JP7073607B2 - 穀物の識別方法、装置およびコンピュータ記憶媒体 - Google Patents

Description

本発明は、画像識別技術に関し、特に穀物の識別方法、装置およびコンピュータ記憶媒体に関する。

スマート家電の登場は、人々の日常生活に大きな利便性をもたらした。例えば、炊飯器の場合、ユーザは調理モードを選択するだけで、選択した調理モードに対応する調理時間に応じて自動的に調理することができる。ただし、米種の選択方法については、炊飯器のモードの対話方式は、無米種選択モードと米種手動選択モードの対話方式のみを含み、ユーザが米種を知らない場合は、無米種選択モードのみが選択可能である。米種を自動的に識別できる炊飯器を提案すれば、さらに米種に応じて調理モードを決定することで、ユーザにより便利な対話方式を提供し、ユーザ体験を向上させることができる。しかしながら、先行技術では、現在のところ効果的な解決策はない。

既存の技術的課題を解決するために、本発明の実施例は、穀物の識別方法、装置およびコンピュータ記憶媒体を提供する。

上記の目的を達成するために、本発明の実施例の技術的解決策は、次のように実現される。
本発明の実施例は、穀物の識別方法を提供し、前記方法は、
識別される穀物を含む第１画像データを取得することと、
前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得し、前記第１画像データおよび第２識別モデルに基づいて第２識別結果を取得することであって、前記第１識別結果は、前記識別される穀物の属するタイプを表し、前記第２識別結果は、前記識別される穀物の属する品種を表すことと、
前記第１識別結果および前記第２識別結果に基づいて前記識別される穀物の情報を決定することとを含む。

一実施例において、前記穀物の識別方法は、
複数の第２画像情報を取得することであって、前記第２画像情報は、第２画像データおよび対応するタグデータを含むことと、
前記第２画像データに対して特徴強調処理を実行して、特徴強調画像データを取得することと、
前記特徴強調画像データに対してデータ強調処理を実行して、データ強調画像データを取得することと、
前記データ強調画像データおよび対応するタグデータに基づいて学習トレーニングを実行して、識別モデルを取得することとを含む。

一実施例において、前記タグデータが穀物の属するタイプを表す場合、前記識別モデルを取得することは、第１識別モデルを取得することを含み、
前記タグデータが穀物の属する品種を表す場合、前記識別モデルを取得することは、第２識別モデルを取得することを含む。

一実施例において、前記第２画像データに対して特徴強調処理を実行する前に、前記穀物の識別方法は、
前記第２画像データの輝度を識別し、前記輝度に基づいて前記第２画像データをトリミングして、第２画像サブデータを取得することであって、前記第２画像サブデータの輝度差は、プリセット条件を満たすことをさらに含み、
対応的に、前記第２画像データに対して特徴強調処理を実行することは、前記第２画像サブデータに対して特徴強調処理を実行することを含む。

一実施例において、前記第２画像データに対して特徴強調処理を実行して、特徴強調画像データを取得することは、
前記第２画像データをグレースケール画像に変換し、前記グレースケール画像に対してコントラスト強調処理を実行して、コントラスト強調画像データを取得することと、前記コントラスト強調画像データに基づいて特徴強調画像データを取得することとを含む。

一実施例において、前記特徴強調画像データに対してデータ強調処理を実行して、データ強調画像データを取得することは、
前記特徴強調画像データに対して反転および／または回転を実行して、前記特徴強調画像データに対応する反転画像データおよび／または回転画像データを取得することと、前記反転画像データおよび／または回転画像データに基づいてデータ強調画像データを生成することとを含む。

一実施例において、前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得し、前記第１画像データおよび第２識別モデルに基づいて第２識別結果を取得し、前記第１識別結果および前記第２識別結果に基づいて前記識別される穀物の情報を決定することは、
前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得することと、前記第１識別結果における前記識別される穀物の属するタイプの信頼度を取得することと、前記識別される穀物の属するタイプの信頼度が第１プリセット条件に達する場合、前記第１画像データおよび前記第２識別モデルに基づいて第２識別結果を取得することと、前記第２識別結果における前記識別される穀物の属する品種の信頼度を取得することと、前記識別される穀物の属する品種の信頼度が第２プリセット条件に達する場合、前記識別される穀物の情報を前記識別される穀物の属する品種として決定することと、前記識別される穀物の属する品種の信頼度が第２プリセット条件に達しない場合、前記識別される穀物の情報を前記識別される穀物の属するタイプとして決定することとを含む。

本発明の実施例は、穀物の識別装置をさらに提供し、前記穀物の識別装置は、
プロセッサ上で実行可能なコンピュータプログラムを記憶するためのメモリを含み、
前記プロセッサは、前記コンピュータプログラムを実行するとき、識別される穀物を含む第１画像データを取得すること、前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得し、前記第１画像データおよび第２識別モデルに基づいて第２識別結果を取得することであって、前記第１識別結果は、前記識別される穀物の属するタイプを表し、前記第２識別結果は、前記識別される穀物の属する品種を表すこと、前記第１識別結果および前記第２識別結果に基づいて前記識別される穀物の情報を決定することを実行するように構成される。

一実施例において、前記プロセッサは、さらに、前記コンピュータプログラムを実行するとき、複数の第２画像情報を取得することであって、前記第２画像情報は、第２画像データおよび対応するタグデータを含むこと、前記第２画像データに対して特徴強調処理を実行して、特徴強調画像データを取得すること、前記特徴強調画像データに対してデータ強調処理を実行して、データ強調画像データを取得すること、前記データ強調画像データおよび対応するタグデータに基づいて学習トレーニングを実行して、識別モデルを取得することを実行するように構成される。

一実施例において、前記プロセッサは、さらに、前記コンピュータプログラムを実行するとき、前記タグデータが穀物の属するタイプを表す場合、第１識別モデルを取得すること、前記タグデータが穀物の属する品種を表す場合、第２識別モデルを取得することを実行するように構成される。

一実施例において、前記プロセッサは、さらに、前記コンピュータプログラムを実行するとき、前記第２画像データの輝度を識別し、前記輝度に基づいて第２画像データをトリミングして、第２画像サブデータを取得することであって、前記第２画像サブデータの輝度差は、プリセット条件を満たすこと、前記第２画像サブデータに対して特徴強調処理を実行して、特徴強調画像データを取得することを実行するように構成される。

一実施例において、前記プロセッサは、前記コンピュータプログラムを実行するとき、前記第２画像データをグレースケール画像に変換し、前記グレースケール画像に対してコントラスト強調処理を実行して、コントラスト強調画像データを取得すること、前記コントラスト強調画像データに基づいて特徴強調画像データを取得することを実行するように構成される。

一実施例において、前記プロセッサは、前記コンピュータプログラムを実行するとき、前記特徴強調画像データに対して反転および／または回転を実行して、前記特徴強調画像データに対応する反転画像データおよび／または回転画像データを取得すること、前記反転画像データおよび／または回転画像データに基づいてデータ強調画像データを生成することを実行するように構成される。

一実施例において、前記プロセッサは、前記コンピュータプログラムを実行するとき、前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得すること、前記第１識別結果における前記識別される穀物の属するタイプの信頼度を取得すること、前記識別される穀物の属するタイプの信頼度が第１プリセット条件に達する場合、前記第１画像データおよび前記第２識別モデルに基づいて第２識別結果を取得すること、前記第２識別結果における前記識別される穀物の属する品種の信頼度を取得すること、前記識別される穀物の属する品種の信頼度が第２プリセット条件に達する場合、前記識別される穀物の情報を前記識別される穀物の属する品種として決定すること、前記識別される穀物の属する品種の信頼度が第２プリセット条件に達しない場合、前記識別される穀物の情報を前記識別される穀物の属するタイプとして決定することを実行するように構成される。

本発明の実施例は、コンピュータ命令を記憶するように構成されるコンピュータ記憶媒体をさらに提供し、前記命令がプロセッサによって実行されるとき、本発明の実施例に記載の穀物の識別方法のステップを実現する。

本発明の実施例は、穀物の識別方法、装置およびコンピュータ記憶媒体を提供し、前記方法は、識別される穀物を含む第１画像データを取得することと、前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得し、前記第１画像データおよび第２識別モデルに基づいて第２識別結果を取得することであって、前記第１識別結果は、前記識別される穀物の属するタイプを表し、前記第２識別結果は、前記識別される穀物の属する品種を表すことと、前記第１識別結果および前記第２識別結果に基づいて前記識別される穀物の情報を決定することと、を含む。本発明の実施例の技術的解決策を採用することにより、画像識別方式で穀物を自動的に識別することができ、調理機器が穀物のタイプや品種に基づいて自動的に調理モードを設定することに技術的サポートを提供し、ユーザが目で穀物のタイプや品種を識別する必要がなく、特に穀物のタイプや品種を知らないユーザの調理プロセスに便利を提供し、ユーザ体験を大幅に向上させる。

本発明の実施例の穀物の識別方法の例示的なフローチャートである。 本発明の実施例の穀物の識別方法における穀物のタイプの概略図である。 本発明の実施例の穀物の識別方法における穀物のタイプの概略図である。 本発明の実施例の穀物の識別方法における識別モデルトレーニングの例示的なフローチャートである。 本発明の実施例の穀物の識別方法における識別モデルトレーニングの別の例示的なフローチャートである。 本発明の実施例の穀物の識別方法における識別モデルトレーニングの第１の応用の概略図である。 本発明の実施例の穀物の識別方法における識別モデルトレーニングの第１の応用の概略図である。 本発明の実施例の穀物の識別方法における識別モデルトレーニングの第２の応用の概略図である。 本発明の実施例の穀物の識別方法における識別モデルトレーニングの第３の応用の概略図である。 本発明の実施例の穀物の識別方法における識別モデルトレーニングの第３の応用の概略図である。 本発明の実施例の穀物の識別方法における識別モデルトレーニングの第３の応用の概略図である。 本発明の実施例の穀物の識別方法における識別モデルトレーニングの第３の応用の概略図である。 本発明の実施例の穀物の識別方法における識別モデルトレーニングの第３の応用の概略図である。 本発明の実施例の穀物の識別方法における識別モデルトレーニングの第３の応用の概略図である。 本発明の実施例の穀物の識別方法における識別モデルトレーニングの第３の応用の概略図である。 本発明の実施例の穀物の識別方法における識別モデルトレーニングの第３の応用の概略図である。 本発明の実施例の穀物の識別方法の応用の例示的なフローチャートである。 本発明の実施例の穀物の識別装置の構成の例示的な構造図である。

以下、図面および具体的な実施例を参照して、本発明をさらに詳細に説明する。

本発明の実施例は、穀物の識別方法を提供する。図１は、本発明の実施例の穀物の識別方法の例示的なフローチャートであり、図１に示すように、前記穀物の識別方法は以下のステップを含む。

ステップ１０１において、識別される穀物を含む第１画像データを取得する。

ステップ１０２において、前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得し、前記第１画像データおよび第２識別モデルに基づいて第２識別結果を取得し、前記第１識別結果は、前記識別される穀物の属するタイプを表し、前記第２識別結果は、前記識別される穀物の属する品種を表す。

ステップ１０３において、前記第１識別結果および前記第２識別結果に基づいて前記識別される穀物の情報を決定する。

本発明の実施例の穀物の識別方法は、機器に適用することができ、第１の実施形態として、前記機器は厨房機器であり得、厨房機器は画像収集コンポーネント（カメラなど）を備え、画像収集コンポーネントによって画像データを収集し、収集した画像データを分析識別して、識別される穀物の属する品種を決定する。第２の実施形態として、機器は厨房機器であり得、前記厨房機器は画像収集機能を有さず、画像収集コンポーネントを有する別の機器と通信することができ、画像データは別の機器の画像収集コンポーネントによって収集され、厨房機器は前記別の機器との通信リンクを介して前記別の機器によって収集された画像データを取得する。第３の実施形態として、機器は電子機器であり得、前記電子機器は、携帯電話、タブレットコンピュータなどのモバイル機器であり得、電子機器によって画像データを収集し、収集した画像データに対して分析識別して、識別される穀物の属する品種を決定し、さらに、識別される穀物の品種に基づいて調理パラメータを決定して、調理パラメータを厨房機器に送信する。ここで、前記第１画像データには識別される穀物が含まれ、前記識別される穀物は米などであり得る。実際の応用では、厨房機器は、炊飯器、電気圧力鍋などの厨房加熱機器であり得る。

一実施形態として、機器は、調理（例えば、炊飯）機能を有し、即ち機器に収容された穀物を加熱するために使用される。実際の応用では、米を例にとると、米の品種はたくさんある。図２ａおよび図２ｂは、本発明の実施例の穀物の識別方法における穀物のタイプの概略図であり、図２ａに示すように、米はジャポニカ米とインディカ米に分けられるが、例えば、五常米および盤錦米は、ジャポニカ米に属し、遮放米および絲苗米は、インディカ米に属し、米の種類が違っても、見た目はよく似ている。図２ｂに示すように、４つのタイプの米はインディカ米であり、異なる品種のインディカ米は非常に似ている。第２の態様において、加工工程が異なるため、同じ品種に対する異なるブランドの米の外観は完全に同じではない可能性がある。第３の態様において、砕米／截断米は誤判定を起こしやすく、例えば、インディカ米は比較的長いが、大量のインディカ米が截断米である場合、ジャポニカ米に近い形になる。これにより、ユーザは穀物の形状から穀物の種類を識別することが難しい。本発明の実施例に係る装置は、穀物の画像収集により穀物の種類を識別する。本発明の以下の各実施例では、すべて穀物が米である場合を例として説明する。

本発明の実施例において、装置が事前に学習トレーニング方法を通じて識別モデルを取得する場合、一実施例において、図３は本発明の実施例の穀物の識別方法における識別モデルトレーニングの例示的なフローチャートであり、図３に示すように、前記穀物の識別方法は以下のステップをさらに含む。

ステップ２０１において、複数の第２画像情報を取得し、前記第２画像情報は、第２画像データおよび対応するタグデータを含む。

ステップ２０２において、前記第２画像データに対して特徴強調処理を実行して、特徴強調画像データを取得する。

ステップ２０３において、前記特徴強調画像データに対してデータ強調処理を実行して、データ強調画像データを取得する。

ステップ２０４において、前記データ強調画像データおよび対応するタグデータに基づいて学習トレーニングを実行して、識別モデルを取得する。

本実施例において、識別モデルトレーニングのために使用される複数の第２画像情報を取得し、前記第２画像情報は、第２画像データおよび対応するタグデータを含み、前記タグデータは、対応する第２画像データに含まれる穀物の種類を表す。ここで、本実施例に係る識別モデルは、第１識別モデルおよび第２識別モデルを含み、ここで、前記第１識別モデルが穀物のタイプの識別結果を出力するために使用される場合、前記第１識別モデルをトレーニングするために使用される第２画像情報に含まれるタグデータは、穀物のタイプ情報であり、前記第２識別モデルが穀物の品種の識別結果を出力するために使用される場合、前記第２識別モデルをトレーニングするために使用される第２画像情報に含まれるタグデータは、穀物の品種情報である。ここで、穀物の品種は、穀物のタイプのサブタイプとして使用でき、例えば、穀物のタイプは、ジャポニカ米またはインディカ米であり得、穀物の品種は、インディカ米タイプのタイ香り米であり得る。

実際の応用では、画像取得コンポーネントが画像データを収集するときの光源の画像データへの影響を考慮すると、図４に示すように、第２画像データに対して特徴強調処理を実行する前に、前記方法は以下のステップをさらに含む。

ステップ２０２ａにおいて、前記第２画像データの輝度を識別し、前記輝度に基づいて前記第２画像データをトリミングして、第２画像サブデータを取得し、前記第２画像サブデータの輝度差は、プリセット条件を満たす。

第２画像データに対して特徴強化処理を実行することは、具体的には、以下のステップを含む。

ステップ２０２ｂにおいて、前記第２画像サブデータに対して特徴強調処理を実行して、特徴強調画像データを取得する。

本実施例は、具体的には、図５ａおよび図５ｂを参照することができる。図５ａに示すように、第２画像データにおける左側の照明は強いため、第２画像データ全体をトレーニングデータとして使用することは適切ではない。画像データ全体を正の方向に引き伸ばしてトリミングする方法で画像の変形を引き起こす他のオブジェクト識別タスクとは異なり、本発明の実施例では、前記第２画像データの輝度を識別することにより、ピクセル間の輝度差に基づいて第２画像データをトリミングして、第２の画像データにおける輝度差がプリセット条件を満たす第２画像サブデータを取得する。図５ｂに示すように、第２画像データにおける左側の照明は強いため、輝度が高い左側の領域をトリミングして、輝度差が小さい右側の正方形領域を取得することができる。実際の応用では、識別モデルのトレーニングに使用される画像データの領域サイズを統合することができ、設定された前記領域サイズに基づいて第２画像データをトリミングすることができるため、トリミング後に取得される第２画像サブデータの輝度差が最も小さいようにする。本実施例において、前記第２画像サブデータの輝度差がプリセット条件を満たすことは、具体的には、設定された領域サイズを満たす場合、前記第２画像サブデータの輝度差が最も小さい。

本発明の実施例において、米の画像データの色空間が特殊であるため、取得された第２画像データにはカラー情報がほとんどなく、第２画像データをグレースケール画像に変換しても、米の形の特徴があまり明らかではなく、分類効果が良くないことに基づいて、本発明の実施例では、第２画像データに対して特徴強調処理を実行し、主に第２画像データのコントラストに対して強調処理を実行する。

これに基づいて、本発明の実施例において、一実施形態として、前記第２画像データに対して特徴強調処理を実行して、特徴強調画像データを取得することは、前記第２画像データをグレースケール画像に変換し、前記グレースケール画像に対してコントラスト強調処理を実行して、コントラスト強調画像データを取得し、前記コントラスト強調画像データに基づいて特徴強調画像データを取得することを含む。

ここで、取得された第２画像データが通常はカラーデータである場合、先に第２画像データに対応する赤緑青（ＲＧＢ）の３つのチャネルのカラーデータをグレースケール画像に変換し、次にコントラスト強調アルゴリズムを使用して前記グレースケール画像を処理し、取得されたコントラスト強調画像データを前記第２画像データに対応する特徴強調画像データとする。ここで、コントラストとは、画像データの最も明るいピクセルと最も暗いピクセルの間の異なる輝度レベルの測定を示し、差の範囲が大きいほどコントラストが大きく、差の範囲が小さいほどコントラストが小さいことを示す。ここで、前記コントラスト強調アルゴリズムは、線形変換アルゴリズム、指数変化アルゴリズム、対数変化アルゴリズム、ヒストグラムアルゴリズムなどのうちの少なくとも１つのアルゴリズムを含むが、これらに限定されない。これにより、特に画像データの有用なデータのコントラストが非常に近い場合に、画像データのコントラストの強調処理を実行する。図６は、本発明の実施例の穀物の識別方法における識別モデルトレーニングの第２の応用の概略図であり、図６に示すように、画像データのコントラストを強調することにより、異なる米粒の違いがより明確にし、異なる米粒の光透過度を反映できる。

米粒が類似しすぎることを考えると、過剰適合の問題が非常に発生しやすいため、本発明の実施例では、反転および／または回転する方式でトレーニングセットを拡張する必要がある。本実施例において、前記第２画像データに対応する特徴強調画像データに対してデータ強調処理を実行して、データ強調画像データを取得することは、前記第２画像データに対応する特徴強調画像データに対して反転および／または回転を実行して、前記特徴強調画像データに対応する反転画像データおよび／または回転画像データを取得することと、前記反転画像データおよび／または回転画像データに基づいてデータ強調画像データを生成することとを含む。ここで、特徴強調画像データに対して回転を実行する場合、回転角度は、第１プリセット角度であり得、前記第１プリセット角度は、９０度、１８０度、および２７０度のうちのいずれか１つの角度であり、特徴強調画像データに対して反転を実行して、反転された特徴強調画像データに対してさらに回転を実行する場合、回転角度は、第２プリセット角度であり得、前記第２プリセット角度は、９０度、１８０度、および２７０度のうちのいずれか１つの角度である。第１の実施形態として、本発明の実施例では、特徴強調画像データを前記第１プリセット角度に従って回転することができ、前記特徴強調画像データおよび回転された特徴強調画像データをモデルトレーニングのトレーニングセット画像として使用することができることを理解されたい。第２の実施形態として、本発明の実施例では、特徴強調画像データを反転した後、反転された特徴強調画像データを第２プリセット角度に従ってさらに回転することができ、前記特徴強調画像データ、反転された特徴強調画像データおよび反転された後且つ回転された特徴強調画像データをモデルトレーニングのトレーニングセット画像として使用することができる。第３の実施形態として、上記した第１の実施形態および第２の実施形態を組み合わせて、特徴強調画像データ、回転された特徴強調画像データ、反転された特徴強調画像データ、および反転された後且つ回転された特徴強調画像データをモデルトレーニングのトレーニングセット画像として使用することができる。

図７ａないし図７ｈは、本発明の実施例の穀物の識別方法における識別モデルトレーニングの第３の応用の概略図であり、図７ａに示すように、特徴強調画像データであり、図７ｂないし図７ｄは、図７ａをそれぞれ９０度、１８０度、および２７０度回転させた後に取得した特徴強調画像データであり、図７ｅは、図７ａを左右に反転させた特徴強化画像データであり、図７ｆないし図７ｈは、図７ｅをそれぞれ９０度、１８０度、および２７０度回転させた後に取得した、反転された後に回転された特徴強調画像データである。このようにして、１つの画像データを８つの画像データに拡張でき、データ収集量を増加することなく、高品質のトレーニングセットを大幅に増加することができる。同時に、実際の使用環境の場合、照明の影響などの直面する可能性があるさまざまな環境の影響を考慮すると、照明の影響をより適切に処理し、モデルの汎化能力を向上させるために、トレーニングセットの画像データに対して、さまざまな程度の照明処理を実行した。

本発明の実施例において、前記データ強調画像データおよび対応するタグデータに基づいて学習トレーニングを実行して、識別モデルを取得する。一実施形態として、前記タグデータが穀物の属するタイプを表す場合、前記データ強調画像データおよび対応するタグデータに基づいて学習トレーニングを実行して、第１識別モデルを取得する。別の実施形態として、前記タグデータが穀物の属する品種を表す場合、前記データ強調画像データおよび対応するタグデータに基づいて学習トレーニングを実行して、第２識別モデルを取得する。

本実施例では、畳み込みニューラルネットワーク構造を使用して、前記データ強調画像データおよび対応するタグデータに対して学習トレーニングを実行し、具体的には、前記データ強調画像データを畳み込みニューラルネットワークモデルの入力として使用し、タグデータを畳み込みニューラルネットワークモデルの出力として使用し、確率的勾配降下法で学習トレーニングを実行して、識別モデルを取得する。前記タグデータが穀物の属するタイプを表す場合、穀物の属するタイプを表すタグデータを畳み込みニューラルネットワークモデルの出力とすることを示し、確率的勾配降下法で学習トレーニングを実行して、第１識別モデルを取得する。前記タグデータが穀物の属する品種を表す場合、穀物の属する品種を表すタグデータを畳み込みニューラルネットワークモデルの出力とし、確率的勾配降下法で学習トレーニングを実行して、第２識別モデルを取得する。

ここで、前記畳み込みニューラルネットワーク構造では、ＡｌｅｘＮｅｔ、ＶＧＧＮｅｔ、ＧｏｏｇｌｅＮｅｔおよびＲｅｓＮｅｔのうちのいずれか１つのネットワーク構造を使用することができる。穀物の識別のために畳み込みニューラルネットワーク構造を使用することにより、高類似度、細粒度の穀物の品種を正確に識別でき、識別の精度を向上させる。

本発明の実施例において、前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得する前、および前記第１画像データおよび第２識別モデルに基づいて第２識別結果を取得する前に、前記第１画像データに対して前処理し、一実施形態として、前記第１画像データに対して前処理することは、前記第１画像データに対して特徴強調処理を実行して、前記第１画像データに対応する特徴強調画像データを取得することを含む。別の実施形態として、前記第１画像データに対して前処理する方式は、前記第１画像データの輝度を識別し、前記輝度に基づいて前記第１画像データをトリミングして、第１画像サブデータを取得することと、前記第１画像サブデータの輝度差はプリセット条件を満たすことと、前記第１画像サブデータに対して特徴強調処理を実行して、前記第１画像データに対応する特徴強調画像データを取得することとを含む。対応的に、前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得することは、前記第１画像データに対応する特徴強調画像データおよび第１識別モデルに基づいて第１識別結果を取得することを含む。ここで、前記第１画像データのトリミングおよび特徴強調処理方式については、第２画像データのトリミングおよび特徴強調処理方式を参照することができ、ここでは再度説明しない。

前記第１画像データに対応する特徴強調画像データを第１識別モデルに入力して、第１識別結果を取得し、前記第１識別結果は、前記第１画像データに含まれる米の属するタイプを含み得ることを理解されたい。対応的に、前記第１画像データに対応する特徴強調画像データを第２識別モデルに入力して、第２識別結果を取得し、前記第２識別結果は、前記第１画像データに含まれる米の属する品種を含み得る。

実際の応用では、出力された識別結果には、タグおよび対応する確率が含まれることができ、ここで、第１識別結果を出力する場合、前記第１識別結果には、タイプのタグおよび対応する確率が含まれ、第２識別結果を出力する場合、前記第２識別結果には、品種のタグおよび対応する確率が含まれる。穀物が米である場合、出力された第１識別結果が、対応する確率が８９％であるジャポニカ米、および対応する確率が１１％であるインディカ米である場合、第１識別結果に基づいて米のタイプがジャポニカ米であると決定することができる。

一実施形態として、穀物が単一のカテゴリ（例えば、米）である場合、機器は、米のタイプを識別するための第１識別モデルおよび米の品種を識別するための第２識別モデルを含み得る。本発明の実施例において、前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得し、前記第１画像データおよび第２識別モデルに基づいて第２識別結果を取得し、前記第１識別結果および前記第２識別結果に基づいて前記識別される穀物の情報を決定することは、前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得することと、前記第１識別結果における前記識別される穀物の属するタイプの信頼度を取得することと、前記識別される穀物のタイプの信頼度が第１プリセット条件に達する場合、前記第１画像データおよび前記第２識別モデルに基づいて第２識別結果を取得することと、前記第２識別結果における前記識別される穀物の属する品種の信頼度を取得することと、前記識別される穀物の属する品種の信頼度が第２プリセット条件に達する場合、前記識別される穀物の情報を前記識別される穀物の属する品種として決定することと、前記識別される穀物の属する品種の信頼度が第２プリセット条件に達しない場合、前記識別される穀物の情報を前記識別される穀物の属するタイプとして決定することとを含む。

具体的には、図８を参照することができ、第１画像データを第１識別モデルに入力して米のタイプを識別し、取得された第１識別結果に含まれるタイプおよび対応する確率に基づいて米の属するタイプを決定し、米の属する当該タイプの信頼度を決定する。米の属する当該タイプの信頼度がプリセット条件を満たすと決定する場合、第１画像データを第２識別モデルに入力して米の品種を識別し、取得された第２識別結果に含まれる品種および対応する確率に基づいて米の属する品種を決定し、米の属する当該品種の信頼度を決定し、米の属する当該品種の信頼度がプリセット条件を満たすと決定する場合、当該米の品種を出力し、米の属する当該品種の信頼度がプリセット条件を満たしないと決定する場合、当該米のタイプを出力する。

実際の応用では、取得されたタイプに対応する確率の比較結果に従って、米の属するタイプを決定することができるが、穀物が米ではなく、形が米に似ている可能性があるため、取得された米のタイプが表示されるが、前記タイプに対応する確率が高くない可能性がある。これに基づいて、当該米の属するタイプの確率がプリセットされた閾値より低い場合、米が当該タイプに属する信頼度が低いと決定することができ、米ではないという識別結果を出力する。逆に、米が当該タイプに属すると決定した場合、即ち、米が当該タイプに属する信頼度がプリセットされた閾値に達した場合、第１画像データを第２識別モデルに入力して米の品種を識別し、品種および対応する確率を取得し、さらに確率比較の方法に基づいて米の属する品種を決定する。ここで、米が当該品種に属する確率が低い場合は、米が当該品種に属する信頼度が低いと決定することができ、米のタイプを直接に出力し、米が当該品種に属する確率が高い場合は、米が当該品種に属する信頼度が高いと決定することができ、米の品種を直接に出力する。

別の実施形態として、機器が複数の穀物（米、粟米、大豆など）の識別をサポートする場合、前記機器は、各穀物に対応するタイプの識別用の第１識別モデルおよび品種の識別用の第２識別モデルを含み得る。本発明の実施例において、前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得し、前記第１画像データおよび第２識別モデルに基づいて第２識別結果を取得し、前記第１識別結果および前記第２識別結果に基づいて前記識別される穀物の情報を決定することは、前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得することと、前記第１識別結果における前記識別される穀物が属する第１穀物の第１タイプの信頼度を取得することと、前記識別される穀物が属する第１穀物の第１タイプの信頼度が第１プリセット条件に達する場合、前記第１画像データおよび前記第１穀物に対応する第２識別モデルに基づいて第２識別結果を取得し、前記第２識別結果における前記識別される穀物が属する第１穀物の第１品種の信頼度を取得することと、前記識別される穀物が属する第１穀物の第１品種の信頼度が第２プリセット条件に達する場合、前記識別される穀物の情報を前記識別される穀物が属する第１穀物の第１品種として決定することと、前記識別される穀物が属する第１穀物の第１品種の信頼度が第２プリセット条件に達しない場合、前記識別される穀物の情報を前記識別される穀物が属する第１穀物の第１タイプとして決定することとを含む。

本発明の実施例では、２つの識別モデルの結果を融合させる方法で識別される穀物の情報を決定することにより、識別結果のロバスト性を向上させることができる。

本実施例は、機器が様々な穀物を識別することができるシナリオに対応する。機器は、様々な穀物にそれぞれ対応する２つの識別モデルを含むことを理解されたい。機器は、画像識別方式に基づいて、第１画像データにおける識別される穀物を第１穀物として最初に識別することができ、さらに、第１穀物に対応する第１識別モデルおよび第２識別モデルによって第１穀物の情報を決定する。第１穀物の情報の具体的な決定方式については、米としての上記の穀物の決定方法を参照することができ、ここでは再度説明しない。

一実施例において、前記方法は、前記識別される穀物の情報に基づいて操作モードを選択することと、前記操作モードに基づいて前記識別される穀物を加熱することとを含む。実際の応用では、機器は、識別される穀物のタイプ、品種などの情報に基づいて操作モードを選択することができ、前記操作モードにマッチングする加熱パラメータを有する場合、機器は、前記操作モードに対応する加熱パラメータに基づいて識別される穀物を加熱する。

本発明の実施例の技術的解決策を採用することにより、画像識別方式によって穀物を自動的に識別することができ、調理機器が穀物のタイプや品種に基づいて自動的に調理モードを設定することに技術的サポートを提供し、ユーザが目で穀物のタイプや品種を識別する必要がなく、特に穀物のタイプや品種を知らないユーザの調理プロセスに便利を提供し、ユーザ体験を大幅に向上させる。

本発明の実施例は、穀物の識別装置をさらに提供する。図９は、本発明の実施例の穀物の識別装置の構成の例示的な構造図であり、図９に示すように、前記穀物の識別装置は、プロセッサ３１上で実行可能なコンピュータプログラムを記憶するためのメモリ３２を含み、前記プロセッサ３１は、前記コンピュータプログラムを実行するとき、識別される穀物を含む第１画像データを取得すること、前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得し、前記第１画像データおよび第２識別モデルに基づいて第２識別結果を取得することであって、前記第１識別結果は、前記識別される穀物の属するタイプを表し、前記第２識別結果は、前記識別される穀物の属する品種を表すこと、前記第１識別結果および前記第２識別結果に基づいて前記識別される穀物の情報を決定することを実行するように構成される。

一実施例において、前記プロセッサ３１は、さらに、前記コンピュータプログラムを実行するとき、複数の第２画像情報を取得することであって、前記第２画像情報は、第２画像データおよび対応するタグデータを含むこと、前記第２画像データに対して特徴強調処理を実行して、特徴強調画像データを取得すること、前記特徴強調画像データに対してデータ強調処理を実行して、データ強調画像データを取得すること、前記データ強調画像データおよび対応するタグデータに基づいて学習トレーニングを実行して、識別モデルを取得することを実行するように構成される。

一実施例において、前記プロセッサ３１は、さらに、前記コンピュータプログラムを実行するとき、前記タグデータが穀物の属するタイプを表す場合、第１識別モデルを取得すること、前記タグデータが穀物の属する品種を表す場合、第２識別モデルを取得することを実行するように構成される。

一実施例において、前記プロセッサ３１は、さらに、前記コンピュータプログラムを実行するとき、前記第２画像データの輝度を識別し、前記輝度に基づいて第２画像データをトリミングして、第２画像サブデータを取得することであって、前記第２画像サブデータの輝度差は、プリセット条件を満たすこと、前記第２画像サブデータに対して特徴強調処理を実行して、特徴強調画像データを取得することを実行するように構成される。
一実施例において、前記プロセッサ３１は、前記コンピュータプログラムを実行するとき、前記第２画像データをグレースケール画像に変換し、前記グレースケール画像に対してコントラスト強調処理を実行して、コントラスト強調画像データを取得すること、前記コントラスト強調画像データに基づいて特徴強調画像データを取得することを実行するように構成される。

一実施例において、前記プロセッサ３１は、前記コンピュータプログラムを実行するとき、前記特徴強調画像データに対して反転および／または回転を実行して、前記特徴強調画像データに対応する反転画像データおよび／または回転画像データを取得すること、前記反転画像データおよび／または回転画像データに基づいてデータ強調画像データを生成することを実行するように構成される。

一実施例において、前記プロセッサ３１は、前記コンピュータプログラムを実行するとき、前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得すること、前記第１識別結果における前記識別される穀物の属するタイプの信頼度を取得すること、前記識別される穀物のタイプの信頼度が第１プリセット条件に達する場合、前記第１画像データおよび前記第２識別モデルに基づいて第２識別結果を取得すること、前記第２識別結果における前記識別される穀物の属する品種の信頼度を取得すること、前記識別される穀物の属する品種の信頼度が第２プリセット条件に達する場合、前記識別される穀物の情報を前記識別される穀物の品種として決定すること、前記識別される穀物の属する品種の信頼度が第２プリセット条件に達しない場合、前記識別される穀物の情報を前記識別される穀物のタイプとして決定することを実行するように構成される。

上記の実施例によって提供される穀物の識別装置が穀物の識別を実行する場合、上記の各プログラムモジュールの分割のみを例に挙げて説明したが、実際の応用では、必要に応じて上記の処理を異なるプログラムモジュールにより割り当てられて完了してもよく、即ち、装置の内部構造を異なるプログラムモジュールに分割して、上記の処理のすべてまたは一部を完了することができることを留意されたい。なお、上記の実施例によって提供される穀物の識別装置は、穀物の識別方法の実施例と同じ構想に属し、その具体的な実現プロセスについては方法の実施例を参照し、ここでは再度説明しない。

装置は、バスシステム３３をさらに含み、装置内の各コンポーネントは、バスシステム３３を介して結合されることを理解されたい。バスシステム３３は、これらのコンポーネント間の接続通信を具現するために使用されることを理解されたい。データバスに加えて、バスシステム３３は、電力バス、制御バスおよびステータス信号バスを含む。しかしながら、説明を明確にするために、図９では様々なバスをすべてバスシステム３３として表記されている。

メモリ３２は、揮発性メモリまたは不揮発性メモリであってもよく、または揮発性および不揮発性メモリの両方を含んでもよいことを理解されたい。ここで、不揮発性メモリは、読み取り専用メモリ（ＲＯＭ：Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、プログラム可能な読み取り専用メモリ（ＰＲＯＭ：Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、消去可能なプログラム可能な読み取り専用メモリ（ＥＰＲＯＭ：Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、電気的に消去可能なプログラム可能な読み取り専用メモリ（ＥＥＰＲＯＭ：Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、強磁性ランダムアクセスメモリ（ＦＲＡＭ：ｆｅｒｒｏｍａｇｎｅｔｉｃ ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、フラッシュメモリ（Ｆｌａｓｈ Ｍｅｍｏｒｙ）、磁気メモリ、光ディスク、またはシーディーロム（ＣＤ－ＲＯＭ：Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）であってもよく、磁気メモリは、磁気ディスクメモリまたは磁気テープメモリであってもよい。揮発性メモリは、外部キャッシュとして使用されるランダムアクセスメモリ（ＲＡＭ：Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）であってもよい。例示的であるが限定的な説明ではないが、例えば、スタティックランダムアクセスメモリ（ＳＲＡＭ：Ｓｔａｔｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、同期スタティックランダムアクセスメモリ（ＳＳＲＡＭ：Ｓｙｎｃｈｒｏｎｏｕｓ Ｓｔａｔｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ダイナミックランダムアクセスメモリ（ＤＲＡＭ：Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、同期ダイナミックランダムアクセスメモリ（ＳＤＲＡＭ：Ｓｙｎｃｈｒｏｎｏｕｓ Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ダブルデータレートの同期ダイナミックランダムアクセスメモリ（ＤＤＲＳＤＲＡＭ：Ｄｏｕｂｌｅ Ｄａｔａ Ｒａｔｅ Ｓｙｎｃｈｒｏｎｏｕｓ Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、強化された同期ダイナミックランダムアクセスメモリ（ＥＳＤＲＡＭ：Ｅｎｈａｎｃｅｄ Ｓｙｎｃｈｒｏｎｏｕｓ Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ダイナミックランダムアクセスメモリの同期接続（ＳＬＤＲＡＭ：ＳｙｎｃＬｉｎｋ Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）およびダイレクトメモリバスランダムアクセスメモリ（ＤＲＲＡＭ：Ｄｉｒｅｃｔ Ｒａｍｂｕｓ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）など様々な形のＲＡＭを使用することができる。本発明の実施例で説明されるメモリ３２は、これらおよび任意の他の適切なタイプのメモリを含むことが意図されているが、これらに限定されない。

上記の本発明の実施例で開示された方法は、プロセッサ３１に適用されてもよく、またはプロセッサ３１によって実現されてもよい。プロセッサ３１は、信号処理機能を備える集積回路チップであることができる。実現プロセスにおいて、上記の方法の各ステップは、プロセッサ内のハードウェアの集積論理回路またはソフトウェアの形の命令によって完了することができる。上記のプロセッサ３１は、汎用プロセッサ、デジタル信号プロセッサ（ＤＳＰ：Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）、または他のプログラマブルロジックデバイス、ディスクリートゲートまたはトランジスタロジックデバイス、ディスクリートハードウェアコンポーネントなどであってもよい。プロセッサ３１は、本発明の実施例で開示された各方法、ステップおよび論理ブロック図を実現または実行することができる。汎用プロセッサはマイクロプロセッサであってもよく、または任意の従来のプロセッサなどであってもよい。本発明の実施例と組み合わせて開示される方法のステップは、ハードウェア復号化プロセッサに直接に具現されて実行し、または復号化プロセッサ中のハードウェアおよびソフトウェアモジュールの組み合わせによって実行して完了されてもよい。ソフトウェアモジュールは記憶媒体に配置されることができ、当該記憶媒体は、メモリ３２に配置され、プロセッサ３１は、メモリ３２内の情報を読み取り、そのハードウェアと組み合わせて前記方法のステップを完成する。

例示的な実施例において、穀物の識別装置は、前記方法を実行するために、１つまたは複数の特定用途向け集積回路（ＡＳＩＣ：Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＤＳＰ、プログラマブルロジックデバイス（ＰＬＤ：Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、複合プログラマブルロジックデバイス（ＣＰＬＤ：Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ：Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、汎用プロセッサ、コントローラ、マイクロコントローラ（ＭＣＵ：Ｍｉｃｒｏ Ｃｏｎｔｒｏｌｌｅｒ Ｕｎｉｔ）、マイクロプロセッサ（Ｍｉｃｒｏｐｒｏｃｅｓｓｏｒ）、または他の電子素子によって実現されることができる。

例示的な実施例において、本発明の実施例は、コンピュータプログラムを含むメモリ３２などのコンピュータ読み取り可能な記憶媒体をさらに提供し、前記コンピュータプログラムは、穀物の識別装置のプロセッサ３１によって実行されて、前述の方法のステップを完了することができる。コンピュータ読み取り可能な記憶媒体は、ＦＲＡＭ、ＲＯＭ、ＰＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、Ｆｌａｓｈ Ｍｅｍｏｒｙ、磁気メモリ、光ディスク、またはＣＤ－ＲＯＭなどのメモリであってもよく、携帯電話、コンピュータ、タブレットデバイス、携帯情報端末などの前記メモリの１つまたは任意の組み合わせを含む様々な機器であってもよい。

本発明の実施例は、コンピュータ記憶媒体を提供し、前記コンピュータ記憶媒体には、コンピュータ命令が記憶され、前記命令がプロセッサによって実行されるとき、識別される穀物を含む第１画像データを取得し、前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得し、前記第１画像データおよび第２識別モデルに基づいて第２識別結果を取得し、前記第１識別結果は、前記識別される穀物の属するタイプを表し、前記第２識別結果は、前記識別される穀物の属する品種を表し、前記第１識別結果および前記第２識別結果に基づいて前記識別される穀物の情報を決定する。

一実施例において、前記命令がプロセッサによって実行されるとき、複数の第２画像情報を取得し、前記第２画像情報は、第２画像データおよび対応するタグデータを含み、前記第２画像データに対して特徴強調処理を実行して、特徴強調画像データを取得し、前記特徴強調画像データに対してデータ強調処理を実行して、データ強調画像データを取得し、前記データ強調画像データおよび対応するタグデータに基づいて学習トレーニングを実行して、識別モデルを取得する。

一実施例において、前記命令がプロセッサによって実行されるとき、前記タグデータが穀物の属するタイプを表す場合、第１識別モデルを取得し、前記タグデータが穀物の属する品種を表す場合、第２識別モデルを取得する。

一実施例において、前記命令がプロセッサによって実行されるとき、前記第２画像データの輝度を識別し、前記輝度に基づいて第２画像データをトリミングして、第２画像サブデータを取得し、前記第２画像サブデータの輝度差は、プリセット条件を満たし、前記第２画像サブデータに対して特徴強調処理を実行して、特徴強調画像データを取得する。

一実施例において、前記命令がプロセッサによって実行されるとき、前記第２画像データをグレースケール画像に変換し、前記グレースケール画像に対してコントラスト強調処理を実行して、コントラスト強調画像データを取得し、前記コントラスト強調画像データに基づいて特徴強調画像データを取得する。

一実施例において、前記命令がプロセッサによって実行されるとき、前記特徴強調画像データに対して反転および／または回転を実行して、前記特徴強調画像データに対応する反転画像データおよび／または回転画像データを取得し、前記反転画像データおよび／または回転画像データに基づいてデータ強調画像データを生成する。

一実施例において、前記命令がプロセッサによって実行されるとき、前記プロセッサは、前記コンピュータプログラムを実行するときに、前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得し、前記第１識別結果における前記識別される穀物の属するタイプの信頼度を取得し、前記識別される穀物のタイプの信頼度が第１プリセット条件に達する場合、前記第１画像データおよび前記第２識別モデルに基づいて第２識別結果を取得し、前記第２識別結果における前記識別される穀物の属する品種の信頼度を取得し、前記識別される穀物の属する品種の信頼度が第２プリセット条件に達する場合、前記識別される穀物の情報を前記識別される穀物の品種として決定し、前記識別される穀物の属する品種の信頼度が第２プリセット条件に達しない場合、前記識別される穀物の情報を前記識別される穀物のタイプとして決定する。

本出願で提供するいくつかの実施例において、開示された機器および方法は、他の方式で実現されてもよいことを理解されたい。上記で説明された機器の実施例は単なる例示的であり、例えば、前記ユニットの分割は論理的な機能の分割に過ぎない。実際の実現では、例えば、複数のユニットまたはコンポーネントを組み合わせたり、別のシステムに統合したり、一部の特徴を無視したり、実行しないなど、別の分割方法があることができる。なお、表示または議論される各構成要素間の相互結合または直接結合または通信接続は、いくつかのインターフェース、機器またはユニットを介した間接な結合または通信接続であり得、電気的、機械的または他の形態であり得る。

上記の分離部材として説明されたユニットは、物理的に分離されている場合とされていない場合があり、ユニットとして表示された部材は、物理ユニットである場合もそうでない場合もあり、１箇所に配置される場合もあれば、複数のネットワークユニットに分散される場合もあり、実際の必要に応じて、その一部またはすべてのユニットを選択して、本実施例の技術案の目的を具現することができる。

なお、本発明の各実施例における各機能ユニットは、全部１つの処理ユニットに統合してもよいし、各ユニットを別々に１つのユニットとして使用してもよいし、２つ以上のユニットを１つのユニットに統合してもよい。上記の統合されたユニットは、ハードウェアの形態で、またはハードウェアおよびソフトウェア機能ユニットの形態で具現することができる。

当業者は、上記した方法の実施例の全てまたは一部のステップは、プログラム命令に関連するハードウェアによって完了することができ、前記プログラムは、コンピュータ読み取り可能な記憶媒体に記憶されることができ、前記プログラムが実行されるとき、上記の方法の実施例のステップを実行し、前記記憶媒体は、リムーバブルストレージ、ＲＯＭ、ＲＡＭ、磁気メモリまたは光ディスクなどのプログラムコードを記憶することができる様々な媒体を含む。

あるいは、本発明の上記の統合されたユニットがソフトウェア機能モジュールの形で実現され、スタンドアロン製品として販売または使用される場合、コンピュータ読み取り可能な記憶媒体に記憶されてもよい。このような理解に基づいて、本発明の実施例の技術的解決策は、本質的に、または既存の技術に貢献する部分は、ソフトウェア製品の形で具現されることができ、当該コンピュータソフトウェア製品は、１つの記憶媒体に記憶されて、一台のコンピュータ機器（パーソナルコンピュータ、サーバ、またはネットワーク機器などであリ得る）が本発明の各実施例に記載の方法の全部または一部を実行するようにするためのいくつかの命令を含む。前述した記憶媒体は、リムーバブルストレージ、ＲＯＭ、ＲＡＭ、磁気メモリまたは光ディスクなどのプログラムコードを記憶することができる様々な媒体を含む。

上記の内容は、本発明の具体的な実施形態に過ぎないが、本発明の保護範囲はこれに限定されず、当業者は、本発明に開示された技術的範囲内で容易に想到し得る変更または置換は、すべて本発明の保護範囲内に含まれるべきである。したがって、本発明の保護範囲は、特許請求の保護範囲を基準とするべきである。

３１ プロセッサ
３２ メモリ
３３ バスシステム

Claims (11)

1. 穀物の識別方法であって、前記方法は、
   識別される穀物を含む第１画像データを取得することと、
   前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得し、前記第１画像データおよび第２識別モデルに基づいて第２識別結果を取得することであって、前記第１識別結果は、前記識別される穀物の属するタイプを表し、前記第２識別結果は、前記識別される穀物の属する品種を表すことと、
   前記第１識別結果および前記第２識別結果に基づいて前記識別される穀物の情報を決定することと、
   複数の第２画像情報を取得することであって、前記第２画像情報は、第２画像データおよび対応するタグデータを含むことと、
   前記第２画像データに対して特徴強調処理を実行して、特徴強調画像データを取得することと、
   前記特徴強調画像データに対してデータ強調処理を実行して、データ強調画像データを取得することと、
   前記データ強調画像データおよび対応するタグデータに基づいて学習トレーニングを実行して、識別モデルを取得することと、を含み、さらに
   前記第２画像データに対して特徴強調処理を実行する前に、前記穀物の識別方法は、
   前記第２画像データの輝度を識別し、前記輝度に基づいて前記第２画像データをトリミングして、第２画像サブデータを取得することであって、前記第２画像サブデータの輝度差は、プリセット条件を満たすこと、を含み、
   対応的に、前記第２画像データに対して特徴強調処理を実行することは、前記第２画像サブデータに対して特徴強調処理を実行することを含む、穀物の識別方法。
2. 前記タグデータが穀物の属するタイプを表す場合、識別モデルを取得することは、第１識別モデルを取得することを含み、
   前記タグデータが穀物の属する品種を表す場合、前記識別モデルを取得することは、第２識別モデルを取得することを含む、
   請求項１に記載穀物の識別方法。
3. 前記第２画像データに対して特徴強調処理を実行して、特徴強調画像データを取得することは、
   前記第２画像データをグレースケール画像に変換し、前記グレースケール画像に対してコントラスト強調処理を実行して、コントラスト強調画像データを取得することと、前記コントラスト強調画像データに基づいて特徴強調画像データを取得することとを含む、
   請求項１または２に記載の穀物の識別方法。
4. 前記特徴強調画像データに対してデータ強調処理を実行して、データ強調画像データを取得することは、
   前記特徴強調画像データに対して反転および／または回転を実行して、前記特徴強調画像データに対応する反転画像データおよび／または回転画像データを取得することと、前記反転画像データおよび／または回転画像データに基づいてデータ強調画像データを生成することとを含む、
   請求項１または２に記載の穀物の識別方法。
5. 前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得し、前記第１画像データおよび第２識別モデルに基づいて第２識別結果を取得し、前記第１識別結果および前記第２識別結果に基づいて前記識別される穀物の情報を決定することは、
   前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得することと、前記第１識別結果における前記識別される穀物の属するタイプの信頼度を取得することと、前記識別される穀物の属するタイプの信頼度が第１プリセット条件に達する場合、前記第１画像データおよび前記第２識別モデルに基づいて第２識別結果を取得することと、前記第２識別結果における前記識別される穀物の属する品種の信頼度を取得することと、前記識別される穀物の属する品種の信頼度が第２プリセット条件に達する場合、前記識別される穀物の情報を前記識別される穀物の属する品種として決定することと、前記識別される穀物の属する品種の信頼度が第２プリセット条件に達しない場合、前記識別される穀物の情報を前記識別される穀物の属するタイプとして決定することとを含む、
   請求項１に記載の穀物の識別方法。
6. 穀物の識別装置であって、
   プロセッサ上で実行可能なコンピュータプログラムを記憶するためのメモリを含み、
   前記プロセッサは、前記コンピュータプログラムを実行するとき、識別される穀物を含む第１画像データを取得すること、前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得し、前記第１画像データおよび第２識別モデルに基づいて第２識別結果を取得することであって、前記第１識別結果は、前記識別される穀物の属するタイプを表し、前記第２識別結果は、前記識別される穀物の属する品種を表すこと、前記第１識別結果および前記第２識別結果に基づいて前記識別される穀物の情報を決定することを実行するように構成され、
   前記プロセッサは、さらに、前記コンピュータプログラムを実行するとき、複数の第２画像情報を取得することであって、前記第２画像情報は、第２画像データおよび対応するタグデータを含むこと、前記第２画像データに対して特徴強調処理を実行して、特徴強調画像データを取得すること、前記特徴強調画像データに対してデータ強調処理を実行して、データ強調画像データを取得すること、前記データ強調画像データおよび対応するタグデータに基づいて学習トレーニングを実行して、識別モデルを取得することを実行するように構成され、
   前記プロセッサは、さらに、前記コンピュータプログラムを実行するとき、前記第２画像データの輝度を識別し、前記輝度に基づいて前記第２画像データをトリミングして、第２画像サブデータを取得することであって、前記第２画像サブデータの輝度差は、プリセット条件を満たすこと、前記第２画像サブデータに対して特徴強調処理を実行して、特徴強調画像データを取得することを実行するように構成される、穀物の識別装置。
7. 前記プロセッサは、さらに、前記コンピュータプログラムを実行するとき、前記タグデータが穀物の属するタイプを表す場合、第１識別モデルを取得すること、前記タグデータが穀物の属する品種を表す場合、第２識別モデルを取得することを実行するように構成される、
   請求項６に記載の穀物の識別装置。
8. 前記プロセッサは、前記コンピュータプログラムを実行するとき、前記第２画像データをグレースケール画像に変換し、前記グレースケール画像に対してコントラスト強調処理を実行して、コントラスト強調画像データを取得すること、前記コントラスト強調画像データに基づいて特徴強調画像データを取得することを実行するように構成される、
   請求項６～７のいずれか一項に記載の穀物の識別装置。
9. 前記プロセッサは、前記コンピュータプログラムを実行するとき、前記特徴強調画像データに対して反転および／または回転を実行して、前記特徴強調画像データに対応する反転画像データおよび／または回転画像データを取得すること、前記反転画像データおよび／または回転画像データに基づいてデータ強調画像データを生成することを実行するように構成される、
   請求項６～７のいずれか一項に記載の穀物の識別装置。
10. 前記プロセッサは、前記コンピュータプログラムを実行するとき、前記第１画像データおよび第１識別モデルに基づいて第１識別結果を取得すること、前記第１識別結果における前記識別される穀物の属するタイプの信頼度を取得すること、前記識別される穀物の属するタイプの信頼度が第１プリセット条件に達する場合、前記第１画像データおよび前記第２識別モデルに基づいて第２識別結果を取得すること、前記第２識別結果における前記識別される穀物の属する品種の信頼度を取得すること、前記識別される穀物の属する品種の信頼度が第２プリセット条件に達する場合、前記識別される穀物の情報を前記識別される穀物の属する品種として決定すること、前記識別される穀物の属する品種の信頼度が第２プリセット条件に達しない場合、前記識別される穀物の情報を前記識別される穀物の属するタイプとして決定することを実行するように構成される、
    請求項６に記載の穀物の識別装置。
11. コンピュータ命令を記憶するように構成されるコンピュータ記憶媒体であって、
    前記コンピュータ命令がプロセッサによって実行されるとき、請求項１～５のいずれか一項に記載の方法のステップを実現する、コンピュータ記憶媒体。

Images