CN110458027A - 一种基于大理石花纹的生鲜肉分级方法、系统及装置 - Google Patents

一种基于大理石花纹的生鲜肉分级方法、系统及装置 Download PDF

Info

Publication number
CN110458027A
CN110458027A CN201910626413.3A CN201910626413A CN110458027A CN 110458027 A CN110458027 A CN 110458027A CN 201910626413 A CN201910626413 A CN 201910626413A CN 110458027 A CN110458027 A CN 110458027A
Authority
CN
China
Prior art keywords
image
fresh meat
marblized
sample set
detection
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
CN201910626413.3A
Other languages
English (en)
Inventor
彭彦昆
赵鑫龙
王亚丽
庄齐斌
沈柳杨
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.)
China Agricultural University
Original Assignee
China Agricultural University
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 China Agricultural University filed Critical China Agricultural University
Priority to CN201910626413.3A priority Critical patent/CN110458027A/zh
Publication of CN110458027A publication Critical patent/CN110458027A/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
    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/80—Recognising image objects characterised by unique random patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种基于大理石花纹的生鲜肉分级方法、系统及装置。该方法包括获取生鲜肉的待分级图像；将所述待分级图像输入至预先训练好的检测分级模型，获取所述检测分级模型输出的检测分级结果；其中所述检测分级模型，是基于生鲜肉的样本集图像，以及按照大理石花纹标准样板进行分类所得的等级标签训练得到的。系统用于执行上述方法，装置还包括图像采集单元和传送带；其中所述图像采集单元用来采集所述待分级图像，所述传送带用来传送待检测的生鲜肉。本发明实施例通过训练大量的图像样本，能够有效的减少因采集角度和光源带来的影响，提高分级效率和准确率，降低人工视觉评定主观性而产生的误差。

Description

一种基于大理石花纹的生鲜肉分级方法、系统及装置
技术领域
本发明涉及图像分类技术领域，尤其涉及一种基于大理石花纹的生鲜肉分级方法、系统及装置。
背景技术
生鲜肉是我国肉制品消费的重要组成部分，人们的日常生活都离不开它。大理石花纹也叫脂肪杂交，指肌内脂肪的含量、分布的数量和均匀程度。大理石花纹是评价生鲜肉品质和口感的重要参数，是划分等级的一项重要指标。
目前我国对生鲜肉质量分级的方法主要还是依赖人工视觉，通过对比标准板判定等级。而人工评判有很强的主观性，随着劳动时长的增加很容易会造成误判。机器视觉和图像处理技术的发展推进了人工智能的发展。传统的机器视觉技术通过人工提取特征，并加以算法来实现大理石花纹等级的判定。常用的特征参数为大理石花纹面积比值，脂肪颗粒个数和脂肪分布均匀度。机器视觉技术应用在大理石花纹分级方法上能加快生产效率，但是生产环境复杂多变，传统的机器视觉技术很容易受到光照条件以及拍摄角度的影响，且不具有学习能力。建立一种能快速准确，减小环境影响的分级方法仍是研究的难点，尤其是将设备小型化。
因此，需要提出一种快速有效且精度高的分级方法，该方法能减少周围环境的干扰影响以及降低人工干预导致误差较大的影响。
发明内容
本发明实施例提供一种基于大理石花纹的生鲜肉分级方法、系统及装置，用以解决现有技术中需要依靠人工进行肉类分级，效率低下且易受周围环境干扰影响导致精度不高的问题。
第一方面，本发明实施例提供一种基于大理石花纹的生鲜肉分级方法，包括：
获取生鲜肉的待分级图像；
将所述待分级图像输入至预先训练好的检测分级模型，获取所述检测分级模型输出的检测分级结果；其中所述检测分级模型，是基于生鲜肉的样本集图像，以及按照大理石花纹标准样板进行分类所得的等级标签训练得到的。
其中，所述检测分级模型，通过以下步骤获得：
获取生鲜肉的样本集图像，并对所述样本集图像进行预处理，得到预处理样本集图像；
按照大理石花纹标准样板对所述预处理样本集图像进行等级评定，得到所述等级标签；
将标注对应等级标签的所述预处理样本集图像存放于若干个文件夹，生成用于训练的若干个数据集；
获取卷积神经网络结构作为初始模型；
将所述若干个数据集输入所述初始模型进行训练，得到所述检测分级模型。
其中，所述获取生鲜肉的样本集图像，并对所述样本集图像进行预处理，得到预处理样本集图像，具体包括：
采集生鲜肉的原始图像集，对所述原始图像集进行去噪声处理，得到初始预处理图像集；
对所述初始预处理图像集进行压缩处理，将所述初始预处理图像集中的部分像素进行保存，得到所述预处理样本集图像。
其中，所述卷积神经网络结构包括11层神经网络结构，其中包括4个卷积层，4个池化层和3个全连接层。
其中，所述将所述若干个数据集输入所述初始训练模型进行训练，得到所述检测分级模型，具体包括：
读取所述若干个数据集及其所述对应等级标签，生成队列；
将所述队列输入所述初始模型，基于损失函数调整循环次数、权重初始值、训练批次大小和学习率大小，得到所述检测分级模型。
其中，所述损失函数为交叉熵函数。
第二方面，本发明实施例提供一种基于大理石花纹的生鲜肉分级系统，包括：
获取模块，用于获取生鲜肉的待分级图像；
分级处理模块，用于将所述待分级图像输入至预先训练好的检测分级模型，获取所述检测分级模型输出的检测分级结果；其中所述检测分级模型，是基于生鲜肉的样本集图像，以及按照大理石花纹标准样板进行分类所得的等级标签训练得到的。
第三方面，本发明实施例提供一种基于大理石花纹的生鲜肉分级装置，包括：如前所述的生鲜肉分级系统，还包括图像采集单元和传送带；其中所述图像采集单元用来采集所述待分级图像，所述传送带用来传送待检测的生鲜肉。
第四方面，本发明实施例提供一种电子设备，包括：
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述一种基于大理石花纹的生鲜肉分级方法的步骤。
第五方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现任一项所述一种基于大理石花纹的生鲜肉分级方法的步骤。
本发明实施例提供的一种基于大理石花纹的生鲜肉分级方法、系统及装置，通过训练大量的图像样本，能够有效的减少因采集角度和光源带来的影响，提高分级效率和准确率，降低人工视觉评定主观性而产生的误差。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于大理石花纹的生鲜肉分级方法流程图；
图2为本发明实施例提供的检测分级模型生成流程图；
图3为本发明实施例提供的一种基于大理石花纹的生鲜肉分级系统结构图；
图4为本发明实施例提供的一种基于大理石花纹的生鲜肉分级装置示意图；
图5为本发明实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有技术中主要是依赖人工进行视觉判断，通过对比标准样板判定等级，具有主观性强、误差大的特点，即使通过应用机器视觉技术进行辅助检测，但仍受外界环境影响大，分级检测结果精度不高。本发明实施例提供了一种具有精度高，自主学习能力强的基于大理石花纹的分级检测方法。
图1为本发明实施例提供的一种基于大理石花纹的生鲜肉分级方法流程图，如图1所示，包括：
S1，获取生鲜肉的待分级图像；
S2，将所述待分级图像输入至预先训练好的检测分级模型，获取所述检测分级模型输出的检测分级结果；其中所述检测分级模型，是基于生鲜肉的样本集图像，以及按照大理石花纹标准样板进行分类所得的等级标签训练得到的。
具体地，首先获取生鲜肉图像，再将获取的这些生鲜肉图像输入至检测分类模型中进行处理，实现自动分级，得到输出的检测分级结果，这里用到的检测分类模型是通过预先获取大量的生鲜肉样本集图像，对构建的神经网络模型进行训练，其中还引入按照大理石花纹的标准样板对样本集图像进行等级分类，再经过一系列的模型训练和调整来得到的。
本发明实施例通过训练大量的图像样本，能够有效的减少因采集角度和光源带来的影响，提高分级效率和准确率，降低人工视觉评定主观性而产生的误差。
在上述实施例的基础上，图2为本发明实施例提供的检测分级模型生成流程图，如图2所示，所述检测分级模型，通过以下步骤获得：
101，获取生鲜肉的样本集图像，并对所述样本集图像进行预处理，得到预处理样本集图像；
102，按照大理石花纹标准样板对所述预处理样本集图像进行等级评定，得到所述等级标签；
103，将标注对应等级标签的所述预处理样本集图像存放于若干个文件夹，生成用于训练的若干个数据集；
104，获取卷积神经网络结构作为初始模型；
105，将所述若干个数据集输入所述初始模型进行训练，得到所述检测分级模型。
其中，所述卷积神经网络结构包括11层神经网络结构，其中包括4个卷积层，4个池化层和3个全连接层。
具体地，采集生鲜肉的图像样本集，并进行去噪声预处理，得到经过预处理后的样本集图像。
接下来对样本集图像进行等级评定并作归类处理，标注等级标签，这里采用参照大理石花纹标准样板来进行分级，将预处理之后的图像样本集进行标注，分成若干个等级，本发明实施例采用5个等级，存放在计算机不同的文件夹中，生成用于训练的数据集。
进一步地，获取卷积神经网络结构作为初始模型，设计卷积神经网络结构，本发明实施例使用的深度学习框架为TensorFlow，开发环境为pycharm。深度学习具有多层的神经网络，本发明实施例使用的11层神经网络结构，其中共4个卷积层，每个卷积层后有一个池化层和激励函数，最后是三个全连接层。为防止过拟合，增加模型的泛化能力，还增加了dropout层与正则化函数。
输入层代表了一张图片的像素矩阵，传统的机器视觉通常采用二值化函数获得黑白图像来计算特征参数，本发明实施例的输入层使用3维像素矩阵读取RGB信息，其中三维矩阵的长与宽代表了图像的大小，而深度则代表了色彩通道(channel)。卷积层用来提取特征，卷积层最重要的部分是过滤器(filter)也叫内核(kernel)。该特征提取过程为自动提取，每一个过滤器在遍历一遍图像后都会提取出一定数量的特征。在每一个卷积层中过滤器所处理的节点矩阵的大小是人为设置的，常用的大小为3*3或5*5。在卷积层后为引入非线性特性，增加一个激励函数。常用的激励函数有sigmoid函数，tanh函数和ReLu函数，本发明实施例使用ReLu作为激励函数实现曲线性化，ReLu激励函数如下：
f(x)＝max(x,0)；
其中x是卷积层提取的特征向量，f(x)作为池化层的输入层。
池化层不会改变单位矩阵的深度，但是可以改变矩阵的大小。池化是一种压缩图像的操作，可以缩小全连接层中节点的个数，从而达到减少网络中参数的目的。常用的池化操作有最大池化(max pooling)和平均池化(average pooling)，本发明实施例中每一个池化层都使用2*2的过滤器和最大池化处理。
全连接层中的每个神经元与其前一层的所有神经元进行全连接，全连接层可以整合卷积层或者池化层中具有类别区分性的局部信息。为了提升卷积神经网络性能，全连接层每个神经元的激励函数一般采用ReLu函数。最后一层全连接层的输出值被传递给一个输出，这个输出可以采用softmax逻辑回归(softmax regression)进行分类。softmax函数输出每可能结果的概率，假设原始输出结果是y1，y2…yn，则输出结果是：
softmax函数是一个归一化处理，输出为一维向量，元素个数为5，其相加的和为1。每一个元素代表了输出结果属于某一类别的概率。再调用argmax函数就可得出该结果所属类别。
获得初始模型后，将带有对应标签的训练集输入初始模型进行训练，通过调整参数生成检测分级模型。
本发明实施例通过采集生鲜肉的样本集图像，并引入卷积神经网络进行初始模型构建，基于预处理后的样本集图像进行模型训练，得到最终的检测分级模型，实现了检测的自学习智能分级，有效提高了检测的效率和准确率。
在上述实施例的基础上，所述获取生鲜肉的样本集图像，并对所述样本集图像进行预处理，得到预处理样本集图像，具体包括：
采集生鲜肉的原始图像集，对所述原始图像集进行去噪声处理，得到初始预处理图像集；
对所述初始预处理图像集进行压缩处理，将所述初始预处理图像集中的部分像素进行保存，得到所述预处理样本集图像。
具体地，先对采集的生鲜肉样本集图像进行去噪声预处理，进一步地，为减少模型训练与分类判定时间，对图像进行二次预处理，以还原误差最小化为准则选择性地保存图中的部分像素以达到压缩的目的，这里提到的压缩变换如下：
其中(x0,y0)为原图像坐标，(x1,y1)为计算后的像素坐标，η∈(0,1)为压缩率，η越小，压缩后得到的图像样本越小，再将处理后得到的图像保存在计算机上，用于后续的模型训练。
在上述实施例的基础上，所述将所述若干个数据集输入所述初始训练模型进行训练，得到所述检测分级模型，具体包括：
读取所述若干个数据集及其所述对应等级标签，生成队列；
将所述队列输入所述初始模型，基于损失函数调整循环次数、权重初始值、训练批次大小和学习率大小，得到所述检测分级模型。
具体地，在训练模型的运算程序入口先遍历文件夹读取数据集图像与标签值并生成队列，输入网络模型，通过调整循环次数、权重初始值、训练批次大小和学习率(learningrate)的大小，生成具有分类能力的卷积神经网络模型。其中训练批次与计算机性能有很大关系，训练批次过大会超出内存，过小会使结果震荡。学习率的大小影响训练效率，学习率太大会使参数越过最优值，太小会降低学习效率。
在上述实施例的基础上，所述损失函数为交叉熵函数。
具体地，深度学习的学习过程就是迭代训练的过程，通过不断调整每层的权重来进行学习。因此需要构造损失函数(loss)来代表预测值与真实值之间的差距，通过减小这个差距来提高模型准确率。一般常见的损失函数有两种算法：均值平方差(MSE)和交叉熵(Cross Entropy)。
交叉熵描述的是实际输出(概率)与期望输出(概率)的距离，交叉熵的值越小，两个概率分布就越接近。假设概率分布p为期望输出，概率分布q为实际输出，H(p,q)为交叉熵，则：
在tensorflow中常见的交叉熵函数有：sigmoid交叉熵、softmax交叉熵、spares交叉熵、加权sigmoid交叉熵。本发明使用的是spares交叉熵函数tf.nn.spares_softmax_cross_entropy_with_logits(logits,labels，name＝None)，其中输入的logits为模型全连接层输出结果，labels为数据真实值。
本发明实施例通过构建损失函数来对模型进行调整，采用交叉熵函数要计算预测值和真实值之间的差距，不断调整网络模型中每层的权重来进行修正学习，得到了准确率较高的检测分级模型。
图3为本发明实施例提供的一种基于大理石花纹的生鲜肉分级系统结构图，如图3所示，包括：获取模块31和分级处理模块32；其中：
获取模块31用于获取生鲜肉的待分级图像；分级处理模块32用于将所述待分级图像输入至预先训练好的检测分级模型，获取所述检测分级模型输出的检测分级结果；其中所述检测分级模型，是基于生鲜肉的样本集图像，以及按照大理石花纹标准样板进行分类所得的等级标签训练得到的。
具体地，由获取模块31获取一定数量的生鲜肉图像，再将获取的这些生鲜肉图像输入至检测分类模型中由分级处理模块32进行处理，实现自动分级，得到输出的检测分级结果，这里用到的检测分类模型是通过预先获取大量的生鲜肉样本集图像，对构建的神经网络模型进行训练，其中还引入按照大理石花纹的标准样板对样本集图像进行等级分类，再经过一系列的模型训练和调整来得到的。
本发明实施例通过训练大量的图像样本，能够有效的减少因采集角度和光源带来的影响，提高分级效率和准确率，降低人工视觉评定主观性而产生的误差。
图4为本发明实施例提供的一种基于大理石花纹的生鲜肉分级装置示意图，如图4所示，包括：
如前所述的生鲜肉分级系统，还包括图像采集单元和传送带；其中所述图像采集单元用来采集所述待分级图像，所述传送带用来传送待检测的生鲜肉。
具体地，如图4所示，其中1是图像采集单元，2是传动带。肉在传送带上做平移运动，在经过图像采集单元时触发光电传感器，然后对肉进行图像采集与判定来实现分类。图像采集单元由CCD工业相机、光源控制器、遮光罩、OSE直射型环形光源、光电到位传感器和计算机组成。遮光罩内部为黑色不反光，可以为图像的采集提供良好的环境。CCD相机采用USB3.0接口与计算机相连接。
另外，在移动端手机的检测过程与本发明前述实施例的在线检测类似，需要在开发环境pycharm中训练大量样本生成模型。利用输出模型的图节点，固化模型参数，生成pb文件模型，将模型导入到手机，就能实现手机的实时等级评定。手机的使用情况与摄像头与CCD相机不同，为保证分级的准确性，训练样本图像数据集，需要用手机采集。本发明实施例选用使用人数最多的Android系统手机进行开发，开发环境为Android Studio，开发了一款可用于检测大理石花纹等级的APP，使用该软件可打开相机进行拍照检测，也可打开图库选取照片进行检测，检测速度小于0.1秒。
本发明实施例通过在手机端开发相对应的APP应用，既能用于在线检测，也能够利用手机检测，具有很好的实用价值，既能满足工厂检测分级，又能满足消费者在购买肉时实时检测等级。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行如下方法：获取生鲜肉的待分级图像；将所述待分级图像输入至预先训练好的检测分级模型，获取所述检测分级模型输出的检测分级结果；其中所述检测分级模型，是基于生鲜肉的样本集图像，以及按照大理石花纹标准样板进行分类所得的等级标签训练得到的。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取生鲜肉的待分级图像；将所述待分级图像输入至预先训练好的检测分级模型，获取所述检测分级模型输出的检测分级结果；其中所述检测分级模型，是基于生鲜肉的样本集图像，以及按照大理石花纹标准样板进行分类所得的等级标签训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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ROM/RAM、磁碟、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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于大理石花纹的生鲜肉分级方法，其特征在于，包括：
获取生鲜肉的待分级图像；
将所述待分级图像输入至预先训练好的检测分级模型，获取所述检测分级模型输出的检测分级结果；其中所述检测分级模型，是基于生鲜肉的样本集图像，以及按照大理石花纹标准样板进行分类所得的等级标签训练得到的。
2.根据权利要求1所述的一种基于大理石花纹的生鲜肉分级方法，其特征在于，所述检测分级模型，通过以下步骤获得：
获取生鲜肉的样本集图像，并对所述样本集图像进行预处理，得到预处理样本集图像；
按照大理石花纹标准样板对所述预处理样本集图像进行等级评定，得到所述等级标签；
将标注对应等级标签的所述预处理样本集图像存放于若干个文件夹，生成用于训练的若干个数据集；
获取卷积神经网络结构作为初始模型；
将所述若干个数据集输入所述初始模型进行训练，得到所述检测分级模型。
3.根据权利要求2所述的一种基于大理石花纹的生鲜肉分级方法，其特征在于，所述获取生鲜肉的样本集图像，并对所述样本集图像进行预处理，得到预处理样本集图像，具体包括：
采集生鲜肉的原始图像集，对所述原始图像集进行去噪声处理，得到初始预处理图像集；
对所述初始预处理图像集进行压缩处理，将所述初始预处理图像集中的部分像素进行保存，得到所述预处理样本集图像。
4.根据权利要求2所述的一种基于大理石花纹的生鲜肉分级方法，其特征在于，所述卷积神经网络结构包括11层神经网络结构，其中包括4个卷积层，4个池化层和3个全连接层。
5.根据权利要求2所述的一种基于大理石花纹的生鲜肉分级方法，其特征在于，所述将所述若干个数据集输入所述初始训练模型进行训练，得到所述检测分级模型，具体包括：
读取所述若干个数据集及其所述对应等级标签，生成队列；
将所述队列输入所述初始模型，基于损失函数调整循环次数、权重初始值、训练批次大小和学习率大小，得到所述检测分级模型。
6.根据权利要求5所述的一种基于大理石花纹的生鲜肉分级方法，其特征在于，所述损失函数为交叉熵函数。
7.一种基于大理石花纹的生鲜肉分级系统，其特征在于，包括：
获取模块，用于获取生鲜肉的待分级图像；
分级处理模块，用于将所述待分级图像输入至预先训练好的检测分级模型，获取所述检测分级模型输出的检测分级结果；其中所述检测分级模型，是基于生鲜肉的样本集图像，以及按照大理石花纹标准样板进行分类所得的等级标签训练得到的。
8.一种基于大理石花纹的生鲜肉分级装置，其特征在于，包括如权利要求7所述的生鲜肉分级系统，还包括图像采集单元和传送带；其中所述图像采集单元用来采集所述待分级图像，所述传送带用来传送待检测的生鲜肉。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述一种基于大理石花纹的生鲜肉分级方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述一种基于大理石花纹的生鲜肉分级方法的步骤。
CN201910626413.3A 2019-07-11 2019-07-11 一种基于大理石花纹的生鲜肉分级方法、系统及装置 Pending CN110458027A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910626413.3A CN110458027A (zh) 2019-07-11 2019-07-11 一种基于大理石花纹的生鲜肉分级方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910626413.3A CN110458027A (zh) 2019-07-11 2019-07-11 一种基于大理石花纹的生鲜肉分级方法、系统及装置

Publications (1)

Publication Number Publication Date
CN110458027A true CN110458027A (zh) 2019-11-15

Family

ID=68482736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910626413.3A Pending CN110458027A (zh) 2019-07-11 2019-07-11 一种基于大理石花纹的生鲜肉分级方法、系统及装置

Country Status (1)

Country Link
CN (1) CN110458027A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111274538A (zh) * 2020-01-21 2020-06-12 中国农业大学 一种生食水产品储运过程中质量状态判别方法及系统
CN111833301A (zh) * 2020-06-05 2020-10-27 中国农业大学 一种基于物联网的牛肉大理石花纹等级自动评价方法
CN113887389A (zh) * 2021-09-29 2022-01-04 湖南省博世康中医药有限公司 一种基于图像识别的中药饮片质检与分级方法
CN114970755A (zh) * 2022-06-20 2022-08-30 滁州学院 一种基于穿戴技术的鸡胸肉品质预测装置及分级方法
CN114970755B (zh) * 2022-06-20 2024-05-31 滁州学院 一种基于穿戴技术的鸡胸肉品质预测装置及分级方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706445A (zh) * 2009-11-10 2010-05-12 吉林大学 牛肉大理石花纹等级评分方法及装置
CN109377441A (zh) * 2018-08-20 2019-02-22 清华大学 具有隐私保护功能的舌像采集方法和系统
CN109410168A (zh) * 2018-08-31 2019-03-01 清华大学 用于确定图像中的子图块的类别的卷积神经网络模型的建模方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706445A (zh) * 2009-11-10 2010-05-12 吉林大学 牛肉大理石花纹等级评分方法及装置
CN109377441A (zh) * 2018-08-20 2019-02-22 清华大学 具有隐私保护功能的舌像采集方法和系统
CN109410168A (zh) * 2018-08-31 2019-03-01 清华大学 用于确定图像中的子图块的类别的卷积神经网络模型的建模方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周彤等: ""牛肉大理石花纹图像特征信息提取及自动分级方法"", 《农业工程学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111274538A (zh) * 2020-01-21 2020-06-12 中国农业大学 一种生食水产品储运过程中质量状态判别方法及系统
CN111274538B (zh) * 2020-01-21 2021-10-26 中国农业大学 一种生食水产品储运过程中质量状态判别方法及系统
CN111833301A (zh) * 2020-06-05 2020-10-27 中国农业大学 一种基于物联网的牛肉大理石花纹等级自动评价方法
CN113887389A (zh) * 2021-09-29 2022-01-04 湖南省博世康中医药有限公司 一种基于图像识别的中药饮片质检与分级方法
CN114970755A (zh) * 2022-06-20 2022-08-30 滁州学院 一种基于穿戴技术的鸡胸肉品质预测装置及分级方法
CN114970755B (zh) * 2022-06-20 2024-05-31 滁州学院 一种基于穿戴技术的鸡胸肉品质预测装置及分级方法

Similar Documents

Publication Publication Date Title
WO2020244261A1 (zh) 高分辨率遥感图像的场景识别系统及模型生成方法
WO2019233297A1 (zh) 数据集的构建方法、移动终端、可读存储介质
Rachmadi et al. Vehicle color recognition using convolutional neural network
Zhu et al. Modified densenet for automatic fabric defect detection with edge computing for minimizing latency
CN108985268B (zh) 基于深度迁移学习的归纳式雷达高分辨距离像识别方法
Bianco et al. Predicting image aesthetics with deep learning
CN109299716A (zh) 神经网络的训练方法、图像分割方法、装置、设备及介质
CN110458027A (zh) 一种基于大理石花纹的生鲜肉分级方法、系统及装置
CN109753878B (zh) 一种恶劣天气下的成像识别方法及系统
CN111815564B (zh) 一种检测丝锭的方法、装置及丝锭分拣系统
CN109101913A (zh) 行人重识别方法和装置
CN111127360B (zh) 一种基于自动编码器的灰度图像迁移学习方法
CN112116620B (zh) 一种室内图像语义分割与涂装展示的方法
CN109740656A (zh) 一种基于卷积神经网络的矿石分选方法
CN113420794B (zh) 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法
CN113095470A (zh) 神经网络的训练方法、图像处理方法及装置、存储介质
Rimavicius et al. A comparison of the deep learning methods for solving seafloor image classification task
Marzan et al. Automated tobacco grading using image processing techniques and a convolutional neural network
JPH09214131A (ja) はんだ付け部検査方法及び検査装置
Chen et al. A surface defect detection system for golden diamond pineapple based on CycleGAN and YOLOv4
Li et al. Electronic product surface defect detection based on a MSSD network
CN113096023A (zh) 神经网络的训练方法、图像处理方法及装置、存储介质
CN114612450A (zh) 基于数据增广机器视觉的图像检测分割方法、系统、电子设备
Sun et al. Multi‐vision attention networks for on‐line red jujube grading
Raveane et al. Texture classification with neural networks

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: 20191115