CN115760724A - 食品质量检测方法和系统 - Google Patents

Abstract

本申请提供了一种食品质量检测方法和系统。该食品检测方法包括：电子设备通过相机应用拍摄到待检测香蕉，进而得到初始检测图像，电子设备对初始检测图像进行处理后得到目标检测图像，接下来，将目标检测图像送入到云端服务器中进行处理，得到质量检测结果，最后电子设备再根据质量检测结果和待检测香蕉的基础信息，生成所述待检测香蕉的二维码，其中，所述待检测香蕉的二维码被扫描时呈现所述质量检测结果信息和所述待检测香蕉的基础信息；所述电子设备打印所述待检测香蕉的二维码。本申请的检测方法能够对待检测香蕉进行更准确更全面的检测，得到更好的检测结果。

Description

食品质量检测方法和系统

技术领域

本申请涉及食品质量检测技术领域，具体涉及一种食品质量检测方法和系统。

背景技术

随着人们对食品安全问题的不断关注，与人们日常生活息息相关的蔬菜瓜果的食品质量检测问题显得至关重要。以香蕉为例，人们一般是根据经验，基于香蕉的颜色和外观来判断香蕉的大概质量，但是这样的判断往往不是特别的准确，并且不同的人判断往往还存在一定的判断，因此，需要一种更好的方法来判断香蕉的质量好坏。

发明内容

本申请提供一种食品质量检测方法和系统，以对香蕉的质量进行更更准确的判断。

第一方面，提供了食品质量检测方法，该方法包括：电子设备接收用户的开机操作；

所述电子设备响应于所述开机操作，启动所述电子设备上的相机应用；所述电子设备接收所述用户的拍摄操作；所述电子设备响应于所述拍摄操作，控制所述相机应用对待检测香蕉进行拍照，得到初始检测图像；所述电子设备对所述初始检测图像进行图像识别处理，以识别出所述初始检测图像的第一图像区域和第二图像区域，其中，所述第一图像区域仅包括所述待检测香蕉本身的图像，所述第二图像区域不包括所述待检测香蕉本身的图像；所述电子设备对所述第一图像区域的图像进行降噪处理，并对所述第二图像区域的图像的像素值进行调整，以使得所述第二图像区域的图像的R值，B值和G值均为255，以得到所述目标检测图像；电子设备接收所述用户输入的第一指示信息，所述第一指示信息用于指示所述待检测香蕉的食品种类为第一种类；所述电子设备将所述目标检测图像和所述第一指示信息传输到云端服务器；所述云端服务器对所述目标检测图像进行识别，确定所述目标检测图像对应的食品种类为第二种类；确定所述第二种类与所述第一种类是否相同；在所述第二种类与所述第一种类不同的情况下，所述云端服务器向所述电子设备发送反馈信息，以使得所述用户重输入所述第一指示信息；在所述第二种类与所述第一种类相同的情况下，所述云端服务器从预先安装的多种食品质量检测模型中确定出与所述第二种类相匹配的目标食品质量检测模型，其中，所述多种食品质量检测模型分别匹配不同的食品种类，用于检测不同类型食品的食品质量；所述云端服务器将所述目标检测图像输入到所述目标食品质量检测模型中进行处理，得到质量检测结果信息，其中，所述质量检测结果信息包括所述待检测香蕉的食品质量信息，所述待检测香蕉的食用推荐信息，所述待检测香蕉的食品质量信息用于指示所述待检测香蕉的食品质量是否满足质量要求，所述待检测香蕉的食用推荐信息用于指示所述待检测香蕉的最佳食用时间；所述云端服务器将所述质量检测结果信息发送到所述电子设备；在接收所述质量检测结果信息后，所述电子设备呈现第一提示信息，所述第一提示信息用于提示所述用户输入信息；所述电子设备接收所述用户输入的待检测香蕉的基础信息，所述待检测香蕉的基础信息包括所述待检测香蕉的产地信息，种类信息和物流信息；所述电子设备基于所述质量检测结果信息和所述待检测香蕉的基础信息，生成所述待检测香蕉的二维码，其中，所述待检测香蕉的二维码被扫描时呈现所述质量检测结果信息和所述待检测香蕉的基础信息；所述电子设备打印所述待检测香蕉的二维码。

通过对第二图像区域的图像的像素值进行调整，以使得第二图像区域的图像的R值，B值和G值均为255，能够在后续进行图像识别时减少第二图像区域的图像对第一图像区域的图像的影响，提高图像识别的效率或者效果。

上述在对第二图像区域的图像的像素值进行调整时，还可以将第二图像区域的图像的R值，B值和G值均调整为0。

本申请中，通过电子设备中的相机相应拍摄待检测香蕉的图片，并对得到的初始检测图像进行初步的处理以得到目标检测图像，能够突出目标检测图像中待检测香蕉的图像，最终提高识别效果，此外，通过将目标检测图像传输到云端服务器中的与待检测香蕉匹配的目标食品质量检测模型，能够更有针对性的对目标检测对象进行识别，进而得到更准确的质量检测结果。此外，通过将待检测香蕉的基础信息和待检测香蕉的质量检测结果写入到二维码中，便于用户通过二维码查看待检测香蕉的基础信息和质量检测结果，提高了用户体验。

结合第一方面，在第一方面的某些实现方式中，所述目标食品质量检测模型包括第一检测模型和第二检测模型，所述云端服务器将所述目标检测图像输入到所述目标食品质量检测模型中进行处理，得到质量检测结果信息，包括：所述云端服务器将所述目标检测图像输入到所述第一检测模型中，以得到待检测香蕉的食品质量信息；所述云端服务器将所述目标检测图像输入到所述第二检测模型中，以得到待检测香蕉的食品质量信息。

本申请中，分别将目标检测图像输入到两个检测模型中进行针对性的检测，能够提高检测的准确性，提高检测的效率和效果。

结合第一方面，在第一方面的某些实现方式中，所述第一检测模型是基于第一训练图像集和所述第一训练图像集对应的标签信息训练得到的，所述第一训练图像集包括多个香蕉图片，所述第一训练图像集对应的标签信息包括所述多个香蕉图片对应的食品质量信息，所述多个香蕉图片对应的食品质量信息是是预先测试得到的。

结合第一方面，在第一方面的某些实现方式中，所述第二检测模型是基于第二训练图像集和所述第二训练图像集对应的标签信息训练得到的，所述第二训练图像集包括多个香蕉图片，所述第二训练图像集对应的标签信息包括所述多个香蕉图片对应的最佳食用时间信息，所述多个香蕉图片对应的最佳食用时间信息是预先测试得到的。

结合第一方面，在第一方面的某些实现方式中，所述云端服务器将所述目标检测图像通过并行的方式同时输入到所述第一检测模型和所述第二检测模型。

本申请中，通过将目标检测图像同时输入到两个检测模型，可以提高检测的速度和效率。

结合第一方面，在第一方面的某些实现方式中，所述第一检测模型和所述第二检测模型具有共同的输入端和共同的输出端，所述共同的输入端用于输入所述目标检测图像。

本申请中，两个检测模型具有共同的输入端和共同的输出端，便于同时采用两个检测模型对目标检测图像进行处理，提高检测的速度。

结合第一方面，在第一方面的某些实现方式中，所述第一检测模型是基于深度卷积神经网络搭建的检测模型。

本申请中，通过基于深度卷积神经网络搭建的检测模型进行检测，能够得到更准确的检测结果。

结合第一方面，在第一方面的某些实现方式中，所述第二检测模型是基于深度卷积神经网络搭建的检测模型。

本申请中，通过基于深度卷积神经网络搭建的检测模型进行检测，能够得到更准确的检测结果。

结合第一方面，在第一方面的某些实现方式中，所述电子设备对所述第一图像区域的图像进行降噪处理，包括：所述电子设备对所述第一图像区域的图像进行均值滤波处理。

本申请中，通过对第一图像区域的图像进行降噪处理，能够降低图像噪声对后续检测的影响，能够最终提高图像的检测效果。

第二方面，提供了一种食品质量检测系统，所述食品质量检测系统包括：电子设备和云端服务器和电子设备，其中，所述电子设备和云端服务器和所述电子设备用于执行第一方面以及第一方面的任意一种实现方式中的方法。

附图说明

图1是本申请实施例的食品质量检测系统统的示意图；

图2是本申请实施例的食品质量检测方法的示意性流程图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例仅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。

对食品进行食品质量检测是一件非常重要的事情，具体来说，对于香蕉这种水果而言，有时候可以依据香蕉的外观对其产品质量等进行判断，但是这种判断比较主观，经验不同的人可能会给出不同的判断结果。因此，需要一种更好的方法来判断香蕉的质量好坏，进一步的，除了判断出香蕉质量的好坏之外，还需要进一步判断出香蕉的最佳食用时间，以带来更好的用户体验。应当理解的是本文中的香蕉的质量是指香蕉的质量是否满足食品卫生方面的相关标准的要求。

一般来说，可以根据香蕉的外观大致推测香蕉的质量。例如，当香蕉刚开始出现的“梅花点”是香蕉口味甜度达到较佳的标志，并不影响食用，此时应该尽快吃掉。随着“梅花点”陆续变多，果肉发黑了就不建议食用了。而如果香蕉果皮发黑还有裂口，剥开后里面的果肉也跟着变黑，则意味着香蕉很可能已经开始变质，此时不建议食用。此外，香蕉在运输过程和储藏过程中会采取一些特殊的保鲜措施，这样就导致香蕉刚刚解除保鲜措施后的香蕉往往不那么“成熟”，如果立即食用的话往往会带来一种“生涩”感，口感不佳。而香蕉在解除保鲜措施后放置一段时间后，由于香蕉“成熟度”的上升，此时食用往往口感较好。但是香蕉放置过场时间后也会导致口感下降(例如，香蕉放置过长时间后会出现很多的黑点，这个时候再食用的话可能会导致口感下降)。

本申请提出了一种食品质量检测方法，不仅能够检测出香蕉的质量情况，还能检测出香蕉的最佳食用时间，能够为商家提供香蕉产品的更全面的质量信息和食用信息，

下面先结合图1对本申请实施例的食品质量检测系统进行简单的介绍，如图1所示，食品质量检测系统包括：电子设备和云端服务器，在食品检测系统工作时一般是由用户获取待检测的食品的目标检测图像，并将目标检测图像传输到云端服务器，由云端服务器基于预先安装的食品质量检测模型对待目标检测图像，并得到质量检测结果信息，电子设备在获取到质量检测结果信息后，基于该质量检测结果信息生成二维码。通过扫描该二维码可以查看待检测食品的质量检测结果信息。

图2是本申请实施例的食品质量检测方法的示意性流程图。

图2所示的方法可以由图1所示的食品质量检测系统执行，下面对图2所示的方法中的各个步骤进行详细的介绍。

S101，电子设备接收用户的开机操作。

S102，电子设备响应于开机操作，启动电子设备上的相机应用。

S103，电子设备接收用户的拍摄操作。

S104，电子设备响应于拍摄操作，控制相机应用对待检测香蕉进行拍照，得到初始检测图像。

S105，电子设备对初始检测图像进行处理，得到目标检测图像。

上述S105中电子设备对初始检测图像进行处理，得到目标检测图像，具体可以包括：

S1051，电子设备对初始检测图像进行图像识别处理，以识别出初始检测图像的第一图像区域和第二图像区域，其中，第一图像区域仅包括待检测香蕉本身的图像，第二图像区域不包括待检测香蕉本身的图像。

在通过拍摄得到的初始检测图像中往往只有一部分图像是香蕉本身的图像，而其余的是背景图像或者无关的图像，在上述S1051中，通过将初始检测图像划分成第一图像区域和第二图像区域，能够更有针对性的对仅包含香蕉本身的图像进行处理和分析，提高图像处理和分析的效果。

S1052，电子设备对第一图像区域的图像进行降噪处理，并对第二图像区域的图像的像素值进行调整，以使得第二图像区域的图像的R值，B值和G值均为255，以得到目标检测图像。

在上述步骤S1052中，通过对第二图像区域的图像的像素值进行调整，以使得第二图像区域的图像的R值，B值和G值均为255，能够在后续进行图像识别时减少第二图像区域的图像对第一图像区域的图像的影响，提高图像识别的效率或者效果。

上述在对第二图像区域的图像的像素值进行调整时，还可以将第二图像区域的图像的R值，B值和G值均调整为0。

在上述步骤S1052中，电子设备对第一图像区域的图像进行降噪处理，包括：电子设备对第一图像区域的图像进行均值滤波处理。

此外，在上述S1052中，电子设备对第一图像区域的图像进行降噪处理，包括：电子设备对第一图像区域的图像进行中值滤波处理。

其中，在进行均值滤波时，可以是给定均值滤波窗口长度，对窗口内数据求均值，作为窗口中心点的数据的值，之后窗口向后滑动1，相邻窗口之间有重叠，而对边界值不做处理，即两端wid_length//2长度的数据使用原始数据(wid_length为窗口的宽度)。

而中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。中值滤波的方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升(或下降)的为二维数据序列。一般来说，中值滤波会选取数字图像或数字序列中像素点及其周围临近像素点(一共有奇数个像素点)的像素值，将这些像素值排序，然后将位于中间位置的像素值作为当前像素点的像素值，让周围的像素值接近真实值，从而消除孤立的噪声点。

本申请中，通过对第一图像区域的图像进行降噪处理，能够降低图像噪声对后续检测的影响，能够最终提高图像的检测效果。

S106，电子设备接收用户输入的第一指示信息。

上述第一指示信息用于指示待检测香蕉的食品种类为第一种类。

上述第一种类具体可以用于指示待检测香蕉的食品种类为香蕉，也可以具体指示香蕉的待检测香蕉属于具体的哪一类香蕉。

S107，电子设备将目标检测图像和第一指示信息传输到云端服务器。

S108，云端服务器对目标检测图像进行识别，确定目标检测图像对应的食品种类为第二种类。

S109，确定第二种类与第一种类是否相同。

S110，在第二种类与第一种类不同的情况下，云端服务器向电子设备发送反馈信息，以使得用户重输入第一指示信息。

当第二种类与第一种类不同的情况下，说明用户反馈的指示第一指示信息可能有误，此时云端服务器可以向电子设备发送反馈信息，以要求用户重新输入第一指示信息。

S111，在第二种类与第一种类相同的情况下，云端服务器从预先安装的多种食品质量检测模型中确定出与第二种类相匹配的目标食品质量检测模型。

其中，多种食品质量检测模型分别匹配不同的食品种类，用于检测不同类型食品的食品质量。

本申请中，云端服务器中预先安装了多种食品质量检测模型，由于不同的食品的外观与食品质量的对应关系不同，因此，针对每种食品建立对应的食品质量检测模型，能够提高检测的准确性。例如，云端服务器中预先安装有多种水果(例如，苹果，香蕉，梨等常见的水果)对应的食品质量检测模型，

在上述S111中，在第一种类与第二种类相同的情况下，说明云端服务器基于目标检测图像识别出的食品种类与用户输入的第一指示信息指示的食品种类相同，相当于做了一次校验和确认，有利于后续进行更准确的识别。

S112，云端服务器将目标检测图像输入到目标食品质量检测模型中进行处理，得到质量检测结果信息。

其中，质量检测结果信息包括待检测香蕉的食品质量信息，待检测香蕉的食用推荐信息，待检测香蕉的食品质量信息用于指示待检测香蕉的食品质量是否满足质量要求，具体来说，待检测香蕉的食品质量信息用于指示待检测香蕉的食品质量是否满足预设的国家食品质量标准。

上述待检测香蕉的食用推荐信息用于指示待检测香蕉的最佳食用时间，例如，待检测香蕉的食用推荐信息用于指示待检测香蕉从预设时间点开始的三日内食用口感最佳。再如，待检测香蕉的食用推荐信息用于指示待检测香蕉从预设时间点之后的1天至3天内的时间段内食用口感最佳(这主要是由于香蕉刚开始在食用的时候由于保险的需求食用起来口感并不太好，需要放置一段时间后才有更好的食用口感)。上述预设时间点可以是香蕉脱离保鲜存储的时间点。

可选地，在一些实施例中，目标食品质量检测模型包括第一检测模型和第二检测模型，上述步骤S112中云端服务器将目标检测图像输入到目标食品质量检测模型中进行处理，得到质量检测结果信息，包括：

S1121，云端服务器将目标检测图像输入到第一检测模型中，以得到待检测香蕉的食品质量信息；

S1122，云端服务器将目标检测图像输入到第二检测模型中，以得到待检测香蕉的食品质量信息。

本申请中，分别将目标检测图像输入到两个检测模型中进行针对性的检测，能够提高检测的准确性，提高检测的效率和效果。

可选地，在一些实施例中，上述第一检测模型是基于第一训练图像集和第一训练图像集对应的标签信息训练得到的，第一训练图像集包括多个香蕉图片，第一训练图像集对应的标签信息包括多个香蕉图片对应的食品质量信息，多个香蕉图片对应的食品质量信息是是预先测试得到的。

在获取上述第一训练图像集以及第一图像训练集时，可以选择大量的香蕉样本，通过对香蕉样本进行拍照得到第一训练图像集的香蕉图片，另外，通过对这些香蕉图片对应的香蕉进行质量检测，得到这些香蕉图片对应的香蕉的质量信息。这个过程可以是通过人工检测和人工标记获得第一训练图像集和第一训练图像集对应的标签信息。

上述第一训练图像集合对应的标签信息具体可以是一个标签值，该标签值的取值用于指示香蕉质量的好坏，例如，该标签值的取值可以是1-10，当标签值的取值为1-4时说明香蕉的质量不满足食品质量要求，而标签值的取值为5-10时说明香蕉的质量满足食品质量要求。

可选地，在一些实施例中，上述第二检测模型是基于第二训练图像集和第二训练图像集对应的标签信息训练得到的，第二训练图像集包括多个香蕉图片，第二训练图像集对应的标签信息包括多个香蕉图片对应的最佳食用时间信息，多个香蕉图片对应的最佳食用时间信息是预先测试得到的。

在获取上述第二训练图像集以及第二图像训练集时，可以选择大量的香蕉样本，通过对香蕉样本进行拍照得到第二训练图像集的香蕉图片，另外，通过对这些香蕉图片对应的香蕉进行口感测试，得到这些香蕉图片对应的香蕉的食用口感信息，进而标记出香蕉图片对应的香蕉的最佳食用时间。这个过程可以是通过人工检测和人工标记获得第二训练图像集和第二训练图像集对应的标签信息。

上述第二训练图像集合对应的标签信息具体可以是一个标签值，该标签值的取值用于指示香蕉质量的好坏，例如，该标签值的取值可以是1-7，当标签值的取值为3时，用于指示从香蕉图片对应的香蕉从预设时间点开始的3天内的食用口感最佳。该预设时间点可以是香蕉脱离保鲜存储的时间点。

在利用上述第一训练图像集以及第一训练图像集对应的标签信息训练第一检测模型，以及在利用上述第二训练图像集以及第二训练图像集对应的标签信息训练第二检测模型的过程中一般要用到损失函数，当损失函数的函数值满足要求时训练结束。下面对损失函数进行详细的介绍。

损失函数

在训练深度神经网络的过程中，因为希望深度神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为深度神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断地调整，直到深度神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objective function)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。

可选地，在一些实施例中，云端服务器将目标检测图像通过并行的方式同时输入到第一检测模型和第二检测模型。

本申请中，通过将目标检测图像同时输入到两个检测模型，进而利用两个检测模型分别对目标检测图像进行处理，可以提高检测的速度和效率。

可选地，在一些实施例中，第一检测模型和第二检测模型具有共同的输入端和共同的输出端，共同的输入端用于输入目标检测图像。

本申请中，两个检测模型具有共同的输入端和共同的输出端，便于同时采用两个检测模型对目标检测图像进行处理，提高检测的速度。

可选地，在一些实施例中，上述第一检测模型是基于深度卷积神经网络搭建的检测模型。

本申请中，通过基于深度卷积神经网络搭建的检测模型进行检测，能够得到更准确的检测结果。

可选地，在一些实施例中，上述第二检测模型是基于深度卷积神经网络搭建的检测模型。

本申请中，通过基于深度卷积神经网络搭建的检测模型进行检测，能够得到更准确的检测结果。

可选地，上述第一检测模型和第二检测模型也可以是基于深度神经网络，卷积神经网络以及循环神经网络中的一个和多个搭建得到的模型。

通过采用多种神经网络架构搭建得到第一检测模型和第二检测模型能够充分利用不同的神经网络模型的特点，提高检测效果。

下面对涉及的神经网络的相关内容进行介绍。

深度神经网络(deep neural network，DNN)，也称多层神经网络，可以理解为具有多层隐含层的神经网络。按照不同层的位置对DNN进行划分，DNN内部的神经网络可以分为三类：输入层，隐含层，输出层。一般来说第一层是输入层，最后一层是输出层，中间的层数都是隐含层。层与层之间是全连接的，也就是说，第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。

卷积神经网络(convolutional neuron network，CNN)是一种带有卷积结构的深度神经网络。卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器，该特征抽取器可以看作是滤波器。卷积层是指卷积神经网络中对输入信号进行卷积处理的神经元层。在卷积神经网络的卷积层中，一个神经元可以只与部分邻层神经元连接。一个卷积层中，通常包含若干个特征平面，每个特征平面可以由一些矩形排列的神经单元组成。同一特征平面的神经单元共享权重，这里共享的权重就是卷积核。共享权重可以理解为提取图像信息的方式与位置无关。卷积核可以以随机大小的矩阵的形式初始化，在卷积神经网络的训练过程中卷积核可以通过学习得到合理的权重。另外，共享权重带来的直接好处是减少卷积神经网络各层之间的连接，同时又降低了过拟合的风险。

S113，云端服务器将检测结果信息发送到电子设备。

上述S113中的检测结果信息具体就是质量检测结果信息。

S114，电子设备接收用户输入的待检测香蕉的基础信息。

上述待检测香蕉的基础信息包括待检测香蕉的产地信息，种类信息和物流信息；

其中，在接收质量检测结果信息后，电子设备呈现第一提示信息，第一提示信息用于提示用户输入信息，用户在看到第一提示信息后，可以在电子设备中输入待检测香蕉的基础信息。

S115，电子设备基于质量检测结果信息和待检测香蕉的基础信息，生成待检测香蕉的二维码。

其中，待检测香蕉的二维码被扫描时呈现质量检测结果信息和待检测香蕉的基础信息；

S116，电子设备打印待检测香蕉的二维码。

本申请中，通过电子设备中的相机相应拍摄待检测香蕉的图片，并对得到的初始检测图像进行初步的处理以得到目标检测图像，能够突出目标检测图像中待检测香蕉的图像，最终提高识别效果，此外，通过将目标检测图像传输到云端服务器中的与待检测香蕉匹配的目标食品质量检测模型，能够更有针对性的对目标检测对象进行识别，进而得到更准确的质量检测结果。此外，通过将待检测香蕉的基础信息和待检测香蕉的质量检测结果写入到二维码中，便于用户通过二维码查看待检测香蕉的基础信息和质量检测结果，提高了用户体验。

本申请中的食品质量检测方法和系统可以应用于食品检测机构，也可以用于香蕉的销售商等等。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述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网络单元上。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，在本申请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。

所述功能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，本申请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(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种食品质量检测方法，其特征在于，

电子设备接收用户的开机操作；

所述电子设备响应于所述开机操作，启动所述电子设备上的相机应用；

所述电子设备接收所述用户的拍摄操作；

所述电子设备响应于所述拍摄操作，控制所述相机应用对待检测香蕉进行拍照，得到初始检测图像；

所述电子设备对所述初始检测图像进行图像识别处理，以识别出所述初始检测图像的第一图像区域和第二图像区域，其中，所述第一图像区域仅包括所述待检测香蕉本身的图像，所述第二图像区域不包括所述待检测香蕉本身的图像；

所述电子设备对所述第一图像区域的图像进行降噪处理，并对所述第二图像区域的图像的像素值进行调整，以使得所述第二图像区域的图像的R值，B值和G值均为255，以得到所述目标检测图像；

电子设备接收所述用户输入的第一指示信息，所述第一指示信息用于指示所述待检测香蕉的食品种类为第一种类；

所述电子设备将所述目标检测图像和所述第一指示信息传输到云端服务器；

所述云端服务器对所述目标检测图像进行识别，确定所述目标检测图像对应的食品种类为第二种类；

确定所述第二种类与所述第一种类是否相同；

在所述第二种类与所述第一种类不同的情况下，所述云端服务器向所述电子设备发送反馈信息，以使得所述用户重输入所述第一指示信息；

在所述第二种类与所述第一种类相同的情况下，所述云端服务器从预先安装的多种食品质量检测模型中确定出与所述第二种类相匹配的目标食品质量检测模型，其中，所述多种食品质量检测模型分别匹配不同的食品种类，用于检测不同类型食品的食品质量；

所述云端服务器将所述目标检测图像输入到所述目标食品质量检测模型中进行处理，得到质量检测结果信息，其中，所述质量检测结果信息包括所述待检测香蕉的食品质量信息，所述待检测香蕉的食用推荐信息，所述待检测香蕉的食品质量信息用于指示所述待检测香蕉的食品质量是否满足质量要求，所述待检测香蕉的食用推荐信息用于指示所述待检测香蕉的最佳食用时间；

所述云端服务器将所述质量检测结果信息发送到所述电子设备；

在接收所述质量检测结果信息后，所述电子设备呈现第一提示信息，所述第一提示信息用于提示所述用户输入信息；

所述电子设备接收所述用户输入的待检测香蕉的基础信息，所述待检测香蕉的基础信息包括所述待检测香蕉的产地信息，种类信息和物流信息；

所述电子设备基于所述质量检测结果信息和所述待检测香蕉的基础信息，生成所述待检测香蕉的二维码，其中，所述待检测香蕉的二维码被扫描时呈现所述质量检测结果信息和所述待检测香蕉的基础信息；

所述电子设备打印所述待检测香蕉的二维码。

2.如权利要求1所述的方法，其特征在于，所述目标食品质量检测模型包括第一检测模型和第二检测模型，所述云端服务器将所述目标检测图像输入到所述目标食品质量检测模型中进行处理，得到质量检测结果信息，包括：

所述云端服务器将所述目标检测图像输入到所述第一检测模型中，以得到待检测香蕉的食品质量信息；

所述云端服务器将所述目标检测图像输入到所述第二检测模型中，以得到待检测香蕉的食品质量信息。

3.如权利要求2所述的方法，其特征在于，所述第一检测模型是基于第一训练图像集和所述第一训练图像集对应的标签信息训练得到的，所述第一训练图像集包括多个香蕉图片，所述第一训练图像集对应的标签信息包括所述多个香蕉图片对应的食品质量信息，所述多个香蕉图片对应的食品质量信息是是预先测试得到的。

4.如权利要求2所述的方法，其特征在于，所述第二检测模型是基于第二训练图像集和所述第二训练图像集对应的标签信息训练得到的，所述第二训练图像集包括多个香蕉图片，所述第二训练图像集对应的标签信息包括所述多个香蕉图片对应的最佳食用时间信息，所述多个香蕉图片对应的最佳食用时间信息是预先测试得到的。

5.如权利要求2所述的方法，其特征在于，所述云端服务器将所述目标检测图像通过并行的方式同时输入到所述第一检测模型和所述第二检测模型。

6.如权利要求5所述的方法，其特征在于，所述第一检测模型和所述第二检测模型具有共同的输入端和共同的输出端，所述共同的输入端用于输入所述目标检测图像。

7.如权利要求2所述的方法，其特征在于，所述第一检测模型是基于深度卷积神经网络搭建的检测模型。

8.如权利要求2所述的方法，其特征在于，所述第二检测模型是基于深度卷积神经网络搭建的检测模型。

9.如权利要求1-8中任一项所述的方法，其特征在于，所述电子设备对所述第一图像区域的图像进行降噪处理，包括：

所述电子设备对所述第一图像区域的图像进行均值滤波处理。

10.一种食品质量检测系统，所述食品质量检测系统包括：电子设备和云端服务器，所述电子设备和云端服务器用于执行如权利要求1-9中任一项所述的方法。

Images