[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

说明书

本发明提出了一种果蔬外观变化识别模型的建立方法和识别方法。所述果蔬外观变化识别模型的建立方法，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；提取训练样本的训练样本颜色特征；将训练样本轮廓特征和训练样本颜色特征进行拼接，形成训练样本的外观特征；对外观特征进行预测，得到训练样本的预测存放时长类别；根据预测存放时长类别设置相应的预测存放时间段；计算训练样本的真实存放时间段和预测存放时间段的差值；根据差值优化果蔬外观变化识别模型的模型参数，通过该果蔬外观变化识别模型可以识别果蔬的局部细微变化，实现了贮存过程中对果蔬的有效监控。

技术领域

本发明涉及果蔬贮存技术领域，尤其涉及一种果蔬外观变化识别模型的建立方法和识别方法。

背景技术

果蔬在贮存过程中发生的外观变化往往是细微并且渐变的，现有技术通常采用果蔬的浅层特征表征果蔬的外观变化信息，例如通过获取果蔬对应图像的颜色直方图、梯度直方图和特征点等特征进行果蔬的识别。但是存在的问题是要求果蔬样本严格对齐，不能出现旋转、遮挡、非刚体变换等攻击，而且只是人们基于先验知识归纳出的较为初级，只能获取果蔬表面的浅层特征，对于细微的外观特征，浅层特征对于果蔬的细微变化的表征能力和鉴别能力有限，在识别果蔬的细微变化时，往往会识别失败。因此，需要一种果蔬外观变化识别模型的建立方法和识别方法，以解决现有技术中存在的上述技术问题。

发明内容

本发明提供一种果蔬外观变化识别模型的建立方法，通过该果蔬外观变化识别模型可以识别果蔬的局部细微变化，实现了贮存过程中对果蔬的有效监控。

本发明采用的技术方案是：一种果蔬外观变化识别模型的建立方法，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。

优选地，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。

优选地，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。

优选地，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。