CN108090517A - 一种谷物识别方法、装置和计算机存储介质 - Google Patents
一种谷物识别方法、装置和计算机存储介质 Download PDFInfo
- Publication number
- CN108090517A CN108090517A CN201711473662.0A CN201711473662A CN108090517A CN 108090517 A CN108090517 A CN 108090517A CN 201711473662 A CN201711473662 A CN 201711473662A CN 108090517 A CN108090517 A CN 108090517A
- Authority
- CN
- China
- Prior art keywords
- image data
- data
- image
- feature
- cereal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种谷物识别方法、装置和计算机存储介质。所述方法包括:获得包括待识别谷物的第一图像数据;基于所述第一图像数据和第一识别模型获得第一识别结果,所述第一识别结果表征所述待识别谷物所属品种;基于所述第一识别结果确定烹饪参数,以使烹饪设备基于所述烹饪参数对所述待识别谷物进行烹饪。
Description
技术领域
本发明涉及图像识别技术,具体涉及一种谷物识别方法、装置和计算机存储介质。
背景技术
智能家电的出现给人们的日常生活带来的极大的便利。如电饭煲,用户仅需要选择烹饪模式,便可根据所选择的烹饪模式对应的烹饪时间自动进行烹饪。然而,对于米种的选择方式,电饭煲的模式交互方式仅包括无米种选择模式和手动选择米种交互方式,若用户并不了解米种的情况下,只有无米种选择模式可供选择。如果提出一种能够自动识别米种的电饭煲,进而基于米种确定烹饪参数,这样会给用户提供更加便利的交互方式,提升用户的体验。然而,现有技术中,目前尚无有效解决方案。
发明内容
为解决现有存在的技术问题,本发明实施例提供一种谷物识别方法、装置和计算机存储介质。
为达到上述目的,本发明实施例的技术方案是这样实现的:
本发明实施例提供了一种谷物识别方法,所述方法包括:
获得包括待识别谷物的第一图像数据;
基于所述第一图像数据和第一识别模型获得第一识别结果,所述第一识别结果表征所述待识别谷物所属品种;
基于所述第一识别结果确定烹饪参数,以使烹饪设备基于所述烹饪参数对所述待识别谷物进行烹饪。
上述方案中,所述方法还包括:
获得多个第二图像信息;所述第二图像信息包括第二图像数据和对应的标签数据;所述标签数据表征谷物所属品种;
对所述第二图像数据进行特征增强处理,获得所述第二图像数据对应的特征增强图像数据;
对所述第二图像数据对应的特征增强图像数据进行数据增强处理,获得数据增强图像数据;
基于所述数据增强图像数据和对应的标签数据进行学习训练,获得第一识别模型。
上述方案中,所述对所述第二图像数据进行特征增强处理之前,所述方法还包括:
识别所述第二图像数据的亮度,基于所述亮度对所述第二图像数据进行裁剪,获得第二图像子数据;所述第二图像子数据的亮度差异满足预设条件;
相应的,所述对所述第二图像数据进行特征增强处理,包括:对所述第二图像子数据进行特征增强处理。
上述方案中,所述对所述第二图像数据进行特征增强处理,获得特征增强图像数据,包括:
将所述第二图像数据转换为灰度图像,对所述灰度图像数据进行边缘检测,获得边缘检测图像数据;
基于所述第二图像数据和所述边缘检测图像数据获得所述第二图像数据对应的特征增强图像数据。
上述方案中,所述对所述第二图像数据对应的特征增强图像数据进行数据增强处理,获得数据增强图像数据,包括:
对所述第二图像数据对应的特征增强图像数据进行翻转和/或旋转,获得与所述特征增强图像数据对应的翻转图像数据和/或旋转图像数据,基于所述翻转图像数据和/或旋转图像数据生成数据增强图像数据。
上述方案中,所述方法还包括:对所述第一图像数据进行特征增强处理,获得所述第一图像数据对应的特征增强图像数据;
相应的,所述基于所述第一图像数据和第一识别模型获得第一识别结果,包括:基于所述第一图像数据对应的特征增强图像数据和第一识别模型获得第一识别结果。
上述方案中,所述对所述第一图像数据进行特征增强处理之前,所述方法还包括:
识别所述第一图像数据的亮度,基于所述亮度对所述第一图像数据进行裁剪,获得第一图像子数据;所述第一图像子数据的亮度差异满足预设条件;
相应的,所述对所述第一图像数据进行特征增强处理,包括:对所述第一图像子数据进行特征增强处理。
本发明实施例还提供了一种谷物识别装置,所述装置包括:
存储有能够在处理器上运行的计算机程序的存储器;
所述处理器,用于运行所述计算机程序时,执行:获得包括待识别谷物的第一图像数据;基于所述第一图像数据和第一识别模型获得第一识别结果,所述第一识别结果表征所述待识别谷物所属品种;基于所述第一识别结果确定烹饪参数,以使烹饪设备基于所述烹饪参数对所述待识别谷物进行烹饪。
上述方案中,所述处理器,还用于运行所述计算机程序时,执行:获得多个第二图像信息;所述第二图像信息包括第二图像数据和对应的标签数据;所述标签数据表征谷物所属类型;对所述第二图像数据进行特征增强处理,获得所述第二图像数据对应的特征增强图像数据;对所述第二图像数据对应的特征增强图像数据进行数据增强处理,获得数据增强图像数据;基于所述数据增强图像数据和对应的标签数据进行学习训练,获得第一识别模型。
上述方案中,所述处理器,还用于运行所述计算机程序时,执行:识别所述第二图像数据的亮度,基于所述亮度对所述第二图像数据进行裁剪,获得第二图像子数据;所述第二图像子数据的亮度差异满足预设条件;对所述第二图像子数据进行特征增强处理,获得所述第二图像数据对应的特征增强图像数据。
上述方案中,所述处理器,用于运行所述计算机程序时,执行:将所述第二图像数据转换为灰度图像,对所述灰度图像数据进行边缘检测,获得边缘检测图像数据;基于所述第二图像数据和所述边缘检测图像数据获得所述第二图像数据对应的特征增强图像数据。
上述方案中,所述处理器,用于运行所述计算机程序时,执行:对所述第二图像数据对应的特征增强图像数据进行翻转和/或旋转,获得与所述特征增强图像数据对应的翻转图像数据和/或旋转图像数据,基于所述翻转图像数据和/或旋转图像数据生成数据增强图像数据。
上述方案中,所述处理器,用于运行所述计算机程序时,执行:对所述第一图像数据进行特征增强处理,获得所述第一图像数据对应的特征增强图像数据;基于所述第一图像数据对应的特征增强图像数据和第一识别模型获得第一识别结果。
上述方案中,所述处理器,用于运行所述计算机程序时,执行:识别所述第一图像数据的亮度,基于所述亮度对所述第一图像数据进行裁剪,获得第一图像子数据;所述第一图像子数据的亮度差异满足预设条件;对所述第一图像子数据进行特征增强处理,获得所述第一图像数据对应的特征增强图像数据。
本发明实施例还提供了一种计算机存储介质,其上存储有计算机指令,该指令被处理器执行时实现本发明实施例所述方法的步骤。
本发明实施例提供的谷物识别方法、装置和计算机存储介质,所述方法包括:获得包括待识别谷物的第一图像数据;基于所述第一图像数据和第一识别模型获得第一识别结果,所述第一识别结果表征所述待识别谷物所属品种;基于所述第一识别结果确定烹饪参数,以使烹饪设备基于所述烹饪参数对所述待识别谷物进行烹饪。采用本发明实施例的技术方案,通过图像识别方式可自动识别谷物的品种,尤其例如大米等品种较多的谷物的烹饪场景下,在用户并不了解谷物的品种时,可自动基于图像识别分类手段确定谷物的品种,从而基于该品种确定烹饪参数,给用户的烹饪过程提供了便利,大大提升了用户的操作体验。
附图说明
图1为本发明实施例的谷物识别方法的流程示意图;
图2a和图2b分别为本发明实施例的谷物识别方法中的谷物类型示意图;
图3为本发明实施例的谷物识别方法中的识别模型训练的一种流程示意图;
图4为本发明实施例的谷物识别方法中的识别模型训练的另一种流程示意图;
图5a和图5b分别为本发明实施例的谷物识别方法中的识别模型训练的第一种应用示意图;
图6a至图6b分别为本发明实施例为本发明实施例的谷物识别方法中的识别模型训练的第二种应用示意图;
图7a至图7h分别为本发明实施例的谷物识别方法中的识别模型训练的第三种应用示意图;
图8为本发明实施例的谷物识别装置的组成结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
本发明实施例提供了一种谷物识别方法。图1为本发明实施例的谷物识别方法的流程示意图;如图1所示,所述方法包括:
步骤101:获得包括待识别谷物的第一图像数据。
步骤102:基于所述第一图像数据和第一识别模型获得第一识别结果,所述第一识别结果表征所述待识别谷物所属品种。
步骤103:基于所述第一识别结果确定烹饪参数,以使烹饪设备基于所述烹饪参数对所述待识别谷物进行烹饪。
本发明实施例的谷物识别方法可应用于设备中;作为第一种实施方式,该设备可以是厨房设备,厨房设备设置有图像采集组件(如摄像头),通过图像采集组件采集图像数据,对采集的图像数据进行分析识别,确定待识别谷物所属品种;作为第二种实施方式,设备可以是厨房设备,该厨房设备不具有图像采集功能,厨房设备可与具有图像采集组件的另一设备通信,通过另一设备的图像采集组件采集图像数据,厨房设备通过与所述另一设备的通信链路获得所述另一设备采集的图像数据;作为第三种实施方式,设备可以是电子设备,该电子设备可以是移动设备,例如手机、平板电脑等设备,通过电子设备采集图像数据,对采集的图像数据进行分析识别,确定待识别谷物所属品种,进一步基于待识别谷物的品种确定烹饪参数,将烹饪参数发送给厨房设备。其中,所述第一图像数据中包括待识别的谷物,所述待识别的谷物例如大米。实际应用中,厨房设备可以是电饭煲、电压力锅等厨房加热设备。
作为一种实施方式,设备具有烹饪(例如煮饭)功能,即用于对容置于设备中的谷物进行加热。实际应用中,以谷物为大米为例,大米的类型和品种有多样。图2a和图2b分别为本发明实施例的谷物识别方法中的谷物类型示意图;如图2a所示,从类型上区分,大米可分为粳米和籼米,例如,五常大米和盘锦大米属于粳米,遮放大米和丝苗米属于籼米,即使处于不同类型的大米外形也高度相似。如图2b所示,四种大米均为籼米,不同品种的籼米高度相似。第二方面,由于加工工艺的不同,可能会出现同一品种不同品牌的大米外形不完全一致的情况。第三方面,碎米/断米容易引起误判,比如籼米比较长,但是如果大量的籼米是断米的话,形态上就和粳米比较接近了。基于此,用户很难通过谷物的外形识别谷物的品种。本发明实施例的设备通过针对谷物的图像采集对谷物的品种进行识别。在本发明以下各实施例中,均以谷物为大米为例进行说明。
本发明实施例中,设备预先通过学习训练方法获得第一识别模型,则在一实施例中,图3为本发明实施例的谷物识别方法中的识别模型训练的一种流程示意图;如图3所示,所述谷物识别方法还包括:
步骤201:获得多个第二图像信息;所述第二图像信息包括第二图像数据和对应的标签数据;所述标签数据表征谷物所属品种。
步骤202:对所述第二图像数据进行特征增强处理,获得所述第二图像数据对应的特征增强图像数据。
步骤203:对所述第二图像数据对应的特征增强图像数据进行数据增强处理,获得数据增强图像数据。
步骤204:基于所述数据增强图像数据和对应的标签数据进行学习训练,获得第一识别模型。
本实施例中,获得多个用于第一识别模型训练的第二图像信息,所述第二图像信息包括第二图像数据和对应的标签数据,所述标签数据表征谷物所属品种。
实际应用中,考虑到采集图像数据时光源对图像数据的影响,如图4所示,在对第二图像数据进行特征增强处理之前,所述方法还可以包括:
步骤202a:识别所述第二图像数据的亮度,基于所述亮度对所述第二图像数据进行裁剪,获得第二图像子数据;所述第二图像子数据的亮度差异满足预设条件。
则对第二图像数据进行特征增强处理具体包括:
步骤202b:对所述第二图像子数据进行特征增强处理,获得特征增强图像数据。
本实施例具体可参照图5a和图5b所示。如图5a所示,第二图像数据中的左侧光照较强烈,不适合将完整的第二图像数据作为训练数据。区别于其他的物体识别任务将整张图像数据拉伸裁剪为正方向的方法会导致图像发生形变,则本发明实施例中,通过识别所述第二图像数据的亮度,基于像素点之间的亮度差异对第二图像数据进行裁剪,获得第二图像数据中的亮度差异满足预设条件的第二图像子数据。如图5b所示,由于第二图像数据中的左侧光照较强烈,可裁剪去除亮度较大的左侧区域,获得亮度差异较小的右侧正方形区域。实际应用中,训练识别模型采用的图像数据可统一区域大小,则可基于设定的该区域大小对第二图像数据进行裁剪,使得裁剪后获得的第二图像子数据的亮度差异最小。则本实施例中,所述第二图像子数据的亮度差异满足预设条件具体可以为:在满足设定的区域大小的情况下,所述第二图像子数据的亮度差异最小。
本发明实施例中,由于大米的图像数据的色彩空间较为特殊,使得获得的第二图像数据几乎没有彩色信息,即使将第二图像数据转换为灰度图像后,大米的形态特征也不是很明显,分类效果不佳,基于此,本发明实施例中对第二图像数据进行特征增强处理。
基于此,本发明实施例中,作为一种实施方式,所述对所述第二图像数据进行特征增强处理,获得特征增强图像数据,包括:将所述第二图像数据转换为灰度图像,对所述灰度图像数据进行边缘检测,获得边缘检测图像数据;基于所述第二图像数据和所述边缘检测图像数据获得所述第二图像数据对应的特征增强图像数据。
这里,对第二图像数据进行边缘检测,获得所述第二图像数据中的边缘特征,可以理解,边缘表明一个特征区域的终结和另一特征区域的开始,边缘所分开区域的内部特征或属性是一致的,而不同的区域内部特征或属性是不同的;边缘检测获得的边缘检测图像数据反映所述第二图像数据中的谷物的边缘特征,如图6a所示,通过边缘检测获得的边缘检测图像数据,获得第二图像数据中谷物的边缘特征。其中,采用的边缘检测算法包括但不限于以下算法的至少之一:Roberts边缘检测算法,索贝尔(Sobel)边缘检测算法,Prewitt边缘检测算法,Canny边缘检测算法,Laplacian边缘检测算法,Log边缘检测算法以及二阶方向导数等算子检测法。进一步地,基于所述第二图像数据和所述边缘检测图像数据,具体是将所述第二图像数据和所述边缘检测图像数据进行叠加,将叠加后的图像数据作为所述第二图像数据的特征增强图像数据,叠加后的图像数据可如图6b所示,通过边缘检测,能够更好的获得谷物的轮廓信息,使不同米粒之间的区别更加明显,可以反映出不同米粒的透光程度。
考虑到米粒过于相似,非常容易出现过拟合的问题,因此本发明实施例中需要通过翻转和/或旋转的方式扩充训练集。则本实施例中,所述对所述第二图像数据对应的特征增强图像数据进行数据增强处理,获得数据增强图像数据,包括:对所述第二图像数据对应的特征增强图像数据进行翻转和/或旋转,获得与所述特征增强图像数据对应的翻转图像数据和/或旋转图像数据,基于所述翻转图像数据和/或旋转图像数据生成数据增强图像数据。其中,对特征增强图像数据进行旋转,旋转的角度可为第一预设角度,所述第一预设角度为以下角度的其中之一:90度、180度、270度;对特征增强图像数据进行翻转,翻转后的特征增强图像数据进一步进行旋转,旋转的角度可为第二预设角度,所述第二预设角度为以下角度的其中之一:90度、180度、270度。可以理解,作为第一种实施方式,本发明实施例中可将特征增强图像数据按照所述第一预设角度进行旋转,将所述特征增强图像数据和旋转后的特征增强图像数据作为模型训练的训练集图像。作为第二种实施方式,本发明实施例中还可将特征增强图像数据翻转后,翻转后的特征增强图像数据按照所述第二预设角度进行旋转,将所述特征增强图像数据、翻转后的特征增强图像数据以及翻转后且旋转的特征增强图像数据作为模型训练的训练集图像。作为第三种实施方式,可结合上述第一种实施方式和第二种实施方式,将特征增强图像数据,旋转后的特征增强图像数据、翻转后的特征增强图像数据以及翻转后且旋转的特征增强图像数据作为模型训练的训练集图像。
图7a至图7h分别为本发明实施例的谷物识别方法中的识别模型训练的第三种应用示意图;如图7a所示,为特征增强图像数据,图7b至图7d分别为将图7a旋转90度、180度、270度后获得的旋转的特征增强图像数据;图7e为将图7a左右翻转的特征增强图像数据;图7f至图7h分别为将图7e旋转90度、180度、270度后获得的翻转后旋转的特征增强图像数据。这样可将一个图像数据扩充为8个图像数据,在不增加数据采集量的情况下,大幅度的增加高质量的训练集。同时也考虑到在真实使用的环境下,可能会面对的不同环境的影响,比如光照影响。为了更好的处理光照的影响,提高模型的泛化能力,将训练集的图像数据进行了不同程度的光照处理。
本发明实施例中,基于所述数据增强图像数据和对应的标签数据进行学习训练,获得第一识别模型。本实施例中,采用卷积神经网络结构对所述数据增强图像数据和对应的标签数据进行学习训练,具体将所述数据增强图像数据作为卷积神经网络模型的输入,将标签数据作为卷积神经网络模型的输出,通过随机梯度下降方法进行学习训练,获得第一识别模型。
其中,所述卷积神经网络结构可采用以下网络结构的其中之一:AlexNet、VGGNet、GoogleNet和ResNet。采用卷积神经网络结构用于谷物的识别,可以准确识别出高相似度、细颗粒度的谷物的品种,提升了识别的准确度。
本发明实施例中,在基于所述第一图像数据和第一识别模型获得第一识别结果之前,对所述第一图像数据进行预处理,作为一种实施方式,对所述第一图像数据进行预处理方式包括:对所述第一图像数据进行特征增强处理,获得所述第一图像数据对应的特征增强图像数据。作为另一种实施方式,对所述第一图像数据进行预处理方式包括:识别所述第一图像数据的亮度,基于所述亮度对所述第一图像数据进行裁剪,获得第一图像子数据;所述第一图像子数据的亮度差异满足预设条件;对所述第一图像子数据进行特征增强处理,获得所述第一图像数据对应的特征增强图像数据。相应的,所述基于所述第一图像数据和第一识别模型获得第一识别结果,包括:基于所述第一图像数据对应的特征增强图像数据和第一识别模型获得第一识别结果。其中,对所述第一图像数据进行裁剪以及特征增强处理方式可参照第二图像数据的裁剪以及特征增强处理方式,这里不再赘述。
可以理解,将所述第一图像数据对应的特征增强图像数据输入第一识别模型,获得第一识别结果;所述第一识别结果可包括所述第一图像数据包括的谷物所属品种。
实际应用中,输出的识别结果可包括标签以及对应的概率;其中,当输出第一识别结果时,所述第一识别结果包括品种标签以及对应的概率。当谷物为大米时,可以理解,输出的第一识别结果可以是泰国香米,以及对应的概率89%,阜新大米,以及对应的概率11%,则可基于第一识别结果确定大米的品种为粳泰国香米。
本发明实施例中,基于所述第一识别结果选择所述待识别谷物所属品种对应的烹饪参数,以使烹饪设备基于所述烹饪参数对所述待识别谷物进行烹饪。
其中,所述烹饪参数包括烹饪曲线参数。作为一种实施方式,所述烹饪曲线参数可通过以时间为横坐标,以加热温度为纵坐标的曲线表示,该烹饪曲线参数表示待识别谷物在加热过程中,在任一时间点采用的加热温度。在其他实施方式,烹饪曲线参数中还可包括压力参数,即烹饪曲线参数表示待识别谷物在加热过程中,在任一时间点采用的加热温度和/或压力值。
其中,所述烹饪参数还可包括添加的水量。实际应用中,在对谷物进行烹饪过程中,通常需要一定的水才能烹饪谷物。而现有技术中,水量通常由用户基于经验添加,或者基于谷物的数量按照一定的比例添加数量。而不同品种的谷物,想要烹饪后获得最佳的口味,添加的水量也是不同的。基于此,本发明实施例中确定的烹饪参数还可包括与待识别谷物所属品种对应的水量,从而基于该水量自动添加水,或者输出一提示信息,使用户基于该提示信息添加数量。其中,该提示信息可以是水的容积,例如xx升,用户可通过度量容器获得xx升的水,将度量好的水添加至烹饪设备中。该提示信息可以通过烹饪设备的侧壁上显示的提示位置实现,用户可将水添加至该提示位置处。
采用本发明实施例的技术方案,通过图像识别方式可自动识别谷物的品种,尤其例如大米等品种较多的谷物的烹饪场景下,在用户并不了解谷物的品种时,可自动基于图像识别分类手段确定谷物的品种,从而基于该品种确定烹饪参数,给用户的烹饪过程提供了便利,大大提升了用户的操作体验。
本发明实施例还提供了一种谷物识别装置。图8为本发明实施例的谷物识别装置的组成结构示意图,如图8所示,所述装置包括:存储有能够在处理器31上运行的计算机程序的存储器32;所述处理器31,用于运行所述计算机程序时,执行:获得包括待识别谷物的第一图像数据;基于所述第一图像数据和第一识别模型获得第一识别结果,所述第一识别结果表征所述待识别谷物所属品种;基于所述第一识别结果确定烹饪参数,以使烹饪设备基于所述烹饪参数对所述待识别谷物进行烹饪。
在一实施例中,所述处理器31,还用于运行所述计算机程序时,执行:获得多个第二图像信息;所述第二图像信息包括第二图像数据和对应的标签数据;所述标签数据表征谷物所属类型;对所述第二图像数据进行特征增强处理,获得所述第二图像数据对应的特征增强图像数据;对所述第二图像数据对应的特征增强图像数据进行数据增强处理,获得数据增强图像数据;基于所述数据增强图像数据和对应的标签数据进行学习训练,获得第一识别模型。
在一实施例中,所述处理器31,还用于运行所述计算机程序时,执行:识别所述第二图像数据的亮度,基于所述亮度对所述第二图像数据进行裁剪,获得第二图像子数据;所述第二图像子数据的亮度差异满足预设条件;对所述第二图像子数据进行特征增强处理,获得所述第二图像数据对应的特征增强图像数据。
在一实施例中,所述处理器31,用于运行所述计算机程序时,执行:将所述第二图像数据转换为灰度图像,对所述灰度图像数据进行边缘检测,获得边缘检测图像数据;基于所述第二图像数据和所述边缘检测图像数据获得所述第二图像数据对应的特征增强图像数据。
在一实施例中,所述处理器31,用于运行所述计算机程序时,执行:对所述第二图像数据对应的特征增强图像数据进行翻转和/或旋转,获得与所述特征增强图像数据对应的翻转图像数据和/或旋转图像数据,基于所述翻转图像数据和/或旋转图像数据生成数据增强图像数据。
在一实施例中,所述处理器31,用于运行所述计算机程序时,执行:对所述第一图像数据进行特征增强处理,获得所述第一图像数据对应的特征增强图像数据;基于所述第一图像数据对应的特征增强图像数据和第一识别模型获得第一识别结果。
在一实施例中,所述处理器31,用于运行所述计算机程序时,执行:所述处理器,用于运行所述计算机程序时,执行:识别所述第一图像数据的亮度,基于所述亮度对所述第一图像数据进行裁剪,获得第一图像子数据;所述第一图像子数据的亮度差异满足预设条件;对所述第一图像子数据进行特征增强处理,获得所述第一图像数据对应的特征增强图像数据。
需要说明的是:上述实施例提供的谷物识别装置在进行谷物识别时,仅以上述各程序模块的划分进行举例说明,实际应用中,可以根据需要而将上述处理分配由不同的程序模块完成,即将装置的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分处理。另外,上述实施例提供的谷物识别装置与谷物识别方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
可以理解,装置还包括总线***33,装置中的各个组件通过总线***33耦合在一起。可理解,总线***33用于实现这些组件之间的连接通信。总线***33除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图8中将各种总线都标为总线***33。
可以理解,存储器32可以是易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM,Read Only Memory)、可编程只读存储器(PROM,Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM,Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM,Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM,ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM,Compact Disc Read-Only Memory);磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM,Random AccessMemory),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(SRAM,Static Random Access Memory)、同步静态随机存取存储器(SSRAM,Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM,Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM,SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM,Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM,Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM,SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM,Direct Rambus Random Access Memory)。本发明实施例描述的存储器32旨在包括但不限于这些和任意其它适合类型的存储器。
上述本发明实施例揭示的方法可以应用于处理器31中,或者由处理器31实现。处理器31可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器31中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器31可以是通用处理器、数字信号处理器(DSP,Digital Signal Processor),或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器31可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤,可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中,该存储介质位于存储器32,处理器31读取存储器32中的信息,结合其硬件完成前述方法的步骤。
在示例性实施例中,谷物识别装置可以被一个或多个应用专用集成电路(ASIC,Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD,ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD,Complex Programmable Logic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU,Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现,用于执行前述方法。
在示例性实施例中,本发明实施例还提供了一种计算机存储介质,例如包括计算机程序的存储器32,上述计算机程序可由谷物识别装置的处理器31执行,以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。
本发明实施例提供了一种计算机存储介质,其上存储有计算机指令,该指令被处理器执行时实现:获得包括待识别谷物的第一图像数据;基于所述第一图像数据和第一识别模型获得第一识别结果,所述第一识别结果表征所述待识别谷物所属品种;基于所述第一识别结果确定烹饪参数,以使烹饪设备基于所述烹饪参数对所述待识别谷物进行烹饪。
在一实施例中,该指令被处理器执行时实现:获得多个第二图像信息;所述第二图像信息包括第二图像数据和对应的标签数据;所述标签数据表征谷物所属类型;对所述第二图像数据进行特征增强处理,获得所述第二图像数据对应的特征增强图像数据;对所述第二图像数据对应的特征增强图像数据进行数据增强处理,获得数据增强图像数据;基于所述数据增强图像数据和对应的标签数据进行学习训练,获得第一识别模型。
在一实施例中,该指令被处理器执行时实现:识别所述第二图像数据的亮度,基于所述亮度对所述第二图像数据进行裁剪,获得第二图像子数据;所述第二图像子数据的亮度差异满足预设条件;对所述第二图像子数据进行特征增强处理,获得所述第二图像数据对应的特征增强图像数据。
在一实施例中,该指令被处理器执行时实现:将所述第二图像数据转换为灰度图像,对所述灰度图像数据进行边缘检测,获得边缘检测图像数据;基于所述第二图像数据和所述边缘检测图像数据获得所述第二图像数据对应的特征增强图像数据。
在一实施例中,该指令被处理器执行时实现:对所述第二图像数据对应的特征增强图像数据进行翻转和/或旋转,获得与所述特征增强图像数据对应的翻转图像数据和/或旋转图像数据,基于所述翻转图像数据和/或旋转图像数据生成数据增强图像数据。
在一实施例中,该指令被处理器执行时实现:对所述第一图像数据进行特征增强处理,获得所述第一图像数据对应的特征增强图像数据;基于所述第一图像数据对应的特征增强图像数据和第一识别模型获得第一识别结果。
在一实施例中,该指令被处理器执行时实现:识别所述第一图像数据的亮度,基于所述亮度对所述第一图像数据进行裁剪,获得第一图像子数据;所述第一图像子数据的亮度差异满足预设条件;对所述第一图像子数据进行特征增强处理,获得所述第一图像数据对应的特征增强图像数据。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (15)
1.一种谷物识别方法,其特征在于,所述方法包括:
获得包括待识别谷物的第一图像数据;
基于所述第一图像数据和第一识别模型获得第一识别结果,所述第一识别结果表征所述待识别谷物所属品种;
基于所述第一识别结果确定烹饪参数,以使烹饪设备基于所述烹饪参数对所述待识别谷物进行烹饪。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获得多个第二图像信息;所述第二图像信息包括第二图像数据和对应的标签数据;所述标签数据表征谷物所属品种;
对所述第二图像数据进行特征增强处理,获得所述第二图像数据对应的特征增强图像数据;
对所述第二图像数据对应的特征增强图像数据进行数据增强处理,获得数据增强图像数据;
基于所述数据增强图像数据和对应的标签数据进行学习训练,获得第一识别模型。
3.根据权利要求2所述的方法,其特征在于,所述对所述第二图像数据进行特征增强处理之前,所述方法还包括:
识别所述第二图像数据的亮度,基于所述亮度对所述第二图像数据进行裁剪,获得第二图像子数据;所述第二图像子数据的亮度差异满足预设条件;
相应的,所述对所述第二图像数据进行特征增强处理,包括:对所述第二图像子数据进行特征增强处理。
4.根据权利要求2或3所述的方法,其特征在于,所述对所述第二图像数据进行特征增强处理,获得特征增强图像数据,包括:
将所述第二图像数据转换为灰度图像,对所述灰度图像数据进行边缘检测,获得边缘检测图像数据;
基于所述第二图像数据和所述边缘检测图像数据获得所述第二图像数据对应的特征增强图像数据。
5.根据权利要求2或3所述的方法,其特征在于,所述对所述第二图像数据对应的特征增强图像数据进行数据增强处理,获得数据增强图像数据,包括:
对所述第二图像数据对应的特征增强图像数据进行翻转和/或旋转,获得与所述特征增强图像数据对应的翻转图像数据和/或旋转图像数据,基于所述翻转图像数据和/或旋转图像数据生成数据增强图像数据。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:对所述第一图像数据进行特征增强处理,获得所述第一图像数据对应的特征增强图像数据;
相应的,所述基于所述第一图像数据和第一识别模型获得第一识别结果,包括:基于所述第一图像数据对应的特征增强图像数据和第一识别模型获得第一识别结果。
7.根据权利要求6所述的方法,其特征在于,所述对所述第一图像数据进行特征增强处理之前,所述方法还包括:
识别所述第一图像数据的亮度,基于所述亮度对所述第一图像数据进行裁剪,获得第一图像子数据;所述第一图像子数据的亮度差异满足预设条件;
相应的,所述对所述第一图像数据进行特征增强处理,包括:对所述第一图像子数据进行特征增强处理。
8.一种谷物识别装置,其特征在于,所述装置包括:
存储有能够在处理器上运行的计算机程序的存储器;
所述处理器,用于运行所述计算机程序时,执行:获得包括待识别谷物的第一图像数据;基于所述第一图像数据和第一识别模型获得第一识别结果,所述第一识别结果表征所述待识别谷物所属品种;基于所述第一识别结果确定烹饪参数,以使烹饪设备基于所述烹饪参数对所述待识别谷物进行烹饪。
9.根据权利要求8所述的装置,其特征在于,所述处理器,还用于运行所述计算机程序时,执行:获得多个第二图像信息;所述第二图像信息包括第二图像数据和对应的标签数据;所述标签数据表征谷物所属类型;对所述第二图像数据进行特征增强处理,获得所述第二图像数据对应的特征增强图像数据;对所述第二图像数据对应的特征增强图像数据进行数据增强处理,获得数据增强图像数据;基于所述数据增强图像数据和对应的标签数据进行学习训练,获得第一识别模型。
10.根据权利要求9所述的装置,其特征在于,所述处理器,还用于运行所述计算机程序时,执行:识别所述第二图像数据的亮度,基于所述亮度对所述第二图像数据进行裁剪,获得第二图像子数据;所述第二图像子数据的亮度差异满足预设条件;对所述第二图像子数据进行特征增强处理,获得所述第二图像数据对应的特征增强图像数据。
11.根据权利要求9或10所述的装置,其特征在于,所述处理器,用于运行所述计算机程序时,执行:将所述第二图像数据转换为灰度图像,对所述灰度图像数据进行边缘检测,获得边缘检测图像数据;基于所述第二图像数据和所述边缘检测图像数据获得所述第二图像数据对应的特征增强图像数据。
12.根据权利要求9或10所述的装置,其特征在于,所述处理器,用于运行所述计算机程序时,执行:对所述第二图像数据对应的特征增强图像数据进行翻转和/或旋转,获得与所述特征增强图像数据对应的翻转图像数据和/或旋转图像数据,基于所述翻转图像数据和/或旋转图像数据生成数据增强图像数据。
13.根据权利要求8所述的装置,其特征在于,所述处理器,用于运行所述计算机程序时,执行:对所述第一图像数据进行特征增强处理,获得所述第一图像数据对应的特征增强图像数据;基于所述第一图像数据对应的特征增强图像数据和第一识别模型获得第一识别结果。
14.根据权利要求13所述的装置,其特征在于,所述处理器,用于运行所述计算机程序时,执行:识别所述第一图像数据的亮度,基于所述亮度对所述第一图像数据进行裁剪,获得第一图像子数据;所述第一图像子数据的亮度差异满足预设条件;对所述第一图像子数据进行特征增强处理,获得所述第一图像数据对应的特征增强图像数据。
15.一种计算机存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711473662.0A CN108090517A (zh) | 2017-12-29 | 2017-12-29 | 一种谷物识别方法、装置和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711473662.0A CN108090517A (zh) | 2017-12-29 | 2017-12-29 | 一种谷物识别方法、装置和计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108090517A true CN108090517A (zh) | 2018-05-29 |
Family
ID=62179978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711473662.0A Pending CN108090517A (zh) | 2017-12-29 | 2017-12-29 | 一种谷物识别方法、装置和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090517A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874552A (zh) * | 2018-09-03 | 2020-03-10 | 佛山市顺德区美的电热电器制造有限公司 | 一种信息处理方法、装置和计算机存储介质 |
CN111435541A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 获取米粒的垩白度的方法、装置和烹饪器具 |
CN111435426A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 基于米粒识别结果确定烹饪模式的方法、装置和烹饪器具 |
CN111434291A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 确定谷物的烹饪模式的方法、装置和烹饪器具 |
CN111435455A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 图片的处理方法和装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101701916A (zh) * | 2009-12-01 | 2010-05-05 | 中国农业大学 | 一种玉米品种快速鉴定、鉴别方法 |
CN104517122A (zh) * | 2014-12-12 | 2015-04-15 | 浙江大学 | 一种基于优化卷积架构的图像目标识别方法 |
CN204883766U (zh) * | 2015-07-01 | 2015-12-16 | 佛山市顺德区美的电热电器制造有限公司 | 烹饪设备 |
CN105335716A (zh) * | 2015-10-29 | 2016-02-17 | 北京工业大学 | 一种基于改进udn提取联合特征的行人检测方法 |
CN106154888A (zh) * | 2016-08-31 | 2016-11-23 | 广东格兰仕集团有限公司 | 一种基于图像识别的电饭煲控制方法 |
CN106980827A (zh) * | 2017-03-16 | 2017-07-25 | 天津大学 | 一种基于航拍图像的识别输电线路中鸟巢的方法 |
CN107133943A (zh) * | 2017-04-26 | 2017-09-05 | 贵州电网有限责任公司输电运行检修分公司 | 一种防震锤缺陷检测的视觉检测方法 |
CN107145846A (zh) * | 2017-04-26 | 2017-09-08 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
CN107480725A (zh) * | 2017-08-23 | 2017-12-15 | 京东方科技集团股份有限公司 | 基于深度学习的图像识别方法、装置和计算机设备 |
-
2017
- 2017-12-29 CN CN201711473662.0A patent/CN108090517A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101701916A (zh) * | 2009-12-01 | 2010-05-05 | 中国农业大学 | 一种玉米品种快速鉴定、鉴别方法 |
CN104517122A (zh) * | 2014-12-12 | 2015-04-15 | 浙江大学 | 一种基于优化卷积架构的图像目标识别方法 |
CN204883766U (zh) * | 2015-07-01 | 2015-12-16 | 佛山市顺德区美的电热电器制造有限公司 | 烹饪设备 |
CN105335716A (zh) * | 2015-10-29 | 2016-02-17 | 北京工业大学 | 一种基于改进udn提取联合特征的行人检测方法 |
CN106154888A (zh) * | 2016-08-31 | 2016-11-23 | 广东格兰仕集团有限公司 | 一种基于图像识别的电饭煲控制方法 |
CN106980827A (zh) * | 2017-03-16 | 2017-07-25 | 天津大学 | 一种基于航拍图像的识别输电线路中鸟巢的方法 |
CN107133943A (zh) * | 2017-04-26 | 2017-09-05 | 贵州电网有限责任公司输电运行检修分公司 | 一种防震锤缺陷检测的视觉检测方法 |
CN107145846A (zh) * | 2017-04-26 | 2017-09-08 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
CN107480725A (zh) * | 2017-08-23 | 2017-12-15 | 京东方科技集团股份有限公司 | 基于深度学习的图像识别方法、装置和计算机设备 |
Non-Patent Citations (4)
Title |
---|
XIAO CHEN 等: "Combining discriminant analysis and neural networks for corn variety identification", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 * |
楚敏南: "基于卷积神经网络的图像分类技术研究", 《中国优秀硕士学位论文全文数据库》 * |
牟洪波 等: "《基于BP和RBF神经网络的木材缺陷检测研究》", 31 May 2011, 哈尔滨工业大学出版社 * |
钱德强: "基于图像分类的谷物识别***", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874552A (zh) * | 2018-09-03 | 2020-03-10 | 佛山市顺德区美的电热电器制造有限公司 | 一种信息处理方法、装置和计算机存储介质 |
CN111435541A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 获取米粒的垩白度的方法、装置和烹饪器具 |
CN111435426A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 基于米粒识别结果确定烹饪模式的方法、装置和烹饪器具 |
CN111434291A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 确定谷物的烹饪模式的方法、装置和烹饪器具 |
CN111435455A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 图片的处理方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108767A (zh) | 一种谷物识别方法、装置和计算机存储介质 | |
CN108090518A (zh) | 一种谷物识别方法、装置和计算机存储介质 | |
CN108090517A (zh) | 一种谷物识别方法、装置和计算机存储介质 | |
EP3685235B1 (en) | Food preparation method and system based on ingredient recognition | |
CN110378420A (zh) | 一种图像检测方法、装置及计算机可读存储介质 | |
CN108229379A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
WO2019206209A1 (zh) | 基于机器学习的眼底图像检测方法、装置及*** | |
WO2019206208A1 (zh) | 基于机器学习的眼底图像检测方法、装置及*** | |
CN110009556A (zh) | 图像背景虚化方法、装置、存储介质及电子设备 | |
CN107808120A (zh) | 眼镜定位方法、装置及存储介质 | |
CN107943449A (zh) | 一种基于面部表情识别的智能音响*** | |
CN108766529A (zh) | 一种智能食谱推荐方法及*** | |
CN106096932A (zh) | 基于餐具形状的菜品自动识别***的计价方法 | |
Yu et al. | An object-based visual attention model for robotic applications | |
CN109697719A (zh) | 一种图像质量评估方法、装置及计算机可读存储介质 | |
CN109635669B (zh) | 图像分类方法、装置及分类模型的训练方法、装置 | |
CN111080493B (zh) | 一种菜品信息识别方法、装置及菜品自助结算*** | |
CN108647671A (zh) | 一种光学标识视觉识别方法及基于该方法的无人售货柜 | |
CN109522775A (zh) | 人脸属性检测方法、装置及电子设备 | |
CN105389581A (zh) | 一种胚芽米胚芽完整度智能识别***及其识别方法 | |
CN107885090A (zh) | 对锅具内的食物图像拍摄环境调节装置与方法 | |
WO2019238130A1 (zh) | 谷物评估方法、装置和存储介质 | |
KR102333500B1 (ko) | 곡물 인식 방법, 장치 및 컴퓨터 판독 가능 저장 매체 | |
Ekatpure et al. | Red lesion detection in digital fundus image affected by diabetic retinopathy | |
CN110490844A (zh) | 一种电磁治疗仪罐印的识别方法、***、装置及治疗仪 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180529 |
|
RJ01 | Rejection of invention patent application after publication |