CN111046932A - 模型训练方法、肉类鉴别方法、装置、终端和存储介质 - Google Patents
模型训练方法、肉类鉴别方法、装置、终端和存储介质 Download PDFInfo
- Publication number
- CN111046932A CN111046932A CN201911220261.3A CN201911220261A CN111046932A CN 111046932 A CN111046932 A CN 111046932A CN 201911220261 A CN201911220261 A CN 201911220261A CN 111046932 A CN111046932 A CN 111046932A
- Authority
- CN
- China
- Prior art keywords
- meat
- training sample
- training
- target
- identification
- 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
- 238000012549 training Methods 0.000 title claims abstract description 259
- 235000013372 meat Nutrition 0.000 title claims abstract description 220
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 48
- 238000013136 deep learning model Methods 0.000 claims abstract description 38
- 238000013135 deep learning Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 239000002994 raw material Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 235000013311 vegetables Nutrition 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000007480 spreading Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 235000015278 beef Nutrition 0.000 description 3
- 235000006439 Lemna minor Nutrition 0.000 description 2
- 241001494479 Pecora Species 0.000 description 2
- 241000209501 Spirodela Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000013364 duck meat Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000972773 Aulopiformes Species 0.000 description 1
- 241001327682 Oncorhynchus mykiss irideus Species 0.000 description 1
- 241000277263 Salmo Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 235000013622 meat product Nutrition 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
- 108090000623 proteins and genes Proteins 0.000 description 1
- 235000019515 salmon Nutrition 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种用于肉类鉴别的深度学习模型训练方法、肉类鉴别方法、装置、终端和存储介质，训练方法包括：获取第一训练样本和第二训练样本；第一训练样本和第二训练样本均包括一定数量的目标肉类的图像、非目标肉类的图像和非肉类的图像；将第一训练样本和第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本；将第一目标训练样本和第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。这样用户在餐馆或者菜市场等日常生活中即可方便、快捷自行鉴别肉质真伪，给用户提供了便利。
Description
技术领域
本发明涉及图像鉴别技术领域，具体涉及一种用于肉类鉴别的深度学习模型训练方法、肉类鉴别方法、装置、终端和存储介质。
背景技术
随着科技的进步和人们生活水平的提高，食品安全卫生问题越来越受到人们的重视，而假冒肉类的出现也越来越多。例如火锅店内用鸭肉假冒羊肉或者肥牛，用淡水虹鳟鱼假冒大西洋鲑鱼等，如果吃到假冒肉类产品，不仅欺骗了消费者，还很有可能对消费者的身体健康带来威胁。
相关技术中有多种可以鉴别肉类真伪的方法，例如高光谱、电子鼻、基因测序等方法，但是这些方法均依赖于专业设备，而专业设备价格昂贵，通常只能在实验室中进行鉴别，这显然不符合用户到店消费时鉴别肉类的需求。
发明内容
有鉴于此，提供一种基于深度学习的肉类鉴别方法、装置、移动终端和存储介质，以解决相关技术中无法在日常生活中方便、快捷鉴别肉类真伪给消费者带来不便的问题。
本发明采用如下技术方案：
第一方面，本申请实施例提供了一种用于肉类鉴别的深度学习模型训练方法，该方法包括：
获取第一训练样本和第二训练样本；
其中，所述第一训练样本包括第一目标肉类以第一摆放方式摆放时获得的第一数量的图像、非目标肉类以所述第一摆放方式摆放时获得的第一数量的图像，以及，非肉类随机摆放时获得第一数量的图像；所述第二训练样本包括第二目标肉类以第二摆放方式摆放时获得的第二数量的图像、非目标肉类以所述第二摆放方式摆放时获得的第二数量的图像，以及，非肉类随机摆放时获得的第二数量的图像；
将所述第一训练样本和所述第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本；
将所述第一目标训练样本和所述第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。
第二方面，本申请实施例提供了一种基于深度学习的肉类鉴别方法，该方法包括：
获取待鉴别肉类图像；
将所述待鉴别肉类图像输入至应用权利要求1-4任一项所述的深度学习模型训练方法得到的肉类鉴别模型，确定输出类型的标签；
根据所述输出类型的标签确定鉴别结果，其中，所述鉴别结果包括真、假和非肉类。
第三方面，本申请实施例提供了一种用于肉类鉴别的深度学习模型训练装置，该装置包括：
样本获取模块，用于获取第一训练样本和第二训练样本；
其中，所述第一训练样本包括第一目标肉类以第一摆放方式摆放时获得的第一数量的图像、非目标肉类以所述第一摆放方式摆放时获得的第一数量的图像，以及，非肉类随机摆放时获得第一数量的图像；所述第二训练样本包括第二目标肉类以第二摆放方式摆放时获得的第二数量的图像、非目标肉类以所述第二摆放方式摆放时获得的第二数量的图像，以及，非肉类随机摆放时获得的第二数量的图像；
样本缩放模块，用于将所述第一训练样本和所述第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本；
模型训练模块，用于将所述第一目标训练样本和所述第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。
第四方面，本申请实施例提供了一种基于深度学习的肉类鉴别装置，该装置包括：
图像获取模块，用于获取待鉴别肉类图像；
鉴别模块，用于将所述待鉴别肉类图像输入至应用权利要求1-4任一项所述的深度学习模型训练方法得到的肉类鉴别模型，确定输出类型的标签；
鉴别结果确定模块，用于根据所述输出类型的标签确定鉴别结果，其中，所述鉴别结果包括真、假和非肉类。
第五方面，本申请实施例提供了一种终端，该终端包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行本申请实施例第一方面所述的用于肉类鉴别的深度学习模型训练方法或第二方面所述的基于深度学习的肉类鉴别方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
第六方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如第一方面所述的用于肉类鉴别的深度学习模型训练方法或第二方面所述的基于深度学习的肉类鉴别方法中各个步骤。
本发明采用以上技术方案，通过获取第一训练样本和第二训练样本；将第一训练样本和第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本；将第一目标训练样本和第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。这样用户在餐馆或者菜市场等日常生活中即可方便、快捷自行鉴别肉质真伪，给用户提供了便利。
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，下面描述中的附图仅仅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是本发明实施例提供的一种用于肉类鉴别的深度学习模型训练方法的流程图；
图2是本发明实施例提供的一种基于深度学习的肉类鉴别方法的流程图；
图3是本发明实施例提供的一种用于肉类鉴别的深度学习模型训练装置的结构示意图；
图4是本发明实施例提供的一种基于深度学习的肉类鉴别装置的结构示意图；
图5是本发明实施例提供的一种终端的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
首先对本申请实施例的可应用场景进行说明，比如，用户在火锅店里吃火锅，可以携带一部智能手机，该智能手机中集成本申请实施例中的基于深度学习的肉类鉴别方法的软件程序，这样即可方便、快捷对肉类真伪进行鉴别。
实施例
图1为本发明实施例提供的一种用于肉类鉴别的深度学习模型训练方法的流程图，该方法可以由本发明实施例提供的用于肉类鉴别的深度学习模型训练装置来执行，该装置可采用软件和/或硬件的方式实现。参考图1，该方法具体可以包括如下步骤：
S101、获取第一训练样本和第二训练样本。
示例性的，本申请实施例中可以应用深度学习模型，为了训练得到用于肉类鉴别的深度学习模型，首先要获取训练样本。另外，获取两组不同的训练样本可以提高模型训练的准确率。
其中，第一训练样本包括第一目标肉类以第一摆放方式摆放时获得的第一数量的图像、非目标肉类以第一摆放方式摆放时获得的第一数量的图像，以及，非肉类随机摆放时获得第一数量的图像；第二训练样本包括第二目标肉类以第二摆放方式摆放时获得的第二数量的图像、非目标肉类以第二摆放方式摆放时获得的第二数量的图像，以及，非肉类随机摆放时获得的第二数量的图像。
在一个具体的例子中，第一目标肉类可以是真羊肉卷切片，第一摆放方式可以是展开平铺在盘中，第一数量可以是3000张；第二目标肉类可以是不同于第一目标肉类的另一批真羊肉卷切片，第二摆放方式可以是按照火锅店常用的形式切片摆盘；第二数量可以是30000张；非目标肉类可以是假羊肉卷切片，例如可以是鸭肉卷切片；非肉类可以是日常生活中场景中不包含羊肉的照片。
具体的，将真羊肉卷切片展开平铺于盘中，应用手机等其他具有拍照功能的终端进行拍照，获得正方形的彩色照片3000张，记为数据集A1,将假羊肉卷切片也展开平铺于盘中，应用同样的方式进行拍照，获得正方形彩色照片3000张，记为数据集B1。示例性的，在照片拍摄时，可以应用若干款不同的主流手机进行拍摄，以使照片样本涵盖不同手机的图像风格，另外，拍摄照片时可以打开手机的闪光灯，这样可以减弱环境光带来的影响。
另外，将不同于第一目标肉类的另一批真羊肉卷切片按照火锅店常用的形式切片进行摆盘，使用手机进行拍摄，获得正方形彩色照片30000张，记为数据集A2，可选的，选用的真羊肉卷可以涵盖市面上常见的羊肉卷品类，比如普通羊肉卷、羊腿卷或羊上脑卷等。将假羊肉卷按照同样的摆盘形式进行拍摄，获得正方形彩色照片30000张，记为数据集B2，拍摄方式与上述拍摄方式相同。
另外，采集日常生活场景彩色照片30000张，其中不包含羊肉，记载数据集C2；从中随机选取3000张照片，记为数据集C1。综上，第一数据集包括A1、B1和C1；第二数据集包括A2、B2和C2。
需要说明的是，以数据集A1为例，在将真羊肉卷切片展开平铺于盘中，应用手机等其他具有拍照功能的终端进行拍照，获得正方形的彩色照片3000张的例子中，可以是有500份真羊肉卷，每份羊肉卷从6个角度进行拍照，这样得到3000张照片。另外，上述照片均为正方形为例，也可以均为长方形，只要保持尺寸一致即可。另外，上述摆盘方式和照片数量均为示例，并不形成具体的限定。
可选的，第一目标肉类和第二目标肉类的种类相同，原材料不同。如上所述，第一目标肉类和第二目标肉类可以均为牛肉，或者均为羊肉等，但是，不是同一批原材料的肉类。比如，选500份真羊肉卷作为第一目标肉类获取第一训练样本，另外再选5000份真羊肉卷作为第二目标肉类获取第二训练样本。
S102、将第一训练样本和第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本。
为了提高模型训练的准确率，在将第一训练样本和第二训练样本输入至预先构建的卷积神经网络之前，还需要对二者进行缩放，其中，设定尺寸可以是500*500像素，因此，这里可以将第一训练样本中的图像缩放至500*500像素作为第一目标训练样本，将第二训练样本中的图像缩放至500*500像素作为第二目标训练样本。
S103、将第一目标训练样本和第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。
其中，预先构建的卷积神经网络模型为基于ImageNet数据集训练得到的InceptionV3卷积神经网络模型。示例性的，ImageNet项目是一个用于视觉对象鉴别软件研究的大型可视化数据库。本申请实施例中，基于ImageNet数据集进行训练，可以得到InceptionV3卷积神经网络模型，作为预先构建的卷积神经网络模型，用于肉类鉴别模型训练的基础。在一个具体的例子中，将预先构建的神经网络模型的输入张量尺寸改为500*500*3，输出类型改为3。
另外，还可以应用其他卷积神经网络来实现，例如DenceNet网络或ResNet网络等；本申请实施例中描述的样本数量、迭代次数训练率等均为示例，并不形成具体的限定。
具体的，应用迭代次数来作为停止训练的条件，其中，预设迭代次数通常是人为设定并可实时进行调整的，该预设迭代次数能够满足最后得到的肉类鉴别模型的鉴别结果相对准确。因此，将第一目标训练样本和第二目标训练样本输入至预先构建的卷积神经网络模型，当训练次数达到预设迭代次数时停止训练，这样得到肉类鉴别模型，可以应用该肉类鉴别模型进行肉类真伪的鉴别。
本申请实施例中，通过获取第一训练样本和第二训练样本；将第一训练样本和第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本；将第一目标训练样本和第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。这样用户在餐馆或者菜市场等日常生活中即可方便、快捷自行鉴别肉质真伪，给用户提供了便利。
在上述技术方案的基础上，将第一目标训练样本和第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，具体可以通过如下方式实现：
A、将第一目标训练样本输入至预先构建的卷积神经网络模型，对预先构建的卷积神经网络模型的前N层和后N层的权重进行第一预设迭代次数的训练，以得到第一卷积神经网络模型，其中，N为大于1的正整数。
示例性的，在模型训练过程中，可以采用已有的反向传播方法训练神经网络模型，其中参数选择如下：初始训练率为0.01，并以每代0.9的速度递减；另外，损失函数为交叉熵，批尺寸为32。
例如，第一预设迭代次数为10，则使用数据集A1、B1、C1对预先构建的卷积神经网络模型进行训练，N取3为例，该步骤只对预先构建的神经网络的前3层和后3层的权重进行训练，其余层则锁定，这样得到第一卷积神经网络模型。
B、将第一目标训练样本输入至第一卷积神经网络模型进行第二预设迭代次数的迭代训练，得到第二卷积神经网络模型。
其中，第二预设迭代次数可以是10，则使用数据集A1、B1、C1对第一卷积神经网络模型进行10代训练，该步骤对整个神经网络的所有层进行训练，得到第二卷积神经网络模型。
C、将第二目标训练样本输入至第二卷积神经网络模型进行第三预设次数的迭代训练，得到肉类鉴别模型。
示例性的，第三预设迭代次数可以是30，则使用数据集A2、B2、C2对第二卷积神经网络模型进行30代训练，该步骤对整个神经网络的所有层进行训练，得到肉类鉴别模型。
图2为本发明实施例提供的一种基于深度学习的肉类鉴别方法的流程图，该方法可以由本发明实施例提供的基于深度学习的肉类鉴别装置来执行，该装置可采用软件和/或硬件的方式实现。参考图2，该方法具体可以包括如下步骤：
S201、获取待鉴别肉类图像。
具体的，本申请实施例中的基于深度学习的肉类鉴别方法可以通过APP(Application，应用程序)的形式设置在手机中，使手机具备肉类鉴别功能。在实际的应用场景中，打开该APP，对当前待鉴别肉类进行拍照，得到待鉴别肉类图像。在一个具体的例子中，可以通过APP中的参数进行设置，使拍摄获得的待鉴别肉类图像为正方形，这样可以与肉类鉴别模型在训练过程中的训练样本的形状保持一致，提高鉴别准确率。
S202、将待鉴别肉类图像输入至应用上述实施例中的深度学习模型训练方法得到的肉类鉴别模型，确定输出类型的标签。
具体的，本申请中应用上述实施例中的深度学习模型训练方法得到的肉类鉴别模型对待鉴别肉类图像进行鉴别，确定输出类型的标签。在一个具体的例子中，标签可以是0、1和2，鉴别类型为3类，每个标签代表一类鉴别结果。
S203、根据输出类型的标签确定鉴别结果，其中，鉴别结果包括真、假和非肉类。
具体的，不同的标签表示不同的鉴别结果，这样可以根据标签确定鉴别结果，例如，标签为0表示鉴别结果为真，标签为1表示鉴别结果为假，标签为2表示鉴别结果为非肉类。将鉴别见过反馈给用户，例如，在用户手机屏幕上以弹窗的形式进行“真羊肉”、“假羊肉”或者“其他物品”等文字提示，也可以通过语音播报上述鉴别结果。示例性的，该鉴别过程可以是1秒。
需要说明是，上述实施例中的深度学习模型训练方法得到的肉类鉴别模型可以存储在服务器中，由服务器进行肉类鉴别，然后将输出类型的标签返回给手机，由手机根据输出类型的标签确定鉴别结果展示给用户。另外，上述实施例中的深度学习模型训练方法得到的肉类鉴别模型可以存储在手机本地，有手机进行肉质鉴别，在本申请实施例中只是用来举例说明，并不形成具体的限定。与现有技术相比，无需将肉类样本送到实验室进行鉴定，只需手机拍照即可获得鉴别结果，方便快捷。
本申请实施例中，获取待鉴别肉类图像；将待鉴别肉类图像输入至上述实施例中的深度学习模型训练方法得到的肉类鉴别模型，确定输出类型的标签；根据输出类型的标签确定鉴别结果，其中，鉴别结果包括真、假和非肉类。这样用户在餐馆或者菜市场等日常生活中即可方便、快捷自行鉴别肉质真伪，给用户提供了便利。
在上述技术方案的基础上，将待鉴别肉类图像输入至应用上述深度学习模型训练方法得到的肉类鉴别模型之前，还包括：将待鉴别肉类图像缩放至设定尺寸，其中，设定尺寸为训练肉类鉴别模型时应用的第一目标训练样本和第二目标训练样本的尺寸。
另外，在本申请实施例中，用羊肉在进行举例，但是，本申请实施例是一个具备通用性的肉质纹理分类架构，只要更改训练样本，本方法即可实现鉴别真假牛肉、鉴别羊肉不同部位或者鉴别真假三文鱼等类似的功能。
为了提高鉴别准确率，在将待鉴别肉类图像输入至肉类鉴别模型之前，可以将待鉴别肉类图像缩放至设定尺寸，该设定尺寸为肉类鉴别模型在训练过程中的应用的第一目标训练样本和第二训练样本中的图像的尺寸，例如可以是500*500像素。
需要说明的是，上述用于肉类鉴别的深度学习模型训练过程可以在其他终端上完成，然后将训练好的肉质识别模型存储至用户的终端中，用户的终端可以是智能手机。还可以应用用户的手机完成深度学习模型训练过程，这里不进行限定。
图3是本发明是实施例提供的一种用于肉类鉴别的深度学习模型训练装置的结构示意图，该装置适用于执行本发明实施例提供给的一种用于肉类鉴别的深度学习模型训练方法。如图3所示，该装置具体可以包括：样本获取模块301、样本缩放模块302和模型训练模块303。
其中，样本获取模块301，用于获取第一训练样本和第二训练样本；第一训练样本包括第一目标肉类以第一摆放方式摆放时获得的第一数量的图像、非目标肉类以第一摆放方式摆放时获得的第一数量的图像，以及，非肉类随机摆放时获得第一数量的图像；第二训练样本包括第二目标肉类以第二摆放方式摆放时获得的第二数量的图像、非目标肉类以第二摆放方式摆放时获得的第二数量的图像，以及，非肉类随机摆放时获得的第二数量的图像；样本缩放模块302，用于将第一训练样本和第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本；模型训练模块303，用于将第一目标训练样本和第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。
本申请实施例中，通过获取第一训练样本和第二训练样本；将第一训练样本和第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本；将第一目标训练样本和第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。这样用户在餐馆或者菜市场等日常生活中即可方便、快捷自行鉴别肉质真伪，给用户提供了便利。
可选的，模型训练模块303具体用于：
将第一目标训练样本输入至预先构建的卷积神经网络模型，对预先构建的卷积神经网络模型的前N层和后N层的权重进行第一预设迭代次数的训练，以得到第一卷积神经网络模型，其中，N为大于1的正整数；
将第一目标训练样本输入至第一卷积神经网络模型进行第二预设迭代次数的迭代训练，得到第二卷积神经网络模型；
将第二目标训练样本输入至第二卷积神经网络模型进行第三预设次数的迭代训练，得到肉类鉴别模型。
可选的，第一目标肉类和第二目标肉类的种类相同，原材料不同。
可选的，预先构建的卷积神经网络模型为基于ImageNet数据集训练得到的InceptionV3卷积神经网络模型。
本发明实施例提供的用于肉类鉴别的深度学习模型训练装置可执行本发明任意实施例提供的用于肉类鉴别的深度学习模型训练方法，具备执行方法相应的功能模块和有益效果。
图4是本发明是实施例提供的一种基于深度学习的肉类鉴别装置的结构示意图，该装置适用于执行本发明实施例提供给的一种基于深度学习的肉类鉴别方法。如图4所示，该装置具体可以包括：图像获取模块401、鉴别模块402和鉴别结果确定模块403。
其中，图像获取模块401，用于获取待鉴别肉类图像；鉴别模块402，用于将待鉴别肉类图像输入至应用本申请实施例中的深度学习模型训练方法得到的肉类鉴别模型，确定输出类型的标签；鉴别结果确定模块403，用于根据输出类型的标签确定鉴别结果，其中，鉴别结果包括真、假和非肉类。
本申请实施例中，获取待鉴别肉类图像；将待鉴别肉类图像输入至上述实施例中的深度学习模型训练方法得到的肉类鉴别模型，确定输出类型的标签；根据输出类型的标签确定鉴别结果，其中，鉴别结果包括真、假和非肉类。这样用户在餐馆或者菜市场等日常生活中即可方便、快捷自行鉴别肉质真伪，给用户提供了便利。
可选的，还包括样本调整模块，用于在将所述待鉴别肉类图像输入至肉类鉴别模型之前，将所述待鉴别肉类图像缩放至设定尺寸，其中，所述设定尺寸为训练所述肉类鉴别模型时应用的第一目标训练样本和所述第二目标训练样本的尺寸。
本发明实施例提供的基于深度学习的肉类鉴别装置可执行本发明任意实施例提供的基于深度学习的肉类鉴别方法，具备执行方法相应的功能模块和有益效果。
本发明实施例还提供一种终端，请参阅图5，图5为一种终端的结构示意图，如图5所示，该终端包括：处理器510，以及与处理器510相连接的存储器520；存储器520用于存储计算机程序，计算机程序至少用于执行本发明实施例中的用于肉类鉴别的深度学习模型训练方法；处理器410用于调用并执行存储器中的计算机程序；上述用于肉类鉴别的深度学习模型训练至少包括如下步骤：获取第一训练样本和第二训练样本；其中，第一训练样本包括第一目标肉类以第一摆放方式摆放时获得的第一数量的图像、非目标肉类以第一摆放方式摆放时获得的第一数量的图像，以及，非肉类随机摆放时获得第一数量的图像；第二训练样本包括第二目标肉类以第二摆放方式摆放时获得的第二数量的图像、非目标肉类以第二摆放方式摆放时获得的第二数量的图像，以及，非肉类随机摆放时获得的第二数量的图像；将第一训练样本和第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本；将第一目标训练样本和第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。
计算机程序还用于执行本发明实施例中的基于深度学习的肉类鉴别方法，上述基于深度学习的肉类鉴别方法至少包括如下步骤：获取待鉴别肉类图像；将待鉴别肉类图像输入至应用本申请实施例中的深度学习模型训练方法得到的肉类鉴别模型，确定输出类型的标签；根据输出类型的标签确定鉴别结果，其中，鉴别结果包括真、假和非肉类。
本发明实施例还提供一种存储介质，存储介质存储有计算机程序，计算机程序被处理器执行时，实现如本发明实施例中的用于肉类鉴别的深度学习模型训练方法中各个步骤：获取第一训练样本和第二训练样本；其中，第一训练样本包括第一目标肉类以第一摆放方式摆放时获得的第一数量的图像、非目标肉类以第一摆放方式摆放时获得的第一数量的图像，以及，非肉类随机摆放时获得第一数量的图像；第二训练样本包括第二目标肉类以第二摆放方式摆放时获得的第二数量的图像、非目标肉类以第二摆放方式摆放时获得的第二数量的图像，以及，非肉类随机摆放时获得的第二数量的图像；将第一训练样本和第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本；将第一目标训练样本和第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。
存储介质存储有计算机程序，计算机程序被处理器执行时，实现如本发明实施例中的基于深度学习的肉类鉴别方法中各个步骤：获取待鉴别肉类图像；将待鉴别肉类图像输入至应用本申请实施例中的深度学习模型训练方法得到的肉类鉴别模型，确定输出类型的标签；根据输出类型的标签确定鉴别结果，其中，鉴别结果包括真、假和非肉类。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种用于肉类鉴别的深度学习模型训练方法，其特征在于，包括：
获取第一训练样本和第二训练样本；
其中，所述第一训练样本包括第一目标肉类以第一摆放方式摆放时获得的第一数量的图像、非目标肉类以所述第一摆放方式摆放时获得的第一数量的图像，以及，非肉类随机摆放时获得第一数量的图像；所述第二训练样本包括第二目标肉类以第二摆放方式摆放时获得的第二数量的图像、非目标肉类以所述第二摆放方式摆放时获得的第二数量的图像，以及，非肉类随机摆放时获得的第二数量的图像；
将所述第一训练样本和所述第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本；
将所述第一目标训练样本和所述第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。
2.根据权利要求1所述的方法，其特征在于，所述将所述第一目标训练样本和所述第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，包括：
将所述第一目标训练样本输入至预先构建的卷积神经网络模型，对所述预先构建的卷积神经网络模型的前N层和后N层的权重进行第一预设迭代次数的训练，以得到第一卷积神经网络模型，其中，N为大于1的正整数；
将所述第一目标训练样本输入至所述第一卷积神经网络模型进行第二预设迭代次数的迭代训练，得到第二卷积神经网络模型；
将所述第二目标训练样本输入至所述第二卷积神经网络模型进行第三预设次数的迭代训练，得到肉类鉴别模型。
3.根据权利要求1所述的方法，其特征在于，所述第一目标肉类和所述第二目标肉类的种类相同，原材料不同。
4.根据权利要求1所述的方法，其特征在于，所述预先构建的卷积神经网络模型为基于ImageNet数据集训练得到的InceptionV3卷积神经网络模型。
5.一种基于深度学习的肉类鉴别方法，其特征在于，包括：
获取待鉴别肉类图像；
将所述待鉴别肉类图像输入至应用权利要求1-4任一项所述的深度学习模型训练方法得到的肉类鉴别模型，确定输出类型的标签；
根据所述输出类型的标签确定鉴别结果，其中，所述鉴别结果包括真、假和非肉类。
6.根据权利要求5所述的方法，其特征在于，所述将所述待鉴别肉类图像输入至应用权利要求1-4任一项所述的深度学习模型训练方法得到的肉类鉴别模型之前，还包括：
将所述待鉴别肉类图像缩放至设定尺寸，其中，所述设定尺寸为训练所述肉类鉴别模型时应用的第一目标训练样本和所述第二目标训练样本的尺寸。
7.一种用于肉类鉴别的深度学习模型训练装置，其特征在于，包括：
样本获取模块，用于获取第一训练样本和第二训练样本；
其中，所述第一训练样本包括第一目标肉类以第一摆放方式摆放时获得的第一数量的图像、非目标肉类以所述第一摆放方式摆放时获得的第一数量的图像，以及，非肉类随机摆放时获得第一数量的图像；所述第二训练样本包括第二目标肉类以第二摆放方式摆放时获得的第二数量的图像、非目标肉类以所述第二摆放方式摆放时获得的第二数量的图像，以及，非肉类随机摆放时获得的第二数量的图像；
样本缩放模块，用于将所述第一训练样本和所述第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本；
模型训练模块，用于将所述第一目标训练样本和所述第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。
8.一种基于深度学习的肉类鉴别装置，其特征在于，包括：
图像获取模块，用于获取待鉴别肉类图像；
鉴别模块，用于将所述待鉴别肉类图像输入至应用权利要求1-4任一项所述的深度学习模型训练方法得到的肉类鉴别模型，确定输出类型的标签；
鉴别结果确定模块，用于根据所述输出类型的标签确定鉴别结果，其中，所述鉴别结果包括真、假和非肉类。
9.一种终端，其特征在于，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行权利要求1-6任一项所述的方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-6任一项所述的方法中各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911220261.3A CN111046932A (zh) | 2019-12-03 | 2019-12-03 | 模型训练方法、肉类鉴别方法、装置、终端和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911220261.3A CN111046932A (zh) | 2019-12-03 | 2019-12-03 | 模型训练方法、肉类鉴别方法、装置、终端和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111046932A true CN111046932A (zh) | 2020-04-21 |
Family
ID=70233385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911220261.3A Pending CN111046932A (zh) | 2019-12-03 | 2019-12-03 | 模型训练方法、肉类鉴别方法、装置、终端和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111046932A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112115960A (zh) * | 2020-06-15 | 2020-12-22 | 曹辉 | 一种收藏品鉴别方法和系统 |
| CN112330569A (zh) * | 2020-11-27 | 2021-02-05 | 上海眼控科技股份有限公司 | 模型训练方法、文本去噪方法、装置、设备及存储介质 |
| CN112712133A (zh) * | 2021-01-15 | 2021-04-27 | 北京华捷艾米科技有限公司 | 深度学习网络模型的训练方法、相关装置及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609598A (zh) * | 2017-09-27 | 2018-01-19 | 武汉斗鱼网络科技有限公司 | 图像鉴别模型训练方法、装置及可读存储介质 |
| CN108229543A (zh) * | 2017-12-22 | 2018-06-29 | 中国科学院深圳先进技术研究院 | 图像分类模型设计方法及装置 |
| CN109190476A (zh) * | 2018-08-02 | 2019-01-11 | 福建工程学院 | 一种蔬菜识别的方法及装置 |
| CN109740681A (zh) * | 2019-01-08 | 2019-05-10 | 南方科技大学 | 一种水果分拣方法、装置、系统、终端及存储介质 |
| CN109886335A (zh) * | 2019-02-21 | 2019-06-14 | 厦门美图之家科技有限公司 | 分类模型训练方法及装置 |
| CN110378408A (zh) * | 2019-07-12 | 2019-10-25 | 台州宏创电力集团有限公司 | 基于迁移学习和神经网络的电力设备图像识别方法和装置 |
-
2019
- 2019-12-03 CN CN201911220261.3A patent/CN111046932A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609598A (zh) * | 2017-09-27 | 2018-01-19 | 武汉斗鱼网络科技有限公司 | 图像鉴别模型训练方法、装置及可读存储介质 |
| CN108229543A (zh) * | 2017-12-22 | 2018-06-29 | 中国科学院深圳先进技术研究院 | 图像分类模型设计方法及装置 |
| CN109190476A (zh) * | 2018-08-02 | 2019-01-11 | 福建工程学院 | 一种蔬菜识别的方法及装置 |
| CN109740681A (zh) * | 2019-01-08 | 2019-05-10 | 南方科技大学 | 一种水果分拣方法、装置、系统、终端及存储介质 |
| CN109886335A (zh) * | 2019-02-21 | 2019-06-14 | 厦门美图之家科技有限公司 | 分类模型训练方法及装置 |
| CN110378408A (zh) * | 2019-07-12 | 2019-10-25 | 台州宏创电力集团有限公司 | 基于迁移学习和神经网络的电力设备图像识别方法和装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112115960A (zh) * | 2020-06-15 | 2020-12-22 | 曹辉 | 一种收藏品鉴别方法和系统 |
| CN112330569A (zh) * | 2020-11-27 | 2021-02-05 | 上海眼控科技股份有限公司 | 模型训练方法、文本去噪方法、装置、设备及存储介质 |
| CN112712133A (zh) * | 2021-01-15 | 2021-04-27 | 北京华捷艾米科技有限公司 | 深度学习网络模型的训练方法、相关装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Garcia et al. | Automatic segmentation of fish using deep learning with application to fish size measurement | |
| CN111046932A (zh) | 模型训练方法、肉类鉴别方法、装置、终端和存储介质 | |
| CN108765278B (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
| WO2017197959A1 (zh) | 一种图片处理方法、装置及设备 | |
| Descamps et al. | An automatic counter for aerial images of aggregations of large birds | |
| Fang et al. | Automatic image cropping using visual composition, boundary simplicity and content preservation models | |
| Yeh et al. | Haze effect removal from image via haze density estimation in optical model | |
| CN108475326B (zh) | 用于提供与图像关联的服务的方法、存储介质和电子设备 | |
| CN102930523B (zh) | 图片处理系统和图片拼接实现方法 | |
| JP5779720B2 (ja) | 検索のための画像品質分析 | |
| US10776675B2 (en) | System and method for facilitating logo-recognition training of a recognition model | |
| CN103988202A (zh) | 基于索引和搜索的图像吸引力 | |
| CN104484855B (zh) | 图片裁剪的方法和装置 | |
| JP2013025728A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
| WO2016145844A1 (zh) | 一种图片排序方法和相应的图片存储显示设备 | |
| Rossi et al. | FishAPP: A mobile App to detect fish falsification through image processing and machine learning techniques | |
| WO2011002524A1 (en) | Non-product image identification | |
| CN110149475B (zh) | 图像拍摄方法及装置、电子装置、存储介质和计算机设备 | |
| CN108289176B (zh) | 一种拍照搜题方法、搜题装置及终端设备 | |
| CN105447846B (zh) | 一种图像处理方法及电子设备 | |
| CN109556691A (zh) | 一种预估栏位牲畜均重的方法、装置及系统 | |
| CN110378304B (zh) | 皮肤状态检测方法、装置、设备及存储介质 | |
| WO2015196681A1 (zh) | 一种图片处理方法及电子设备 | |
| CN103353879B (zh) | 图像处理方法及设备 | |
| CN112419432A (zh) | 冰箱内食物的控制方法和装置、电子设备和存储介质 |
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: 20200421 |
|
| RJ01 | Rejection of invention patent application after publication |