分级的6个因素参数作为输入，以翡翠手镯品质的级别作为输出，对翡翠手镯的品质进行分级。
在实际应用中，若已有翡翠手镯产品的分级影响因素数据，则只需将数据输入到本研究所建立的翡翠品质分级模型，便能得到翡翠品质级别的预测结果，以此作为翡翠手镯产品品质的参考信息。
本发明的有益效果是：通过神经网络预测模型减小了翡翠手镯产品品质分级的主观性，使翡翠手镯产品的品质分级得到了一个很好的规范。
附图说明
图1是本发明的神经网络训练模型精度图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
实施例1：如图1所示，一种基于径向基函数神经网络模型的翡翠手镯品质分级方法，收集翡翠手镯产品实际交易的数据，并从实际交易数据中对影响翡翠手镯产品的各个因素，具体包括透明度、质地、颜色、净度、工艺、重量进行评分，再利用影响因素以及相应的评分来训练网络，运用径向基函数神经网络技术建立预测模型，然后利用该模型和已知的翡翠手镯产品中影响因素的实际参数对翡翠手镯的品质进行分级。
具体步骤为：
第一步：获取训练数据：
收集翡翠手镯产品的销售数据，作为训练网络的样本数据；获取的数据包括各影响因素的值、商场对产品的分级；
第二步：对各个影响因素进行评分：
采用LH-206透明度测试仪对翡翠的透明度进行检测，显示范围是0-100％，具体操作为仪器开机自检完成后紫外线、红外线、可见光的透光率都为100％，此时将翡翠竖直放到测试槽内，仪器会自动显示三种光源的透光率，只需要观察可见光的透光率即可，并根据可见光的透光率将透明度分为100个等级，具体的评分标准为：透光率乘以100即为透明度的评分值；
在对翡翠的颜色进行评分时，选用WR-10高精度测色仪对翡翠手镯产品进行检测，其中L为亮度，a和b是两个颜色通道，a包括的颜色是从绿色到无色再到粉红色，a的取值范围是[-128，127]；b是从蓝色到无色再到黄色，b的取值范围是[-128，127]；对颜色的评分主要依据绿色的值进行评分，所以主要要看a的负数值，由于从绿色到无色对应的是[-128,0]，所以对a的观察值做以下处理作为翡翠色的评分值；
根据翡翠的质地标准将翡翠手镯饰品分为极细粒、细粒、中粒、粗粒，划分标准为：极细粒，结构非常细腻致密，粒度均匀微小，十倍放大镜下不见晶粒大小及复合的原生裂隙、次生矿物充填的裂隙等，粒径小于0.1mm，多为纤维状结构，难见“翠性”，对应的评分值为76-100；细粒，结构致密，粒度细小均匀，十倍放大镜下可见极少细小复合原生裂隙和晶粒粒度大小，不见次生矿物充填裂隙，粒径在0.1mm-1mm之间，呈纤维状结构、粒状结构，偶见“翠性”，对应的评分值为51-75；中粒，结构不够致密，粒度大小不均匀，十倍放大镜下局部见细小裂隙、复合原生裂隙及次生矿物充填裂隙，粒径在1mm-3mm之间，呈柱粒状结构，“翠性”明显，对应的评分值为26-50；粗粒，结构疏松，粒度大小悬殊，肉眼可见裂隙，复合原生裂隙及次生矿物充填裂隙，粒径大于3mm以上，呈粒状碎裂结构，“翠性”非常明显，对应的评分值为0-25；
根据净度的变化将翡翠的净度分为：极微瑕、微瑕、中瑕、重瑕，相应的分级标准是在高倍显微镜下1mm2内黑点、裂绺、白棉、黑丝的数量多少，并根据黑点、裂绺、白棉、黑丝的多少将净度分为100个级别，对应的评分标准为：极微瑕，很难观察到裂绺，有1-3个黑点，1-5个白棉、黑丝、灰点、灰丝等，对应的评分值为70-100；微瑕：有1-2个小裂绺，5-10个黑点、白棉及黑丝等，对应的评分值为40-70；中瑕：可以观察到有3-5个裂绺，10-15个黑点、灰黑丝等，对应的评分值为20-40；重瑕，可以观察到6-10个明显裂绺，16-20个白棉、黑点、灰黑丝等，对应的评分值为0-20；
根据翡翠手镯产品工艺的不同将翡翠饰品的工艺级别分为非常好，很好，好，一般，差；按工艺的复杂程度将翡翠饰品工艺分为素身翡翠饰品和雕花翡翠饰品两类，其中素身翡翠饰品工艺级别评价指标如下：a、轮廓优美；b、对称性好；c、比例适当；d、大小合适；e抛光精美，光泽强；雕花翡翠饰品工艺级别评价指标如下：a、掩盖了瑕疵；b、突出美的色彩和质地；c、造型设计巧妙，层次清晰，和谐美观；d、线条、弧面、平面要流畅，不呆滞，不断线；抛光要精细到位，能突出饰品光泽温润透亮；相应的评分标准为：非常好，满足素身翡翠的五项评价指标，或者满足雕花翡翠饰品的四项评价指标，对应的评分值为81-100；很好，能满足素身翡翠饰品评价指标中的任意四项，或者能满足雕花翡翠饰品评价指标中的任意三项，对应的评分标准为61-80；好，能满足素身翡翠饰品评价指标中的任意三项，或者能满足雕花翡翠饰品评价指标中的任意两项，对应的评分值为41-60；一般，能满足素身翡翠饰品评价指标中的任意一项至两项，或者能满足雕花翡翠饰品评价指标中的任意一项，对应的评价指标为21-40；差，能满足素身翡翠饰品中的任意一项，或者满足雕花翡翠饰品评价指标中的任意一项，对应的评分值为0-20；
重量是翡翠手镯产品的重量，采用天平对翡翠手镯进行称重，手镯的重量(克)即为重量分值，100克以上为100分；
第三步：利用获取的影响因素训练径向基函数神经网络：
为了避免奇异化数据给预测结果产生较大的影响，用[y,ps]＝mapminmax(p)函数对第二步中的各影响因素的评分进行归一化处理，把样本参数都归一化到[0,1]范围之内，这样可以使神经网络的预测结果更加准确，在公式[y,ps]＝mapminmax(p)中，p是输入矩阵，y是归一化后的样本数据，ps是一个规范化的映射，采用MATLAB软件工具箱中的NEWRBE(P,T,err_goal,spread)函数构建RBF神经网络，P为输入向量，T为期望输出向量，err_goal为均方误差，spread为径向基函数的分布密度，以翡翠手镯品质的级别为输出样本，通过不断调整spread的值来改变网络的预测精度，从而找出目标输出与期望输出最接近的网络模型；
第四步：用训练好的网络对翡翠手镯进行品质分级：
根据建立的模型将翡翠产品的品质级别划分为1000个级别：分别为0-1000，将预估翡翠产品分级的6个因素参数作为输入，以翡翠手镯品质的级别作为输出，对翡翠手镯的品质进行分级。
实施例2：在实施例1的基础上，具体为：
第一步：预测分级样本的选取。随机选取中国珠宝首饰零售商2016年12月实际交易的一个翡翠手镯作为测试样本，
第二步：对各个影响因素进行评分。按照权利要求书第二步中的方法将翡翠测试样本各影响因素进行评分，将最终6个影响因素的评分值作为模型的输入数据，见表1；
第三步：利用获取的影响因素训练径向基函数神经网络
第四步：用训练好的网络对翡翠手镯进行品质分级
表1翡翠手镯样本分析数据及预测结果
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (2)
1.一种基于径向基函数神经网络模型的翡翠手镯品质分级方法，其特征在于：首先收集翡翠手镯产品实际交易的数据，并从实际交易数据中对影响翡翠手镯产品的各个因素，具体包括透明度、质地、颜色、净度、工艺、重量进行评分，再利用影响因素以及相应的评分来训练网络，运用径向基函数神经网络技术建立预测模型，然后利用该模型和已知的翡翠手镯产品中影响因素的实际参数对翡翠手镯的品质进行分级。
2.根据权利要求1所述的基于径向基函数神经网络模型的翡翠手镯品质分级方法，其特征在于具体步骤为：
第一步：获取训练数据：
收集翡翠手镯产品的销售数据，作为训练网络的样本数据；获取的数据包括各影响因素的值、商场对产品的分级；
第二步：对各个影响因素进行评分：
采用LH-206透明度测试仪对翡翠的透明度进行检测，显示范围是0-100％，具体操作为仪器开机自检完成后紫外线、红外线、可见光的透光率都为100％，此时将翡翠竖直放到测试槽内，仪器会自动显示三种光源的透光率，只需要观察可见光的透光率即可，并根据可见光的透光率将透明度分为100个等级，具体的评分标准为：透光率乘以100即为透明度的评分值；
在对翡翠的颜色进行评分时，选用WR-10高精度测色仪对翡翠手镯产品进行检测，其中L为亮度，a和b是两个颜色通道，a包括的颜色是从绿色到无色再到粉红色，a的取值范围是[-128，127]；b是从蓝色到无色再到黄色，b的取值范围是[-128，127]；对颜色的评分主要依据绿色的值进行评分，所以主要要看a的负数值，由于从绿色到无色对应的是[-128,0]，所以对a的观察值做以下处理作为翡翠色的评分值；
根据翡翠的质地标准将翡翠手镯饰品分为极细粒、细粒、中粒、粗粒，划分标准为：极细粒，结构非常细腻致密，粒度均匀微小，十倍放大镜下不见晶粒大小及复合的原生裂隙、次生矿物充填的裂隙等，粒径小于0.1mm，多为纤维状结构，难见“翠性”，对应的评分值为76-100；细粒，结构致密，粒度细小均匀，十倍放大镜下可见极少细小复合原生裂隙和晶粒粒度大小，不见次生矿物充填裂隙，粒径在0.1mm-1mm之间，呈纤维状结构、粒状结构，偶见“翠性”，对应的评分值为51-75；中粒，结构不够致密，粒度大小不均匀，十倍放大镜下局部见细小裂隙、复合原生裂隙及次生矿物充填裂隙，粒径在1mm-3mm之间，呈柱粒状结构，“翠性”明显，对应的评分值为26-50；粗粒，结构疏松，粒度大小悬殊，肉眼可见裂隙，复合原生裂隙及次生矿物充填裂隙，粒径大于3mm以上，呈粒状碎裂结构，“翠性”非常明显，对应的评分值为0-25；
根据净度的变化将翡翠的净度分为：极微瑕、微瑕、中瑕、重瑕，相应的分级标准是在高倍显微镜下1mm2内黑点、裂绺、白棉、黑丝的数量多少，并根据黑点、裂绺、白棉、黑丝的多少将净度分为100个级别，对应的评分标准为：极微瑕，很难观察到裂绺，有1-3个黑点，1-5个白棉、黑丝、灰点、灰丝等，对应的评分值为70-100；微瑕：有1-2个小裂绺，5-10个黑点、白棉及黑丝等，对应的评分值为40-70；中瑕：可以观察到有3-5个裂绺，10-15个黑点、灰黑丝等，对应的评分值为20-40；重瑕，可以观察到6-10个明显裂绺，16-20个白棉、黑点、灰黑丝等，对应的评分值为0-20；
根据翡翠手镯产品工艺的不同将翡翠饰品的工艺级别分为非常好，很好，好，一般，差；按工艺的复杂程度将翡翠饰品工艺分为素身翡翠饰品和雕花翡翠饰品两类，其中素身翡翠饰品工艺级别评价指标如下：a、轮廓优美；b、对称性好；c、比例适当；d、大小合适；e抛光精美，光泽强；雕花翡翠饰品工艺级别评价指标如下：a、掩盖了瑕疵；b、突出美的色彩和质地；c、造型设计巧妙，层次清晰，和谐美观；d、线条、弧面、平面要流畅，不呆滞，不断线；抛光要精细到位，能突出饰品光泽温润透亮；相应的评分标准为：非常好，满足素身翡翠的五项评价指标，或者满足雕花翡翠饰品的四项评价指标，对应的评分值为81-100；很好，能满足素身翡翠饰品评价指标中的任意四项，或者能满足雕花翡翠饰品评价指标中的任意三项，对应的评分标准为61-80；好，能满足素身翡翠饰品评价指标中的任意三项，或者能满足雕花翡翠饰品评价指标中的任意两项，对应的评分值为41-60；一般，能满足素身翡翠饰品评价指标中的任意一项至两项，或者能满足雕花翡翠饰品评价指标中的任意一项，对应的评价指标为21-40；差，能满足素身翡翠饰品中的任意一项，或者满足雕花翡翠饰品评价指标中的任意一项，对应的评分值为0-20；
重量是翡翠手镯产品的重量，采用天平对翡翠手镯进行称重，手镯的重量(克)即为重量分值，100克以上为100分；
第三步：利用获取的影响因素训练径向基函数神经网络：
为了避免奇异化数据给预测结果产生较大的影响，用[y,ps]＝mapminmax(p)函数对第二步中的各影响因素的评分进行归一化处理，把样本参数都归一化到[0,1]范围之内，这样可以使神经网络的预测结果更加准确，在公式[y,ps]＝mapminmax(p)中，p是输入矩阵，y是归一化后的样本数据，ps是一个规范化的映射，采用MATLAB软件工具箱中的NEWRBE(P,T,err_goal,spread)函数构建RBF神经网络，P为输入向量，T为期望输出向量，err_goal为均方误差，spread为径向基函数的分布密度，以翡翠手镯品质的级别为输出样本，通过不断调整spread的值来改变网络的预测精度，从而找出目标输出与期望输出最接近的网络模型；
第四步：用训练好的网络对翡翠手镯进行品质分级：
根据建立的模型将翡翠产品的品质级别划分为1000个级别：分别为0-1000，将预估翡翠产品分级的6个因素参数作为输入，以翡翠手镯品质的级别作为输出，对翡翠手镯的品质进行分级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711049636.5A CN108009564A (zh) | 2017-10-31 | 2017-10-31 | 一种基于径向基函数神经网络模型的翡翠手镯品质分级方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711049636.5A CN108009564A (zh) | 2017-10-31 | 2017-10-31 | 一种基于径向基函数神经网络模型的翡翠手镯品质分级方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108009564A true CN108009564A (zh) | 2018-05-08 |
Family
ID=62051965
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711049636.5A Pending CN108009564A (zh) | 2017-10-31 | 2017-10-31 | 一种基于径向基函数神经网络模型的翡翠手镯品质分级方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108009564A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110057825A (zh) * | 2019-04-30 | 2019-07-26 | 中国地质大学（武汉） | 一种翡翠蛋面透明度效果分级仪器及其分级方法 |
| CN110610316A (zh) * | 2019-09-18 | 2019-12-24 | 王剑丽 | 一种翡翠饰品质量等级评价方法 |
| CN112419240A (zh) * | 2020-11-03 | 2021-02-26 | 深圳市对庄科技有限公司 | 基于深度学习的翡翠等级评定方法和翡翠线上识别系统 |
| CN112419239A (zh) * | 2020-11-03 | 2021-02-26 | 深圳市对庄科技有限公司 | 基于深度学习的线上翡翠评级方法 |
| CN113284138A (zh) * | 2021-06-25 | 2021-08-20 | 佛山市创智智能信息科技有限公司 | 一种翡翠颜色的分级方法、装置、电子设备及存储介质 |
| 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 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1437016A (zh) * | 2002-02-07 | 2003-08-20 | 骏业珠宝有限责任公司 | 一种翡翠品质分级方法及其工具 |
| US20040002928A1 (en) * | 2002-06-27 | 2004-01-01 | Industrial Technology Research Institute | Pattern recognition method for reducing classification errors |
| CN101118620A (zh) * | 2007-09-18 | 2008-02-06 | 吉林大学 | 基于神经网络的车辆换档品质评价方法 |
| CN101122568A (zh) * | 2007-08-03 | 2008-02-13 | 清华大学深圳研究生院 | 翡翠透光度检测方法及其装置 |
| US8965814B1 (en) * | 2012-03-15 | 2015-02-24 | Symantec Corporation | Selection of most effective machine learning kernel from a training set of documents |
| CN106355330A (zh) * | 2016-08-31 | 2017-01-25 | 郑州航空工业管理学院 | 基于径向基神经网络预测模型的多响应参数优化方法 |
| CN107219228A (zh) * | 2017-06-29 | 2017-09-29 | 佛山科学技术学院 | 一种翡翠三维成像检测装置及其检测方法 |
-
2017
- 2017-10-31 CN CN201711049636.5A patent/CN108009564A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1437016A (zh) * | 2002-02-07 | 2003-08-20 | 骏业珠宝有限责任公司 | 一种翡翠品质分级方法及其工具 |
| US20040002928A1 (en) * | 2002-06-27 | 2004-01-01 | Industrial Technology Research Institute | Pattern recognition method for reducing classification errors |
| CN101122568A (zh) * | 2007-08-03 | 2008-02-13 | 清华大学深圳研究生院 | 翡翠透光度检测方法及其装置 |
| CN101118620A (zh) * | 2007-09-18 | 2008-02-06 | 吉林大学 | 基于神经网络的车辆换档品质评价方法 |
| US8965814B1 (en) * | 2012-03-15 | 2015-02-24 | Symantec Corporation | Selection of most effective machine learning kernel from a training set of documents |
| CN106355330A (zh) * | 2016-08-31 | 2017-01-25 | 郑州航空工业管理学院 | 基于径向基神经网络预测模型的多响应参数优化方法 |
| CN107219228A (zh) * | 2017-06-29 | 2017-09-29 | 佛山科学技术学院 | 一种翡翠三维成像检测装置及其检测方法 |
Non-Patent Citations (7)
| Title |
|---|
| PHILLIP EVANS 等: "Evaluation of a radial basis function neural network for the determination of wheat quality from electronic nose data", 《SENSORS AND ACTUATORS》 * |
| 丘志力 等: "《贵金属珠宝首饰评估》", 31 August 2013, 《中国地质大学出版社》 * |
| 丘志力 等: "国内市场翡翠饰品的质量分级及估价", 《宝石和宝石学杂志》 * |
| 云南省质量技术监督局: "翡翠饰品质量等级评价-云南省地方标准DB53T302-2009", 《国家标准馆》 * |
| 张莹 等: "翡翠饰品质量等级评价及克价翡翠评估中的探索", 《2012国际珠宝学术年会论文集》 * |
| 杨迪威 等: "神经网络在翡翠评估中的应用", 《宝石和宝石学杂志》 * |
| 肖永福: "《翡翠大辞典》", 30 November 2016, 《地质出版社》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110057825A (zh) * | 2019-04-30 | 2019-07-26 | 中国地质大学（武汉） | 一种翡翠蛋面透明度效果分级仪器及其分级方法 |
| CN110057825B (zh) * | 2019-04-30 | 2024-02-09 | 中国地质大学（武汉） | 一种翡翠蛋面透明度效果分级仪器及其分级方法 |
| 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 |
| CN110610316A (zh) * | 2019-09-18 | 2019-12-24 | 王剑丽 | 一种翡翠饰品质量等级评价方法 |
| CN112419240A (zh) * | 2020-11-03 | 2021-02-26 | 深圳市对庄科技有限公司 | 基于深度学习的翡翠等级评定方法和翡翠线上识别系统 |
| CN112419239A (zh) * | 2020-11-03 | 2021-02-26 | 深圳市对庄科技有限公司 | 基于深度学习的线上翡翠评级方法 |
| CN113284138A (zh) * | 2021-06-25 | 2021-08-20 | 佛山市创智智能信息科技有限公司 | 一种翡翠颜色的分级方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108009564A (zh) | 一种基于径向基函数神经网络模型的翡翠手镯品质分级方法 | |
| EP1332352B1 (en) | System and method for evaluating the appearance of a gemstone | |
| Ibáñez et al. | Discriminating wild vs domestic cereal harvesting micropolish through laser confocal microscopy | |
| CN104949925B (zh) | 珍珠分级方法 | |
| WO2012164410A1 (en) | Method for determining a cut for a gemstone | |
| CN110400099A (zh) | 一种带钢产品表面质量分级方法 | |
| CN107727581A (zh) | 一种天然棉花颜色分类的方法 | |
| CN112132803A (zh) | 一种基于卷积神经网络的鸡蛋新鲜度检测方法 | |
| CN108026563A (zh) | 细胞判定方法、细胞判定装置及细胞判定程序 | |
| CN108645799A (zh) | 依据成交小样对进口棉花进行分级的方法 | |
| Piccirillo et al. | Cell differentiation and spatial organization in yeast colonies: role of cell-wall integrity pathway | |
| Han et al. | Environmental Issues on Color Quality Evaluation of Blue Sapphire based on GemdialogueTM Color Comparison Charts. | |
| CN107330454B (zh) | 非线性海量高维序列数据分类特性可视化及定量分析方法 | |
| CN107703064A (zh) | 一种天然彩棉颜色分级的方法 | |
| CN110214969A (zh) | 一种片烟人工精选的预处理方法 | |
| CN110102507A (zh) | 珍珠分级方法 | |
| CN106683094B (zh) | 木质单板裂缝外观质量评价方法 | |
| CN108088563A (zh) | 一种蛋壳颜色分级标准的建立方法及应用 | |
| US20140229140A1 (en) | Computerized method and system for light performance grading of gemstones by one single grading scale | |
| Odekon | Characteristic scales in stellar clustering: A transition near the disk scale height | |
| CN102784762A (zh) | 一种应用激光快速检测并分选霉变谷粒的方法 | |
| Hartmann-Goldstein et al. | Effect of temperature on morphology and DNA-content of polytene chromosomes in Drosophila | |
| Abolhasani et al. | Statistical optimization of medium for biomass production of a local Iranian microalgae Picochlorum sp. RCC486 by response surface methodology | |
| AU2007205790B8 (en) | Method of improving a colour filter | |
| CN108985550A (zh) | 一种基于五层维度的白酒评价方法 |
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 |
Application publication date: 20180508 |
|
| RJ01 | Rejection of invention patent application after publication |