CN110309879A - 一种红枣外观品质分类方法、装置、设备及存储介质 - Google Patents
一种红枣外观品质分类方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110309879A CN110309879A CN201910582692.8A CN201910582692A CN110309879A CN 110309879 A CN110309879 A CN 110309879A CN 201910582692 A CN201910582692 A CN 201910582692A CN 110309879 A CN110309879 A CN 110309879A
- Authority
- CN
- China
- Prior art keywords
- jujube
- image
- feature
- channel
- interest
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种红枣外观品质分类方法、装置、设备及存储介质。该方法包括:采集红枣原始图像;对所述红枣原始图像进行预处理,提取所述红枣原始图像的感兴趣区域,并对所述感兴趣区域进行归一化尺寸操作,得到相同尺寸大小的红枣图像的感兴趣区域图像;利用优化的卷积神经网络对所述红枣图像的感兴趣区域图像进行训练,得到训练好的红枣外观品质分类模型;用所述红枣外观品质分类模型对红枣图像进行测试,得到红枣外观品质的分类结果。本发明实施例实现了结合多通道加权和信息聚合机制的卷积神经网络对红枣外观品质的准确分类,解决了红枣分类品级定位不精确的问题,使得对红枣外观品质的分类效率提高。
Description
技术领域
本发明实施例涉及食品安全检测领域,尤其涉及一种红枣外观品质分类方法、装置、设备及存储介质。
背景技术
红枣,在中国已有八千多年的种植历史,沧州市作为中国北方著名的产枣城市,也拥有全国最大的红枣交易市场。2017年,沧州红枣交易市场红枣交易额为382亿元,利润总额达65.6亿元,随着交易辐射面的扩大和交易量逐渐增加,商贩对红枣品质的要求也是越来越高。
目前对于红枣品质的分类是采用人工进行分拣,有经验的工人可以对完好的、干条的、有裂口的和表皮破损这四类品质的红枣进行分类。
但是人工分拣效率低下,且成本过高,对红枣外观的品质分类也没有一个固定的标准。
发明内容
本发明实施例提供一种红枣外观品质分类方法、装置、设备及存储介质,以提高红枣外观品质的分类效率。
第一方面,本发明实施例提供了一种红枣外观品质分类的方法,包括:采集红枣原始图像;
对所述红枣原始图像进行预处理,提取所述红枣原始图像的感兴趣区域,并对所述感兴趣区域进行归一化尺寸操作,得到相同尺寸大小的红枣图像的感兴趣区域图像;
利用优化的卷积神经网络对所述红枣图像的感兴趣区域图像进行训练,得到训练好的红枣外观品质分类模型;
用所述红枣外观品质分类模型对红枣图像进行测试,得到红枣外观品质的分类结果;
其中,所述优化的卷积神经网络为在34层残差网络结构的基础上,通过通道加权,网络增强包含有用信息的特征;并通过学习全局信息来抑制无用的特征,多通道信息聚合模块嵌入在网络中每个模块的末尾,以聚合各种不同感受野中的特征。
可选的,对所述红枣原始图像进行预处理,提取所述红枣原始图像的感兴趣区域,包括:
对所述红枣原始图像进行二值化操作;然后用所述红枣原始图像中的红枣边界的上边界、左边界和下边界构成最小外接正方形区域,提取红枣图像的感兴趣区域。
可选的,所述优化的卷积神经网络为在34层残差网络结构的基础上,通过通道加权,网络增强包含有用信息的特征,包括:
所述通道加权使用全局平均池化对卷积层输出的每个通道的通道特征进行压缩,使其成为一个实数数列,该实数数列中的每个实数具有描述对应通道特征的特点;通过门限机制中的全连接层配合激活函数的使用,对之前得到的实数数列进行维度压缩和维度还原,使其在较低的层上可以学习去激励可信息化的特征,在较高的层上,对不同的输入有高度的具体类别响应;将经过门限机制的输出权重看作是经过特征选择后的每个特征通道的重要性,然后通过乘法逐通道加权到先前的特征上,完成在通道维度上的对原始特征的重标定。
可选的,多通道信息聚合模块嵌入在网络中每个模块的末尾,以聚合各种不同感受野中的特征,包括:
所述多通道信息聚合模块利用了特征信息累加的方法,对一个模块中不同通道的多个维度信息进行聚合,通过形成一个稀疏网络结构,既能够产生稠密的数据,又能增加神经网络表现。
第二方面,本发明实施例还提供了一种红枣外观品质分类装置,包括:原始图像采集模块,用于采集红枣原始图像;
感兴趣区域图像提取模块,用于对所述红枣原始图像进行预处理,提取所述红枣原始图像的感兴趣区域,并对所述感兴趣区域进行归一化尺寸操作,得到相同尺寸大小的红枣图像的感兴趣区域图像;
模型训练模块,利用优化的卷积神经网络对所述红枣图像的感兴趣区域图像进行训练,得到训练好的红枣外观品质分类模型;
图像测试模块,用所述红枣外观品质分类模型对红枣图像进行测试,得到红枣外观品质的分类结果;
其中,所述优化的卷积神经网络为在34层残差网络结构的基础上,通过通道加权,网络增强包含有用信息的特征;并通过学习全局信息来抑制无用的特征,多通道信息聚合模块嵌入在网络中每个模块的末尾,以聚合各种不同感受野中的特征。
可选的,所述感兴趣区域图像提取模块的对所述红枣原始图像进行预处理,提取所述红枣原始图像的感兴趣区域,具体用于:
对所述红枣原始图像进行二值化操作;然后用所述红枣原始图像中的红枣边界的上边界、左边界和下边界构成最小外接正方形区域,提取红枣图像的感兴趣区域。
可选的,所述优化的卷积神经网络为在34层残差网络结构的基础上,通过通道加权,网络增强包含有用信息的特征,具体用于:
所述通道加权使用全局平均池化对卷积层输出的每个通道的通道特征进行压缩,使其成为一个实数数列,该实数数列中的每个实数具有描述对应通道特征的特点;通过门限机制中的全连接层配合激活函数的使用,对之前得到的实数数列进行维度压缩和维度还原,使其在较低的层上可以学习去激励可信息化的特征,在较高的层上,对不同的输入有高度的具体类别响应;将经过门限机制的输出权重看作是经过特征选择后的每个特征通道的重要性,然后通过乘法逐通道加权到先前的特征上,完成在通道维度上的对原始特征的重标定。
可选的,多通道信息聚合模块嵌入在网络中每个模块的末尾,以聚合各种不同感受野中的特征,具体用于:
所述多通道信息聚合模块利用了特征信息累加的方法,对一个模块中不同通道的多个维度信息进行聚合,通过形成一个稀疏网络结构,既能够产生稠密的数据,又能增加神经网络表现。
第三方面,本发明实施例提供了一种设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
摄像头,用于采集图像;
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本发明任意实施例提供的红枣外观品质分类方法。
第四方面,本发明实施例提供了一种存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行本发明任意实施例提供的红枣外观品质分类方法。
本发明实施例通过预先将共享缓存区划分为多个缓存子区域,并基于多个缓存子区域对工件进行视觉检测,解决了检测进程间处理时需要过多时间的问题,使得进程间交互速度加快,提高红枣外观品质分类的处理速度。
附图说明
图1:总体分类流程图,即摘要附图;
图2:4类品质红枣外观示意图;
图3:原始图像预处理示意图;
图3(a):红枣原始图像;
图3(b):二值化处理;
图3(c):感兴趣区域选取;
图3(d):归一化处理;
图4:通道加权模块示意图;
图5:结合多通道加权和信息聚合机制的卷积神经网络模块示意图;
图6:结合多通道加权和信息聚合机制的卷积神经网络整体结构示意图;
图7:本发明实施例二中的一种红枣外观品质分类装置的结构示意图;
图8:本发明实施例三中的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
本发明的具体框架示意图如图1所示,首先通过30万像素的工业相机进行红枣图像数据采集,将采集到的图像经过预处理和筛选后,分别制作成训练集和测试集,其中训练集包含图片54000张,测试集包含图片6000张;接着,以34层的残差网络为主体结构,融入通道加权模块和信息聚合机制,通过通道加权,网络选择性地增强包含有用信息的特征,并通过学习全局信息来抑制无用的特征,多通道信息聚合模块嵌入在每个模块的末尾,以聚合各种不同感受域中的特征,以此形成网络结构;进而通过训练得到网络模型,对测试集的数据经行测试以得到分类的准确率。
下面结合具体实施方式对本发明作进一步详细地描述。
实验对象:整个红枣图像数据集包括测试集和验证集,其中,测试集中共有54000个图像(13008个全枣,16840个干枣,12926个裂枣和11226个枣),验证集中共有6000个图像(1398个全枣,1874个干枣,裂开的1458个大枣和1270个破碎的大枣)。原始红枣图像的尺寸为640×480。如图2所示为4类品质红枣外观示意图。
图像预处理:如图3所示为原始采集的红枣图像,其中,空白的背景占据了很大空间,为高效利用红枣图像数据集,需将红枣图像进行预处理。首先,将二值化阈值设置为252的灰度级,将所有图像二值化以突出显示感兴趣的目标轮廓如图3(b)所示;然后用红枣边界的上边界,左边界和下边界构成最小外接方形区域,红色枣边界是提取的感兴趣区域,如图3(c)所示;最后,将红枣图像归一化为227×227像素的均匀尺寸,如图3(d)所示。
结合多通道加权和信息聚合机制的卷积神经网络:
如图4所示为通道加权模块示意图,通道加权模块利用了卷积层后特征图的全局信息动态地对各通道的依赖性进行非线性建模,从而提高了网络的学习能力。另外,没有引入一个新的空间维度来进行特征通道间的融合,而是采用了一种全新的“特征重标定”策略。具体来说,就是通过学习的方式来自动获取到每个特征通道的重要程度,然后依照这个重要程度去增强有用的特征并抑制对当前任务用处不大的特征,通俗来讲,就是让网络利用全局信息有选择地增强有益特征通道并抑制无用特征通道,从而能实现特征通道自适应校准。
通道加权模块具体实现主要包括:(1)使用全局平均池化(global averagepooling)对卷积层输出的通道特征进行压缩,使其具有全局的感受野,网络低层也能利用全局信息,使多个特征图变为1×1×C的实数数列;(2)通过门限机制对之前得到的实数列进行维度缩减和维度还原,门限机制中利用了两个全连接层,第一个全连接层将维度C降为C/16,接着,在通过第二个全连接层对其进行维度还原。这个方法优势在于,在较低的层上,它可以学习去激励可信息化的特征,从而加强较低层级表征的信息共享质量,在较高的层上,通道加权模块变得越来越具体化,对不同的输入有高度的具体类别响应;(3)加权操作,将经过门限机制的输出的权重看做是进过特征选择后的每个特征通道的重要性,然后通过乘法逐通道加权到先前的特征上,完成在通道维度上的对原始特征的重标定。
信息聚合模块利用了特征信息累加的方法,对一个模块中不同通道的多个维度信息进行聚合,通过设计一个稀疏网络结构,既能够产生稠密的数据,又能增加神经网络表现。为了降低计算量,除去冗余信息,在信息聚合模块后连接一个1×1的卷积核对数据进行降维,使其降为输入前的维度大小。
如图5所示为结合多通道加权和信息聚合机制的卷积神经网络模块示意图。本网络的模块可以分为等通道输入和输出(模块A)以及非等通道输入和输出(模块B,需要执行线性投影以匹配尺寸)。图5显示了整个网络的第一个模块。模块A包含3个卷积层和2个用于特征提取的池化层,一个BN层和一个缩放层,其后是卷积层,用于输入归一化,缩放和移位归一化数据。两个全连接层用于降低尺寸以减少计算负荷和尺寸恢复。两个完全连接的层分别由ReLU和Sigmoid函数激活。该方法的优点是可以获得更多的非线性,并且可以更好地拟合通道之间的复杂相关性。比例层应用重新加权操作,这样,激励输出权重被视为特征选择后每个特征通道的重要性,然后权重由前一个特征的通道加权,以完成特征重新校准。之后,通过聚合层执行三维的特征聚合,该聚合层可以聚合来自多个通道的信息,从而有助于增加特征的多样性。最后,通过1×1卷积层执行降维以减少计算次数。与A模块相比,B模块添加了线性投影以匹配尺寸(如虚线所示)。
本网络主要部分的设计包括交错的11个A模块和4个B模块。如图6所示为结合多通道加权和信息聚合机制的卷积神经网络整体结构示意图。在多次挤压激励和信息聚合操作之后获得的数据被最大池化层压缩成一维阵列并连接到完全连接的层,分类结果设置为4。最后,分类结果由softmax层输出。
本实施例的技术方案,通过结合多通道加权和信息聚合机制的卷积神经网络对红枣外观品质分类方法对红枣外观品质分类具有很好的效果。
实施例二
图7为本发明实施例二提供的一种红枣外观品质分类的装置的结构示意图,如图7所示,该红枣外观品质分类的装置包括:
原始图像采集模块710,用于采集红枣原始图像;
感兴趣区域图像提取模块720,用于对所述红枣原始图像进行预处理,提取所述红枣原始图像的感兴趣区域,并对所述感兴趣区域进行归一化尺寸操作,得到相同尺寸大小的红枣图像的感兴趣区域图像;
模型训练模块730,利用优化的卷积神经网络对所述红枣图像的感兴趣区域图像进行训练,得到训练好的红枣外观品质分类模型;
图像测试模块740,用所述红枣外观品质分类模型对红枣图像进行测试,得到红枣外观品质的分类结果;
其中,所述优化的卷积神经网络为在34层残差网络结构的基础上,通过通道加权,网络增强包含有用信息的特征;并通过学习全局信息来抑制无用的特征,多通道信息聚合模块嵌入在网络中每个模块的末尾,以聚合各种不同感受野中的特征。
可选的,所述感兴趣区域图像提取模块的对所述红枣原始图像进行预处理,提取所述红枣原始图像的感兴趣区域,具体用于:
对所述红枣原始图像进行二值化操作;然后用所述红枣原始图像中的红枣边界的上边界、左边界和下边界构成最小外接正方形区域,提取红枣图像的感兴趣区域。
可选的,所述优化的卷积神经网络为在34层残差网络结构的基础上,通过通道加权,网络增强包含有用信息的特征,具体用于:
所述通道加权使用全局平均池化对卷积层输出的每个通道的通道特征进行压缩,使其成为一个实数数列,该实数数列中的每个实数具有描述对应通道特征的特点;通过门限机制中的全连接层配合激活函数的使用,对之前得到的实数数列进行维度压缩和维度还原,使其在较低的层上可以学习去激励可信息化的特征,在较高的层上,对不同的输入有高度的具体类别响应;将经过门限机制的输出权重看作是经过特征选择后的每个特征通道的重要性,然后通过乘法逐通道加权到先前的特征上,完成在通道维度上的对原始特征的重标定。
可选的,多通道信息聚合模块嵌入在网络中每个模块的末尾,以聚合各种不同感受野中的特征,具体用于:
所述多通道信息聚合模块利用了特征信息累加的方法,对一个模块中不同通道的多个维度信息进行聚合,通过形成一个稀疏网络结构,既能够产生稠密的数据,又能增加神经网络表现。
本发明实施例提供了一种红枣外观品质分类的装置,与上述实施例提出的一种红枣外观品质分类方法属于同一方面构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
实施例三
图8为本发明实施例三提供的一种设备的结构示意图,如图8所示,该设备包括处理器80、存储器81、输入装置82和输出装置83;设备8中处理器80的数量可以是一个或多个,图8中以一个处理器80为例;设备8中的处理器80、存储器81、输入装置82和输出装置83可以通过总线或其他方式连接,图8中以通过总线连接为例。
存储器81作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的红枣外观品质分类方法对应的程序指令/模块(例如,原始图像采集模块710、感兴趣区域图像提取模块720、模型训练模块730和图像测试模块740)。处理器80通过运行存储在存储器81中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的红枣外观品质分类方法。
存储器81可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器81可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器81可进一步包括相对于处理器80远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置82可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入,输入装置中包括摄像头。输出装置83可包括显示屏等显示设备。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种红枣外观品质分类方法,该方法包括:
采集红枣原始图像;
对所述红枣原始图像进行预处理,提取所述红枣原始图像的感兴趣区域,并对所述感兴趣区域进行归一化尺寸操作,得到相同尺寸大小的红枣图像的感兴趣区域图像;
利用优化的卷积神经网络对所述红枣图像的感兴趣区域图像进行训练,得到训练好的红枣外观品质分类模型;
用所述红枣外观品质分类模型对红枣图像进行测试,得到红枣外观品质的分类结果;
其中,所述优化的卷积神经网络为在34层残差网络结构的基础上,通过通道加权,网络增强包含有用信息的特征;并通过学习全局信息来抑制无用的特征,多通道信息聚合模块嵌入在网络中每个模块的末尾,以聚合各种不同感受野中的特征。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的红枣外观品质分类方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述预测农产品种植意向的装置的实施例中,所包括的各个模块和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种红枣外观品质分类方法,其特征在于,包括:
采集红枣原始图像;
对所述红枣原始图像进行预处理,提取所述红枣原始图像的感兴趣区域,并对所述感兴趣区域进行归一化尺寸操作,得到相同尺寸大小的红枣图像的感兴趣区域图像;
利用优化的卷积神经网络对所述红枣图像的感兴趣区域图像进行训练,得到训练好的红枣外观品质分类模型;
用所述红枣外观品质分类模型对红枣图像进行测试,得到红枣外观品质的分类结果;
其中,所述优化的卷积神经网络为在34层残差网络结构的基础上,通过通道加权,网络增强包含有用信息的特征;并通过学习全局信息来抑制无用的特征,多通道信息聚合模块嵌入在网络中每个模块的末尾,以聚合各种不同感受野中的特征。
2.根据权利要求1所述的方法,其特征在于,对所述红枣原始图像进行预处理,提取所述红枣原始图像的感兴趣区域,包括:
对所述红枣原始图像进行二值化操作;然后用所述红枣原始图像中的红枣边界的上边界、左边界和下边界构成最小外接正方形区域,提取红枣图像的感兴趣区域。
3.根据权利要求1所述的方法,其特征在于,所述优化的卷积神经网络为在34层残差网络结构的基础上,通过通道加权,网络增强包含有用信息的特征,包括:
所述通道加权使用全局平均池化对卷积层输出的每个通道的通道特征进行压缩,使其成为一个实数数列,该实数数列中的每个实数具有描述对应通道特征的特点;通过门限机制中的全连接层配合激活函数的使用,对之前得到的实数数列进行维度压缩和维度还原,使其在较低的层上可以学习去激励可信息化的特征,在较高的层上,对不同的输入有高度的具体类别响应;将经过门限机制的输出权重看作是经过特征选择后的每个特征通道的重要性,然后通过乘法逐通道加权到先前的特征上,完成在通道维度上的对原始特征的重标定。
4.根据权利要求1所述的方法,其特征在于,多通道信息聚合模块嵌入在网络中每个模块的末尾,以聚合各种不同感受野中的特征,包括:
所述多通道信息聚合模块利用了特征信息累加的方法,对一个模块中不同通道的多个维度信息进行聚合,通过形成一个稀疏网络结构,既能够产生稠密的数据,又能增加神经网络表现。
5.一种红枣外观品质分类装置,其特征在于,包括:
原始图像采集模块,用于采集红枣原始图像;
感兴趣区域图像提取模块,用于对所述红枣原始图像进行预处理,提取所述红枣原始图像的感兴趣区域,并对所述感兴趣区域进行归一化尺寸操作,得到相同尺寸大小的红枣图像的感兴趣区域图像;
模型训练模块,利用优化的卷积神经网络对所述红枣图像的感兴趣区域图像进行训练,得到训练好的红枣外观品质分类模型;
图像测试模块,用所述红枣外观品质分类模型对红枣图像进行测试,得到红枣外观品质的分类结果;
其中,所述优化的卷积神经网络为在34层残差网络结构的基础上,通过通道加权,网络增强包含有用信息的特征;并通过学习全局信息来抑制无用的特征,多通道信息聚合模块嵌入在网络中每个模块的末尾,以聚合各种不同感受野中的特征。
6.根据权利要求5所述的装置,其特征在于,所述感兴趣区域图像提取模块的对所述红枣原始图像进行预处理,提取所述红枣原始图像的感兴趣区域,具体用于:
对所述红枣原始图像进行二值化操作;然后用所述红枣原始图像中的红枣边界的上边界、左边界和下边界构成最小外接正方形区域,提取红枣图像的感兴趣区域。
7.根据权利要求5所述的装置,其特征在于,所述优化的卷积神经网络为在34层残差网络结构的基础上,通过通道加权,网络增强包含有用信息的特征,具体用于:
所述通道加权使用全局平均池化对卷积层输出的每个通道的通道特征进行压缩,使其成为一个实数数列,该实数数列中的每个实数具有描述对应通道特征的特点;通过门限机制中的全连接层配合激活函数的使用,对之前得到的实数数列进行维度压缩和维度还原,使其在较低的层上可以学习去激励可信息化的特征,在较高的层上,对不同的输入有高度的具体类别响应;将经过门限机制的输出权重看作是经过特征选择后的每个特征通道的重要性,然后通过乘法逐通道加权到先前的特征上,完成在通道维度上的对原始特征的重标定。
8.根据权利要求5所述的装置,其特征在于,多通道信息聚合模块嵌入在网络中每个模块的末尾,以聚合各种不同感受野中的特征,具体用于:
所述多通道信息聚合模块利用了特征信息累加的方法,对一个模块中不同通道的多个维度信息进行聚合,通过形成一个稀疏网络结构,既能够产生稠密的数据,又能增加神经网络表现。
9.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
摄像头,用于采集图像;
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中任一所述的红枣外观品质分类方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-4中任一所述的红枣外观品质分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910582692.8A CN110309879A (zh) | 2019-07-01 | 2019-07-01 | 一种红枣外观品质分类方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910582692.8A CN110309879A (zh) | 2019-07-01 | 2019-07-01 | 一种红枣外观品质分类方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110309879A true CN110309879A (zh) | 2019-10-08 |
Family
ID=68078556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910582692.8A Pending CN110309879A (zh) | 2019-07-01 | 2019-07-01 | 一种红枣外观品质分类方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309879A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127485A (zh) * | 2019-12-25 | 2020-05-08 | 东软集团股份有限公司 | 一种ct图像中目标区域提取方法、装置及设备 |
CN111931670A (zh) * | 2020-08-14 | 2020-11-13 | 成都数城科技有限公司 | 基于卷积神经网的深度图像头部检测与定位方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679579A (zh) * | 2017-10-17 | 2018-02-09 | 天津工业大学 | 基于深度学习的红枣品质分选方法 |
CN109785344A (zh) * | 2019-01-22 | 2019-05-21 | 成都大学 | 基于特征重标定的双通路残差网络的遥感图像分割方法 |
CN109801269A (zh) * | 2018-12-29 | 2019-05-24 | 华南理工大学 | 一种基于竞争的挤压和激励神经网络的舌苔体质分类方法 |
-
2019
- 2019-07-01 CN CN201910582692.8A patent/CN110309879A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679579A (zh) * | 2017-10-17 | 2018-02-09 | 天津工业大学 | 基于深度学习的红枣品质分选方法 |
CN109801269A (zh) * | 2018-12-29 | 2019-05-24 | 华南理工大学 | 一种基于竞争的挤压和激励神经网络的舌苔体质分类方法 |
CN109785344A (zh) * | 2019-01-22 | 2019-05-21 | 成都大学 | 基于特征重标定的双通路残差网络的遥感图像分割方法 |
Non-Patent Citations (1)
Title |
---|
JIE HU ET AL.: "Squeeze-and-Excitation Networks", 《ARXIV:1709.01507V4》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127485A (zh) * | 2019-12-25 | 2020-05-08 | 东软集团股份有限公司 | 一种ct图像中目标区域提取方法、装置及设备 |
CN111931670A (zh) * | 2020-08-14 | 2020-11-13 | 成都数城科技有限公司 | 基于卷积神经网的深度图像头部检测与定位方法及系统 |
CN111931670B (zh) * | 2020-08-14 | 2024-05-31 | 成都数城科技有限公司 | 基于卷积神经网的深度图像头部检测与定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107564025B (zh) | 一种基于深度神经网络的电力设备红外图像语义分割方法 | |
CN106650806B (zh) | 一种用于行人检测的协同式深度网络模型方法 | |
CN109685819B (zh) | 一种基于特征增强的三维医学图像分割方法 | |
CN104392463B (zh) | 一种基于联合稀疏多尺度融合的图像显著区域检测方法 | |
Raikar et al. | Classification and Grading of Okra-ladies finger using Deep Learning | |
CN104063719B (zh) | 基于深度卷积网络的行人检测方法及装置 | |
CN108509978A (zh) | 基于cnn的多级特征融合的多类目标检测方法及模型 | |
CN108764063A (zh) | 一种基于特征金字塔的遥感影像时敏目标识别系统及方法 | |
CN107742107A (zh) | 人脸图像分类方法、装置及服务器 | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN104537647A (zh) | 一种目标检测方法及装置 | |
CN103745201B (zh) | 一种节目识别方法及装置 | |
CN107358203A (zh) | 一种基于深度卷积阶梯网络的高分辨sar图像分类方法 | |
CN112232328A (zh) | 基于卷积神经网络的遥感影像建筑区提取方法、装置 | |
CN103971106A (zh) | 多视角人脸图像性别识别方法及装置 | |
CN105989336A (zh) | 基于带权重的解卷积深度网络学习的场景识别方法 | |
CN104463194A (zh) | 一种人车分类方法及装置 | |
CN103646256A (zh) | 一种基于图像特征稀疏重构的图像分类方法 | |
CN111967464A (zh) | 一种基于深度学习的弱监督目标定位方法 | |
Zhang et al. | Saliency detection via extreme learning machine | |
CN105205491A (zh) | 基于极限学习机的极化sar图像分类方法 | |
CN110309879A (zh) | 一种红枣外观品质分类方法、装置、设备及存储介质 | |
CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
CN104408472A (zh) | 基于Wishart和SVM的极化SAR图像分类方法 | |
Shantkumari et al. | Grape leaf image classification based on machine learning technique for accurate leaf disease detection |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191008 |
|
WD01 | Invention patent application deemed withdrawn after publication |