CN110969090A - 基于深度神经网络的水果品质识别方法及装置 - Google Patents
基于深度神经网络的水果品质识别方法及装置 Download PDFInfo
- Publication number
- CN110969090A CN110969090A CN201911065338.4A CN201911065338A CN110969090A CN 110969090 A CN110969090 A CN 110969090A CN 201911065338 A CN201911065338 A CN 201911065338A CN 110969090 A CN110969090 A CN 110969090A
- Authority
- CN
- China
- Prior art keywords
- fruit
- quality
- sample
- image
- fruit quality
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 651
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 115
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims description 13
- 235000019640 taste Nutrition 0.000 description 20
- 241000219109 Citrullus Species 0.000 description 17
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 235000009508 confectionery Nutrition 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基于深度神经网络的水果品质识别方法及装置，其中，该方法包括：根据水果品质数据库存储的训练样本集合中的水果样本图像以及与水果样本图像对应的样本品质标签，训练得到水果品质识别网络；接收客户端上传的待识别水果图像，并将待识别水果图像存储至服务器的存储模块中；利用经过训练的水果品质识别网络对待识别水果图像进行识别，得到水果品质识别结果；将水果品质识别结果发送至客户端。根据本发明实施例提供的技术方案，利用水果品质识别网络能够精准、快速地对水果的品质进行识别，有效地提高了水果品质识别的准确率以及处理效率，并且使得用户无需损坏水果的外表即可便捷地获知水果的品质，极大地方便了用户使用。
Description
技术领域
本发明实施例涉及图像处理技术领域，具体涉及一种基于深度神经网络的水果品质识别方法及装置。
背景技术
随着人们生活质量的不断提高，人们对于水果品质的要求也越来越高。在日常生活中进行挑选水果时，人们往往是根据水果的外观等来主观判断水果的品质，然而这种识别方式主要依靠于人们自身的水果挑选经验，需要人们足够了解水果的特性，对于经验不足的人来说，很难准确地识别水果品质。
为了便于识别水果品质，申请公布号为CN 104677499A的中国专利申请提供了一种利用电子设备挑选水果的方法，该方法通过摄像模块获取水果的图像，将获取到的水果的图像与图像数据库中存储的图像进行比对，从图像数据库中选取图像色彩最为相近的预存图像，根据该预存图像对应的水果成色得到该水果的成色数据。然而，该方法是通过简单的图像比对方式来确定水果的成色数据，存在着识别准确率较低的问题。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的基于深度神经网络的水果品质识别方法及装置。
根据本发明实施例的一个方面，提供了一种基于深度神经网络的水果品质识别方法，该方法包括：
根据水果品质数据库存储的训练样本集合中的水果样本图像以及与水果样本图像对应的样本品质标签，训练得到水果品质识别网络；
接收客户端上传的待识别水果图像，并将待识别水果图像存储至服务器的存储模块中；
利用经过训练的水果品质识别网络对待识别水果图像进行识别，得到水果品质识别结果；
将水果品质识别结果发送至客户端。
进一步地，在将水果品质识别结果发送至客户端之后，该方法还包括：
接收客户端发送的水果品质反馈信息，并将水果品质反馈信息存储至服务器的存储模块中；
根据待识别水果图像与水果品质反馈信息，确定新水果样本图像以及与新水果样本图像对应的样本品质标签，并将新水果样本图像添加至训练样本集合中，以对水果品质数据库中存储的训练样本集合进行更新；
根据更新后的训练样本集合中的水果样本图像以及与水果样本图像对应的样本品质标签，对水果品质识别网络进行更新训练。
进一步地，在根据水果品质数据库存储的训练样本集合中的水果样本图像以及与水果样本图像对应的样本品质标签，训练得到水果品质识别网络之前，该方法还包括：
获取水果样本图像以及与水果样本图像对应的水果品质信息，并将所获取的水果样本图像以及与水果样本图像对应的水果品质信息存储至水果品质数据库中；
对水果品质数据库中存储的与水果样本图像对应的水果品质信息进行分析，确定与水果样本图像对应的样本品质标签，构建得到训练样本集合，并将训练样本集合存储至水果品质数据库中；其中，样本品质标签包括：甜度等级标签、口感标签和/或成熟度等级标签。
进一步地，在利用经过训练的水果品质识别网络对待识别水果图像进行识别，得到水果品质识别结果之后，该方法还包括：
根据水果品质识别结果，从水果关联数据库中查找与水果品质识别结果相匹配的水果储存方式信息以及食用推荐信息；
在将水果品质识别结果发送至客户端的同时，将与水果品质识别结果相匹配的水果储存方式信息以及食用推荐信息发送至客户端。
进一步地，根据水果品质数据库存储的训练样本集合中的水果样本图像以及与水果样本图像对应的样本品质标签，训练得到水果品质识别网络进一步包括：
从水果品质数据库存储的训练样本集合中提取水果样本图像以及与水果样本图像对应的样本品质标签；
将提取的水果样本图像输入至初始水果品质识别网络中进行训练，得到与水果样本图像对应的初始水果品质识别结果；
根据与水果样本图像对应的初始水果品质识别结果和样本品质标签，更新初始水果品质识别网络的权重参数；
循环迭代执行上述步骤，直至满足迭代结束条件，得到水果品质识别网络。
根据本发明实施例的另一方面，提供了一种基于深度神经网络的水果品质识别装置，该装置包括：
训练模块，适于根据水果品质数据库存储的训练样本集合中的水果样本图像以及与水果样本图像对应的样本品质标签，训练得到水果品质识别网络；
接收模块，适于接收客户端上传的待识别水果图像；
存储模块，适于存储待识别水果图像；
识别模块，适于利用经过训练的水果品质识别网络对待识别水果图像进行识别，得到水果品质识别结果；
发送模块，适于将水果品质识别结果发送至客户端。
进一步地，接收模块进一步适于：接收客户端发送的水果品质反馈信息；
存储模块进一步适于：存储水果品质反馈信息；
该装置还包括：样本处理模块，适于根据待识别水果图像与水果品质反馈信息，确定新水果样本图像以及与新水果样本图像对应的样本品质标签，并将新水果样本图像添加至训练样本集合中，以对水果品质数据库中存储的训练样本集合进行更新；
训练模块进一步适于：根据更新后的训练样本集合中的水果样本图像以及与水果样本图像对应的样本品质标签，对水果品质识别网络进行更新训练。
进一步地，该装置还包括：
获取模块，适于获取水果样本图像以及与水果样本图像对应的水果品质信息，并将所获取的水果样本图像以及与水果样本图像对应的水果品质信息存储至水果品质数据库中；
样本处理模块，适于对水果品质数据库中存储的与水果样本图像对应的水果品质信息进行分析，确定与水果样本图像对应的样本品质标签，构建得到训练样本集合，并将训练样本集合存储至水果品质数据库中；其中，样本品质标签包括：甜度等级标签、口感标签和/或成熟度等级标签。
进一步地，该装置还包括：查找模块，适于根据水果品质识别结果，从水果关联数据库中查找与水果品质识别结果相匹配的水果储存方式信息以及食用推荐信息；
发送模块进一步适于：在将水果品质识别结果发送至客户端的同时，将与水果品质识别结果相匹配的水果储存方式信息以及食用推荐信息发送至客户端。
进一步地，训练模块进一步适于：
从水果品质数据库存储的训练样本集合中提取水果样本图像以及与水果样本图像对应的样本品质标签；
将提取的水果样本图像输入至初始水果品质识别网络中进行训练，得到与水果样本图像对应的初始水果品质识别结果；
根据与水果样本图像对应的初始水果品质识别结果和样本品质标签，更新初始水果品质识别网络的权重参数；
循环迭代执行上述步骤，直至满足迭代结束条件，得到水果品质识别网络。
根据本发明实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；
存储器用于存放至少一可执行指令，可执行指令使处理器执行上述基于深度神经网络的水果品质识别方法对应的操作。
根据本发明实施例的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述基于深度神经网络的水果品质识别方法对应的操作。
根据本发明实施例提供的技术方案，依据大量的水果样本图像及其对应的样本品质标签进行训练得到水果品质识别网络，利用水果品质识别网络能够精准、快速地对水果的品质进行识别，有效地提高了水果品质识别的准确率以及处理效率；并且，利用该方法，用户无需损坏水果的外表，例如无需剖开或品尝水果，只需将水果的图像上传至服务器即可便捷地获知该水果的品质，操作简单，极大地方便了用户使用。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明实施例的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本发明实施例的基于深度神经网络的水果品质识别方法的流程示意图；
图2a示出了根据本发明另一实施例的基于深度神经网络的水果品质识别方法的流程示意图；
图2b示出了根据本发明另一实施例的基于深度神经网络的水果品质识别方法的时序图；
图2c示出了一种上传样本数据的界面示意图；
图2d示出了一种初始水果品质识别网络的训练过程示意图；
图2e示出了一种实施本发明实施例的基于深度神经网络的水果品质识别方法的***架构示意图；
图3示出了根据本发明实施例的基于深度神经网络的水果品质识别装置的结构框图；
图4示出了根据本发明实施例的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本发明实施例的范围完整的传达给本领域的技术人员。
图1示出了根据本发明实施例的基于深度神经网络的水果品质识别方法的流程示意图，如图1所示，该方法包括如下步骤：
步骤S101，根据水果品质数据库存储的训练样本集合中的水果样本图像以及与水果样本图像对应的样本品质标签，训练得到水果品质识别网络。
训练样本集合中存储有大量的预先采集得到的水果样本图像以及每个水果样本图像对应的样本品质标签。其中，针对每个样本水果，该样本水果的水果样本图像可为通过摄像设备对其外观进行拍摄得到的图像，水果样本图像中包含有水果形状、水果表皮颜色以及水果表皮纹理等信息；通过化学方法、测试仪器、人工品尝等方式对该样本水果的品质进行检测得到水果品质信息，然后根据水果品质信息，确定与该水果样本图像对应的样本品质标签。具体地，水果品质信息可包括：甜度值、口感、成熟度等信息，那么样本品质标签可包括：甜度等级标签、口感标签和/或成熟度等级标签等标签。本领域技术人员可根据实际需要对样本品质标签进行具体设置，此处不做限定。
在步骤S101中，根据训练样本集合中的水果样本图像以及与水果样本图像对应的样本品质标签进行网络训练，训练得到水果品质识别网络。其中，水果品质识别网络的训练过程通过多次迭代完成。可选地，在一次迭代过程中，从训练样本集合中提取一个水果样本图像，利用该水果样本图像以及与水果样本图像对应的样本品质标签进行网络训练。在本发明实施例中，水果品质识别网络是根据大量的水果样本图像及其对应的样本品质标签进行训练得到的，利用水果品质识别网络能够精准、快速地对水果的品质进行识别，有效地提高了水果品质识别的准确率以及处理效率。
步骤S102，接收客户端上传的待识别水果图像，并将待识别水果图像存储至服务器的存储模块中。
当用户想要对某个水果的品质进行识别时，可利用客户端对该水果的外观进行拍摄得到待识别水果图像，而后将待识别水果图像上传至服务器，由服务器对该待识别水果图像进行识别。其中，客户端可以为手机、PAD、电脑等终端设备。那么在步骤S102中，服务器接收客户端上传的待识别水果图像，并将待识别水果图像存储至服务器的存储模块中，以便进行后续识别处理。
步骤S103，利用经过训练的水果品质识别网络对待识别水果图像进行识别，得到水果品质识别结果。
利用该水果品质识别网络对待识别水果图像进行识别，输出得到与该待识别水果图像对应的水果品质识别结果。其中，水果品质识别结果可包括有：甜度值范围、口感、成熟度范围等信息。
步骤S104，将水果品质识别结果发送至客户端。
在服务器利用水果品质识别网络识别得到水果品质识别结果之后，将水果品质识别结果发送至客户端，使得客户端侧的用户根据水果品质识别结果能够方便地获知水果的品质，进而确定是否购买或食用该水果。
本实施例提供的基于深度神经网络的水果品质识别方法，依据大量的水果样本图像及其对应的样本品质标签进行训练得到水果品质识别网络，利用水果品质识别网络能够精准、快速地对水果的品质进行识别，有效地提高了水果品质识别的准确率以及处理效率；并且，利用该方法，用户无需损坏水果的外表，例如无需剖开或品尝水果，只需将水果的图像上传至服务器即可便捷地获知该水果的品质，操作简单，极大地方便了用户使用。
图2a和图2b分别示出了根据本发明另一实施例的基于深度神经网络的水果品质识别方法的流程示意图和时序图，如图2a和图2b所示，该方法包括如下步骤：
步骤S201，获取水果样本图像以及与水果样本图像对应的水果品质信息，并将所获取的水果样本图像以及与水果样本图像对应的水果品质信息存储至水果品质数据库中。
具体地，服务器可获取样本采集端上传的水果样本图像以及与水果样本图像对应的水果品质信息。样本采集端可为手机、PAD、电脑等终端设备。以样本采集端为手机，样本水果为西瓜为例，在进行样本采集过程中，可利用手机对每个作为样本水果的西瓜的外观进行拍摄，拍摄得到的图像即为水果样本图像，为了便于进行网络训练，将水果样本图像处理成固定长度和固定宽度的图像。另外，还需要确定每个作为样本水果的西瓜的水果品质信息，其中，水果品质信息可通过化学方法、水果甜度测试仪等测试仪器、人工品尝等方式对每个西瓜的品质进行检测而得到，所得到的水果品质信息可包括：甜度值、口感、成熟度等信息。例如，某个西瓜的水果品质信息为：甜度值为6％、口感为脆甜、成熟度为70％，另一个西瓜的水果品质信息为：甜度值为8％、口感为沙甜、成熟度为90％。
通过样本采集端将每个样本水果的水果样本图像以及对应的水果品质信息作为样本数据提交至服务器，图2c示出了一种上传样本数据的界面示意图，如图2c所示，在该界面的图像添加区域21处添加一个样本水果的水果样本图像，在该界面的水果品质信息添加区域22处输入经过检测得到的该样本水果的甜度值、口感、成熟度等水果品质信息。在完成了水果样本图像以及水果品质信息的添加后，通过对“上传样本数据”虚拟按键的触发操作即可将其上传至服务器。可通过上述方式完成对所有样本水果的水果样本图像以及其对应的水果品质信息的上传工作。
服务器还可通过其他方式获取水果样本图像以及与水果样本图像对应的水果品质信息，此处不做限定。服务器在获取到水果样本图像以及与水果样本图像对应的水果品质信息之后，将所获取的水果样本图像以及与水果样本图像对应的水果品质信息存储至水果品质数据库中。
步骤S202，对水果品质数据库中存储的与水果样本图像对应的水果品质信息进行分析，确定与水果样本图像对应的样本品质标签，构建得到训练样本集合，并将训练样本集合存储至水果品质数据库中。
在服务器获取了水果样本图像以及与水果样本图像对应的水果品质信息之后，服务器将所获取的水果样本图像和水果品质信息对应地存储至水果品质数据库中。针对每个水果样本图像，对水果品质数据库中存储的与该水果样本图像对应的水果品质信息进行分析，确定与该水果样本图像对应的样本品质标签，构建得到一个对应有样本品质标签的水果样本图像，对应有样本品质标签的水果样本图像即可用于网络训练中。接着对所有的对应有样本品质标签的水果样本图像进行汇总，得到训练样本集合，然后将训练样本集合存储至水果品质数据库中，以便网络训练时使用。其中，样本品质标签可包括：甜度等级标签、口感标签和/或成熟度等级标签等标签。本领域技术人员可根据实际需要设置样本品质标签还包括其他的标签，此处不做具体限定。
以样本水果为西瓜为例，水果品质信息可包括：甜度值、口感、成熟度等信息，那么可以根据西瓜的甜度值划分5个甜度等级，将用户对西瓜的口感分为“一般”、“脆甜”和“沙甜”，根据西瓜的成熟度划分4个成熟度等级。具体地，若用S表示甜度值，当S＜7％时，对应于第1甜度等级，甜度等级标签为1；当7％≤S＜9％时，对应于第2甜度等级，甜度等级标签为2；当9％≤S＜11％时，对应于第3甜度等级，甜度等级标签为3；当11％≤S＜13％时，对应于第4甜度等级，甜度等级标签为4；当S≥13％时，对应于第5甜度等级，甜度等级标签为5。若口感为“一般”，则口感标签为1；若口感为“脆甜”，则口感标签为2；若口感为“沙甜”，则口感标签为3。若用M表示成熟度，当50％≤M＜60％，对应于第1成熟度等级，成熟度等级标签为1；当60％≤M＜70％，对应于第2成熟度等级，成熟度等级标签为2；当70％≤M＜80％，对应于第3成熟度等级，成熟度等级标签为3；当M≥80％，对应于第4成熟度等级，成熟度等级标签为4。
其中，可利用水果品质数据库对水果样本图像和其对应的水果品质信息进行存储。在一种可选的实施方式中，还可将水果样本图像存储至样本图像库中，在水果品质数据库的存储表中存储水果样本图像在样本图像库中的文件存储路径、水果品质信息、图像长度、图像宽度以及样本品质标签等信息。存储表的具体结构可如表1所示。
表1
在另一种可选的实施方式中，也可在水果品质数据库的存储表中存储水果样本图像对应的二进制数据、水果品质信息、图像长度、图像宽度以及样本品质标签等信息。
步骤S203，根据水果品质数据库存储的训练样本集合中的水果样本图像以及与水果样本图像对应的样本品质标签，训练得到水果品质识别网络。
其中，水果品质识别网络的训练过程通过多次迭代完成。在步骤S203中，从水果品质数据库存储的训练样本集合中提取水果样本图像以及与水果样本图像对应的样本品质标签；将提取的水果样本图像输入至初始水果品质识别网络中进行训练，得到与水果样本图像对应的初始水果品质识别结果；根据与水果样本图像对应的初始水果品质识别结果和样本品质标签，更新初始水果品质识别网络的权重参数；循环迭代执行上述步骤，直至满足迭代结束条件，得到水果品质识别网络。具体地，可计算初始水果品质识别结果和样本品质标签之间的损失，得到损失函数，根据损失函数，进行反向传播(back propagation)运算，通过运算结果更新初始水果品质识别网络的权重参数。迭代结束条件可包括：迭代次数达到迭代次数阈值；和/或，损失函数的输出值小于损失阈值。那么可以通过判断迭代次数是否达到迭代次数阈值来判断是否满足迭代结束条件，也可以根据损失函数的输出值是否小于损失阈值来判断是否满足迭代结束条件。在满足迭代结束条件之后，停止迭代处理，从而得到水果品质识别网络，该水果品质识别网络即为经过训练的网络。
具体地，水果品质识别网络可为卷积神经网络(Convolutional Neural Network，CNN)，卷积神经网络是一种具有局部连接、权重共享以及汇聚等特性的深层前馈神经网络，卷积神经网络由卷积层、汇聚层(也称为池化层)、全连接层交叉堆叠而成，使用反向传播算法进行训练。
例如，在水果品质识别网络中可以堆叠N个连续的卷积块，然后再接着K个全连接层，N≥1，K≥0。其中，一个卷积块包括连续a个卷积层和b个汇聚层，通常可将a的取值范围设置为2～5，b为0或1。
下面以初始水果品质识别网络为图2d所示的LeNet-5结构的网络为例，对初始水果品质识别网络的训练过程进行介绍。
如图2d所示，该初始水果品质识别网络除了输入层之外，一共有7层，这7层包括：2个卷积层、2个汇聚层以及3个全连接层，每层都包含不同数量的训练参数。除了输入层之外，该初始水果品质识别网络的第一层为卷积层C1，第二层为汇聚层S2，第三层为卷积层C3，第四层为汇聚层S4，第五层为全连接层C5，第六层为全连接层F6，第7层为输出层，输出层也是全连接层。
(1)假设训练样本集合中的水果样本图像的大小统一都为32×32，随机地从训练样本集合中提取一个水果样本图像，将所提取的水果样本图像输入至初始水果品质识别网络，初始水果品质识别网络的输入层之后为卷积层C1，在卷积层C1中使用6个不同的卷积核与输入的水果样本图像进行卷积运算得到6组不同的特征图，卷积核的大小为5×5，卷积核的移动步长为1个像素，每个特征图内参数共享，即每个特征图内只使用一个共同卷积核。通过卷积层C1形成的每个特征图的大小为28×28。
(2)在汇聚层S2中，卷积层C1的6组大小为28×28的特征图分别进行以2×2为采样窗口的下抽样得到6组大小为14×14的特征图，每个特征图使用一个下抽样核。
(3)卷积层C3的每个神经元(或称节点)与汇聚层S2输出的多个特征图相连，在卷积层C3中使用60个不同的卷积核进行卷积运算得到16组不同的特征图，卷积核的大小为5×5，通过卷积层C3形成的每个特征图的大小为10×10。
(4)在汇聚层S4中，卷积层C3的16组大小为10×10的特征图分别进行以2×2为采样窗口的下抽样得到16组大小为5×5的特征图。
(5)在全连接层C5中，由于汇聚层S4所形成的16组特征图的大小与卷积核的大小相同，所以卷积后形成的特征图的大小为1×1，这里使用120个不同的卷积核进行卷积运算得到120组大小为1×1的特征图。
(6)在全连接层F6中，有84个神经元，对应于一个7×12的比特图，该层的训练参数和连接数都是(120+1)×84＝10164。
(7)输出层可由10个欧式径向基函数(Radial Basis Function，RBF)组成。该层有84×10＝840个设定的参数和连接。
步骤S204，接收客户端上传的待识别水果图像，并将待识别水果图像存储至服务器的存储模块中。
图2e示出了一种实施本发明实施例的基于深度神经网络的水果品质识别方法的***架构示意图，如图2e所示，当用户想要对某个水果的品质进行识别时，例如在挑选水果过程中，可利用手机、PAD、电脑等客户端对该水果的外观进行拍摄得到待识别水果图像，而后通过网络将待识别水果图像上传至服务器，服务器接收客户端上传的待识别水果图像，并将待识别水果图像存储至服务器的存储模块中，而后利用基于水果品质数据库以及样本图像库中的数据训练得到的水果品质识别网络对待识别水果图像进行识别，服务器将识别得到的水果品质识别结果通过网络返回给客户端。
步骤S205，利用经过训练的水果品质识别网络对待识别水果图像进行识别，得到水果品质识别结果。
具体地，服务器可将接收到的待识别水果图像输入至经过训练的水果品质识别网络中，利用该水果品质识别网络对待识别水果图像进行识别，输出得到与该待识别水果图像对应的水果品质识别结果。其中，水果品质识别结果可包括有：甜度值范围、口感、成熟度范围等信息。
步骤S206，根据水果品质识别结果，从水果关联数据库中查找与水果品质识别结果相匹配的水果储存方式信息以及食用推荐信息。
为了便于用户了解其所要识别的水果的储存方式、最佳食用时间等关联信息，在水果关联数据库中预先为各种种类的水果设置了不同水果品质识别结果对应的水果储存方式信息以及食用推荐信息，那么在服务器利用水果品质识别网络识别得到水果品质识别结果之后，就可从水果关联数据库中查找与水果品质识别结果相匹配的该种类水果的水果储存方式信息以及食用推荐信息。其中，水果储存方式信息可包括“冷藏保存”、“常温保存”等，食用推荐信息可包括“建议尽快食用”、“建议在3天后食用”、“建议不宜食用”、“冷藏后食用味道更佳”、“搭配***食用味道更佳”等。
以待识别水果图像为西瓜的图像为例，假设服务器利用水果品质识别网络进行识别所得到的水果品质识别结果为“甜度值范围为9％～11％，口感为脆甜，成熟度大于80％”，那么从水果关联数据库中查找到的与该水果品质识别结果相匹配的水果储存方式信息可为“常温保存”，与该水果品质识别结果相匹配的食用推荐信息可为“冷藏后食用更佳”。
步骤S207，将水果品质识别结果、与水果品质识别结果相匹配的水果储存方式信息以及食用推荐信息发送至客户端。
在服务器得到水果品质识别结果、与水果品质识别结果相匹配的水果储存方式信息以及食用推荐信息之后，将上述信息发送至客户端，使得客户端侧的用户根据水果品质识别结果能够方便地获知水果的品质，并根据水果储存方式信息方便地获知应该如何储存该水果，根据食用推荐信息获知何时食用该水果味道较佳、以何种方式食用该水果味道较佳等。
步骤S208，接收客户端发送的水果品质反馈信息，并将水果品质反馈信息存储至服务器的存储模块中。
客户端侧的用户在食用了其所要识别的水果后，可通过品尝等方式获知该水果实际的品质信息，并通过客户端向服务器发送水果品质反馈信息，服务器接收客户端发送的水果品质反馈信息，并将水果品质反馈信息存储至服务器的存储模块中，其中，水果品质反馈信息记录了水果实际的品质信息。
例如，用户想要识别某个西瓜的品质，利用手机对该西瓜的外观进行拍摄得到待识别水果图像，而后将待识别水果图像上传至服务器，由服务器利用经过训练的水果品质识别网络对待识别水果图像进行识别，并将识别得到的水果品质识别结果发送至该用户的手机，假设该手机接收到的水果品质识别结果为“甜度值范围为：7％～9％；口感：脆甜；成熟度范围为：80％以上”，若用户切开西瓜品尝后觉得该西瓜的甜度值和成熟度均与水果品质识别结果相似，但该西瓜的实际口感为沙甜，那么该用户可利用手机将内容为“甜度值范围为：7％～9％；口感：沙甜；成熟度范围为：80％以上”的水果品质反馈信息上传至服务器，以便服务器对水果品质识别网络进行更新训练。
步骤S209，根据待识别水果图像与水果品质反馈信息，确定新水果样本图像以及与新水果样本图像对应的样本品质标签，并将新水果样本图像添加至训练样本集合中，以对水果品质数据库中存储的训练样本集合进行更新。
服务器在接收到客户端发送的水果品质反馈信息之后，可将该客户端之前上传的待识别水果图像确定为新水果样本图像，根据水果品质反馈信息确定与该新水果样本图像对应的样本品质标签，从而构建得到对应有样本品质标签的新水果样本图像，将新水果样本图像添加至训练样本集合中，以对水果品质数据库中存储的训练样本集合进行更新。在本发明实施例中，根据客户端上传的待识别水果图像与水果品质反馈信息，便捷地实现了对训练样本集合的增量更新，使得训练样本集合在利用水果品质识别网络对水果品质进行识别的使用场景中就能够得到更新，无需专门采集新的样本水果的图像和检测其品质信息，有效地减少了更新训练样本集合所需投入的人力成本和时间成本。
其中，根据水果品质反馈信息确定与新水果样本图像对应的样本品质标签的方式与步骤S202中根据水果品质信息确定与水果样本图像对应的样本品质标签的方式相同，此处不再赘述。
步骤S210，根据更新后的训练样本集合中的水果样本图像以及与水果样本图像对应的样本品质标签，对水果品质识别网络进行更新训练。
在得到了更新后的训练样本集合之后，就可根据更新后的训练样本集合中的水果样本图像以及与水果样本图像对应的样本品质标签，对水果品质识别网络进行更新训练，使得水果品质识别网络的识别准确率越来越高。其中，对水果品质识别网络进行更新训练的方式与步骤S203中训练水果品质识别网络的方式相同，此处不再赘述。
本实施例提供的基于深度神经网络的水果品质识别方法，利用水果品质识别网络能够精准、快速地对水果的品质进行识别，有效地提高了水果品质识别的准确率以及处理效率；利用该方法，用户无需损坏水果的外表，只需将水果的图像上传至服务器，由服务器利用水果品质识别网络对该图像进行识别，用户根据服务器返回的水果品质识别结果、水果储存方式信息以及食用推荐信息即可便捷地获知该水果的品质、以及应该如何储存该水果、何时食用该水果味道较佳、以何种方式食用该水果味道较佳等信息，极大地方便了用户使用；并且，根据客户端上传的待识别水果图像与水果品质反馈信息，便捷地实现了对训练样本集合的增量更新，无需专门采集新的样本水果的图像和检测其品质信息，有效地减少了更新训练样本集合所需投入的人力成本和时间成本；另外，依据更新后的训练样本集合对水果品质识别网络进行动态更新训练，使得水果品质识别网络的识别准确率越来越高，有效地提高了水果品质识别网络的识别准确率。
图3示出了根据本发明实施例的基于深度神经网络的水果品质识别装置的结构框图，如图3所示，该装置包括：训练模块310、接收模块320、存储模块330、识别模块340和发送模块350。
训练模块310适于：根据水果品质数据库存储的训练样本集合中的水果样本图像以及与水果样本图像对应的样本品质标签，训练得到水果品质识别网络。
接收模块320适于：接收客户端上传的待识别水果图像。
存储模块330适于：存储待识别水果图像。
识别模块340适于：利用经过训练的水果品质识别网络对待识别水果图像进行识别，得到水果品质识别结果。
发送模块350适于：将水果品质识别结果发送至客户端。
可选地，接收模块320进一步适于：接收客户端发送的水果品质反馈信息。存储模块330进一步适于：存储水果品质反馈信息。该装置还可包括：样本处理模块360，适于根据待识别水果图像与水果品质反馈信息，确定新水果样本图像以及与新水果样本图像对应的样本品质标签，并将新水果样本图像添加至训练样本集合中，以对水果品质数据库中存储的训练样本集合进行更新。那么训练模块310可进一步适于：根据更新后的训练样本集合中的水果样本图像以及与水果样本图像对应的样本品质标签，对水果品质识别网络进行更新训练。
可选地，该装置还可包括：获取模块370，适于获取水果样本图像以及与水果样本图像对应的水果品质信息，并将所获取的水果样本图像以及与水果样本图像对应的水果品质信息存储至水果品质数据库中。那么样本处理模块360可适于：对水果品质数据库中存储的与水果样本图像对应的水果品质信息进行分析，确定与水果样本图像对应的样本品质标签，构建得到训练样本集合，并将训练样本集合存储至水果品质数据库中。其中，样本品质标签包括：甜度等级标签、口感标签和/或成熟度等级标签。
可选地，该装置还可包括：查找模块380，适于根据水果品质识别结果，从水果关联数据库中查找与水果品质识别结果相匹配的水果储存方式信息以及食用推荐信息。在这种情况下，发送模块350进一步适于：在将水果品质识别结果发送至客户端的同时，将与水果品质识别结果相匹配的水果储存方式信息以及食用推荐信息发送至客户端。
可选地，训练模块310进一步适于：从水果品质数据库存储的训练样本集合中提取水果样本图像以及与水果样本图像对应的样本品质标签；将提取的水果样本图像输入至初始水果品质识别网络中进行训练，得到与水果样本图像对应的初始水果品质识别结果；根据与水果样本图像对应的初始水果品质识别结果和样本品质标签，更新初始水果品质识别网络的权重参数；循环迭代执行上述步骤，直至满足迭代结束条件，得到水果品质识别网络。
上述基于深度神经网络的水果品质识别装置可设置于服务器中。
本实施例提供的基于深度神经网络的水果品质识别装置，利用水果品质识别网络能够精准、快速地对水果的品质进行识别，有效地提高了水果品质识别的准确率以及处理效率；利用该方法，用户无需损坏水果的外表，只需将水果的图像上传至服务器，由服务器利用水果品质识别网络对该图像进行识别，用户根据服务器返回的水果品质识别结果、水果储存方式信息以及食用推荐信息即可便捷地获知该水果的品质、以及应该如何储存该水果、何时食用该水果味道较佳、以何种方式食用该水果味道较佳等信息，极大地方便了用户使用；并且，根据客户端上传的待识别水果图像与水果品质反馈信息，便捷地实现了对训练样本集合的增量更新，无需专门采集新的样本水果的图像和检测其品质信息，有效地减少了更新训练样本集合所需投入的人力成本和时间成本；另外，依据更新后的训练样本集合对水果品质识别网络进行动态更新训练，使得水果品质识别网络的识别准确率越来越高，有效地提高了水果品质识别网络的识别准确率。
本发明实施例还提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，可执行指令可执行上述任意方法实施例中的基于深度神经网络的水果品质识别方法。
图4示出了根据本发明实施例的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图4所示，该计算设备可以包括：处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中：
处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器402，用于执行程序410，具体可以执行上述基于深度神经网络的水果品质识别方法实施例中的相关步骤。
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器406，用于存放程序410。存储器406可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行上述任意方法实施例中的基于深度神经网络的水果品质识别方法。程序410中各步骤的具体实现可以参见上述基于深度神经网络的水果品质识别实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种基于深度神经网络的水果品质识别方法，所述方法包括：
根据水果品质数据库存储的训练样本集合中的水果样本图像以及与所述水果样本图像对应的样本品质标签，训练得到水果品质识别网络；
接收客户端上传的待识别水果图像，并将所述待识别水果图像存储至服务器的存储模块中；
利用经过训练的水果品质识别网络对所述待识别水果图像进行识别，得到水果品质识别结果；
将所述水果品质识别结果发送至所述客户端。
2.根据权利要求1所述的方法，其中，在将所述水果品质识别结果发送至所述客户端之后，所述方法还包括：
接收所述客户端发送的水果品质反馈信息，并将所述水果品质反馈信息存储至所述服务器的存储模块中；
根据所述待识别水果图像与所述水果品质反馈信息，确定新水果样本图像以及与所述新水果样本图像对应的样本品质标签，并将所述新水果样本图像添加至所述训练样本集合中，以对所述水果品质数据库中存储的训练样本集合进行更新；
根据更新后的训练样本集合中的水果样本图像以及与所述水果样本图像对应的样本品质标签，对所述水果品质识别网络进行更新训练。
3.根据权利要求1所述的方法，其中，在所述根据水果品质数据库存储的训练样本集合中的水果样本图像以及与所述水果样本图像对应的样本品质标签，训练得到水果品质识别网络之前，所述方法还包括：
获取水果样本图像以及与所述水果样本图像对应的水果品质信息，并将所获取的水果样本图像以及与所述水果样本图像对应的水果品质信息存储至所述水果品质数据库中；
对所述水果品质数据库中存储的与所述水果样本图像对应的水果品质信息进行分析，确定与所述水果样本图像对应的样本品质标签，构建得到训练样本集合，并将所述训练样本集合存储至所述水果品质数据库中；其中，所述样本品质标签包括：甜度等级标签、口感标签和/或成熟度等级标签。
4.根据权利要求1-3任一项所述的方法，其中，在所述利用经过训练的水果品质识别网络对所述待识别水果图像进行识别，得到水果品质识别结果之后，所述方法还包括：
根据所述水果品质识别结果，从水果关联数据库中查找与所述水果品质识别结果相匹配的水果储存方式信息以及食用推荐信息；
在将所述水果品质识别结果发送至所述客户端的同时，将与所述水果品质识别结果相匹配的水果储存方式信息以及食用推荐信息发送至所述客户端。
5.根据权利要求1-4任一项所述的方法，其中，所述根据水果品质数据库存储的训练样本集合中的水果样本图像以及与所述水果样本图像对应的样本品质标签，训练得到水果品质识别网络进一步包括：
从所述水果品质数据库存储的训练样本集合中提取水果样本图像以及与所述水果样本图像对应的样本品质标签；
将提取的水果样本图像输入至初始水果品质识别网络中进行训练，得到与所述水果样本图像对应的初始水果品质识别结果；
根据与所述水果样本图像对应的初始水果品质识别结果和样本品质标签，更新所述初始水果品质识别网络的权重参数；
循环迭代执行上述步骤，直至满足迭代结束条件，得到水果品质识别网络。
6.一种基于深度神经网络的水果品质识别装置，所述装置包括：
训练模块，适于根据水果品质数据库存储的训练样本集合中的水果样本图像以及与所述水果样本图像对应的样本品质标签，训练得到水果品质识别网络；
接收模块，适于接收客户端上传的待识别水果图像；
存储模块，适于存储所述待识别水果图像；
识别模块，适于利用经过训练的水果品质识别网络对所述待识别水果图像进行识别，得到水果品质识别结果；
发送模块，适于将所述水果品质识别结果发送至所述客户端。
7.根据权利要求6所述的装置，其中，所述接收模块进一步适于：接收所述客户端发送的水果品质反馈信息；
所述存储模块进一步适于：存储所述水果品质反馈信息；
所述装置还包括：样本处理模块，适于根据所述待识别水果图像与所述水果品质反馈信息，确定新水果样本图像以及与所述新水果样本图像对应的样本品质标签，并将所述新水果样本图像添加至所述训练样本集合中，以对所述水果品质数据库中存储的训练样本集合进行更新；
所述训练模块进一步适于：根据更新后的训练样本集合中的水果样本图像以及与所述水果样本图像对应的样本品质标签，对所述水果品质识别网络进行更新训练。
8.根据权利要求6所述的装置，其中，所述装置还包括：
获取模块，适于获取水果样本图像以及与所述水果样本图像对应的水果品质信息，并将所获取的水果样本图像以及与所述水果样本图像对应的水果品质信息存储至所述水果品质数据库中；
样本处理模块，适于对所述水果品质数据库中存储的与所述水果样本图像对应的水果品质信息进行分析，确定与所述水果样本图像对应的样本品质标签，构建得到训练样本集合，并将所述训练样本集合存储至所述水果品质数据库中；其中，所述样本品质标签包括：甜度等级标签、口感标签和/或成熟度等级标签。
9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-5中任一项所述的基于深度神经网络的水果品质识别方法对应的操作。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-5中任一项所述的基于深度神经网络的水果品质识别方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911065338.4A CN110969090A (zh) | 2019-11-04 | 2019-11-04 | 基于深度神经网络的水果品质识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911065338.4A CN110969090A (zh) | 2019-11-04 | 2019-11-04 | 基于深度神经网络的水果品质识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110969090A true CN110969090A (zh) | 2020-04-07 |
Family
ID=70030078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911065338.4A Pending CN110969090A (zh) | 2019-11-04 | 2019-11-04 | 基于深度神经网络的水果品质识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110969090A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111487247A (zh) * | 2020-04-28 | 2020-08-04 | 前海国兴(深圳)高科技有限公司 | 水果成熟度ai识别*** |
| CN112240842A (zh) * | 2020-09-18 | 2021-01-19 | 苏州市美益添生物科技有限公司 | 一种用于水果成熟度的家用食品检测采样装置 |
| CN112966541A (zh) * | 2020-09-23 | 2021-06-15 | 北京豆牛网络科技有限公司 | 果蔬自动验货方法、***、电子设备以及计算机可读介质 |
| TWI823750B (zh) * | 2023-01-11 | 2023-11-21 | 訊力科技股份有限公司 | 自動化水果選別方法 |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012039597A2 (en) * | 2010-09-23 | 2012-03-29 | Universiti Putra Malaysia | Fruit ripeness grading system |
| CN103063585A (zh) * | 2013-01-05 | 2013-04-24 | 石河子大学 | 瓜果成熟度快速无损检测装置及检测***建立方法 |
| CN104677499A (zh) * | 2013-09-06 | 2015-06-03 | 闻泰通讯股份有限公司 | 利用电子设备挑选水果的***及方法 |
| CN104750697A (zh) * | 2013-12-27 | 2015-07-01 | 同方威视技术股份有限公司 | 基于透视图像内容的检索***、检索方法以及安全检查设备 |
| US20160203591A1 (en) * | 2015-01-09 | 2016-07-14 | Umm Al-Qura University | System and process for monitoring the quality of food in a refrigerator |
| CN106841103A (zh) * | 2017-03-01 | 2017-06-13 | 沈阳农业大学 | 近红外光谱检测水果内部品质方法及专用检测*** |
| CN107527362A (zh) * | 2017-08-14 | 2017-12-29 | 西安交通大学 | 一种基于图像纹理特征指标的苹果口感定性鉴别方法 |
| WO2018003506A1 (ja) * | 2016-06-30 | 2018-01-04 | サトーホールディングス株式会社 | 食べ頃算出方法、食べ頃算出システム、食べ頃算出プログラム及び記録媒体 |
| TW201822121A (zh) * | 2016-12-13 | 2018-06-16 | 國立勤益科技大學 | 水果成熟度與品質優劣辨識系統及方法 |
| CN108287581A (zh) * | 2018-01-17 | 2018-07-17 | 河南科技学院 | 一种用于果园昼夜温差智能调控***及方法 |
| US20180209901A1 (en) * | 2017-01-26 | 2018-07-26 | Aklartech Ltd | System and method for evaluating fruits and vegetables |
| JP2018147474A (ja) * | 2017-03-01 | 2018-09-20 | オムロン株式会社 | 学習装置、学習結果利用装置、学習方法及び学習プログラム |
| CN108764242A (zh) * | 2018-05-21 | 2018-11-06 | 浙江工业大学 | 基于深层卷积神经网络的离线手写汉字体识别方法 |
| CN108846203A (zh) * | 2018-06-13 | 2018-11-20 | 深圳市华慧品牌管理有限公司 | 水果无损检测的方法及装置 |
| CN109508401A (zh) * | 2018-11-23 | 2019-03-22 | 维沃移动通信有限公司 | 一种提示方法及移动终端 |
| CN109740627A (zh) * | 2018-11-27 | 2019-05-10 | 南京邮电大学 | 一种基于并行卷积神经网络的昆虫图像识别***及其方法 |
| CN109801275A (zh) * | 2019-01-11 | 2019-05-24 | 北京邮电大学 | 基于图像识别的马铃薯病害检测方法和*** |
| CN109827991A (zh) * | 2019-03-19 | 2019-05-31 | 湖州灵粮生态农业有限公司 | 一种水果甜度无损检测方法 |
| CN109884088A (zh) * | 2019-03-21 | 2019-06-14 | 杭州立宸科技有限公司 | 水果成熟度隔袋智能检测***和检测方法 |
| CN110148122A (zh) * | 2019-05-17 | 2019-08-20 | 南京东奇智能制造研究院有限公司 | 基于深度学习的苹果外观质量分级方法 |
| CN110263969A (zh) * | 2019-05-07 | 2019-09-20 | 西北农林科技大学 | 一种货架期苹果品质动态预测***及预测方法 |
| CN110309707A (zh) * | 2019-05-08 | 2019-10-08 | 昆明理工大学 | 一种基于深度学习的咖啡果实成熟度的识别方法 |
-
2019
- 2019-11-04 CN CN201911065338.4A patent/CN110969090A/zh active Pending
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012039597A2 (en) * | 2010-09-23 | 2012-03-29 | Universiti Putra Malaysia | Fruit ripeness grading system |
| CN103063585A (zh) * | 2013-01-05 | 2013-04-24 | 石河子大学 | 瓜果成熟度快速无损检测装置及检测***建立方法 |
| CN104677499A (zh) * | 2013-09-06 | 2015-06-03 | 闻泰通讯股份有限公司 | 利用电子设备挑选水果的***及方法 |
| CN104750697A (zh) * | 2013-12-27 | 2015-07-01 | 同方威视技术股份有限公司 | 基于透视图像内容的检索***、检索方法以及安全检查设备 |
| US20160203591A1 (en) * | 2015-01-09 | 2016-07-14 | Umm Al-Qura University | System and process for monitoring the quality of food in a refrigerator |
| WO2018003506A1 (ja) * | 2016-06-30 | 2018-01-04 | サトーホールディングス株式会社 | 食べ頃算出方法、食べ頃算出システム、食べ頃算出プログラム及び記録媒体 |
| TW201822121A (zh) * | 2016-12-13 | 2018-06-16 | 國立勤益科技大學 | 水果成熟度與品質優劣辨識系統及方法 |
| US20180209901A1 (en) * | 2017-01-26 | 2018-07-26 | Aklartech Ltd | System and method for evaluating fruits and vegetables |
| CN106841103A (zh) * | 2017-03-01 | 2017-06-13 | 沈阳农业大学 | 近红外光谱检测水果内部品质方法及专用检测*** |
| JP2018147474A (ja) * | 2017-03-01 | 2018-09-20 | オムロン株式会社 | 学習装置、学習結果利用装置、学習方法及び学習プログラム |
| CN107527362A (zh) * | 2017-08-14 | 2017-12-29 | 西安交通大学 | 一种基于图像纹理特征指标的苹果口感定性鉴别方法 |
| CN108287581A (zh) * | 2018-01-17 | 2018-07-17 | 河南科技学院 | 一种用于果园昼夜温差智能调控***及方法 |
| CN108764242A (zh) * | 2018-05-21 | 2018-11-06 | 浙江工业大学 | 基于深层卷积神经网络的离线手写汉字体识别方法 |
| CN108846203A (zh) * | 2018-06-13 | 2018-11-20 | 深圳市华慧品牌管理有限公司 | 水果无损检测的方法及装置 |
| CN109508401A (zh) * | 2018-11-23 | 2019-03-22 | 维沃移动通信有限公司 | 一种提示方法及移动终端 |
| CN109740627A (zh) * | 2018-11-27 | 2019-05-10 | 南京邮电大学 | 一种基于并行卷积神经网络的昆虫图像识别***及其方法 |
| CN109801275A (zh) * | 2019-01-11 | 2019-05-24 | 北京邮电大学 | 基于图像识别的马铃薯病害检测方法和*** |
| CN109827991A (zh) * | 2019-03-19 | 2019-05-31 | 湖州灵粮生态农业有限公司 | 一种水果甜度无损检测方法 |
| CN109884088A (zh) * | 2019-03-21 | 2019-06-14 | 杭州立宸科技有限公司 | 水果成熟度隔袋智能检测***和检测方法 |
| CN110263969A (zh) * | 2019-05-07 | 2019-09-20 | 西北农林科技大学 | 一种货架期苹果品质动态预测***及预测方法 |
| CN110309707A (zh) * | 2019-05-08 | 2019-10-08 | 昆明理工大学 | 一种基于深度学习的咖啡果实成熟度的识别方法 |
| CN110148122A (zh) * | 2019-05-17 | 2019-08-20 | 南京东奇智能制造研究院有限公司 | 基于深度学习的苹果外观质量分级方法 |
Non-Patent Citations (3)
| Title |
|---|
| 王浩云 等: "基于高光谱图像和3D-CNN的苹果多品质参数无损检测", pages 1 - 12 * |
| 秦启福;: "基于高光谱成像技术和卷积神经网络的沙果成熟度检测", no. 04, pages 72 - 75 * |
| 贺艳楠 等: "水果成熟度无损检测技术研究进展", no. 03, pages 208 - 212 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111487247A (zh) * | 2020-04-28 | 2020-08-04 | 前海国兴(深圳)高科技有限公司 | 水果成熟度ai识别*** |
| CN112240842A (zh) * | 2020-09-18 | 2021-01-19 | 苏州市美益添生物科技有限公司 | 一种用于水果成熟度的家用食品检测采样装置 |
| CN112966541A (zh) * | 2020-09-23 | 2021-06-15 | 北京豆牛网络科技有限公司 | 果蔬自动验货方法、***、电子设备以及计算机可读介质 |
| CN112966541B (zh) * | 2020-09-23 | 2023-12-05 | 北京豆牛网络科技有限公司 | 果蔬自动验货方法、***、电子设备以及计算机可读介质 |
| TWI823750B (zh) * | 2023-01-11 | 2023-11-21 | 訊力科技股份有限公司 | 自動化水果選別方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110543815B (zh) | 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质 | |
| CN110969090A (zh) | 基于深度神经网络的水果品质识别方法及装置 | |
| CN109670532B (zh) | 生物体器官组织图像的异常识别方法、装置及*** | |
| CN110276406B (zh) | 表情分类方法、装置、计算机设备及存储介质 | |
| US8463025B2 (en) | Distributed artificial intelligence services on a cell phone | |
| CN109614989B (zh) | 快速模型的训练方法、装置、计算机设备及存储介质 | |
| CN112329888B (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
| CN108833942A (zh) | 视频封面选取方法、装置、计算机设备及存储介质 | |
| CN111522996B (zh) | 视频片段的检索方法和装置 | |
| CN108875487B (zh) | 行人重识别网络的训练及基于其的行人重识别 | |
| WO2022121485A1 (zh) | 图像的多标签分类方法、装置、计算机设备及存储介质 | |
| CN110688524B (zh) | 视频检索方法、装置、电子设备及存储介质 | |
| CN110555428B (zh) | 行人重识别方法、装置、服务器以及存储介质 | |
| CN107665261A (zh) | 视频查重的方法及装置 | |
| CN109492122A (zh) | 商家信息的获取方法、装置、终端及计算机可读存储介质 | |
| CN110532413B (zh) | 基于图片匹配的信息检索方法、装置、计算机设备 | |
| CN110704657A (zh) | 图像标签的推荐方法、装置及电子设备 | |
| CN106096028A (zh) | 基于图像识别的文物索引方法及装置 | |
| CN113159300A (zh) | 图像检测神经网络模型及其训练方法、图像检测方法 | |
| CN115443490A (zh) | 影像审核方法及装置、设备、存储介质 | |
| CN112069338A (zh) | 图片处理方法、装置、电子设备及存储介质 | |
| CN112200041A (zh) | 视频动作识别方法、装置、存储介质与电子设备 | |
| CN107563357A (zh) | 基于场景分割的直播服饰装扮推荐方法、装置及计算设备 | |
| CN115687670A (zh) | 图像搜索方法、装置、计算机可读存储介质及电子设备 | |
| CN111651674A (zh) | 双向搜索方法、装置及电子设备 |
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: 20200407 |
|
| RJ01 | Rejection of invention patent application after publication |