CN111126156A

CN111126156A - 一种基于机器学习的菜品新鲜度识别方法

Info

Publication number: CN111126156A
Application number: CN201911179968.4A
Authority: CN
Inventors: 宋晋瑜; 杨进; 唐晔晨; 曹志铭; 谭皓天
Original assignee: Sichuan University
Current assignee: Sichuan University
Priority date: 2019-11-27
Filing date: 2019-11-27
Publication date: 2020-05-08

Abstract

本发明涉及算法领域，具体而言，涉及一种基于机器学习的菜品新鲜度识别方法，该方法包括：获取多张蔬菜图像，对每张蔬菜图像进行新鲜度的标记，得到已标记蔬菜图像，对每张已标记蔬菜图像进行封装，得到数据集文件，搭建网络模型得到目标网络模型，将数据集文件导入所述目标网络模型得到训练模型，将所述训练模型以设定文件的形式部署在服务器内，前端设备发送目标图像至服务器内，根据服务器内部署的训练模型对所述目标图像进行识别得到识别结果，将所述识别结果储存于所述服务器内。如此，无需人工筛选就能高效、便捷地实现对蔬菜的新鲜度识别，显著降低人力成本。

Description

一种基于机器学习的菜品新鲜度识别方法

技术领域

本发明涉及机器学习算法领域，具体而言，涉及一种基于机器学习的菜品新鲜度识别方法。

背景技术

随着科学技术与人工智能的迅速发展，各种智能家电已经逐渐进入人们的日常生活，逐渐改变、优化着人们的日常生活。尤其对农贸市场的瓜果蔬菜的新鲜度极为关注，而新鲜度是食品质量的一个重要指标，传统的农贸市场对蔬菜新鲜度的检测都是通过人工筛选，如此，显著增加了人力成本。

发明内容

本发明提供了一种基于机器学习的菜品新鲜度识别方法，首先获取蔬菜图像，对每张蔬菜图像进行标记，并进行封装得到数据集文件，搭建网络模型，对网络模型进行编译，得到目标网络模型，其次将数据集文件导入目标网络模型，并基于数据集文件对目标网络模型进行训练，得到训练模型，训练模型以设定文件的形式部署在服务器内，最后前端设备发送目标图像至服务器内，根据服务器内部署的训练模型对目标图像进行识别得到识别结果，将识别结果储存于服务器内。如此，无需人工筛选就能高效、便捷地实现对蔬菜的新鲜度识别，显著降低了人力成本。

本发明提供了一种基于机器学习的菜品新鲜度识别方法，所述方法包括：

获取多张蔬菜图像，对每张蔬菜图像进行新鲜度的标记，得到已标记蔬菜图像；

对每张已标记蔬菜图像进行封装，得到数据集文件；

搭建网络模型，对所述网络模型进行编译，得到目标网络模型；

将所述数据集文件导入所述目标网络模型，并基于所述数据集文件对所述目标网络模型进行训练，得到训练模型；其中，所述训练模型的识别准确度达到预设值，所述识别准确度是对蔬菜的新鲜度进行识别的准确度；

将所述训练模型以设定文件的形式部署在服务器内；

前端设备发送目标图像至服务器内，根据服务器内部署的训练模型对所述目标图像进行识别得到识别结果，将所述识别结果储存于所述服务器内。

可选地，所述对每张蔬菜图像进行新鲜度的标记包括：

按照设定新鲜度类别对所述每张蔬菜图像进行新鲜度的标记，其中，所述新鲜度包括第一类新鲜度、第二类新鲜度、第三类新鲜度和第四类新鲜度。

可选地，所述对每张已标记蔬菜图像进行封装，得到数据集文件包括：

采用python脚本对所述每张已标记蔬菜图像进行增强扩张，得到泛化图片；

基于封闭numpy库函数对每张泛化图片进行封装，得到所述数据集文件。

可选地，在搭建网络模型的步骤之前，所述方法还包括：

基于编写的数据集操作脚本对所述数据集文件进行读取，对所述数据集文件中的每张泛化图片进行扁平化和归一化处理并对所述数据集文件中的每张泛化图片对应的标签进行one-hot编码，得到预处理数据。

可选地，将所述数据集文件导入所述目标网络模型，并基于所述数据集文件对所述目标网络进行训练，得到训练模型，包括：

将所述预处理数据划分为训练集和验证集；

将所述训练集和所述验证集导入所述目标网络模型，对所述目标网络模型进行训练和验证，得到所述训练模型。

可选地，所述服务器内的识别结果通过所述前端设备进行显示。

可选地，所述设定文件采用model.h5文件。

可选地，将所述model.h5文件放置于服务器内的/home/username/model目录下。

本发明与现有技术相比，具有的有益效果为：

本发明首先获取蔬菜图像，对每张蔬菜图像进行标记，并进行封装得到数据集文件，搭建网络模型，对网络模型进行编译，得到目标网络模型，其次将数据集文件导入目标网络模型，并基于数据集文件对目标网络模型进行训练，得到训练模型，训练模型以设定文件的形式部署在服务器内，最后前端设备发送目标图像至服务器内，根据服务器内部署的训练模型对目标图像进行识别得到识别结果，将识别结果储存于服务器内。如此，无需人工筛选就能高效、便捷地实现对蔬菜的新鲜度识别，显著降低了人力成本。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例所提供的一种基于机器学习的菜品新鲜度识别方法的流程图。

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，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

发明人经调查发现，现有设计中对蔬菜新鲜度的检测都是通过人工筛选，如此，显著增加了人力成本。

以上现有技术中的方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案，都应该是发明人在本发明过程中对本发明做出的贡献。

基于上述研究，本发明实施例提供了一种基于机器学习的菜品新鲜度识别方法，通过深度学习算法对每颗蔬菜的新鲜程度有一个精准的评估，无需人工筛选就能高效、便捷地实现对蔬菜的新鲜度识别，显著降低人力成本。

实施例：

图1为本发明实施例所提供的一种基于机器学习的菜品新鲜度识别方法的流程图，下面将对图1所示的具体流程进行详细阐述：

S11，获取多张蔬菜图像，对每张蔬菜图像进行新鲜度的标记，得到已标记蔬菜图像。

S12，对每张已标记蔬菜图像进行封装，得到数据集文件。

S13，搭建网络模型，对网络模型进行编译，得到目标网络模型。

S14，将数据集文件导入目标网络模型，并基于数据集文件对目标网络模型进行训练，得到训练模型；其中，训练模型的识别准确度达到，识别准确度是对蔬菜的新鲜度进行识别的准确度。

S15，将训练模型以设定文件的形式部署在服务器内。

S16，前端设备发送目标图像至服务器内，根据服务器内部署的训练模型对目标图像进行识别得到识别结果，将识别结果储存于服务器内。

通过S11-S16，可以无需人工筛选就能高效、便捷地实现对蔬菜的新鲜度识别，显著降低人力成本。

在具体实施例时，在S11中，用相机或手机拍摄蔬菜图片，用作原始蔬菜图像。为了对每张蔬菜图像进行新鲜度的标记，还可以包括以下内容：按照设定新鲜度类别对每张蔬菜图像进行新鲜度的标记，其中，新鲜度包括第一类新鲜度、第二类新鲜度、第三类新鲜度和第四类新鲜度，而第一类新鲜度为最新鲜，第四新鲜度为最不新鲜。对于新鲜度可以从叶片颜色、中脉颜色、叶边是卷曲程度、萎焉程度和软化程度等特征进行判断。

若蔬菜图像的特征为：叶片青绿、中脉白色、叶边无卷曲、无萎焉、无软化，则标记为第一类新鲜度。

若蔬菜图像的特征为：叶片极少发黄、中脉极少发黄、叶边极少卷曲、极少萎焉、极少软化，则标记为第二类新鲜度。

若蔬菜图像的特征为：叶片发黄、少量黑斑，中脉发黄、少量黑斑，叶边部分卷曲、部分萎焉、部分软化，则标记为第三类新鲜度。

若蔬菜图像的特征为：叶片发黄、大量黑斑，中脉发黄、大量黑斑，叶边大量卷曲，大量萎焉、干枯，大面积软化，则标记为第四类新鲜度。

在S12中，为了得到数据集文件，还可以包括以下内容：采用python脚本对每张已标记蔬菜图像进行增强扩张，得到泛化图片，基于封闭numpy库函数对每张泛化图片进行封装，得到数据集文件。

进一步地，由于拍摄的数据像素过高，为了加快识别的速度，可以采用python脚本对数据进行批量缩放，蔬菜图像进行增强扩张是对数据量进行增大、对数据进行泛化。

在S13中，为了搭建网络模型，具体还包括以下内容：在搭建网络模型的步骤之前，通过封装numpy库函数，得到一个二进制数据集文件，基于编写的数据集操作脚本对二进制数据集文件进行读取，对数据集文件中的每张泛化图片进行扁平化和归一化处理，并对数据集文件中的每张泛化图片对应的标签进行one-hot编码，得到预处理数据。

在S14中，为了得到训练模型，具体还包括以下内容：将数据集文件导入目标网络模型，并基于数据集文件对目标网络进行训练，直到模型识别准确度达到97%以上，可以理解，在本实施例中，S11中的预设值为97%，得到训练模型，其中，预处理数据划分为训练集和验证集，比例为8：2，训练集和验证集导入目标网络模型，对目标网络模型进行训练和验证，通过训练集对模型进行训练，每一epoch后运行测试集进行模型评估，通过梯度下降来实现模型修正，周而复始，得到准确度更高的训练模型。

在S15中，为了对服务器内的训练模型以设定文件的形式进行部署，具体还包括以下内容：设定文件采用model.h5文件，model.h5文件放置于服务器内的/home/username/model目录下。

在本实施例中，为了得到识别结果，基于http协议接收前端设备发送的目标图像，在设定接口中，根据keras调用/home/username/model/model.h5文件，获得针对目标图像中的蔬菜的新鲜度的识别结果，基于http协议将识别结果返回至前端设备，以使前端设备将识别结果进行显示，其中，调用pymongo模块将识别结果记录于mongodb数据库中，pymongo模块和mongodb数据库是预先部署的，识别结果中包括对目标图像中的蔬菜的新鲜度的识别过程。

进一步地，在服务器上安装python3.5，nginx，mongodb软件，同时对python环境中需要安装好keras、django、pymongo依赖模块。服务器采用阿里云平台的云虚拟主机，并拥有公网IP。

使用django框架搭建服务后台，判断蔬菜新鲜度的接口会暴露在/api/predict下，在该接口中，利用keras调用训练好的预测模型/home/username/model/model.h5文件获得输出，整个分析过程和分析结果会调用pymongo模块记录在mongodb数据库中，并将输出返回给前端调用者。

在前端树莓派4代开发版配合SCI接口摄像头，采用http协议将图片的二进制流上传到物联网云端，具体方法如下：

首先，准备好开发板和摄像头模块后先在开发机上安装摄像机的驱动程序。

其次，利用4代开发版内置的wifi模块实现联网，并将拍摄好的图片数据使用http协议发送到物联网云端上。

最终，在摄像头拍摄好图片后，对图片进行高比例的压缩，并在http协议下传输到服务器暴露的指定接口并获取服务器的返回结果，并将其呈现在显示屏上。

在数据接收和处理方面，使用java语言开发物联网云端平台，物联网云端基于阿里云计算平台而构建，使用django框架实现图片数据接收API，硬件前端收集好的数据就会通过此接口上传到云端。在云端接收到上传到的图片后，传递给目标网络模型层进行计算，并得到此次图片新鲜程度的评价，并等待输出结果。在整个流程结束后，物联网平台会利用ODBC模块将目标网络模型的数据分析过程和结果记录到数据库中。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于机器学习的菜品新鲜度识别方法，其特征在于，所述方法包括：

对每张已标记蔬菜图像进行封装，得到数据集文件；

将所述训练模型以设定文件的形式部署在服务器内；

2.根据权利要求1所述的一种基于机器学习的菜品新鲜度识别方法，其特征在于，所述对每张蔬菜图像进行新鲜度的标记包括：

3.根据权利要求1所述的一种基于机器学习的菜品新鲜度识别方法，其特征在于，所述对每张已标记蔬菜图像进行封装，得到数据集文件包括：

4.根据权利要求3所述的一种基于机器学习的菜品新鲜度识别方法，其特征在于，在搭建网络模型的步骤之前，所述方法还包括：

5.根据权利要求4所述的一种基于机器学习的菜品新鲜度识别方法，其特征在于，将所述数据集文件导入所述目标网络模型，并基于所述数据集文件对所述目标网络进行训练，得到训练模型，包括：

将所述预处理数据划分为训练集和验证集；

6.根据权利要求1所述一种基于机器学习的菜品新鲜度识别方法，其特征在于，所述服务器内的识别结果通过所述前端设备进行显示。

7.根据权利要求1所述的一种基于机器学习的菜品新鲜度识别方法，其特征在于，所述设定文件采用model.h5文件。

8.根据权利要求7所述的一种基于机器学习的菜品新鲜度识别方法，其特征在于，将所述model.h5文件放置于服务器内的/home/username/model目录下。