[发明专利]一种果蔬外观变化识别模型的建立方法和识别方法

权利要求书

1.一种果蔬外观变化识别模型的建立方法，其特征在于，通过深度学习建立果蔬外观变化识别模型，包括：

提取训练样本的训练样本轮廓特征；

提取所述训练样本的训练样本颜色特征；

将所述训练样本轮廓特征和所述训练样本颜色特征进行拼接，形成所述训练样本的外观特征；

对所述外观特征进行预测，得到所述训练样本的预测存放时长类别；

根据所述预测存放时长类别设置相应的预测存放时间段；

计算所述训练样本的真实存放时间段和所述预测存放时间段的差值；

根据所述差值优化所述果蔬外观变化识别模型的模型参数；

所述提取训练样本的训练样本轮廓特征，还包括：

将所述训练样本的训练样本灰度图输入至所述果蔬外观变化识别模型处理得到下采样后的纹理特征图和形状特征图；

将所述下采样后的纹理特征图和所述形状特征图输入至所述果蔬外观变化识别模型，得到所述训练果蔬的轮廓特征。

2.根据权利要求1所述的建立方法，其特征在于，

所述提取训练样本的训练样本轮廓特征，具体包括：

将所述训练样本的训练样本灰度图输入至所述果蔬外观变化识别模型的轮廓输入层；

所述果蔬外观变化识别模型的第一卷积层对所述训练样本灰度图做第一次卷积，得到包含所述训练样本的边缘信息的边缘特征图；

所述果蔬外观变化识别模型的第一下采样层对所述边缘特征图做第一次下采样，得到下采样后的边缘特征图；

所述果蔬外观变化识别模型的第二卷积层对所述下采样后的边缘特征图做第二次卷积，获取所述训练样本的纹理特征图；

所述果蔬外观变化识别模型的第二下采样层对所述纹理特征图做第二次下采样，得到下采样后的纹理特征图；

所述果蔬外观变化识别模型的第三卷积层对所述下采样后的纹理特征图做第三次卷积，得到所述训练样本的形状特征图；

将所述下采样后的纹理特征图和所述形状特征图输入至所述果蔬外观变化识别模型的轮廓特征全连接层，得到所述训练果蔬的轮廓特征。

3.根据权利要求2所述的建立方法，其特征在于，所述提取所述训练样本的训练样本颜色特征，具体包括：

将所述训练样本的HSV图输入至所述果蔬外观变化识别模型的颜色输入层，提取所述HSV图的颜色直方图；

所述果蔬外观变化识别模型的第一颜色特征全连接层和第二颜色特征全连接层依次对所述颜色直方图进行非线性变换，并且将非线性变换后的颜色特征作为训练样本颜色特征。

4.根据权利要求3所述的建立方法，其特征在于，所述根据所述差值优化所述果蔬外观变化识别模型的模型参数，具体包括：

将所述差值逆向依次传递至所述轮廓特征全连接层、所述第三卷积层、所述第二下采样层、所述第二卷积层、所述第一下采样层、所述第一卷积层和所述轮廓输入层，优化各轮廓特征提取层的轮廓参数；以及，

将所述差值逆向依次传递至所述第二颜色特征全连接层、第二颜色特征全连接层和颜色输入层，优化各颜色特征提取层的颜色参数。

5.一种果蔬外观变化的识别方法，其特征在于，采用如权利要求1至4中任一项所述的建立方法形成的果蔬外观变化识别模型对果蔬外观变化进行识别，包括以下步骤：

获取当前样本的当前样本图像；

对所述当前样本图像进行图像分割，得到所述当前样本对应的当前样本子图像；

基于所述当前样本子图像选择对应的果蔬外观变化识别模型；

利用所述果蔬外观变化识别模型识别所述当前样本子图像，得到所述当前样本的预测存放时间段。

6.根据权利要求5所述的识别方法，其特征在于，所述基于所述当前样本子图像选择对应的果蔬外观变化识别模型，具体包括：

根据所述当前样本子图像获取所述当前样本的所属类别；

根据所属类别选取所述果蔬外观变化识别模型。