CN108647675A - 一种鸡蛋类型鉴别方法及装置 - Google Patents

一种鸡蛋类型鉴别方法及装置 Download PDF

Info

Publication number
CN108647675A
CN108647675A CN201810444505.5A CN201810444505A CN108647675A CN 108647675 A CN108647675 A CN 108647675A CN 201810444505 A CN201810444505 A CN 201810444505A CN 108647675 A CN108647675 A CN 108647675A
Authority
CN
China
Prior art keywords
egg
spectrum
model
picture
default
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810444505.5A
Other languages
English (en)
Inventor
李宏宇
李雪峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongan Information Technology Service Co Ltd
Original Assignee
Zhongan Information Technology Service Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhongan Information Technology Service Co Ltd filed Critical Zhongan Information Technology Service Co Ltd
Priority to CN201810444505.5A priority Critical patent/CN108647675A/zh
Publication of CN108647675A publication Critical patent/CN108647675A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种鸡蛋类型鉴别方法及装置，属于深度学习以及高光谱成像技术领域。所述方法包括：通过高光谱成像技术采集鸡蛋的光谱图像；对所述光谱图像进行预处理；利用预设鸡蛋类型鉴别模型获得鸡蛋类型鉴别结果。本发明能够快速实现鸡蛋光谱图像的采集、处理以及鉴别结果的整个过程，可以满足普通大众消费者对于市场上鸡蛋类型鉴别的需要，从而解决现有技术中悬而未决的快速鉴别鸡蛋类型的技术问题，并且该方法具有较强的生活实用性，可以进行大范围的推广和应用。

Description

一种鸡蛋类型鉴别方法及装置
技术领域
本发明涉及深度学习以及高光谱成像技术领域，特别涉及一种鸡蛋类型鉴别方法及装置。
背景技术
鸡蛋作为家庭最常用的食品，其质量越来越受到关注。目前市场上的售卖鸡蛋品种繁多，有土鸡蛋、山鸡蛋、草鸡蛋、柴鸡蛋、洋鸡蛋、混蛋、红心蛋等等，让人应接不暇，根本无法判断鸡蛋质量。事实上，这些鸡蛋大致可以分为两大类：土鸡蛋和饲料蛋，山鸡蛋、草鸡蛋、柴鸡蛋这些虽有细微差别，但都属于土鸡蛋类型，都是自然环境下散养鸡生的蛋；洋鸡蛋，混蛋，红心蛋等都属于饲料蛋，在养殖过程中主要以喂饲料为主。
尽管其营养成分与饲料蛋几乎没有区别，但是土鸡蛋在市场上更受消费者喜爱，市场价格更高。这也因此导致市场上出现很多假冒伪劣的土鸡蛋，比如，红心蛋就是通过在喂养饲料中添加了色素燃料，人为制造出红色蛋黄来冒充土鸡蛋。对于普通消费者来讲，通过肉眼鉴别这些鸡蛋的真伪或质量已经不太可能，急需一种简便易行的方法能帮助消费者快速鉴别鸡蛋类型。
专利CN201710155034.1公开了一种基于光纤光谱的土鸡蛋或洋鸡蛋品种检测装置及其方法，通过可调光源、光纤探测仪、光谱仪和计算机等进行鸡蛋品种的检测，这种方法是比较传统且适于生产线大批量检测，显然不适于存在普通消费者场景下的快速鉴别；并且现有技术中类似这样的检测方法，一般通过光谱仪以个别点的形式采集光谱数据，无论是在可操作性上还是效率上，都不能满足普通消费者对于市面鸡蛋类别快速鉴别的迫切需求。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种鸡蛋类型鉴别方法及装置。所述技术方案如下：
第一方面，一种鸡蛋类型鉴别方法，包括：通过高光谱成像技术采集鸡蛋的光谱图像；对所述光谱图像进行预处理；利用预设鸡蛋类型鉴别模型获得鸡蛋类型鉴别结果。
结合第一方面，在第一种可能的实现方式中，通过高光谱成像技术采集鸡蛋的光谱图像，包括：
通过高光谱成像技术沿鸡蛋的赤道和/或两极方向采集多幅光谱图像。
结合第一方面的第一种可能实现方式，在第二种可能实现方式中，通过高光谱成像技术采集鸡蛋的光谱图像，包括：
在波长400-1000nm之间至少100个波段的条件下，以鸡蛋赤道方向的横切圆周间隔预定角度采集多幅光谱图像，并在鸡蛋的两极方向分别采集一幅光谱图像。
结合第一方面，在第三种可能的实现方式中，对所述光谱图像进行预处理，包括：
对所述光谱图像分别截取鸡蛋目标区域，在所述目标区域的中心附近随机选取预定数量的目标点，取所述目标点对应的光谱消除噪音。
结合第一方面的第三种可能实现方式，在第四种可能实现方式中，通过用户交互方式、聚类或图像分割算法进行鸡蛋目标区域截取，利用平滑、多元散射校正和/或标准归一化方法消除噪音。
结合第一方面以及第一方面的第一至二种的任一种可能实现方式，在第五至七种可能实现方式中，在利用预设鸡蛋类型鉴别模型获得鸡蛋类型鉴别结果之前，所述方法还包括：
训练得到所述预设鸡蛋类型鉴别模型。
结合第一方面的第五至七种的任一种可能实现方式，在第八至十种可能实现方式中，训练得到所述预设鸡蛋类型鉴别模型，包括：
通过高光谱成像技术采集鸡蛋样品的光谱图像；
对所述鸡蛋样品的光谱图像进行预处理；
利用预定深度置信网络进行训练，获得所述预设鸡蛋类型鉴别模型。
结合第一方面的第八至十种的任一种可能实现方式，在第十一至十三种可能实现方式中，通过高光谱成像技术采集鸡蛋样品的光谱图像的步骤，在通过高光谱成像技术采集鸡蛋的光谱图像步骤中完成，或者，单独完成。
结合第一方面的第八至十种的任一种可能实现方式，在第十四至十六种可能实现方式中，对所述光谱图像进行预处理的步骤，在对所述光谱图像进行预处理步骤中完成，或者，单独完成。
结合第一方面的第八至十六种的任一种可能实现方式，在第十七至二十五种可能实现方式中，利用预定深度置信网络进行训练，获得所述预设鸡蛋类型鉴别模型，包括：
所述预定深度置信网络由1个一维卷积层和P个受限玻尔兹曼机组成，一维卷积层包含S个1*K的一维卷积和池化组成，卷积层输出的数据作为受限玻尔兹曼机的输入，受限玻尔兹曼机内部结构包含一个可见层和一个隐含层，训练过程中，充分训练上一层的受限玻尔兹曼机后训练当前层的受限玻尔兹曼机，直至最后一层，最后得到预设鸡蛋类型鉴别模型M，其中，P≥3，S≥4，K≥5。
第二方面，提供了一种鸡蛋类型鉴别装置，包括：
光谱图像采集模块，用于通过高光谱成像技术采集鸡蛋的光谱图像；
预处理模块，用于对所述光谱图像进行预处理；
鉴别结果获取模块，用于利用预设鸡蛋类型鉴别模型获得鸡蛋类型鉴别结果。
结合第二方面，在第二方面的第一种可能的实现方式，所述光谱图像采集模块用于：
通过高光谱成像技术沿鸡蛋的赤道和/或两极方向采集多幅光谱图像。
结合第二方面的第一种可能实现方式，在第二种可能的实现方式中，所述光谱图像采集模块用于：
在波长400-1000nm之间至少100个波段的条件下，以鸡蛋赤道方向的横切圆周间隔预定角度采集多幅光谱图像，并在鸡蛋的两极方向分别采集一幅光谱图像。
结合第二方面，在第三种可能实现方式中，所述预处理模块用于：
对所述光谱图像分别截取鸡蛋目标区域，在所述目标区域的中心附近随机选取预定数量的目标点，取所述目标点对应的光谱消除噪音。
结合第二方面的第三种可能实现方式，在第四种可能实现方式中，所述预处理模块通过用户交互方式、聚类或图像分割算法进行鸡蛋目标区域截取，利用平滑、多元散射校正和/或标准归一化方法消除噪音。
结合第二方面，在第五种可能实现方式中，所述装置还包括：
模型训练模块，用于训练得到所述预设鸡蛋类型鉴别模型。
结合第二方面的第五种可能实现方式，在第六种可能实现方式中，所述模型训练模块用于：
利用预定深度置信网络进行训练，获得所述预设鸡蛋类型鉴别模型。
结合第二方面的第六种可能实现方式，在第七种可能实现方式中，
所述预定深度置信网络由1个一维卷积层和P个受限玻尔兹曼机组成，一维卷积层包含S个1*K的一维卷积和池化组成，卷积层输出的数据作为受限玻尔兹曼机的输入，受限玻尔兹曼机内部结构包含一个可见层和一个隐含层，训练过程中，充分训练上一层的受限玻尔兹曼机后训练当前层的受限玻尔兹曼机，直至最后一层，最后得到预设鸡蛋类型鉴别模型M，其中，P、S、K均为大于0的整数。
本发明实施例提供的技术方案带来的有益效果是：
综上所述，本发明实施例提供的鸡蛋类型鉴别方法及装置，相对于现有技术具有以下有益效果：
1、通过高光谱成像技术便捷地采集鸡蛋的光谱图像，只需要通过便捷地采集鸡蛋的高光谱图像然后进行鉴别、输出鉴别结果，就能快速鉴别鸡蛋类型；
2、利用光源的漫透射光谱进行判断，不会对鸡蛋的品质和结构造成任何影响，具有无损鉴别的优点；
3、本发明实施例利用的鉴别模型是通过深度神经网络学习得到，对外界环境鲁棒性较高，即使在复杂环境下，依然具有很好的鉴别能力；
4、本发明实施例提供的鸡蛋类别鉴别方法及装置，鉴别过程操作简单，具有较强的实用性，可以进行大范围的推广和应用。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例1提供的鸡蛋类型鉴别方法流程图；
图2实施光谱图像采集步骤的设置方式示例图；
图3是鉴别过程中类型判断程序的流程示意图；
图4是本发明实施例2提供的鸡蛋类型鉴别方法流程图；
图5是本发明实施例3提供的鸡蛋类型鉴别方法流程示意图；
图6是本发明实施例4提供的鸡蛋类型鉴别装置结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供的鸡蛋类型鉴别方法及装置，通过高光谱成像技术便捷地采集鸡蛋的光谱图像，经过对光谱图像的预处理，利用预先训练好的鸡蛋类型鉴别模型进行计算，从而获取鸡蛋类型鉴别结果，输出结果，上述的高光谱成像技术，比较典型的，可以采用基于微机电***的Fabry－Perot干涉仪设计的光谱相机模块和简单的光源装置，对应的高光谱数据将传输到内置的鉴别模型中进行鸡蛋类型判断，就可便捷的采集得到待鉴别鸡蛋的高光谱图像，其潜在原理是利用光的透射性对鸡蛋内部组成成分进行分析，由于不同类型鸡蛋内部化学成分不同，其吸收光谱也会发生不同程度的变化。因此，客户能够通过集成或装载了上述光谱相机模块的终端，快速实现鸡蛋光谱图像的采集、处理以及鉴别结果的整个过程，这样就可以满足普通大众消费者对于市场上鸡蛋类型鉴别的需要，从而解决现有技术中悬而未决的快速鉴别鸡蛋类型的技术问题，并且该方法具有较强的生活实用性，可以进行大范围的推广和应用。
下面结合具体实施例及附图，对本发明实施例提供的鸡蛋类型鉴别方法及装置作进一步说明。
实施例1
图1是本发明实施例1提供的鸡蛋类型鉴别方法流程图，如图1所示，本发明实施例提供的鸡蛋类型鉴别方法，包括以下步骤：
101、通过高光谱成像技术采集鸡蛋的光谱图像。
具体的，通过高光谱成像技术沿鸡蛋的赤道和/或两极方向采集多幅光谱图像。进一步优选地，在波长400-1000nm之间至少100个波段的条件下，以鸡蛋赤道方向的横切圆周间隔预定角度采集多幅光谱图像，并在鸡蛋的两极方向分别采集一幅光谱图像。这里的鸡蛋为待鉴别的鸡蛋。
示例性地，这里的高光谱成像技术，具体可采用基于微机电***的Fabry－Perot干涉仪设计实现的光谱采集模块(例如市面上Unispectral公司的光谱相机模块)，进行鸡蛋高光谱图像的采集工作，这种光谱采集模块主要具有体积小、重量轻、功耗低、可靠性高，而且易于集成等优点，采集光谱区间包括可见光和部分短波近红外光，光谱波长范围一般在400-1000nm之间，并且其一般会集成在如手机终端的装置中，尤其使用集成或装载有上述光谱采集模块的手机终端，能够实现本发明实施例鸡蛋类型鉴别方案中的快捷采集光谱图像步骤。
图2实施光谱图像采集步骤的设置方式示例图。
具体实施该采集步骤的方式如下：
如图2所示，将透射光源1和包含光谱采集模块21的终端或光谱相机2，分别置于待鉴别鸡蛋3的两端，光源1紧贴鸡蛋3放置，采集位置可选择沿鸡蛋3的赤道方向和鸡蛋3的两极方向，具体地，以鸡蛋3赤道方向的横切圆周间隔预定角度采集多幅光谱图像，并在鸡蛋3的两极方向分别采集一幅光谱图像，光谱相机2拍摄到的是经过鸡蛋内部组分吸收后的光线。预定角度优选地为90°，光源1可采用具有较高穿透力的红色激光，图像分辨率不小于500*500，在波长400-1000nm之间至少100个波段。波长400-1000nm之间至少100个波段一般就能满足需要，如果波长范围选择较小的话，波段数量也可以选择较小的范围，当然对于图像分别率、波长、波段数量的具体参数范围选择，可以根据实践中的具体情况进行选取实施，本发明实施例不对其加以特别限制。
102、对光谱图像进行预处理。
具体的，对光谱图像分别截取鸡蛋目标区域，在目标区域的中心附近随机选取预定数量的目标点，取目标点对应的光谱消除噪音。进一步优选地，通过用户交互方式、聚类或图像分割算法进行鸡蛋目标区域截取，利用平滑、多元散射校正和/或标准归一化方法消除噪音。
示例性地，对采集到的光谱图像分别截取鸡蛋区域，截取方式可以是用户交互方式，也可以用聚类或图像分割算法自动实现。优选地，采用在Lab颜色空间中进行Kmeans聚类的方式，把鸡蛋区域和背景区域分别聚成两类，形成二值化分割结果，中心类的区域中心作为鸡蛋的目标区域中心。因为鸡蛋外壳颜色比较稳定，采用聚类方式可以更简单有效地提取鸡蛋区域，避免人工交互。在截取的鸡蛋目标区域中心附近随机选择N个点，取其对应的光谱消除噪声。优选地，N的取值不小于300。由于利用深度神经网络进行特征学***滑、多元散射校正或标准归一化或者其中两两结合的方法，以消除光强衰减、鸡蛋中杂质的散射等引起的噪声，提高信噪比。优选地，采用光谱平滑方法消除噪声，平滑采用对连续区域内的5个点计算平均值的方式。平滑方法可以消除单个波段下异常，一般情况下，连续5个波段下的影响足够平滑光谱曲线，太多会让光谱曲线丢失细节信息，太少无法达到平滑目的。具体到进行类型测试鉴别时，在经过上述图像预处理后和进行鉴别之前，在鸡蛋目标区域中心附近随机选择T个测试点，将测试点的光谱作为鸡蛋的特征光谱，进行后续类型判别的输入，优选地，设定T＝99。由于测试数量太少可能会出现结果不稳定可靠现象，太多会消耗更多的计算资源，因此通常T取值为99是一个很好的折中，能保证结果稳定可靠且计算响应很快。
需要说明的是，对于在截取区域过程以及消除噪音过程，采用上述处理方法实施的具体方式，本发明实施例不对其加以特别限制。
103、利用预设鸡蛋类型鉴别模型获得鸡蛋类型鉴别结果。
具体的，这里的预设鸡蛋类型鉴别模型，可以采用现有技术中任何可能的鸡蛋类型鉴别模型为实施本方案所用，而优选地，可以采用本发明实施例提供的模型训练方法训练得到预设鸡蛋类型鉴别模型。因此，在利用预设鸡蛋类型鉴别模型获得鸡蛋类型鉴别结果之前，还包括训练得到预设鸡蛋类型鉴别模型的步骤。
具体的，训练得到预设鸡蛋类型鉴别模型包括以下步骤：
通过高光谱成像技术采集鸡蛋样品的光谱图像；
对样品光谱图像进行预处理；
利用预定深度置信网络进行训练，获得预设鸡蛋类型鉴别模型。
其中，通过高光谱成像技术采集鸡蛋样品的光谱图像的步骤，可以在上述101步骤中一起完成，同样都是鸡蛋光谱图像的采集，只不过采集针对的鸡蛋对象具有待鉴别鸡蛋与用于训练的鸡蛋样品之分，或者，这一步骤也可以以一个独立的步骤单独完成，这一独立步骤既可以在实施上述101步骤通过高光谱成像技术采集鸡蛋的光谱图像之后，紧接着实施，也可以在102步骤完成之后、103步骤之前的鉴别类型模型训练过程中相应时间节点完成。上述通过高光谱成像技术采集鸡蛋样品的光谱图像的具体实施过程与上述101步骤实施过程相同，详见对101步骤的描述文字，在此不再赘述。
另外，优选地，通过高光谱成像技术采集鸡蛋样品的光谱图像这一步骤在实施之前，还包括鸡蛋样品准备步骤，具体地实施方式可以为：
收集N1只土鸡蛋和N2只饲料蛋组成训练集用来训练模型。选择生产时间在30天以内的鸡蛋，将鸡蛋的表面清理干净，采集数据前，将鸡蛋放置在恒温环境下一段时间。
对样品光谱图像进行预处理的步骤，可以在上述102步骤中一起完成，或者，以一个独立的步骤单独完成，这一独立步骤既可以在实施上述步骤102对光谱图像进行预处理之后，紧接着实施，也可以在102步骤完成之后、103步骤之前的鉴别类型模型训练过程中相应时间节点完成。上述对样品光谱图像进行预处理的具体实施过程与上述102步骤实施过程相同，详见对102步骤的描述文字，在此不再赘述。
利用预定深度置信网络进行训练，获得预设鸡蛋类型鉴别模型，该步骤实施过程可以采用如下方式：
其中预定深度置信网络由1个一维卷积层和P个受限玻尔兹曼机(RBM)组成，一维卷积层包含S个1*K的一维卷积和池化组成，卷积层输出的数据作为RBM的输入，RBM内部结构包含一个可见层和一个隐含层，训练过程中，充分训练上一层的RBM后训练当前层的RBM，直至最后一层，最后得到预设鸡蛋类型鉴别模型M，其中，P、S、K均为大于0的整数，优选地，P≥3，S≥4，K≥5。这样能够保证深度网络能充分学习到光谱数据中潜在的关键特征。
通过上述训练过程训练完毕后，对预设鸡蛋类型鉴别模型M进行存储，将该模型与其相应的鉴别程序共同保存，以便在类型判断时调用。
然后，利用上述训练好的预设鸡蛋类型鉴别模型进行鉴别，获得鸡蛋类型鉴别结果。
具体的，根据训练建立的模型对未知样品进行类型判别分析，将经过上述预处理的待鉴别鸡蛋光谱数据输入到训练阶段保存的鸡蛋类型鉴别模型M中，通过模型预测得到光谱数据类型的判断，该幅图像对应的类型由其包含的光谱数据类型决定，如果多数光谱数据被认定为土鸡蛋类型，则该幅图像中的鸡蛋则被认为是土鸡蛋，否则被认为是饲料蛋。图3是鉴别过程中类型判断程序的流程示意图，如图3所示，预处理后的T个光谱数据，分别输入到模型M中，判断是否是土鸡蛋，假定T个光谱数据判断结果中有np个土鸡蛋类型光谱数据(即np为土鸡蛋光谱数目)，nn个饲料蛋类型光谱数据(即nn为土鸡蛋光谱数目)，T＝np+nn，那么如果np>nn就认为该鸡蛋是土鸡蛋，否则认为是饲料蛋。通过这种方式处理，可以避免由于外界噪声干扰而产生判断误差，使模型具有更好的鲁棒性。
针对每幅光谱图像分别给出类型鉴别结果，即土鸡蛋或者饲料蛋。上述类型判断过程完成之后，将鉴别结果输出。结果输出可以为JSON格式，由对象键值对组成，(“imageName”:“xxxx”(例如，“newrawfile20180403165909”),“eggType”:“free_range/feed”)，这组数据可以被用于其它程序调用，展示结果。
实施例2
图4是本发明实施例2提供的鸡蛋类型鉴别方法流程图，如图4所示，本发明实施例提供的鸡蛋类型鉴别方法，包括以下步骤：
201、通过高光谱成像技术采集鸡蛋的光谱图像，其中鸡蛋包括用于训练的鸡蛋样品和待鉴别鸡蛋。
在采集之前，准备好待鉴别的鸡蛋，并进行鸡蛋样品准备：
选择生产时间在30天以内的鸡蛋，将鸡蛋的表面清理干净，采集数据前，将鸡蛋放置在恒温环境下一段时间。
这里的高光谱成像技术，具体可采用基于微机电***的Fabry－Perot干涉仪设计实现的光谱采集模块(例如市面上Unispectral公司的光谱相机模块)，进行鸡蛋高光谱图像的采集工作，这种光谱采集模块主要具有体积小、重量轻、功耗低、可靠性高，而且易于集成等优点，采集光谱区间包括可见光和部分短波近红外光，光谱波长范围一般在400-1000nm之间，并且其一般会集成在如手机终端的装置中，尤其使用集成或装载有上述光谱采集模块的手机终端，能够实现本发明实施例鸡蛋类型鉴别方案中的快捷采集光谱图像步骤。
具体实施该采集步骤的方式如下：
再回到图2，将透射光源和包含光谱采集模块的终端或光谱相机，分别置于待鉴别鸡蛋的两端，光源紧贴鸡蛋放置，采集位置可选择沿赤道方向和鸡蛋的两极方向，具体地，以鸡蛋赤道方向的横切圆周间隔预定角度采集多幅光谱图像，并在鸡蛋的两极方向分别采集一幅光谱图像，光谱相机拍摄到的是经过鸡蛋内部组分吸收后的光线。预定角度优选地为90°，光源可采用具有较高穿透力的红色激光，图像分辨率不小于500*500，在波长400-1000nm之间至少100个波段。波长400-1000nm之间至少100个波段一般就能满足需要，如果波长范围选择较小的话，波段数量也可以选择较小的范围，当然对于图像分别率、波长、波段数量的具体参数范围选择，可以根据实践中的具体情况进行选取实施，本发明实施例不对其加以特别限制。
值得注意的是，步骤201过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
202、对光谱图像进行预处理。
具体的，对光谱图像分别截取鸡蛋目标区域，在目标区域的中心附近随机选取预定数量的目标点，取目标点对应的光谱消除噪音。进一步优选地，通过用户交互方式、聚类或图像分割算法进行鸡蛋目标区域截取，利用平滑、多元散射校正和/或标准归一化方法消除噪音。
示例性地，对采集到的光谱图像分别截取鸡蛋区域，截取方式可以是用户交互方式，也可以用聚类或图像分割算法自动实现。优选地，采用在Lab颜色空间中进行Kmeans聚类的方式，把鸡蛋区域和背景区域分别聚成两类，形成二值化分割结果，中心类的区域中心作为鸡蛋的目标区域中心。因为鸡蛋外壳颜色比较稳定，采用聚类方式可以更简单有效地提取鸡蛋区域，避免人工交互。在截取的鸡蛋目标区域中心附近随机选择N个点，取其对应的光谱消除噪声。优选地，N的取值不小于300。由于利用深度神经网络进行特征学***滑、多元散射校正或标准归一化或者其中两两结合的方法，以消除光强衰减、鸡蛋中杂质的散射等引起的噪声，提高信噪比。优选地，采用光谱平滑方法消除噪声，平滑采用对连续区域内的5个点计算平均值的方式。平滑方法可以消除单个波段下异常，一般情况下，连续5个波段下的影响足够平滑光谱曲线，太多会让光谱曲线丢失细节信息，太少无法达到平滑目的。具体到进行类型测试鉴别时，在经过上述图像预处理后和进行鉴别之前，在鸡蛋目标区域中心附近随机选择T个测试点，将测试点的光谱作为鸡蛋的特征光谱，进行后续类型判别的输入，优选地，设定T＝99。由于测试数量太少可能会出现结果不稳定可靠现象，太多会消耗更多的计算资源，因此通常T取值为99是一个很好的折中，能保证结果稳定可靠且计算响应很快。需要说明的是，对于在截取区域过程以及消除噪音过程，采用上述处理方法实施的具体方式，本发明实施例不对其加以特别限制。
值得注意的是，步骤202过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
203、训练得到预设鸡蛋类型鉴别模型。
利用预定深度置信网络进行训练，获得预设鸡蛋类型鉴别模型，该步骤实施过程可以采用如下方式：
其中预定深度置信网络由1个一维卷积层和P个受限玻尔兹曼机组成，一维卷积层包含S个1*K的一维卷积和池化组成，卷积层输出的数据作为受限玻尔兹曼机的输入，受限玻尔兹曼机内部结构包含一个可见层和一个隐含层，训练过程中，充分训练上一层的受限玻尔兹曼机后训练当前层的受限玻尔兹曼机，直至最后一层，最后得到预设鸡蛋类型鉴别模型M，其中，P、S、K均为大于0的整数，优选地，P≥3，S≥4，K≥5。
通过上述训练过程训练完毕后，对预设鸡蛋类型鉴别模型M进行存储，将该模型与其相应的鉴别程序共同保存，以便在类型判断时调用。
值得注意的是，步骤203过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
204、利用预设鸡蛋类型鉴别模型获得鸡蛋类型鉴别结果。
具体的，根据训练建立的模型对未知样品进行类型判别分析，将经过上述预处理的待鉴别鸡蛋光谱数据输入到训练阶段保存的鸡蛋类型鉴别模型M中，通过模型预测得到光谱数据类型的判断，该幅图像对应的类型由其包含的光谱数据类型决定，如果多数光谱数据被认定为土鸡蛋类型，则该幅图像中的鸡蛋则被认为是土鸡蛋，否则被认为是饲料蛋。图3是鉴别过程中类型判断程序的流程示意图，如图3所示，预处理后的T个光谱数据，分别输入到模型M中，判断是否是土鸡蛋，假定T个光谱数据判断结果中有np个土鸡蛋类型光谱数据，nn个饲料蛋类型光谱数据，T＝np+nn，那么如果np>nn就认为该鸡蛋是土鸡蛋，否则认为是饲料蛋。通过这种方式处理，可以避免由于外界噪声干扰而产生判断误差，使模型具有更好的鲁棒性。
针对每幅光谱图像分别给出类型鉴别结果，即土鸡蛋或者饲料蛋。上述类型判断过程完成之后，将鉴别结果输出。结果输出可以为JSON格式，由对象键值对组成，(“imageName”:“xxxx”(例如，“newrawfile20180403165909”),“eggType”:“free_range/feed”)，这组数据可以被用于其它程序调用，展示结果。
值得注意的是，步骤204过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
实施例3
图5是本发明实施例3提供的鸡蛋类型鉴别方法流程示意图，如图5所示，本发明实施例提供的鸡蛋类型鉴别方法，包括以下步骤：
301、通过高光谱成像技术采集鸡蛋样品的光谱图像。
这里的采集过程与实施例2中201步骤涉及的鸡蛋样品的光谱图像采集过程实施方式相同，具体详见其描述，在此不再赘述。
值得注意的是，步骤301过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
302、对鸡蛋样品的光谱图像进行预处理。
这里的采集过程与实施例2中202步骤涉及的对光谱图像进行预处理过程实施方式相同，具体详见其描述，在此不再赘述。
值得注意的是，步骤302过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
303、训练得到预设鸡蛋类型鉴别模型。
这里的采集过程与实施例2中203步骤的训练得到预设鸡蛋类型鉴别模型过程实施方式相同，具体详见其描述，在此不再赘述。
值得注意的是，步骤303过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
304、通过高光谱成像技术采集待鉴别鸡蛋的光谱图像。
这里的采集过程与实施例2中201步骤涉及的鸡蛋样品的光谱图像采集过程实施方式相同，具体详见其描述，在此不再赘述。
值得注意的是，步骤304过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
305、对待鉴别鸡蛋的光谱图像进行预处理。
这里的采集过程与实施例2中202步骤涉及的对光谱图像进行预处理过程实施方式相同，具体详见其描述，在此不再赘述。
值得注意的是，步骤305过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
306、利用预设鸡蛋类型鉴别模型获得鸡蛋类型鉴别结果。
这里的采集过程与实施例2中204步骤的利用预设鸡蛋类型鉴别模型获得鸡蛋类型鉴别结果过程实施方式相同，具体详见其描述，在此不再赘述。
值得注意的是，步骤306过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
实施例4
图6是本发明实施例4提供的鸡蛋类型鉴别装置结构示意图，如图6所示，本发明实施例提供的鸡蛋类型鉴别装置包括光谱图像采集模块、预处理模块以及鉴别结果获取模块。
具体的，光谱图像采集模块用于通过高光谱成像技术采集鸡蛋的光谱图像；预处理模块，用于对光谱图像进行预处理；鉴别结果获取模块，用于利用预设鸡蛋类型鉴别模型获得鸡蛋类型鉴别结果。这里的鸡蛋包括用于模型训练的鸡蛋样品和待鉴别鸡蛋。
优选地，光谱图像采集模块用于：
通过高光谱成像技术沿鸡蛋的赤道和/或两极方向采集多幅光谱图像。进一步优选地，光谱图像采集模块用于：
在波长400-1000nm之间至少100个波段的条件下，以鸡蛋赤道方向的横切圆周间隔预定角度采集多幅光谱图像，并在鸡蛋的两极方向分别采集一幅光谱图像。
优选地，预处理模块用于：对光谱图像分别截取鸡蛋目标区域，在目标区域的中心附近随机选取预定数量的目标点，取目标点对应的光谱消除噪音。进一步优选地，预处理模块通过用户交互方式、聚类或图像分割算法进行鸡蛋目标区域截取，利用平滑、多元散射校正和/或标准归一化方法消除噪音。
另外，优选地，上述装置还包括：
模型训练模块，用于训练得到预设鸡蛋类型鉴别模型。
优选地，模型训练模块用于：
利用预定深度置信网络进行训练，获得预设鸡蛋类型鉴别模型。
进一步优选地，预定深度置信网络由1个一维卷积层和P个受限玻尔兹曼机(RBM)组成，一维卷积层包含S个1*K的一维卷积和池化组成，卷积层输出的数据作为RBM的输入，RBM内部结构包含一个可见层和一个隐含层，训练过程中，充分训练上一层的RBM后训练当前层的RBM，直至最后一层，最后得到预设鸡蛋类型鉴别模型M，其中，P、S、K均为大于0的整数。
另外优选地，上述装置还包括：
模型存储模块，用于对训练好的预设鸡蛋类型鉴别模型进行存储；
鉴别结果输出模块，用于将鉴别结果获取模块获取的鸡蛋类型结果输出，以便于其他程序应用或直接输出至用户获取信息界面。
需要说明的是：上述实施例提供的鸡蛋类型鉴别装置在触发鸡蛋类型鉴别业务时，仅以上述各功能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功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的鸡蛋类型鉴别装置与鸡蛋类型鉴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。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
综上所述，本发明实施例提供的鸡蛋类型鉴别方法及装置，相对于现有技术具有以下有益效果：
1、通过高光谱成像技术便捷地采集鸡蛋的光谱图像，只需要通过便捷地采集鸡蛋的高光谱图像然后进行鉴别、输出鉴别结果，就能快速鉴别鸡蛋类型；
2、利用光源的漫透射光谱进行判断，不会对鸡蛋的品质和结构造成任何影响，具有无损鉴别的优点；
3、本发明实施例利用的鉴别模型是通过深度神经网络学习得到，对外界环境鲁棒性较高，即使在复杂环境下，依然具有很好的鉴别能力；
4、本发明实施例提供的鸡蛋类别鉴别方法及装置，鉴别过程操作简单，具有较强的实用性，可以进行大范围的推广和应用。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
本申请实施例中是参照根据本申请实施例中实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (18)

1.一种鸡蛋类型鉴别方法，其特征在于，包括：
通过高光谱成像技术采集鸡蛋的光谱图像；
对所述光谱图像进行预处理；
利用预设鸡蛋类型鉴别模型获得鸡蛋类型鉴别结果。
2.根据权利要求1所述的方法，其特征在于，通过高光谱成像技术采集鸡蛋的光谱图像，包括：
通过高光谱成像技术沿鸡蛋的赤道和/或两极方向采集多幅光谱图像。
3.根据权利要求2所述的方法，其特征在于，通过高光谱成像技术采集鸡蛋的光谱图像，包括：
在波长400-1000nm之间至少100个波段的条件下，以鸡蛋赤道方向的横切圆周间隔预定角度采集多幅光谱图像，并在鸡蛋的两极方向分别采集一幅光谱图像。
4.根据权利要求1所述的方法，其特征在于，对所述光谱图像进行预处理，包括：
对所述光谱图像分别截取鸡蛋目标区域，在所述目标区域的中心附近随机选取预定数量的目标点，取所述目标点对应的光谱消除噪音。
5.根据权利要求4所述的方法，其特征在于，通过用户交互方式、聚类或图像分割算法进行鸡蛋目标区域截取，利用平滑、多元散射校正和/或标准归一化方法消除噪音。
6.根据权利要求1至3所述的方法，其特征在于，在利用预设鸡蛋类型鉴别模型获得鸡蛋类型鉴别结果之前，所述方法还包括：
训练得到所述预设鸡蛋类型鉴别模型。
7.根据权利要求6所述的方法，其特征在于，训练得到所述预设鸡蛋类型鉴别模型，包括：
通过高光谱成像技术采集鸡蛋样品的光谱图像；
对所述鸡蛋样品的光谱图像进行预处理；
利用预定深度置信网络进行训练，获得所述预设鸡蛋类型鉴别模型。
8.根据权利要求7所述的方法，其特征在于，通过高光谱成像技术采集鸡蛋样品的光谱图像的步骤，在通过高光谱成像技术采集鸡蛋的光谱图像步骤中完成，或者，单独完成。
9.根据权利要求7所述的方法，其特征在于，对所述光谱图像进行预处理的步骤，在对所述光谱图像进行预处理步骤中完成，或者，单独完成。
10.根据权利要求7-9任一项所述的方法，其特征在于，利用预定深度置信网络进行训练，获得所述预设鸡蛋类型鉴别模型，包括：
所述预定深度置信网络由1个一维卷积层和P个受限玻尔兹曼机组成，一维卷积层包含S个1*K的一维卷积和池化组成，卷积层输出的数据作为受限玻尔兹曼机的输入，受限玻尔兹曼机内部结构包含一个可见层和一个隐含层，训练过程中，充分训练上一层的受限玻尔兹曼机后训练当前层的受限玻尔兹曼机，直至最后一层，最后得到预设鸡蛋类型鉴别模型M，其中，P≥3，S≥4，K≥5。
11.一种鸡蛋类型鉴别装置，其特征在于，包括：
光谱图像采集模块，用于通过高光谱成像技术采集鸡蛋的光谱图像；
预处理模块，用于对所述光谱图像进行预处理；
鉴别结果获取模块，用于利用预设鸡蛋类型鉴别模型获得鸡蛋类型鉴别结果。
12.根据权利要求11所述的装置，其特征在于，所述光谱图像采集模块用于：
通过高光谱成像技术沿鸡蛋的赤道和/或两极方向采集多幅光谱图像。
13.根据权利要求12所述的装置，其特征在于，所述光谱图像采集模块用于：
在波长400-1000nm之间至少100个波段的条件下，以鸡蛋赤道方向的横切圆周间隔预定角度采集多幅光谱图像，并在鸡蛋的两极方向分别采集一幅光谱图像。
14.根据权利要求11所述的装置，其特征在于，所述预处理模块用于：
对所述光谱图像分别截取鸡蛋目标区域，在所述目标区域的中心附近随机选取预定数量的目标点，取所述目标点对应的光谱消除噪音。
15.根据权利要求14所述的装置，其特征在于，所述预处理模块通过用户交互方式、聚类或图像分割算法进行鸡蛋目标区域截取，利用平滑、多元散射校正和/或标准归一化方法消除噪音。
16.根据权利要求11所述的方法，其特征在于，所述装置还包括：
模型训练模块，用于训练得到所述预设鸡蛋类型鉴别模型。
17.根据权利要求16所述的装置，其特征在于，所述模型训练模块用于：
利用预定深度置信网络进行训练，获得所述预设鸡蛋类型鉴别模型。
18.根据权利要求17所述的装置，其特征在于，
所述预定深度置信网络由1个一维卷积层和P个受限玻尔兹曼机组成，一维卷积层包含S个1*K的一维卷积和池化组成，卷积层输出的数据作为受限玻尔兹曼机的输入，受限玻尔兹曼机内部结构包含一个可见层和一个隐含层，训练过程中，充分训练上一层的受限玻尔兹曼机后训练当前层的受限玻尔兹曼机，直至最后一层，最后得到预设鸡蛋类型鉴别模型M，其中，P、S、K均为大于0的整数。
CN201810444505.5A 2018-05-10 2018-05-10 一种鸡蛋类型鉴别方法及装置 Pending CN108647675A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810444505.5A CN108647675A (zh) 2018-05-10 2018-05-10 一种鸡蛋类型鉴别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810444505.5A CN108647675A (zh) 2018-05-10 2018-05-10 一种鸡蛋类型鉴别方法及装置

Publications (1)

Publication Number Publication Date
CN108647675A true CN108647675A (zh) 2018-10-12

Family

ID=63754239

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810444505.5A Pending CN108647675A (zh) 2018-05-10 2018-05-10 一种鸡蛋类型鉴别方法及装置

Country Status (1)

Country Link
CN (1) CN108647675A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109191461A (zh) * 2018-10-22 2019-01-11 广东工业大学 一种基于机器视觉技术的土鸡蛋识别方法及识别装置
CN109916901A (zh) * 2019-02-26 2019-06-21 中国农业科学院农产品加工研究所 泰和乌鸡蛋和杂交乌鸡蛋的快速鉴别方法
CN111751297A (zh) * 2020-07-06 2020-10-09 广东智芯光电科技有限公司 一种基于摄像头识别生鲜产品质量的方法和***
CN114916469A (zh) * 2022-05-27 2022-08-19 浙江大学 一种蛋鸡种蛋性别光学鉴定方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104198398A (zh) * 2014-08-07 2014-12-10 浙江大学 一种基于高光谱成像鉴别阿胶的方法
CN106290238A (zh) * 2016-08-09 2017-01-04 西北农林科技大学 一种基于高光谱成像的苹果品种快速鉴别方法
CN107423670A (zh) * 2017-04-20 2017-12-01 上海交通大学 基于深度置信网络的modis雾监测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104198398A (zh) * 2014-08-07 2014-12-10 浙江大学 一种基于高光谱成像鉴别阿胶的方法
CN106290238A (zh) * 2016-08-09 2017-01-04 西北农林科技大学 一种基于高光谱成像的苹果品种快速鉴别方法
CN107423670A (zh) * 2017-04-20 2017-12-01 上海交通大学 基于深度置信网络的modis雾监测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109191461A (zh) * 2018-10-22 2019-01-11 广东工业大学 一种基于机器视觉技术的土鸡蛋识别方法及识别装置
CN109916901A (zh) * 2019-02-26 2019-06-21 中国农业科学院农产品加工研究所 泰和乌鸡蛋和杂交乌鸡蛋的快速鉴别方法
CN109916901B (zh) * 2019-02-26 2021-07-20 中国农业科学院农产品加工研究所 泰和乌鸡蛋和杂交乌鸡蛋的快速鉴别方法
CN111751297A (zh) * 2020-07-06 2020-10-09 广东智芯光电科技有限公司 一种基于摄像头识别生鲜产品质量的方法和***
CN114916469A (zh) * 2022-05-27 2022-08-19 浙江大学 一种蛋鸡种蛋性别光学鉴定方法

Similar Documents

Publication Publication Date Title
CN108647675A (zh) 一种鸡蛋类型鉴别方法及装置
Liu et al. Data synthesis using deep feature enhanced generative adversarial networks for rolling bearing imbalanced fault diagnosis
CN104834933B (zh) 一种图像显著性区域的检测方法和装置
CN104215623B (zh) 面向多行业检测的激光拉曼光谱智能化辨识方法及***
CN107346434A (zh) 一种基于多特征及支持向量机的植物病虫害检测方法
CN111027378B (zh) 行人重识别的方法、装置、终端及存储介质
CN108229485A (zh) 用于测试用户界面的方法和装置
CN107688530A (zh) 软件测试方法及装置
CN102959354A (zh) 用于利用LiDAR数据来分析树冠层的方法和装置
CN109580534A (zh) 物质种类识别方法、太赫兹时域光谱仪***及终端设备
Bansal et al. Green citrus detection using fast Fourier transform (FFT) leakage
CN107330731A (zh) 一种识别广告位点击异常的方法和装置
CN104062262A (zh) 一种基于近红外光谱的作物种子品种真实性鉴别方法
CN107044959A (zh) 显微多模态融合光谱检测***
CN108579094A (zh) 一种用户界面检测方法及相关装置、***和存储介质
CN110188796A (zh) 用户识别方法、装置、存储介质和处理器
Huang et al. Smart agriculture: real‐time classification of green coffee beans by using a convolutional neural network
Dai Pra et al. Dynamic speckle image segmentation using self-organizing maps
CN107273890A (zh) 针对字符组合的图形验证码识别方法及装置
CN108171208A (zh) 信息获取方法和装置
Ali et al. Detecting fraudulent labeling of rice samples using computer vision and fuzzy knowledge
Mohamadzadeh Moghadam et al. Nondestructive classification of saffron using color and textural analysis
CN108875536A (zh) 行人分析方法、装置、***和存储介质
Sujatha et al. Innovation in agriculture industry by automated sorting of rice grains
CN116958960A (zh) 一种基于机器学习随机森林算法的鸡蛋暗斑检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181012