CN110659579B - 变质物品识别方法、装置、设备和介质 - Google Patents

Abstract

本发明公开了一种变质物品识别方法、装置、设备及介质，所述变质物品识别方法包括：接收待识别物品图像，并基于所述待识别物品图像确定所述待识别物品对应的初始识别结果，通过所述初始识别结果对应的预设第一变质物品识别器识别所述待识别物品，获得第一判别结果，通过所述初始识别结果对应的预设第二变质物品识别器识别所述待识别物品，获得第二判别结果，将所述第一判别结果与所述第二判别结果融合，获得所述待识别物品的融合判别结果，将所述融合判别结果与预设新鲜度阀值进行比对，确定所述待识别物品的实际新鲜度。本发明解决了现有技术中变质物品识别准确率低的技术问题。

Description

变质物品识别方法、装置、设备和介质

技术领域

本发明涉及图像识别技术领域，尤其涉及一种变质物品识别方法、装置、设备和介质。

背景技术

目前，购物已成为人们日常生活中必不可少的事情，然而，对于生活经验不丰富的人来说，难以判断物品是否变质，而在现有技术中，为了识别变质物品，常用的方法是通过拍照上传的的方式将待识别的物品图像上传至特殊应用中，该特殊应用通过将所述将待识别的物品图像与未变质物品图像进行物品表面颜色上的比对，判断物品是否变质，但是该特殊应用存在识别方式单一，识别准确率不高的问题，导致人们购买了该变质水果，致使人们的财产与生活受到影响。

发明内容

本发明的主要目的在于提供一种变质物品识别方法、装置、可穿戴设备和介质，旨在解决现有技术中变质物品识别准确率低的技术问题。

为实现上述目的，本发明实施例提供一种变质物品识别方法，所述变质物品识别方法应用于一种变质物品识别设备，所述一种变质物品识别方法包括：

接收待识别物品图像，并基于所述待识别物品图像确定所述待识别物品对应的初始识别结果；

通过所述初始识别结果对应的预设第一变质物品识别器识别所述待识别物品，获得第一判别结果；

通过所述初始识别结果对应的预设第二变质物品识别器识别所述待识别物品，获得第二判别结果；

将所述第一判别结果与所述第二判别结果融合，获得所述待识别物品的融合判别结果；

将所述融合判别结果与预设新鲜度阀值进行比对，确定所述待识别物品的实际新鲜度。

可选地，所述接收待识别物品图像，并基于所述待识别物品图像确定所述待识别物品对应的初始识别结果的步骤之前包括：

获取预设第一实验物品对应的预设基础模型和所述预设第一实验物品对应的预设训练数据，其中，所述预设训练数据包括第一训练子数据；

将所述第一训练子数据输入至所述预设基础模型中，获得所述第一训子练数据对应的多个第一基本特征；

基于所述多个第一基本特征以及初始确定的所述多个第一基本特征对应的初始权重占比，获得所述预设第一实验物品的第一理论新鲜度；

将所述第一理论新鲜度与所述第一训子练数据对应的实际新鲜度进行比对，获得所述第一理论新鲜度与所述第一训子练数据对应的实际新鲜度之间的误差值；

基于所述误差值，调整所述初始权重占比，获得所述预设第一实验物品对应的验证模型。

可选地，基于所述多个第一基本特征以及初始确定的所述多个第一基本特征对应的初始权重占比，获得所述预设第一实验物品的第一理论新鲜度的步骤包括：

基于所述多个第一基本特征，随机确定所述多个第一基本特征对应的初始权重占比，并获得所述多个第一基本特征对应的多个特征新鲜度；

基于所述预设多个权重占比和所述多个特征新鲜度，获得所述预设第一实验物品的第一理论新鲜度。

可选地，所述预设训练数据包括第二训练子数据，所述基于所述误差值，调整所述初始权重占比，获得所述预设第一实验物品对应的验证模型的步骤之后包括：

将所述第二训练子数据输入至所述验证模型中，获得所述第二训练子数据对应的多个验证新鲜度；

将所述多个验证新鲜度与所述第二训练子数据对应的多个实际新鲜度对比，获得所述验证模型的识别准确率；

当所述识别准确率大于预设准确率阀值时，确定所述验证模型为第一变质物品识别器；

当所述识别准确率小于预设准确率阀值时，对所述预设基础模型重新进行训练直至所述识别准确率大于预设准确率阀值。

可选地，所述接收待识别物品图像，并基于所述待识别物品图像确定所述待识别物品对应的初始识别结果的步骤之前包括：

获取预设第二实验物品，并通过预设摄像头观测在预设时长内所述预设第二实验物品的多个第二基本特征变化状况和所述预设第二实验物品的新鲜度变化状况；

分析所述多个第二基本特征变化状况和所述新鲜度变化状况，获得所述多个第二基本特征和所述预设时长的第一对应关系，以及所述新鲜度和所述预设时长的第二对应关系；

分析所述第一对应关系和所述第二对应关系，获得所述多个第二基本特征对应的多个第二权重占比以及所述预设第二实验物品的新鲜度拟合计算公式。

可选地，所述通过所述初始识别结果对应的预设第二变质物品识别器识别所述待识别物品，获得第二判别结果的步骤包括：

将所述待识别物品图像输入至所述预设第二变质物品识别器中，获得所述待识别物品的多个第三基本特征；

基于预设多个第二权重占比与所述多个第三基本特征，获得所述待识别物品的总权重；

基于预设新鲜度拟合计算公式与所述多个第三基本特征，获得所述待识别物品的第二理论新鲜度；

基于所述第二理论新鲜度与所述总权重，获得所述待识别物品的总权重值；

将所述总权重值与预设总权重值阀值进行比对，获得第二判别结果。

可选地，所述接收待识别物品图像，并基于所述待识别物品图像获取所述待识别物品图像对应的初始识别结果的步骤包括：

接收待识别物品图像，并基于所述待识别物品图像确定所述待识别物品的种类；

基于所述待识别物品的种类，确定所述待识别物品图像对应的初始识别结果。

本发明还提供一种变质物品识别装置，所述变质物品识别装置应用于一种变质物品识别设备，所述变质物品识别装置包括：

第一确定模块，用于所述接收待识别物品图像，并基于所述待识别物品图像确定所述待识别物品对应的初始识别结果；

第一识别模块，用于所述通过所述初始识别结果对应的预设第一变质物品识别器识别所述待识别物品，获得第一判别结果；

第二识别模块，用于所述通过所述初始识别结果对应的预设第二变质物品识别器识别所述待识别物品，获得第二判别结果；

融合模块，用于所述将所述第一判别结果与所述第二判别结果融合，获得所述待识别物品的融合判别结果；

第一比对模块，用于所述将所述融合判别结果与预设新鲜度阀值进行比对，确定所述待识别物品的实际新鲜度。

可选地，所述变质物品识别装置还包括：

第一获取模块，用于所述获取预设第一实验物品对应的预设基础模型和所述预设第一实验物品对应的预设训练数据，其中，所述预设训练数据包括第一训练子数据；

第一输入模块，用于所述将所述第一训练子数据输入至所述预设基础模型中，获得所述第一训子练数据对应的多个第一基本特征；

第二获取模块，用于所述基于所述多个第一基本特征以及初始确定的所述多个第一基本特征对应的初始权重占比，获得所述预设第一实验物品的第一理论新鲜度；

第二比对模块，用于所述将所述第一理论新鲜度与所述第一训子练数据对应的实际新鲜度进行比对，获得所述第一理论新鲜度与所述第一训子练数据对应的实际新鲜度之间的误差值；

调整模块，用于所述基于所述误差值，调整所述初始权重占比，获得所述预设第一实验物品对应的验证模型。

可选地，所述第二获取模块包括：

第一获取单元，用于所述基于所述多个第一基本特征，随机确定所述多个第一基本特征对应的初始权重占比，并获得所述多个第一基本特征对应的多个特征新鲜度；

第二获取单元，用于所述基于所述预设多个权重占比和所述多个特征新鲜度，获得所述预设第一实验物品的第一理论新鲜度。

可选地，所述变质物品识别装置还包括：

第二输入模块，用于所述将所述第二训练子数据输入至所述验证模型中，获得所述第二训练子数据对应的多个验证新鲜度；

第三比对模块，用于所述将所述多个验证新鲜度与所述第二训练子数据对应的多个实际新鲜度对比，获得所述验证模型的识别准确率；

第二确定模块，用于所述当所述识别准确率大于预设准确率阀值时，确定所述验证模型为第一变质物品识别器；

第三确定模块，用于所述当所述识别准确率小于预设准确率阀值时，对所述预设基础模型重新进行训练直至所述识别准确率大于预设准确率阀值。

可选地，所述变质物品识别装置还包括：

观测模块，用于所述获取预设第二实验物品，并通过预设摄像头观测在预设时长内所述预设第二实验物品的多个第二基本特征变化状况和所述预设第二实验物品的新鲜度变化状况；

第一分析模块，用于所述通过分析所述多个第二基本特征变化状况和所述新鲜度变化状况，获得所述多个第二基本特征和所述预设时长的第一对应关系，以及获取所述新鲜度和所述预设时长的第二对应关系；

第二分析模块，用于所述分析所述第一对应关系和所述第二对应关系，获得所述多个第二基本特征对应的多个第二权重占比以及所述预设第二实验物品的新鲜度拟合计算公式。

可选地，所述第二获取模块包括：

第三获取单元，用于所述将所述待识别物品图像输入至所述预设第二变质物品识别器中，获得所述待识别物品的多个第三基本特征；

第一计算单元，基于基于预设多个第二权重占比与所述多个第三基本特征，获得所述待识别物品的总权重；

第二计算单元，用于所述基于预设新鲜度拟合计算公式与所述多个第三基本特征，获得所述待识别物品的第二理论新鲜度；

第三计算单元，用于所述基于所述第二理论新鲜度与所述总权重，获得所述待识别物品的总权重值；

比对单元，用于所述将所述总权重值与预设总权重值阀值进行比对，获得第二判别结果。

可选地，所述第一确定模块包括：

接收单元，用于所述接收待识别物品图像，并基于所述待识别物品图像确定所述待识别物品的种类；

第二确定单元，用于所述基于所述待识别物品的种类，确定所述待识别物品图像对应的初始识别结果。

本发明还提供一种变质物品识别设备，所述设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述变质物品识别方法的程序，所述变质物品识别方法的程序被处理器执行时可实现如上述的变质物品识别方法的步骤。

本发明还提供一种介质，所述介质上存储有实现变质物品识别方法的程序，所述变质物品识别方法的程序被处理器执行时实现如上述的变质物品识别方法的步骤。

本申请通过对待识别物品图像进行识别，获得所述待识别物品对应的初始识别结果，并基于所述初始识别结果，确定所述初始识别结果对应的预设第一变质物品识别器和预设第二变质物品识别器，进一步地，通过所述预设第一变质物品识别器和所述预设第二变质物品识别器分别识别所述待识别物品图像，获得第一判别结果和第二判别结果，并将所述将所述第一判别结果与所述第二判别结果融合，获得所述待识别物品的融合判别结果，从而通过将所述融合判别结果与预设新鲜度阀值进行比对，确定所述待识别物品的实际新鲜度。也即，在本申请中，通过所述预设第一变质物品识别器和所述预设第二变质物品识别器对待识别物品图像进行识别，可获得两种对所述待识别物品的实际新鲜度的判别结果，通过对两种对所述待识别物品的实际新鲜度的判别结果的综合判断来确定所述待识别物品的实际新鲜度，所以所述变质物品识别方法识别准确率高，可准确确定所述待识别物品的实际新鲜度，也即，本申请解决了现有技术中变质物品识别准确率低的技术问题。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明变质物品识别方法第一实施例的流程示意图；

图2为本发明变质物品识别方法第二实施例的流程示意图

图3是本发明实施例方法涉及的硬件运行环境的设备结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

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。

本发明提供一种变质物品识别方法，在本申请变质物品识别方法的第一实施例中，参照图1，所述变质物品识别方法包括：

步骤S10，接收待识别物品图像，并基于所述待识别物品图像确定所述待识别物品对应的初始识别结果；

步骤S20，通过所述初始识别结果对应的预设第一变质物品识别器识别所述待识别物品，获得第一判别结果；

步骤S30，通过所述初始识别结果对应的预设第二变质物品识别器识别所述待识别物品，获得第二判别结果；

步骤S40，将所述第一判别结果与所述第二判别结果融合，获得所述待识别物品的融合判别结果；

步骤S50，将所述融合判别结果与预设新鲜度阀值进行比对，确定所述待识别物品的实际新鲜度。

具体步骤如下：

步骤S10，接收待识别物品图像，并基于所述待识别物品图像确定所述待识别物品对应的初始识别结果；

在本实施例中，需要说明的是，所述变质物品识别方法应用于预设物品识别应用，当接收到启动所述预设物品识别应用的扫描框的指令时，开始对所述待识别物品进行扫描，此时所述扫描框的中心主体应为所述待识别物品，在对所述待识别物品扫描完成后，所述预设物品识别应用将接收到所述待识别物品图像，并对所述待识别物品图像进行识别，从而获得所述初始识别结果，其中，对所述待识别物品图像进行识别的方式包括：方式一，通过将所述待识别物品图像和预设物品图像进行第一模糊匹配，获得所述初始识别结果，其中，所述第一模糊匹配包括对所述待识别物品的基本特征与所述预设物品图像的基本特征进行比对，获得所述待识别物品的种类即可；方式二，通过用户识别的方式，获得所述初始识别结果，例如，所述预设水果识别应用可接收所述用户通过用户触屏勾选或者文字输入的方式输入的信息，确定所述初始识别结果。

其中，所述接收待识别物品图像，并基于所述待识别物品图像获取所述待识别物品图像对应的初始识别结果的步骤包括：

步骤S11，接收待识别物品图像，并基于所述待识别物品图像确定所述待识别物品的种类；

在本实施例中，在接收到所述待识别物品图像后，首先通过所述预设物品识别应用获取所述待识别物品的基本特征，所述基本特征包括物品的颜色度、形状大小或者纹理丰富度等，然后将所述待识别物品和预设物品图像进行第一模糊匹配，其中，所述第一模糊匹配是指对所述待识别物品和所述预设物品图像的基本特征进行比对，获得所述待识别物品和所述预设物品图像的基本特征的相似度，其中，所述相似度包括颜色相似度、形状大小相似度或者纹理相似度等，当所述基本特征的每一所述相似度都达到所述预设相似度阀值时，可确定所述待识别物品的种类，需要说明的是，单个所述预设相似度阀值并不高，例如，预设颜色相似度阀值为50％、预设形状大小相似度阀值为50％、预设纹理相似度阀值为50％等，但是由于所述预设物品图像的基本特征较多，且所述基本特征越多，所述第一模糊匹配的准确率越高，若设置所述基本特征个数在10个以上时，则可以确定所述第一模糊匹配的准确率满足了要求。

步骤S12，基于所述待识别物品的种类，确定所述待识别物品图像对应的初始识别结果。

在本实施例中，在确定所述待识别物品的种类后，根据所述待识别物品的种类确定所述待识别物品图像对应的初始识别结果，其中，所述初始识别结果是指所述待识别物品的名称，例如，若所述待识别物品的种类为辣椒，且所述待识别物品的名称为朝天椒，则在确定所述待识别物品的种类为辣椒之后，将所述朝天椒与预设辣椒图像的预设子图像进行第二模糊匹配，其中，所述在所述第二模糊匹配中，设置所述预设相似度阀值更大，以保证所述第二模糊匹配比所述第一模糊匹配的匹配精度更高。

步骤S20，通过所述初始识别结果对应的预设第一变质物品识别器识别所述待识别物品，获得第一判别结果；

在本实施例中，需要说明的是，所述初始识别结果包括所述待识别物品的名称，例如，所述初始识别结果为苹果，由于所述预设第一变质物品识别器是和所述初始识别结果对应的，也即，所述预设第一变质物品识别器的名称和所述待识别物品的名称是对应的，当所述待识别物品的名称为苹果时，则将所述“苹果”作为关键字在预设变质物品识别器数据库中搜索预设第一变质物品识别器，最终将搜索到第一变质苹果识别器作为预设第一变质物品识别器。

此外，所述预设第一变质物品识别器是一个已经训练好的第一模型，在经过特定训练后，当所述预设第一变质物品识别器接收到所述待识别物品图像时，将会对所述待识别物品图像进行识别，进而获得所述待识别物品的第一判别结果，其中，所述第一判别结果是指对所述待识别物品的第一新鲜度级别，例如，假设所述待识别物品为橘子，则将所述橘子的新鲜度状态分为4个状态：新鲜状态、非新鲜状态、即将变质状态和变质状态，其中，各个状态又可分为10级，所述新鲜状态按照新鲜度级别从高到底的顺序用字母A1至A10代表所述橘子的新鲜度级别，同样地，所述非新鲜状态的橘子的新鲜度级别可用字母B1至B10代表所述橘子的新鲜度级别；所述即将变质状态的橘子的新鲜度级别可用字母C1至C10代表所述橘子的新鲜度级别；所述变质状态的橘子的新鲜度级别可用字母D1至D10代表所述橘子的新鲜度级别，其中，橘子的新鲜度级别为A1代表的是橘子刚采摘时的新鲜度级别，橘子的新鲜度级别为D1代表的是橘子已经完全腐烂时的新鲜度级别。

步骤S30，通过所述初始识别结果对应的预设第二变质物品识别器识别所述待识别物品，获得第二判别结果；

在本实施例中，需要说明的是，所述预设第二变质物品识别器与所述预设第一变质物品识别器的区别点在于所述预设第二变质物品识别器是通过统计分析海量数据而获得的，而所述预设第一变质物品识别器是通过对应的基础模型不断进行网络学习之后而获得的，另外，所述初始识别结果包括所述待识别物品的名称，例如，所述初始识别结果为苹果，由于所述预设第二变质物品识别器是和所述初始识别结果对应的，也即，所述预设第二变质物品识别器的名称和所述待识别物品的名称是对应的，当所述待识别物品的名称为苹果时，则将所述“苹果”作为关键字在预设识别器数据库中搜索预设第二变质物品识别器，最终将搜索到第二变质苹别果识别器作为预设第二质物品识器。

此外，所述预设第二变质物品识别器是一个已经设置好的第二模型，所述第二模型包括特定的参数和特定的计算公式，当确定所述特定的参数和所述特定的计算公式时，即可确定所述第二模型。

且由于所述预设第二变质物品识别器是一个已经设置好的第二模型，当所述预设第二变质物品识别器接收到所述待识别物品图像时，将会对所述待识别物品图像进行识别，进而获得所述待识别物品的第二别结果，其中，所述第二判别结果是指所述待识别物品第二新鲜度级别，例如，假设所述待识别物品为橘子，则将所述橘子的新鲜度状态分为4个状态：新鲜状态、非新鲜状态、即将变质状态和变质状态，其中，各个状态又可分为10级，所述新鲜状态按照新鲜度级别从高到底的顺序用字母A1至A10代表所述橘子的新鲜度级别，同样地，所述非新鲜状态的橘子的新鲜度级别可用字母B1至B10代表所述橘子的新鲜度级别；所述即将变质状态的橘子的新鲜度级别可用字母C1至C10代表所述橘子的新鲜度级别；所述变质状态的橘子的新鲜度级别可用字母D1至D10代表所述橘子的新鲜度级别，其中，橘子的新鲜度级别为A1代表的是橘子刚采摘时的新鲜度级别，橘子的新鲜度级别为D1代表的是橘子已经完全腐烂时的新鲜度级别。

其中，所述通过所述初始识别结果对应的预设第二变质物品识别器识别所述待识别物品，获得第二判别结果的步骤包括：

步骤S31，将所述待识别物品图像输入至所述预设第二变质物品识别器中，获得所述待识别物品的多个第三基本特征；

在本实施例中，将所述待识别物品图像输入至所述预设第二变质物品识别器中，获得所述待识别物品的多个第三基本特征，其中，所述预设第二变质物品识别器具有图像识别能力，并且可识别出所述待识别物品的基本特征，从而获得所述待识别物品的多个第三基本特征。具体地，例如，所述待识别物品为橘子，则将所述橘子的图像输入至所述预设第二变质物品识别器中，所述预设第二变质物品识别器通过识别所述橘子的图像，可获得所述橘子的多个第三基本特征，其中，所述多个第三基本特征包括颜色深浅度、体积大小和纹理丰富度等，且每一所述新鲜度级别都对应着固定的基本特征值，例如，假设当所述橘子的新鲜度级别为所述A10级别时，所述橘子的颜色为亮橙色，则此时颜色深浅度记为40，同样地，所述体积大小记为40，所述纹理丰富度记为40；当所述橘子的新鲜度级别为所述D1级别时，所述橘子的颜色为灰色，则此时颜色深浅度记为1，同样地，所述体积大小记为1，所述纹理丰富度记为1。

步骤S32，基于预设多个第二权重占比与所述第三基本特征，获得所述待识别物品的总权重；

在本实施例中，需要说明的是，所述预设多个第二权重占比包括所述第三基本特征包括的每一基本特征对应的权重占比，也即，所述预设多个第二权重占比为所述第二模型包括的所述特定的参数，例如，所述第三基本特征包括所述待识别物品的颜色深浅度、体积大小和纹理丰富等，则对应地，所述预设多个第二权重占比包括颜色深浅度权重占比、体积大小权重占比和纹理丰富度权重占比等，而所述待识别物品的总权重为所述第三基本特征的每一基本特征与所述每一基本特征对应的权重占比乘积之和，具体地，例如，假设所述第三基本特征包含所述待识别物品的颜色深浅度X、体积大小Y和纹理丰富度Z，所述预设多个第二权重占比包含颜色深浅度权重占比a％、体积大小权重占比b％和纹理丰富度权重占比c％等，则得所述待识别物品的总权重为(X*a％+Y*b％+Z*c％)。

步骤S33，基于预设新鲜度拟合计算公式与所述多个第三基本特征，获得所述待识别物品的第二理论新鲜度；

在本实施例中，需要说明的是，所述预设新鲜度拟合计算公式指明的是所述待识别物品的第二理论新鲜度与所述多个第三基本特征的关系式，也即，所述预设新鲜度拟合计算公式为所述第二模型包括的所述特定的计算公式，且所述预设新鲜度拟合计算公式与所述预设多个第二权重占比相关联，其中，所述预设多个第二权重占比包括所述待识别物品的各个基本特征对应的权重占比，例如颜色度权重占比、体积大小权重占比和纹理丰富度权重占比等，具体地，所述预设新鲜度拟合计算公式即为所述待识别物品的每一基本特征与所述每一基本特征对应的权重占比的乘积之和，例如，所述待识别物品为橘子，所述多个第三基本特征包括颜色度、体积大小和纹理丰富度等，假设颜色深浅度记为40，同样地，所述体积大小记为31，所述纹理丰富度记为31，则此时所述颜色深浅度40对应的颜色新鲜度级别为A10，所述体积大小31对应的体积新鲜度级别为A1，所述纹理丰富度对以应的纹理新鲜度级别为A1，且预设颜色深浅度权重占比为90％，预设体积大小权重占比为10％，预设纹理丰富度权重占比为10％，然后通过预设新鲜度拟合计算公式可计算得出所述第二理论新鲜度级别数值为(A10*90％+A1*10％+A1*10％)，经四舍五入可得所述待识别物品的第二理论新鲜度为A9级别。

步骤S34，基于所述第二理论新鲜度与所述总权重，获得所述待识别物品的总权重值；

在本实施例中，需要说明的是，由于预设多个第二权重占比是预先设置好的特定参数，但实际上预设多个第二权重占比的值是随着季节和所述待识别物品的新鲜度状态变化而变化的，其中，所述新鲜度状态包括新鲜状态、非新鲜状态、即将变质状态和变质状态，所以所述第二理论新鲜度与所述待识别物品的实际新鲜度之间存在偏差，进而为了减小所述偏差，在本实施例中，将所述第二理论新鲜度乘以预设修正系数以获得更接近所述待识别物品的实际新鲜度的计算新鲜度级别，其中，所述总权重即为所述预设修正系数，且所述待识别物品的计算新鲜度级别即为所述待识别物品的总权重值。

步骤S35，将所述总权重值与预设总权重值阀值进行比对，获得第二判别结果。

在本实施例中，需要说明的是，所述预设总权重值阀值包括所述待识别物品的各个状态的最低总权重值，具体地，所述待识别物品的状态分为新鲜状态、非新鲜状态、即将变质状态和变质状态，其中，由于所述待识别物品的各个状态的权重占比不同，导致所述待识别物品的各个状态的所述总权重不同，也即，所述待识别物品的各个状态的所述修正系数不同，所以可设置所述待识别物品的各个状态的最低总权重值分别为D1、D2、D3和D4，其中D1为所述新鲜状态的最低权重值，D2为所述非新鲜状态的最低权重值，D3为所述即将变质状态的最低权重值，D4为所述变质状态的最低权重值。

具体地，将所述总权重值与预设总权重值阀值进行比对，也即，求所述总权重值与所述预设总权重值阀值的商，也即，求所述总权重值相对于所述预设总权重值阀值的新鲜度级别，例如，假设所述第二理论新鲜度为A8级别，此时待识别物品处于新鲜状态，所以所述最低权重值为D1，也即，所述预设总权重值阀值为D1，假设D1为A0.9，所述第二理论新鲜度的修正系数为0.8，也即，所述第二理论新鲜度的总权重为0.8，则所述总权重值为A6.4级别，所以所述待识别物品的计算新鲜度级别为A7.1级别，经四舍五入可得所述第二判别结果为A7级别。

本实施例通过对待识别物品图像进行识别，获得所述待识别物品对应的初始识别结果，并基于所述初始识别结果，确定所述初始识别结果对应的预设第一变质物品识别器和预设第二变质物品识别器，进一步地，通过所述预设第一变质物品识别器和所述预设第二变质物品识别器分别识别所述待识别物品图像，获得第一判别结果和第二判别结果，并将所述将所述第一判别结果与所述第二判别结果融合，获得所述待识别物品的融合判别结果，从而通过将所述融合判别结果与预设新鲜度阀值进行比对，确定所述待识别物品的实际新鲜度。也即，在本申请中，通过所述预设第一变质物品识别器和所述预设第二变质物品识别器对待识别物品图像进行识别，可获得两种对所述待识别物品的实际新鲜度的判别结果，通过对两种对所述待识别物品的实际新鲜度的判别结果的综合判断来确定所述待识别物品的实际新鲜度，也即，在本申请中要确定所述待识别物品的实际新鲜度，需要达到所述两种判别结果都准确的要求，才能确定所述待识别物品的实际新鲜度，所以，在本申请中，为确定所述待识别物品的实际新鲜度，识别变质物品的技术手段多样，识别准确率高，可准确确定所述待识别物品的实际新鲜度，也即，本申请解决了现有技术中变质物品识别准确率低的技术问题。

进一步地，参照图2，基于本申请中第一实施例，在提供变质物品识别方法的另一实施例中，所述接收待识别物品图像，并基于所述待识别物品图像确定所述待识别物品对应的初始识别结果的步骤之前包括：

步骤A10，获取预设第一实验物品对应的预设基础模型和所述预设第一实验物品对应的预设训练数据，其中，所述预设训练数据包括第一训练子数据；

在本实施例中，需要说明的是，所述预设基础模型和所述预设训练数据存储在所述预设物品识别应用中，根据所述预设第一实验物品的名称，可将所述预设第一实验物品的名称作为关键词在所述设备数据库中查询并获得所述预设第一实验物品对应的所述预设基础模型和所述预设训练数据，其中，所述预设基础模型包括有特征提取能力和特定的预设关系式，所述预设训练数据是包括与所述预设第一实验物品对应的多个训练子数据，其中，所述第一训练子数据包括与所述预设第一实验物品同种类的多张物品图像以及每张所述物品图像对应的物品实际新鲜度，且所述多张物品图像的数量能保证对所述预设基础模型进行训练的训练效果良好。

步骤A20，将所述第一训练子数据输入至所述预设基础模型中，获得所述第一训子练数据对应的多个第一基本特征；

在本实施例中，将所述第一训练子数据输入至所述预设基础模型中，获得所述第一训子练数据对应的多个第一基本特征，具体地，由于所述预设基础模型具有特征提取能力，当将所述第一训练子数据输入至所述预设基础模型中时，所述预设基础模型可根据所述第一训练子数据包括的与所述预设第一实验物品同种类物品的图像，提取所述第一训练子数据的多个第一基本特征，所述多个第一基本特征包括颜色度、形状大小度以及纹理丰富度等。

步骤A30，基于所述多个第一基本特征以及初始确定的所述多个第一基本特征对应的初始权重占比，获得所述预设第一实验物品的第一理论新鲜度；

在本实施例中，需要说明的是，所述初始权重占比为所述预设基础模型包括的预设参数，且所述多个第一基本特征包括的每一个基本特征都对应着一个所述初始权重占比，然后基于所述多个第一基本特征以及初始确定的所述多个第一基本特征对应的初始权重占比，获得所述预设第一实验物品的第一理论新鲜度，具体地，将所述多个第一基本特征与所述多个第一基本特征对应的初始权重占比进行乘法计算，获得所述预设第一实验物品的第一理论新鲜度。

其中所述多个第一基本特征对应的初始权重占比，获得所述预设第一实验物品的第一理论新鲜度的步骤包括：

步骤A31，基于所述多个第一基本特征，随机确定所述多个第一基本特征对应的初始权重占比，并获得所述多个第一基本特征对应的多个特征新鲜度；

在本实施例中，基于所述多个第一基本特征，随机确定所述多个第一基本特征对应的初始权重占比，具体地，由于所述多个第一基本特征包括的每一个基本特征都对应着一个所述初始权重占比，在获得所述多个第一基本特征之后，所述预设基础模型可随机确定所述多个第一基本特征包括的每一基本特征的初始权重占比，但需保证所有所述每一基本特征的初始权重占比之和为1。

同样地，在随机确定所述多个第一基本特征对应的初始权重占比的同时，根据所述多个第一基本特征，确定所述多个第一基本特征对应的多个特征新鲜度，其中，所述预设基础模型包括特定的预设关系式，所述预设关系式包括所述多个第一基本特征包括的每一基本特征与所述每一基本特征对应的特征新鲜度的关系式，也即，当所述预设基础模型接收到所述多个第一基本特征中的一个基本特征值时，可获得所述一个基本特征对应的特征新鲜度级别，其中，当所述多个第一基本特征包括颜色度、形状大小度以及纹理丰富度，对应地，所述多个特征新鲜度包括颜色新鲜度、形状大小新鲜度以及纹理新鲜度等。

步骤A32，基于所述预设多个权重占比和所述多个特征新鲜度，获得所述预设第一实验物品的第一理论新鲜度。

在本实施例中，为获得所述第一理论新鲜度，需要对所述预设多个权重占比和所述多个特征新鲜度进行一定的计算，具体地，例如，假设所述多个第一基本特征包括特征A、B、C，特征A对应的预设权重占比为a％，特征A对应的所述特征新鲜度为X，特征B对应的预设权重占比为b％，特征B对应的所述特征新鲜度为Y，特征C对应的预设权重占比为c％，特征C对应的所述特征新鲜度为Z，则所述第一理论新鲜度为(X*a％+Y*b％+Z*c％)。

步骤A40，将所述第一理论新鲜度与所述第一训子练数据对应的实际新鲜度进行比对，获得所述第一理论新鲜度与所述第一训子练数据对应的实际新鲜度之间的误差值；

在本实施例中，需要说明的是，所述第一理论新鲜度是通过所述预设基础模型获得的，所述实际新鲜度是被包括在所述第一训子练数据中且已知的，将所述第一理论新鲜度与所述第一训子练数据对应的实际新鲜度进行比对，获得所述第一理论新鲜度与所述第一训子练数据对应的实际新鲜度之间的误差值，实质上就是对所述第一理论新鲜度与所述实际新鲜度进行一定的数学运算，具体地，例如，所述第一理论新鲜度为A，所述实际新鲜度为B，则所述误差值为((A-B)/B)，其中，当所述误差值为负时，表示第一理论新鲜度小于所述实际新鲜度，当所述误差值为正时，表示第一理论新鲜度大于所述实际新鲜度，且所述误差值越接近于0，所述第一理论新鲜度越接近所述实际新鲜度。

步骤A50，基于所述误差值，调整所述初始权重占比，获得所述预设第一实验物品对应的验证模型。

在本实施例中，基于所述误差值，调整所述初始权重占比，具体地，当将所述第一训练子数据输入所述预设基础模型中后，获得所述第一训练子数据包括的每一张物品图像对应的所述误差值，其中，当所述每一张物品图像对应的所述误差值都处于所述预设误差值范围内时，可确定所述预设基础模型为所述验证模型，当所述每一张物品图像对应的所述误差值存在部分所述误差值未处于所述预设误差值范围内时，需调整所述初始权重占比，并重新计算所述每一张物品图像对应的所述误差值，使得所述每一张物品图像对应的所述误差值都处于所述预设误差值范围内，此时，可确定所述预设基础模型为所述验证模型，其中，当调整所述初始权重占比时，调整过程后所述误差值应当接近于0，且所述预设误差值范围是一个与所述预设基础模型对应的预设第一变质物品识别器的识别准确率有关的值，所述预设误差值范围越小，所述预设第一变质物品识别器的识别准确率越高，所述预设误差值范围越大，所述预设第一变质物品识别器的识别准确率越低。

其中，所述预设训练数据包括第二训练子数据，所述基于所述误差值，调整所述初始权重占比，获得所述预设第一实验物品对应的验证模型的步骤之后包括：

步骤A60，将所述第二训练子数据输入至所述验证模型中，获得所述第二训练子数据对应的多个验证新鲜度；

在本实施例中，所述第二训练子数据包括与所述预设第一实验物品同种类的多张物品图像以及每张所述物品图像对应的物品实际新鲜度，其中，所述多张物品图像的数量能保证对所述验证模型进行验证的验证效果良好，且所述验证模型包括所述预设基础模型的全部功能，当所述第二训练子数据输入至所述验证模型中时，通过所述验证模型可获得所述第二训练子数据对应的多个验证新鲜度。

步骤A70，将所述多个验证新鲜度与所述第二训练子数据对应的多个实际新鲜度对比，获得所述验证模型的识别准确率；

在本实施例中，需要说明的是，所述多个验证新鲜度是通过所述验证模型获得的，所述第二训练子数据对应的多个实际新鲜度是被包括在所述第二训子练数据中且已知的，将所述多个验证新鲜度与所述第二训子练数据对应的实际新鲜度进行比对，获得所述验证模型的识别准确率，实质上就是对所述多个验证新鲜度与所述第二训练子数据对应的多个实际新鲜度进行比较，并计算所述多个验证新鲜度中的每一个验证新鲜度与所述每一个验证新鲜度对应的实际新鲜度之间的所述误差值，并计算处于所述预设误差值范围内的所述误差值的占比，所述占比即为所述识别准确率。

步骤A80，当所述识别准确率大于预设准确率阀值时，确定所述验证模型为第一变质物品识别器；

在本实施例中，需要说明的是，所述预设准确率阀值是一个与所述第一变质物品识别器的识别准确率相关的量，所述预设准确率阀值越接近于1，则所述第一变质物品识别器的识别准确率就越高，当所述识别准确率大于预设准确率阀值时，也即，所述验证模型的所述识别准确率达到了成为所述第一变质物品识别器的最低识别准确率要求，此时，可将所述验证模型确定为所述第一变质物品识别器。

步骤A90，当所述识别准确率小于预设准确率阀值时，对所述预设基础模型重新进行训练直至所述识别准确率大于预设准确率阀值。

在本实施例中，当所述识别准确率小于预设准确率阀值时，对所述预设基础模型重新进行训练直至所述识别准确率大于预设准确率阀值，其中，所述预设准确率阀值是和所述第一变质物品识别器的识别准确率有关的相关量，具体地，当所述验证模型的所述识别准确率未达到成为所述第一变质物品识别器的最低识别准确率要求时，则表明所述验证模型被验证为不合格，此时，则放弃所述验证模型，并对所述预设基础模型重新训练直至所述识别准确率大于预设准确率阀值，也即，将大量训练数据输入至所述预设基础模型进行训练，重新获得另一验证模型，并对所述另一验证模型进行重新验证，直至所述另一验证模型合格，也即，所述识别准确率达到了成为所述第一变质物品识别器的最低识别准确率要求。

本实施例通过将所述第一训练子数据输入至所述预设基础模型中，对所述预设基础模型进行训练，并在所述误差值处于所述预设误差值范围内时，确定所述预设基础模型为所述验证模型，之后对所述验证模型进行识别准确率的验证，当所述识别准确率大于所述预设识别准确率阀值时，则验证所述验证模型合格，此时，可确定所述验证模型为所述第一变质物品识别器。由此，确定了所述第一变质物品识别器是由对所述预设基础模型进行训练并验证而得来的，为获得所述第一判别结果提供了先决条件，进一步地，为确定所述待识别物品的实际新鲜度奠定了基础。

进一步地，基于本申请中第一实施例，在提供变质物品识别方法的另一实施例中，所述接收待识别物品图像，并基于所述待识别物品图像确定所述待识别物品对应的初始识别结果的步骤之前包括：

步骤B10，获取预设第二实验物品，并通过预设摄像头观测在预设时长内所述预设第二实验物品的多个第二基本特征变化状况和所述预设第二实验物品的新鲜度变化状况；

在本实施例中，需要说明的是，获取预设第二实验物品，并通过预设摄像头观测在预设时长内所述预设第二实验物品的多个第二基本特征变化状况和所述预设第二实验物品的新鲜度变化状况，其中，所述预设第二实验物品是与所述待识别物品同种类的大量物品，且所述预设时长是与所述预设第二实验物品从完全新鲜状态至完成腐烂状态所述耗费的时长有关，例如，假设所述预设第二实验物品为橙子，则先是获取不同区域不同季节大数量的橙子，并将该橙子置于所述预设摄像头下，通过所述预设摄像头实时获取橙子的数据，其中，所述数据包括在预设时长内所述预设第二实验物品的多个第二基本特征变化状况和所述预设第二实验物品的新鲜度变化状况，其中，所述多个第二基本特征包括所述橙子的颜色度、形状大小以及纹理丰富度等，也即，所述数据包括所述橙子的颜色度随所述预设时长的变化状况、所述橙子的形状大小随所述预设时长的变化状况、所述橙子的纹理丰富度随所述预设时长的变化状况以及所述预设第二实验物品的新鲜度随所述预设时长的变化状况。

具体地，假设所述橙子从完全新鲜状态至完成腐烂状态所述耗费的时长为96小时，则设置所述预设时长为96小时，为了实时获取所述橙子的数据，在设置所述预设时长之后，设置数据采取时间间隔，例如，可设置所述橙子的数据采取时间间隔为1小时，则每隔一小时采取一次所述橙子的实时数据，然后通过分析所述实时数据可获得在所述预设时长内所述橙子的多个第二基本特征变化状况和所述橙子的新鲜度变化状况。

步骤B20，分析所述多个第二基本特征变化状况和所述新鲜度变化状况，获得所述多个第二基本特征和所述预设时长的第一对应关系，以及所述新鲜度和所述预设时长的第二对应关系；

在本实施例中，需要说明的是，所述第一对应关系包括所述多个第二基本特征中的每一第二基本特征在所述预设时长内随时间变化的关系方程式，所述第二对应关系包括每一所述预设第二实验物品在所述预设时长内随时间变化的关系方程式，通过分析所述多个第二基本特征变化状况和所述新鲜度变化状况，获得所述多个第二基本特征和所述预设时长的第一对应关系，以及所述新鲜度和所述预设时长的第二对应关系，具体地，根据所述预设时长内所述预设第二实验物品的多个第二基本特征变化状况和所述预设第二实验物品的新鲜度变化状况，其中，所述多个第二基本特征包括颜色度、形状大小以及纹理丰富度等，例如，以时间为X轴，以所述颜色度为Y轴建立相关直角坐标系，进一步地，首先是标明所有在所述数据采取时间间隔的时间点上时，对应的所述颜色度的坐标点，然后再通过所述坐标点拟合出所述颜色度随时间变化的变化曲线，最后，基于所述颜色度随时间变化的变化曲线，导出所述颜色度随时间变化的变化方程式，也即，导出所述颜色度与所述预设时长的对应关系，同样地，可获得所述多个第二基本特征和所述预设时长的第一对应关系，以及所述新鲜度和所述预设时长的第二对应关系。

步骤B30，分析所述第一对应关系和所述第二对应关系，获得所述多个第二基本特征对应的多个第二权重占比以及所述预设第二实验物品的新鲜度拟合计算公式。

在本实施例中，需要说明的是，所述第一对应关系包括所述预设实验物品的每一第二基本特征随时间变化的变化方程式，所述第二对应关系包括所述预设实验物品的新鲜度随时间的变化方程式，通过分析所述第一对应关系和所述第二对应关系，可获得所述多个第二基本特征对应的多个第二权重占比，具体地，由于已知所述预设实验物品的每一第二基本特征随时间变化的变化方程式与所述预设实验物品的新鲜度随时间变化的变化方程式，所以在所述预设时长内，通过数学计算，消除时间参数，则可获得所述预设实验物品的新鲜度随所述每一第二基本特征变化的关系方程式，然后，通过结合所述第一对应关系和所述第二对应关系，分析所述预设实验物品的新鲜度随所述每一第二基本特征变化的关系方程式，可获得所述多个第二权重占比，例如，所述多个第二基本特征包括颜色度、形状大小以及纹理丰富度等，则对应的所述多个第二权重占比包括颜色度第二权重占比、形状大小第二权重占比以及纹理丰富度第二权重占比等，假设在时间段T内，所述颜色度减少了1，形状大小减小了0.5，纹理丰富度减少了0.5，所述预设第二实验物品的新鲜度都减少了1，则所述颜色度第二权重占比为50％，所述形状大小第二权重占比为25％，所述纹理丰富度第二权重占比为25％。

进一步地，通过分析所述预设实验物品的新鲜度随所述每一第二基本特征变化的关系方程式与所述多个第二权重占比，获得所述预设第二实验物品的新鲜度拟合计算公式，具体地，通过采集预设时间段内所述预设第二实验物品的新鲜度、所述每一第二基本特征以及所述每一第二基本特征对应的第二权重占比，假设所述预设时间段足够小时，则所述预设时长包括大量的所述预设时间段，进而获得大量的相同时间段内的所述预设第二实验物品的新鲜度、所述每一第二基本特征以及所述每一第二基本特征对应的第二权重占比的对应数据，通过对所述对应数据进行统计分析，获得所述预设第二实验物品的新鲜度拟合计算公式。

在本实施例中，通过获取并分析所述预设第二实验物品的多个第二基本特征变化状况和所述预设第二实验物品的新鲜度变化状况，获得所述多个第二基本特征和所述预设时长的第一对应关系，以及所述新鲜度和所述预设时长的第二对应关系，进一步地，通过分析所述第一对应关系和所述第二对应关系，获得所述多个第二基本特征对应的多个第二权重占比以及所述预设第二实验物品的新鲜度拟合计算公式。由此，确定了所述预设第二变质物品识别器的主要参数及公式，为通过所述第二变质物品识别器可对所述待识别物品进行识别并获得所述第二判别结果提供了先决条件，进而为确定所述待识别物品的实际新鲜度奠定了基础。

参照图3，图3是本发明实施例方案涉及的硬件运行环境的设备结构示意图。

本发明实施例变质物品识别设备可以是PC，也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、便携计算机等设备设备。

如图3所示，该变质物品识别设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。

可选地，该变质物品识别设备还可以包括目标用户接口、网络接口、摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。目标用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选目标用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。

本领域技术人员可以理解，图3中示出的变质物品识别设备结构并不构成对变质物品识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图3所示，作为一种计算机介质的存储器1005中可以包括操作系统、网络通信模块以及变质物品识别程序。操作系统是管理和控制变质物品识别设备硬件和软件资源的程序，支持变质物品识别程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与变质物品识别设备中其它硬件和软件之间通信。

在图3所示的变质物品识别设备中，处理器1001用于执行存储器1005中存储的变质物品识别程序，实现上述任一项所述的变质物品识别方法的步骤。

本发明变质物品识别设备具体实施方式与上述变质物品识别方法各实施例基本相同，在此不再赘述。

本发明还提供一种变质物品识别装置，所述变质物品识别装置应用于一种变质物品识别设备，所述变质物品识别装置包括：

第一确定模块，用于所述接收待识别物品图像，并基于所述待识别物品图像确定所述待识别物品对应的初始识别结果；

第一识别模块，用于所述通过所述初始识别结果对应的预设第一变质物品识别器识别所述待识别物品，获得第一判别结果；

第二识别模块，用于所述通过所述初始识别结果对应的预设第二变质物品识别器识别所述待识别物品，获得第二判别结果；

融合模块，用于所述将所述第一判别结果与所述第二判别结果融合，获得所述待识别物品的融合判别结果；

第一比对模块，用于所述将所述融合判别结果与预设新鲜度阀值进行比对，确定所述待识别物品的实际新鲜度。

可选地，所述变质物品识别装置还包括：

第一获取模块，用于所述获取预设第一实验物品对应的预设基础模型和所述预设第一实验物品对应的预设训练数据，其中，所述预设训练数据包括第一训练子数据；

第一输入模块，用于所述将所述第一训练子数据输入至所述预设基础模型中，获得所述第一训子练数据对应的多个第一基本特征；

第二获取模块，用于所述基于所述多个第一基本特征以及初始确定的所述多个第一基本特征对应的初始权重占比，获得所述预设第一实验物品的第一理论新鲜度；

第二比对模块，用于所述将所述第一理论新鲜度与所述第一训子练数据对应的实际新鲜度进行比对，获得所述第一理论新鲜度与所述第一训子练数据对应的实际新鲜度之间的误差值；

调整模块，用于所述基于所述误差值，调整所述初始权重占比，获得所述预设第一实验物品对应的验证模型。

可选地，所述第二获取模块包括：

第一获取单元，用于所述基于所述多个第一基本特征，随机确定所述多个第一基本特征对应的初始权重占比，并获得所述多个第一基本特征对应的多个特征新鲜度；

第二获取单元，用于所述基于所述预设多个权重占比和所述多个特征新鲜度，获得所述预设第一实验物品的第一理论新鲜度。

可选地，所述变质物品识别装置还包括：

第二输入模块，用于所述将所述第二训练子数据输入至所述验证模型中，获得所述第二训练子数据对应的多个验证新鲜度；

第三比对模块，用于所述将所述多个验证新鲜度与所述第二训练子数据对应的多个实际新鲜度对比，获得所述验证模型的识别准确率；

第二确定模块，用于所述当所述识别准确率大于预设准确率阀值时，确定所述验证模型为第一变质物品识别器；

第三确定模块，用于所述当所述识别准确率小于预设准确率阀值时，对所述预设基础模型重新进行训练直至所述识别准确率大于预设准确率阀值。

可选地，所述变质物品识别装置还包括：

观测模块，用于所述获取预设第二实验物品，并通过预设摄像头观测在预设时长内所述预设第二实验物品的多个第二基本特征变化状况和所述预设第二实验物品的新鲜度变化状况；

第一分析模块，用于所述通过分析所述多个第二基本特征变化状况和所述新鲜度变化状况，获得所述多个第二基本特征和所述预设时长的第一对应关系，以及获取所述新鲜度和所述预设时长的第二对应关系；

第二分析模块，用于所述分析所述第一对应关系和所述第二对应关系，获得所述多个第二基本特征对应的多个第二权重占比以及所述预设第二实验物品的新鲜度拟合计算公式。

可选地，所述第二获取模块包括：

第三获取单元，用于所述将所述待识别物品图像输入至所述预设第二变质物品识别器中，获得所述待识别物品的多个第三基本特征；

第一计算单元，基于基于预设多个第二权重占比与所述多个第三基本特征，获得所述待识别物品的总权重；

第二计算单元，用于所述基于预设新鲜度拟合计算公式与所述多个第三基本特征，获得所述待识别物品的第二理论新鲜度；

第三计算单元，用于所述基于所述第二理论新鲜度与所述总权重，获得所述待识别物品的总权重值；

比对单元，用于所述将所述总权重值与预设总权重值阀值进行比对，获得第二判别结果。

可选地，所述第一确定模块包括：

接收单元，用于所述接收待识别物品图像，并基于所述待识别物品图像确定所述待识别物品的种类；

第二确定单元，用于所述基于所述待识别物品的种类，确定所述待识别物品图像对应的初始识别结果。

本发明变质物品识别装置具体实施方式与上述变质物品识别方法各实施例基本相同，在此不再赘述。

本发明提供了一种介质，所述介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的变质物品识别方法的步骤。

本发明介质具体实施方式与上述变质物品识别方法各实施例基本相同，在此不再赘述。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利处理范围内。

Claims (9)

1.一种变质物品识别方法，其特征在于，所述变质物品识别方法包括：

接收待识别物品图像，并基于所述待识别物品图像确定所述待识别物品对应的初始识别结果；

通过所述初始识别结果对应的预设第一变质物品识别器识别所述待识别物品，获得第一判别结果；

通过所述初始识别结果对应的预设第二变质物品识别器识别所述待识别物品，获得第二判别结果；所述预设第一变质物品识别器是一个已经训练好的第一模型，在经过特定训练后，当所述预设第一变质物品识别器接收到所述待识别物品图像时，将会对所述待识别物品图像进行识别，进而获得所述待识别物品的第一判别结果，所述预设第二变质物品识别器是一个已经设置好的第二模型，当所述预设第二变质物品识别器接收到所述待识别物品图像时，将会对所述待识别物品图像进行识别，进而获得所述待识别物品的第二别结果，所述预设第二变质物品识别器与所述预设第一变质物品识别器的区别点在于所述预设第二变质物品识别器是通过统计分析海量数据而获得的，而所述预设第一变质物品识别器是通过对应的基础模型不断进行网络学习之后而获得的；

将所述第一判别结果与所述第二判别结果融合，获得所述待识别物品的融合判别结果；

将所述融合判别结果与预设新鲜度阀值进行比对，确定所述待识别物品的实际新鲜度；

所述接收待识别物品图像，并基于所述待识别物品图像确定所述待识别物品对应的初始识别结果的步骤之前包括：

获取预设第一实验物品对应的预设基础模型和所述预设第一实验物品对应的预设训练数据，其中，所述预设训练数据包括第一训练子数据；

将所述第一训练子数据输入至所述预设基础模型中，获得所述第一训练子数据对应的多个第一基本特征；

基于所述多个第一基本特征以及初始确定的所述多个第一基本特征对应的初始权重占比，获得所述预设第一实验物品的第一理论新鲜度；

将所述第一理论新鲜度与所述第一训练子数据对应的实际新鲜度进行比对，获得所述第一理论新鲜度与所述第一训练子数据对应的实际新鲜度之间的误差值；

基于所述误差值，调整所述初始权重占比，获得所述预设第一实验物品对应的验证模型。

2.如权利要求1所述一种变质物品识别方法，其特征在于，所述基于所述多个第一基本特征以及初始确定的所述多个第一基本特征对应的初始权重占比，获得所述预设第一实验物品的第一理论新鲜度的步骤包括：

基于所述多个第一基本特征，随机确定所述多个第一基本特征对应的初始权重占比，并获得所述多个第一基本特征对应的多个特征新鲜度；

基于初始权重占比和所述多个特征新鲜度，获得所述预设第一实验物品的第一理论新鲜度。

3.如权利要求1所述一种变质物品识别方法，其特征在于，所述预设训练数据包括第二训练子数据，所述基于所述误差值，调整所述初始权重占比，获得所述预设第一实验物品对应的验证模型的步骤之后包括：

将所述第二训练子数据输入至所述验证模型中，获得所述第二训练子数据对应的多个验证新鲜度；

将所述多个验证新鲜度与所述第二训练子数据对应的多个实际新鲜度对比，获得所述验证模型的识别准确率；

当所述识别准确率大于预设准确率阀值时，确定所述验证模型为第一变质物品识别器；

当所述识别准确率小于预设准确率阀值时，对所述预设基础模型重新进行训练直至所述识别准确率大于预设准确率阀值。

4.如权利要求1所述一种变质物品识别方法，其特征在于，所述接收待识别物品图像，并基于所述待识别物品图像确定所述待识别物品对应的初始识别结果的步骤之前包括：

获取预设第二实验物品，并通过预设摄像头观测在预设时长内所述预设第二实验物品的多个第二基本特征变化状况和所述预设第二实验物品的新鲜度变化状况；

分析所述多个第二基本特征变化状况和所述新鲜度变化状况，获得所述多个第二基本特征和所述预设时长的第一对应关系，以及所述新鲜度和所述预设时长的第二对应关系；

分析所述第一对应关系和所述第二对应关系，获得所述多个第二基本特征对应的多个第二权重占比以及所述预设第二实验物品的新鲜度拟合计算公式。

5.如权利要求1所述一种变质物品识别方法，其特征在于，所述通过所述初始识别结果对应的预设第二变质物品识别器识别所述待识别物品，获得第二判别结果的步骤包括：

将所述待识别物品图像输入至所述预设第二变质物品识别器中，获得所述待识别物品的多个第三基本特征；

基于预设多个第二权重占比与所述第三基本特征，获得所述待识别物品的总权重；

基于预设新鲜度拟合计算公式与所述多个第三基本特征，获得所述待识别物品的第二理论新鲜度；

基于所述第二理论新鲜度与所述总权重，获得所述待识别物品的总权重值；

将所述总权重值与预设总权重值阀值进行比对，获得第二判别结果。

6.如权利要求1所述一种变质物品识别方法，其特征在于，所述接收待识别物品图像，并基于所述待识别物品图像获取所述待识别物品图像对应的初始识别结果的步骤包括：

接收待识别物品图像，并基于所述待识别物品图像确定所述待识别物品的种类；

基于所述待识别物品的种类，确定所述待识别物品图像对应的初始识别结果。

7.一种变质物品识别装置，其特征在于，所述变质物品识别装置应用于一种变质物品识别设备，所述变质物品识别装置包括：

确定模块，用于接收待识别物品图像，并基于所述待识别物品图像确定所述待识别物品图像对应的初始识别结果；

第一判别模块，用于通过所述初始识别结果对应的预设第一变质物品识别器识别所述待识别物品图像，获得第一判别结果；

第二判别模块，用于通过所述初始识别结果对应的预设第二变质物品识别器识别所述待识别物品图像，获得第二判别结果，所述预设第一变质物品识别器是一个已经训练好的第一模型，在经过特定训练后，当所述预设第一变质物品识别器接收到所述待识别物品图像时，将会对所述待识别物品图像进行识别，进而获得所述待识别物品的第一判别结果，所述预设第二变质物品识别器是一个已经设置好的第二模型，当所述预设第二变质物品识别器接收到所述待识别物品图像时，将会对所述待识别物品图像进行识别，进而获得所述待识别物品的第二别结果，所述预设第二变质物品识别器与所述预设第一变质物品识别器的区别点在于所述预设第二变质物品识别器是通过统计分析海量数据而获得的，而所述预设第一变质物品识别器是通过对应的基础模型不断进行网络学习之后而获得的；

融合模块，用于将所述第一判别结果与所述第二判别结果融合，获得所述待识别物品的融合判别结果；

对比模块，用于将所述融合判别结果与预设新鲜度阀值进行比对，确定所述待识别物品的实际新鲜度；

所述变质物品识别装置用于实现：

获取预设第一实验物品对应的预设基础模型和所述预设第一实验物品对应的预设训练数据，其中，所述预设训练数据包括第一训练子数据；

将所述第一训练子数据输入至所述预设基础模型中，获得所述第一训练子数据对应的多个第一基本特征；

基于所述多个第一基本特征以及初始确定的所述多个第一基本特征对应的初始权重占比，获得所述预设第一实验物品的第一理论新鲜度；

将所述第一理论新鲜度与所述第一训练子数据对应的实际新鲜度进行比对，获得所述第一理论新鲜度与所述第一训练子数据对应的实际新鲜度之间的误差值；

基于所述误差值，调整所述初始权重占比，获得所述预设第一实验物品对应的验证模型。

8.一种变质物品识别设备，其特征在于，所述设备包括：存储器、处理器以及存储在存储器上的用于实现所述变质物品识别方法的程序，

所述存储器用于存储实现变质物品识别方法的程序；

所述处理器用于执行实现所述变质物品识别方法的程序，以实现如权利要求1至6中任一项所述变质物品识别方法的步骤。

9.一种存储介质，其特征在于，所述存储介质上存储有实现变质物品识别方法的程序，用于实现变质物品识别的程序被处理器执行以实现如权利要求1至6中任一项所述变质物品识别方法的步骤。