CN112801220B - 一种农产品品质分类方法、装置、计算机设备和存储介质 - Google Patents
一种农产品品质分类方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112801220B CN112801220B CN202110310015.8A CN202110310015A CN112801220B CN 112801220 B CN112801220 B CN 112801220B CN 202110310015 A CN202110310015 A CN 202110310015A CN 112801220 B CN112801220 B CN 112801220B
- Authority
- CN
- China
- Prior art keywords
- quality
- classification
- preset
- agricultural products
- samples
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 70
- 238000013145 classification model Methods 0.000 claims abstract description 52
- 230000006870 function Effects 0.000 claims description 26
- 210000002569 neuron Anatomy 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 6
- 235000013399 edible fruits Nutrition 0.000 description 16
- 244000080767 Areca catechu Species 0.000 description 15
- 235000006226 Areca catechu Nutrition 0.000 description 15
- 235000014571 nuts Nutrition 0.000 description 8
- 240000008154 Piper betle Species 0.000 description 7
- 235000008180 Piper betle Nutrition 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 description 2
- 229930006000 Sucrose Natural products 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000005720 sucrose Substances 0.000 description 2
- 241000202755 Areca Species 0.000 description 1
- 235000000832 Ayote Nutrition 0.000 description 1
- 240000007124 Brassica oleracea Species 0.000 description 1
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 1
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 1
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 1
- 208000003643 Callosities Diseases 0.000 description 1
- 241000219122 Cucurbita Species 0.000 description 1
- 235000009854 Cucurbita moschata Nutrition 0.000 description 1
- 235000009804 Cucurbita pepo subsp pepo Nutrition 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 244000141359 Malus pumila Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 125000003636 chemical group Chemical group 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 235000015136 pumpkin Nutrition 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 235000013311 vegetables 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种农产品品质分类方法、装置、计算机设备和存储介质。所述方法包括:获取农产品的表面图像数据;将所述农产品的表面图像数据输入预设品质分类模型,获得所述农产品的分类向量;其中,所述预设品质分类模型包括软化后的softmax函数,所述分类向量的维度与样本的类别数目相同;获取每个类别的所述样本的品质分数;将所有所述分类向量中每个元素与对应类别的所述样本的品质分数相乘后再相加,获得所述农产品的品质打分分数。采用本方法能够提高农产品分类准确度。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种农产品品质分类方法、装置、计算机设备和存储介质。
背景技术
农产品的种植,无法避免生产出来的个体之间存在差异,对于各种农产品由于其品质不同,需要进行分类删选,传统的删选方法是通过人工进行删选,现在虽然已经有一些自动化分选设备可以实现代替部分人工的分选工作,但通常还存在很大的局限性,很难应用于某些分选标准相对较细较复杂的应用场景。例如,现有一些自动化分选设备投入使用对一些果实的品质进行分选,这些自动化分选设备大多属于机械式滚杆或滚筒分选,可以实现基于大小和重量对果实进行分选;还有一些自动化分选设备能够通过化学手段,实现在不损伤果品的前提下识别出果实的糖度、酸度等内部生理指标,其原理是蔗糖中含有的化学基团对光有一定的吸收作用,通过测定透射光可算出被吸收的光,以此推断出果实中蔗糖的含量。
然而,上述自动化分选设备只能实现对农产品的某一维属性进行分拣,例如果实的重量、大小、酸甜度等,而难以处理多维属性组合的复杂特征以实现对农产品的多维度删选,例如,一般果实除了重量、大小和酸甜度外,还有果形、表面纹理,瑕疵、密度等外观属性,这些属性也是对农产品判断的关键特征,直接影响农产品的品质分类准确度。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高农产品分类准确度的农产品品质分类方法、装置、计算机设备和存储介质。
一种农产品品质分类方法,所述方法包括:
获取农产品的表面图像数据;
将所述农产品的表面图像数据输入预设品质分类模型,获得所述农产品的分类向量;其中,所述预设品质分类模型包括软化后的softmax函数,所述分类向量的维度与样本的类别数目相同;
获取每个类别的所述样本的品质分数;
将所有所述分类向量中每个元素与对应类别的所述样本的品质分数相乘后再相加,获得所述农产品的品质打分分数。
在其中一个实施例中,所述软化后的softmax函数为:
其中,r为常数,Sj为softmax值,aj为预设品质分类模型的第j个神经元的输出,T为预设品质分类模型的神经元的数目,ak为预设品质分类模型的1~T内任意一个神经元的输出。
在其中一个实施例中,所述预设品质分类模型通过预设类型的神经网络训练获取,用于根据输入的农产品表面图像数据,输出所述农产品的分类向量。
在其中一个实施例中,所述样本包括软标签样本,所述软标签样本为两个相邻类别之间的样本,所述软标签样本对应的分类向量在相邻类别的值均为0.5。
在其中一个实施例中,在将所有所述分类向量中每个元素与对应类别的所述样本的品质分数相乘后再相加,获得所述农产品的品质打分分数之后,包括:根据所述品质打分分数对所述农产品进行品质分类。
在其中一个实施例中,所述根据所述品质打分分数对所述农产品进行品质分类,包括:根据所述品质打分分数按照预设值对所述农产品进行品质分类。
一种农产品品质分类装置,所述装置包括:
图像数据获取模块,用于获取农产品的表面图像数据;
分类向量获取模块,用于将所述农产品的表面图像数据输入预设品质分类模型,获得所述农产品的分类向量;其中,所述预设品质分类模型包括软化后的softmax函数,所述分类向量的维度与样本的类别数目相同;
品质分数获取模块,用于获取每个类别的所述样本的品质分数;
打分分数计算模块,用于将所有所述分类向量中每个元素与对应类别的所述样本的品质分数相乘后再相加,获得所述农产品的品质打分分数。
在其中一个实施例中,所述软化后的softmax函数为:
其中,r为常数,Sj为softmax值,aj为预设品质分类模型的第j个神经元的输出,T为预设品质分类模型的神经元的数目,ak为预设品质分类模型的1~T内任意一个神经元的输出。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取农产品的表面图像数据;
将所述农产品的表面图像数据输入预设品质分类模型,获得所述农产品的分类向量;其中,所述预设品质分类模型包括软化后的softmax函数,所述分类向量的维度与样本的类别数目相同;
获取每个类别的所述样本的品质分数;
将所有所述分类向量中每个元素与对应类别的所述样本的品质分数相乘后再相加,获得所述农产品的品质打分分数。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取农产品的表面图像数据;
将所述农产品的表面图像数据输入预设品质分类模型,获得所述农产品的分类向量;其中,所述预设品质分类模型包括软化后的softmax函数,所述分类向量的维度与样本的类别数目相同;
获取每个类别的所述样本的品质分数;
将所有所述分类向量中每个元素与对应类别的所述样本的品质分数相乘后再相加,获得所述农产品的品质打分分数。
上述农产品品质分类方法、装置、计算机设备和存储介质,通过在预设品质分类模型设置软化后的softmax函数,能够分类向量中的各个分素的概率非集中分布,实现在农产品品质打分时结合多个维度进行考量,保证了农产品的品质打分分数的准确性;并且,通过预设品质分类模型对农产品的品质进行打分,保证了农产品不受人为主观因素的影响,同时能够参考农产品的表面图像数据对农产品的品质进行判断,保证了通过多个维属性组合的复杂特征进行删选,提高了农产品的品质分类准确度。
附图说明
图1为一个实施例中农产品品质分类方法的应用环境图;
图2为一个实施例中农产品品质分类方法的流程示意图;
图3为一个实施例中槟榔和品质分数示意图;
图4为一个实施例中预设品质分类模型三层结构示意图;
图5为一个实施例中农产品品质分类装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的农产品品质分类方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络或者信号传输线与服务器104进行通信。终端102采集农产品的表面图像数据,并将农产品的表面图像数据发送至服务器104;服务器104接收农产品的表面图像数据;将所述农产品的表面图像数据输入预设品质分类模型,获得所述农产品的分类向量;其中,所述预设品质分类模型包括软化后的softmax函数,所述分类向量的维度与样本的类别数目相同;获取每个类别的所述样本的品质分数;将所有所述分类向量中每个元素与对应类别的所述样本的品质分数相乘后再相加,获得所述农产品的品质打分分数。其中,终端102可以但不限于是各种工业相机、带有摄像头的图像采集设备,服务器104可以用个人计算机、独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种农产品品质分类方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S110,获取农产品的表面图像数据。
其中,农产品包括各种果实、谷物、蔬菜等,例如槟榔、苹果、玉米、南瓜、白菜,农产品的表面图像数据可以通过移动终端或者工业相机进行拍摄获得。例如,果实除了重量、大小和酸甜度外,还有果形、表面纹理,瑕疵、密度等外观属性,这些属性也是决定果实品相的关键,通过对农产品的表面图像数据进行判断,可以判断农产品的品质。
S120,将所述农产品的表面图像数据输入预设品质分类模型,获得所述农产品的分类向量;其中,所述预设品质分类模型包括软化后的softmax函数,所述分类向量的维度与样本的类别数目相同。
其中,预设品质分类模型可以通过预设类型的神经网络模型训练获得,预设类型的神经网络包括DenseNet、LeNet-5、AlexNet、ZFNet、VGG-16、GoogLeNet、ResNet等神经网络,当然,预设类型的神经网络还包括逻辑回归函数。农产品的分类向量的维度与样本的类别相同,例如,如图3所示,槟榔按照四种类别进行分类,则槟榔的分类向量为四维向量,槟榔的分类向量可为[0.7,0.2,0.1,0],它表示了该槟榔属于30分品级的概率为0.7,属于20分品级的概率为0.2,属于10分品级的概率为0.1,属于5分品级的概率为0;如果按照现有的神经网络分类方式,该槟榔就会因为属于30分品级的概率最大而被分到30分这类。
其中,深度卷积神经的softmax函数会呈现一个将概率往[0,1]两头拉的趋势,即对于输入的农产品的表面图像数据判定为某一类别不是为0就是为1,例如,输出的分类向量都呈[0.9999,0.0001,0,0]这种形态,仅仅考虑单一维度的分类向量难以准确的对农产品的品质进行打分,此时,需要将softmax函数进行软化以实现分类向量中的各个分素的概率非集中分布,软化后的softmax函数实现分类向量中各个分素的概率非集中分布。
S130,获取每个类别的所述样本的品质分数。
其中,不同类别的样本的品质分数不同,品质分数可预先设定,可根据样本的优劣设置品质分数,对于果像好的果实设置较高的品质分数,对于果像差的果实设置较低的品质分数,例如,如图3所示的槟榔,槟榔设置30分、20分、10分和5分四种类型的品质分数,30分对应的槟榔的果像最好,20分对应的槟榔果像次之,10分的槟榔果像较差,5分的槟榔果像最差。
S140,将所有所述分类向量中每个元素与对应类别的所述样本的品质分数相乘后再相加,获得所述农产品的品质打分分数。
其中,分类向量中分素的个数与样本的类别数目相同,每个类别的样本有对应品质分数,农产品的品质打分分数为品质分数与分类向量的加权和。例如,某一槟榔的分类向量为[0.7,0.2,0.1,0],对应的品质分数分别为30分、20分、10分和5分,则槟榔的品质打分分数:Score=30*0.7+20* 0.2+10*0.1+5 *0=26。
上述农产品品质分类方法中,通过在预设品质分类模型设置软化后的softmax函数,能够分类向量中的各个分素的概率非集中分布,实现在农产品品质打分时结合多个维度进行考量,保证了农产品的品质打分分数的准确性;并且,通过预设品质分类模型对农产品的品质进行打分,保证了农产品不受人为主观因素的影响,同时能够参考农产品的表面图像数据对农产品的品质进行判断,保证了通过多个维属性组合的复杂特征进行删选,提高了农产品的品质分类准确度。
在其中一个实施例中,如图4所示,所述软化后的softmax函数为:
其中,r为常数,Sj为softmax值,aj为预设品质分类模型的第j个神经元的输出,T为预设品质分类模型的神经元的数目,ak为预设品质分类模型的1~T内任意一个神经元的输出。其中,神经网络一般有三层:输入层、隐含层、输出层;如图4所示,首先将已经处理过的农产品的表面图像数据作为变量(x1…xi…xd)输入到输入层,再经过隐含层得到隐含层特征(b1、b2…bh…bq),最后到达输出层得到预设品质分类模型的神经元的输出(a1…aj…aT)。在进行神经网络训练时,输入层输入特定尺寸的带标签数据,经过隐含层的卷积、归一化、池化、全连接等函数运算,输出层输出输入数据的预测标签,将预测值与实际标签之间的差值作为损失函数,利用方向传播算法调节隐含层里各层的函数,重复这一过程,降低预测值与实际标签之间的损失,当损失足够小的时候,所获取的最终模型则可以用于图像分类等领域。
在其中一个实施例中,所述预设品质分类模型通过预设类型的神经网络训练获取,用于根据输入的农产品表面图像数据,输出所述农产品的分类向量。预设类型的神经网络包括DenseNet、LeNet-5、AlexNet、ZFNet、VGG-16、GoogLeNet、ResNet等神经网络,当然,预设类型的神经网络还包括逻辑回归函数。
在其中一个实施例中,所述样本包括软标签样本,所述软标签样本为两个相邻类别之间的样本,所述软标签样本对应的分类向量在相邻类别的值均为0.5。
具体的,对于任意两个相邻类别之间,存在一些分类不明确的样本称为软标签样本,或者称为缓冲区样本,也就是说,这个样本既可以分类到高品类的类别,也可以分类到低品类类别。对于缓冲区样本,在相邻类别设置一个[0.5,0.5]的软标签,即所述软标签样本对应的分类向量在相邻类别的值均为0.5,这里可采用更复杂的方式让标签变得离散化实现软标签的设置,例如通过高斯分布拟合给出一个[0.5,0.5]的软标签。例如,某一槟榔的分类向量为[0.7,0.2,0.1,0],对应的品质分数分别为30分、20分、10分和5分,对于一些槟榔即可分在品质分数为30分的类别、也可分在品质分数为20分的类别,此时,这些槟榔需要根据缓冲区样本进行分类,则缓冲区的样本的槟榔分类向量为[0.5,0.5,0,0];又比如另一些槟榔即可分在品质分数为20分的类别、也可分在品质分数为10分的类别,此时,这些槟榔需要根据缓冲区样本进行分类,则缓冲区的样本的槟榔分类向量为[0,0.5,0.5,0]。本实施例中,软标签样本及软标签的设置,使得各类别的区分度更加明显,便于后续对品质打分分类。
在其中一个实施例中,在将所有所述分类向量中每个元素与对应类别的所述样本的品质分数相乘后再相加,获得所述农产品的品质打分分数之后,包括:根据所述品质打分分数对所述农产品进行品质分类。其中,可以按照品质打分分数高低来进行相应类别的划分。
在其中一个实施例中,所述根据所述品质打分分数对所述农产品进行品质分类,包括:根据所述品质打分分数按照预设值对所述农产品进行品质分类。其中,预设值可包括多个,预设值可根据需要调整,例如,预设值包括第一预设值、第二预设值、第三预设值,第一预设值低于第二预设值,第二预设值低于第三预设值,将所述品质打分分数低于第一预设值划分为一个品质分类,将所述品质打分分数在第一预设值和第二预设值之间划分为一个品质分类,将所述品质打分分数在第二预设值和第三预设值之间划分为一个品质分类,将所述品质打分分数高于第三预设值划分为一个品质分类。
又例如,当槟榔的品质打分分数之后,25分为一个预设值,品质打分分数在20分和30分之间我们可以设定25分作为一个预设值,大于25分的归类于30分的品质分类,反之则归类于20分的品质分类。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种农产品品质分类装置,包括:图像数据获取模块210、分类向量获取模块220、品质分数获取模块230和打分分数计算模块240,其中:
图像数据获取模块210,用于获取农产品的表面图像数据。
分类向量获取模块220,用于将所述农产品的表面图像数据输入预设品质分类模型,获得所述农产品的分类向量;其中,所述预设品质分类模型包括软化后的softmax函数,所述分类向量的维度与样本的类别数目相同。
品质分数获取模块230,用于获取每个类别的所述样本的品质分数。
打分分数计算模块240,用于将所有所述分类向量中每个元素与对应类别的所述样本的品质分数相乘后再相加,获得所述农产品的品质打分分数。
在其中一个实施例中,所述软化后的softmax函数为:
其中,r为常数,Sj为softmax值,aj为预设品质分类模型的第j个神经元的输出,T为预设品质分类模型的神经元的数目,ak为预设品质分类模型的1~T内任意一个神经元的输出。
在其中一个实施例中,所述预设品质分类模型通过预设类型的神经网络训练获取,用于根据输入的农产品表面图像数据,输出所述农产品的分类向量。
在其中一个实施例中,所述样本包括软标签样本,所述软标签样本为两个相邻类别之间的样本,所述软标签样本对应的分类向量在相邻类别的值均为0.5。
在其中一个实施例中,所述农产品品质分类装置,还包括:分类模块,用于根据所述品质打分分数对所述农产品进行品质分类。
在其中一个实施例中,所述分类模块,还用于根据所述品质打分分数按照预设值对所述农产品进行品质分类。
关于农产品品质分类装置的具体限定可以参见上文中对于农产品品质分类方法的限定,在此不再赘述。上述农产品品质分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储样本的品质分数数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种农产品品质分类方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取农产品的表面图像数据;
将所述农产品的表面图像数据输入预设品质分类模型,获得所述农产品的分类向量;其中,所述预设品质分类模型包括软化后的softmax函数,所述分类向量的维度与样本的类别数目相同;
获取每个类别的所述样本的品质分数;
将所有所述分类向量中每个元素与对应类别的所述样本的品质分数相乘后再相加,获得所述农产品的品质打分分数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据所述品质打分分数对所述农产品进行品质分类。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取农产品的表面图像数据;
将所述农产品的表面图像数据输入预设品质分类模型,获得所述农产品的分类向量;其中,所述预设品质分类模型包括软化后的softmax函数,所述分类向量的维度与样本的类别数目相同;
获取每个类别的所述样本的品质分数;
将所有所述分类向量中每个元素与对应类别的所述样本的品质分数相乘后再相加,获得所述农产品的品质打分分数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据所述品质打分分数对所述农产品进行品质分类。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种农产品品质分类方法,其特征在于,所述方法包括:
获取农产品的表面图像数据;
将所述农产品的表面图像数据输入预设品质分类模型,获得所述农产品的分类向量;其中,所述预设品质分类模型包括软化后的softmax函数,所述分类向量的维度与样本的类别数目相同;所述样本包括软标签样本,所述软标签样本为两个相邻类别之间的样本,所述软标签样本对应的分类向量在相邻类别的值均为0.5;
获取每个类别的所述样本的品质分数;
将所有所述分类向量中每个元素与对应类别的所述样本的品质分数相乘后再相加,获得所述农产品的品质打分分数;
其中,所述软化后的softmax函数为:
其中,r为常数,Sj为softmax值,aj为预设品质分类模型的第j个神经元的输出,T为预设品质分类模型的神经元的数目,ak为预设品质分类模型的0~T内任意一个神经元的输出。
2.根据权利要求1所述方法,其特征在于,所述预设品质分类模型通过预设类型的神经网络训练获取,用于根据输入的农产品表面图像数据,输出所述农产品的分类向量。
3.根据权利要求1-2任一项所述方法,其特征在于,在将所有所述分类向量中每个元素与对应类别的所述样本的品质分数相乘后再相加,获得所述农产品的品质打分分数之后,包括:
根据所述品质打分分数对所述农产品进行品质分类。
4.根据权利要求3所述方法,其特征在于,所述根据所述品质打分分数对所述农产品进行品质分类,包括:
根据所述品质打分分数按照预设值对所述农产品进行品质分类。
5.一种农产品品质分类装置,其特征在于,所述装置包括:
图像数据获取模块,用于获取农产品的表面图像数据;
分类向量获取模块,用于将所述农产品的表面图像数据输入预设品质分类模型,获得所述农产品的分类向量;其中,所述预设品质分类模型包括软化后的softmax函数,所述分类向量的维度与样本的类别数目相同;所述样本包括软标签样本,所述软标签样本为两个相邻类别之间的样本,所述软标签样本对应的分类向量在相邻类别的值均为0.5;
品质分数获取模块,用于获取每个类别的所述样本的品质分数;
打分分数计算模块,用于将所有所述分类向量中每个元素与对应类别的所述样本的品质分数相乘后再相加,获得所述农产品的品质打分分数;
其中,所述软化后的softmax函数为:
其中,r为常数,Sj为softmax值,aj为预设品质分类模型的第j个神经元的输出,T为预设品质分类模型的神经元的数目,ak为预设品质分类模型的0~T内任意一个神经元的输出。
6.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010381227.0A CN111553439A (zh) | 2020-05-08 | 2020-05-08 | 一种农产品品质分类方法、装置、计算机设备和存储介质 |
CN2020103812270 | 2020-05-08 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801220A CN112801220A (zh) | 2021-05-14 |
CN112801220B true CN112801220B (zh) | 2022-07-08 |
Family
ID=72007968
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010381227.0A Withdrawn CN111553439A (zh) | 2020-05-08 | 2020-05-08 | 一种农产品品质分类方法、装置、计算机设备和存储介质 |
CN202110310015.8A Active CN112801220B (zh) | 2020-05-08 | 2021-03-24 | 一种农产品品质分类方法、装置、计算机设备和存储介质 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010381227.0A Withdrawn CN111553439A (zh) | 2020-05-08 | 2020-05-08 | 一种农产品品质分类方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN111553439A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882299B (zh) * | 2022-07-11 | 2022-11-15 | 深圳市信润富联数字科技有限公司 | 水果分类方法、装置、采摘设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182454A (zh) * | 2018-01-18 | 2018-06-19 | 苏州大学 | 安检识别***及其控制方法 |
CN108564942A (zh) * | 2018-04-04 | 2018-09-21 | 南京师范大学 | 一种基于敏感度可调的语音情感识别方法及*** |
CN109800682A (zh) * | 2018-12-29 | 2019-05-24 | 桂林电子科技大学 | 驾驶员属性识别方法及相关产品 |
CN109907753A (zh) * | 2019-04-23 | 2019-06-21 | 杭州电子科技大学 | 一种多维度ecg信号智能诊断*** |
CN110567967A (zh) * | 2019-08-20 | 2019-12-13 | 武汉精立电子技术有限公司 | 显示面板检测方法、***、终端设备及计算机可读介质 |
-
2020
- 2020-05-08 CN CN202010381227.0A patent/CN111553439A/zh not_active Withdrawn
-
2021
- 2021-03-24 CN CN202110310015.8A patent/CN112801220B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182454A (zh) * | 2018-01-18 | 2018-06-19 | 苏州大学 | 安检识别***及其控制方法 |
CN108564942A (zh) * | 2018-04-04 | 2018-09-21 | 南京师范大学 | 一种基于敏感度可调的语音情感识别方法及*** |
CN109800682A (zh) * | 2018-12-29 | 2019-05-24 | 桂林电子科技大学 | 驾驶员属性识别方法及相关产品 |
CN109907753A (zh) * | 2019-04-23 | 2019-06-21 | 杭州电子科技大学 | 一种多维度ecg信号智能诊断*** |
CN110567967A (zh) * | 2019-08-20 | 2019-12-13 | 武汉精立电子技术有限公司 | 显示面板检测方法、***、终端设备及计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111553439A (zh) | 2020-08-18 |
CN112801220A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kukreja et al. | A Deep Neural Network based disease detection scheme for Citrus fruits | |
CN110334765B (zh) | 基于注意力机制多尺度深度学习的遥感影像分类方法 | |
CN110728224A (zh) | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 | |
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN110826684A (zh) | 卷积神经网络的压缩方法、装置、电子设备和介质 | |
Bhargava et al. | Machine learning–based detection and sorting of multiple vegetables and fruits | |
CN112733659B (zh) | 一种基于自步学习双流多尺度密集连接网络的高光谱图像分类方法 | |
CN108229550A (zh) | 一种基于多粒度级联森林网络的云图分类方法 | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN111145145B (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
CN113066065B (zh) | 无参考图像质量检测方法、***、终端及介质 | |
CN112163520B (zh) | 一种基于改进损失函数的mdssd人脸检测方法 | |
CN113420651A (zh) | 深度卷积神经网络的轻量化方法、***及目标检测方法 | |
CN111340019A (zh) | 基于Faster R-CNN的粮仓害虫检测方法 | |
CN112801220B (zh) | 一种农产品品质分类方法、装置、计算机设备和存储介质 | |
CN114092819B (zh) | 一种图像分类方法及装置 | |
CN114972232A (zh) | 基于增量元学习的无参考图像质量评价方法 | |
CN110956201A (zh) | 一种基于卷积神经网络的图像失真类型分类方法 | |
CN113780550A (zh) | 一种量化特征图相似度的卷积神经网络剪枝方法及装置 | |
Anavyanto et al. | EfficientNetV2M for Image Classification of Tomato Leaf Deseases | |
CN116188834B (zh) | 基于自适应训练模型的全切片图像分类方法及装置 | |
CN117152528A (zh) | 绝缘子状态识别方法、装置、设备、存储介质和程序产品 | |
CN112132207A (zh) | 基于多分支特征映射目标检测神经网络构建方法 | |
CN114067314B (zh) | 一种基于神经网络的花生霉变识别方法及*** | |
CN116152194A (zh) | 一种物体缺陷检测方法、***、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |