CN111652285A - 一种茶饼类别识别方法、设备及介质 - Google Patents
一种茶饼类别识别方法、设备及介质 Download PDFInfo
- Publication number
- CN111652285A CN111652285A CN202010387385.7A CN202010387385A CN111652285A CN 111652285 A CN111652285 A CN 111652285A CN 202010387385 A CN202010387385 A CN 202010387385A CN 111652285 A CN111652285 A CN 111652285A
- Authority
- CN
- China
- Prior art keywords
- tea cake
- category identification
- picture
- sample set
- tea
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 104
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 11
- 241001122767 Theaceae Species 0.000 claims abstract 81
- 230000006870 function Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 244000269722 Thea sinensis Species 0.000 description 172
- 235000013616 tea Nutrition 0.000 description 170
- 238000010586 diagram Methods 0.000 description 11
- 230000006872 improvement Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 235000006468 Thea sinensis Nutrition 0.000 description 3
- 238000000855 fermentation Methods 0.000 description 3
- 230000004151 fermentation Effects 0.000 description 3
- 235000020279 black tea Nutrition 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000009569 green tea Nutrition 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 235000020333 oolong tea Nutrition 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 235000020334 white tea Nutrition 0.000 description 1
- 235000020338 yellow tea Nutrition 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种茶饼类别识别方法,所述方法包括:将茶饼图片输入至预先训练的茶饼类别识别模型,其中,所述茶饼类别识别模型通过优化算法进行模型训练;根据所述茶饼类别识别模型确定出所述茶饼图片对应的特征向量;根据所述特征向量在预先存储的特征向量中筛选出符合要求的特征向量,并根据所述符合要求的特征向量识别出所述茶饼图片对应的茶饼类别。本申请实施例通过将茶饼图片输入至预先训练的茶饼类别识别模型,可以更准确的确定出茶饼图片对应的茶饼类别。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种茶饼类别识别方法、设备及介质。
背景技术
中国茶叶的分类基本上是按照发酵度来区分的。六大茶叶种类分别为绿茶、白茶、黄茶、乌龙茶、红茶、黑茶,它们分别对应了不同的发酵度,因为制作工艺及发酵程度的不一样,导致茶叶的颜色不一样。此外,每种茶叶的形状也是不同的,辨认时也是一个很重要的因素。茶饼是将茶叶制作成饼状,方便携带与储存。
在现有技术中,大都是通过经验人工识别每一种茶饼的种类,但对于经验不足的新手来说,很容易识别错误。
发明内容
有鉴于此,本申请实施例提供了一种茶饼类别识别方法、设备及介质,用于解决现有技术中人工识别茶饼种类容易出错的问题。
本申请实施例采用下述技术方案:
本申请实施例提供一种茶饼类别识别方法,所述方法包括:
将茶饼图片输入至预先训练的茶饼类别识别模型,其中,所述茶饼类别识别模型通过优化算法进行模型训练;
根据所述茶饼类别识别模型确定出所述茶饼图片对应的特征向量;
根据所述特征向量在预先存储的特征向量中筛选出符合要求的特征向量,并根据所述符合要求的特征向量识别出所述茶饼图片对应的茶饼类别。
进一步的,所述将茶饼图片输入至预先训练的茶饼类别识别模型之前,所述方法还包括:
构建初始的茶饼类别识别模型;
构建数据集,其中,所述数据集包括多种类别的茶饼图片,并且每种类别的茶饼图片包括多个茶饼图片;
根据所述数据集与所述优化算法训练所述初始的茶饼类别识别模型,得出符合要求的茶饼类别识别模型。
进一步的,所述数据集包括多个样本集,其中,每个所述样本集包括预设数量茶饼图片,且每个所述样本集中包括两个相同类别的茶饼图片。
进一步的,所述根据所述数据集与所述优化算法训练所述初始的茶饼类别识别模型,得出符合要求的茶饼类别识别模型,具体包括:
根据每个所述样本集的茶饼图片,确定出每个茶饼图片对应的特征向量;
所述根据每个茶饼图片对应的特征向量,在每个所述样本集中确定出茶饼图片之间预设数量的距离;
根据预先设定的公式与每个所述样本集中茶饼图片之间预设数量的距离,确定出每个所述样本集的损失值;
根据每个所述样本集的损失值与所述优化算法训练初始的茶饼类别识别模型,得出符合要求的茶饼类别识别模型。
进一步的,每个所述样本集包括三个茶饼图片;
所述根据每个茶饼图片对应的特征向量,在每个所述样本集中确定出茶饼图片之间预设数量的距离;根据预先设定的公式与每个所述样本集中茶饼图片之间预设数量的距离,确定出每个所述样本集的损失值,具体包括:
根据每个茶饼图片对应特征向量,在每个所述样本集中确定出每个样本集中确定出三个茶饼图片之间预设的两个距离;
根据预先设定的公式与每个所述样本集中茶饼图片之间预设的两个距离,确定出每个所述样本集中的损失值。
进一步的,所述根据每个茶饼图片对应特征向量,在每个所述样本集中确定出每个样本集中确定出三个茶饼图片之间预设的两个距离;根据预先设定的公式与每个所述样本集中茶饼图片之间预设的两个距离,确定出每个所述样本集中的损失值,具体包括:
根据每个茶饼图片对应特征向量,将每个所述样本集中茶饼图片对应的向量设为f1,f2,f3,并确定出向量f1、向量f2之间的距离d1,以及向量f1、向量f3之间的距离d2,其中,向量f1对应的茶饼图片与向量f2对应的茶饼图片为同一类别,向量f1对应的茶饼图片与向量f3对应的茶饼图片不为同一类别;
根据预先设定的公式Loss=Relu(d1-d2+const)与每个所述样本集中的距离d1与d2,确定出每个所述样本集中损失值,其中,Loss为每个样本集中的损失值,Relu为激活函数,const为一个超参数,用以调节(d1-d2+const)为正数。
进一步的,所述茶饼类别识别模型根据Vgg16搭建网络架构,所述茶饼类别识别模型将Vgg16的后三层删除,替换为一个256的全连接层和一个128的全连接层。
进一步的,所述优化算法为随机梯度下降算法。
本申请实施例还提供一种茶饼类别识别设备,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将茶饼图片输入至预先训练的茶饼类别识别模型,其中,所述茶饼类别识别模型通过优化算法进行模型训练;
根据所述茶饼类别识别模型确定出所述茶饼图片对应的特征向量;
根据所述特征向量在预先存储的特征向量中筛选出符合要求的特征向量,并根据所述符合要求的特征向量识别出所述茶饼图片对应的茶饼类别。
本申请实施例还提供一种茶饼类别识别介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
将茶饼图片输入至预先训练的茶饼类别识别模型,其中,所述茶饼类别识别模型通过优化算法进行模型训练;
根据所述茶饼类别识别模型确定出所述茶饼图片对应的特征向量;
根据所述特征向量在预先存储的特征向量中筛选出符合要求的特征向量,并根据所述符合要求的特征向量识别出所述茶饼图片对应的茶饼类别。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:本申请实施例通过将茶饼图片输入至预先训练的茶饼类别识别模型,可以更准确的确定出茶饼图片对应的茶饼类别。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书实施例一提供的一种茶饼类别识别方法的流程示意图
图2为本说明书实施例二提供的一种茶饼类别识别方法的流程示意图;
图3为本说明书实施例二提供的Vgg16网络架构示意图;
图4为本说明书实施例二提供的激活函数的函数图形。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例一提供的一种茶饼类别识别方法的流程示意图,本说明书实施例可以由茶饼类别识别***执行下述步骤,具体包括:
步骤S101,茶饼类别识别***将茶饼图片输入至预先训练的茶饼类别识别模型,其中,所述茶饼类别识别模型通过优化算法进行模型训练。
步骤S102,茶饼类别识别***根据所述茶饼类别识别模型确定出所述茶饼图片对应的特征向量。
步骤S103,茶饼类别识别***根据所述特征向量在预先存储的特征向量中筛选出符合要求的特征向量,并根据所述符合要求的特征向量识别出所述茶饼图片对应的茶饼类别。
本申请实施例通过将茶饼图片输入至预先训练的茶饼类别识别模型,可以更准确的确定出茶饼图片对应的茶饼类别。
与本说明书实施例一对应的是,图2为本说明书实施例二提供的一种茶饼类别识别方法的流程示意图,本说明书实施例可以由茶饼类别识别***执行下述步骤,具体包括:
步骤S201,茶饼类别识别***构建初始的茶饼类别识别模型。
在本说明书实施例的步骤S201中,茶饼类别识别模型可以根据Vgg16搭建网络架构,所述茶饼类别识别模型可以将Vgg16的后三层删除,替换为一个256的全连接层和一个128的全连接层。Vgg16网络架构示意图参见图3,本说明书实施例可以将最后三个fc全连接层删除,可以替换成一个265的全连接层和一个128的全连接层。
步骤S202,茶饼类别识别***构建数据集,其中,所述数据集包括多种类别的茶饼图片,并且每种类别的茶饼图片包括多个茶饼图片。
步骤S203,茶饼类别识别***根据所述数据集与所述优化算法训练所述初始的茶饼类别识别模型,得出符合要求的茶饼类别识别模型。
在本说明书实施例的步骤S203中,数据集可以包括多个样本集,其中,每个所述样本集包括预设数量茶饼图片,且每个所述样本集中包括两个相同类别的茶饼图片。
需要说明的是,本说明书实施例的训练策略可以使用TripletNet,并使用TripletLoss构建本说明书实施例的损失函数。
在本说明书实施例的步骤S203中,本步骤可以具体包括:
根据每个所述样本集的茶饼图片,确定出每个茶饼图片对应的特征向量,其中,每个茶饼图片对应的特征向量可以通过向量提取器提取;
所述根据每个茶饼图片对应的特征向量,在每个所述样本集中确定出茶饼图片之间预设数量的距离;
根据预先设定的公式与每个所述样本集中茶饼图片之间预设数量的距离,确定出每个所述样本集的损失值;
根据每个所述样本集的损失值与所述优化算法训练初始的茶饼类别识别模型,得出符合要求的茶饼类别识别模型。
进一步的,每个所述样本集可以包括三个茶饼图片;
所述根据每个茶饼图片对应的特征向量,在每个所述样本集中确定出茶饼图片之间预设数量的距离;根据预先设定的公式与每个所述样本集中茶饼图片之间预设数量的距离,确定出每个所述样本集的损失值,可以具体包括:
根据每个茶饼图片对应特征向量,在每个所述样本集中确定出每个样本集中确定出三个茶饼图片之间预设的两个距离,且每个所述样本集中包括两个相同类别的茶饼图片;
根据预先设定的公式与每个所述样本集中茶饼图片之间预设的两个距离,确定出每个所述样本集中的损失值。
根据每个茶饼图片对应特征向量,在每个所述样本集中确定出每个样本集中确定出三个茶饼图片之间预设的两个距离;根据预先设定的公式与每个所述样本集中茶饼图片之间预设的两个距离,确定出每个所述样本集中的损失值,具体包括:
根据每个茶饼图片对应特征向量,将每个所述样本集中茶饼图片对应的向量设为f1,f2,f3,并确定出向量f1、向量f2之间的距离d1,以及向量f1、向量f3之间的距离d2,其中,向量f1对应的茶饼图片与向量f2对应的茶饼图片为同一类别,向量f1对应的茶饼图片与向量f3对应的茶饼图片不为同一类别;
根据预先设定的公式Loss=Relu(d1-d2+const)与每个所述样本集中的距离d1与d2,确定出每个所述样本集中损失值,其中,Loss为每个样本集中的损失值,Relu为激活函数,const为一个超参数,用以调节(d1-d2+const)为正数。
参见图4,示出了激活函数的函数图形,在d1-d2+const小于0时,函数值为0,所以,需要将d1-d2+const的取值调整为正值。在Loss不为零时,优化器中的优化算法就会优化损失Loss使得d1变小,也就是使得相同样本距离小。相反如果d2很大,就不会产生损失,由公式可以看出d2最小必须是const大小,因此const也称为是margin间隔。const为一个超参数,可以设置为5cm,表示两个不相似的图片之间的欧式距离至少为5cm。
步骤S204,茶饼类别识别***将茶饼图片输入至预先训练的茶饼类别识别模型,其中,所述茶饼类别识别模型通过优化算法进行模型训练。
在本说明书实施例的步骤S204中,优化算法可以为随机梯度下降算法(SGD)。
步骤S205,茶饼类别识别***根据所述茶饼类别识别模型确定出所述茶饼图片对应的特征向量。
步骤S206,茶饼类别识别***根据所述特征向量在预先存储的特征向量中筛选出符合要求的特征向量,并根据所述符合要求的特征向量识别出所述茶饼图片对应的茶饼类别。
需要说明是,在测试茶饼类别识别模型时,可以把所有类别的茶饼图片放入到训练好的茶饼类别识别模型,然后可以得到每种茶饼的128维特征向量,然后把这些特征向量存储到数据库中,本说明书实施例可以使用mysql数据库,然后向茶饼类别识别模型输入新的茶饼图片,之后通过该模型获取对应的特征向量,然后计算与mysql数据库中向量的距离,找到最相近的茶饼信息,以识别出该新输入的茶饼图片对应的茶饼类别。
本申请实施例通过将茶饼图片输入至预先训练的茶饼类别识别模型,可以更准确的确定出茶饼图片对应的茶饼类别。
本申请实施例还提供一种茶饼类别识别设备,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将茶饼图片输入至预先训练的茶饼类别识别模型,其中,所述茶饼类别识别模型通过优化算法进行模型训练;
根据所述茶饼类别识别模型确定出所述茶饼图片对应的特征向量;
根据所述特征向量在预先存储的特征向量中筛选出符合要求的特征向量,并根据所述符合要求的特征向量识别出所述茶饼图片对应的茶饼类别。
本申请实施例还提供一种茶饼类别识别介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
将茶饼图片输入至预先训练的茶饼类别识别模型,其中,所述茶饼类别识别模型通过优化算法进行模型训练;
根据所述茶饼类别识别模型确定出所述茶饼图片对应的特征向量;
根据所述特征向量在预先存储的特征向量中筛选出符合要求的特征向量,并根据所述符合要求的特征向量识别出所述茶饼图片对应的茶饼类别。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种茶饼类别识别方法,其特征在于,所述方法包括:
将茶饼图片输入至预先训练的茶饼类别识别模型,其中,所述茶饼类别识别模型通过优化算法进行模型训练;
根据所述茶饼类别识别模型确定出所述茶饼图片对应的特征向量;
根据所述特征向量在预先存储的特征向量中筛选出符合要求的特征向量,并根据所述符合要求的特征向量识别出所述茶饼图片对应的茶饼类别。
2.根据权利要求1所述的茶饼类别识别方法,其特征在于,所述将茶饼图片输入至预先训练的茶饼类别识别模型之前,所述方法还包括:
构建初始的茶饼类别识别模型;
构建数据集,其中,所述数据集包括多种类别的茶饼图片,并且每种类别的茶饼图片包括多个茶饼图片;
根据所述数据集与所述优化算法训练所述初始的茶饼类别识别模型,得出符合要求的茶饼类别识别模型。
3.根据权利要求2所述的茶饼类别识别方法,其特征在于,所述数据集包括多个样本集,其中,每个所述样本集包括预设数量茶饼图片,且每个所述样本集中包括两个相同类别的茶饼图片。
4.根据权利要求3所述的茶饼类别识别方法,其特征在于,所述根据所述数据集与所述优化算法训练所述初始的茶饼类别识别模型,得出符合要求的茶饼类别识别模型,具体包括:
根据每个所述样本集的茶饼图片,确定出每个茶饼图片对应的特征向量;
所述根据每个茶饼图片对应的特征向量,在每个所述样本集中确定出茶饼图片之间预设数量的距离;
根据预先设定的公式与每个所述样本集中茶饼图片之间预设数量的距离,确定出每个所述样本集的损失值;
根据每个所述样本集的损失值与所述优化算法训练初始的茶饼类别识别模型,得出符合要求的茶饼类别识别模型。
5.根据权利要求4所述的茶饼类别识别方法,其特征在于,每个所述样本集包括三个茶饼图片;
所述根据每个茶饼图片对应的特征向量,在每个所述样本集中确定出茶饼图片之间预设数量的距离;根据预先设定的公式与每个所述样本集中茶饼图片之间预设数量的距离,确定出每个所述样本集的损失值,具体包括:
根据每个茶饼图片对应特征向量,在每个所述样本集中确定出每个样本集中确定出三个茶饼图片之间预设的两个距离;
根据预先设定的公式与每个所述样本集中茶饼图片之间预设的两个距离,确定出每个所述样本集中的损失值。
6.根据权利要求5所述的茶饼类别识别方法,其特征在于,所述根据每个茶饼图片对应特征向量,在每个所述样本集中确定出每个样本集中确定出三个茶饼图片之间预设的两个距离;根据预先设定的公式与每个所述样本集中茶饼图片之间预设的两个距离,确定出每个所述样本集中的损失值,具体包括:
根据每个茶饼图片对应特征向量,将每个所述样本集中茶饼图片对应的向量设为f1,f2,f3,并确定出向量f1、向量f2之间的距离d1,以及向量f1、向量f3之间的距离d2,其中,向量f1对应的茶饼图片与向量f2对应的茶饼图片为同一类别,向量f1对应的茶饼图片与向量f3对应的茶饼图片不为同一类别;
根据预先设定的公式Loss=Relu(d1-d2+const)与每个所述样本集中的距离d1与d2,确定出每个所述样本集中损失值,其中,Loss为每个样本集中的损失值,Relu为激活函数,const为一个超参数,用以调节(d1-d2+const)为正数。
7.根据权利要求1所述的茶饼类别识别方法,其特征在于,所述茶饼类别识别模型根据Vgg16搭建网络架构,所述茶饼类别识别模型将Vgg16的后三层删除,替换为一个256的全连接层和一个128的全连接层。
8.根据权利要求1所述的茶饼类别识别方法,其特征在于,所述优化算法为随机梯度下降算法。
9.一种茶饼类别识别设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将茶饼图片输入至预先训练的茶饼类别识别模型,其中,所述茶饼类别识别模型通过优化算法进行模型训练;
根据所述茶饼类别识别模型确定出所述茶饼图片对应的特征向量;
根据所述特征向量在预先存储的特征向量中筛选出符合要求的特征向量,并根据所述符合要求的特征向量识别出所述茶饼图片对应的茶饼类别。
10.一种茶饼类别识别介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
将茶饼图片输入至预先训练的茶饼类别识别模型,其中,所述茶饼类别识别模型通过优化算法进行模型训练;
根据所述茶饼类别识别模型确定出所述茶饼图片对应的特征向量;
根据所述特征向量在预先存储的特征向量中筛选出符合要求的特征向量,并根据所述符合要求的特征向量识别出所述茶饼图片对应的茶饼类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387385.7A CN111652285A (zh) | 2020-05-09 | 2020-05-09 | 一种茶饼类别识别方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387385.7A CN111652285A (zh) | 2020-05-09 | 2020-05-09 | 一种茶饼类别识别方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652285A true CN111652285A (zh) | 2020-09-11 |
Family
ID=72346742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010387385.7A Pending CN111652285A (zh) | 2020-05-09 | 2020-05-09 | 一种茶饼类别识别方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652285A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN106934346A (zh) * | 2017-01-24 | 2017-07-07 | 北京大学 | 一种目标检测性能优化的方法 |
CN107679078A (zh) * | 2017-08-29 | 2018-02-09 | 银江股份有限公司 | 一种基于深度学习的卡口图像车辆快速检索方法及*** |
CN107967484A (zh) * | 2017-11-14 | 2018-04-27 | 中国计量大学 | 一种基于多分辨率的图像分类方法 |
CN108564092A (zh) * | 2018-04-12 | 2018-09-21 | 内蒙古工业大学 | 基于sift特征提取算法的向日葵病害识别方法 |
CN109635643A (zh) * | 2018-11-01 | 2019-04-16 | 暨南大学 | 一种基于深度学习的快速人脸识别方法 |
CN109829736A (zh) * | 2019-02-11 | 2019-05-31 | 上海元唯壹网络科技有限责任公司 | 一种基于ai的图像识别在茶饼中的应用*** |
CN109993236A (zh) * | 2019-04-10 | 2019-07-09 | 大连民族大学 | 基于one-shot Siamese卷积神经网络的少样本满文匹配方法 |
CN110188641A (zh) * | 2019-05-20 | 2019-08-30 | 北京迈格威科技有限公司 | 图像识别和神经网络模型的训练方法、装置和*** |
CN110263659A (zh) * | 2019-05-27 | 2019-09-20 | 南京航空航天大学 | 一种基于三元组损失和轻量级网络的指静脉识别方法及*** |
CN110427832A (zh) * | 2019-07-09 | 2019-11-08 | 华南理工大学 | 一种基于神经网络的小数据集手指静脉识别方法 |
CN111062338A (zh) * | 2019-12-19 | 2020-04-24 | 厦门商集网络科技有限责任公司 | 一种证照人像一致性比对方法及其*** |
US20200134375A1 (en) * | 2017-08-01 | 2020-04-30 | Beijing Sensetime Technology Development Co., Ltd. | Semantic segmentation model training methods and apparatuses, electronic devices, and storage media |
-
2020
- 2020-05-09 CN CN202010387385.7A patent/CN111652285A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN106934346A (zh) * | 2017-01-24 | 2017-07-07 | 北京大学 | 一种目标检测性能优化的方法 |
US20200134375A1 (en) * | 2017-08-01 | 2020-04-30 | Beijing Sensetime Technology Development Co., Ltd. | Semantic segmentation model training methods and apparatuses, electronic devices, and storage media |
CN107679078A (zh) * | 2017-08-29 | 2018-02-09 | 银江股份有限公司 | 一种基于深度学习的卡口图像车辆快速检索方法及*** |
CN107967484A (zh) * | 2017-11-14 | 2018-04-27 | 中国计量大学 | 一种基于多分辨率的图像分类方法 |
CN108564092A (zh) * | 2018-04-12 | 2018-09-21 | 内蒙古工业大学 | 基于sift特征提取算法的向日葵病害识别方法 |
CN109635643A (zh) * | 2018-11-01 | 2019-04-16 | 暨南大学 | 一种基于深度学习的快速人脸识别方法 |
CN109829736A (zh) * | 2019-02-11 | 2019-05-31 | 上海元唯壹网络科技有限责任公司 | 一种基于ai的图像识别在茶饼中的应用*** |
CN109993236A (zh) * | 2019-04-10 | 2019-07-09 | 大连民族大学 | 基于one-shot Siamese卷积神经网络的少样本满文匹配方法 |
CN110188641A (zh) * | 2019-05-20 | 2019-08-30 | 北京迈格威科技有限公司 | 图像识别和神经网络模型的训练方法、装置和*** |
CN110263659A (zh) * | 2019-05-27 | 2019-09-20 | 南京航空航天大学 | 一种基于三元组损失和轻量级网络的指静脉识别方法及*** |
CN110427832A (zh) * | 2019-07-09 | 2019-11-08 | 华南理工大学 | 一种基于神经网络的小数据集手指静脉识别方法 |
CN111062338A (zh) * | 2019-12-19 | 2020-04-24 | 厦门商集网络科技有限责任公司 | 一种证照人像一致性比对方法及其*** |
Non-Patent Citations (2)
Title |
---|
HAIYUN GUO,KUAN ZHU,MING TANG,ET AL: "《Two-Level Attention Network With Multi-Grain Ranking Loss for Vehicle Re-Identification》", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
刘 虎,周 野,袁家斌: "《基于多尺度双线性卷积神经网络的多角度下车型精细识别》", 《计算机应用》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034183B (zh) | 一种目标检测方法、装置及设备 | |
CN109214193B (zh) | 数据加密、机器学习模型训练方法、装置以及电子设备 | |
CN112308113A (zh) | 一种基于半监督的目标识别方法、设备及介质 | |
CN112036236A (zh) | 一种基于GhostNet的检测模型的训练方法、设备及介质 | |
CN114861665B (zh) | 一种强化学习模型训练以及确定数据关系的方法及装置 | |
CN115828162B (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
CN114332873A (zh) | 一种识别模型的训练方法及装置 | |
CN109325035A (zh) | 相似表的识别方法及装置 | |
CN111191090B (zh) | 确定业务数据展示图类型的方法、装置、设备和存储介质 | |
CN115130621B (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN115221523B (zh) | 数据处理方法、装置及设备 | |
CN111652053A (zh) | 一种员工考勤方法、设备及介质 | |
CN111652285A (zh) | 一种茶饼类别识别方法、设备及介质 | |
CN116186330A (zh) | 一种基于多模态学习的视频去重方法及装置 | |
CN107577658B (zh) | 词向量处理方法、装置以及电子设备 | |
CN115017905A (zh) | 一种模型训练和信息推荐的方法及装置 | |
CN114511376A (zh) | 基于多模型的信用数据处理方法及装置 | |
CN109325127B (zh) | 一种风险识别方法和装置 | |
CN111539962A (zh) | 一种目标图像分类方法、装置以及介质 | |
CN111539520A (zh) | 增强深度学习模型鲁棒性的方法及装置 | |
CN111596946A (zh) | 一种区块链智能合约的推荐方法、设备及介质 | |
CN118193797B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN112115952B (zh) | 一种基于全卷积神经网络的图像分类方法、设备及介质 | |
CN115423485B (zh) | 数据处理方法、装置及设备 | |
CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 |
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: 20200911 |
|
RJ01 | Rejection of invention patent application after publication |