CN110555384A - 基于图像数据的牛肉大理石纹自动分级系统及方法 - Google Patents
基于图像数据的牛肉大理石纹自动分级系统及方法 Download PDFInfo
- Publication number
- CN110555384A CN110555384A CN201910703898.1A CN201910703898A CN110555384A CN 110555384 A CN110555384 A CN 110555384A CN 201910703898 A CN201910703898 A CN 201910703898A CN 110555384 A CN110555384 A CN 110555384A
- Authority
- CN
- China
- Prior art keywords
- beef
- image
- data
- image data
- model
- 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
- 235000015278 beef Nutrition 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 51
- 235000013372 meat Nutrition 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000013136 deep learning model Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 19
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 8
- 241000283690 Bos taurus Species 0.000 abstract description 4
- 241001465754 Metazoa Species 0.000 abstract description 4
- 238000009395 breeding Methods 0.000 abstract description 2
- 230000001488 breeding effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 7
- 241000282414 Homo sapiens Species 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000004579 marble Substances 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid 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
- G06F18/24—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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
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
本发明属于计算机软件技术领域，公开了一种基于图像数据的牛肉大理石纹自动分级控制系统及方法、计算机；收集牛肉的图像数据，对照国际上公认的肉质分级标准对收集到的图像进行分类分级；使用标注工具对牛肉品质区域进行标记，记录下所标记矩形框区域的信息；通过训练数据对深度学习模型YOLO进行训练，并使用随机抽取的样本对模型的分类性能进行测试，通过测试的结构对模型进行参数调整；完成对牛肉品质的分级。本发明基于图像数据的牛肉品质自动分级软件是一款目前牛养殖在我国畜牧业当中尚处于发展阶段，它的发展很大程度上影响我国畜牧业的经济水平。
Description
技术领域
本发明属于计算机软件技术领域，尤其涉及一种基于图像数据牛肉品质(大 理石纹)自动分级控制系统及方法、计算机。
背景技术
目前，业内常用的现有技术是这样的：
目前牛肉大理石纹评价的主要方法是由人工参照对比牛肉大理石花纹标准 图版或由经过培训的分级专家根据经验直接判断进行分级。
目前牛肉产品生产企业及广大的消费者对牛肉产品质量的评价主要是通过 人工的手段，这样由于各人的工作经验及工作态度的差异给牛肉肉质的评价带 入了很多人为主观干扰；为了避免人为主观干扰，人们制定了牛肉大理石纹标 准图版和对检测人员进行专业培训来减少牛肉肉质分级的误差，但是这些改进 措施所起到的作用也是有限的；随着信息化技术的发展，基于图像数据的大理 石纹牛肉肉质自动化分类的技术被引入到了生产实践中，但是这种技术使用的 是基于特征工程的图像分割技术，使得它在识别的速度和准确性上无法满足实 际的生产要求。
综上所述，现有技术存在的问题是：
(1)相关识别技术较少，大多使用传统肉眼鉴定；
(2)通过业内人员肉眼鉴定后，与相关标准图册做对比分析。
(3)这种传统的分级评定方法，受到评价人员经验及主观因素的影响较大， 并存在效率低、评价结果误差较大等缺点。
(4)利用机器视觉技术是近年来发展起来的无损快速检测技术，国内外虽 有报道，单尚未应用到实际当中。
(5)在牛肉肉质分类时使用人工肉眼判断，鉴定分类过程比较缓慢工作效 率低下，其次容易受到人为主观因素的影响使肉质分级的质量下降；人员培训 和大理石纹牛肉肉质分级图版的制作增加了牛肉生产企业的成本；基于图像特 征工程的自动分级技术，由于图像特征算子的表达能力有限其运算复杂度较高 无法满足实际生产对实时性和识别精确度的要求。
解决上述技术问题的难度和意义：通过本发明的运用，能进一步提高牛肉 大理石纹等级评定的准确性，利用最新的深度学习技术建立大理石纹评定模型， 是将最新图像处理技术应用于牛肉大理石纹评定当中，为牛肉大理石纹评定快 速、准确分析提供了一套的新方法。
通过对工作人员进行专业技能的培训和制作牛肉大理石纹分级标准图版可 以减少人为主观因素对肉质分级质量的影响，但是不能完全消除这些因素对肉 质分级的负面影响；由于基于图像特征工程的自动分级算法中，对牛肉肉质的 特征表达算子是人工设计的，其表达能力是有限且算法复杂度较高。在本发明 中我们使用深度卷积神经网络作为算子对牛肉图像进行特征提取实现了图像特 征的自动抽取，这样可以提取高维的图像特征进而实现对复杂问题的编码和精 确分类；利用基于图像数据的深度卷积神经网络技术可以实现对图像中目标物 体的检测，这样我们可以进一步的减少在牛肉肉质分类过程中的人为干预提高 自动化程度大幅降低生产企业的成本。
发明内容
针对现有技术存在的问题，本发明提供了一种基于图像数据的牛肉大理石 纹自动分级控制系统及方法、计算机。
基于图像数据的牛肉大理石纹自动分级控制方法，其特征在于，所述基于 图像数据的牛肉大理石纹自动分级控制方法包括：该软件系统具有图像采集和 预处理部分，该部分包含通过可见光成像设备获取采集牛肉的图像数据并对数 据进行存储传输，为了实现对图像数据的高效率传输存储使用了h.265的图像压 缩算法；在图像传输的过程中会给图像数据加入一些噪声，故使用高斯核的滤 波器对图像进行平滑去噪，通过图像预处理的方法来提高图像数据的质量。
该软件系统具有离线训练的部分，该部分包括对牛肉图像进行人工分类标 注，图像目标检测模型的设计，以及模型参数的学习。首先，将收集到的牛肉 图像按照牛肉标准分级图像进行分类和标注制作出训练模型所用的训练样本 库；然后，根据数据特点如图像的宽高比，图像中目标的尺寸，设计深度神经 网络并设置好神经网络的超参数；最后，通过梯度下降法在牛肉分级图像样本 库上面求解深度神经网络的最优解，并将模型的最优参数固化到文件中。
具有在线检测的部分，这个部分负责对实时输入的图像进行预处理去噪， 使用训练好的模型对图像进行进行检测，实时输出检测的结果或者将检测的结 果进行汇总给出统计分析的报告。
本发明是这样实现的，一种基于图像数据的牛肉大理石纹自动分级控制方 法，所述基于图像数据的牛肉大理石纹自动分级控制方法包括：
第一步，收集牛肉的图像数据，对照国际上公认的肉质分级标准对收集到 的图像进行分类分级；
第二步，使用标注工具对牛肉品质区域进行标记，记录下所标记矩形框区 域的信息；
第三步，通过训练数据对深度学习模型YOLO进行训练，并使用随机抽取 的样本对模型的分类性能进行测试，通过测试的结构对模型进行参数调整；完 成对牛肉品质的分级。
进一步，所述基于图像数据的牛肉大理石纹自动分级控制方法的数据预处 理将原始图像在标注后进行旋转，对旋转后的标注信息进行坐标转换，将标注 框的坐标信息转换到以左上顶点为坐标原点的坐标系中；对图像做随机灰度值 拉伸变换。
进一步，所述基于图像数据的牛肉大理石纹自动分级控制方法的深度学习 模型把输入的图像分割成N*N个网格，为每个网格预测B个边框以及每个边框 对应的信度值；网络的损失函数如下公式所示：其中表示在网格i中的第j 个边框负责预测当前目标的参数：
本发明的另一目的在于提供一种实现所述基于图像数据的牛肉大理石纹自 动分级控制方法的基于图像数据的牛肉大理石纹自动分级控制系统，所述基于 图像数据的牛肉大理石纹自动分级控制系统包括：
图像数据分类模块，用于收集牛肉的图像数据，对照国际上公认的肉质分 级标准对收集到的图像进行分类分级；
品质区域标记模块，用于使用标注工具对牛肉品质区域进行标记，记录下 所标记矩形框区域的信息；
模型测试模块，用于通过训练数据对深度学习模型YOLO进行训练，并使 用随机抽取的样本对模型的分类性能进行测试，通过测试的结构对模型进行参 数调整；完成对牛肉品质的分级。
本发明的另一目的在于提供一种实现所述基于图像数据的牛肉大理石纹自 动分级控制方法的计算机程序。
本发明的另一目的在于提供一种实现所述基于图像数据的牛肉大理石纹自 动分级控制方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在 计算机上运行时，使得计算机执行所述的基于图像数据的牛肉大理石纹自动分 级控制方法。
综上所述，本发明的优点及积极效果为：随着计算机硬件设备性能的提升 和理论体系的日趋成熟，人工自能技术已经进入渗入到生活的各个方面；为了 使加快肉牛产业链健康快速发展，引入科学客观的管理体系，尽量消除人为主 观因素的干扰，在肉质分级上也采用机器学习的解决方案。
本发明采用有监督机器学习的思想来解决牦牛肉质自动分级的问题，首先 是数据采集，在平时工作中收集牛肉的图像数据，在收集到一定数量的图像数 据后，对照国际上公认的肉质分级标准对收集到的图像进行分类分级；其次， 使用标注工具对牛肉品质区域进行标记，记录下所标记矩形框区域的信息(左 上顶点的坐标和矩形框的宽、高)，至此训练数据制作完成；通过训练数据对 深度学习模型YOLO进行训练，并使用随机抽取的样本对模型的分类性能进行 测试，通过测试的结构对模型进行参数调整；最后，将设计和训练成功的模型 部署到实际的生产环境中，帮助工作人员快速完成对牛肉品质的分级。本发明基于图像数据的牛肉品质自动分级软件是一款目前牛养殖在我国畜牧业当中尚 处于发展阶段，它的发展很大程度上影响我国畜牧业的经济水平。
附图说明
图1是本发明实施例提供的基于图像数据的牛肉大理石纹自动分级控制系 统结构示意图；
图中：1、图像数据分类模块；2、品质区域标记模块；3、模型测试模块。
图2是本发明实施例提供的基于图像数据的牛肉大理石纹自动分级控制方 法流程图。
图3是本发明实施例提供的基于图像数据的牛肉大理石纹自动分级控制方 法实现流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例， 对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以 解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
本发明实施例提供的基于图像数据的牛肉大理石纹自动分级控制方法，该 软件系统具有图像采集和预处理部分，该部分包含通过可见光成像设备获取采 集牛肉的图像数据并对数据进行存储传输，为了实现对图像数据的高效率传输 存储使用了h.265的图像压缩算法；在图像传输的过程中会给图像数据加入一些 噪声，故使用高斯核的滤波器对图像进行平滑去噪，通过图像预处理的方法来 提高图像数据的质量。
该软件系统具有离线训练的部分，该部分包括对牛肉图像进行人工分类标 注，图像目标检测模型的设计，以及模型参数的学习。首先，将收集到的牛肉 图像按照牛肉标准分级图像进行分类和标注制作出训练模型所用的训练样本 库；然后，根据数据特点如图像的宽高比，图像中目标的尺寸，设计深度神经 网络并设置好神经网络的超参数；最后，通过梯度下降法在牛肉分级图像样本 库上面求解深度神经网络的最优解，并将模型的最优参数固化到文件中。
该软件系统具有在线检测的部分，这个部分负责对实时输入的图像进行预 处理去噪，使用训练好的模型对图像进行检测，实时输出检测的结果或者将检 测的结果进行汇总给出统计分析的报告。
如图1所示，本发明实施例提供的基于图像数据的牛肉大理石纹自动分级 控制系统包括：
图像数据分类模块1，用于收集牛肉的图像数据，对照国际上公认的肉质分 级标准对收集到的图像进行分类分级；
品质区域标记模块2，用于使用标注工具对牛肉品质区域进行标记，记录下 所标记矩形框区域的信息；
模型测试模块3，用于通过训练数据对深度学习模型YOLO进行训练，并 使用随机抽取的样本对模型的分类性能进行测试，通过测试的结构对模型进行 参数调整；完成对牛肉品质的分级。
如图2所示，本发明实施例提供的基于图像数据的牛肉大理石纹自动分级 控制方法包括以下步骤：
S201：收集牛肉的图像数据，对照国际上公认的肉质分级标准对收集到的 图像进行分类分级；
S202：使用标注工具对牛肉品质区域进行标记，记录下所标记矩形框区域 的信息(左上顶点的坐标和矩形框的宽、高)；
S203：通过训练数据对深度学习模型YOLO进行训练，并使用随机抽取的 样本对模型的分类性能进行测试，通过测试的结构对模型进行参数调整；完成 对牛肉品质的分级。
下面结合附图对本发明的应用原理作进一步的描述。
1、随着计算机硬件设备性能的提升和理论体系的日趋成熟，人工自能技术 已经进入渗入到本发明生活的各个方面。为了使加快肉牛产业链健康快速发展， 本发明应该引入科学客观的管理体系，尽量消除人为主观因素的干扰，故在肉 质分级上本发明也应该采用机器学习的分类方案。本发明采用无监督机器学习 的思想来解决牦牛肉质自动分级的问题，首先是数据采集，工作人员在平时工 作中收集牛肉的图像数据，在收集到一定数量的图像数据后，本发明对照国际 上公认的肉质分级标准对收集到的图像进行分类分级；其次，本发明使用标注 工具对牛肉品质区域进行标记，记录下所标记矩形框区域的信息(左上顶点的 坐标和矩形框的宽、高)，至此本发明的训练数据制作完成；本发明通过训练数据对深度学习模型YOLO进行训练，并使用随机抽取的样本对模型的分类性能 进行测试，通过测试的结构对模型进行参数调整；最后，将本发明设计和训练 成功的模型部署到实际的生产环境中，帮助工作人员快速完成对牛肉品质的分 级。本发明中提出的牛肉品质自动分级系统的流程图如图3所示：
1.1数据预处理
在模式识别中数据质量的好坏直接影响到最终模型的预测精度，如果有高 质量的数据那么即使是使用简单的建模方法也可以获取到高精度的预测效果， 所以提升数据质量可以达到事半功倍的效果。在本发明中为了在数据中学习到 待识别模式的泛化信息，本发明对数据集进行了扩充，本发明所使用的方法是 将原始图像在标注后进行旋转，可以减少人工标注的工作量，但是需要对旋转 后的标注信息进行坐标转换，将标注框的坐标信息转换到以左上顶点为坐标原 点的坐标系中。如果本发明将图像沿着顺时针旋转90度，180度，270度那么 本发明的样本容量架是原来样本容量的四倍。
除了对图像的数量上增加样本数量以外，本发明还对图像做了随机灰度值 拉伸变换。通过以上角度和灰度处理后，本发明所采样的样本数量得到了大大 的增加，从统计学的角度来说样本容量的增大可以显著的提高对统计参数的估 计精度。
1.2深度学习模型结构
近年来深度学习中的卷积神经网络方法，在图像处理和识别方面取得了无 与伦比的成绩，甚至在有些方向上的表现已经超过了人的水平。在此本发明简 要的介绍在本发明中所使用的YOLO模型，网络模型将检测的过程考虑为一个 回归问题，它把输入的图像分割成N*N个网格，它为每个网格预测B个边框以 及每个边框对应的信度值，此外还预测相似于每个待检测类的概率。整个网络 的损失函数如下公式所示：其中表示在网格i中的第j个边框负责预测当前 目标的参数。
1.3软件安装及使用
本发明的软件可以处理两种数据源1视频流数据，2各种格式的图像文件。 运行环境为window操作系统或者是linux系统，目前不支持Mac系统。以下的 使用说明以在Ubuntu16.04系统下为例进行说明。在Ubuntu16.04软件安装完成 后的效果。
首先本发明先对收集的数据进行整理和标记：
本发明通过样本标记工具labelImg，也可以使用matlab里面带的标记工具，
在对样本数据标记整理完毕后，点击牦牛肉质分级软件的图标打开软件，
软件的启动时的欢迎界面，软件的顶层操作界面，其中有两个功能1、模型 训练即通过机器学习的算法，让本发明的模型获取到本发明先前收集和处理的 样本中的牦牛肉质分级信息，并将这些信息记录在模型中。2、肉质分级即通过 本发明在训练过程中获取到的肉质分级模型对实际生产中采集的牦牛肉图像进 行实时分级。
(1)模型训练
点击主要页面上的模型训练按钮，进入模形训练的界面，下面本发明对样 本训练界面中各种功能按钮以及信息输出区域的操作方法和含义做介绍。
(1.1)关闭和最小化按钮
关闭最小化按钮，用来关闭软件和最小化软件。
(1.2)数据选择按钮
四个按钮预训练参数权重按钮选择模型的初始参数值；网络模型按钮选择 描述当前所使用的网络模型结构描述文件；待测试数据选择按钮用来选择先前 收集处理好的样本数据，GPU序号是启用GPU运算模式用于加速运算速度。
(1.3)训练过程的详细信息
用于输出训练过程产生的关于训练开展进度的详细信息描述。
(1.4)损失变化曲线
在本软件中本发明给出了两个损失变换曲线，(1)平均损失变化曲线；(2) 实时损失变化曲线；通过观察这两个曲线变化的趋势，本发明可以判断训练过 程是否收敛和实时修改调节参数对训练过程加以控制，以达到使训练过程快速 收敛的目的。
(1.5)训练过程控制按钮
本发明把训练过程的控制分成了三个阶段开始，暂停，结束，分别通过三 个按钮进行控制。
(2)肉质分类界面
在这个界面上主要的业务功能是使用已经训练好的模型对当前获取到的数 据进行分级。本发明可以处理三种类型的数据图像文件，目录，相机获取实时 视频流数据。
(2.1)肉质分级对照表
国际上关于肉质大理石分级法的对照图像，作用是作为识别结果的参照。
(2.2)数据选择按钮
5个按钮训练文件给出了三种可选模式；预训练参数权重按钮选择模型的初 始参数值；网络模型按钮选择描述当前所使用的网络模型结构描述文件；待测 试数据选择按钮用来选择先前收集处理好的样本数据；GPU序号是启用GPU运 算模式用于加速运算速度。
(2.3)识别信息展示
显示识别结果图像，判断识别结果为真的阈值，实时肉质分级信息。
(2.4)识别过程控制按钮
把识别过程的控制分成了三个阶段开始，暂停，结束，分别通过给出的三 个按钮进行控制。
(2.4)识别结果导出界面
在识别结果导出的见面上本发明给出了在整个过程中对各个类识别结果的 统计信息以及保存结果的按钮。
下面结合测试对本发明的应用效果作详细的描述。
1、本软件要求通过数据和数据库完整性测试、压力测试、集成测试、功能 测试、用户界面测试、性能评测和负载测试等方面的测试，直至达到高品质为 止。
本发明在Ubuntu16.0464位上使用Qt、Darknet深度学习框架和GCC编译 器实现了本发明中所提出的算法。硬件环境为：Intel(R)Core(TM)i5-4200U CPU @1.6GHz 3.3GHz，显卡GEFORCE GTX1080Ti，16.00GB内存。在本发明的实 验中本发明从实际的生产环境中选择10000条数据，共包含12级的肉质分类图 像，样本数据分布的如表1所示。
表1训练样本数据
2、算法的实时性能测试
目前本发明所使用的图像数据的分辨率为1600万像素(3078*5472)，这种 高分辨率图像带有很丰富的场景信息，对于输电线路缺陷识别是很有价值可以 获取到很高的检测精度，但是由于硬件设备的限制和检测实时性的要求本发明 不得不降低图像的分辨。在本发明中本发明同过高斯卷积核对图像进了降采样， 将图像的分辨率降低到了9万像素(300*300)，但是肉质图像中用于分级的信 息是全局的结构信息，在降低图像分辨率后可以正常对肉质级别进行分类。
3、算法的识别性能测试
实验的结果如表2所示：本发明对9000条数据经过5000次迭代训练，测 试识别精度的计算使用了1000条的数据，这里显示的识别精度对应于12类分 级检测目标的平均识别率。
表2
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组 合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程 序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指 令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可 以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算 机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向 另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、 计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或 无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据 中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用 介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。 所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、 或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明 的保护范围之内。
Claims (8)
1.一种基于图像数据的牛肉大理石纹自动分级控制方法，其特征在于，所述基于图像数据的牛肉大理石纹自动分级控制方法包括：
(1)图像采集和预处理部分，包含通过可见光成像设备获取采集牛肉的图像数据并对数据进行存储传输，使用了h.265的图像压缩算法；使用高斯核的滤波器对图像进行平滑去噪；
(2)离线训练的部分，包括对牛肉图像进行进行人工分类标注，图像目标检测模型的设计，以及模型参数的学习；首先，将收集到的牛肉图像按照牛肉标准分级图像进行分类和标注制作出训练模型所用的训练样本库；然后，根据数据特点如图像的宽高比，图像中目标的尺寸，设计深度神经网络并设置好神经网络的超参数；最后，通过梯度下降法在牛肉分级图像样本库上面求解深度神经网络的最优解，并将模型的最优参数固化到文件中；
(3)在线检测的部分，对实时输入的图像进行预处理去噪，使用训练好的模型对图像进行检测，实时输出检测的结果或者将检测的结果进行汇总给出统计分析的报告。
2.如权利要求1所述的基于图像数据的牛肉大理石纹自动分级控制方法，其特征在于，所述基于图像数据的牛肉大理石纹自动分级控制方法包括：
第一步，收集牛肉的图像数据，对照国际上公认的肉质分级标准对收集到的图像进行分类分级；
第二步，使用标注工具对牛肉品质区域进行标记，记录下所标记矩形框区域的信息；
第三步，通过训练数据对深度学习模型YOLO进行训练，并使用随机抽取的样本对模型的分类性能进行测试，通过测试的结构对模型进行参数调整；完成对牛肉品质的分级。
3.如权利要求2所述的基于图像数据的牛肉大理石纹自动分级控制方法，其特征在于，所述基于图像数据的牛肉大理石纹自动分级控制方法的数据预处理将原始图像在标注后进行旋转，对旋转后的标注信息进行坐标转换，将标注框的坐标信息转换到以左上顶点为坐标原点的坐标系中；对图像做随机灰度值拉伸变换。
4.如权利要求2所述的基于图像数据的牛肉大理石纹自动分级控制方法，其特征在于，所述基于图像数据的牛肉大理石纹自动分级控制方法的深度学习模型把输入的图像分割成N*N个网格，为每个网格预测B个边框以及每个边框对应的信度值；网络的损失函数如下公式所示：其中表示在网格i中的第j个边框负责预测当前目标的参数：
5.一种实现权利要求1所述基于图像数据的牛肉大理石纹自动分级控制方法的基于图像数据的牛肉大理石纹自动分级控制系统，其特征在于，所述基于图像数据的牛肉大理石纹自动分级控制系统包括：
图像数据分类模块，用于收集牛肉的图像数据，对照国际上公认的肉质分级标准对收集到的图像进行分类分级；
品质区域标记模块，用于使用标注工具对牛肉品质区域进行标记，记录下所标记矩形框区域的信息；
模型测试模块，用于通过训练数据对深度学习模型YOLO进行训练，并使用随机抽取的样本对模型的分类性能进行测试，通过测试的结构对模型进行参数调整；完成对牛肉品质的分级。
6.一种实现权利要求1～4任意一项所述基于图像数据的牛肉大理石纹自动分级控制方法的计算机程序。
7.一种实现权利要求1～4任意一项所述基于图像数据的牛肉大理石纹自动分级控制方法的信息数据处理终端。
8.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-4任意一项所述的基于图像数据的牛肉大理石纹自动分级控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910703898.1A CN110555384A (zh) | 2019-07-31 | 2019-07-31 | 基于图像数据的牛肉大理石纹自动分级系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910703898.1A CN110555384A (zh) | 2019-07-31 | 2019-07-31 | 基于图像数据的牛肉大理石纹自动分级系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110555384A true CN110555384A (zh) | 2019-12-10 |
Family
ID=68736653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910703898.1A Pending CN110555384A (zh) | 2019-07-31 | 2019-07-31 | 基于图像数据的牛肉大理石纹自动分级系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110555384A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113397527A (zh) * | 2021-06-16 | 2021-09-17 | 中南大学湘雅医院 | 一种用于患者皮损面积测定的测量标尺系统及测定方法 |
| CN113468350A (zh) * | 2020-03-31 | 2021-10-01 | 京东方科技集团股份有限公司 | 一种图像标注方法、装置及系统 |
Citations (6)
| 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 |
| US20110110563A1 (en) * | 2009-07-29 | 2011-05-12 | Heon Hwang | Method and system for automatically grading beef quality |
| CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
| CN107134144A (zh) * | 2017-04-27 | 2017-09-05 | 武汉理工大学 | 一种用于交通监控的车辆检测方法 |
| CN107590801A (zh) * | 2017-09-08 | 2018-01-16 | 王虎峰 | 一种用于牛肉眼肌大理石花纹分割和评级的图像处理方法 |
| CN108647742A (zh) * | 2018-05-19 | 2018-10-12 | 南京理工大学 | 基于轻量级神经网络的快速目标检测方法 |
-
2019
- 2019-07-31 CN CN201910703898.1A patent/CN110555384A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110110563A1 (en) * | 2009-07-29 | 2011-05-12 | Heon Hwang | Method and system for automatically grading beef quality |
| 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 |
| CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
| CN107134144A (zh) * | 2017-04-27 | 2017-09-05 | 武汉理工大学 | 一种用于交通监控的车辆检测方法 |
| CN107590801A (zh) * | 2017-09-08 | 2018-01-16 | 王虎峰 | 一种用于牛肉眼肌大理石花纹分割和评级的图像处理方法 |
| CN108647742A (zh) * | 2018-05-19 | 2018-10-12 | 南京理工大学 | 基于轻量级神经网络的快速目标检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 兰韬 等: "基于深度学习的牛肉大理石纹智能分级研究", 《食品安全质量检测学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113468350A (zh) * | 2020-03-31 | 2021-10-01 | 京东方科技集团股份有限公司 | 一种图像标注方法、装置及系统 |
| 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 |
| CN113397527A (zh) * | 2021-06-16 | 2021-09-17 | 中南大学湘雅医院 | 一种用于患者皮损面积测定的测量标尺系统及测定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
| CN107742099A (zh) | 一种基于全卷积网络的人群密度估计、人数统计的方法 | |
| CN108921201B (zh) | 基于特征组合与cnn的大坝缺陷识别与分类方法 | |
| CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
| CN109767422A (zh) | 基于深度学习的管道检测识别方法、存储介质及机器人 | |
| CN110555384A (zh) | 基于图像数据的牛肉大理石纹自动分级系统及方法 | |
| CN113822880A (zh) | 一种基于深度学习的裂缝识别方法 | |
| CN112613454A (zh) | 一种电力基建施工现场违章识别方法及系统 | |
| CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
| CN114066848B (zh) | 一种fpca外观缺陷视觉检测系统 | |
| CN109978870A (zh) | 用于输出信息的方法和装置 | |
| CN113763424B (zh) | 基于嵌入式平台的实时智能目标检测方法及系统 | |
| CN115953666B (zh) | 一种基于改进Mask-RCNN的变电站现场进度识别方法 | |
| CN116433840A (zh) | 无砟轨道板扣件的特异性伤损图像合成方法及检测方法 | |
| CN117011274A (zh) | 自动化玻璃瓶检测系统及其方法 | |
| Chen et al. | Rail surface defects detection based on faster R-CNN | |
| CN107194432A (zh) | 一种基于深度卷积神经网络的冰箱门体识别方法及系统 | |
| CN117078670B (zh) | 一种云相框的生产控制系统 | |
| CN116777865B (zh) | 一种水下裂缝的识别方法、系统、装置及存储介质 | |
| CN113112482A (zh) | 一种基于注意力机制网络的pcb缺陷检测方法 | |
| CN110458231B (zh) | 一种陶瓷产品检测方法、装置和设备 | |
| CN117152094A (zh) | 基于计算机视觉的钢板表面缺陷分析方法、装置及系统 | |
| CN116805415A (zh) | 一种基于轻量化改进YOLOv5的笼养肉鸡健康状态识别方法 | |
| Zhang et al. | RETRACTED ARTICLE: Method of surface defect detection for agricultural machinery parts based on image recognition technology | |
| CN114842192A (zh) | 一种航空发动机叶片损伤识别模型、损伤识别方法及系统 |
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: 20191210 |
|
| RJ01 | Rejection of invention patent application after publication |