CN109886926A - 基于图像识别的生鲜食品质量检测方法和装置 - Google Patents

Abstract

本申请实施例公开了基于图像识别的生鲜食品质量检测方法和装置，涉及计算机技术人工智能领域。该系统的一具体实施包括：获取生鲜食品的图像信息；获取图像信息对应的预处理信息，预处理至少包括尺寸调整、噪声消除和/或归一化；将获取到的预处理信息输入至预先训练的生鲜食品质量检测模型，得到与图像信息中的生鲜食品对应的食品种类、质量风险种类和与质量风险种类对应的风险概率。该实施方式提高了生鲜食品质量检测的准确度和效率。

Description

基于图像识别的生鲜食品质量检测方法和装置

技术领域

本申请实施例涉及计算机技术人工智能领域，具体涉及基于图像识别的生鲜食品质量检测方法和装置。

背景技术

伴随着经济的发展，消费者产生了对高品质新鲜食材的巨大需求。各种为满足这种需求的农贸商超层出不穷，各种新零售花样翻新，生鲜电商也大批涌现。

目前各种商家经营的生鲜食品较有代表性的是指的“生鲜三品”，即：蔬菜水果、肉类、水产品，对这类商品基本上只做必要的保鲜和简单整理就可上架出售，未经烹调、制作等深加工过程，因此可归于生鲜食品类的初级产品；再加上较常见的：由西式生鲜制品衍生而来的面包和熟食等现场加工品类，就由初级产品的“生鲜三品”和加工制品的面包、熟食共同组合为“生鲜五品”。

生鲜商家们从小而美到大而全，尤其是生鲜电商，各种品类都有涉及。这种变化极大丰富了消费者的选择，然而，各种食品安全事件频发，在采购生鲜食品时经常遇到霉变或者经过化学物处理例如打蜡或硫磺熏制等质量风险情形，在消费者心中蒙上了挥之不去的阴影。人工智能技术的发展，尤其是图像识别技术的广泛应用，为解决生鲜食品的几大类食品安全问题提供了解决方案。

图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。图像识别通常是让智能体将图像分解为像素，识别形状，以便“看到”这些图像的内容，并对它们进行处理和分类的过程。在很多消费场景下，图像识别可以稳定地高效地为消费者的购买决策提供有力支撑。

发明内容

本申请实施例提出了基于图像识别的生鲜食品质量检测方法和装置。

第一方面，本申请实施例提出了一种基于图像识别的生鲜食品质量检测方法，包括：

获取生鲜食品的图像信息；

获取图像信息对应的预处理信息，预处理至少包括尺寸调整、噪声消除和/或归一化；

将获取到的预处理信息输入至预先训练的生鲜食品质量检测模型，得到与图像信息中的生鲜食品对应的食品种类、质量风险种类和与质量风险种类对应的风险概率。

在一些实施例中，质量风险种类至少包括如下外观改变：腐烂、霉变、病变、色变、形变，霉变至少包括因存放天数过多引起的霉变，色变至少包括由灰尘杂质、辐射、存放天数过多、使用化学物和/或非正常脱水引起的色变，形变至少包括由使用激素引起的外形改变。

在一些实施例中，生鲜食品质量检测模型通过如下步骤训练得到：

第一步，获取训练样本集合，训练样本包括样本图像信息以及与样本图像信息中生鲜食品对应的已知食品种类、已知质量风险种类和与已知质量风险种类对应的已知风险概率；

第二步，获取第一步中样本图像信息对应的预处理信息，预处理至少包括尺寸调整、噪声消除和/或归一化；

第三步，将预处理信息作为生鲜食品质量检测模型的输入，将样本集合中的样本图像信息中生鲜食品对应的已知食品种类、已知质量风险种类和与已知质量风险种类对应的已知风险概率作为期望输出，利用机器学习的方法训练得到生鲜食品质量检测模型。

在一些实施例中，生鲜食品质量检测模型的类型为卷积神经网络或RNN。

第二方面，本申请实施例提出了一种基于图像识别的生鲜食品质量检测装置，包括：

图像获取单元，被配置成用于获取生鲜食品的图像信息；

图像预处理单元，被配置成用于获取图像信息对应的预处理信息，预处理至少包括尺寸调整、噪声消除和/或归一化；

食品质量检测单元，被配置成用于将获取到的预处理信息输入至预先训练的生鲜食品质量检测模型，得到与图像信息中的生鲜食品对应的食品种类、质量风险种类和与质量风险种类对应的风险概率。

在一些实施例中，质量风险种类至少包括如下外观改变：腐烂、霉变、病变、色变、形变，霉变至少包括存放天数过多引起的霉变，色变至少包括由灰尘杂质、辐射、存放天数过多、使用化学物和/或非正常脱水引起的色变，形变至少包括由使用激素引起的外形改变。

在一些实施例中，生鲜食品质量检测模型通过如下步骤训练得到：

第一步，获取训练样本集合，训练样本包括样本图像信息以及与样本图像信息中生鲜食品对应的已知食品种类、已知质量风险种类和与已知质量风险种类对应的已知风险概率；

第二步，获取第一步中样本图像信息对应的预处理信息，预处理至少包括尺寸调整、噪声消除和/或归一化；

第三步，将预处理信息作为生鲜食品质量检测模型的输入，将样本集合中的样本图像信息中生鲜食品对应的已知食品种类、已知质量风险种类和与已知质量风险种类对应的已知风险概率作为期望输出，利用机器学习的方法训练得到生鲜食品质量检测模型。

在一些实施例中，生鲜食品质量检测模型的类型为卷积神经网络或RNN。

第三方面，本申请实施例提出了一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如权利要求1-4中任一的方法；。

第四方面，本申请实施例提出了一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-4中任一的方法。

本申请实施例提供的基于图像识别的生鲜食品质量检测方法和装置，通过获取到的生鲜食品的图像信息获取图像信息对应的预处理信息，然后将获取到的预处理信息输入至预先训练的生鲜食品质量检测模型，得到与图像信息中的生鲜食品对应的食品种类、质量风险种类和与质量风险种类对应的风险概率，从而提高了生鲜食品质量检测的准确度和效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的基于图像识别的生鲜食品质量检测方法的一个实施例的流程图；

图3是根据本申请的基于图像识别的生鲜食品质量检测方法的一个应用场景的示意图；

图4是根据本申请的基于图像识别的生鲜食品质量检测方法的又一个实施例的流程图；

图5是根据本申请的基于图像识别的生鲜食品质量检测装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的基于图像识别的生鲜食品质量检测方法或基于图像识别的生鲜食品质量检测装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103上可以安装有图像设备(例如显示屏、摄像头等)、文本输入类应用、语音识别类应用、基于图像识别的生鲜食品质量检测类应用等。用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏且支持数据输入的各种电子设备，包括但不限于智能眼镜等可穿戴设备、智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发送的目标图像进行分析，生成与目标图像信息中的生鲜食品对应的食品种类、质量风险种类和与质量风险种类对应的风险概率的生鲜食品质量检测服务器。生鲜食品质量检测服务器可以对获取到的目标图像进行分析处理，确定与目标图像对应的预处理信息，然后对所确定的信息进行处理，从而生成与目标图像中生鲜食品对应的食品种类、质量风险种类和与质量风险种类对应的风险概率

需要说明的是，本申请实施例所提供的基于图像识别的生鲜食品质量检测方法一般由服务器105执行，相应地，基于图像识别的生鲜食品质量检测装置一般设置于服务器105中。

需要指出的是，服务器105的本地也可以存储有待进行基于图像识别的生鲜食品质量检测的图像，服务器105可以直接提取本地的待进行基于图像识别的生鲜食品质量检测的图片，此时，示例性系统架构100可以不包括终端设备101、102、103和网络104。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

需要指出的是，终端设备101、102、103的本地也可以存储有待进行基于图像识别的生鲜食品质量检测的图像和/或预先训练的生鲜食品质量检测模型，终端设备101、102、103可以直接提取本地的待进行基于图像识别的生鲜食品质量检测的图片，并通过预先训练的生鲜食品质量检测模型对所提取的图片进行基于图像识别的生鲜食品质量检测，此时，示例性系统架构100可以不包括服务器105和网络104。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的基于图像识别的生鲜食品质量检测方法的一个实施例的流程200。基于图像识别的生鲜食品质量检测方法，包括以下步骤：

步骤201，获取生鲜食品的图像信息。

在本实施例中，基于图像识别的生鲜食品质量检测方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接的方式从终端设备接收终端发送的用于待进行基于图像识别的生鲜食品质量检测的目标图像。

步骤202，获取图像信息对应的预处理信息，预处理至少包括尺寸调整、噪声消除和/或归一化。

在本实施例中，基于图像识别的生鲜食品质量检测方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接的方式从终端设备接收终端发送的用于待进行基于图像识别的生鲜食品质量检测的目标图像，并对获取到的图像信息对应的预处理信息，预处理至少包括尺寸调整、噪声消除和/或归一化。

步骤203，将获取到的预处理信息输入至预先训练的生鲜食品质量检测模型，得到与图像信息中的生鲜食品对应的食品种类、质量风险种类和与质量风险种类对应的风险概率。

在本实施例中，上述执行主体可以利用预先训练的生鲜食品质量检测模型对获取到的图像信息对应的预处理信息进行分析，从而得到与图像信息中的生鲜食品对应的食品种类、质量风险种类和与质量风险种类对应的风险概率。在这里，生鲜食品质量检测模型可以用于表征所获取到的生鲜食品的图像信息和与图像信息中的生鲜食品对应的食品种类、质量风险种类和与质量风险种类对应的风险概率的对应关系。

在本实施例中，上述生鲜食品质量检测模型例如可以为卷积神经网络，该卷积神经网络可以通过卷积核进行特征提取，将图像信息的特征，例如颜色特征、纹理特征、形状特征和空间关系特征，与图像信息中的生鲜食品对应的食品种类、质量风险种类和与质量风险种类对应的风险概率特征相对应，从而生成图像信息中的生鲜食品对应的食品种类、质量风险种类和与质量风险种类对应的风险概率。

在本实施例的一些可选的实现方式中，质量风险种类至少包括如下外观改变：腐烂、霉变、病变、色变、形变，霉变至少包括因存放天数过多引起的霉变，色变至少包括由灰尘杂质、辐射、存放天数过多、使用化学物和/或非正常脱水引起的色变，形变至少包括由使用激素引起的外形改变。在这里使用化学物至少包含对生鲜食品的外表进行打蜡和硫磺熏制，还包括各种防腐剂的浸泡和防虫剂的使用。

在本实施例的一些可选的实现方式中，生鲜食品质量检测模型的类型为卷积神经网络或RNN。

继续参考图3，图3是根据本实施例的基于图像识别的生鲜食品质量检测方法的应用场景的一个示意图。在图3的应用场景中，用户通过移动智能终端301向服务器302输入了对带有红提的图片进行生鲜食品质量检测请求。服务器302在接收到该请求后，可以获取带有红提的图片，并通过预处理获得预处理信息。然后，服务器302将所得到的预处理信息输入至预先训练的生鲜食品质量检测模型303，从而得到与输入图片中红提对应的食品种类“红提”、质量风险种类“安全无风险”和与质量风险种类对应的风险概率“99.9%”，并通过移动智能终端301显示。

本申请实施例提供的基于图像识别的生鲜食品质量检测方法和装置，通过将待进行基于图像识别的生鲜食品质量检测的目标图片的预处理信息输入至预先训练的生鲜食品质量检测模型，得到与目标图片中的生鲜食品对应的食品种类、质量风险种类和与质量风险种类对应的风险概率，从而提高了生鲜食品质量检测的准确度和效率。

进一步参考图4，其示出了根据本申请的生鲜食品质量检测模型的一个训练方法的实施例的流程400。该的流程400，包括以下步骤：

步骤401，获取训练样本集合，训练样本包括样本图像信息以及与样本图像信息中生鲜食品对应的已知食品种类、已知质量风险种类和与已知质量风险种类对应的已知风险概率。

在本实施例中，生鲜食品质量检测模型的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接的方式从存储有样本图像信息的存储服务器中获取训练样本集合。在这里，训练样本集合中的训练样本可以包括带有生鲜食品的样本图片。

步骤402，获取第一步中样本图像信息对应的预处理信息，预处理至少包括尺寸调整、噪声消除和/或归一化。

步骤403，将预处理信息作为生鲜食品质量检测模型的输入，将样本集合中的样本图像信息中生鲜食品对应的已知食品种类、已知质量风险种类和与已知质量风险种类对应的已知风险概率作为期望输出，利用机器学习的方法训练得到生鲜食品质量检测模型。

在本实施例中，上述执行主体可以从训练样本集合中选取训练样本，执行如下训练步骤：

首先，将选取的每一个训练样本中的图像经过预处理后作为初始卷积神经网络的输入，将与样本集合中的样本图像信息中生鲜食品对应的已知食品种类、已知质量风险种类和与已知质量风险种类对应的已知风险概率作为期望输出，对初始卷积神经网络进行训练，得到与样本图像信息中生鲜食品对应的预测食品种类、预测质量风险种类和与预测质量风险种类对应的预测风险概率。接着，基于预设损失函数，确定预设损失函数的损失值是否达到预设目标值。在响应于确定预设损失函数的损失值达到预设目标值时，可以确定初始神经网络训练完成，并将训练完成的初始神经网络确定为生鲜食品质量检测模型。在这里，预设损失函数可以用于表征样本图像信息中生鲜食品对应的预测食品种类、预测质量风险种类和与预测质量风险种类对应的预测风险概率与样本图像信息中生鲜食品对应的已知食品种类、已知质量风险种类和与已知质量风险种类对应的已知风险概率之间的差异。

上述执行主体在响应于确定预设损失函数的损失值未达到预设目标值时，调整初始卷积神经网络的参数，以及从上述训练样本集合中重新选取样本或增加样本规模，将调整后的初始卷积神经网络作为初始卷积神经网络，继续执行上述训练步骤。在这里，调整初始卷积神经网络的参数例如可以调整初始卷积神经网络的卷积层的数目、卷积核的大小。

从图4中可以看出，与图2所示的实施例不同的是，本实施例突出了对生鲜食品质量检测模型的训练步骤。从而使得基于图像识别的生鲜食品质量检测更加准确。

进一步参考图5，作为对上述图4所示方法的实现，本申请提供了基于图像识别的生鲜食品质量检测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的基于图像识别的生鲜食品质量检测装置500包括：图像获取单元501、图像预处理单元502和食品质量检测单元503。其中， 图像获取单元501，被配置成用于获取生鲜食品的图像信息；图像预处理单元502，被配置成用于获取图像信息对应的预处理信息，预处理至少包括尺寸调整、噪声消除和/或归一化；食品质量检测单元503，被配置成用于将获取到的预处理信息输入至预先训练的生鲜食品质量检测模型，得到与图像信息中的生鲜食品对应的食品种类、质量风险种类和与质量风险种类对应的风险概率。

在本实施例中，基于图像识别的生鲜食品质量检测装置500中：图像获取单元501、图像预处理单元502和食品质量检测单元503的具体处理及其带来的有益效果可参看图2对应实施例中的步骤201、步骤202和步骤203的实现方式的相关描述，在此不再赘述。

在本实施例中，上述执行主体可以利用预先训练的生鲜食品质量检测模型对获取到的图像信息对应的预处理信息进行分析，从而得到与图像信息中的生鲜食品对应的食品种类、质量风险种类和与质量风险种类对应的风险概率。在这里，生鲜食品质量检测模型可以用于表征所获取到的生鲜食品的图像信息和与图像信息中的生鲜食品对应的食品种类、质量风险种类和与质量风险种类对应的风险概率的对应关系。

在本实施例中，上述生鲜食品质量检测模型例如可以为卷积神经网络，该卷积神经网络可以通过卷积核进行特征提取，将图像信息的特征，例如颜色特征、纹理特征、形状特征和空间关系特征，与图像信息中的生鲜食品对应的食品种类、质量风险种类和与质量风险种类对应的风险概率特征相对应，从而生成图像信息中的生鲜食品对应的食品种类、质量风险种类和与质量风险种类对应的风险概率。

在本实施例的一些可选的实现方式中，质量风险种类至少包括如下外观改变：腐烂、霉变、病变、色变、形变，霉变至少包括因存放天数过多引起的霉变，色变至少包括由灰尘杂质、辐射、存放天数过多、使用化学物和/或非正常脱水引起的色变，形变至少包括由使用激素引起的外形改变。在这里使用化学物至少包含对生鲜食品的外表进行打蜡和硫磺熏制，还包括各种防腐剂的浸泡和防虫剂的使用。

在本实施例的一些可选的实现方式中，生鲜食品质量检测模型的类型为卷积神经网络或RNN。

在本实施例的一些可选的实现方式中，生鲜食品质量检测模型的类型为卷积神经网络或RNN。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请该的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，该程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括图像获取单元、图像预处理单元和食品质量检测单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，图像获取单元还可以被描述为“获取用于获取生鲜食品的图像信息对应的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取生鲜食品的图像信息；获取图像信息对应的预处理信息，预处理至少包括尺寸调整、噪声消除和/或归一化；将获取到的预处理信息输入至预先训练的生鲜食品质量检测模型，得到与图像信息中的生鲜食品对应的食品种类、质量风险种类和与质量风险种类对应的风险概率。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种基于图像识别的生鲜食品质量检测方法，包括：

获取生鲜食品的图像信息；

获取所述图像信息对应的预处理信息，所述预处理至少包括尺寸调整、噪声消除和/或归一化；

将获取到的所述预处理信息输入至预先训练的生鲜食品质量检测模型，得到与所述图像信息中的生鲜食品对应的食品种类、质量风险种类和与所述质量风险种类对应的风险概率。

2.根据权利要求1所述的方法，其中，所述质量风险种类至少包括如下外观改变：腐烂、霉变、病变、色变、形变，所述霉变至少包括因存放天数过多引起的霉变，所述色变至少包括由灰尘杂质、辐射、存放天数过多、使用化学物和/或非正常脱水引起的色变，所述形变至少包括由使用激素引起的外形改变。

3.根据权利要求1所述的方法，其中，所述生鲜食品质量检测模型通过如下步骤训练得到：

第一步，获取训练样本集合，所述训练样本包括样本图像信息以及与样本图像信息中生鲜食品对应的已知食品种类、已知质量风险种类和与所述已知质量风险种类对应的已知风险概率；

第二步，获取第一步中所述样本图像信息对应的预处理信息，所述预处理至少包括尺寸调整、噪声消除和/或归一化；

第三步，将所述预处理信息作为所述生鲜食品质量检测模型的输入，将所述样本集合中的所述样本图像信息中生鲜食品对应的已知食品种类、已知质量风险种类和与所述已知质量风险种类对应的已知风险概率作为期望输出，利用机器学习的方法训练得到所述生鲜食品质量检测模型。

4.根据权利要求1-3之一所述的方法，其中，所述生鲜食品质量检测模型的类型为卷积神经网络或RNN。

5.一种基于图像识别的生鲜食品质量检测装置，包括：

图像获取单元，被配置成用于获取生鲜食品的图像信息；

图像预处理单元，被配置成用于获取所述图像信息对应的预处理信息，所述预处理至少包括尺寸调整、噪声消除和/或归一化；

食品质量检测单元，被配置成用于将获取到的所述预处理信息输入至预先训练的生鲜食品质量检测模型，得到与所述图像信息中的生鲜食品对应的食品种类、质量风险种类和与所述质量风险种类对应的风险概率。

6.根据权利要求5所述的装置，其中，所述质量风险种类至少包括如下外观改变：腐烂、霉变、病变、色变、形变，所述霉变至少包括存放天数过多引起的霉变，所述色变至少包括由灰尘杂质、辐射、存放天数过多、使用化学物和/或非正常脱水引起的色变，所述形变至少包括由使用激素引起的外形改变。

7.根据权利要求5所述的装置，其中，所述生鲜食品质量检测模型通过如下步骤训练得到：

第一步，获取训练样本集合，所述训练样本包括样本图像信息以及与样本图像信息中生鲜食品对应的已知食品种类、已知质量风险种类和与所述已知质量风险种类对应的已知风险概率；

第二步，获取第一步中所述样本图像信息对应的预处理信息，所述预处理至少包括尺寸调整、噪声消除和/或归一化；

第三步，将所述预处理信息作为所述生鲜食品质量检测模型的输入，将所述样本集合中的所述样本图像信息中生鲜食品对应的已知食品种类、已知质量风险种类和与所述已知质量风险种类对应的已知风险概率作为期望输出，利用机器学习的方法训练得到所述生鲜食品质量检测模型。

8.根据权利要求5-7之一所述的装置，其中，所述生鲜食品质量检测模型的类型为卷积神经网络或RNN。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。