CN111986274A - 一种西瓜成熟状态检测方法、设备及介质 - Google Patents
一种西瓜成熟状态检测方法、设备及介质 Download PDFInfo
- Publication number
- CN111986274A CN111986274A CN202010597200.5A CN202010597200A CN111986274A CN 111986274 A CN111986274 A CN 111986274A CN 202010597200 A CN202010597200 A CN 202010597200A CN 111986274 A CN111986274 A CN 111986274A
- Authority
- CN
- China
- Prior art keywords
- watermelon
- ripeness
- state detection
- image
- detection 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
- 241000219109 Citrullus Species 0.000 title claims abstract description 290
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 title claims abstract description 290
- 238000001514 detection method Methods 0.000 title claims abstract description 134
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims description 55
- 238000011176 pooling Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 18
- 230000005070 ripening Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 241000219112 Cucumis Species 0.000 description 4
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 4
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种西瓜成熟状态检测方法、设备及介质，包括：获取当前的西瓜图像；将所述当前的西瓜图像输入至预先训练的西瓜成熟状态检测模型，确定出所述当前的西瓜图像对应的检测结果，其中，所述西瓜成熟状态模型根据西瓜图像样本训练得到，所述西瓜图像样本包括不同成熟状态的西瓜图像。本申请实施例通过预先训练的西瓜成熟状态检测模型可以更好的确实出西瓜的成熟状态，其中，西瓜成熟状态检测模型是根据不同成熟状态的西瓜图像训练得到，在进行西瓜状态检测时更加准确。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种西瓜成熟状态检测方法、设备及介质。
背景技术
目前判断西瓜成熟状态的方法大都是通过瓜农的经验，可以采用形态观察法或者听声音法。其中，形态观察法是通过观察瓜田中西瓜的形态判断西瓜是否成熟，形态观察法需要挑选者具备丰富的摘瓜经验；听声音法是通过手轻敲瓜皮时发出“嘭嘭”低浊音的为成熟瓜，发出“咚咚”清脆声音的是未成熟瓜，但有时瓜皮较厚或死秧瓜，虽然不熟，敲时也会发出“嘭嘭”声。
现有技术中，需要挑选者具备丰富的摘瓜经验，若是挑选者的经验不足，无法通过形态观察法判断西瓜成熟状态，通过听声音法无法准确的判断西瓜成熟状态。
发明内容
有鉴于此，本申请实施例提供了一种西瓜成熟状态检测方法、设备及介质，用于解决现有技术中缺乏检测西瓜成熟检测方法的问题。
本申请实施例采用下述技术方案：
本申请实施例提供一种西瓜成熟状态检测方法，所述方法包括：
获取当前的西瓜图像；
将所述当前的西瓜图像输入至预先训练的西瓜成熟状态检测模型，确定出所述当前的西瓜图像对应的检测结果，其中，所述西瓜成熟状态模型根据西瓜图像样本训练得到，所述西瓜图像样本包括不同成熟状态的西瓜图像。
需要说明的是，本申请实施例通过预先训练的西瓜成熟状态检测模型可以更好的确实出西瓜的成熟状态，其中，西瓜成熟状态检测模型是根据不同成熟状态的西瓜图像训练得到，在进行西瓜状态检测时更加准确。
进一步的，所述将所述当前的西瓜图像输入至预先训练的西瓜成熟状态检测模型之前，所述方法还包括：
对所述当前的西瓜图像进行预处理操作，得到符合所述西瓜成熟状态检测模型要求的图像。
需要说明的是，西瓜成熟状态检测模型在检测图像之前，需要对图像进行预处理，使得输入的图像符合西瓜成熟检测模型的要求，使得西瓜成熟状态检测模型的检测结果更加准确。
进一步的，所述预处理操作包括归一化处理及去噪操作。
需要说明的是，归一化处理及去噪操作都是可以使得西瓜图像符合西瓜成熟状态检测模型的要求，使得西瓜成熟状态检测模型的检测结果更加准确。
进一步的，所述不同成熟状态的西瓜图像包括未成熟状态的西瓜图像、已成熟状态的西瓜图像以及熟透状态的西瓜图像。
进一步的，所述将所述当前的西瓜图像输入至预先训练的西瓜成熟状态检测模型之前，所述方法还包括：
通过摄像头采集不同成熟状态的西瓜图像，并对不同成熟状态的西瓜图像进行标注，构成西瓜成熟状态检测的数据集；
建立初始的西瓜成熟状态检测模型；
根据所述西瓜成熟状态检测的数据集训练所述初始的西瓜成熟状态检测模型，得到符合条件的西瓜成熟状态检测模型。
需要说明的是，上述步骤为西瓜成熟状态检测模型的建立过程，通过上述步骤得到了符合条件的西瓜成熟状态检测模型，可以对当前的西瓜图像进行成熟状态的检测。
进一步的，所述根据所述西瓜成熟状态检测的数据集训练所述初始的西瓜成熟状态检测模型，得到符合条件的西瓜成熟状态检测模型，具体包括：
将所述数据集按照预先设定的比例划分为训练测试集与验证集；
根据第一预设方式对所述训练测试集进行验证，并将第一预设比例的所述训练测试集划分为测试集，将第二预设比例的所述训练测试集划分为训练集；
根据所述训练集与所述测试集训练所述初始的西瓜成熟状态检测模型，得出多个预选的西瓜成熟状态检测模型；
根据第二预设方式，在所述多个预选的西瓜成熟状态检测模型筛选出第一西瓜成熟状态检测模型；
将所述验证集输入至所述第一西瓜成熟状态检测模型，并根据代价函数确定出第一西瓜成熟状态检测模型的代价值；
若所述代价值处于预设阈值，所述第一西瓜成熟状态检测模型为符合条件的西瓜成熟状态检测模型。
需要说明的是，上述步骤为西瓜成熟状态检测模型的训练过程，通过上述步骤训练出符合条件的西瓜成熟状态检测模型，可以对当前的西瓜图像进行成熟状态的检测。
进一步的，所述第一预设方式为十折交叉验证法，所述第二预设方式为投票法，所述代价函数为softmax函数。
进一步的，所述西瓜成熟状态检测模型的结构具体包括：
第一层由两层3x3x32/1的卷积层和两层2x2/2的最大池化层交替组成；
第二层为一层3x3x64/1的卷积层和一层2x2/2的池化层组成；
第三层由一层3x3x128/1的卷积层和一次2x2/2的池化层组成；
第四层由一层1x1x64的卷积层、一层3x3x128/1的卷积层和2x2/2的池化层组成；
第五层由一层3x3x256/1的卷积层、一层1x1x128的卷积层、一层3x3x256/1的卷积层和一层2x2/2的池化层组成；
第六层由一层3x3x512/1的卷积层、一层1x1x256的卷积层和一层3x3x512/1的卷积层组成；
第七层由一层1x1x256的卷积层、一层3x3x512的卷积层和2x2/2的池化层组成；
第八层由四层全连接层组成。
需要说明的是，上述为西瓜成熟状态检测模型的具体结构，通过上述结构组成了西瓜成熟状态检测模型。
本申请实施例还提供一种西瓜成熟状态检测设备，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取当前的西瓜图像；
将所述当前的西瓜图像输入至预先训练的西瓜成熟状态检测模型，确定出所述当前的西瓜图像对应的检测结果，其中，所述西瓜成熟状态模型根据西瓜图像样本训练得到，所述西瓜图像样本包括不同成熟状态的西瓜图像。
本申请实施例还提供一种西瓜成熟状态检测介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
获取当前的西瓜图像；
将所述当前的西瓜图像输入至预先训练的西瓜成熟状态检测模型，确定出所述当前的西瓜图像对应的检测结果，其中，所述西瓜成熟状态模型根据西瓜图像样本训练得到，所述西瓜图像样本包括不同成熟状态的西瓜图像。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请实施例通过预先训练的西瓜成熟状态检测模型可以更好的确实出西瓜的成熟状态，其中，西瓜成熟状态检测模型是根据不同成熟状态的西瓜图像训练得到，在进行西瓜状态检测时更加准确。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例一提供的一种西瓜成熟状态检测方法的流程示意图；
图2为本说明书实施例二提供的一种西瓜成熟状态检测方法的流程示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例一提供的一种西瓜成熟状态检测方法的流程示意图，本说明书实施例可以由西瓜成熟状态检测系统执行下述步骤，具体包括：
步骤S101，西瓜成熟状态检测系统获取当前的西瓜图像。
步骤S102，西瓜成熟状态检测系统将所述当前的西瓜图像输入至预先训练的西瓜成熟状态检测模型，确定出所述当前的西瓜图像对应的检测结果，其中，所述西瓜成熟状态模型根据西瓜图像样本训练得到，所述西瓜图像样本包括不同成熟状态的西瓜图像。
在本说明书实施例的步骤S102中，不同成熟状态的西瓜图像可以包括未成熟状态的西瓜图像、已成熟状态的西瓜图像以及熟透状态的西瓜图像。西瓜成熟状态模型可以为基于神经网络训练的西瓜成熟状态模型。
本申请实施例通过预先训练的西瓜成熟状态检测模型可以更好的确实出西瓜的成熟状态，其中，西瓜成熟状态检测模型是根据不同成熟状态的西瓜图像训练得到，在进行西瓜状态检测时更加准确。
与本说明书实施例一相对应的是，图2为本说明书实施例二提供的一种西瓜成熟状态检测方法的流程示意图，本说明书实施例可以由西瓜成熟状态检测系统执行下述步骤，具体包括：
步骤S201，西瓜成熟状态检测系统通过摄像头采集不同成熟状态的西瓜图像，并对不同成熟状态的西瓜图像进行标注，构成西瓜成熟状态检测的数据集。
在本说明书实施例的步骤S201中，可以使用手机摄像头或监控摄像头收集不同成熟状态的西瓜图像。西瓜成熟后瓜皮便会呈出特有的光泽和色彩，具体的，西瓜成熟后瓜皮发亮，花纹清晰，表皮细筋突起，并且，成熟的西瓜，贴地面生成的瓜皮，深绿皮品种变为黄色，浅色皮品种变为绿白色。可以通过上述方式对不同成熟状态的西瓜图像进行标注，此外，也可以通过切开西瓜进行验证，验证后对不同成熟状态的西瓜图像进行标注。
步骤S202，西瓜成熟状态检测系统建立初始的西瓜成熟状态检测模型。
在本说明书实施例的步骤S202中，西瓜成熟状态检测模型可以是基于SSD模型框架建立的神经网络模型。
步骤S203，西瓜成熟状态检测系统根据所述西瓜成熟状态检测的数据集训练所述初始的西瓜成熟状态检测模型，得到符合条件的西瓜成熟状态检测模型。
在本说明书实施例的步骤S203中，根据所述西瓜成熟状态检测的数据集训练所述初始的西瓜成熟状态检测模型，得到符合条件的西瓜成熟状态检测模型，具体包括：
将所述数据集按照预先设定的比例划分为训练测试集与验证集，其中，预先设定的比例可以为1:5；
根据第一预设方式对所述训练测试集进行验证，并将第一预设比例的所述训练测试集划分为测试集，将第二预设比例的所述训练测试集划分为训练集，其中，第一预设比例可以为十分之一，第二预设比例可以为十分之九；
根据所述训练集与所述测试集训练所述初始的西瓜成熟状态检测模型，得出多个预选的西瓜成熟状态检测模型；
根据第二预设方式，在所述多个预选的西瓜成熟状态检测模型筛选出第一西瓜成熟状态检测模型；
将所述验证集输入至所述第一西瓜成熟状态检测模型，并根据代价函数确定出第一西瓜成熟状态检测模型的代价值；
若所述代价值处于预设阈值，所述第一西瓜成熟状态检测模型为符合条件的西瓜成熟状态检测模型。
其中，第一预设方式可以为十折交叉验证法，所述第二预设方式可以为投票法，所述代价函数可以为softmax函数。
需要说明的是，本说明书实施例中西瓜成熟状态检测模型可以包括多个卷积层、多个池化层与多个全连接层。
进一步的，本说明书实施例中西瓜成熟状态检测模型的结构具体可以包括：
第一层由两层3x3x32/1的卷积层和两层2x2/2的最大池化层交替组成；
第二层为一层3x3x64/1的卷积层和一层2x2/2的池化层组成；
第三层由一层3x3x128/1的卷积层和一次2x2/2的池化层组成；
第四层由一层1x1x64的卷积层、一层3x3x128/1的卷积层和2x2/2的池化层组成；
第五层由一层3x3x256/1的卷积层、一层1x1x128的卷积层、一层3x3x256/1的卷积层和一层2x2/2的池化层组成；
第六层由一层3x3x512/1的卷积层、一层1x1x256的卷积层和一层3x3x512/1的卷积层组成；
第七层由一层1x1x256的卷积层、一层3x3x512的卷积层和2x2/2的池化层组成；
第八层由四层全连接层组成。
进一步的，根据所述西瓜成熟状态检测的数据集训练所述初始的西瓜成熟状态检测模型之前，所述方法还包括：
对数据集中的西瓜图像进行预处理，得到符合所述初始的西瓜成熟状态检测模型要求的图像，其中，预处理操作可以包括归一化处理及去噪操作。
步骤S204，西瓜成熟状态检测系统获取当前的西瓜图像。
步骤S205，西瓜成熟状态检测系统将所述当前的西瓜图像输入至预先训练的西瓜成熟状态检测模型，确定出所述当前的西瓜图像对应的检测结果，其中，所述西瓜成熟状态模型根据西瓜图像样本训练得到，所述西瓜图像样本包括不同成熟状态的西瓜图像。
在本说明书实施例的步骤S205中，不同成熟状态的西瓜图像可以包括未成熟状态的西瓜图像、已成熟状态的西瓜图像以及熟透状态的西瓜图像中的一种或多种。西瓜成熟状态模型可以为基于神经网络训练的西瓜成熟状态模型。
进一步的，将所述当前的西瓜图像输入至预先训练的西瓜成熟状态检测模型之前，所述方法还包括：
对所述当前的西瓜图像进行预处理操作，得到符合所述西瓜成熟状态检测模型要求的图像。预处理操作可以包括归一化处理及去噪操作。
需要说明的是，本说明书实施例可以利用opencv读取监控摄像头采集的西瓜图像，经过预处理后输入到西瓜成熟状态检测模型，得到的检测结果如果是成熟状态的西瓜图像，发出警报，可以使得用户在收到警报后对西瓜进行采摘，避免西瓜生长周期过长，此外，提醒用户西瓜成熟，避免用户花过多的时间进行挑选，进而可以节省用户的采摘时间。
本申请实施例通过预先训练的西瓜成熟状态检测模型可以更好的确实出西瓜的成熟状态，其中，西瓜成熟状态检测模型是根据不同成熟状态的西瓜图像训练得到，在进行西瓜状态检测时更加准确。
本申请实施例还提供一种西瓜成熟状态检测设备，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取当前的西瓜图像；
将所述当前的西瓜图像输入至预先训练的西瓜成熟状态检测模型，确定出所述当前的西瓜图像对应的检测结果，其中，所述西瓜成熟状态模型根据西瓜图像样本训练得到，所述西瓜图像样本包括不同成熟状态的西瓜图像。
本申请实施例还提供一种西瓜成熟状态检测介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
获取当前的西瓜图像；
将所述当前的西瓜图像输入至预先训练的西瓜成熟状态检测模型，确定出所述当前的西瓜图像对应的检测结果，其中，所述西瓜成熟状态模型根据西瓜图像样本训练得到，所述西瓜图像样本包括不同成熟状态的西瓜图像。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种西瓜成熟状态检测方法，其特征在于，所述方法包括：
获取当前的西瓜图像；
将所述当前的西瓜图像输入至预先训练的西瓜成熟状态检测模型，确定出所述当前的西瓜图像对应的检测结果，其中，所述西瓜成熟状态模型根据西瓜图像样本训练得到，所述西瓜图像样本包括不同成熟状态的西瓜图像。
2.根据权利要求1所述的西瓜成熟状态检测方法，其特征在于，所述将所述当前的西瓜图像输入至预先训练的西瓜成熟状态检测模型之前，所述方法还包括：
对所述当前的西瓜图像进行预处理操作，得到符合所述西瓜成熟状态检测模型要求的图像。
3.根据权利要求2所述的西瓜成熟状态检测方法，其特征在于，所述预处理操作包括归一化处理及去噪操作。
4.根据权利要求1所述的西瓜成熟状态检测方法，其特征在于，所述不同成熟状态的西瓜图像包括未成熟状态的西瓜图像、已成熟状态的西瓜图像以及熟透状态的西瓜图像。
5.根据权利要求1所述的西瓜成熟状态检测方法，其特征在于，所述将所述当前的西瓜图像输入至预先训练的西瓜成熟状态检测模型之前，所述方法还包括：
通过摄像头采集不同成熟状态的西瓜图像，并对不同成熟状态的西瓜图像进行标注，构成西瓜成熟状态检测的数据集；
建立初始的西瓜成熟状态检测模型；
根据所述西瓜成熟状态检测的数据集训练所述初始的西瓜成熟状态检测模型，得到符合条件的西瓜成熟状态检测模型。
6.根据权利要求5所述的西瓜成熟状态检测方法，其特征在于，所述根据所述西瓜成熟状态检测的数据集训练所述初始的西瓜成熟状态检测模型，得到符合条件的西瓜成熟状态检测模型，具体包括：
将所述数据集按照预先设定的比例划分为训练测试集与验证集；
根据第一预设方式对所述训练测试集进行验证，并将第一预设比例的所述训练测试集划分为测试集，将第二预设比例的所述训练测试集划分为训练集；
根据所述训练集与所述测试集训练所述初始的西瓜成熟状态检测模型，得出多个预选的西瓜成熟状态检测模型；
根据第二预设方式，在所述多个预选的西瓜成熟状态检测模型筛选出第一西瓜成熟状态检测模型；
将所述验证集输入至所述第一西瓜成熟状态检测模型，并根据代价函数确定出第一西瓜成熟状态检测模型的代价值；
若所述代价值处于预设阈值，所述第一西瓜成熟状态检测模型为符合条件的西瓜成熟状态检测模型。
7.根据权利要求6所述的西瓜成熟状态检测方法，其特征在于，所述第一预设方式为十折交叉验证法，所述第二预设方式为投票法，所述代价函数为softmax函数。
8.根据权利要求6所述的西瓜成熟状态检测方法，其特征在于，所述西瓜成熟状态检测模型的结构具体包括：
第一层由两层3x3x32/1的卷积层和两层2x2/2的最大池化层交替组成；
第二层为一层3x3x64/1的卷积层和一层2x2/2的池化层组成；
第三层由一层3x3x128/1的卷积层和一次2x2/2的池化层组成；
第四层由一层1x1x64的卷积层、一层3x3x128/1的卷积层和2x2/2的池化层组成；
第五层由一层3x3x256/1的卷积层、一层1x1x128的卷积层、一层3x3x256/1的卷积层和一层2x2/2的池化层组成；
第六层由一层3x3x512/1的卷积层、一层1x1x256的卷积层和一层3x3x512/1的卷积层组成；
第七层由一层1x1x256的卷积层、一层3x3x512的卷积层和2x2/2的池化层组成；
第八层由四层全连接层组成。
9.一种西瓜成熟状态检测设备，其特征在于，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取当前的西瓜图像；
将所述当前的西瓜图像输入至预先训练的西瓜成熟状态检测模型，确定出所述当前的西瓜图像对应的检测结果，其中，所述西瓜成熟状态模型根据西瓜图像样本训练得到，所述西瓜图像样本包括不同成熟状态的西瓜图像。
10.一种西瓜成熟状态检测介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：
获取当前的西瓜图像；
将所述当前的西瓜图像输入至预先训练的西瓜成熟状态检测模型，确定出所述当前的西瓜图像对应的检测结果，其中，所述西瓜成熟状态模型根据西瓜图像样本训练得到，所述西瓜图像样本包括不同成熟状态的西瓜图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010597200.5A CN111986274A (zh) | 2020-06-28 | 2020-06-28 | 一种西瓜成熟状态检测方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010597200.5A CN111986274A (zh) | 2020-06-28 | 2020-06-28 | 一种西瓜成熟状态检测方法、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111986274A true CN111986274A (zh) | 2020-11-24 |
Family
ID=73442142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010597200.5A Pending CN111986274A (zh) | 2020-06-28 | 2020-06-28 | 一种西瓜成熟状态检测方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111986274A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529152A (zh) * | 2020-12-03 | 2021-03-19 | 开放智能机器（上海）有限公司 | 一种基于人工智能的西瓜成熟度检测的系统和方法 |
-
2020
- 2020-06-28 CN CN202010597200.5A patent/CN111986274A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529152A (zh) * | 2020-12-03 | 2021-03-19 | 开放智能机器（上海）有限公司 | 一种基于人工智能的西瓜成熟度检测的系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113095124B (zh) | 一种人脸活体检测方法、装置以及电子设备 | |
| CN110262937B (zh) | 一种指标异常原因的识别方法及装置 | |
| CN108596410B (zh) | 一种风控事件自动处理方法及装置 | |
| CN115618964B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN111458030B (zh) | 一种红外人体测温的校准方法以及装置 | |
| CN112308113A (zh) | 一种基于半监督的目标识别方法、设备及介质 | |
| CN110909826A (zh) | 一种能源设备的诊断监测方法、装置及电子设备 | |
| CN116343314B (zh) | 一种表情识别方法、装置、存储介质及电子设备 | |
| CN111986274A (zh) | 一种西瓜成熟状态检测方法、设备及介质 | |
| CN116186330B (zh) | 一种基于多模态学习的视频去重方法及装置 | |
| CN115567371B (zh) | 一种异常检测方法、装置、设备及可读存储介质 | |
| CN116805393A (zh) | 一种基于3DUnet光谱-空间信息融合的高光谱图像分类方法和系统 | |
| CN110059712A (zh) | 异常数据的检测方法及装置 | |
| CN112307371B (zh) | 小程序子服务识别方法、装置、设备及存储介质 | |
| CN115689676A (zh) | 一种行业识别的方法、装置、存储介质及电子设备 | |
| CN108762959B (zh) | 一种选取系统参数的方法、装置及设备 | |
| CN112906698A (zh) | 一种苜蓿植株识别的方法及装置 | |
| CN111461352B (zh) | 模型训练、业务节点识别方法、装置及电子设备 | |
| CN116434787B (zh) | 一种语音情感识别的方法、装置、存储介质及电子设备 | |
| CN116578877B (zh) | 一种模型训练及二次优化打标的风险识别的方法及装置 | |
| CN113673601B (zh) | 一种行为识别方法、装置、存储介质及电子设备 | |
| CN116957105A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN117827564A (zh) | 一种gpu测试方法、装置、存储介质及电子设备 | |
| CN116401541A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN116204838A (zh) | 一种异常业务识别的方法、装置、存储介质及电子设备 |
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 |