CN110969177A - 一种基于深度学习的预包装品质识别方法 - Google Patents

一种基于深度学习的预包装品质识别方法 Download PDF

Info

Publication number
CN110969177A
CN110969177A CN201811152465.3A CN201811152465A CN110969177A CN 110969177 A CN110969177 A CN 110969177A CN 201811152465 A CN201811152465 A CN 201811152465A CN 110969177 A CN110969177 A CN 110969177A
Authority
CN
China
Prior art keywords
unit
image
preprocessing
recognition
steps
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
CN201811152465.3A
Other languages
English (en)
Inventor
张耿霖
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.)
Dalian Jiuzhou Chuangzhi Technology Co ltd
Original Assignee
Dalian Jiuzhou Chuangzhi Technology Co ltd
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 Dalian Jiuzhou Chuangzhi Technology Co ltd filed Critical Dalian Jiuzhou Chuangzhi Technology Co ltd
Priority to CN201811152465.3A priority Critical patent/CN110969177A/zh
Publication of CN110969177A publication Critical patent/CN110969177A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于深度学习的预包装品质识别方法，至少包括：离线训练过程及在线识别过程；离线识别过程：采集预包装图像的图像采集单元采集图像，并将图像采集单元采集的图像传至预处理单元进行预处理；预处理单元处理后的图像传至数据学习单元；数据学习单元学习后的数据传至储存单元储存；在线识别过程：采集预包装图像的图像采集单元采集图像，并将图像采集单元采集的图像传至预处理单元进行预处理；预处理单元处理后的图像传至数据学习单元；识别单元调用储存单元内储存的模型进行识别，识别后，识别结果通过显示单元显示。本发明通过学习模型实现识别的准确性和准确性，通过采集图像识别出包装的优劣，节省了人力劳动降低了检测的成本。

Description

一种基于深度学习的预包装品质识别方法
技术领域
本发明涉及品质识别的技术领域，具体而言，尤其涉及一种基于深度学习的预包装品质识别方法。
背景技术
现阶段已有的技术中经常是采用人工的方法检查包装的品质但是人员经常因为种种原因导致识别的成品按照人员的判断进行判定，导致包装的品质优劣标准不同。同时人工检测常常会出现检测不及时或者需要人员众多的问题，因此不仅仅提高了整个生产的成本同时降低了识别的标准。
发明内容
根据上述提出的技术问题，而提供一种基于深度学习的预包装品质识别系统。本发明主要利用一种基于深度学习的预包装品质识别方法，其特征在于，至少包括：离线训练过程及在线识别过程。
进一步的，所述离线识别过程至少包含以下步骤：
S11：采集预包装图像的图像采集单元采集图像，并将所述图像采集单元采集的图像传至预处理单元进行预处理；
S12：所述预处理单元处理后的图像传至数据学习单元；
S13：所述数据学习单元学习后的数据传至储存单元储存；
更进一步的，所述在线识别过程至少包含以下步骤：
S21：采集预包装图像的图像采集单元采集图像，并将所述图像采集单元采集的图像传至预处理单元进行预处理；
S22：所述预处理单元处理后的图像传至数据学习单元；
S23：所述识别单元调用所述储存单元内储存的模型进行识别；
S24：识别后，识别结果通过显示单元显示。
进一步的，使用时，使用者采集预包装图像，所述预处理单元预处理图像后，识别单元调用储存单元中储存后的模型进行识别，并将识别结果显示在显示单元。
进一步的，所述预处理单元将所述图像进行灰度化处理；所述灰度化处理根据YUV的颜色空间，建立亮度Y与R、G、B三个颜色分量的对应：
Y＝0.3R+0.59G+0.11B；
其中，Y表示点的亮度反映亮度等级，R表示红色，G表示绿色B表示蓝色。
更进一步的，所述数据学习单元包含低分类器及高分类器；
所述低分类器采用贝叶斯理论；所述贝叶斯理论为：
Figure BDA0001818250360000021
其中，y表示类变量，X表示依赖特征向量；X＝(x1,x2,x3,...,xn)；
Figure BDA0001818250360000022
其中，xi表示第i个X的依赖特征向量，P(y)表示类概率，P(xi|y)表示条件概率；
所述高分类器分类为：
Figure BDA0001818250360000023
其中，
Figure BDA0001818250360000024
表示训练样本的权值，zj表示正规因子。
更进一步的，所述显示单元采用LED/LCD显示屏。
较现有技术相比，本发明具有以下优点：
本发明通过学习模型实现识别的准确性和准确性，通过采集图像识别出包装的优劣，节省了人力劳动降低了检测的成本。
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做以简单地介绍，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为本发明方法的流程示意图。
图2为本发明实施例整体结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，本发明提供了一种基于深度学习的预包装品质识别方法，其特征在于，至少包括：离线训练过程及在线识别过程；
在本实施方式中，所述离线识别过程至少包含以下步骤：
步骤S11：采集预包装图像的图像采集单元采集图像，并将所述图像采集单元采集的图像传至预处理单元进行预处理；
步骤S12：所述预处理单元处理后的图像传至数据学习单元；
步骤S13：所述数据学习单元学习后的数据传至储存单元储存。
作为优选的实施方式，所述在线识别过程至少包含以下步骤：步骤S21：采集预包装图像的图像采集单元采集图像，并将所述图像采集单元采集的图像传至预处理单元进行预处理；
步骤S22：所述预处理单元处理后的图像传至数据学习单元；
步骤S23：所述识别单元调用所述储存单元内储存的模型进行识别；
步骤S24：识别后，识别结果通过显示单元显示。
作为优选的实施方式，所述图像采集单元通过手机/摄像机采集预包装图像，通过预处理单元将所述采集的预包装图像进行预处理；将所述采集的预包装图像裁剪成40*40像素；所述数据学习单元通过学习所述预处理单元预处理后的图像传至所述储存单元储存。
在本实施方式中，使用时，使用者采集预包装图像，所述预处理单元预处理图像后，识别单元调用储存单元中储存后的模型进行识别，并将识别结果显示在显示单元。
在本实施方式中，预处理单元将所述图像进行灰度化处理；所述灰度化处理根据YUV的颜色空间，建立亮度Y与R、G、B三个颜色分量的对应：
Y＝0.3R+0.59G+0.11B；
其中，Y表示点的亮度反映亮度等级，R表示红色，G表示绿色B表示蓝色。可以理解为在其它的实施方式中，还可以按照实际需求进行灰度化处理或其它预处理方法，同时还可以进行降噪处理。
作为优选的实施方式，本发明的数据学习单元包含低分类器及高分类器；
作为一种优选的实施方式，本发明低分类器采用贝叶斯理论；所述贝叶斯理论为：
Figure BDA0001818250360000041
其中，y表示类变量，X表示依赖特征向量；X＝(x1,x2,x3,...,xn)；
Figure BDA0001818250360000042
其中，xi表示第i个X的依赖特征向量，P(y)表示类概率，P(xi|y)表示条件概率。
作为一种优选的实施方式，本发明高分类器分类为：
Figure BDA0001818250360000051
其中，
Figure BDA0001818250360000052
表示训练样本的权值，zj表示正规因子。可以理解为在其它的实施方式中，还可以采用其它的分类器方式进行分类，只要能够满足能够清楚的识别图像即可。
作为优选的实施方式，本发明显示单元采用LED/LCD显示屏。可以理解为在其他实施方式中，所述显示单元还可以是触摸式显示屏，通过触摸显示屏上的拍摄按钮，对产品进行图像采集。
实施例1
如图2所示，使用方法的一种系统至少包含：采集预包装图像的图像采集单元、将图像采集单元采集的图像进行预处理的预处理单元、学习预处理单元处理后的图像的数据学习单元、储存数据学习单元学习后模型的储存单元、将数据学习单元学习后建立识别模型的识别单元以及显示识别单元识别后数据的显示单元。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以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全部或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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (5)

1.一种基于深度学习的预包装品质识别方法，其特征在于，至少包括：
离线训练过程及在线识别过程；
所述离线识别过程至少包含以下步骤：
S11：采集预包装图像的图像采集单元采集图像，并将所述图像采集单元采集的图像传至预处理单元进行预处理；
S12：所述预处理单元处理后的图像传至数据学习单元；
S13：所述数据学习单元学习后的数据传至储存单元储存；
所述在线识别过程至少包含以下步骤：
S21：采集预包装图像的图像采集单元采集图像，并将所述图像采集单元采集的图像传至预处理单元进行预处理；
S22：所述预处理单元处理后的图像传至数据学习单元；
S23：所述识别单元调用所述储存单元内储存的模型进行识别；
S24：识别后，识别结果通过显示单元显示。
2.根据权利要求1所述的一种基于深度学习的预包装品质识别方法，其特征还在于：
所述图像采集单元通过手机/摄像机采集预包装图像，通过预处理单元将所述采集的预包装图像进行预处理；将所述采集的预包装图像裁剪成40*40像素；所述数据学习单元通过学习所述预处理单元预处理后的图像传至所述储存单元储存；
使用时，使用者采集预包装图像，所述预处理单元预处理图像后，识别单元调用储存单元中储存后的模型进行识别，并将识别结果显示在显示单元。
3.根据权利要求1所述的一种基于深度学习的预包装品质识别方法，其特征还在于：
所述预处理单元将所述图像进行灰度化处理；所述灰度化处理根据YUV的颜色空间，建立亮度Y与R、G、B三个颜色分量的对应：
Y＝0.3R+0.59G+0.11B；
其中，Y表示点的亮度反映亮度等级，R表示红色，G表示绿色B表示蓝色。
4.根据权利要求1所述的一种基于深度学习的预包装品质识别方法，其特征还在于：
所述数据学习单元包含低分类器及高分类器；
所述低分类器采用贝叶斯理论；所述贝叶斯理论为：
Figure FDA0001818250350000021
其中，y表示类变量，X表示依赖特征向量；X＝(x1,x2,x3,...,xn)；
Figure FDA0001818250350000022
其中，xi表示第i个X的依赖特征向量，P(y)表示类概率，P(xi|y)表示条件概率；
所述高分类器分类为：
Figure FDA0001818250350000023
其中，
Figure FDA0001818250350000024
表示训练样本的权值，zj表示正规因子。
5.根据权利要求1所述的一种基于深度学习的预包装品质识别方法，其特征还在于：所述显示单元采用LED/LCD显示屏。
CN201811152465.3A 2018-09-29 2018-09-29 一种基于深度学习的预包装品质识别方法 Pending CN110969177A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811152465.3A CN110969177A (zh) 2018-09-29 2018-09-29 一种基于深度学习的预包装品质识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811152465.3A CN110969177A (zh) 2018-09-29 2018-09-29 一种基于深度学习的预包装品质识别方法

Publications (1)

Publication Number Publication Date
CN110969177A true CN110969177A (zh) 2020-04-07

Family

ID=70028146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811152465.3A Pending CN110969177A (zh) 2018-09-29 2018-09-29 一种基于深度学习的预包装品质识别方法

Country Status (1)

Country Link
CN (1) CN110969177A (zh)

Similar Documents

Publication Publication Date Title
CN108229277B (zh) 手势识别、手势控制及多层神经网络训练方法、装置及电子设备
CN111814520A (zh) 肤质检测方法、肤质等级分类方法及肤质检测装置
CN108280426B (zh) 基于迁移学习的暗光源表情识别方法及装置
CN107292307B (zh) 一种倒置汉字验证码自动识别方法及系统
CN112906741A (zh) 图像处理方法、装置、电子设备及存储介质
WO2014028286A1 (en) Method and apparatus for facial recognition
CN111985281B (zh) 图像生成模型的生成方法、装置及图像生成方法、装置
US8290277B2 (en) Method and apparatus for setting a lip region for lip reading
CN110741377A (zh) 人脸图像处理方法、装置、存储介质及电子设备
CN110674759A (zh) 一种基于深度图的单目人脸活体检测方法、装置及设备
CN106778627B (zh) 检测人脸颜值的方法、装置和移动终端
CN110751069A (zh) 一种人脸活体检测方法及装置
CN110543848B (zh) 一种基于三维卷积神经网络的驾驶员动作识别方法及装置
CN108647696B (zh) 图片颜值确定方法及装置、电子设备、存储介质
CN109977875A (zh) 基于深度学习的手势识别方法及设备
CN112633221A (zh) 一种人脸方向的检测方法及相关装置
CN103959309B (zh) 用于伪造品确定的区域选择
CN114120307A (zh) 显示内容的识别方法、装置、设备和存储介质
CN113436081A (zh) 数据处理方法、图像增强方法及其模型训练方法
CN111126283B (zh) 一种自动过滤模糊人脸的快速活体检测方法及系统
CN110378299B (zh) 一种室内灯光条件下的衣着识别系统
CN111611917A (zh) 模型训练方法、特征点检测方法、装置、设备及存储介质
CN110969177A (zh) 一种基于深度学习的预包装品质识别方法
CN106530286A (zh) 确定清晰度级别的方法及装置
CN110969168A (zh) 一种基于深度学习的预包装品质识别系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200407

WD01 Invention patent application deemed withdrawn after publication