CN116452517A - 一种黄色珍珠分级方法、系统、终端设备及存储介质 - Google Patents

一种黄色珍珠分级方法、系统、终端设备及存储介质 Download PDF

Info

Publication number
CN116452517A
CN116452517A CN202310307091.2A CN202310307091A CN116452517A CN 116452517 A CN116452517 A CN 116452517A CN 202310307091 A CN202310307091 A CN 202310307091A CN 116452517 A CN116452517 A CN 116452517A
Authority
CN
China
Prior art keywords
color
image
yellow
training
sample image
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
Application number
CN202310307091.2A
Other languages
English (en)
Inventor
林默青
张启东
刘丽红
郜玉杰
韩荣荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Gilde Technology Co ltd
Original Assignee
Shenzhen Gilde Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Gilde Technology Co ltd filed Critical Shenzhen Gilde Technology Co ltd
Priority to CN202310307091.2A priority Critical patent/CN116452517A/zh
Publication of CN116452517A publication Critical patent/CN116452517A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及检测技术领域，特别涉及一种黄色珍珠分级方法、系统、终端设备及存储介质，通过将多种黄色珍珠特定条件下进行图像的采集样品图像，利用ColorImpact软件对样品图像进行颜色提取后获得目标识别要素，在色度空间内进行投点，确定每个目标识别要素的颜色级别的参数范围，基于参数范围对样品图像进行分类，获得样品图像训练集，将样品图像训练集输入到人工智能机器模型中进行训练，让人工智能机器自动分级，并且能够无限接近准确的分级结果，并剔除人工分级的错误和误差，获得分级模型，通过分级模型对待分级的黄色珍珠给出分级结果，可以有效的提高黄色珍珠的颜色区分精度，保证黄色珍珠颜色分级。

Description

一种黄色珍珠分级方法、系统、终端设备及存储介质
技术领域
本发明属于检测技术领域，特别涉及一种黄色珍珠分级方法、系统、终端设备及存储介质。
背景技术
珍珠具有悠久的使用和培育历史。到2005年，我国淡水珍珠的年产量更是达到1500吨左右，约占世界珍珠产量的95％以上。出口淡水珍珠400～500吨，占国际市场淡水珍珠交易量的90％以上，海水珍珠年产量达到20吨，居世界首位。然而相对于我国如此大的珍珠产量，目前整个行业所采用的分级方法基本上仍停留在人工检测的阶段，企业需要安排大量的人员以肉眼观察的方式对珍珠的等级进行分类。这种人工检测的珍珠分级方法，由于珍珠体积小、数量多，分级工作负荷大、效率低，易疲劳，加上对于经验有较高的要求，检测结果易受人为因素影响，不但大大增加了珍珠生产企业的生产成本，也不利于实施准确有效和稳定的质量控制。因此，提高分级分选的效率，实现分级分选的自动化，对于珍珠的生产销售是一件极其重要的事情。
随着养殖珍珠国家分级标准的出台(GB/T18781-2008)，新标准的出台明确了养殖珍珠的定义、分类、质量因素及其级别标准等，使得对于出口产品实施分级检验制度成为可能，由此对于各珍珠生产和加工企业提出了新的要求。对珍珠进行准确快速的分级成为了珍珠生产企业工作重心之一。因此，对珍珠进行准确而快速的分级成为了珍珠生产企业的迫切需求。
但是目前，对于黄色珍珠(金珠)的颜色分级是行业空白，目前没有统一的分级方案，且无法对颜色给出准确和定量的结果。实验室是通过标准样品的比对对颜色进行三方面的评价，即色相、饱和明度，从而给出一个最终的颜色结果。该方法存在以下问题：1.标准样品的颜色区间较大，精度不高；2.人为比对的结果存在较大的误差；3.标准样品有不可再生性，可复制性差，无法保证黄色珍珠(金珠)颜色分级的推广。
发明内容
针对上述问题，本发明提供了一种黄色珍珠分级方法、系统、终端设备及存储介质。通过分级模型对待分级的黄色珍珠给出分级结果，可以有效的提高黄色珍珠的颜色区分精度，保证黄色珍珠颜色分级。
本发明提出一种黄色珍珠分级方法，包括：将多种黄色珍珠特定条件下进行图像的采集，获取至少一个样品图像；利用ColorImpact软件对所述样品图像进行颜色提取后获得目标识别要素；在色度空间内进行投点，确定每个所述目标识别要素的颜色级别的参数范围；基于所述参数范围对样品图像进行分类，获得样品图像训练集；将所述样品图像训练集输入到人工智能机器模型中进行训练，并对人工智能机器模型进行优化，让人工智能机器自动分级，并且能够无限接近准确的分级结果，并剔除人工分级的错误和误差，获得分级模型；通过分级模型对待分级的黄色珍珠给出分级结果。
作为优选的，将多种黄色珍珠特定条件下进行图像的采集，获取至少一个样品图像，包括：根据特定条件布设拍摄场景；将黄色珍珠放置在拍摄场景中通过相机进行拍照；通过图像识别技术生成待分级黄色珍珠的图像，对图像收集后构成样品图像。
作为优选的，根据特定条件布设拍摄场景，包括：在白色拍摄台确定拍摄点，并在所述拍摄点的左侧设置一组灯源；在所述拍摄点的正面设置将黑绒布作为背景布；在所述灯源和拍摄点之间设置一组柔光纸；及在所述拍摄点的右侧设置一组聚光板。
作为优选的，利用ColorImpact软件对所述样品图像进行颜色提取后获得目标识别要素，包括：对样品图像颜色的源彩色图像进行分类，以指示源彩色图像中颜色表示的强度，分类使用ColorImpact软件提取用于确定强度的图像特征；通过根据像素的相应颜色对源彩色图像的像素进行聚类并响应于像素的聚类将至少一个候选颜色识别为所提取的颜色，从源彩色图像提取颜色信息；以及使用图像处理来提供所提取的颜色以定义新图像作为目标识别要素。
作为优选的，在色度空间内进行投点，确定每个所述目标识别要素的颜色级别的参数范围，包括：通过配置有色度空间的计算机处理目标识别要素，在所述目标识别要素中标注坐标位置，并在坐标上标记投点位置；由所述计算机生成定义指定参数的范围，对每个投点定义颜色和色调的多个参数值。
作为优选的，将所述样品图像训练集输入到人工智能机器模型中进行训练，并对人工智能机器模型进行优化，包括：预训练：将样品图像先在ImageNet上进行了预训练，其预训练的分类模型采用前20个卷积层，然后添加一个average-pool层和全连接层；预训练之后，在预训练得到的20层卷积层之上加上随机初始化的4个卷积层和2个全连接层；网络预测：采用NMS算法：首先从所有的投点位置中找到置信度标记值，然后挨个计算其他标记值，如果其值大于一定阈值，那么就将该投点位置剔除；然后对剩余的投点位置重复上述过程，直到处理完所有的检测；解析网络的预测结果：判断预测标记值，再通过NMS算法检测预测结果准确性。
另一方面，本发明提出一种黄色珍珠分级系统，包括：
图像采集模块，用于将多种黄色珍珠特定条件下进行图像的采集，获取至少一个样品图像；
颜色提取模块，用于利用ColorImpact软件对所述样品图像进行颜色提取后获得目标识别要素；
颜色级别分类模块，用于在色度空间内进行投点，确定每个所述目标识别要素的颜色级别的参数范围；
训练集建立模块，用于基于所述参数范围对样品图像进行分类，获得样品图像训练集；
分级模型训练模块，用于将所述样品图像训练集输入到人工智能机器模型中进行训练，并对人工智能机器模型进行优化，让人工智能机器自动分级，并且能够无限接近准确的分级结果，并剔除人工分级的错误和误差，获得分级模型；
分级结果输出模块，用于通过分级模型对待分级的黄色珍珠给出分级结果。
模型优化模块，用于并对人工智能机器模型进行优化。
另一方面，本发明提出一种电子设备，所述电子设备包括：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执行如上所述的黄色珍珠分级方法。
另一方面，本发明提出一种计算机可读存储介质，所述计算机可读存储介质中识别程序，所述识别程序被处理器执行时，实现如上所述的黄色珍珠分级方法。
本发明的有益效果是：
本发明通过将多种黄色珍珠特定条件下进行图像的采集样品图像，利用ColorImpact软件对样品图像进行颜色提取后获得目标识别要素，在色度空间内进行投点，确定每个目标识别要素的颜色级别的参数范围，基于参数范围对样品图像进行分类，获得样品图像训练集，将样品图像训练集输入到人工智能机器模型中进行训练，让人工智能机器自动分级，并且能够无限接近准确的分级结果，并剔除人工分级的错误和误差，获得分级模型，通过分级模型对待分级的黄色珍珠给出分级结果，可以有效的提高黄色珍珠的颜色区分精度，保证黄色珍珠颜色分级。
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一简单地介绍，显而易见地，下面描述中的附图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示出了本发明实施例的电子设备的结构示意图；
图2示出了本发明实施例一种黄色珍珠分级方法的流程图；
图3示出了本发明实施例中拍摄场景的结构示意图；
图4示出了本发明实施例一种黄色珍珠分级系统的框图。
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、完整地说明，显然，所描述的实施例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。
本发明实施例涉及的黄色珍珠分级方法主要应用于电子设备，该电子设备可以是PC、便携计算机、移动终端等具有显示和处理功能的设备。
参照图1，图1示出了本发明实施例的电子设备的结构示意图。本发明实施例中，该电子设备包括但不限于：存储器11、处理器12、显示器13及网络接口14。所述电子设备通过网络接口14连接网络，获取原始数据。其中，所述网络可以是企业内部网、互联网、全球移动通讯装置、宽带码分多址、4G网络、5G网络、蓝牙、Wi-Fi、通话网络等无线或有线网络。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。
在一些实施例中，所述存储器11可以是所述电子设备的内部存储单元，例如该电子设备的硬盘或内存。
在另一些实施例中，所述存储器11也可以是所述电子设备的外部存储设备，例如该电子设备配备的插接式硬盘，智能存储卡，安全数字卡，闪存卡等。当然，所述存储器11还可以既包括所述电子设备的内部存储单元也包括其外部存储设备。
本实施例中，存储器11通常用于存储安装于所述电子设备的操作装置和各类应用软件，例如识别程序10的程序代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
示例性的，处理器12在一些实施例中可以是中央处理器、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子设备的总体操作，例如执行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，
示例性的，显示器13可以称为显示屏或显示单元。在一些实施例中显示器13可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管触摸器等。显示器13用于显示在电子设备中处理的信息以及用于显示可视化的工作界面，例如显示数据统计的结果。
示例性的，网络接口14可选地可以包括标准的有线接口、无线接口(如WI-FI接口)，该网络接口14通常用于在所述电子设备与其它电子设备之间建立通信连接。
值得说明的是，图1仅示出了具有组件11-14以及识别程序10的电子设备和云端数据库，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，所述电子设备还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
该电子设备还可以包括射频(RadioFrequency，RF)电路、传感器和音频电路等等，在此不再赘述。该电子设备还包括相机。
在上述实施例中，处理器12执行存储器11中存储的识别程序10时可以实现黄色珍珠分级方法。
本实施例提供一种黄色珍珠分级方法的流程图。
请查阅图2，图2示出了本发明实施例一种黄色珍珠分级方法的流程图。
本实施例中，黄色珍珠分级方法包括以下步骤：
S1、将多种黄色珍珠特定条件下进行图像的采集，获取至少一个样品图像；
具体的，根据特定条件布设拍摄场景；将黄色珍珠放置在拍摄场景中通过相机进行拍照；通过图像识别技术生成待分级黄色珍珠的图像，对图像收集后构成样品图像。
如图3所示的，图3示出了本发明实施例中拍摄场景的结构示意图。
示例性的，所述根据特定条件布设拍摄场景，包括：在白色拍摄台301确定拍摄点302，并在所述拍摄点的左侧设置一组灯源303；在所述拍摄点302的正面设置将黑绒布304作为背景布；在所述灯源303和拍摄点302之间设置一组柔光纸305；及在所述拍摄点302的右侧设置一组聚光板306，图中箭头表示为相机拍摄位置。
主要是采用单灯布光法：一般通过侧面角度来拍摄，侧位角度不用担心相机镜头造成黑影；所以单灯布光，光影会更立体，穿透性更强。
另外，还可以采用双灯布光法：使用两纸两灯左右夹光拍摄，通过调整灯的角度与距离控制光影在产品的表面变化，最终实现我们想要的效果。对于拍摄需注意两灯之间的光比，做到主次分明。三灯布光法：从三个角度将产品完全包围，仅留出相机进光位置，通过在相机周围三个方向调整布光从而拍摄出自己想要的效果。具体主光、辅助光、轮廓光会随着拍摄主题进行变化。
S2、利用ColorImpact软件对所述样品图像进行颜色提取后获得目标识别要素；
具体的，对样品图像颜色的源彩色图像进行分类，以指示源彩色图像中颜色表示的强度，分类使用ColorImpact软件提取用于确定强度的图像特征；通过根据像素的相应颜色对源彩色图像的像素进行聚类并响应于像素的聚类将至少一个候选颜色识别为所提取的颜色，从源彩色图像提取颜色信息；以及使用图像处理来提供所提取的颜色以定义新图像作为目标识别要素。
S3、在色度空间内进行投点，确定每个所述目标识别要素的颜色级别的参数范围；
具体的，通过配置有色度空间的计算机处理目标识别要素，在所述目标识别要素中标注坐标位置，并在坐标上标记投点位置；由所述计算机生成定义指定参数的值范围，对每个投点定义颜色和色调的多个参数值。
S4、基于所述参数范围对样品图像进行分类，获得样品图像训练集；
S5、将所述样品图像训练集输入到人工智能机器模型中进行训练，并对人工智能机器模型进行优化，让机器的自动分级能够无限接近准确的分级结果，并剔除人工分级的错误和误差，获得分级模型；
具体的，预训练：将样品图像先在ImageNet上进行了预训练，其预训练的分类模型采用前20个卷积层，然后添加一个average-pool层和全连接层；预训练之后，在预训练得到的20层卷积层之上加上随机初始化的4个卷积层和2个全连接层；网络预测：采用NMS算法：首先从所有的投点位置中找到置信度标记值，然后挨个计算其他标记值，如果其值大于一定阈值，那么就将该投点位置剔除；然后对剩余的投点位置重复上述过程，直到处理完所有的检测；解析网络的预测结果：判断预测标记值，再通过NMS算法检测预测结果准确性。
具体地，CRNN(卷积循环神经网络)，就是CNN+RNN的组合，模型既有CNN强大的提取特征的能力，又有与RNN相同的性质，能够产生一系列序列化标签。整个CRNN分为了三个部分：卷积层、循环层和转录层。
其中，卷积层是一个CNN网络，用于提取特征(代码输入32*256*1)；循环层使用深层双向RNN，预测从卷积层获取的特征序列的标签(真实值)分布(64*512)；转录层使用CTC，训练样本。
具体地，CNRR算法输入归一化高度的词条图像，基于CNN提取特征图，把特征图按列切分。在训练过程中，通过CTC损失函数的指导，实现字符位置与类标的近似软对齐。
具体地，CTC在训练时更多的考虑是将可能映射(去重、去空)出的标签所包含的路径的概率之和进行最大化(CTC假设每个时间片的输出是相互独立的，则路径的后验概率是每个时间片概率的累积)，那么在输出时根据给定输入搜索概率最大的路径时就更可能搜索出能映射到正确结果的路径。且搜索时考虑了“多对一”的情况，进一步增加了解码出正确结果的可能性。
在另外一些实施例中，人工智能模型的训练包括：训练集生成模块，所述训练集生成模块根据一外部输入的模型需求对训练数据进行处理，以生成训练集；参数配置模块，所述参数配置模块根据一外部输入的训练控制指令生成训练配置参数；训练模块，所述训练模块连接所述训练集生成模块和所述参数配置模块，所述训练模块根据所述训练集和所述训练配置参数对所述人工智能模型进行训练，随后输出训练后的所述人工智能模型。
S6、通过分级模型对待分级的黄色珍珠给出分级结果。
在本实施例中，通过将多种黄色珍珠特定条件下进行图像的采集样品图像，利用ColorImpact软件对样品图像进行颜色提取后获得目标识别要素，在色度空间内进行投点，确定每个目标识别要素的颜色级别的参数范围，基于参数范围对样品图像进行分类，获得样品图像训练集，将样品图像训练集输入到人工智能机器模型中进行训练，让人工智能机器自动分级，并且能够无限接近准确的分级结果，并剔除人工分级的错误和误差，获得分级模型，通过分级模型对待分级的黄色珍珠给出分级结果，可以有效的提高黄色珍珠的颜色区分精度，保证黄色珍珠颜色分级。
此外，本发明实施例还提供一种黄色珍珠分级系统。
请参阅图4，图4示出了本发明实施例一种黄色珍珠分级系统的框图。
本实施例中，一种黄色珍珠分级系统包括图像采集模块201、颜色提取模块202、颜色级别分类模块203、训练集建立模块204、分级模型训练模块205、分级结果输出模块206及模型优化模块207。具体如下。
示例性的，图像采集模块201，用于将多种黄色珍珠特定条件下进行图像的采集，获取至少一个样品图像；根据特定条件布设拍摄场景；将黄色珍珠放置在拍摄场景中通过相机进行拍照；通过图像识别技术生成待分级黄色珍珠的图像，对图像收集后构成样品图像。
示例性的，颜色提取模块202，用于利用ColorImpact软件对所述样品图像进行颜色提取后获得目标识别要素；对样品图像颜色的源彩色图像进行分类，以指示源彩色图像中颜色表示的强度，分类使用ColorImpact软件提取用于确定强度的图像特征；通过根据像素的相应颜色对源彩色图像的像素进行聚类并响应于像素的聚类将至少一个候选颜色识别为所提取的颜色，从源彩色图像提取颜色信息；以及使用图像处理来提供所提取的颜色以定义新图像作为目标识别要素。
示例性的，颜色级别分类模块203，用于在色度空间内进行投点，确定每个所述目标识别要素的颜色级别的参数范围；通过配置有色度空间的计算机处理目标识别要素，在所述目标识别要素中标注坐标位置，并在坐标上标记投点位置；由所述计算机生成定义指定参数的范围，对每个投点定义颜色和色调的多个参数值。
示例性的，训练集建立模块204，用于基于所述参数范围对样品图像进行分类，获得样品图像训练集；
示例性的，分级模型训练模块205，用于将所述样品图像训练集输入到人工智能机器模型中进行训练，并对人工智能机器模型进行优化，让机器的自动分级能够无限接近准确的分级结果，并剔除人工分级的错误和误差，获得分级模型；
示例性的，分级结果输出模块206，用于通过分级模型对待分级的黄色珍珠给出分级结果。
示例性的，模型优化模块207，用于并对人工智能机器模型进行优化。
在本实施例中，黄色珍珠分级系统还包括：白色拍摄台301、拍摄点302、灯源303、黑绒布304、柔光纸305及聚光板306。
示例性的，在白色拍摄台301确定拍摄点302，并在所述拍摄点的左侧设置一组灯源303；在所述拍摄点302的正面设置将黑绒布304作为背景布；在所述灯源303和拍摄点302之间设置一组柔光纸305；及在所述拍摄点302的右侧设置一组聚光板306，图中箭头表示为相机拍摄位置。
在另外一些实施例中，可以将黄色珍珠分级系统输入到分级设备中进行珍珠分级，依次来提高分级效率。
示例性的，该分级设备包括用于对珍珠进行自动检测和分类的流水线，用于拍摄被检珍珠图像的单目多视角机器视觉装置和用于对被检珍珠图像进行图像处理、检测、识别、分类以及协调控制流水线上各动作机构的协调动作的微处理器。
所述流水线包括用于将被检珍珠从待测物件容器中以每次一粒珍珠喂送到上料输入口的上料动作机构，用于将被检珍珠提升到视觉检测箱中进行视觉分析的送检动作机构，用于将送检动作机构的活动顶杆的翻板上的已检珍珠落入分级输入口的下料动作机构，用于将落入到分级输入口的已检珍珠根据分级判断结果控制分级输出口转动到相对应的珍珠分级容器上方的分级动作机构和用于将在分级输出口内的已检珍珠收集到相对应的珍珠分级容器中的分级执行机构。
所述的微处理器还包括：
图像读取模块，用于从广角摄像机读取包含有从9个不同视角拍摄的被检珍珠的图像；
图像处理模块，用于从一幅图像中分割出9幅不同视角的珍珠图像和将9幅不同视角的图像背景中分割出珍珠图像，并根据知识库中保存的传感器的标定结果对9幅不同视角的珍珠图像进行透视投影转换处理；
传感器标定模块，用于对广角摄像机的标定、鱼眼镜头的畸变矫正以及透视投影变换，将标定广角摄像机的内部参数以及透视投影变换的参数存储到知识库中；
光洁度识别模块，用于根据国家标准对被检珍珠进行光洁度的识别；结果输出模块，用于将被检珍珠的瑕疵和光洁度的检测结果进行汇总，一方面根据国家检测标准自动生成一份检测结果表，另一方面，将检测结果的信息发送给流水线控制模块，让流水线控制模块控制相应的分级控制模块自动完成被检珍珠的自动分级；
人机交互模块，用于在人工干预下完成检测参数的设定和控制检测结果的输出；视觉检测箱；由1个广角摄像机和8个平面镜所构成的单目多视角立体视觉装置，通过一个广角摄像机的一次成像来获取从9个视角拍摄的珍珠表面图像，实现一种以珍珠为观察中心的全方位视觉装置；主要由广角摄像机和2个平面镜斗型腔组成；每个斗型腔由尺寸相同的等腰梯形平面镜组成，上斗型腔呈上小下大，下斗型腔呈上大下小，上下斗型腔的大口径处尺寸相同，在上下斗型腔的大口径处将上下斗型腔合并为一整体，镜面朝向腔体内侧，且腔体的中轴线重合于摄像机的主光轴；广角镜头由上斗型腔小口端探入腔体内，镜头入射光线由上斗型腔端口的直射光线和镜面反射光线组成；通过腔体的直射光线投影在摄像机投影面的中央区域，被测珍珠通过活动支架被安置到中央区域，镜面反射光线投射到摄像机投影面的周边区域，且8个镜面的投影区域各不相同；因此，该装置拍摄的图像包含被测珍珠的多个影像，且这些影像来自于9不同透视投影点；所述的视觉检测箱一共有9个不同透视投影点，在摄像机中直接成像的为真实摄像机的透视投影点，所拍摄的图像的视角0；其他8个均为由摄像机和反射镜面所成像的为虚拟摄像机的透视投影点，所拍摄的图像分别来自于视角1～视角8。
此外，本发明实施例还提出一种计算机可读存储介质，该计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有识别程序10。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。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。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种黄色珍珠分级方法，其特征在于，包括：
将多种黄色珍珠特定条件下进行图像的采集，获取至少一个样品图像；
利用ColorImpact软件对所述样品图像进行颜色提取后获得目标识别要素；
在色度空间内进行投点，确定每个所述目标识别要素的颜色级别的参数范围；
基于所述参数范围对样品图像进行分类，获得样品图像训练集；
将所述样品图像训练集输入到人工智能机器模型中进行训练，并对人工智能机器模型进行优化，让人工智能机器自动分级，并且能够无限接近准确的分级结果，并剔除人工分级的错误和误差，获得分级模型；
通过分级模型对待分级的黄色珍珠给出分级结果。
2.根据权利要求1所述的一种黄色珍珠分级方法，其特征在于，将多种黄色珍珠特定条件下进行图像的采集，获取至少一个样品图像，包括：
根据特定条件布设拍摄场景；
将黄色珍珠放置在拍摄场景中通过相机进行拍照；
通过图像识别技术生成待分级黄色珍珠的图像，对图像收集后构成样品图像。
3.根据权利要求2所述的一种黄色珍珠分级方法，其特征在于，所述根据特定条件布设拍摄场景，包括：
在白色拍摄台确定拍摄点，并在所述拍摄点的左侧设置一组灯源；
在所述拍摄点的正面设置将黑绒布作为背景布；
在所述灯源和拍摄点之间设置一组柔光纸；及
在所述拍摄点的右侧设置一组聚光板。
4.根据权利要求1所述的一种黄色珍珠分级方法，其特征在于，利用ColorImpact软件对所述样品图像进行颜色提取后获得目标识别要素，包括：
对样品图像颜色的源彩色图像进行分类，以指示源彩色图像中颜色表示的强度，分类使用ColorImpact软件提取用于确定强度的图像特征；
通过根据像素的相应颜色对源彩色图像的像素进行聚类并响应于像素的聚类将至少一个候选颜色识别为所提取的颜色，从源彩色图像提取颜色信息；以及
使用图像处理来提供所提取的颜色以定义新图像作为目标识别要素。
5.根据权利要求1所述的一种黄色珍珠分级方法，其特征在于，在色度空间内进行投点，确定每个所述目标识别要素的颜色级别的参数范围，包括：
通过配置有色度空间的计算机处理目标识别要素，在所述目标识别要素中标注坐标位置，并在坐标上标记投点位置；
由所述计算机生成定义指定参数的范围，对每个投点定义颜色和色调的多个参数值。
6.根据权利要求1所述的一种黄色珍珠分级方法，其特征在于，将所述样品图像训练集输入到人工智能机器模型中进行训练，并对人工智能机器模型进行优化，包括：
预训练：将样品图像先在ImageNet上进行了预训练，其预训练的分类模型采用前20个卷积层，然后添加一个average-pool层和全连接层；
预训练之后，在预训练得到的20层卷积层之上加上随机初始化的4个卷积层和2个全连接层；
网络预测：采用NMS算法：首先从所有的投点位置中找到置信度标记值，然后挨个计算其他标记值，如果其值大于一定阈值，那么就将该投点位置剔除；然后对剩余的投点位置重复上述过程，直到处理完所有的检测；
解析网络的预测结果：判断预测标记值，再通过NMS算法检测预测结果准确性。
7.一种黄色珍珠分级系统，其特征在于，包括：
图像采集模块，用于将多种黄色珍珠特定条件下进行图像的采集，获取至少一个样品图像；
颜色提取模块，用于利用ColorImpact软件对所述样品图像进行颜色提取后获得目标识别要素；
颜色级别分类模块，用于在色度空间内进行投点，确定每个所述目标识别要素的颜色级别的参数范围；
训练集建立模块，用于基于所述参数范围对样品图像进行分类，获得样品图像训练集；
分级模型训练模块，用于将所述样品图像训练集输入到人工智能机器模型中进行训练，并对人工智能机器模型进行优化，让人工智能机器自动分级，并且能够无限接近准确的分级结果，并剔除人工分级的错误和误差，获得分级模型；
分级结果输出模块，用于通过分级模型对待分级的黄色珍珠给出分级结果。
8.根据权利要求7所述的一种黄色珍珠分级系统，其特征在于，还包括：模型优化模块，用于对人工智能机器模型进行优化。
9.一种电子设备，其特征在于，所述电子设备包括：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执行如权利要求1至6中任一项所述的黄色珍珠分级方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中识别程序，所述识别程序被处理器执行时，实现如权利要求1至6中任一项所述的黄色珍珠分级方法。
CN202310307091.2A 2023-03-27 2023-03-27 一种黄色珍珠分级方法、系统、终端设备及存储介质 Pending CN116452517A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310307091.2A CN116452517A (zh) 2023-03-27 2023-03-27 一种黄色珍珠分级方法、系统、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310307091.2A CN116452517A (zh) 2023-03-27 2023-03-27 一种黄色珍珠分级方法、系统、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN116452517A true CN116452517A (zh) 2023-07-18

Family

ID=87119405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310307091.2A Pending CN116452517A (zh) 2023-03-27 2023-03-27 一种黄色珍珠分级方法、系统、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN116452517A (zh)

Similar Documents

Publication Publication Date Title
CN111178197B (zh) 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法
US11341626B2 (en) Method and apparatus for outputting information
CN111882579A (zh) 基于深度学习和目标跟踪的大输液异物检测方法、系统、介质及设备
CN102704215B (zh) 基于dst文件解析与机器视觉结合的绣布自动切割方法
CN109785337A (zh) 一种基于实例分割算法的栏内哺乳动物清点方法
CN109684906B (zh) 基于深度学习的检测红脂大小蠹的方法
CN103528617A (zh) 一种座舱仪表自动识别和检测方法及装置
CN111401418A (zh) 一种基于改进Faster r-cnn的员工着装规范检测方法
CN112926685A (zh) 一种工业中钢材氧化带目标检测方法、系统及设备
CN114758249B (zh) 基于野外夜间环境的目标物监测方法、装置、设备及介质
TW202009681A (zh) 樣本標註方法及裝置、損傷類別的識別方法及裝置
WO2024051067A1 (zh) 红外图像处理方法、装置及设备、存储介质
CN113850799A (zh) 一种基于YOLOv5的微量DNA提取工作站工件检测方法
CN116678826A (zh) 一种基于快速立体重建的外观缺陷检测系统及方法
CN114441452B (zh) 一种光纤尾纤检测方法
CN115619787A (zh) 一种uv胶缺陷检测方法、系统、设备及介质
CN113205511B (zh) 基于深层神经网络的电子元器件批量信息检测方法及系统
CN112686872B (zh) 基于深度学习的木材计数方法
CN110210401B (zh) 一种弱光下的目标智能检测方法
CN115176289A (zh) 使用卷积神经网络的细胞系发育图像表征
CN116452517A (zh) 一种黄色珍珠分级方法、系统、终端设备及存储介质
CN109255805B (zh) 机器学习的工业智能数据收集系统和方法
CN113591548B (zh) 靶环识别方法及系统
CN109190489A (zh) 一种基于修复自动编码器残差的异常人脸检测方法
CN110868586A (zh) 一种摄像头缺陷自动化检测方法

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