CN114982846B - 适用于咖啡烘焙的控制方法、装置及电子设备 - Google Patents
适用于咖啡烘焙的控制方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114982846B CN114982846B CN202210707437.3A CN202210707437A CN114982846B CN 114982846 B CN114982846 B CN 114982846B CN 202210707437 A CN202210707437 A CN 202210707437A CN 114982846 B CN114982846 B CN 114982846B
- Authority
- CN
- China
- Prior art keywords
- coffee beans
- roasting
- preset
- coffee
- attribute
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 241000533293 Sesbania emerus Species 0.000 claims abstract description 308
- 238000001514 detection method Methods 0.000 claims abstract description 83
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 26
- 230000005855 radiation Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 11
- 240000007154 Coffea arabica Species 0.000 description 26
- 238000010586 diagram Methods 0.000 description 11
- 238000007781 pre-processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 239000000796 flavoring agent Substances 0.000 description 6
- 235000019634 flavors Nutrition 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000021251 pulses Nutrition 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23F—COFFEE; TEA; THEIR SUBSTITUTES; MANUFACTURE, PREPARATION, OR INFUSION THEREOF
- A23F5/00—Coffee; Coffee substitutes; Preparations thereof
- A23F5/04—Methods of roasting coffee
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Polymers & Plastics (AREA)
- Food Science & Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Tea And Coffee (AREA)
Abstract
本公开提供一种适用于咖啡烘焙的控制方法、装置及电子设备,所述方法包括获取待烘焙的咖啡豆多张射线照射图像以及多个角度的二维平面图像,根据多张射线照射图像以及多个角度的二维平面图像,以及预设的咖啡豆属性检测模型确定待烘焙的咖啡豆的品种属性;采用与品种属性对应的烘焙方式对待烘焙的咖啡豆进行烘焙;确定咖啡豆的Blob区域;根据咖啡豆的Blob区域、烘焙时长、咖啡豆的品种属性,以及预设的烘焙度检测模型,确定咖啡豆的烘焙度,并对不同烘焙度的咖啡豆进行分类处理。该方法能够准确识别咖啡品种属性和准确判断烘焙咖啡的烘焙度,从而实现对咖啡的个性化处理。
Description
技术领域
本公开涉及机器视觉技术领域,尤其涉及一种适用于咖啡烘焙的控制方法、装置及电子设备。
背景技术
咖啡烘焙技术往往需要依赖于烘焙师的经验以及个人喜好,不同品种的咖啡的烘焙方式各有差异,不同消费者对于咖啡的口感喜好千差万别,而随着人工智能的快速发展,以及其在工业领域发挥的巨大效能,深度学习在咖啡烘焙领域具有广阔的发展前景。
当前的咖啡烘焙技术的主要难点在于:
1.不同种类的咖啡豆,在烘焙阶段,即使是同样的烘焙条件,但是由于咖啡豆本身的差别,最后烘焙后的口味相差较大,有些以及深度烘焙,有些则还处于中度烘焙,并且不同种类的咖啡豆识别往往只能依赖于人工挑选,效率低且准确率不高;
2.咖啡最后的口感,很大程度上依赖于烘焙师的烘焙方法,不同烘焙师的经验以及喜好不同,最后咖啡的口感相差较大,并且经验少的咖啡师,难以准确把握烘焙度,人工成本较高。
公开于本申请背景技术部分的信息仅仅旨在加深对本申请的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本公开实施例提供一种适用于咖啡烘焙的控制方法、装置及电子设备,所述方法能够至少解决现有技术中的部分问题。
本公开实施例的第一方面,提供一种适用于咖啡烘焙的控制方法,包括:
获取待烘焙的咖啡豆多张射线照射图像以及多个角度的二维平面图像,根据所述多张射线照射图像以及多个角度的二维平面图像,以及预设的咖啡豆属性检测模型确定所述待烘焙的咖啡豆的品种属性,其中,预设的咖啡豆属性检测模型基于卷积神经网络构建;
基于所述待烘焙的咖啡豆的品种属性,采用与所述品种属性对应的烘焙方式对所述待烘焙的咖啡豆进行烘焙;
获取预设时间段内,烘焙咖啡豆的超像素图像,根据所述超像素图像以及咖啡豆的品种属性,确定咖啡豆的Blob区域;
根据咖啡豆的Blob区域、烘焙时长、咖啡豆的品种属性,以及预设的烘焙度检测模型,确定咖啡豆的烘焙度,并对不同烘焙度的咖啡豆进行分类处理,其中,预设的烘焙度检测模型基于监督学习算法构建。
在一种可选的实施方式中,
获取待烘焙的咖啡豆多张射线照射图像以及多个角度的二维平面图像,根据所述多张射线照射图像以及多个角度的二维平面图像,以及预设的咖啡豆属性检测模型确定所述待烘焙的咖啡豆的品种属性的方法包括:
基于所述多张射线照射图像的入射方向,以及所述二维平面图像对应的旋转轴,确定咖啡豆的投影面积;
基于所述咖啡豆的投影面积,以及预先获取的咖啡豆的质量,通过回归分析,确定咖啡豆的体积值;
根据所述咖啡豆的体积值、咖啡豆的多张射线照射图像以及多个角度的二维平面图像,分别提取所述射线照射图像的第一图像特征和所述二维平面图像的第二图像特征,基于所述预设的咖啡豆属性检测模型,确定所述待烘焙的咖啡豆的品种属性。
在一种可选的实施方式中,
所述待烘焙的咖啡豆的品种属性包括咖啡豆的种类、咖啡豆的品相、咖啡豆级别中至少一种;
提取所述射线照射图像的第一图像特征和所述二维平面图像的第二图像特征,基于所述预设的咖啡豆属性检测模型,确定所述待烘焙的咖啡豆的品种属性的方法包括:
基于一阶导数以及矢量归一化方法对所述射线照射图像进行图像预处理,并提取进行图像预处理后射线照射图像的第一图像特征,其中,所述第一图像特征包括光谱特征;
基于正负样本图像分割对所述二维平面图像进行图像预处理,并提取进行图像预处理后二维平面图像的第二图像特征,其中,所述第二图像特征包括纹理特征、颜色特征中至少一种;
分别将所述第一图像特征和所述第二图像特征输入所述咖啡豆属性检测模型,所述咖啡豆属性检测模型分别确定所述第一图像特征与实际测量值的比例关系,以及所述第二图像特征与预设属性值的损失值;
根据所述比例关系和所述损失值,确定咖啡豆的种类、咖啡豆的品相以及咖啡豆的级别中至少一种。
在一种可选的实施方式中,
根据所述比例关系和所述损失值,确定咖啡豆的种类、咖啡豆的品相以及咖啡豆的级别中至少一种的方法包括:
确定第一图像特征中主成分因子对应的像素值与实际测量值中目标像素值的比例关系,根据所述比例关系与所述咖啡豆的种类对应的阈值区间,确定咖啡豆的种类;
第二图像特征包括角二阶矩阵、对比度、熵以及逆差矩阵中任一特征参数,分别确定各个特征参数与预设属性值的损失值,根据所述损失值与所述咖啡豆的品相以及咖啡豆的级别的对应关系,确定咖啡豆的品相以及咖啡豆的级别。
在一种可选的实施方式中,
在基于预设的咖啡豆属性检测模型确定所述待烘焙的咖啡豆的品种属性的方法之前,所述方法还包括训练咖啡豆属性检测模型:
所述咖啡豆属性检测模型基于卷积神经网络构建,所述咖啡豆属性检测模型的输入层与中间层之间的传递函数包括正切传递函数,所述中间层与输出层之间的传递函数包括线性传递函数,所述权值与阈值的学习算法为梯度下降动量学习函数,
通过如下公式确定第一图像特征中主成分因子对应的像素值与实际测量值中目标像素值的比例关系:
其中,ρc表示比例关系,表示第一图像特征中主成分因子,wmn表示咖啡豆属性检测模型第一维度中间层中第m个神经元对应的输出层中任意第n个神经元的权值,M表示实际测量中目标像素值,K表示像素权重值;
通过如下公式确定各个特征参数与对应的预设属性值的损失值:
角二阶矩阵与预设属性值的损失值:
其中,W1表示角二阶矩阵与预设属性值的损失值,p2表示归一化后各点频度值的平方,i,j分别表示第i个灰度级和第j个灰度级,l表示灰度级的步长,d表示共生矩阵的生成步长,θ表示共生矩阵的生成方向,N1表示角二阶矩阵对应的预设属性值;
对比度与预设属性值的损失值:
其中,W2表示对比度与预设属性值的损失值,N2表示对比度对应的预设属性值,(i-j)2表示第i个灰度级和第j个灰度级差值的平方;
熵与预设属性值的损失值:
其中,W3表示熵与预设属性值的损失值,logp(i,j)表示第i个灰度级和第j个灰度级的频度值,N3表示熵对应的预设属性值,
逆差矩阵与预设属性值的损失值:
其中,W4表示逆差矩阵与预设属性值的损失值,N4表示逆差矩阵对应的预设属性值。
在一种可选的实施方式中,
所述根据咖啡豆的Blob区域、烘焙时长、咖啡豆的品种属性,以及预设的烘焙度检测模型,确定咖啡豆的烘焙度的方法包括:
根据咖啡豆的Blob区域、烘焙时长、咖啡豆的品种属性,确定经过烘焙后咖啡豆的颜色特征;
根据经过烘焙后咖啡豆的颜色特征,以及预设的烘焙度检测模型,进行颜色空间转换和连通域分析,确定该颜色特征下像素数量与亮度等级的对应关系;
基于像素数量与亮度等级的对应关系,确定咖啡豆的烘焙度。
在一种可选的实施方式中,
所述进行颜色空间转换和连通域分析,确定该颜色特征下像素数量与亮度等级的对应关系的方法包括:
基于彩色像素表示法,提取颜色特征中色度信息,并对所述色度信息求平方均差,确定所述色度信息对应的亮度等级;
基于连通域分析,提取颜色特征中目标像素连接体,确定所述目标像素连接体的像素数量;
根据所述亮度等级与所述目标像素连接体的像素数量确定对应关系。
在一种可选的实施方式中,
在根据预设的烘焙度检测模型,确定咖啡豆的烘焙度之前,所述方法还包括:
按照如下公式所述的方法训练烘焙度检测模型:
其中,表示烘焙度检测模型的损失函数的损失值,σ2表示像素标准差,(x0,y0)表示咖啡豆的形心坐标,(x,y)表示咖啡豆任一点空间坐标,zij表示各个中间输出层的输出值,/>表示开运算,I表示像素连接体的像素数量,S表示连通域中圆形结构像素,表示中间层与输出层的权重值,h()表示输出层中最大神经元的输出值。
本公开实施例的第二方面,提供一种适用于咖啡烘焙的控制装置,所述装置包括:
第一单元,用于获取待烘焙的咖啡豆多张射线照射图像以及多个角度的二维平面图像,根据所述多张射线照射图像以及多个角度的二维平面图像,以及预设的咖啡豆属性检测模型确定所述待烘焙的咖啡豆的品种属性,其中,预设的咖啡豆属性检测模型基于卷积神经网络构建;
第二单元,用于基于所述待烘焙的咖啡豆的品种属性,采用与所述品种属性对应的烘焙方式对所述待烘焙的咖啡豆进行烘焙;
第三单元,用于获取预设时间段内,烘焙咖啡豆的超像素图像,根据所述超像素图像以及咖啡豆的品种属性,确定咖啡豆的Blob区域;
第四单元,用于根据咖啡豆的Blob区域、烘焙时长、咖啡豆的品种属性,以及预设的烘焙度检测模型,确定咖啡豆的烘焙度,并对不同烘焙度的咖啡豆进行分类处理,其中,预设的烘焙度检测模型基于监督学习算法构建。
本公开实施例的第二方面,提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述中任意一项所述的方法。
本公开提供一种适用于咖啡烘焙的控制方法,所述方法包括:
获取待烘焙的咖啡豆多张射线照射图像以及多个角度的二维平面图像,根据所述多张射线照射图像以及多个角度的二维平面图像,以及预设的咖啡豆属性检测模型确定所述待烘焙的咖啡豆的品种属性,其中,预设的咖啡豆属性检测模型基于卷积神经网络构建;
通过射线照射图像和二维平面图像,可以对咖啡豆进行三维重建,基于三维重建的咖啡豆,能够从多个维度了解咖啡豆的属性信息,确定咖啡豆的颗粒大小、直径以及完整度,从而准确评估咖啡豆的品种属性,便于后续匹配对应的烘焙方式以及更加准确地确定烘焙度;
基于所述待烘焙的咖啡豆的品种属性,采用与所述品种属性对应的烘焙方式对所述待烘焙的咖啡豆进行烘焙;
根据咖啡豆的品种属性采用针对性的烘焙方式,不仅能够有效激发咖啡豆的风味,还能够保证烘焙的效率;
获取预设时间段内,烘焙咖啡豆的超像素图像,根据所述超像素图像以及咖啡豆的品种属性,确定咖啡豆的Blob区域;
通过确定咖啡豆的Blob区域,使得咖啡豆在后续确定烘焙度进行图像变形时,能够保证Blob区域中内容不变,提高分析准确率;
根据咖啡豆的Blob区域、烘焙时长、咖啡豆的品种属性,以及预设的烘焙度检测模型,确定咖啡豆的烘焙度,并对不同烘焙度的咖啡豆进行分类处理,其中,预设的烘焙度检测模型基于监督学习算法构建;
基于监督学习算法构建的烘焙度检测模型,能够基于所输入的咖啡豆的相关信息,结合预先给定的标签,准确判断咖啡豆的烘焙度,避免过度烘焙或者烘焙不足,最大程度激发咖啡的风味,并且能够减少人工干预,提高烘焙效率。
附图说明
图1示例性地示出本公开实施例一种适用于咖啡烘焙的控制方法的流程示意图;
图2示例性地示出本公开实施例基于一阶导数以及矢量归一化方法对射线照射图像进行图像预处理的结果;
图3示例性地示出本公开实施例像素数量与亮度等级的对应关系的示意图;
图4示例性地示出本公开实施例一种适用于咖啡烘焙的控制装置的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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,都属于本公开保护的范围。
本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)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,以便这里描述的本公开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。
应当理解,在本公开的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
应当理解,在本公开中,“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。
应当理解,在本公开中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本公开中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1示例性地示出本公开实施例一种适用于咖啡烘焙的控制方法的流程示意图,如图1所示,所述方法包括:
S101、获取待烘焙的咖啡豆多张射线照射图像以及多个角度的二维平面图像,根据所述多张射线照射图像以及多个角度的二维平面图像,以及预设的咖啡豆属性检测模型确定所述待烘焙的咖啡豆的品种属性;
示例性地,预设的咖啡豆属性检测模型基于卷积神经网络构建,用于确定咖啡豆属性。可选地,获取射线照射图像的方法可以包括X射线机或者红外摄像头中任意一种,本公开实施例对此并不进行限定。可选地,获取多个角度的二维平面图像的方法可以包括可见光摄像头,通过从多个角度获取咖啡豆多种角度的可见光图像。
在一种可选的实施方式中,
获取待烘焙的咖啡豆多张射线照射图像以及多个角度的二维平面图像,根据所述多张射线照射图像以及多个角度的二维平面图像,以及预设的咖啡豆属性检测模型确定所述待烘焙的咖啡豆的品种属性的方法包括:
基于所述多张射线照射图像的入射方向,以及所述二维平面图像对应的旋转轴,确定咖啡豆的投影面积;
基于所述咖啡豆的投影面积,以及预先获取的咖啡豆的质量,通过回归分析,确定咖啡豆的体积值;
根据所述咖啡豆的体积值、咖啡豆的多张射线照射图像以及多个角度的二维平面图像,分别提取所述射线照射图像的第一图像特征和所述二维平面图像的第二图像特征,基于所述预设的咖啡豆属性检测模型,确定所述待烘焙的咖啡豆的品种属性。
实际应用中,咖啡豆的形状、质量以及颜色是判断咖啡豆等级的重要参数,而通过射线照射图像的入射方向,以及所述二维平面图像对应的旋转轴,能够确定咖啡豆的投影面积,其中,确定投影面积的方法可以如下公式所示:
实际应用中,通过贴线的方式对咖啡豆的实际面积进行测量,其结果与通过上述方式确定的投影面积的比较结果如下表1所示:
表1:实际面积与投影面积的比较结果
实际面积/平方毫米 | 投影面积/平方毫米 | 相对误差/% |
155.28 | 148.17 | 4.56 |
164.34 | 151.32 | 7.92 |
168.21 | 159.15 | 5.39 |
176.43 | 166.23 | 5.78 |
通过所获取的投影面积与预先获取的咖啡豆的质量,通过回归分析,确定咖啡豆的体积值,在本公开实施例中,咖啡豆的投影面积与质量之间呈现明显的线性关系,相关系数为98.7%。
根据所述咖啡豆的体积值、咖啡豆的多张射线照射图像以及多个角度的二维平面图像,分别提取所述射线照射图像的第一图像特征和所述二维平面图像的第二图像特征,基于所述预设的咖啡豆属性检测模型,确定所述待烘焙的咖啡豆的品种属性。
通过射线照射图像和二维平面图像,可以对咖啡豆进行三维重建,基于三维重建的咖啡豆,能够从多个维度了解咖啡豆的属性信息,确定咖啡豆的颗粒大小、直径以及完整度,从而准确评估咖啡豆的品种属性,便于后续匹配对应的烘焙方式以及更加准确地确定烘焙度。
在一种可选的实施方式中,
所述待烘焙的咖啡豆的品种属性包括咖啡豆的种类、咖啡豆的品相、咖啡豆级别中至少一种;
提取所述射线照射图像的第一图像特征和所述二维平面图像的第二图像特征,基于所述预设的咖啡豆属性检测模型,确定所述待烘焙的咖啡豆的品种属性的方法包括:
基于一阶导数以及矢量归一化方法对所述射线照射图像进行图像预处理,并提取进行图像预处理后射线照射图像的第一图像特征,其中,所述第一图像特征包括光谱特征;
基于正负样本图像分割对所述二维平面图像进行图像预处理,并提取进行图像预处理后二维平面图像的第二图像特征,其中,所述第二图像特征包括纹理特征、颜色特征中至少一种;
分别将所述第一图像特征和所述第二图像特征输入所述咖啡豆属性检测模型,所述咖啡豆属性检测模型分别确定所述第一图像特征与实际测量值的比例关系,以及所述第二图像特征与预设属性值的损失值;
根据所述比例关系和所述损失值,确定咖啡豆的种类、咖啡豆的品相以及咖啡豆的级别中至少一种。
本公开实施例中,咖啡豆的品种属性包括咖啡豆的种类、咖啡豆的品相、咖啡豆级别中至少一种,其中,咖啡豆的种类包括主流咖啡种类,也包括主流咖啡种类下属的种类,以及各个咖啡种类杂交后的咖啡种类;咖啡豆的品相和级别分别包括优品、中品、低品;高级、中级以及低级。
其中,咖啡豆的种类可以通过光谱特征确定,而咖啡豆的品相和级别则可以通过纹理特征和颜色特征确定。
示例性地,本公开实施例的第一图像特征可以包括光谱特征,图2示例性地示出本公开实施例基于一阶导数以及矢量归一化方法对射线照射图像进行图像预处理的结果,通过一阶导数与矢量归一化进行图像预处理后,咖啡豆属性检测模型的识别率最高,并且测试集的识别率可以达到96%以上。
示例性地,本公开实施例的第二图像特征可以包括纹理特征和颜色特征中至少一种,其中,可以基于正负样本图像分割对所述二维平面图像进行图像预处理,本公开实施例中,正样本可以包括纹理完整和色泽好的样本,负样本可以包括纹理不完整和色泽较差的样本。
在一种可选的实施方式中,
根据所述比例关系和所述损失值,确定咖啡豆的种类、咖啡豆的品相以及咖啡豆的级别中至少一种的方法包括:
确定第一图像特征中主成分因子对应的像素值与实际测量值中目标像素值的比例关系,根据所述比例关系与所述咖啡豆的种类对应的阈值区间,确定咖啡豆的种类;
第二图像特征包括角二阶矩阵、对比度、熵以及逆差矩阵中任一特征参数,分别确定各个特征参数与预设属性值的损失值,根据所述损失值与所述咖啡豆的品相以及咖啡豆的级别的对应关系,确定咖啡豆的品相以及咖啡豆的级别。
基于图像特征中主成分因子确定比例关系,能够优化咖啡豆属性检测模型的中间层的神经元个数,提高数据融合度,降低运算量,并且有利于提高识别准确率。
通过第二图像特征中多个特征参数,例如角二阶矩阵、对比度、熵以及逆差矩阵,可以从多个特征确定咖啡豆的品相和级别,相比于单一特征参数,容错率更高,并且综合评估更加准确。
在一种可选的实施方式中,
在基于预设的咖啡豆属性检测模型确定所述待烘焙的咖啡豆的品种属性的方法之前,所述方法还包括训练咖啡豆属性检测模型:
所述咖啡豆属性检测模型基于卷积神经网络构建,所述咖啡豆属性检测模型的输入层与中间层之间的传递函数包括正切传递函数,所述中间层与输出层之间的传递函数包括线性传递函数,所述权值与阈值的学习算法为梯度下降动量学习函数,
通过如下公式确定第一图像特征中主成分因子对应的像素值与实际测量值中目标像素值的比例关系:
其中,ρc表示比例关系,表示第一图像特征中主成分因子,wmn表示咖啡豆属性检测模型第一维度中间层中第m个神经元对应的输出层中任意第n个神经元的权值,M表示实际测量中目标像素值,K表示像素权重值;
通过如下公式确定各个特征参数与对应的预设属性值的损失值:
角二阶矩阵与预设属性值的损失值:
其中,W1表示角二阶矩阵与预设属性值的损失值,p2表示归一化后各点频度值的平方,i,j分别表示第i个灰度级和第j个灰度级,l表示灰度级的步长,d表示共生矩阵的生成步长,θ表示共生矩阵的生成方向,N1表示角二阶矩阵对应的预设属性值;
对比度与预设属性值的损失值:
其中,W2表示对比度与预设属性值的损失值,N2表示对比度对应的预设属性值,(i-j)2表示第i个灰度级和第j个灰度级差值的平方;
熵与预设属性值的损失值:
其中,W3表示熵与预设属性值的损失值,logp(i,j)表示第i个灰度级和第j个灰度级的频度值,N3表示熵对应的预设属性值,
逆差矩阵与预设属性值的损失值:
其中,W4表示逆差矩阵与预设属性值的损失值,N4表示逆差矩阵对应的预设属性值。
S102、基于所述待烘焙的咖啡豆的品种属性,采用与所述品种属性对应的烘焙方式对所述待烘焙的咖啡豆进行烘焙;
根据咖啡豆的品种属性采用针对性的烘焙方式,不仅能够有效激发咖啡豆的风味,还能够保证烘焙的效率。
S103、获取预设时间段内,烘焙咖啡豆的超像素图像,根据所述超像素图像以及咖啡豆的品种属性,确定咖啡豆的Blob区域;
需要说明的是,本公开实施例中确定咖啡豆的Blob区域的方法可以包括连通域分析和/或边缘检测算法,本公开实施例在此不再赘述。
通过确定咖啡豆的Blob区域,使得咖啡豆在后续确定烘焙度进行图像变形时,能够保证Blob区域中内容不变,提高分析准确率。
S104、根据咖啡豆的Blob区域、烘焙时长、咖啡豆的品种属性,以及预设的烘焙度检测模型,确定咖啡豆的烘焙度,并对不同烘焙度的咖啡豆进行分类处理,其中,预设的烘焙度检测模型基于监督学习算法构建。
本公开实施例中,影响咖啡豆的品质主要包括三个参数,分别是颜色、形状和质量,其中,
颜色是指"符合高品质咖啡豆标准的颜色部分在整个咖啡表皮面积中所占的比例;
形状是指"被测试咖啡豆的形心偏离标准咖啡豆形心的距离与标准咖啡豆半径的比例;
质量是指"被测试咖啡豆的质量和标准咖啡豆质量相差的绝对值与标准咖啡豆质量的比例。
在烘焙过程中,以烘焙咖啡豆的颜色作为主要参数,在烘焙过程中,咖啡豆颜色满足大于80%,并且形态大于50%可以作为优品或高级;咖啡豆颜色满足50%-80%,并且形状大于80%以上,可以作为中品或中级;其他的则被划分为低品以及低级。
在一种可选的实施方式中,
所述根据咖啡豆的Blob区域、烘焙时长、咖啡豆的品种属性,以及预设的烘焙度检测模型,确定咖啡豆的烘焙度的方法包括:
根据咖啡豆的Blob区域、烘焙时长、咖啡豆的品种属性,确定经过烘焙后咖啡豆的颜色特征;
根据经过烘焙后咖啡豆的颜色特征,以及预设的烘焙度检测模型,进行颜色空间转换和连通域分析,确定该颜色特征下像素数量与亮度等级的对应关系;
基于像素数量与亮度等级的对应关系,确定咖啡豆的烘焙度。
图3示例性地示出本公开实施例像素数量与亮度等级的对应关系的示意图,如图3所示,横坐标表示亮度等级,纵坐标表示像素数量,亮度等级大小的不同反映出不同烘焙程度咖啡豆颜色所呈现的差异,根据亮度等级,可以将烘焙度分为浅度烘焙、中度烘焙和深度烘焙。
在一种可选的实施方式中,
所述进行颜色空间转换和连通域分析,确定该颜色特征下像素数量与亮度等级的对应关系的方法包括:
基于彩色像素表示法,提取颜色特征中色度信息,并对所述色度信息求平方均差,确定所述色度信息对应的亮度等级;
基于连通域分析,提取颜色特征中目标像素连接体,确定所述目标像素连接体的像素数量;
根据所述亮度等级与所述目标像素连接体的像素数量确定对应关系。
在一种可选的实施方式中,
在根据预设的烘焙度检测模型,确定咖啡豆的烘焙度之前,所述方法还包括:
按照如下公式所述的方法训练烘焙度检测模型:
其中,表示烘焙度检测模型的损失函数的损失值,σ2表示像素标准差,(x0,y0)表示咖啡豆的形心坐标,(x,y)表示咖啡豆任一点空间坐标,zij表示各个中间输出层的输出值,/>表示开运算,I表示像素连接体的像素数量,S表示连通域中圆形结构像素,表示中间层与输出层的权重值,h()表示输出层中最大神经元的输出值。/>
基于监督学习算法构建的烘焙度检测模型,能够基于所输入的咖啡豆的相关信息,结合预先给定的标签,准确判断咖啡豆的烘焙度,避免过度烘焙或者烘焙不足,最大程度激发咖啡的风味,并且能够减少人工干预,提高烘焙效率。
本公开提供一种适用于咖啡烘焙的控制方法,所述方法包括:
获取待烘焙的咖啡豆多张射线照射图像以及多个角度的二维平面图像,根据所述多张射线照射图像以及多个角度的二维平面图像,以及预设的咖啡豆属性检测模型确定所述待烘焙的咖啡豆的品种属性,其中,预设的咖啡豆属性检测模型基于卷积神经网络构建;
通过射线照射图像和二维平面图像,可以对咖啡豆进行三维重建,基于三维重建的咖啡豆,能够从多个维度了解咖啡豆的属性信息,确定咖啡豆的颗粒大小、直径以及完整度,从而准确评估咖啡豆的品种属性,便于后续匹配对应的烘焙方式以及更加准确地确定烘焙度;
基于所述待烘焙的咖啡豆的品种属性,采用与所述品种属性对应的烘焙方式对所述待烘焙的咖啡豆进行烘焙;
根据咖啡豆的品种属性采用针对性的烘焙方式,不仅能够有效激发咖啡豆的风味,还能够保证烘焙的效率;
获取预设时间段内,烘焙咖啡豆的超像素图像,根据所述超像素图像以及咖啡豆的品种属性,确定咖啡豆的Blob区域;
通过确定咖啡豆的Blob区域,使得咖啡豆在后续确定烘焙度进行图像变形时,能够保证Blob区域中内容不变,提高分析准确率;
根据咖啡豆的Blob区域、烘焙时长、咖啡豆的品种属性,以及预设的烘焙度检测模型,确定咖啡豆的烘焙度,并对不同烘焙度的咖啡豆进行分类处理,其中,预设的烘焙度检测模型基于监督学习算法构建;
基于监督学习算法构建的烘焙度检测模型,能够基于所输入的咖啡豆的相关信息,结合预先给定的标签,准确判断咖啡豆的烘焙度,避免过度烘焙或者烘焙不足,最大程度激发咖啡的风味,并且能够减少人工干预,提高烘焙效率。
图4示例性地示出本公开实施例一种适用于咖啡烘焙的控制装置的结构示意图,如图4所示,所述装置包括:
第一单元41,用于获取待烘焙的咖啡豆多张射线照射图像以及多个角度的二维平面图像,根据所述多张射线照射图像以及多个角度的二维平面图像,以及预设的咖啡豆属性检测模型确定所述待烘焙的咖啡豆的品种属性,其中,预设的咖啡豆属性检测模型基于卷积神经网络构建;
第二单元42,用于基于所述待烘焙的咖啡豆的品种属性,采用与所述品种属性对应的烘焙方式对所述待烘焙的咖啡豆进行烘焙;
第三单元43,用于获取预设时间段内,烘焙咖啡豆的超像素图像,根据所述超像素图像以及咖啡豆的品种属性,确定咖啡豆的Blob区域;
第四单元44,用于根据咖啡豆的Blob区域、烘焙时长、咖啡豆的品种属性,以及预设的烘焙度检测模型,确定咖啡豆的烘焙度,并对不同烘焙度的咖啡豆进行分类处理,其中,预设的烘焙度检测模型基于监督学习算法构建。
需要说明的是,本公开的装置实施例的有益效果可以参考前述方法实施例的有益效果,本公开在此不再赘述。
本公开实施例还提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述中任意一项所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
注意,除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下,进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头,该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
本领域的技术人员应理解,上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明,在没有背离所述原理下,本发明的实施方式可以有任何变形或修改。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,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公开各实施例技术方案的范围。
Claims (6)
1.一种适用于咖啡烘焙的控制方法,其特征在于,所述方法包括:
获取待烘焙的咖啡豆多张射线照射图像以及多个角度的二维平面图像,根据所述多张射线照射图像以及多个角度的二维平面图像,以及预设的咖啡豆属性检测模型确定所述待烘焙的咖啡豆的品种属性,其中,预设的咖啡豆属性检测模型基于卷积神经网络构建;
基于所述待烘焙的咖啡豆的品种属性,采用与所述品种属性对应的烘焙方式对所述待烘焙的咖啡豆进行烘焙;
获取预设时间段内,烘焙咖啡豆的超像素图像,根据所述超像素图像以及咖啡豆的品种属性,确定咖啡豆的Blob区域;
根据咖啡豆的Blob区域、烘焙时长、咖啡豆的品种属性,以及预设的烘焙度检测模型,确定咖啡豆的烘焙度,并对不同烘焙度的咖啡豆进行分类处理,其中,预设的烘焙度检测模型基于监督学习算法构建;
在基于预设的咖啡豆属性检测模型确定所述待烘焙的咖啡豆的品种属性的方法之前,所述方法还包括训练咖啡豆属性检测模型:
所述咖啡豆属性检测模型基于卷积神经网络构建,所述咖啡豆属性检测模型的输入层与中间层之间的传递函数包括正切传递函数,所述中间层与输出层之间的传递函数包括线性传递函数,权值与阈值的学习算法为梯度下降动量学习函数,
通过如下公式确定第一图像特征中主成分因子对应的像素值与实际测量值中目标像素值的比例关系:
其中,ρc表示比例关系,表示第一图像特征中主成分因子,wmn表示咖啡豆属性检测模型第一维度中间层中第m个神经元对应的输出层中任意第n个神经元的权值,M表示实际测量中目标像素值,K表示像素权重值;
通过如下公式确定各个特征参数与对应的预设属性值的损失值:
角二阶矩阵与预设属性值的损失值:
其中,W1表示角二阶矩阵与预设属性值的损失值,p2表示归一化后各点频度值的平方,i,j分别表示第i个灰度级和第j个灰度级,l表示灰度级的步长,d表示共生矩阵的生成步长,θ表示共生矩阵的生成方向,N1表示角二阶矩阵对应的预设属性值;
对比度与预设属性值的损失值:
其中,W2表示对比度与预设属性值的损失值,N2表示对比度对应的预设属性值,(i-j)2表示第i个灰度级和第j个灰度级差值的平方;
熵与预设属性值的损失值:
其中,W3表示熵与预设属性值的损失值,logp(i,j)表示第i个灰度级和第j个灰度级的频度值,N3表示熵对应的预设属性值,
逆差矩阵与预设属性值的损失值:
其中,W4表示逆差矩阵与预设属性值的损失值,N4表示逆差矩阵对应的预设属性值;
在根据预设的烘焙度检测模型,确定咖啡豆的烘焙度之前,所述方法还包括:
按照如下公式所述的方法训练烘焙度检测模型:
其中,表示烘焙度检测模型的损失函数的损失值,σ2表示像素标准差,(x0,y0)表示咖啡豆的形心坐标,(x,y)表示咖啡豆任一点空间坐标,zij表示各个中间输出层的输出值,/>表示开运算,I表示像素连接体的像素数量,S表示连通域中圆形结构像素,/>表示中间层与输出层的权重值,h()表示输出层中最大神经元的输出值。
2.根据权利要求1所述的适用于咖啡烘焙的控制方法,其特征在于,获取待烘焙的咖啡豆多张射线照射图像以及多个角度的二维平面图像,根据所述多张射线照射图像以及多个角度的二维平面图像,以及预设的咖啡豆属性检测模型确定所述待烘焙的咖啡豆的品种属性的方法包括:
基于所述多张射线照射图像的入射方向,以及所述二维平面图像对应的旋转轴,确定咖啡豆的投影面积;
基于所述咖啡豆的投影面积,以及预先获取的咖啡豆的质量,通过回归分析,确定咖啡豆的体积值;
根据所述咖啡豆的体积值、咖啡豆的多张射线照射图像以及多个角度的二维平面图像,分别提取所述射线照射图像的第一图像特征和所述二维平面图像的第二图像特征,基于所述预设的咖啡豆属性检测模型,确定所述待烘焙的咖啡豆的品种属性。
3.根据权利要求1所述的适用于咖啡烘焙的控制方法,其特征在于,所述根据咖啡豆的Blob区域、烘焙时长、咖啡豆的品种属性,以及预设的烘焙度检测模型,确定咖啡豆的烘焙度的方法包括:
根据咖啡豆的Blob区域、烘焙时长、咖啡豆的品种属性,确定经过烘焙后咖啡豆的颜色特征;
根据经过烘焙后咖啡豆的颜色特征,以及预设的烘焙度检测模型,进行颜色空间转换和连通域分析,确定该颜色特征下像素数量与亮度等级的对应关系;
基于像素数量与亮度等级的对应关系,确定咖啡豆的烘焙度。
4.根据权利要求3所述的适用于咖啡烘焙的控制方法,其特征在于,所述进行颜色空间转换和连通域分析,确定该颜色特征下像素数量与亮度等级的对应关系的方法包括:
基于彩色像素表示法,提取颜色特征中色度信息,并对所述色度信息求平方均差,确定所述色度信息对应的亮度等级;
基于连通域分析,提取颜色特征中目标像素连接体,确定所述目标像素连接体的像素数量;
根据所述亮度等级与所述目标像素连接体的像素数量确定对应关系。
5.一种适用于权利要求1咖啡烘焙的控制方法的控制装置,其特征在于,所述装置包括:
第一单元,用于获取待烘焙的咖啡豆多张射线照射图像以及多个角度的二维平面图像,根据所述多张射线照射图像以及多个角度的二维平面图像,以及预设的咖啡豆属性检测模型确定所述待烘焙的咖啡豆的品种属性,其中,预设的咖啡豆属性检测模型基于卷积神经网络构建;
第二单元,用于基于所述待烘焙的咖啡豆的品种属性,采用与所述品种属性对应的烘焙方式对所述待烘焙的咖啡豆进行烘焙;
第三单元,用于获取预设时间段内,烘焙咖啡豆的超像素图像,根据所述超像素图像以及咖啡豆的品种属性,确定咖啡豆的Blob区域;
第四单元,用于根据咖啡豆的Blob区域、烘焙时长、咖啡豆的品种属性,以及预设的烘焙度检测模型,确定咖啡豆的烘焙度,并对不同烘焙度的咖啡豆进行分类处理,其中,预设的烘焙度检测模型基于监督学习算法构建。
6.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210707437.3A CN114982846B (zh) | 2022-06-21 | 2022-06-21 | 适用于咖啡烘焙的控制方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210707437.3A CN114982846B (zh) | 2022-06-21 | 2022-06-21 | 适用于咖啡烘焙的控制方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114982846A CN114982846A (zh) | 2022-09-02 |
CN114982846B true CN114982846B (zh) | 2024-02-09 |
Family
ID=83037875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210707437.3A Active CN114982846B (zh) | 2022-06-21 | 2022-06-21 | 适用于咖啡烘焙的控制方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114982846B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI818865B (zh) * | 2023-02-08 | 2023-10-11 | 國立清華大學 | 咖啡生豆辨識方法以及咖啡生豆辨識系統 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803090A (zh) * | 2016-12-05 | 2017-06-06 | 中国银联股份有限公司 | 一种图像识别方法和装置 |
KR20190070464A (ko) * | 2017-12-13 | 2019-06-21 | 동국대학교 산학협력단 | 로스팅 완료 시간 예측 장치 및 이의 동작 방법 |
CN110298824A (zh) * | 2019-06-17 | 2019-10-01 | 浙江省农业科学院 | 基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法 |
CN111028213A (zh) * | 2019-12-04 | 2020-04-17 | 北大方正集团有限公司 | 图像缺陷检测方法、装置、电子设备及存储介质 |
JP2021065350A (ja) * | 2019-10-21 | 2021-04-30 | 株式会社Tree Field | 装置 |
WO2021107735A2 (ko) * | 2019-11-29 | 2021-06-03 | 정지훈 | 커피 원료의 분류 방법, 이를 이용한 생두의 로스팅 프로파일 제공 방법 및 커피 원료의 정보 제공 시스템 |
-
2022
- 2022-06-21 CN CN202210707437.3A patent/CN114982846B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803090A (zh) * | 2016-12-05 | 2017-06-06 | 中国银联股份有限公司 | 一种图像识别方法和装置 |
KR20190070464A (ko) * | 2017-12-13 | 2019-06-21 | 동국대학교 산학협력단 | 로스팅 완료 시간 예측 장치 및 이의 동작 방법 |
CN110298824A (zh) * | 2019-06-17 | 2019-10-01 | 浙江省农业科学院 | 基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法 |
JP2021065350A (ja) * | 2019-10-21 | 2021-04-30 | 株式会社Tree Field | 装置 |
WO2021107735A2 (ko) * | 2019-11-29 | 2021-06-03 | 정지훈 | 커피 원료의 분류 방법, 이를 이용한 생두의 로스팅 프로파일 제공 방법 및 커피 원료의 정보 제공 시스템 |
CN111028213A (zh) * | 2019-12-04 | 2020-04-17 | 北大方正集团有限公司 | 图像缺陷检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114982846A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633513B (zh) | 基于深度学习的3d图像质量的度量方法 | |
CN106683048B (zh) | 一种图像超分辨率方法及设备 | |
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
EP2905722B1 (en) | Method and apparatus for detecting salient region of image | |
CN108108764B (zh) | 一种基于随机森林的视觉slam回环检测方法 | |
US9286537B2 (en) | System and method for classifying a skin infection | |
CN111488921B (zh) | 一种全景数字病理图像智能分析系统及方法 | |
CN109754017B (zh) | 基于可分离的三维残差网络和迁移学习高光谱图像分类方法 | |
CN109919241B (zh) | 基于概率模型和深度学习的高光谱未知类别目标检测方法 | |
CN107507153B (zh) | 图像去噪方法和装置 | |
CN107679466B (zh) | 信息输出方法和装置 | |
CN110148162A (zh) | 一种基于复合算子的异源图像匹配方法 | |
CN104866868A (zh) | 基于深度神经网络的金属币识别方法和装置 | |
US10534994B1 (en) | System and method for hyper-parameter analysis for multi-layer computational structures | |
CN110738242A (zh) | 一种深度神经网络的贝叶斯结构学习方法及装置 | |
CN105225222A (zh) | 对不同图像集的感知视觉质量的自动评估 | |
CN114982846B (zh) | 适用于咖啡烘焙的控制方法、装置及电子设备 | |
CN109788275A (zh) | 自然性、结构和双目不对称无参考立体图像质量评价方法 | |
CN104778466A (zh) | 一种联合多种上下文线索的图像关注区域检测方法 | |
Hüttner et al. | First response fire combat: Deep leaning based visible fire detection | |
CN109410158B (zh) | 一种基于卷积神经网络的多焦点图像融合方法 | |
CN111062439A (zh) | 一种视频清晰度分类方法、装置、设备和存储介质 | |
CN110688966B (zh) | 语义指导的行人重识别方法 | |
CN111310516B (zh) | 一种行为识别方法和装置 | |
Wang et al. | Classification and extent determination of rock slope using deep learning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |