CN112381127A - 一种基于人的分歧介入的珍珠分拣方法 - Google Patents
一种基于人的分歧介入的珍珠分拣方法 Download PDFInfo
- Publication number
- CN112381127A CN112381127A CN202011210928.4A CN202011210928A CN112381127A CN 112381127 A CN112381127 A CN 112381127A CN 202011210928 A CN202011210928 A CN 202011210928A CN 112381127 A CN112381127 A CN 112381127A
- Authority
- CN
- China
- Prior art keywords
- pearl
- classification
- pearls
- bifurcation
- intervention
- 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 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 239000011049 pearl Substances 0.000 claims description 56
- 230000003993 interaction Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000010984 cultured pearl Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010801 machine learning Methods 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种基于人的分歧介入的珍珠分拣方法，含有：步骤1：选取独立的两种较为先进、可实现珍珠分拣的神经网络：在服务器上部署ResNet50模型和SE‑ResNet50模型，并将它们设置为***分歧算法；步骤2：利用下载好的珍珠数据集对两个模型进行独立训练，并分别保存最优模型；步骤3：设置一仲裁器，以针对不同的预测输出结果做出相应的处理；步骤4：运用珍珠数据集里的测试集对***分歧算法进行测试；步骤5：输出最终分类结果。本发明通过两个独立***的分歧驱动人的介入，纠正其预测输出，从而提升整个珍珠分拣的分类精度。
Description
技术领域
本发明涉及一种珍珠的检测分类方法，适用于利用人的介入方案解决纯深度学习在珍珠分拣精度提升受限的情况。
背景技术
传统上珍珠是通过手工分拣的，但对大量珍珠进行手工分拣，无疑是低效和成本高昂的，并且数量的增多和分拣者的疲劳工作，手工分拣的准确性也容易受到个体影响。人工养殖的珍珠一般都需要先按其品质分为不同等级后再行出售，高等级的珍珠混有低等级珍珠会影响企业声誉、顾客的信任度等，而低等级珍珠混有高等级则会引发不必要的额外成本，因此对分类的精度提出了较高要求。
卷积神经网络CNN可以对图片中的特征进行提取，对新的图片中的信息进行识别，因此就可以对大量的已知标签的图片进行训练后，对未知标签的图片进行分类。目前依靠深度学习方法训练的自动分类***已经达到了92.57％的分拣精度，但这对企业的要求来讲仍然是不够的。因此，我们针对现有的技术方案做出改进，引用两种独立运作的神经网络算法同时作用于珍珠分拣***，从两个算法预测上的分歧来判断***的预测是否出错：如果两个独立的算法都给出了同样结果，有信心认为当前***预测正确；而如果在结果上产生了分歧则有理由认为***当前预测的准确性需要进行慎重的评估，我们选择交由对该任务更为擅长的人的再判定。
现有的珍珠分拣多采用深度学习方法来实现，虽然深度学习相比其他传统的机器学习算法在数据处理能力上能够拥有较高的分类精度，极大程度上解放了人类的劳动力，但目前基于深度学习的人工智能技术仍存在着难解释，鲁棒性差等缺点，导致难以训练出具有更高精度的算法来，其中存在的错误输出也无法预知，这便使得诸如珍珠分拣这样的高精度应用场景的可靠性受到影响，并带来经济和信誉的双重损失。
发明内容
本发明要克服现有技术的上述缺点，提供一种基于人的分歧介入的珍珠分拣方法。
本发明能够在不改进算法本身的情况下，利用两种较为先进的独立神经网络算法之间的分歧来找出***可能预测出错的地方，从而基于人的介入对珍珠进行再判定，这对此类珍珠分拣方法的精度提升提供了一种思路。
本发明解决其技术问题所采用的技术方案是：
一种基于人的分歧介入的珍珠分拣方法，含有以下步骤：
步骤1：选取独立的两种可实现珍珠分拣的神经网络：在服务器上部署ResNet50模型和SE-ResNet50模型，并将它们设置为***分歧算法；
步骤2：利用下载好的珍珠数据集对两个模型进行独立训练，并分别保存最优模型；
步骤3：设置一仲裁器，以针对不同的预测输出结果做出相应的处理；
步骤4：运用珍珠数据集里的测试集对***分歧算法进行测试；
步骤5：输出最终分类结果。
本发明提出了能在不改进算法本身的情况下，利用两种较为先进的独立神经网络算法之间的分歧来找出***可能预测出错的地方，从而基于人的介入对珍珠进行再判定，这对此类珍珠分拣方法的精度提升提供了一种思路。卷积神经网络CNN可以对图片中的特征进行提取，对新的图片中的信息进行识别，因此就可以对大量的已知标签的图片进行训练后，对未知标签的图片进行分类；人的有效介入能够纠正***自身存在的预测偏差问题。
与现有技术相比，本发明技术方案的优点有：
(1)利用两种独立算法网络的分歧能更为简单有效检测出仅使用一类算法预测分类出错的情况；
(2)结合人的介入校正错误分类，有效利用人的优势弥补机器过失，易获得更高的分拣精度。
附图说明
图1：本发明方法的流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图和实施例对本发明作进一步的详细描述。
一种基于人的分歧介入的珍珠分拣方法，含有以下步骤：
步骤1：选取独立的两种较为先进、可实现珍珠分拣的神经网络：在服务器上部署ResNet50模型和SE-ResNet50模型，并将它们设置为***分歧算法，两个模型均需独立完成珍珠分拣任务，运行期间不会产生信息交互；
步骤2：利用下载好的珍珠数据集对两个模型进行独立训练，并分别保存最优模型，当学习率取0.0001、单批次训练样本为64时，ResNet50模型和SE-ResNet50模型精度分别达到92.69％和92.55％，精度相近且达到最高；
步骤3：设置一仲裁器，以针对两个模型产生的不同预测输出结果做出相应的处理：比较每个模型预测输出的最高概率类别，若相同，默认***输出结果；若不相同，则交由人介入进行决策判定；
步骤4：运用珍珠数据集里的测试集对***分歧算法进行测试；
步骤5：输出最终分类结果：若仲裁器选取***给出的分类结果即为该珍珠类型，反之经由人的判定分类后重新给出预测结果，视该结果为最终类型。
所述的珍珠表面图片对应的特征可分为7小类，首先按较为粗糙的分类标准可大致分成两大类：1)一类形状扁平或带明显瑕疵；2)另一类则较圆润且较少瑕疵；其次按更为精细的分类标准，第一大类较差的珍珠分类又可分为三个小类：A1)具有多个平面的珍珠；A2)形状对称的珍珠；A3)其他珍珠；第二大类较好的珍珠分类又可分为四个小类：B1)短半径与长半径之比大于0.7的珍珠；B2)颜色浅淡的珍珠；B3)隐含斑点的珍珠；B4)其余珍珠。
本发文所称的卷积神经网络、珍珠数据集，参见Qi Xuan、Binwei Fang等人发表于IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS 2018的《Automatic PearlClassification Machine Based on a Multistream Convolutional Neural Network》一文。
本发明通过两个独立***的分歧驱动人的介入，纠正其预测输出，从而提升整个珍珠分拣的分类精度。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (2)
1.一种基于人的分歧介入的珍珠分拣方法，含有以下步骤：
步骤1：选取独立的两种可实现珍珠分拣的神经网络：在服务器上部署ResNet50模型和SE-ResNet50模型，并将它们设置为***分歧算法，两个模型均需独立完成珍珠分拣任务，运行期间不会产生信息交互；
步骤2：利用下载好的珍珠数据集对两个模型进行独立训练，并分别保存最优模型，当学习率取0.0001、单批次训练样本为64时，ResNet50模型和SE-ResNet50模型精度分别达到92.69％和92.55％，精度相近且达到最高；
步骤3：设置一仲裁器，以针对两个模型产生的不同预测输出结果做出相应的处理：比较每个模型预测输出的最高概率类别，若相同，默认***输出结果；若不相同，则交由人介入进行决策判定；
步骤4：运用珍珠数据集里的测试集对***分歧算法进行测试；
步骤5：输出最终分类结果：若仲裁器选取***给出的分类结果即为该珍珠类型，反之经由人的判定分类后重新给出预测结果，视该结果为最终类型。
2.如权利要求1所述的一种珍珠的检测分类方法，其特征在于：所述的珍珠表面图片对应的特征可分为7小类，首先按较为粗糙的分类标准可大致分成两大类：1)一类形状扁平或带明显瑕疵；2)另一类则较圆润且较少瑕疵；其次按更为精细的分类标准，第一大类较差的珍珠分类又可分为三个小类：A1)具有多个平面的珍珠；A2)形状对称的珍珠；A3)其他珍珠；第二大类较好的珍珠分类又可分为四个小类：B1)短半径与长半径之比大于0.7的珍珠；B2)颜色浅淡的珍珠；B3)隐含斑点的珍珠；B4)其余珍珠。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011210928.4A CN112381127A (zh) | 2020-11-03 | 2020-11-03 | 一种基于人的分歧介入的珍珠分拣方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011210928.4A CN112381127A (zh) | 2020-11-03 | 2020-11-03 | 一种基于人的分歧介入的珍珠分拣方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112381127A true CN112381127A (zh) | 2021-02-19 |
Family
ID=74578848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011210928.4A Pending CN112381127A (zh) | 2020-11-03 | 2020-11-03 | 一种基于人的分歧介入的珍珠分拣方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112381127A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113159150A (zh) * | 2021-04-12 | 2021-07-23 | 浙江工业大学 | 一种基于多算法集成的分歧介入珍珠分拣方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529568A (zh) * | 2016-10-11 | 2017-03-22 | 浙江工业大学 | 一种基于bp神经网络的珍珠多分类方法 |
| CN106650721A (zh) * | 2016-12-28 | 2017-05-10 | 吴晓军 | 一种基于卷积神经网络的工业字符识别方法 |
| CN109582793A (zh) * | 2018-11-23 | 2019-04-05 | 深圳前海微众银行股份有限公司 | 模型训练方法、客服***及数据标注***、可读存储介质 |
| CN109684922A (zh) * | 2018-11-20 | 2019-04-26 | 浙江大学山东工业技术研究院 | 一种基于卷积神经网络的多模型对成品菜的识别方法 |
| CN110263774A (zh) * | 2019-08-19 | 2019-09-20 | 珠海亿智电子科技有限公司 | 一种人脸检测方法 |
-
2020
- 2020-11-03 CN CN202011210928.4A patent/CN112381127A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529568A (zh) * | 2016-10-11 | 2017-03-22 | 浙江工业大学 | 一种基于bp神经网络的珍珠多分类方法 |
| CN106650721A (zh) * | 2016-12-28 | 2017-05-10 | 吴晓军 | 一种基于卷积神经网络的工业字符识别方法 |
| CN109684922A (zh) * | 2018-11-20 | 2019-04-26 | 浙江大学山东工业技术研究院 | 一种基于卷积神经网络的多模型对成品菜的识别方法 |
| CN109582793A (zh) * | 2018-11-23 | 2019-04-05 | 深圳前海微众银行股份有限公司 | 模型训练方法、客服***及数据标注***、可读存储介质 |
| CN110263774A (zh) * | 2019-08-19 | 2019-09-20 | 珠海亿智电子科技有限公司 | 一种人脸检测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113159150A (zh) * | 2021-04-12 | 2021-07-23 | 浙江工业大学 | 一种基于多算法集成的分歧介入珍珠分拣方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测***及方法 | |
| CN102682760B (zh) | 重叠语音检测方法和*** | |
| CN109491914B (zh) | 基于不平衡学习策略高影响缺陷报告预测方法 | |
| CN103136504B (zh) | 人脸识别方法及装置 | |
| CN104965787B (zh) | 一种基于三支决策的两阶段软件缺陷预测方法 | |
| CN114627383B (zh) | 一种基于度量学习的小样本缺陷检测方法 | |
| CN106096661B (zh) | 基于相对属性随机森林的零样本图像分类方法 | |
| JP2020123330A (ja) | ニューラルネットワーク学習に利用されるオートラベリングされたイメージのうちでラベル検収のためのサンプルイメージを取得する方法、及びそれを利用したサンプルイメージ取得装置 | |
| CN112150450B (zh) | 一种基于双通道U-Net模型的图像篡改检测方法及装置 | |
| CN103544506A (zh) | 一种基于卷积神经网络的图像分类方法和装置 | |
| US20230385333A1 (en) | Method and system for building training database using automatic anomaly detection and automatic labeling technology | |
| CN110688888B (zh) | 一种基于深度学习的行人属性识别方法和*** | |
| CN112465040A (zh) | 一种基于类不平衡学习算法的软件缺陷预测方法 | |
| CN111522951A (zh) | 一种基于图像识别的敏感数据识别与分类的技术方法 | |
| CN112200392B (zh) | 业务预测方法及装置 | |
| US20220245402A1 (en) | Ai-based pre-training model determination system, and ai-based vision inspection management system using same for product production lines | |
| CN110569780A (zh) | 一种基于深度迁移学习的高精度人脸识别方法 | |
| CN111127454A (zh) | 基于深度学习生成工业缺陷样本的方法及*** | |
| CN106445908A (zh) | 文本识别方法和装置 | |
| CN117011563B (zh) | 基于半监督联邦学习的道路损害巡检跨域检测方法及*** | |
| CN112381127A (zh) | 一种基于人的分歧介入的珍珠分拣方法 | |
| CN115063664A (zh) | 用于工业视觉检测的模型学习方法、训练方法及*** | |
| CN111444930B (zh) | 一种确定二分类模型的预测效果的方法及装置 | |
| KR20220084632A (ko) | 클러스터링 기능을 구비한 퓨샷 분류 장치 및 이의 메타 학습 방법 | |
| JP7123306B2 (ja) | 画像処理装置及び画像処理方法 |
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 |