RU2794708C2 - Milk analyser for milk classification - Google Patents
Milk analyser for milk classification Download PDFInfo
- Publication number
- RU2794708C2 RU2794708C2 RU2021105196A RU2021105196A RU2794708C2 RU 2794708 C2 RU2794708 C2 RU 2794708C2 RU 2021105196 A RU2021105196 A RU 2021105196A RU 2021105196 A RU2021105196 A RU 2021105196A RU 2794708 C2 RU2794708 C2 RU 2794708C2
- Authority
- RU
- Russia
- Prior art keywords
- milk
- classifier
- classification
- dlnn
- image
- Prior art date
Links
Images
Abstract
Description
[0001] Настоящее изобретение относится к способу и системам для классификации молока и анализатору молока, в котором они используются.[0001] The present invention relates to a method and systems for classifying milk and a milk analyzer in which they are used.
[0002] Плохое молоко - это молоко, которое непреднамеренно закисло, свернулось, содержит посторонние вещества или испорчено иным образом. Существуют различные причины возникновения плохого молока. К ним относятся неправильная мойка животных (коров, коз, овец и т.п.) до и после доения, больные особи и отсутствие контроля за условиями перевозки или нарушение условий перевозки. Белки могут разлагаться под действием ферментов или под воздействием света. Преобладающей причиной разложения белка являются ферменты, называемые протеазами. Нежелательное разложение (протеолиз) приводит к получению молока с неприятным привкусом и низким качеством.. Плохое молоко часто проявляется в виде небольших кластеров или сгустков, которые затем можно использовать для визуальной классификации. Кроме того, экстремальные температурные циклы во время хранения или транспортировки, неочищенные контейнеры, неправильное количество консерванта, разбавителя или другой добавки, добавленной в молоко перед отправкой в Центральную лабораторию тестирования молока (Central Milk Testing, CMT) или другие лаборатории или анализатор, ускоряют разложение.[0002] Bad milk is milk that is unintentionally sour, curdled, contains foreign matter, or is otherwise spoiled. There are various causes of bad milk. These include improper washing of animals (cows, goats, sheep, etc.) before and after milking, sick animals and lack of control over the conditions of transportation or violation of the conditions of transportation. Proteins can be degraded by the action of enzymes or by exposure to light. The predominant cause of protein degradation are enzymes called proteases. Unwanted decomposition (proteolysis) results in off-flavour and poor quality milk. Poor milk often appears as small clusters or clumps which can then be used for visual classification. In addition, extreme temperature cycling during storage or transport, uncleaned containers, the wrong amount of preservative, diluent, or other additive added to milk before it is sent to the Central Milk Testing (CMT) or other laboratories or analyzer, hasten decomposition.
[0003] Какими бы ни были причины, плохие образцы молока неизбежно попадают в CMT и другие лаборатории или места проведения анализов для анализа с помощью более или менее автоматизированных аналитических приборов. Поскольку эти образцы плохого молока обычно не проверяются визуально перед анализом, они становятся частью обычного рабочего процесса, который впоследствии содержит смесь хороших и плохих образцов молока. Однако, когда эти плохие образцы молока пропускаются через анализатор, они могут вызвать серьезную закупорку приборов. В некоторых случаях инструменты могут быть выведены из строя на срок до нескольких дней, что может серьезно повлиять на работу лаборатории. Плохие образцы молока в зависимости от их природы и/или степени «недоброкачественности» либо могут вызвать несложную неисправность, например, закупорку всасывающей части анализатора, такого как пипетка, или закупорить более сложные узлы глубоко внутри прибора.[0003] Whatever the reasons, bad milk samples inevitably end up at CMT and other laboratories or testing sites for analysis using more or less automated analytical instruments. Because these bad milk samples are not usually visually inspected prior to analysis, they become part of a normal workflow that subsequently contains a mixture of good and bad milk samples. However, when these bad milk samples are passed through the analyzer, they can cause severe clogging of the instruments. In some cases, instruments can be out of order for up to several days, which can seriously affect the work of the laboratory. Bad milk samples, depending on their nature and/or degree of “poor quality”, can either cause a minor malfunction, such as blockage of the suction part of an analyzer such as a pipette, or blockage of more complex components deep inside the device.
[0004] Иногда закупоренную пипетку можно очистить с помощью процедуры автоматической очистки, но это не всегда получается. Если автоматическая очистка не может обеспечить надлежащую чистоту, оператор должен использовать механические инструменты для очистки системы впуска. То же самое происходит, если закупорка происходит глубже в анализаторе, и устранение любой такой закупорки может быть затруднено, а также может потребовать много времени. Такие закупорки могут привести к длительному простою, что снижает производительность аналитического прибора и увеличивает эксплуатационные расходы лаборатории CMT. Более того, нормальный рабочий процесс после засорения заключается в выполнении различных контрольных измерений для подтверждения тщательности очистки. Эти контрольные измерения увеличивают стоимость эксплуатации указанного прибора для лаборатории, поскольку для проверки эффективности очистки перед повторным вводом в эксплуатацию используются дополнительные пробы, такие как стандартные и контрольные пробы.[0004] Sometimes a clogged pipette can be cleared using an automatic cleaning procedure, but this is not always possible. If automatic cleaning cannot provide adequate cleanliness, the operator must use mechanical tools to clean the intake system. The same happens if the blockage occurs deeper in the analyzer, and any such blockage can be difficult to clear and may also take a long time. These blockages can lead to long periods of downtime, which reduces the performance of the analytical instrument and increases the operating costs of the CMT laboratory. Moreover, the normal workflow after clogging is to perform various control measurements to confirm the thoroughness of the cleaning. These control measurements add to the cost of operating the specified instrument to the laboratory because additional samples, such as standards and controls, are used to verify cleaning performance before recommissioning.
[0005] Часто плохое молоко имеет не только явный отличительный внешний вид, но также и явные отличительные обонятельные характеристики. Однако такое положение имеет место не всегда, и обнаружение плохого молока или молока, имеющего другие характеристики, в частности, нежелательные, которые проявляются визуально, может оказаться затруднительным. Например, для людей с ослабленным зрением или в случаях, когда визуальные проявления едва различимы и, возможно, заметны только хорошо обученному человеку, например, на ферме, где фермер заинтересован в знании определенных характеристик молока до того, как оно будет загружено в транспортную цистерну, или у потребителя, когда может быть полезным определять плохое молоко перед употреблением.[0005] Often bad milk has not only a distinctly distinctive appearance, but also distinctly distinctive olfactory characteristics. However, this is not always the case, and it may be difficult to detect bad milk or milk having other characteristics, in particular undesirable ones, which are visible. For example, for visually impaired people or in cases where the visual manifestations are subtle and perhaps only visible to a well-trained person, such as on a farm where the farmer is interested in knowing certain characteristics of milk before it is loaded into a transport tank, or in the consumer, where it may be helpful to identify bad milk before consumption.
[0006] В соответствии с настоящим изобретением обеспечен анализатор молока, содержащий блок анализа молока, имеющий средство для анализа, при этом блок анализа молока также содержит систему для классификации молока, имеющую: устройство для получения изображений, выполненное с возможностью получения изображения молока для генерации данных цифрового изображения; процессор, выполненный с возможностью исполнения программного кода для реализации классификатора нейронной сети с глубоким обучением, обученного с использованием помеченных изображений молока из молока в пределах классов, в которые может быть классифицировано изображаемое молоко в соответствии с характеристиками классов, которые визуально проявляются в изображенном молоке и могут генерировать классификацию изображенного молока; и контроллер, выполненный с возможностью вывода управляющего сигнала в зависимости от сгенерированной классификации для управления подачей молока в блок анализа.[0006] In accordance with the present invention, a milk analyzer is provided, comprising a milk analysis unit having analysis means, wherein the milk analysis unit also comprises a system for classifying milk, having: an imaging device configured to acquire an image of milk to generate data digital image; a processor configured to execute program code for implementing a deep learning neural network classifier trained using labeled milk images from milk within the classes into which the imaged milk can be classified in accordance with the characteristics of the classes that are visually manifested in the imaged milk and can generate a classification of the depicted milk; and a controller configured to output a control signal depending on the generated classification to control the supply of milk to the analysis unit.
[0007] В некоторых вариантах реализации устройство для отбора пробы содержит сортирующее устройство, выполненное с возможностью отделения образца от других образцов массива образцов в зависимости от выходного сигнала от устройства вывода, указывающего заранее определенный класс, причем указанный заранее определенный класс может быть таким же, как и заранее определенный класс, от которого зависит операция отбора пробы, или может отличаться от него.[0007] In some embodiments, the sampling device comprises a sorting device configured to separate the sample from other samples of the array of samples depending on the output signal from the output device indicating a predetermined class, and the specified predetermined class may be the same as and a predetermined class on which the sampling operation depends, or may differ from it.
[0008] Реализуемый компьютером способ классификации молока может включать следующие этапы:[0008] A computer-implemented method for classifying milk may include the following steps:
- реализация в процессоре, который может содержать один или более взаимодействующих друг с другом обрабатывающих модулей, первого классификатора нейронной сети с глубоким обучением, обученного с использованием набора обучающих данных, содержащего цифровые представления изображений молока, при этом каждое изображение помечено классом молока, к которому оно принадлежит;- implementation in a processor, which may contain one or more processing modules interacting with each other, of the first deep learning neural network classifier trained using a training dataset containing digital representations of milk images, with each image labeled with the class of milk to which it belongs;
- получение процессором данных цифрового изображения, содержащих представление молока, подлежащего классификации; и- obtaining by the data processor a digital image containing a representation of the milk to be classified; And
- обработка процессором данных цифрового изображения с использованием реализованного первого классификатора нейронной сети с глубоким обучением для создания классификации молока, представленного в данных цифрового изображения, как принадлежащего к классу в указанном наборе классов.- processing by the digital image data processor using the implemented first deep learning neural network classifier to generate a classification of the milk represented in the digital image data as belonging to a class in the specified set of classes.
[0009] В некоторых вариантах реализации данные цифрового изображения обрабатывают с использованием реализованной первой нейронной сети глубокого обучения для: извлечения вектора признаков для данных цифрового изображения; определения для извлеченного вектора признаков вероятности для каждого класса из набора классов указанного вектора признаков, принадлежащих этому классу; и генерации классификации в зависимости от определенных вероятностей.[0009] In some embodiments, the digital image data is processed using the implemented first deep learning neural network to: extract a feature vector for the digital image data; determining for the extracted probability feature vector for each class from the set of classes of said feature vector belonging to that class; and generating a classification depending on certain probabilities.
[0010] В некоторых вариантах реализации классификатор нейронной сети с глубоким обучением выполнен с возможностью классифицирования молока как принадлежащего к одному из классов «ХОРОШЕЕ» и «ПЛОХОЕ» или аналогичных названий, указывающих, имеет ли молоко нежелательные характеристики. В других вариантах реализации классификатор нейронной сети с глубоким обучением может быть выполнен с возможностью классифицирования молока по различным или дополнительным классам, таким как «посторонний объект», «тип постороннего объекта», «комкование» или цвет, и молоко может быть классифицировано как принадлежащее к одному или более классам классификатора нейронной сети глубокого обучения.[0010] In some embodiments, a deep learning neural network classifier is configured to classify milk as belonging to one of the "GOOD" and "BAD" classes or similar names indicating whether the milk has undesirable characteristics. In other implementations, a deep learning neural network classifier may be configured to classify milk into different or additional classes such as "foreign object", "foreign object type", "clump", or color, and the milk may be classified as belonging to one or more deep learning neural network classifier classes.
[0011] В некоторых вариантах реализации классификатор нейронной сети глубокого обучения содержит один или более слоев, обученных определять одно или оба из: наличия контейнера для образца и наличия образца молока в данных изображения, при этом способ включает генерирование классификации образца молока в зависимости от определенного присутствия образца молока в данных изображения. Классификатор нейронной сети с глубоким обучением может содержать более слоев, обученных классифицировать по данным изображения контейнер с образцом как содержащий достаточный или недостаточный образец молока.[0011] In some embodiments, a deep learning neural network classifier comprises one or more layers trained to determine one or both of the presence of a sample container and the presence of a milk sample in the image data, the method comprising generating a classification of the milk sample depending on the determined presence milk sample in the image data. The deep learning neural network classifier may contain more layers trained to classify the sample container from image data as containing sufficient or insufficient milk sample.
[0012] В некоторых вариантах реализации классификатор нейронной сети с глубоким обучением может быть сгенерирован с использованием любого трансферного обучения. В некоторых вариантах реализации классификатор нейронной сети с глубоким обучением может содержать сверточную нейронную сеть (convolutional neural network, CNN). В некоторых вариантах реализации классификатор нейронной сети с глубоким обучением может быть сгенерирован с использованием сети глубокого доверия или другой многослойной архитектуры нейронной сети, в которой входные данные одного слоя являются выходными данными предыдущего слоя.[0012] In some implementations, a deep learning neural network classifier may be generated using any transfer learning. In some embodiments, a deep learning neural network classifier may comprise a convolutional neural network (CNN). In some embodiments, a deep learning neural network classifier may be generated using a deep belief network or other layered neural network architecture where the input of one layer is the output of the previous layer.
[0013] Модели глубокого обучения требуют значительного количества операций обучения, чтобы избежать переобучения. Таким образом, глубокое обучение требует значительного количества данных обучающего изображения и значительных затрат времени. Для снижения этой нагрузки может быть полезным использовать трансферное обучение, особенно в случаях, когда количество обучающих образов ограничено. Трансферным обучением является метод машинного обучения, при котором модель, разработанная для одной задачи, повторно используется в качестве отправной точки для модели, которая будет использоваться для второй задачи. В контексте настоящего изобретения модель глубокого обучения сначала обучается на большом количестве иррелевантно помеченных («классифицированных») изображений, не связанных с изображениями молока, для построения классификатора. Затем предоставляется набор обучающих данных с помеченными изображениями молока (каждое помеченное изображение также называется «данными обучающего образа»), где каждое изображение помечено как принадлежащее одному или более классам, а модель глубокого обучения дополнительно обучается с использованием набора обучающих данных для изменения классификатора, чтобы он был полезен при идентификации классов, связанных с набором обучающих данных.[0013] Deep learning models require a significant number of training operations to avoid overfitting. Thus, deep learning requires a significant amount of training image data and a significant investment of time. To reduce this load, it can be useful to use transfer learning, especially in cases where the number of training images is limited. Transfer learning is a machine learning technique in which a model developed for one task is reused as the starting point for a model to be used for a second task. In the context of the present invention, a deep learning model is first trained on a large number of irrelevantly labeled ("classified") images not associated with milk images to build a classifier. Then, a training dataset is provided with labeled milk images (each labeled image is also called "training image data"), where each image is labeled as belonging to one or more classes, and the deep learning model is further trained using the training dataset to modify the classifier so that it was useful in identifying the classes associated with the training dataset.
[0014] В сети CNN более низкие сверточные слои захватывают низкоуровневые функции изображения, в то время как более высокие сверточные слои захватывают все более и более сложные детали изображения, причем конечное количество слоев задано сложностью деталей изображения, требуемой для определения необходимого количества классов. Архитектура сети CNN, как правило, состоит из сверточных слоев и слоев объединения (или субдискретизации), которые сгруппированы в модули или блоки. За этими модулями CNN следуют один или более полностью связанных слоев, как в стандартной нейронной сети с прямой связью. Модули накладываются друг на друга, образуя глубокую модель. Изображение вводится непосредственно в сеть, после чего следует несколько этапов свертывания и объединения в модули CNN. Затем представления этих операций вносят в один или более полностью связанных слоев. Наконец, последний полностью связанный слой выводит метку класса. Сверточные модули служат экстракторами признаков и, таким образом, обучают представления признаков своих входных изображений. Нейроны в сверточных слоях, которые составляют сверточные модули, организованы в карты признаков. Каждый нейрон на карте признаков имеет рецептивное поле, которое связано с окрестностями нейронов в предыдущем слое через набор обучаемых весов. Входные данные свертываются с обученными весами для вычисления новой карту признаков. Целью слоев объединения является уменьшение пространственного разрешения карт признаков и, таким образом, достижение пространственной инвариантности к входным искажениям и перемещениям. Обычно могут использоваться слои агрегации с объединением средних значений, которые распространяют среднее значение всех входных значений небольшой окрестности изображения на следующий слой. Альтернативно могут использоваться слои агрегации с максимальным объединением, которые распространяют максимальное значение в пределах принимающего поля на следующий слой. Полностью связанные слои, которые следуют за этими слоями, интерпретируют представления абстрактных функций, извлеченные модулями, и выполняют функцию высокоуровневого обоснования и классификации и часто реализуются как машина опорных векторов или конфигурируются для реализации функции приложения Softmax.[0014] In a CNN, lower convolutional layers capture low-level image features, while higher convolutional layers capture more and more complex image details, the finite number of layers being given by the image detail complexity required to determine the required number of classes. The architecture of a CNN network typically consists of convolutional layers and pooling (or subsampling) layers, which are grouped into modules or blocks. These CNN modules are followed by one or more fully connected layers, as in a standard feed-forward neural network. Modules are stacked on top of each other to form a deep model. The image is injected directly into the network, followed by several steps of folding and combining into CNN modules. Representations of these operations are then contributed to one or more fully connected layers. Finally, the last fully connected layer outputs the class label. Convolutional modules serve as feature extractors and thus train feature representations of their input images. The neurons in the convolutional layers that make up the convolutional modules are organized into feature maps. Each neuron in the feature map has a receptive field that is connected to the neighborhood of neurons in the previous layer through a set of trainable weights. The input data is convolved with the trained weights to compute a new feature map. The purpose of pooling layers is to reduce the spatial resolution of feature maps and thus achieve spatial invariance to input distortions and displacements. Typically, aggregation layers with pooled averages can be used, which propagate the average of all input values of a small neighborhood of the image to the next layer. Alternatively, maximum pooling aggregation layers can be used that propagate the maximum value within the receiving field to the next layer. The fully connected layers that follow these layers interpret the abstract feature representations extracted by the modules and perform the high-level reasoning and classification function and are often implemented as a support vector machine or configured to implement a Softmax application function.
[0015] В некоторых вариантах реализации данные цифрового изображения представляют монохромное изображение (или по меньшей мере, уменьшенную информацию о цвете), причем указанный монохромный цвет или уменьшенная цветовая палитра могут быть выбраны для улучшения видимости соответствующих признаков в изображении (т.е. тех признаков, которые вносят вклад в классификацию).[0015] In some implementations, digital image data represents a monochrome image (or at least reduced color information), wherein said monochrome color or reduced color palette can be selected to improve the visibility of corresponding features in the image (i.e., those features that contribute to the classification).
[0016] В некоторых вариантах реализации данные цифрового изображения могут представлять изображение, полученное из пропускания света через слой молока.[0016] In some embodiments, the digital image data may represent an image obtained from the transmission of light through a layer of milk.
[0017] В некоторых вариантах реализации устройство ввода может быть, например, сканером, выполненным с возможностью преобразования записанного изображения пробы молока в цифровое представление, может быть видеокамерой, такой как цифровая видеокамера, и устройством захвата кадров, выполненные с возможностью преобразования одного кадра движущегося изображения, содержащего образец молока, в цифровое представление, или может быть цифровой фотокамерой, выполненной с возможностью создания цифрового представления образца молока, находящегося в ее поле зрения. В некоторых вариантах реализации устройство ввода может содержать интерфейс связи, выполненный с возможностью доступа к удаленно созданным данным цифрового изображения по сети, такой как помимо прочего телефонная сеть, локальная сеть или сеть Интернет, либо посредством фиксированной проводной связи, беспроводной связи, либо с использованием сочетания указанных двух видов связи, и предоставления удаленно сгенерированных данных цифрового изображения в качестве входных данных для сетевого классификатора глубокого обучения.[0017] In some implementations, the input device may be, for example, a scanner configured to convert a recorded image of a milk sample into a digital representation, may be a video camera such as a digital video camera, and a frame capture device configured to convert a single frame of a moving image , containing a milk sample, into a digital representation, or may be a digital camera configured to create a digital representation of a milk sample in its field of view. In some implementations, the input device may comprise a communications interface configured to access remotely generated digital image data over a network, such as but not limited to a telephone network, a local area network, or the Internet, either through a fixed wired connection, a wireless connection, or using a combination of these two types of communication, and providing remotely generated digital image data as input to a deep learning network classifier.
[0018] В некоторых вариантах реализации для обнаружения присутствия пробы молока в поле зрения цифровой камеры может использоваться обнаружительное устройство, причем указанная цифровая камера выполнена с возможностью сбора данных цифрового изображения в зависимости от обнаружительного устройства, обнаруживающего присутствие пробы молока. В некоторых вариантах реализации обнаружительное устройство может быть обнаружительным устройством прерывистого типа, в котором прерывание луча света, проходящего между излучателем и обнаружительным устройством, контейнером для образца, генерирует сигнал, указывающий на наличие контейнера для образца, который можно использовать для инициализации захвата изображения молока для генерации данных цифрового изображения.[0018] In some embodiments, a detection device may be used to detect the presence of a milk sample in the digital camera's field of view, said digital camera being configured to collect digital image data depending on the detection device detecting the presence of the milk sample. In some embodiments, the detection device may be a discontinuous type detection device in which interruption of a beam of light passing between the emitter and the detection device, the sample container, generates a signal indicative of the presence of the sample container, which can be used to initiate milk image capture to generate digital image data.
[0019] Несмотря на то, что выше кратко изложены некоторые аспекты вариантов реализации настоящего изобретения, следует понимать, что это краткое изложение не предназначено для ограничения настоящего изобретения, объем которого в достаточной мере определен приложенной формулой.[0019] While some aspects of the embodiments of the present invention have been summarized above, it should be understood that this summary is not intended to limit the present invention, the scope of which is sufficiently defined by the appended claims.
[0020] Приведенные для примера варианты реализации, содержащие настоящее изобретение, описаны более подробно ниже со ссылкой на сопроводительные чертежи, на которых:[0020] Exemplary embodiments incorporating the present invention are described in more detail below with reference to the accompanying drawings, in which:
На ФИГ. 1 показан приведенный для примера способ классификации молока в анализаторе молока согласно настоящему изобретению;FIG. 1 shows an exemplary method for classifying milk in a milk analyzer according to the present invention;
На ФИГ. 2 схематично изображен классификатор DLNN, используемый в способе, показанном на ФИГ. 1;FIG. 2 schematically depicts a DLNN classifier used in the method shown in FIG. 1;
На ФИГ. 3 показана система классификации молока для классификации молока в анализаторе молока согласно настоящему изобретению;FIG. 3 shows a milk classification system for classifying milk in a milk analyzer according to the present invention;
На ФИГ. 4 схематично показан анализатор молока согласно настоящему изобретению;FIG. 4 schematically shows a milk analyzer according to the present invention;
На ФИГ. 5 схематично показана часть двух других вариантов реализации анализатора молока в соответствии с настоящим изобретением; иFIG. 5 schematically shows part of two other embodiments of a milk analyzer in accordance with the present invention; And
На ФИГ. 6 показан еще один вариант реализации системы классификации молока согласно настоящему изобретению.FIG. 6 shows another embodiment of the milk classification system according to the present invention.
[0021] Следует понимать, что объем охраны настоящего изобретения не ограничивается конфигурациями, компонентами и этапами способа, проиллюстрированными и обсуждаемыми ниже. Напротив, они раскрыты только как примеры, попадающие в объем охраны приложенной формулы.[0021] It should be understood that the scope of protection of the present invention is not limited to the configurations, components, and method steps illustrated and discussed below. On the contrary, they are only disclosed as examples falling within the scope of the appended claims.
[0022] На ФИГ. 1 изображен один вариант реализации способа классификации молока согласно настоящему изобретению. Способ включает этап 100 реализации модели, на котором получают доступ к программному коду указанного этапа и исполняют указанный код процессором вычислительного устройства для реализации классификатора нейронной сети с глубоким обучением (deep learning neural network, DLNN) в процессоре. Классификатор DLNN, введенный таким образом в процессор, представляет собой классификатор, который обучен извлекать вектор признаков из данных цифрового изображения, содержащих представление отображаемого молока, подлежащего классификации, и определять из извлеченного вектора признаков вероятность для каждого класса набор классов любого молока, представленного в данных цифрового изображения, принадлежащих этому классу. Каждый класс из набора классов указывает на свойство молока. На этапе 102 получения данных в процессор вводят данные цифрового изображения, содержащие представление образца молока. На этапе 104 извлечения признаков данные цифрового изображения молока обрабатывают в процессоре с использованием полученного классификатора DLNN для извлечения вектора признаков для данных цифрового изображения молока. На этапе 106 назначения извлеченный вектор признаков обрабатывают процессором с использованием полученного классификатора DLNN для определения вероятности для каждого класса набора классов извлеченного вектора признаков, принадлежащего этому классу. На этапе 108 классификации определенные вероятности обрабатывают процессором с использованием полученного классификатора DLNN для генерации классификации для образца молока, представленного в данных цифрового изображения, как принадлежащего к классу набора классов в зависимости от определенных вероятностей. На этапе 110 вывода генерируют сигнал, представляющий классификацию, и выводят его для использования вне процессора.[0022] FIG. 1 shows one embodiment of the method for classifying milk according to the present invention. The method includes a
[0023] В некоторых вариантах реализации и как показано на ФИГ. 1, способ также включает полезный, но не существенный этап 112 подтверждения, на котором данные цифрового изображения, полученные на этапе 102 получения, обрабатывают для классификации изображения как включающего или не включающего образец молока перед обработкой указанного изображения на этапах 104, 106 для классификации данного образца молока на этапе 108. В некоторых вариантах реализации могут использоваться данные цифрового изображения, отличные от данных, полученных на этапе 102 получения, при условии, что эти другие данные цифрового изображения представляют изображение того же образца молока, которое представлено данными цифрового изображения, полученными ранее на этапе 102, но при других условиях. Следует понимать, что этими условиями могут быть, например, разные точки обзора, разные времена экспозиции или разные условия освещения, каждое из которых выбрано для предоставления данных цифрового изображения, наиболее подходящих для последующих этапов обработки, описанных ниже.[0023] In some embodiments, and as shown in FIG. 1, the method also includes a useful but not
[0024] На этом этапе 112 подтверждения выполняют подэтап 1122 обнаружения объекта. На этом подэтапе 1122 обнаружения объекта данные цифрового изображения вводят в классификатор, предпочтительно классификатор DLNN, который обучен идентифицировать наличие или отсутствие представления контейнера для образцов во входных данных цифрового изображения, которые введены в процессор. Классификатор DLNN, который используется на этом подэтапе 1122, в некоторых вариантах реализации может быть классификатором DLNN, который реализован для классификации молока на этапе 100 реализации, описанном выше, или в других вариантах реализации может быть отдельным классификатором DLNN.[0024] In this
[0025] На этом подэтапе 1122 обнаружения объекта классификатор DLNN действует для извлечения признаков, относящиеся к контейнеру для образца, представленному в данных цифрового изображения, и генерирования соответствующего вектора признаков. На подэтапе 1124 принятия решения вектор признаков, извлеченный на подэтапе 1122 обнаружения объекта, обрабатывают для определения наличия или отсутствия представления контейнера для образцов в данных цифрового изображения. Если контейнер для образца отсутствует, как показано ветвью N на подэтапе 1124 принятия решения, выполнение обработки данных цифрового изображения (на этапах 104-110) для классификации молока не требуется, и способ завершается на подэтапе 1126 завершения.[0025] In this
[0026] Если контейнер для образца присутствует, как показано ветвью Y на подэтапе 1124 принятия решения, управление способом переходит к подэтапу 1128 обнаружения второго объекта.[0026] If the sample container is present, as shown by branch Y in
[0027] На этом подэтапе 1128 обнаружения второго объекта данные цифрового изображения вводят в классификатор, предпочтительно классификатор DLNN, который обучен идентифицировать присутствие или отсутствие (в некоторых вариантах реализации дополнительно или альтернативно количество) представления молока во входных данных цифрового изображения, которое реализовано в процессоре. Классификатор DLNN, который используется на этом подэтапе 1128, в некоторых вариантах реализации может быть выполнен с возможностью классификации молока на этапе 100 реализации, описанном выше, в других вариантах реализации он может быть отдельным классификатор DLNN, а в еще одних вариантах реализации он может быть тем же классификатором DLNN, который используется при обнаружении контейнера для образца на подэтапе 1124 обнаружения объекта. Преимущество использования разных классификаторов DLNN для классификации молока при обнаружении контейнера для образца и обнаружении молока в данных цифрового изображения состоит в том, что каждый классификатор DLNN может быть обучен специально для выполнения индивидуальной задачи классификации и, таким образом, может быть лучше оптимизирован для выполнения этой задачи.[0027] In this second
[0028] На этом подэтапе 1128 обнаружения второго объекта классификатор DLNN действует для извлечения признаков, относящихся к молоку, представленных в данных цифрового изображения, и генерирования соответствующего вектора признаков. На втором подэтапе 1130 принятия решения вектор признаков, сгенерированный на подэтапе 1128 обнаружения второго объекта, обрабатывают для определения наличия или отсутствия представления молока в данных цифрового изображения. Если нет, как показано ветвью N на втором подэтапе 1130 принятия решения, выполнение обработки данных цифрового изображения (на этапах 104-110) для классификации молока не требуется, и способ завершается на подэтапе 1126 завершения.[0028] In this second
[0029] Если молоко присутствует, как показано ветвью Y на втором подэтапе 1130 принятия решения, способ продолжается (на этапах 104-110) с осуществлением классификации молока, представленного в данных цифрового изображения молока, полученных на этапе 102.[0029] If milk is present, as indicated by the Y branch in the
[0030] За счет использования необязательного этапа 112 подтверждения можно избежать ненужной обработки и классификации изображений, что снижает затраты на обработку и время обработки. В некоторых вариантах реализации дополнительное сокращение затрат на обработку и времени может быть получено путем пропуска этапов 1122, 1124 обнаружения контейнера для образцов, поскольку классификация молока не может выполняться при отсутствии представления молока в данных цифрового изображения.[0030] By using the
[0031] Пример классификатора 200 DLNN, который реализован в одном или более процессорах и который может использоваться в способе согласно настоящему изобретению, например, способе, описанном со ссылкой на ФИГ. 1, ниже описан более подробно со ссылкой на ФИГ. 2. Приведенный для примера классификатор 200 DLNN содержит: экстрактор 202, который в настоящем варианте реализации реализован с использованием архитектуры сверточной нейронной сети (convolutional neural network, CNN); входной модуль 204, предшествующий экстрактору 202; и выходной модуль 206, следующий за экстрактором 202. Во время классификации данные в классификаторе 200 DLNN проходят в прямом направлении от входного модуля 204 через экстрактор 202 к выходному модулю 206.[0031] An example of a
[0032] В настоящем примере входной модуль 204 выполнен с возможностью преобразования изображения 208 в матрицу M, содержащую данные цифрового изображения, и ее передачи экстрактору 202. Каждая ячейка матрицы M принимает и хранит различное значение интенсивности пикселя входного изображения 208. Таким образом, для входного изображения размером, например, 720 пикселей в ширину и 480 пикселей в высоту потребуется матрица M размером 720x480. Когда входное изображение 208 является цветным изображением, каждый пиксель может быть представлен тремя значениями интенсивности: красным, зеленым и синим значениями интенсивности, и в некоторых вариантах реализации (как показано на ФИГ. 2) матрица M, следовательно, будет иметь размер 720x480x3 ячеек, где 3 - количество каналов, включая в данном случае красный, зеленый и синий каналы. В некоторых вариантах реализации изображение может быть гиперспектральным изображением, и матрица обязательно будет иметь более трех каналов для представления изображения. В некоторых вариантах реализации входной модуль 204 также может быть реализован известным способом для выполнения обработки изображения, такой как, например, изменение размера изображения, чтобы гарантировать, что каждая матрица M, переданная экстрактору 202, имеет одинаковый объем данных или изменение цвета в порядке для улучшения определенных функций изображения.[0032] In the present example, the
[0033] Экстрактор 202 содержит несколько (в данном случае показаны два) скрытых сверточных модулей C1, C2, которые действуют способом, хорошо известным в данной области техники, для извлечения признаков из входных данных цифрового изображения, содержащихся в матрице M, и создания вектора F признаков для передачи выходному модулю 206. В настоящем примере скрытый сверточный модуль C1 обрабатывает входные данные цифрового изображения в матрице M, передаваемые от входного модуля 204, сверткой каждого канала по очереди с использованием взвешенного фильтра WF1 (в некоторых вариантах реализации взвешенных фильтров) для создания карты FM1 карта признаков (в некоторых вариантах реализации карт признаков), которая по существу является картой местоположения (местоположений) ассоциированного признака в изображении, представленном входными данными цифрового изображения. Если необходимо извлечь более одного признака, различные взвешенные фильтры, каждый из которых обучен извлекать интересующий признак, свертываются вместе с входными данными цифрового изображения в передаваемой матрице M для генерации соответствующей карты признаков. Затем карту признаков (или каждый из них) распространяют на слой P1 объединения, который обрабатывает карту признаков для обеспечения агрегирования с понижающей дискретизацией по пространству и генерируют соответствующую сокращенную карту RFM1 признаков, имеющую пространственную инвариантность к входным искажениям и трансляциям. Эту сокращенную карту (или карты) признаков в данном примере распространяют на следующий скрытый сверточный модуль C2, в котором указанную сокращенную карту признаков из предыдущего сверточного модуля (в данном случае C1) обрабатывают путем свертки с одним или несколькими другими взвешенными фильтрами WF2, WF3, а результирующую одну или более карт FM2 признаков обрабатывают на слое P2 объединения, аналогичном слою P1 объединения, описанному выше, для создания новой сокращенной карты RFM2 признаков. Новая сокращенная карта RFM2 признаков обычно отображает признаки более высокого уровня в данных цифрового изображения из входного модуля 204.[0033] The
[0034] В некоторых вариантах реализации, а также как известно в данной области техники, один или более скрытых сверточных модулей C1, C2 могут содержать другие слои, обеспеченные для повышения устойчивости модели, такие как слои, называемые «функциями активации» для обеспечения нелинейности, например, слои с блоком линейной ректификации (Rectified Linear Unit, ReLU), которые способствуют преобразованию отрицательных значений в нулевые, и/или нормализационные слои, которые могут обеспечивать отбеливание или латеральное торможение.[0034] In some implementations, and as is known in the art, one or more of the hidden convolutional modules C1, C2 may contain other layers provided to increase the robustness of the model, such as layers called "activation functions" to provide non-linearity, for example, layers with a linear rectification block (Rectified Linear Unit, ReLU), which contribute to the conversion of negative values to zero, and / or normalization layers, which can provide whitening or lateral inhibition.
[0035] Затем признаки оконечной сокращенной карты признаков, в данном случае карты RFM2 признаков, сгенерированной после обработки всеми сверточными модулями C1, C2, объединяют в последний слой данного основанного на CNN экстрактора 202 для генерации вектора F признаков, распространяемый на имеющий скрытую метку слой L предсказания выходного модуля 206. Слой L предсказания с меткой содержит один или более слоев полносвязных узлов, которые также могут включать в себя функции активации. Каждый узел одного слоя связан с каждым узлом предыдущего слоя посредством индивидуально взвешенного соединения, а каждый узел может иметь индивидуальное смещение. В некоторых вариантах реализации могут использоваться дополнительные данные обучающего изображения для обновления указанных весов и/или смещений с целью улучшения предсказания классификатора 200 DLNN.[0035] The features of the final reduced feature map, in this case the feature map RFM2, generated after processing by all convolutional modules C1, C2, are then combined into the last layer of this CNN-based
[0036] Слой L предсказания метки обеспечивает генерацию n-мерного вектора, где n - количество возможных классов, на которые может быть классифицировано входное изображение 208 (в настоящем варианте реализации имеются два возможных класса: ХОРОШИЙ/ПЛОХОЙ). Каждое число в этом n-мерном векторе представляет вероятность того, что изображение 208 (или его части) принадлежит конкретному классу из n классов. Этот слой L предсказания меток, например, может быть выполнен с возможностью использования так называемой функции активации «SOFTMAX» или выполнен в виде так называемой машины опорных векторов (Support Vector Machine, SVM) для получения этих вероятностей. В настоящем варианте реализации выходные данные O1, O2 для каждого возможного класса заполняются оценкой вероятности в n-мерном векторе. Эти выходные данные O1 и O2 или в некоторых вариантах реализации только один набор выходных данных, имеющий наивысшую вероятность, заданы так, что являются доступными вне классификатора 200 DLNN, например, для использования при генерации одного или более зависимых сообщений для отображения на экране отображающего устройства или при генерации управляющего сигнала для управления работой внешних устройств для отвода пробы молока.[0036] The label prediction layer L generates an n-dimensional vector, where n is the number of possible classes into which the
[0037] Следует понимать, что для извлечения из входного изображения 208 информации о признаках могут использоваться сети, отличные от сетей сверточной обработки. Например, для выполнения этой функции могут использоваться сети глубокого доверия, которые представляют собой сложенные слои ограниченных машин Больцмана, а также автоэнкодеры и генеративно-состязательные сети.[0037] It should be understood that networks other than convolutional networks may be used to extract feature information from the
[0038] Классификатор нейронной сети с глубоким обучением в соответствии с настоящим изобретением, например, классификатор 200 DLNN на ФИГ. 2, может быть обучен (или переобучен) путем трансферного обучения для генерирования взвешенных фильтров сверточных модулей C1, C2. Веса и/или смещения каждого соединения слоя L предсказания метки могут быть дополнительно или альтернативно переобучены таким образом. Обычно взвешенные фильтры сверточных модулей C1, C2 остаются фиксированными, и только веса и/или смещения соединений в слое L предсказания метки регулируются во время последующей точной настройки, как будет описано ниже.[0038] A deep learning neural network classifier in accordance with the present invention, such as the
[0039] Ниже исключительно для примера будет описано обучение классификатора нейронной сети с глубоким обучением со ссылкой на классификацию образцов молока только по двум классам, например, ХОРОШО или ПЛОХО, но понятно, что классификатор можно обучить классифицировать пробы молока как принадлежащие к одному классу или любому количеству классов при условии, что характеристики класса визуально проявляются на изображении молока.[0039] The following will describe, purely by way of example, training a deep learning neural network classifier with reference to classifying milk samples into only two classes, such as GOOD or BAD, but it will be understood that the classifier can be trained to classify milk samples as belonging to one class or any the number of classes, provided that the characteristics of the class are visually manifested in the image of milk.
[0040] Классификатор нейронной сети с глубоким обучением, например классификатор 200 DLNN, может быть обучен без использования предыдущих данных или информации (т.е. с нуля) или может быть точно настроен в зависимости от размера обучающего набора в домене приложения. Обучение классификатора нейронной сети с глубоким обучением может включать две фазы. В фазе инициализации обучения классификатору нейронной сети с глубоким обучением в качестве обучающих данных может быть передан очень большой набор изображений с множеством предметов, не связанных с молоком. Например, для инициализации взвешенных фильтров, а также весов и смещений классификатора нейронной сети с глубоким обучением могут служить изображения из коллекции ImageNet. В фазе настройки обучения специализированные изображения образцов молока, содержащие ожидаемые отклонения и аннотированные как таковые (данные обучающего изображения), могут быть переданы классификатору нейронной сети с глубоким обучением в качестве обучающих данных. Обучающие данные могут включать в себя набор изображений образцов молока, которые известны как не имеющие аномалий и аннотированы как таковые. На основе присутствия каких-либо аномальных частей в изображении для всего обучающего изображения может быть определена метка, которая может быть легко получена в режиме реального времени без значительных усилий при маркировке. Аномальные области на обучающих изображениях не нуждаются в определении, сегментировании или очерчивании. Адекватный обучающий образ может быть определен как имеющий по меньшей мере один аномальный пиксель. Каждый обучающий образ может быть помечен или аннотирован и сохранен перед обучением классификатора DLNN. Например, обучающее изображение образца молока, имеющего аномальные области, может быть аннотировано как «ПЛОХОЕ», а обучающее изображение образца молока, не имеющего аномальных областей, может быть аннотировано как «ХОРОШЕЕ». Благодаря применению аннотаций на уровне изображений процесс обучения значительно упрощается и может быть завершен с меньшими усилиями. Обучающие данные с метками уровня изображения могут состоять из значительного количества выборок, например нескольких сотен выборок, для каждого класса с метками уровня изображения. Изображения, выбранные для обучающих данных с метками ограничивающего прямоугольника, могут состоять из меньшего количества выборок, например около 20 изображений для каждого класса, с ограничивающими прямоугольниками, охватывающими ключевые маркеры на изображении, которые помогают обнаруживать отклонения. Из образцов изображений каждого класса могут быть вырезаны фрагменты изображения, которые могут быть помечены с включением маркеров с той же самой меткой класса уровня изображения, соответствующей изображению, из которого вырезаны указанные фрагменты. Размер фрагментов изображения может быть изменен в соответствии с размером исходного изображения. После того, как все наборы изображений обучающих данных сгенерированы и изменен их размер, классификатор нейронной сети глубокого обучения может быть обучен путем применения обучающих данных. Классификатор DLNN 200 может быть обучен с использованием известных методологий трансферного обучения, причем в данном случае данные обучения применяются как переобучение или «настройка» после фазы инициализации обучения классификатора нейронной сети с глубоким обучением с использованием одного из общедоступных наборов обучающих данных, например, сети ImageNet, ImageNet или Microsoft Common Objects in Context. Обычно взвешенные фильтры, обученные во время этой фазы инициализации обучения, остаются фиксированными, и только веса и смещения соединений между узлами слоев в слое L предсказания метки впоследствии могут быть изменены во время фазы уточнения или «настройки». Набор обучающих данных из помеченных изображений молока может быть расширен или заменен другими помеченными изображениями молока и применен к существующему классификатору DLNN молока для его переобучения или улучшения обучения.[0040] A deep learning neural network classifier, such as the
[0041] В некоторых вариантах реализации могут использоваться один или более дополнительных классификаторов DLNN, каждый из которых обучается отдельно, для идентификации дополнительных связанных с ним функций во входном изображении. Эти дополнительные функции отделены от функций, которые используются в классификаторе 200 DLNN для классификации молока, и несмотря на то, что классификатор 200 DLNN может быть также обучен для выполнения этих идентификаций, зачастую более гибким и надежным является обучение классификатора DLNN для одной цели. В настоящем варианте реализации со ссылкой на необязательный этап 112 подтверждения, показанный на ФИГ. 1, могут быть реализованы два дополнительных классификатора DLNN, один из которых предназначен для определения на этапе 1122 наличия или отсутствия контейнера для образца, а другой для определения на этапе 1128 наличия или отсутствия (даже наличия достаточного количества) молока. Каждый дополнительный классификатор DLNN может быть выполнен и обучен способом, аналогичным выполнению и обучению, описанным выше в отношении классификатора 200 DLNN, и может быть выполненный с возможностью работы последовательно с классификатором 200 DLNN, выполненным с возможностью классификации молока с последующим классификатором DLNN в последовательности, выполненной с возможностью работы в зависимости от классификации, созданной непосредственно предшествующим классификатором DLNN в указанной последовательности. Таким образом, в соответствии с приведенным для примера способом, показанным на ФИГ. 1, на этапе 1122 выполняется первая классификация DLNN изображения 208 для определения наличия или отсутствия контейнера для образца. Второй классификатор DLNN запускают для выполнения классификации, если первый классификатор определяет на этапе 1124 наличие чашки для образца. Затем на этапе 1128 выполняют вторую классификацию DLNN данных изображения для определения наличия или отсутствия молока во входном изображении 208, и в случае определения на этапе 1130 наличия молока запускают работу классификатора 200 DLNN для выполнения классификации молока на изображении 208. В других вариантах реализации входные данные цифрового изображения, представляющие одно или более отдельных изображений, могут быть переданы экстрактору соответствующего классификатора DLNN.[0041] In some implementations, one or more additional DLNN classifiers, each trained separately, may be used to identify additional associated features in the input image. These additional functions are separate from those used in the
[0042] На ФИГ.3 схематично изображен вариант реализации системы 300 классификации молока согласно настоящему изобретению, подходящей для реализации классификатора 200 DLNN, показанного на ФИГ. 2, для классификации молока, представленного в данных цифрового изображения, как принадлежащего к классу среди множества классов.[0042] FIG. 3 schematically depicts an implementation of a
[0043] Система 300 содержит устройство 302 ввода, вычислительное устройство 304 и устройство 306 вывода.[0043]
[0044] Устройство 302 ввода выполнено с возможностью генерирования цифрового представления изображения образца 208 молока и обеспечения этого представления для обработки в вычислительном устройстве 304.[0044] The
[0045] В некоторых вариантах реализации устройство 302 ввода содержит цифровую камеру или другое обнаружительное устройство 3022, включая в случае необходимости элементы оптического кондиционирования (такие как линзы и фильтры), адаптированные для создания цифровых изображений образцов молока, которые могут быть расположены на столике 3024 для создания изображения в поле обзора цифровой камеры или обнаружительного устройства 3022. Столик 3024 для создания изображения в некоторых вариантах реализации может быть областью в пространстве, в которой размещен образец молока или через которую он транспортируется, например, на перемещаемой ленте или дорожке, или распылен или иным образом протекает через указанное свободное пространство, или может быть держателем, на котором закреплен или размещен образец молока. В случае необходимости устройство 302 ввода может включать в себя источник 3026 освещения, приспособленный для освещения образцов, расположенных на столике 3024 для формирования изображения. Кондиционирующие оптические элементы и/или источник 3026 освещения могут быть адаптированы для обеспечения того, чтобы в детектор (камеру или обнаружительное устройство) попадал только свет в пределах определенного диапазона длин волн, например, путем обеспечения того, чтобы свет этого диапазона длин волн освещал образец через выбранные соответствующим образом фильтры и/или испускался источником 3026 излучения соответствующих длин волн. Этот выбор только ограниченного диапазона длин волн также может быть достигнут путем соответствующей обработки данных цифрового изображения после его захвата, чтобы удалить информацию из полученного изображения, которая не связана с интересующей областью длин волн. В некоторых вариантах реализации источник 3026 освещения и камера/обнаружительное устройство 3022 могут быть ориентированы относительно столика 3024 для создания изображения таким образом, что только свет, прошедший через образец на столике 3024 для создания изображения, обнаруживается камерой/обнаружительным устройством 3022, причем в других вариантах реализации конфигурация может быть такой, что обнаруживается свет, отраженный от образца, при этом еще в одних вариантах реализации конфигурация может быть такой, что для каждого из прошедшего и отраженного света генерируются отдельные изображения.[0045] In some embodiments,
[0046] В некоторых вариантах реализации устройство 302 ввода может быть обычным цифровым преобразователем, например, планшетным сканером, который выполнен с возможностью преобразования бумажной копии изображения пробы молока в цифровое представление этого изображения.[0046] In some embodiments,
[0047] В некоторых вариантах реализации устройство 302 ввода может содержать запоминающее устройство и считывающее устройство. Запоминающее устройство выполнено с возможностью хранения цифровых изображений образцов молока в материальном машиночитаемом носителе и, например, может содержать привод CD-ROM или другой оптический носитель, запоминающее устройство USB или другое твердотельное запоминающее устройство или удаленные запоминающие устройства массовой информации, реализованные в одном или более серверов. Считывающее устройство выполнено с возможностью доступа к устройству хранения и получения цифрового изображения пробы молока, хранящейся в указанном устройстве, для передачи в качестве данных цифрового изображения вычислительному устройству 304.[0047] In some implementations,
[0048] Вычислительное устройство 304 содержит: один или более интерфейсов 3042 связи для одного или обоих из принимаемых данных и передаваемых данных вычислительного устройства 304; процессор 3044, который может содержать один или более обрабатывающих блоков, таких как, например, один или более выделенных микропроцессоров, обычных одноядерных или многоядерных компьютерных процессоров (ЦП), соответствующим образом адаптированный графический процессор (ГП) или блок нейронной обработки (НПУ); системную память 3046 и в случае необходимости внутреннее или удаленно доступное запоминающее устройство 3048.[0048] The
[0049] Программный код в настоящем варианте реализации загружают в системную память 3046 для исполнения процессором 3044. Этот программный код может храниться временно или постоянно в системной памяти 3046, может быть сделан доступным для системной памяти 3046 (или непосредственно для процессора 3044) из внутреннего или внешнего запоминающего устройства 3048, если таковое присутствует, или может храниться частично внутри вычислительного устройства 304 и частично вне вычислительного устройства 304. Указанный программный код, хранящийся во внешнем запоминающем устройстве, имеет то преимущество, что переобучение или дополнительное обучение классификатора DLNN, например, классификатора 200 DLNN, показанного на ФИГ. 2, может выполняться централизованно, и та же самая новая модель может быть развернута в одном или более вычислительных устройствах 304 одной или более систем 300 для классификации молока.[0049] The program code in the present embodiment is loaded into
[0050] Программный код содержит инструкции, которые при их исполнении одним или более обрабатывающих модулей процессора 3044 принуждают процессор 3044 реализовывать классификатор DLNN, такой как классификатор 200 DLNN, описанный выше, согласно настоящему изобретению. В частности, в настоящем варианте реализации, когда программный код исполняется одним или более обрабатывающих модулей процессора 3044, вычислительное устройство 304 преобразуется в компьютер специального назначения, выполненный с возможностью решения задач, описанных в настоящем документе в отношении экстрактора 202, входного модуля 204 и выходного модуля 206 классификатора 200 DLNN. Таким образом, данные цифрового изображения, сгенерированные устройством 302 ввода, с соответствующей предварительной обработкой или без нее для получения желаемого формата данных, становятся доступными через интерфейс 3042 связи либо непосредственно для процессора 3044, либо опосредованно для процессора 3044 через системную память 3046; при этом процессор 3044: воздействует на эти данные цифрового изображения с их обработкой посредством реализованного классификатора DLNN для генерирования классификации образца молока на основе входных данных цифрового изображения; и делает созданную классификацию доступной с внешней стороны, в данном случае через интерфейс 3042 связи. Некоторые или все вероятности пробы молока, принадлежащие другим классам, доступным классификатору DLNN, также могут быть доступны с внешней стороны через интерфейс 3042 связи, причем эти другие вероятности также определяются в процессе классификации, реализованном процессором 3044.[0050] The program code contains instructions that, when executed by one or more processing modules of
[0051] Устройство 306 вывода согласно настоящего варианта реализации содержит интерфейс 3062 связи, отображающее устройство 3064 и генератор 3066 сигналов управления. Цифровая информация, доступная с внешней стороны через интерфейс 3042 связи вычислительного устройства 304, (т.е. классификация пробы молока, присутствующая на изображении, полученном устройством 302 ввода, и в случае необходимости вероятности пробы молока, принадлежащие некоторым или всем из классов, доступных для классификатора DLNN, как определено программируемым процессором 3044), принимается устройством 306 вывода через его интерфейс 3062 связи. Генератор 3066 управляющих сигналов принимает цифровую информацию от интерфейса 3062 связи и генерирует сигнал в зависимости от этой информации, как приведено для примера и изображено в настоящем варианте реализации, для управления отображающим устройством 3064 для отображения информации, относящейся к классификации пробы молока, которая была сгенерирована классификатором DLNN, реализованным процессором 3044. Такая отображаемая информация может быть непосредственно самой классификацией (например, альтернативными двоичными классификациями, такими как «ХОРОШИЙ» или «ПЛОХОЙ», «ПОДХОДЯЩИЙ» или «НЕПОДХОДЯЩИЙ») или может быть инструкциями для оператора, управляющего указанной классификацией, (например, командой «УДАЛИТЬ ОБРАЗЕЦ», если указанный образец классифицируется как «ПЛОХОЙ» или «НЕПОДХОДЯЩИЙ»). В некоторых вариантах реализации отображающее устройство 3064 может быть последовательностью световых индикаторов, например, красным световым индикатором для результата классификации «ПЛОХО» и зеленым световым индикатором для результата классификации «ХОРОШО», которые испускают свет по отдельности в зависимости от управляющего сигнала. В некоторых вариантах реализации отображающее устройство 3064 может быть звуковым генератором для звукового отображения результатов классификации.[0051] The
[0052] Дополнительно или альтернативно генератор 3066 управляющего сигнала может быть выполнен с возможностью генерации управляющего сигнала, используемого для управления одним или более внешними устройствами, в зависимости от классификации, сгенерированной вычислительным устройством 304, как описано ниже. В таких вариантах реализации сигнал управления может быть доступен снаружи устройства 306 вывода через интерфейс 3062 связи, а в некоторых вариантах реализации отображающее устройство 3064 не служит полезной цели и может быть опущено.[0052] Additionally or alternatively, the
[0053] Система 300 может быть реализована с использованием стационарных компьютеров, портативных электронных устройств, портативных или мобильных компьютеров, сетевых или серверных компьютеров или мэйнфреймовых компьютеров. Определенные функции описаны как выполняемые одним устройством, но следует понимать, что настоящее изобретение не ограничивается этим, и понятно, что настоящее изобретение также может быть практически реализовано в распределенных вычислительных средах, в которых функции могут быть распределены среди разрозненных, но связанных друг с другом устройств цифровой обработки и запоминающих устройств, которые могут быть локальными или удаленными. Эти устройства обработки и запоминающие устройства могут быть связаны через сеть связи, такую как локальная сеть, глобальная сеть или Интернет.Инструкции, которые должны исполняться подходящим процессором, могут храниться на материальных машиночитаемых носителях, таких как компьютерные диски, предварительно запрограммированные компьютерные микросхемы или съемные твердотельные запоминающие устройства (такие как устройства памяти USB). Дополнительно или альтернативно инструкции могут передаваться по сети и распространяться как сигнал в подходящей среде распространения (например, с использованием электромагнитных или звуковых волн).[0053]
[0054] Передача цифровой информации от устройства 302 ввода к вычислительному устройству 304, от вычислительного устройства 304 к устройству 306 вывода и от внешнего вычислительного устройства 304 к его системной памяти 3046 или его процессору 3044, и вообще любая передача цифровой информации в системе согласно настоящему изобретению может осуществляться посредством фиксированной линии связи, такой как проводная сеть или проводное телекоммуникационное соединение, несущее модулированные сигналы данных, или может осуществляться посредством беспроводной линии связи для передачи одного или более модулированных сигналов данных или несущих волн, таких как радиочастота или инфракрасная оптическая связь.[0054] The transfer of digital information from an
[0055] На ФИГ. 4 показан (не в масштабе) пример анализатора 400 молока согласно настоящему изобретению. Анализатор 400 молока содержит блок 402 анализа молока и систему 404 классификации молока, в рабочем состоянии соединенную с ним. Блок 402 анализа молока включает в себя систему 4022 забора пробы, выполненную с возможностью управления работой перемещаемой пипетки 4024, через которую молоко подается из контейнера для пробы в средство для анализа (не показано) в блоке 402 анализа. Пипетка 4024 выполнена с возможностью перемещения для регулировки высоты ее наконечника 4026 над поверхностью. Следует понимать, что в блоке 402 анализа молока можно использовать любые методы анализа, такие как известные методы инфракрасной спектроскопии или проточной цитометрии.[0055] FIG. 4 shows (not to scale) an example of a
[0056] Система 404 классификации молока выполнена с возможностью: получения изображения молока из контейнера для пробы; создания классификации изображаемого молока с использованием классификатора DLNN, такого как классификатор 200 DLNN, описанный выше со ссылкой на ФИГ. 2, обученного с использованием помеченных изображений молока из классов, в которые изображаемое молоко может быть классифицировано, и реализованной в процессоре системы 404 для классификации молока; и управления подачей молока в блок анализа в зависимости от сгенерированной классификации.[0056] The
[0057] В настоящем варианте реализации анализатор 400 молока расположен относительно транспортирующей системы 406, такой как ленточный транспортер, с возможностью размещения его пипетки 4024 над горизонтальной поверхностью 4062 транспортирующей системы 406, так что пипетка при ее перемещении может входить в контейнеры 408a..d для образца и выходить из контейнеров 408a..d для образца, удерживаемых в штативе 410 для образцов, когда они последовательно проходят под пипеткой 4024 при перемещении транспортирующей системы 406 в направлении стрелки, показанной на чертеже. Контейнеры 408a..d для образцов могут содержать молоко (например, контейнеры 408a, 408b и 408d), однако контейнеры для образцов (например, контейнер 408b) могут содержать недостаточное количество молока для анализа, контейнеры для образцов (например, контейнер 408c) могут быть пустыми, или контейнеры для образцов могут отсутствовать, а штатив 410 имеет свободное место держателя (например, 4102).[0057] In the present embodiment, the
[0058] Только для примера и простоты описания, система 404 классификации молока согласно настоящего варианту реализации описана ниже как содержащая функциональные элементы системы 300 для классификации молока, уже описанные выше со ссылкой на ФИГ. 3. Таким образом, система 404 для классификации молока содержит устройство 302 ввода, вычислительное устройство 304 и устройство 306 вывода.[0058] For example and ease of description only, the
[0059] Устройство 302 ввода в настоящем варианте реализации содержит две цифровые видеокамеры 4042, 4044. Первая цифровая видеокамера 4042 расположена таким образом, что ее поле обзора обращено вертикально вниз, а вторая цифровая видеокамера 4044 расположена таким образом, что ее поле обзора пересекает поле обзора первой цифровой видеокамеры 4042 и является перпендикулярным полю обзора первой камеры 4042, так что изображение любого контейнера 408a..d для образца может быть получено сверху первой цифровой видеокамерой 4042 и сбоку второй цифровой видеокамерой 4044. Преимущество получения изображения сбоку состоит в том, что наличие контейнера 408a..d для образца и в случае необходимости уровень молока в контейнере 408a, b, d для образца могут быть определены в настоящем варианте в настоящем варианте реализации по изображению с использованием классификатора DLNN, реализованного в вычислительном устройстве 302. Изображение, полученное сверху с помощью первой цифровой видеокамеры 4042, обрабатывается в дополнительном классификаторе DLNN, который также реализован в вычислительном устройстве 304 и который обучен с использованием помеченных изображений молока, для осуществления классификации молока, идентифицируя его как подходящее или неподходящее для анализа (т.е. с маловероятной или вероятной закупоркой) в анализаторе 400 молока. Этот дополнительный классификатор DLNN может, например, работать как описано выше в отношении классификатора 200 DLNN, показанного на ФИГ. 2. Две видеокамеры 4042, 4044 согласно настоящему варианту реализации расположены таким образом, что захватывают изображение местоположения перед пипеткой 4024 (в направлении перемещения транспортирующей системы 406) и, таким образом, перед средством для анализа в блоке 402 анализа молока, так что изображение любого контейнера 408a..d для образца на транспортирующей системе 406 захвачено сверху и сбоку перед тем, как он пройдет под пипеткой 4024.[0059] The
[0060] Следует принять во внимание, что могут использоваться другие расположения цифровых камер 4042, 4044, так что контейнеры с пробами можно рассматривать под разными углами, или можно использовать больше или меньше цифровых камер или других обнаружительных устройств, таких как неподвижная фотокамера или ПЗС-матрица (CCD sensor array). ПЗС-матрица может быть заменена видеокамерами 4042, 4044 без отклонения от заявленного изобретения. В настоящем варианте реализации изображения должны быть получены при окружающем свете, но в других вариантах реализации устройство 302 ввода также может включать в себя один или более источников освещения, которые могут включать в себя источники, адаптированные для испускания света в определенных узких спектральных областях, вместе с другими элементами оптического кондиционирования, такими как один или более оптических полосовых фильтров и/или линз.[0060] It should be appreciated that other arrangements of
[0061] Устройство 306 вывода системы для классификации в данном случае содержит контроллер 3066, который генерирует управляющий сигнал в зависимости от результатов двоичной классификации молока, сгенерированной в вычислительном устройстве 304. Управляющий сигнал выводится в систему 4022 отбора пробы, которая выполнена с возможностью работы в зависимости от этого управляющего сигнала для управления отбором пробы молока в блок 402 анализа молока. В настоящем варианте реализации, когда сгенерированная классификация указывает на присутствие неподходящей пробы молока (молока, классифицированного как «ПЛОХОЕ»), генерируемый управляющий сигнал будет интерпретироваться в системе 4022 для отбора пробы как препятствующий подаче любой пробы молока из пипетки 4042 в средство для анализа блока 402 анализа молока.[0061] The
[0062] В некоторых вариантах реализации управляющий сигнал может быть передан за пределы блока 402 анализа молока в сортировочное устройство (не показано), такое как роботизированная рука или дефлектор, для отклонения контейнеров с пробами от следования по пути, указанному стрелкой, действующее в ответ на управляющий сигнал для удаления из транспортирующей системы 406 контейнеров, например, контейнеров 408b, 408c, которые классифицированы как содержащие неподходящий или недостаточный образец молока, и, таким образом, препятствующее подаче неподходящего образца в средство для анализа блока 402 анализа молока.[0062] In some embodiments, a control signal may be transmitted outside the
[0063] В некоторых вариантах реализации, как показано на ФИГ. 4 прерывистой линией, структуры 412, 304', весь классификатор DLNN или его часть может быть реализован или реализована в удаленном вычислительном устройстве 304'. Изображения, захваченные устройством 302 ввода, в данном случае передаются через Интернет 412 в удаленное вычислительное устройство 304'. Удаленное вычислительное устройство 304', как и вычислительное устройство 304, описанное выше, реализует классификатор DLNN для обработки захваченных изображений и выполнения двоичной классификации изображений, которые передаются обратно в качестве входных данных в устройство 306 вывода для использования при построении управляющего сигнала, как обсуждалось выше. Альтернативно удаленное вычислительное устройство 304' также может генерировать управляющий сигнал и передавать его назад в блок 402 анализа молока для использования при управлении захватом пробы молока (например, путем управления секцией 4022 забора пробы или сортировочным устройством).[0063] In some embodiments, as shown in FIG. 4 in broken line,
[0064] На ФИГ. 5a показана часть еще одного варианта реализации анализатора 500 молока. Анализатор 500 молока содержит блок 502 анализа молока (показан только частично), который включает в себя систему 504 отбора пробы. Система 504 отбора пробы содержит держатель 506 контейнера и выполненную с возможностью перемещения пипетку 508, с помощью которой молоко из контейнера для пробы (не показан), размещенного в держателе 506 контейнера, транспортируется в средство для анализа в блоке 502 для анализа молока. Пипетка 508 может перемещаться под управлением системы 504 для забора пробы вдоль оси А с изменением ее высоты над основанием 5062 держателя 506 контейнера и, таким образом, может входить в контакт/выходить из контакта с молоком в контейнере для пробы, размещенном в держателе 506 контейнера.[0064] FIG. 5a shows part of another embodiment of a
[0065] Устройство 510 ввода системы для классификации молока согласно настоящему изобретению, описанное выше со ссылкой на ФИГ. 3, расположено по меньшей мере частично внутри системы 504 для отбора пробы. Устройство 510 ввода в данном случае содержит цифровую фотокамеру 5102, выполненную с возможностью получения изображений сверху контейнера для пробы молока, размещенного в держателе 506 контейнера.[0065] The
[0066] Как обсуждалось выше в связи с анализатором 400 молока, изображенным на ФИГ. 4, данные цифрового изображения, представляющие изображения, полученные устройством 510 ввода, передаются в вычислительное устройство, например, в вычислительное устройство 304, показанное на ФИГ. 3, после чего, как описано выше, один или более блоков обработки процессора (например, процессора 3044 на ФИГ. 3), исполняющего программный код для реализации обученного классификатора DLNN (например, классификатора 200 на ФИГ. 2), обрабатывают данные цифрового изображения для генерирования классификации любого молока на изображении в соответствии с классом набора классов, доступных классификатору DLNN. Устройство вывода (например, устройство 306 вывода на ФИГ. 3) принимает классификацию, сгенерированную вычислительным устройством, и в зависимости от нее генерирует выходной сигнал. Затем выходной сигнал используется в блоке 502 анализа молока, чтобы препятствовать подаче молока в блок 502. В настоящем варианте реализации в дополнение к управляющему сигналу или вместо управляющего сигнала, используемого в системе забора пробы для управления работой пипетки 508 для предотвращения всасывания молока, если управляющий сигнал зависит от классификации, указывающей на отсутствие пробы образца молока (отсутствие контейнера для образца или пустой контейнер для образца, или недостаточно полный контейнер для образца) и/или наличие неподходящей пробы молока («ПЛОХОЕ» молоко), указанный управляющий сигнал используется для включения источника 512 света и/или другого генератора световых или звуковых сигналов, который образует отображающее устройство (например, отображающее устройство 3064 на ФИГ. 3) устройства вывода (например, устройство вывода 306 на ФИГ. 3) системы для классификации молока (например, системы 300 для классификации молока на ФИГ. 3) согласно настоящему изобретению.[0066] As discussed above in connection with the
[0067] На ФИГ. 5b показана часть еще одного варианта реализации анализатора 520 молока. В настоящем варианте реализации система классификации описана со ссылкой на систему 300 для классификации молока, показанную на ФИГ. 3 и описанную выше со ссылкой на этот чертеж.[0067] FIG. 5b shows part of another embodiment of a
[0068] Анализатор 520 молока содержит блок 522 анализа молока (показан только частично), сообщающийся по текучей среде с молоком в магистральном трубопроводе 524 (или в другом источнике сборного молока) через отводной трубопровод 528. Отводной трубопровод 528 соединен (в некоторых вариантах реализации соединен рассоединяемым способом) с внутренним трубопроводом 530 в блоке 522 анализа молока. Источник 532 освещения и обнаруживающая матрица 534 взаимодействуют с образованием части устройства ввода системы классификации согласно настоящему изобретению. Источник освещения может содержать множество отдельных генераторов 5322 света, каждый из которых может излучать свет с одинаковой или различной длиной волны, и каждый из которых может быть активирован для излучения света в любой последовательности, например, индивидуально последовательно или в сочетании, или одновременно, для обеспечения освещения желаемым спектром длин волн. Обнаруживающая матрица 534 в некоторых вариантах реализации может содержать выполненную известным способом матрицу индивидуально адресуемых сенсорных элементов, выходные сигналы которых зависят от интенсивности света, падающего на светочувствительную поверхность, и имеют значение, которое может находиться, например, в диапазоне значений от 0 до 256. Эти значения для отдельных сенсорных элементов передаются для заполнения ячеек входного матричного массива M, имеющего подходящий размер, классификатора DLNN согласно настоящему изобретению (например, классификатора 200 DLNN, показанного на ФИГ. 2), реализованного в вычислительном устройстве (например, вычислительном устройстве 304) системы 300 классификации.[0068] The
[0069] В настоящем варианте реализации источник 532 освещения и обнаруживающая матрица 534 расположены напротив друг друга с противоположных сторон прозрачной секции 5302 внутреннего трубопровода 530, так что обнаруживающая матрица 534 генерирует изображение в проходящем свете молока, находящегося в прозрачной секции 5302.[0069] In the present embodiment, the
[0070] Многоходовой клапан 536 расположен в точке разветвления внутреннего трубопровода 530 и выполнен с обеспечением возможности выбора направления потока молока в трубе 530 либо в первую ветвь 5304, либо во вторую ветвь 5306 внутреннего трубопровода 530. Первая ветвь 5304 может быть подключена к выпуску для отходов (не показан), а вторая ветвь 5306 может быть подключена к средству для анализа (не показано) в блоке 522 анализа молока.[0070] The
[0071] Как и система 300 для классификации молока, вычислительное устройство 304 содержит процессор, имеющий один или несколько блоков обработки, которые исполняют программный код для реализации классификатора DLNN, такого как классификатор 200, показанный на ФИГ. 2 и описанный выше, обученного для выполнения двоичной классификации образцов молока, представленных в данных цифрового изображения, сгенерированных обнаруживающей матрицей 534.[0071] Like
[0072] Выходные данные вычислительного устройства 304, зависящие от классификации, сгенерированной вычислительным устройством 304, передаются в устройство вывода (например, устройство 306 вывода), которое выполнено с возможностью генерации управляющего сигнала в ответ на выход вычислительного устройства 304 для использования в управлении работой многоходового клапана 536. В случае, когда классификация, созданная классификатором DLNN, реализованным в вычислительном устройстве 304, связана с молоком, представленным в данных изображения, непригодным для анализа, многоходовым клапаном 536 управляют в ответ на управляющий сигнал, передаваемый из устройства 306 вывода, для обеспечения потока молока через первую ветвь 5304, а не вторую ветвь 5306. И наоборот, если классификация связана с подходящим молоком, многоходовым клапаном 536 управляют в ответ на управляющий сигнал, передаваемый от устройства 306 вывода, для направления потока молока через вторую ветвь 5306, а не первую ветвь 5304.[0072] The output of
[0073] На ФИГ. 6 показан еще один вариант реализации системы классификации молока согласно настоящему изобретению, например, системы 300 классификации, показанной на ФИГ. 3, реализованной в виде прибора 700 для определения загрязненности сборного молока, например, расположенного на ферме или станции приема молока для сортировки сборного молока. Прибор 700 для определения загрязненности сборного молока содержит: прозрачный столик 702 для захвата изображения; распылительный блок 704; генератор цифровых изображений, в данном случае цифровую камеру (фотокамеру или видеокамеру) 706; источник 708освещения; и вычислительное устройство 710, которое может содержать персональный компьютер, такой как стационарный компьютер или портативный компьютер, или которое может быть выделенным вычислительным устройством или может быть удаленным вычислительным устройством, подключенным через сеть связи.[0073] FIG. 6 shows another embodiment of a milk classification system according to the present invention, such as the
[0074] Распылительный блок 704 содержит набор сопел (в данном случае линейный массив из шести сопел) (например, сопла 7042), предназначенных для распыления молока по ширине (или части ширины) верхней поверхности 7022 прозрачного столика 702 для создания изображения в данном случае в направлении его первого конца 7024. Молоко при распылении на поверхность 7022 перемещается тонким слоем по поверхности 7022 в направлении к второму концу 7026 прозрачного столика 702 для создания изображения, после чего молоко стекает со столика 702 для создания изображения и в настоящем варианте реализации собирается в лотке 712, который в некоторых вариантах реализации сообщается по текучей среде с системой 714 для удаления отходов, а в некоторых вариантах реализации выборочно соединен с системой 714 для удаления отходов или с возвратной линией для возврата молока в лоток 712 для дальнейшего использования. Для способствования перемещению распыленного молока по верхней поверхности 7022 прозрачный столик 702 для создания изображения, как показано на чертеже для настоящего варианта реализации, может быть расположен так, что его верхняя поверхность 7022 проходит под углом к горизонтали. Распылительный блок 704 может быть соединен с источником 718 молока, который в настоящем варианте реализации представляет собой линию подачи сборного молока, через впускное отверстие, в данном случае через клапан 7044 управления потоком.[0074] The
[0075] Цифровая камера 706 расположена на одной стороне прозрачного столика 702 для создания изображения таким образом, что имеет поле обзора, включающее по меньшей мере часть молока, когда оно перемещается тонким слоем по верхней поверхности 7022. Источник 708 освещения расположен на противоположной стороне прозрачного столика 702 для создания изображения для освещения по меньшей мере части молока, находящейся в поле зрения цифровой камеры 706, через нижнюю поверхность 7028 прозрачного столика 702 для создания изображения, расположенную напротив верхней поверхности 7022. Цифровая камера 706 и источник 708 освещения взаимодействуют друг с другом для генерации данных цифрового изображения с помощью цифровой камеры 706, обнаруживающей свет, передаваемый от источника 708 освещения через тонкий слой молока на верхней поверхности 7022 прозрачного столика 702 для создания изображения.[0075] A
[0076] Цифровая камера 706 может быть снабжена интерфейсом связи, в данном случае беспроводным интерфейсом 7062, по которому сгенерированные данные цифрового изображения молока передают в вычислительное устройство 710. Интерфейс связи, в данном случае беспроводной интерфейс 7102, вычислительного устройства 710 принимает данные цифрового изображения молока, сгенерированные цифровой камерой 706, и передает их во внутреннее хранилище 7104 вычислительного устройства, где они остаются доступными для обработки процессором 7106, который может содержать один или более процессоров, таких как центральный процессор (CPU) и/или графический процессор (GPU) вычислительного устройства 710, подходящим образом сконфигурированные для реализации классификатора DLNN согласно настоящему изобретению, обученного классифицировать молоко как принадлежащее к одному из множества классов, например, классификатора 200 DLNN, описанного выше.[0076] The
[0077] В некоторых вариантах реализации этап 702 формирования прозрачного изображения может отсутствовать, а цифровая камера 706 и источник 708 освещения могут быть выполнены с возможностью генерирования изображений в свете, проходящем через молоко в свободном пространстве, например, молоко, которое распыляют в виде завесы из распылительного устройства 704.[0077] In some implementations, the
[0078] Программный код поступает в системную память 7108 вычислительного устройства 710 либо из внутреннего хранилища 7104, либо из внешнего вычислительного устройства 710 через его интерфейс 7102 связи, например, от удаленного сервера/хранилища по сети Интернет.Процессор 7106 исполняет этот программный код и принуждается реализовывать классификатор DLNN, например, классификатор 200 DLNN, для классифицирования молока, представленного во входных данных изображения, хранящихся во внутренней памяти 7104, как ХОРОШЕГО или ПЛОХОГО (или иным образом приемлемого или неприемлемого, или с использованием любой другой бинарной классификации). Аналогично устройству 306 вывода системы 300, устройство 7110 вывода в настоящем варианте реализации содержит генератор 7112 управляющих сигналов и адаптер 7114 отображающего устройства, причем оба из указанных устройств выполнены с возможностью генерации управляющих сигналов в зависимости от классификации, сгенерированной классификатором DLNN, например классификатором 200 DLNN, реализованным в процессоре 7106. Генератор 7112 управляющего сигнала выполнен с возможностью генерации управляющего сигнала для управления внешним устройством. В настоящем варианте реализации генератор управляющего сигнала соединен с интерфейсом 7102 беспроводной связи для передачи управляющего сигнала, например, запорному клапану 720, который регулирует поток молока, протекающий в магистральном трубопроводе 718 для сборного молока. Адаптер 7114 отображающего устройства выполнен с возможностью генерации сигнала управления отображением, чтобы заставить блок 7116 визуального отображения вычислительного устройства отображать метку 7118 в ответ на классификацию, которая была сгенерирована классификатором DLNN.[0078] The program code enters the
[0079] Например, в случае, когда классификатор DLNN, реализованный процессором 7106, классифицирует молоко в данных цифрового изображения молока как непригодное (например, испорченное), генератор 7112 управляющего сигнала может вырабатывать сигнал управления для закрытия запорного клапана 720, чтобы предотвратить протекание молока в линии 718 (например, в контейнер для хранения или на транспортер), в то время как адаптер отображающего устройства автоматически генерирует одно или более сообщений на основе указанной классификации, например, предупреждающую метку 7118 (например, СТОП (HALT или STOPPED), которая отображается на блоке 7116 визуального отображения и может служить предупреждением пользователю о нежелательном состоянии отображаемого молока.[0079] For example, in the case where the DLNN classifier implemented by the
[0080] Следует принимать во внимание, что в то время как аспекты настоящего изобретения могли быть описаны выше в общем контексте машиноисполняемых инструкций, таких как процедуры, выполняемые устройством обработки данных общего назначения, например персональным компьютером, специалистам в данной области техники понятно, что настоящее изобретение может быть реализовано с использованием других средств связи, средств для обработки данных или компьютерных систем, включая: беспроводные устройства, многопроцессорные системы, сетевые ПК, мини-компьютеры, мэйнфреймы и т.п.[0080] It should be appreciated that while aspects of the present invention may have been described above in the general context of computer-executable instructions, such as procedures performed by a general purpose data processing device such as a personal computer, those skilled in the art will appreciate that the present The invention may be implemented using other communications, data processing, or computer systems, including: wireless devices, multiprocessor systems, networked PCs, minicomputers, mainframes, and the like.
[0081] Несмотря на то, что аспекты настоящего изобретения, такие как определенные функции, описаны как выполняемые исключительно в одном устройстве или блоке, настоящее изобретение также может быть реализовано на практике в распределенных средах, в которых функциональные возможности разделены между разными устройствами обработки и распределены между несколькими устройствами или блоками. Разрозненные процессоры, блоки и устройства могут быть связаны через сеть связи, такую как локальная сеть (LAN), глобальная сеть (WAN) или сеть Интернет, или они могут иметь проводную связь.[0081] Although aspects of the present invention, such as certain functions, are described as being performed exclusively in a single device or unit, the present invention may also be practiced in distributed environments where functionality is partitioned among different processing devices and distributed between multiple devices or units. The disparate processors, units, and devices may be connected via a communications network, such as a local area network (LAN), wide area network (WAN), or the Internet, or they may be wired.
[0082] Программный код для реализации классификатора DLNN согласно настоящему изобретению может храниться или распространяться материальными машиночитаемыми носителями, включая магнитные или оптические компьютерочитаемые диски, жестко смонтированные или предварительно запрограммированные микросхемы (например, полупроводниковые микросхемы EEPROM), запоминающие устройства, изготовленные с использованием нанотехнологий, биологические запоминающие устройства или другой носитель данных. Альтернативно программный код и другие данные, относящиеся к изобретению, могут быть распределены через Интернет или другие сети (включая беспроводные сети) в распространяемом сигнале в среде распространения, такой как электромагнитная волна.[0082] The software code for implementing the DLNN classifier of the present invention may be stored or distributed on tangible computer-readable media, including magnetic or optical computer-readable disks, hard-wired or preprogrammed microcircuits (e.g., EEPROM semiconductor chips), nanotechnology-based memory devices, biological storage devices or other storage media. Alternatively, the program code and other data related to the invention may be distributed over the Internet or other networks (including wireless networks) in a propagated signal in a propagation medium such as an electromagnetic wave.
[0083] Модули, блоки и устройства, составляющие варианты реализации настоящего изобретения, в некоторых случаях могут быть интегрированными, а в других случаях некоторые или все и з них могут быть соединены между собой отдельными модулями, блоками и устройствами.[0083] The modules, blocks, and devices that make up the embodiments of the present invention may, in some cases, be integrated, and in other cases, some or all of them may be interconnected by separate modules, blocks, and devices.
Claims (5)
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DKPA201800836 | 2018-11-07 |
Publications (2)
Publication Number | Publication Date |
---|---|
RU2021105196A RU2021105196A (en) | 2022-12-07 |
RU2794708C2 true RU2794708C2 (en) | 2023-04-24 |
Family
ID=
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8639043B2 (en) * | 2005-01-27 | 2014-01-28 | Cambridge Research & Instrumentation, Inc. | Classifying image features |
RU2543948C2 (en) * | 2008-12-03 | 2015-03-10 | Делаваль Холдинг Аб | Device and method of determining quantitative indicator of body condition of animals |
CN105021736A (en) * | 2015-08-04 | 2015-11-04 | 内蒙古农业大学 | Authenticity identifying method and system for raw milk or liquid milk |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8639043B2 (en) * | 2005-01-27 | 2014-01-28 | Cambridge Research & Instrumentation, Inc. | Classifying image features |
RU2543948C2 (en) * | 2008-12-03 | 2015-03-10 | Делаваль Холдинг Аб | Device and method of determining quantitative indicator of body condition of animals |
CN105021736A (en) * | 2015-08-04 | 2015-11-04 | 内蒙古农业大学 | Authenticity identifying method and system for raw milk or liquid milk |
Non-Patent Citations (1)
Title |
---|
EP 1892043 A2. A.G DA CRUZ. et al. "Monitoring the authenticity of low-fat yogurts by artificial neural network", JOURNAL OD DAIRY SCIENCE vol 92, No. 10, 01.10.2009 на страницах 4797-4804, с. 4797, левая колонка строки 10-14, с. 4803 Раздел "Conclusion", строки 5-8, с. 4803 левая колонка раздел "Artificial Neural Modeling", левая колонка строки 5-9, правая колонка строки 1-5. * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102579783B1 (en) | Vision inspection system by using remote learning of product defects image | |
Bargoti et al. | Deep fruit detection in orchards | |
JP6870826B2 (en) | Methods and devices configured to quantify samples from lateral multi-viewpoints | |
CN109550712B (en) | Chemical fiber filament tail fiber appearance defect detection system and method | |
US11313869B2 (en) | Methods and apparatus for determining label count during specimen characterization | |
CN109724984B (en) | Defect detection and identification device and method based on deep learning algorithm | |
US10929716B2 (en) | System and method for label-free identification and classification of biological samples | |
JP7324757B2 (en) | Method and Apparatus for Biofluid Specimen Characterization Using Reduced-Training Neural Networks | |
CN110261391A (en) | A kind of LED chip appearance detection system and method | |
JP2020042756A (en) | Digital quality control using computer visioning with deep learning | |
JP7379478B2 (en) | Milk analyzer for classifying milk | |
CN112257506A (en) | Fruit and vegetable size identification method and device, electronic equipment and computer readable medium | |
Al-Saad et al. | Autonomous palm tree detection from remote sensing images-uae dataset | |
RU2794708C2 (en) | Milk analyser for milk classification | |
US20230152781A1 (en) | Manufacturing intelligence service system connected to mes in smart factory | |
KR20230122916A (en) | Method and apparatus for generating a deep learning model to detect defects on the surface of a three-dimensional product | |
JP7177917B2 (en) | Visualization analyzer and visual learning method | |
Han et al. | Real-time inspection of multi-sided surface defects based on panet model | |
CN112069841A (en) | Novel X-ray contraband parcel tracking method and device | |
CN113642473A (en) | Mining coal machine state identification method based on computer vision | |
KR102704880B1 (en) | System for inspecting product defects by type based on a deep learning model | |
Jang et al. | A defect inspection method for machine vision using defect probability image with deep convolutional neural network | |
CN114585443B (en) | Apparatus and method for training diagnostic analyzer model | |
JP3539581B2 (en) | Particle image analysis method | |
Georgiou et al. | Computer Vision-based Detection and Tracking in the Olive Sorting Pipeline |