KR20210019089A - 곡물 평가 방법, 장치 및 저장 매체 - Google Patents
곡물 평가 방법, 장치 및 저장 매체 Download PDFInfo
- Publication number
- KR20210019089A KR20210019089A KR1020217000926A KR20217000926A KR20210019089A KR 20210019089 A KR20210019089 A KR 20210019089A KR 1020217000926 A KR1020217000926 A KR 1020217000926A KR 20217000926 A KR20217000926 A KR 20217000926A KR 20210019089 A KR20210019089 A KR 20210019089A
- Authority
- KR
- South Korea
- Prior art keywords
- image data
- grain
- evaluated
- data
- feature enhancement
- Prior art date
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000013209 evaluation strategy Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims description 65
- 238000003708 edge detection Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 235000013339 cereals Nutrition 0.000 description 124
- 238000010411 cooking Methods 0.000 description 20
- 241000209094 Oryza Species 0.000 description 12
- 235000007164 Oryza sativa Nutrition 0.000 description 12
- 235000009566 rice Nutrition 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000005291 magnetic effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000021191 food habits Nutrition 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G06K9/4604—
-
- G06K9/6267—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
본 출원의 실시예는 곡물 평가 방법을 개시하고, 상기 방법은, 평가될 곡물을 포함하는 제1 이미지 데이터를 획득하는 단계; 상기 제1 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하는 단계로서, 상기 제1 식별 결과는 상기 평가될 곡물의 카테고리를 나타내는, 단계; 및 상기 제1 이미지 데이터 및 상기 평가될 곡물의 카테고리에 대응되는 평가 전략에 따라 상기 평가될 곡물을 평가하여, 평가 결과를 획득하는 단계를 포함한다. 본 출원의 실시예는 곡물 평가 장치 및 저장 매체를 더 개시한다.
Description
본 출원은 출원 번호가 201810621682.6이고, 출원일이 2018년 6월 15일인 중국특허 출원에 기반하여 제출한 것이며, 상기 중국특허 출원을 우선권으로 주장하는 바, 상기 중국특허 출원의 모든 내용은 본 출원에 인용된다.
본 출원은 이미지 식별 기술에 관한 것으로서, 특히 곡물 평가 방법, 장치 및 컴퓨터 판독 가능한 저장 매체에 관한 것이다.
현재 인공 지능은 매우 광범위한 과학을 포함하는 매우 도전적인 과목으로서, 이는 머신 러닝, 컴퓨터 비전, 생물 과학, 신경 네트워크 과학, 에너지 기술, 유전 공학 등과 같은 상이한 분야에 의해 구성된 것이며, 인공 지능 연구의 주요 목적은 기계가 인류의 지능이 필요한 복잡한 작업을 실행하도록 하는 것이다. 사람들의 생활 품질이 부단히 향상됨에 따라, 일상 생활에 대한 요구도 자연스럽게 향상되었다. 식량은 국민 생활의 근본이고, 매일 밥을 먹어야 하므로, 요리는 매우 중요한 일이 되었으며, 밥솥은 밥을 할 수 있으되, 상이한 기능, 상이한 가격의 요리 기기에 의해 만들어진 밥의 식감도 상이하므로, 요리 기기에 대해 곡물 요리 효과를 수정하는 요구를 제의하는 바이다. 그러나 요리 기기를 최적화하기 전, 먼저 어떠한 쌀밥이 대다수 사용자의 음식 습관에 부합되는 지를 알아야 하므로, 곡물의 품질과 식감을 평가 가능한 방법이 필요하다.
종래 기술에서 존재하는 기술적 문제를 해결하기 위해, 본 출원의 실시예는 곡물 평가 방법, 장치 및 컴퓨터 판독 가능한 저장 매체를 제공한다.
본 출원의 기술방안은 아래와 같이 구현된다.
본 출원의 실시예는 곡물 평가 방법을 제공하고, 상기 방법은,
평가될 곡물을 포함하는 제1 이미지 데이터를 획득하는 단계;
상기 제1 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하는 단계로서, 상기 제1 식별 결과는 상기 평가될 곡물의 카테고리를 나타내는, 단계; 및
상기 제1 이미지 데이터 및 상기 평가될 곡물의 카테고리에 대응되는 평가 전략에 따라 상기 평가될 곡물을 평가하여, 평가 결과를 획득하는 단계를 포함한다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 방법은, 상기 제1 이미지 데이터에 대해 특징 강화 처리를 수행하여, 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하는 단계를 더 포함하고;
상응하게, 상기 제1 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하는 단계는, 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하는 단계를 포함한다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 제1 이미지 데이터에 대해 특징 강화 처리를 수행하여, 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하는 단계는,
상기 제1 이미지 데이터를 그레이 스케일 이미지로 변환시켜, 상기 그레이 스케일 이미지에 대해 명암비 강화 처리를 수행하여, 상기 제1 이미지 데이터의 명암비 강화 이미지 데이터를 획득하는 단계; 상기 제1 이미지 데이터에 대해 에지 검출을 수행하여, 에지 검출 이미지 데이터를 획득하는 단계; 및
상기 제1 이미지 데이터의 명암비 강화 이미지 데이터 및 상기 에지 검출 이미지 데이터에 기반하여 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하는 단계를 포함한다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 방법은,
복수 개의 제2 이미지 정보를 획득하는 단계로서, 상기 제2 이미지 정보는 제2 이미지 데이터 및 대응되는 라벨 데이터를 포함하고; 상기 라벨 데이터는 곡물이 속하는 카테고리를 나타내는, 단계;
상기 제2 이미지 데이터에 대해 특징 강화 처리를 수행하여, 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하는 단계;
상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 대해 데이터 강화 처리를 수행하여, 데이터 강화 이미지 데이터를 획득하는 단계; 및
상기 특징 강화 이미지 데이터 및 상기 데이터 강화 이미지 데이터 중 적어도 하나 및 대응되는 라벨 데이터에 기반하여 러닝 훈련을 수행하여, 상기 제1 식별 모델을 획득하는 단계를 더 포함한다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 대해 데이터 강화 처리를 수행하여, 데이터 강화 이미지 데이터를 획득하는 단계는,
상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 대해 회전 및 플립 중 적어도 하나를 수행하여, 상기 특징 강화 이미지 데이터에 대응되는 플립 이미지 데이터 및 회전 이미지 데이터 중 적어도 하나를 획득하고, 상기 플립 이미지 데이터 및 회전 이미지 데이터 중 적어도 하나에 기반하여 데이터 강화 이미지 데이터를 생성하는 단계를 포함한다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 제1 이미지 데이터 및 상기 평가될 곡물의 카테고리에 대응되는 평가 전략에 따라 상기 평가될 곡물을 평가하는 단계는,
상기 평가될 곡물의 카테고리에 따라 대응되는 평가 전략을 획득하는 단계; 및
상기 평가 전략 및 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 따라 상기 평가될 곡물을 평가하는 단계를 포함한다.
본 출원의 실시예는 곡물 평가 장치를 더 제공하고, 상기 장치는 획득 모듈 및 처리 모듈을 포함하며; 여기서,
상기 획득 모듈은, 평가될 곡물을 포함하는 제1 이미지 데이터를 획득하도록 구성되고;
상기 처리 모듈은, 상기 제1 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하-며, 상기 제1 식별 결과는 상기 평가될 곡물의 카테고리를 나타내고;
상기 제1 이미지 데이터 및 상기 평가될 곡물의 카테고리에 대응되는 평가 전략에 따라 상기 평가될 곡물을 평가하여, 평가 결과를 획득하도록 구성된다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 처리 모듈은 또한, 상기 제1 이미지 데이터에 대해 특징 강화 처리를 수행하여, 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하고; 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하도록 구성된다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 처리 모듈은, 상기 제1 이미지 데이터를 그레이 스케일 이미지로 변환시켜, 상기 그레이 스케일 이미지에 대해 명암비 강화 처리를 수행하여, 상기 제1 이미지 데이터의 명암비 강화 이미지 데이터를 획득하고; 상기 제1 이미지 데이터에 대해 에지 검출을 수행하여, 에지 검출 이미지 데이터를 획득하며; 상기 제1 이미지 데이터의 명암비 강화 이미지 데이터 및 상기 에지 검출 이미지 데이터에 기반하여 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하도록 구성된다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 처리 모듈은 또한, 복수 개의 제2 이미지 정보를 획득하고, 상기 제2 이미지 정보는 제2 이미지 데이터 및 대응되는 라벨 데이터를 포함하고; 상기 라벨 데이터는 곡물이 속하는 카테고리를 나타내고; 상기 제2 이미지 데이터에 대해 특징 강화 처리를 수행하여, 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하며; 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 대해 데이터 강화 처리를 수행하여, 데이터 강화 이미지 데이터를 획득하며; 상기 특징 강화 이미지 데이터 및 상기 데이터 강화 이미지 데이터 중 적어도 하나 및 대응되는 라벨 데이터에 기반하여 러닝 훈련을 수행하여, 상기 제1 식별 모델을 획득하도록 구성된다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 처리 모듈은, 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 대해 회전 및 플립 중 적어도 하나를 수행하여, 상기 특징 강화 이미지 데이터에 대응되는 플립 이미지 데이터 및 회전 이미지 데이터 중 적어도 하나를 획득하고, 상기 플립 이미지 데이터 및 회전 이미지 데이터 중 적어도 하나에 기반하여 데이터 강화 이미지 데이터를 생성하도록 구성된다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 처리 모듈은, 상기 평가될 곡물의 카테고리에 따라 대응되는 평가 전략을 획득하고; 상기 평가 전략 및 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 따라 상기 평가될 곡물을 평가하도록 구성된다.
본 출원의 실시예는 곡물 평가 장치를 더 제공하고, 상기 장치는 프로세서 및 프로세서에서 작동 가능한 컴퓨터 프로그램을 저장하기 위한 메모리를 포함하고; 여기서, 상기 프로세서는 상기 컴퓨터 프로그램을 작동할 경우, 상기 어느 하나에 따른 상기 곡물 평가 방법의 단계를 실행하기 위한 것이다.
본 출원의 실시예는 컴퓨터 프로그램이 저장되어 있는 컴퓨터 판독 가능한 저장 매체를 더 제공하고, 상기 컴퓨터 프로그램이 프로세서에 의해 실행될 경우 어느 하나에 따른 곡물 평가 방법의 단계를 구현한다.
본 출원의 실시예에서 제공한 곡물 평가 방법, 장치, 컴퓨터 판독 가능한 저장 매체는, 평가될 곡물을 포함하는 제1 이미지 데이터를 획득하고; 상기 제1 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하며, 상기 제1 식별 결과는 상기 평가될 곡물의 카테고리를 나타내며; 상기 제1 이미지 데이터 및 상기 평가될 곡물의 카테고리에 대응되는 평가 전략에 따라 상기 평가될 곡물을 평가하여, 평가 결과를 획득한다. 본 출원의 실시예의 방안에 있어서, 곡물의 이미지를 수집하고 특징 강화 처리를 수행하며, 특징 강화 처리된 이미지에 따라 곡물을 정확하게 식별하며, 곡물 식별 결과 및 강화 처리된 이미지에 따라 평가하여, 상기 곡물의 평가 결과를 획득하며, 상기 평가 결과는 곡물의 품질 및 식감을 반영함으로써, 평가 결과에 따라 요리 기기의 요리 곡선을 수정할 수 있어, 사용자를 위해 식감이 더욱 좋은 곡물을 요리한다.
도 1은 본 출원의 실시예에서 제공한 곡물 평가 방법의 흐름 예시도이다.
도 2는 본 출원의 실시예에서 제공한 다른 곡물 평가 방법의 흐름 예시도이다.
도 3은 본 출원의 실시예에서 제공한 곡물 평가 장치의 구조 예시도이다.
도 4는 본 출원의 실시예에서 제공한 다른 곡물 평가 장치의 구조 예시도이다.
도 2는 본 출원의 실시예에서 제공한 다른 곡물 평가 방법의 흐름 예시도이다.
도 3은 본 출원의 실시예에서 제공한 곡물 평가 장치의 구조 예시도이다.
도 4는 본 출원의 실시예에서 제공한 다른 곡물 평가 장치의 구조 예시도이다.
본 출원의 다양한 실시예에 있어서, 평가될 곡물을 포함하는 제1 이미지 데이터를 획득하고; 상기 제1 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하며, 상기 제1 식별 결과는 상기 평가될 곡물의 카테고리를 나타내며; 상기 제1 이미지 데이터 및 상기 평가될 곡물의 카테고리에 대응되는 평가 전략에 따라 상기 평가될 곡물을 평가하여, 평가 결과를 획득한다.
아래에 실시예를 결합하여 본 출원을 추가적으로 상세하게 설명한다.
도 1은 본 출원의 실시예에서 제공한 곡물 평가 방법의 흐름 예시도이고; 도 1에 도시된 바와 같이, 상기 방법은 아래와 같은 단계를 포함한다.
단계 101에 있어서, 평가될 곡물을 포함하는 제1 이미지 데이터를 획득한다.
단계 102에 있어서, 상기 제1 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하고, 상기 제1 식별 결과는 상기 평가될 곡물의 카테고리를 나타낸다.
단계 103에 있어서, 상기 제1 이미지 데이터 및 상기 평가될 곡물의 카테고리에 대응되는 평가 전략에 따라 상기 평가될 곡물을 평가하여, 평가 결과를 획득한다.
본 실시예에 있어서, 상기 제1 이미지 데이터는 평가될 곡물을 포함하고, 상기 평가될 곡물은 예를 들어 입쌀, 좁쌀 등이다.
상기 곡물 평가 방법은 기기에 적용될 수 있고; 첫 번째 실시형태로서, 상기 기기는 요리 기기일 수 있으며, 요리 기기에는 이미지 수집 컴포넌트(예를 들어 카메라)가 설치되며, 이미지 수집 컴포넌트를 통해 이미지 데이터를 수집하고, 수집된 이미지 데이터에 대해 분석 식별을 수행하여, 평가될 곡물이 속하는 카테고리를 결정하며; 두 번째 실시형태로서, 기기는 요리 기기일 수 있고, 상기 요리 기기는 이미지 수집 기능을 구비하지 않으며, 요리 기기는 이미지 수집 컴포넌트를 구비하는 다른 기기와 통신할 수 있으며, 다른 기기의 이미지 수집 컴포넌트를 통해 이미지 데이터를 수집하고, 요리 기기는 상기 다른 기기와의 통신 링크를 통해 상기 다른 기기에 의해 수집된 이미지 데이터를 획득하며, 수집된 이미지 데이터에 대해 분석 식별을 수행하여, 평가될 곡물이 속하는 카테고리를 결정하며; 세 번째 실시형태로서, 기기는 전자 기기일 수 있고, 상기 전자 기기는 모바일 기기일 수 있으며, 예를 들어 핸드폰, 태블릿 컴퓨터 등 기기이며, 전자 기기를 통해 이미지 데이터를 수집하고, 수집된 이미지 데이터에 대해 분석 식별을 수행하여, 평가될 곡물이 속하는 카테고리를 결정한다. 실제 응용에 있어서, 상기 요리 기기는 전기 밥솥, 압력 밥솥 등 주방 가열 기기일 수 있다.
본 실시예에 있어서, 상기 곡물 평가 방법은, 상기 제1 이미지 데이터에 대해 특징 강화 처리를 수행하여, 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하는 단계를 더 포함하고; 이에 상응하게, 상기 제1 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하는 단계는, 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하는 단계를 포함한다.
본 실시예에 있어서, 다른 물체 식별 작업과 상이하게, 곡물의 이미지 데이터의 컬러 공간이 특수한 것을 고려하여, 처리되어 획득된 이미지 데이터는 대체적으로 컬러 정보가 존재하지 않으며, 즉, 제1 이미지 데이터가 그레이 스케일 이미지로 변환된 후, 곡물의 형태 특징이 선명한 것도 아니고, 분류 효과가 좋지 않으므로, 본 출원의 실시예에서 상기 제1 이미지 데이터가 변환된 그레이 스케일 이미지에 대해 특징 강화를 수행하며, 주로 상기 그레이 스케일 이미지의 명암비에 대해 강화 처리를 수행한다. 상기 명암비는 이미지 데이터에서의 가장 밝은 픽셀 포인트 및 가장 어두운 픽셀 포인트 사이의 상이한 휘도 레벨의 측정을 나타내고, 차이 범위가 클수록 명암비가 더욱 큰 것을 나타내며, 차이 범위가 작을수록 명암비가 더욱 작은 것을 나타낸다. 여기서, 명암비 강화 알고리즘을 사용하여, 이미지 데이터의 명암비를 강화시킬 수 있으며, 특히 이미지 데이터의 유용한 데이터의 명암비가 매우 접근할 경우, 상이한 쌀알 사이의 구별을 더욱 분명하게 하여, 상이한 쌀알의 투광 정도를 반영할 수 있다. 상기 명암비 강화 알고리즘은 선형 변환 알고리즘, 지수 변화 알고리즘, 로그 변화 알고리즘, 히스토그램 알고리즘 등 중 적어도 하나를 포함하지만 이에 한정되지 않는다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 제1 이미지 데이터에 대해 특징 강화 처리를 수행하여, 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하는 단계는, 상기 제1 이미지 데이터를 그레이 스케일 이미지로 변환시켜, 상기 그레이 스케일 이미지에 대해 명암비 강화 처리를 수행하여, 상기 제1 이미지 데이터의 명암비 강화 이미지 데이터를 획득하는 단계; 상기 제1 이미지 데이터에 대해 에지 검출을 수행하여, 에지 검출 이미지 데이터를 획득하는 단계; 및 상기 제1 이미지 데이터의 명암비 강화 이미지 데이터 및 상기 에지 검출 이미지 데이터에 기반하여 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하는 단계를 포함한다.
본 실시예에 있어서, 에지 검출을 통해, 곡물의 윤곽 정보를 더욱 잘 획득할 수 있어, 상이한 쌀알 사이의 구별이 더욱 분명하게 하여, 상이한 쌀알의 투광 정도를 반영할 수 있다. 사용된 에지 검출 알고리즘은 Roberts 에지 검출 알고리즘, 소벨(Sobel) 에지 검출 알고리즘, Prewitt 에지 검출 알고리즘, Canny 에지 검출 알고리즘, Laplacian 에지 검출 알고리즘, Log 에지 검출 알고리즘 및 2 진 방향성 도함수 등 연산자 검출 방법 중 적어도 하나를 포함하지만 이에 한정되지 않는다.
본 실시예에 있어서, 요리 기기의 제조 업체는 러닝 훈련의 방법을 미리 응용하여 상기 제1 식별 모델을 획득하고 이를 기기에 저장한다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 곡물 평가 방법은 또한, 러닝 훈련의 방법을 통해 제1 식별 모델을 획득하는 단계를 더 포함할 수 있고, 상기 제1 식별 모델의 획득 방식은 구체적으로 아래와 같은 단계를 포함할 수 있다.
단계 001에 있어서, 복수 개의 제2 이미지 정보를 획득하고; 상기 제2 이미지 정보는 제2 이미지 데이터 및 대응되는 라벨 데이터를 포함하며; 상기 라벨 데이터는 곡물이 속하는 카테고리를 나타낸다.
단계 002에 있어서, 상기 제2 이미지 데이터에 대해 특징 강화 처리를 수행하여, 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득한다.
단계 003에 있어서, 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 대해 데이터 강화 처리를 수행하여, 데이터 강화 이미지 데이터를 획득한다.
단계 004에 있어서, 상기 특징 강화 이미지 데이터 및 상기 데이터 강화 이미지 데이터 중 적어도 하나 및 대응되는 라벨 데이터에 기반하여 러닝 훈련을 수행하여, 상기 제1 식별 모델을 획득한다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 제2 이미지 데이터에 대해 특징 강화 처리를 수행하여, 특징 강화 이미지 데이터를 획득하는 단계는, 상기 제2 이미지 데이터를 그레이 스케일 이미지로 변환시켜, 상기 그레이 스케일 이미지에 대해 명암비 강화 처리를 수행하여, 상기 제2 이미지 데이터의 명암비 강화 이미지 데이터를 획득하는 단계; 상기 제2 이미지 데이터에 대해 에지 검출을 수행하여, 에지 검출 이미지 데이터를 획득하는 단계; 및 상기 제2 이미지 데이터의 명암비 강화 이미지 데이터 및 상기 에지 검출 이미지 데이터에 기반하여 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 대해 데이터 강화 처리를 수행하여, 데이터 강화 이미지 데이터를 획득하는 단계는, 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 대해 플립 및 회전 중 적어도 하나를 수행하여, 상기 특징 강화 이미지 데이터에 대응되는 플립 이미지 데이터 및 회전 이미지 데이터 중 적어도 하나를 획득하고, 상기 플립 이미지 데이터 및 회전 이미지 데이터 중 적어도 하나에 기반하여 데이터 강화 이미지 데이터를 생성하는 단계를 포함할 수 있다.
여기서, 특징 강화 이미지 데이터를 회전하고, 회전된 각도는 제1 기설정된 각도일 수 있으며, 상기 제1 기설정된 각도는 90 도, 180 도, 270 도 중 하나이며; 특징 강화 이미지 데이터를 플립하고, 플립된 특징 강화 이미지 데이터를 추가로 회전시키며, 회전된 각도는 제2 기설정된 각도일 수 있고, 상기 제2 기설정된 각도는 90 도, 180 도, 270 도 중 하나이다.
본 실시예에 있어서, 상기 기기에는 적어도 하나의 곡물 카테고리에 대응되는 평가 전략이 미리 저장되어 있으며;
상기 제1 이미지 데이터 및 상기 평가될 곡물의 카테고리에 대응되는 평가 전략에 따라 상기 평가될 곡물을 평가하여, 평가 결과를 획득하는 단계는, 상기 평가될 곡물의 카테고리에 따라 대응되는 평가 전략을 획득하는 단계; 및 상기 평가 전략 및 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 따라 상기 평가될 곡물을 평가하여, 상기 평가될 곡물의 평가 결과를 결정하는 단계를 포함한다.
여기서, 상기 평가 전략은 요리 기기의 제조 업체에 의해 미리 설정되고 기기에 저장되고, 상기 평가 전략은 상이한 카테고리의 곡물에 대한 품질, 식감 및 스코어 등을 평가할 수 있다.
도 2는 본 출원의 실시예에서 제공한 다른 곡물 평가 방법의 흐름 예시도이고; 도 2에 도시된 바와 같이, 상기 방법은 아래와 같은 단계를 포함한다.
단계 201에 있어서, 평가될 곡물을 포함하는 제1 이미지 데이터를 획득한다.
여기서, 상기 평가될 곡물은 취사된 밥과 같은 요리된 곡물을 가리킨다.
단계 202에 있어서, 상기 제1 이미지 데이터에 대해 사전 처리를 수행한다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 제1 이미지 데이터에 대해 사전 처리를 수행하는 단계는, 상기 제1 이미지 데이터를 그레이 스케일 이미지로 변환시켜, 상기 그레이 스케일 이미지에 대해 명암비 강화 처리를 수행하여, 상기 제1 이미지 데이터의 명암비 강화 이미지 데이터를 획득하는 단계; 상기 제1 이미지 데이터에 대해 에지 검출을 수행하여, 에지 검출 이미지 데이터를 획득하는 단계; 및 상기 제1 이미지 데이터의 명암비 강화 이미지 데이터 및 상기 에지 검출 이미지 데이터에 기반하여 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하는 단계를 포함한다.
단계 203에 있어서, 딥 러닝 이미지 분류기를 운용하여 곡물 카테고리를 식별한다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 딥 러닝 이미지 분류기를 운용하여 곡물 카테고리를 식별하는 단계는, 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하는 단계를 포함하고, 상기 제1 식별 결과는 상기 평가될 곡물의 카테고리를 나타낸다.
단계 204에 있어서, 곡물 카테고리 및 사전 처리된 이미지에 따라 곡물 평가를 수행한다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 곡물 카테고리 및 사전 처리된 이미지에 따라 곡물 평가를 수행하는 단계는, 상기 평가될 곡물의 카테고리에 따라 대응되는 평가 전략을 획득하는 단계; 및 상기 평가 전략 및 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 따라 상기 평가될 곡물의 불연속성, 입자 간 밀접성, 광택도 등을 평가하는 단계를 포함함으로써, 상기 평가될 곡물에 대한 품질, 식감 및 스코어 등을 평가한 평가 결과를 획득한다.
단계 205에 있어서, 곡물의 평가 결과를 획득한다.
본 출원의 실시예의 방안에 있어서, 곡물의 이미지를 수집하고 특징 강화 처리를 수행하며, 특징 강화 처리된 이미지에 따라 곡물을 정확하게 식별하며, 곡물 식별 결과 및 강화 처리된 이미지에 따라 평가하여, 상기 곡물의 평가 결과를 획득하며, 상기 평가 결과는 곡물의 품질 및 식감을 반영함으로써, 평가 결과에 따라 요리 기기의 요리 곡선을 수정할 수 있어, 사용자를 위해 식감이 더욱 좋은 곡물을 요리한다.
도 3은 본 출원의 실시예에서 제공한 곡물 평가 장치의 구조 예시도이고; 도 3에 도시된 바와 같이, 상기 장치는 획득 모듈(301) 및 처리 모듈(302)을 포함하고; 여기서,
상기 획득 모듈(301)은, 평가될 곡물을 포함하는 제1 이미지 데이터를 획득하도록 구성되고;
상기 처리 모듈(302)은, 상기 제1 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하-며, 상기 제1 식별 결과는 상기 평가될 곡물의 카테고리를 나타냄내고; 상기 제1 이미지 데이터 및 상기 평가될 곡물의 카테고리에 대응되는 평가 전략에 따라 상기 평가될 곡물을 평가하여, 평가 결과를 획득하도록 구성된다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 처리 모듈(302)은 또한, 상기 제1 이미지 데이터에 대해 특징 강화 처리를 수행하여, 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하고; 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하도록 구성된다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 처리 모듈(302)은, 상기 제1 이미지 데이터를 그레이 스케일 이미지로 변환시켜, 상기 그레이 스케일 이미지에 대해 명암비 강화 처리를 수행하여, 상기 제1 이미지 데이터의 명암비 강화 이미지 데이터를 획득하고; 상기 제1 이미지 데이터에 대해 에지 검출을 수행하여, 에지 검출 이미지 데이터를 획득하며; 상기 제1 이미지 데이터의 명암비 강화 이미지 데이터 및 상기 에지 검출 이미지 데이터에 기반하여 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하도록 구성된다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 처리 모듈(302)은 또한, 복수 개의 제2 이미지 정보를 획득하고 상기 제2 이미지 정보는 제2 이미지 데이터 및 대응되는 라벨 데이터를 포함하고; 상기 라벨 데이터는 곡물이 속하는 카테고리를 나타내고; 상기 제2 이미지 데이터에 대해 특징 강화 처리를 수행하여, 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하며; 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 대해 데이터 강화 처리를 수행하여, 데이터 강화 이미지 데이터를 획득하며; 상기 특징 강화 이미지 데이터 및 상기 데이터 강화 이미지 데이터 중 적어도 하나 및 대응되는 라벨 데이터에 기반하여 러닝 훈련을 수행하여, 제1 식별 모델을 획득하도록 구성된다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 처리 모듈(302)은, 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 대해 회전 및 플립 중 적어도 하나를 수행하여, 상기 특징 강화 이미지 데이터에 대응되는 플립 이미지 데이터 및 회전 이미지 데이터 중 적어도 하나를 획득하고, 상기 플립 이미지 데이터 및 회전 이미지 데이터 중 적어도 하나에 기반하여 데이터 강화 이미지 데이터를 생성하도록 구성된다.
여기서, 특징 강화 이미지 데이터를 회전하고, 회전된 각도는 제1 기설정된 각도일 수 있으며, 상기 제1 기설정된 각도는 90 도, 180 도, 270 도 중 하나이며; 특징 강화 이미지 데이터를 플립하고, 플립된 특징 강화 이미지 데이터를 추가로 회전시키며, 회전된 각도는 제2 기설정된 각도일 수 있고, 상기 제2 기설정된 각도는 90 도, 180 도, 270 도 중 하나이다.
본 출원의 한 가지 선택 가능한 실시예에 있어서, 상기 처리 모듈(302)은, 상기 평가될 곡물의 카테고리에 따라 대응되는 평가 전략을 획득하고; 상기 평가 전략 및 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 따라 상기 평가될 곡물을 평가하여, 상기 평가될 곡물의 평가 결과를 결정하도록 구성된다.
본 발명의 실시예에 있어서, 상기 장치에서의 획득 모듈(301) 및 처리 모듈(302)은, 실제 응용에서 상기 단말에서의 중앙처리장치(Central Processing Unit, CPU), 디지털 신호 프로세서(Digital Signal Processor, DSP), 마이크로 컨트롤 유닛(Microcontroller Unit, MCU) 또는 필드 프로그래머블 게이트 어레이(Field－Programmable Gate Array, FPGA)에 의해 구현될 수 있다.
설명해야 하는 것은, 상기 실시예에서 제공한 곡물 평가 장치가 곡물 평가를 수행할 경우, 상기 각 프로그램 모듈의 분할로 예를 들면, 실제 응용에서, 수요에 따라 상기 처리 분배를 상이한 프로그램 모듈을 통해 완료할 수 있고, 즉 장치의 내부 구조를 상이한 프로그램 모듈로 분할하여, 상기 설명한 전부 또는 일부 처리를 완료한다. 또한, 상기 실시예에서 제공한 곡물 평가 장치와 곡물 평가 방법의 실시예는 동일한 사상에 속하며, 이의 구체적인 구현 과정은 방법 실시예를 참조하면 되고, 여기서 더 이상 반복하지 않는다.
본 출원의 실시예의 방법을 구현하기 위해, 본 출원의 실시예는 다른 곡물 평가 장치를 제공하며, 요리 기기 또는 모바일 단말에 설치되며, 도 4에 도시된 바와 같이, 상기 장치(40)는,
프로세서(401) 및 상기 프로세서에서 작동 가능한 컴퓨터 프로그램을 저장하기 위한 메모리(402)를 포함하고; 여기서,
상기 프로세서(401)는 상기 컴퓨터 프로그램을 작동할 경우, 평가될 곡물을 포함하는 제1 이미지 데이터를 획득하는 단계; 상기 제1 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하는 단계로서, 상기 제1 식별 결과는 상기 평가될 곡물의 카테고리를 나타내는, 단계; 및 상기 제1 이미지 데이터 및 상기 평가될 곡물의 카테고리에 대응되는 평가 전략에 따라 상기 평가될 곡물을 평가하여, 평가 결과를 획득하는 단계를 실행하기 위한 것이다.
일 실시예에 있어서, 상기 프로세서(401)는 상기 컴퓨터 프로그램을 작동할 경우, 상기 제1 이미지 데이터에 대해 특징 강화 처리를 수행하여, 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하는 단계; 및 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하는 단계를 실행하기 위한 것이다.
일 실시예에 있어서, 상기 프로세서(401)는 상기 컴퓨터 프로그램을 작동할 경우, 상기 제1 이미지 데이터를 그레이 스케일 이미지로 변환시켜, 상기 그레이 스케일 이미지에 대해 명암비 강화 처리를 수행하여, 상기 제1 이미지 데이터의 명암비 강화 이미지 데이터를 획득하는 단계; 상기 제1 이미지 데이터에 대해 에지 검출을 수행하여, 에지 검출 이미지 데이터를 획득하는 단계; 및 상기 제1 이미지 데이터의 명암비 강화 이미지 데이터 및 상기 에지 검출 이미지 데이터에 기반하여 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하는 단계를 실행하기 위한 것이다.
일 실시예에 있어서, 상기 프로세서(401)는 상기 컴퓨터 프로그램을 작동할 경우, 복수 개의 제2 이미지 정보를 획득하는 단계로서, 상기 제2 이미지 정보는 제2 이미지 데이터 및 대응되는 라벨 데이터를 포함하고; 상기 라벨 데이터는 곡물이 속하는 카테고리를 나타내는, 단계; 상기 제2 이미지 데이터에 대해 특징 강화 처리를 수행하여, 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하는 단계; 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 대해 데이터 강화 처리를 수행하여, 데이터 강화 이미지 데이터를 획득하는 단계; 및 상기 특징 강화 이미지 데이터 및 상기 데이터 강화 이미지 데이터 중 적어도 하나 및 대응되는 라벨 데이터에 기반하여 러닝 훈련을 수행하여, 제1 식별 모델을 획득하는 단계를 실행하기 위한 것이다.
일 실시예에 있어서, 상기 프로세서(401)는 상기 컴퓨터 프로그램을 작동할 경우, 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 대해 회전 및 플립 중 적어도 하나를 수행하여, 상기 특징 강화 이미지 데이터에 대응되는 플립 이미지 데이터 및 회전 이미지 데이터 중 적어도 하나를 획득하고, 상기 플립 이미지 데이터 및 회전 이미지 데이터 중 적어도 하나에 기반하여 데이터 강화 이미지 데이터를 생성하는 단계를 실행하기 위한 것이다.
일 실시예에 있어서, 상기 프로세서(401)는 상기 컴퓨터 프로그램을 작동할 경우, 상기 평가될 곡물의 카테고리에 따라 대응되는 평가 전략을 획득하는 단계; 및 상기 평가 전략 및 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 따라 상기 평가될 곡물을 평가하여, 상기 평가될 곡물의 평가 결과를 결정하는 단계를 실행하기 위한 것이다.
설명해야 할 것은, 상기 실시예에서 제공한 곡물 평가 장치와 곡물 평가 방법의 실시예는 동일한 사상에 속하며, 이의 구체적인 구현 과정은 방법 실시예를 참조하면 되고, 여기서 더 이상 반복하지 않는다.
물론, 실제 응용 시, 도 4에 도시된 바와 같이, 상기 장치(40)는 또한 적어도 하나의 네트워크 인터페이스(403)를 포함할 수 있다. 곡물 평가 장치(40)에서의 각 컴포넌트는 버스 시스템(404)을 통해 하나로 연결된다. 이해할 수 있는 것은, 버스 시스템(404)은 이러한 컴포넌트 사이의 연결 통신을 구현하기 위한 것이다. 버스 시스템(404)은 데이터 버스 외에도, 전원 버스, 제어 버스 및 상태 신호 버스를 더 포함한다. 그러나 설명의 명확성을 위해, 도 4에서 다양한 버스는 모두 버스 시스템(404)으로 표기된다. 여기서, 상기 프로세서(401)의 개수는 적어도 하나일 수 있다. 네트워크 인터페이스(403)는 곡물 평가 장치(40)와 다른 기기 사이의 유선 또는 무선 방식의 통신에 사용된다. 본 출원의 실시예에서의 메모리(402)는 장치(40)의 동작을 지원하기 위해 다양한 타입의 데이터를 저장하기 위한 것이다.
상기 본 출원의 실시예에서 언급된 방법은 프로세서(401)에 적용 가능하거나, 프로세서(401)에 의해 구현된다. 프로세서(401)는 신호 처리 능력을 구비하는 집적 회로 칩일 수 있다. 구현 과정에서, 상기 방법의 각 단계는 프로세서(401)에서의 하드웨어의 집적 논리 회로 또는 소프트웨어 형태의 명령어를 통해 완료될 수 있다. 상기 프로세서(401)는 범용 프로세서, 디지털 신호 프로세서(Digital Signal Processor, DSP), 또는 다른 프로그래머블 논리 소자, 이산 게이트 또는 트랜지스터 논리 장치, 이산 하드웨어 컴포넌트 등일 수 있다. 프로세서(401)는 본 출원의 실시예에서 개시한 각 방법, 단계 및 논리 블록도를 구현 또는 실행할 수 있다. 범용 프로세서는 마이크로 프로세서 또는 임의의 일반적인 프로세서 등일 수도 있다. 본 출원의 실시예를 결합하여 개시된 방법의 단계는, 하드웨어 디코딩 프로세서로 직접 반영되어 실행 및 완료될 수 있거나, 디코딩 프로세서에서의 하드웨어 및 소프트웨어 모듈의 조합에 의해 실행 및 완료될 수 있다. 소프트웨어 모듈은 저장 매체에 위치할 수 있고, 상기 저장 매체는 메모리(402), 프로세서(401)에 위치하여 메모리(402)에서의 정보를 판독하며, 하드웨어와 결합하여 전술한 방법의 단계를 완료한다.
메모리(402)는 임의의 타입의 휘발성 또는 비휘발성 저장 기기, 또는 이들의 조합에 의해 구현될 수 있다. 여기서, 비휘발성 메모리는 롬(Read Only Memory, ROM), 프로그래머블 롬(Programmable Read-Only Memory, PROM), 소거 가능 프로그래머블 롬(Erasable Programmable Read-Only Memory, EPROM), 전기적 소거 가능한 프로그램머블 롬(Electrically Erasable Programmable Read-Only Memory, EEPROM), 에프램(Ferromagnetic Random Access Memory, FRAM), 플래쉬 메모리(Flash Memory), 자기 표면 메모리, 광디스크, 또는 판독 전용 광디스크(Compact Disc Read-Only Memory, CD-ROM)일 수 있으며; 자기 표면 메모리는 마그네틱 메모리 또는 자기 테이프 메모리일 수 있다. 휘발성 메모리는 외부 쾌속 캐시 역할을 하는 랜덤 액세스 메모리(Random Access Memory, RAM)일 수 있다. 한정적이 아닌 예시적인 설명을 통해, 많은 형태의 RAM이 사용 가능하며, 예를 들어, 정적 랜덤 액세스 메모리(Static RAM, SRAM), 동적 랜덤 액세스 메모리(Dynamic RAM, DRAM), 동기식 동적 랜덤 액세스 메모리(Synchronous DRAM, SDRAM), 더블 데이터 레이트 동기식 동적 랜덤 액세스 메모리(Double Data Rate SDRAM, DDR SDRAM), 향상된 동기식 동적 랜덤 액세스 메모리(Enhanced SDRAM, ESDRAM), 동기식 연결 동적 랜덤 액세스 메모리(Synchlink DRAM, SLDRAM) 및 직접 메모리 버스 랜덤 액세스 메모리(Direct Rambus RAM, DR RAM)이다. 본 발명의 실시예에서 설명한 메모리(402)는 이러한 메모리 및 다른 임의의 타입의 메모리를 포함하지만 이에 한정되지 않는다.
예시적인 실시예에 있어서, 상기 곡물 평가 장치(40)는 하나 또는 복수 개의 주문형 집적 회로(Application Specific Integrated Circuit, ASIC), DSP, 프로그래머블 논리 소자(Programmable Logic Device, PLD), 복합 프로그래머블 논리 소자(Complex Programmable Logic Device, CPLD), 필드 프로그래머블 게이트 어레이(Field-Programmable Gate Array. FPGA), 범용 프로세서, 컨트롤러, 마이크로 컨트롤러(Micro Controller Unit, MCU), 마이크로 프로세서(Microprocessor), 또는 다른 전자 구성 요소에 의해 구현되어, 전술한 방법을 실행하기 위한 것이다.
구체적으로, 본 출원의 실시예는 컴퓨터 프로그램이 저장되어 있는 컴퓨터 판독 가능한 저장 매체를 제공하고, 상기 컴퓨터 프로그램이 프로세서에 의해 작동될 경우, 본 출원의 실시예에 따른 방법의 단계를 실행한다.
본 출원에서 제공된 몇 개의 실시예에 있어서, 개시된 방법은 다른 방식으로 구현될 수 있음을 이해해야 한다. 전술한 기기 실시예는 다만 예시적일 뿐이고, 예컨대, 상기 유닛에 대한 분할은 다만 논리적 기능 분할이고, 실제로 구현될 경우 다른 분할 방식이 있을 수 있으며, 예를 들어, 복수 개의 유닛 또는 컴포넌트는 다른 시스템에 결합되거나 통합될 수 있거나, 또는 일부 특징을 무시하거나 실행하지 않을 수 있다. 또한, 나타내거나 논의된 각 구성 부분의 상호간의 결합 또는 직접 결합 또는 통신 연결은, 일부 인터페이스, 기기 또는 유닛을 통한 간접 결합 또는 통신 연결일 수 있고, 전기적, 기계적 또는 다른 형태일 수 있다.
상기 분리 부재로서 설명된 유닛은, 물리적으로 분리되거나, 분리되지 않을 수도 있고, 유닛으로서 나타낸 부재는 물리적 유닛일 수도, 아닐 수도 있으며, 즉 한 곳에 위치할 수 있거나, 복수 개의 네트워크 유닛에 분포될 수도 있으며; 실제 필요에 따라 유닛의 일부 또는 전부를 선택하여 본 실시예의 방안의 목적을 구현할 수 있다.
또한, 본 출원의 각 실시예에서의 각 기능 유닛은 하나의 처리 유닛에 전부 통합될 수 있으며, 각 유닛이 각각 독립적으로 하나의 유닛으로서 존재할 수도 있거나, 두 개 또는 두 개 이상의 유닛이 하나의 유닛에 통합될 수도 있으며; 상기 통합된 유닛은 하드웨어의 형태로 구현될 수 있을 뿐만 아니라, 하드웨어와 소프트웨어 기능 유닛의 형태로 구현될 수도 있다.
본 기술분야의 통상의 기술자는 상기 방법 실시예를 구현하기 위한 모든 또는 일부 동작은 프로그램 명령어와 관련되는 하드웨어를 통해 완성되며, 전술한 프로그램은 컴퓨터 판독 가능 저장 매체에 저장될 수 있으며, 상기 프로그램이 실행될 때, 실행은 상기 방법 실시예의 단계를 포함하며; 전술한 저장 매체는 모바일 저장 기기, 롬(Read-Only Memory, ROM), 램(Random Access Memory, RAM), 자기 디스크 또는 광 디스크와 같은 프로그램 코드를 저장할 수 있는 다양한 매체를 포함한다.
또는, 본 출원의 상기 통합된 유닛이 소프트웨어 기능 유닛의 형태로 구현되고 독립적인 제품으로서 판매되거나 사용되는 경우, 컴퓨터 판독 가능 저장 매체에 저장될 수도 있다. 이러한 이해에 기반하여, 본 출원의 실시예의 기술 방안, 즉 종래 기술에 기여하는 부분은 소프트웨어 제품의 형태로 구현될 수 있고, 상기 컴퓨터 소프트웨어 제품은 하나의 저장 매체에 저장되며, 하나의 컴퓨터 기기(개인용 컴퓨터, 서버 또는 네트워크 기기 등일 수 있음)로 하여금 본 출원의 각 실시예의 상기 방법의 전부 또는 일부를 실행하는데 사용되는 복수 개의 명령어를 포함한다. 전술한 저장 매체는, 모바일 하드 디스크, ROM, RAM, 자기 디스크 또는 광 디스크 등과 같은 프로그램 코드를 저장할 수 있는 다양한 매체를 포함한다.
본 출원에서 제공한 몇 개의 방법 실시예에서 언급된 방법은, 충돌되지 않는 경우 임의로 조합되어, 새로운 방법 실시예를 얻을 수 있다.
본 출원에서 제공한 몇 개의 제품 실시예에서 언급된 특징은, 충돌되지 않는 경우 임의로 조합되어, 새로운 제품 실시예를 얻을 수 있다.
본 출원에서 제공한 몇 개의 방법 또는 기기 실시예에서 언급된 특징은, 충돌되지 않는 경우 임의로 조합되어, 새로운 방법 실시예 또는 기기 실시예를 얻을 수 있다.
이상의 설명은 다만 본 발명의 구체적인 실시형태일 뿐이고, 본 발명의 보호 범위는 이에 한정되지 않는다. 본 발명이 속하는 기술 분야의 통상의 기술자라면, 본 발명에서 개시된 기술적 범위 내의 변화 또는 교체가 모두 본 출원의 보호 범위 내에 속해야 함을 쉽게 알 수 있을 것이다. 따라서, 본 출원의 보호 범위는 청구 범위의 보호 범위를 기준으로 해야 한다.
Claims (14)
- 곡물 평가 방법으로서,
평가될 곡물을 포함하는 제1 이미지 데이터를 획득하는 단계;
상기 제1 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하는 단계로서, 상기 제1 식별 결과는 상기 평가될 곡물의 카테고리를 나타내는, 단계; 및
상기 제1 이미지 데이터 및 상기 평가될 곡물의 카테고리에 대응되는 평가 전략에 따라 상기 평가될 곡물을 평가하여, 평가 결과를 획득하는 단계를 포함하는,
곡물 평가 방법. - 제1항에 있어서,
상기 곡물 평가 방법은, 상기 제1 이미지 데이터에 대해 특징 강화 처리를 수행하여, 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하는 단계를 더 포함하고;
상응하게, 상기 제1 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하는 단계는, 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하는 단계를 포함하는,
곡물 평가 방법. - 제2항에 있어서,
상기 제1 이미지 데이터에 대해 특징 강화 처리를 수행하여, 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하는 단계는,
상기 제1 이미지 데이터를 그레이 스케일 이미지로 변환시켜, 상기 그레이 스케일 이미지에 대해 명암비 강화 처리를 수행하여, 상기 제1 이미지 데이터의 명암비 강화 이미지 데이터를 획득하는 단계; 상기 제1 이미지 데이터에 대해 에지 검출을 수행하여, 에지 검출 이미지 데이터를 획득하는 단계; 및
상기 제1 이미지 데이터의 명암비 강화 이미지 데이터 및 상기 에지 검출 이미지 데이터에 기반하여 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하는 단계를 포함하는,
곡물 평가 방법. - 제1항에 있어서,
상기 곡물 평가 방법은,
복수 개의 제2 이미지 정보를 획득하는 단계로서, 상기 제2 이미지 정보는 제2 이미지 데이터 및 대응되는 라벨 데이터를 포함하고; 상기 라벨 데이터는 곡물이 속하는 카테고리를 나타내는, 단계;
상기 제2 이미지 데이터에 대해 특징 강화 처리를 수행하여, 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하는 단계;
상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 대해 데이터 강화 처리를 수행하여, 데이터 강화 이미지 데이터를 획득하는 단계; 및
상기 특징 강화 이미지 데이터 및 상기 데이터 강화 이미지 데이터 중 적어도 하나 및 대응되는 라벨 데이터에 기반하여 러닝 훈련을 수행하여, 상기 제1 식별 모델을 획득하는 단계를 더 포함하는,
곡물 평가 방법. - 제4항에 있어서,
상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 대해 데이터 강화 처리를 수행하여, 데이터 강화 이미지 데이터를 획득하는 단계는,
상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 대해 회전 및 플립 중 적어도 하나를 수행하여, 상기 특징 강화 이미지 데이터에 대응되는 플립 이미지 데이터 및 회전 이미지 데이터 중 적어도 하나를 획득하고, 상기 플립 이미지 데이터 및 회전 이미지 데이터 중 적어도 하나에 기반하여 데이터 강화 이미지 데이터를 생성하는 단계를 포함하는,
곡물 평가 방법. - 제2항에 있어서,
상기 제1 이미지 데이터 및 상기 평가될 곡물의 카테고리에 대응되는 평가 전략에 따라 상기 평가될 곡물을 평가하는 단계는,
상기 평가될 곡물의 카테고리에 따라 대응되는 평가 전략을 획득하는 단계; 및
상기 평가 전략 및 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 따라 상기 평가될 곡물을 평가하는 단계를 포함하는,
곡물 평가 방법. - 곡물 평가 장치로서,
획득 모듈 및 처리 모듈을 포함하고;
상기 획득 모듈은, 평가될 곡물을 포함하는 제1 이미지 데이터를 획득하도록 구성되고;
상기 처리 모듈은, 상기 제1 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하고, 상기 제1 식별 결과는 상기 평가될 곡물의 카테고리를 나타내며; 상기 제1 이미지 데이터 및 상기 평가될 곡물의 카테고리에 대응되는 평가 전략에 따라 상기 평가될 곡물을 평가하여, 평가 결과를 획득하도록 구성되는,
곡물 평가 장치. - 제7항에 있어서,
상기 처리 모듈은 또한, 상기 제1 이미지 데이터에 대해 특징 강화 처리를 수행하여, 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하고; 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터 및 제1 식별 모델에 기반하여 제1 식별 결과를 획득하도록 구성되는,
곡물 평가 장치. - 제8항에 있어서,
상기 처리 모듈은, 상기 제1 이미지 데이터를 그레이 스케일 이미지로 변환시켜, 상기 그레이 스케일 이미지에 대해 명암비 강화 처리를 수행하여, 상기 제1 이미지 데이터의 명암비 강화 이미지 데이터를 획득하고; 상기 제1 이미지 데이터에 대해 에지 검출을 수행하여, 에지 검출 이미지 데이터를 획득하며; 상기 제1 이미지 데이터의 명암비 강화 이미지 데이터 및 상기 에지 검출 이미지 데이터에 기반하여 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하도록 구성되는,
곡물 평가 장치. - 제7항에 있어서,
상기 처리 모듈은 또한, 복수 개의 제2 이미지 정보를 획득하고 상기 제2 이미지 정보는 제2 이미지 데이터 및 대응되는 라벨 데이터를 포함하고; 상기 라벨 데이터는 곡물이 속하는 카테고리를 나타내는, 단계; 상기 제2 이미지 데이터에 대해 특징 강화 처리를 수행하여, 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터를 획득하며; 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 대해 데이터 강화 처리를 수행하여, 데이터 강화 이미지 데이터를 획득하며; 상기 특징 강화 이미지 데이터 및 상기 데이터 강화 이미지 데이터 중 적어도 하나 및 대응되는 라벨 데이터에 기반하여 러닝 훈련을 수행하여, 상기 제1 식별 모델을 획득하도록 구성되는,
곡물 평가 장치. - 제10항에 있어서,
상기 처리 모듈은, 상기 제2 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 대해 회전 및 플립 중 적어도 하나를 수행하여, 상기 특징 강화 이미지 데이터에 대응되는 플립 이미지 데이터 및 회전 이미지 데이터 중 적어도 하나를 획득하고, 상기 플립 이미지 데이터 및 회전 이미지 데이터 중 적어도 하나에 기반하여 데이터 강화 이미지 데이터를 생성하도록 구성되는,
곡물 평가 장치. - 제8항에 있어서,
상기 처리 모듈은, 상기 평가될 곡물의 카테고리에 따라 대응되는 평가 전략을 획득하고; 상기 평가 전략 및 상기 제1 이미지 데이터에 대응되는 특징 강화 이미지 데이터에 따라 상기 평가될 곡물을 평가하도록 구성되는,
곡물 평가 장치. - 곡물 평가 장치로서,
프로세서 및 프로세서에서 작동 가능한 컴퓨터 프로그램을 저장하기 위한 메모리를 포함하고;
상기 프로세서는 상기 컴퓨터 프로그램을 작동할 경우, 제1항 내지 제6항 중 어느 한 항에 따른 곡물 평가 방법의 단계를 실행하기 위한 것인,
곡물 평가 장치. - 컴퓨터 프로그램이 저장되어 있는 컴퓨터 판독 가능한 저장 매체로서, 상기 컴퓨터 프로그램이 프로세서에 의해 실행될 경우 제1항 내지 제6항 중 어느 한 항에 따른 곡물 평가 방법의 단계를 실행하는,
컴퓨터 판독 가능한 저장 매체.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810621682.6A CN110610183A (zh) | 2018-06-15 | 2018-06-15 | 谷物评估方法、装置和存储介质 |
| CN201810621682.6 | 2018-06-15 | ||
| PCT/CN2019/091399 WO2019238130A1 (zh) | 2018-06-15 | 2019-06-14 | 谷物评估方法、装置和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210019089A true KR20210019089A (ko) | 2021-02-19 |
| KR102453207B1 KR102453207B1 (ko) | 2022-10-07 |
Family
ID=68841744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217000926A KR102453207B1 (ko) | 2018-06-15 | 2019-06-14 | 곡물 평가 방법, 장치 및 저장 매체 |
Country Status (4)
| Country | Link |
|---|---|
| JP (1) | JP2021526646A (ko) |
| KR (1) | KR102453207B1 (ko) |
| CN (1) | CN110610183A (ko) |
| WO (1) | WO2019238130A1 (ko) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111579724B (zh) * | 2020-06-01 | 2022-07-12 | 中国标准化研究院 | 一种麻和辣阈上感觉敏感度快速分类方法、装置及应用 |
| CN111879735B (zh) * | 2020-07-22 | 2021-11-09 | 武汉大学 | 一种基于图像的大米外观品质检测方法 |
| CN114486877B (zh) * | 2020-10-23 | 2024-01-19 | 合肥美亚光电技术股份有限公司 | 大米品质检测方法、设备以及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005055245A (ja) * | 2003-08-01 | 2005-03-03 | Seirei Ind Co Ltd | 穀粒選別装置および穀粒選別方法 |
| CN101701916A (zh) * | 2009-12-01 | 2010-05-05 | 中国农业大学 | 一种玉米品种快速鉴定、鉴别方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101234381B (zh) * | 2008-03-07 | 2011-09-07 | 天津市华核科技有限公司 | 基于视觉识别的颗粒物料分选分级方法 |
| CN101398886B (zh) * | 2008-03-17 | 2010-11-10 | 杭州大清智能技术开发有限公司 | 一种基于双目被动立体视觉的快速三维人脸识别方法 |
| CN101271522A (zh) * | 2008-05-21 | 2008-09-24 | 中国农业大学 | 一种大米中黄粒米的自动识别方法 |
| CN102436589B (zh) * | 2010-09-29 | 2015-05-06 | 中国科学院电子学研究所 | 一种基于多类基元自主学习的复杂目标自动识别方法 |
| JP5716234B2 (ja) * | 2010-12-28 | 2015-05-13 | 独立行政法人農業・食品産業技術総合研究機構 | 収穫予定米の断面撮像画像を用いた収穫時品質予測システム及び収穫時品質予測方法 |
| JP6435740B2 (ja) * | 2014-09-22 | 2018-12-12 | 日本電気株式会社 | データ処理システム、データ処理方法およびデータ処理プログラム |
| CN106198442A (zh) * | 2016-09-14 | 2016-12-07 | 南京财经大学 | 一种鉴别盘锦大米的光谱分析方法 |
| WO2018084612A1 (ko) * | 2016-11-02 | 2018-05-11 | 한국식품연구원 | 쌀의 품질측정 시스템, 쌀의 식미평가방법, 곡물의 발아율 예측 시스템 및 발아율 예측 방법 |
| CN107951485B (zh) * | 2017-11-27 | 2019-06-11 | 深圳市凯沃尔电子有限公司 | 基于人工智能自学习的动态心电图分析方法和装置 |
| CN108108767B (zh) * | 2017-12-29 | 2021-03-23 | 美的集团股份有限公司 | 一种谷物识别方法、装置和计算机存储介质 |
-
2018
- 2018-06-15 CN CN201810621682.6A patent/CN110610183A/zh active Pending
-
2019
- 2019-06-14 WO PCT/CN2019/091399 patent/WO2019238130A1/zh active Application Filing
- 2019-06-14 KR KR1020217000926A patent/KR102453207B1/ko active IP Right Grant
- 2019-06-14 JP JP2020569744A patent/JP2021526646A/ja active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005055245A (ja) * | 2003-08-01 | 2005-03-03 | Seirei Ind Co Ltd | 穀粒選別装置および穀粒選別方法 |
| CN101701916A (zh) * | 2009-12-01 | 2010-05-05 | 中国农业大学 | 一种玉米品种快速鉴定、鉴别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021526646A (ja) | 2021-10-07 |
| KR102453207B1 (ko) | 2022-10-07 |
| WO2019238130A1 (zh) | 2019-12-19 |
| CN110610183A (zh) | 2019-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108108767B (zh) | 一种谷物识别方法、装置和计算机存储介质 | |
| KR102453207B1 (ko) | 곡물 평가 방법, 장치 및 저장 매체 | |
| Radman et al. | Automated segmentation of iris images acquired in an unconstrained environment using HOG-SVM and GrowCut | |
| Pouladzadeh et al. | Using graph cut segmentation for food calorie measurement | |
| Abbas et al. | A perceptually oriented method for contrast enhancement and segmentation of dermoscopy images | |
| KR20200092380A (ko) | 재료 인식을 기반으로 하는 음식 준비 방법 및 시스템 | |
| CN113329545B (zh) | 一种智能照明方法、装置、智能控制装置及存储介质 | |
| CN109325468B (zh) | 一种图像处理方法、装置、计算机设备和存储介质 | |
| CN108090518A (zh) | 一种谷物识别方法、装置和计算机存储介质 | |
| CN108090517A (zh) | 一种谷物识别方法、装置和计算机存储介质 | |
| CN106796653A (zh) | 图像数据处理方法和支持该方法的电子装置 | |
| CN110738620B (zh) | 智能美妆方法、化妆镜和存储介质 | |
| KR102333500B1 (ko) | 곡물 인식 방법, 장치 및 컴퓨터 판독 가능 저장 매체 | |
| JP2022553035A (ja) | 食物の調理程度に対する認識方法、装置及びコンピュータ記憶媒体 | |
| Lee et al. | Mt-diet: Automated smartphone based diet assessment with infrared images | |
| US20210271938A1 (en) | Normalization method for machine-learning and apparatus thereof | |
| CN108143252A (zh) | 基于红外检测的烹饪装置及方法 | |
| Mairon et al. | A closer look at context: From coxels to the contextual emergence of object saliency | |
| CN106228165A (zh) | 一种照片分类的方法和移动终端 | |
| Gao et al. | Automated parameter tuning for tone mapping using visual saliency | |
| Hsia et al. | Improvement of face recognition using light compensation technique on real-time imaging | |
| CN112307854A (zh) | 人体动作识别方法、装置、设备和存储介质 | |
| JPWO2020095392A1 (ja) | 電波画像識別装置、電波画像学習装置、及び、電波画像識別方法 | |
| WO2019056331A1 (zh) | 一种烹饪设备的控制方法、装置及计算机存储介质和系统 | |
| CN107977644A (zh) | 基于图像采集设备的图像数据处理方法及装置、计算设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |