[发明专利]一种钻石4C标准自动分级方法、设备及存储设备

说明书

技术领域

本发明涉及钻石检测领域，具体涉及一种钻石4C标准自动分级方法、设备及存储设备。

背景技术

长久以来，由于钻石鉴定是一项极为专业的工作，普通消费者及钻石爱好者受限于个人经验，往往难以自行对钻石进行鉴定。虽然GIA创立了4C标准，即重量(CARAT)、净度(CLARITY)、色泽(COLOUR)和切工(CUT)。但是，由于不同机构细节标准的不同、专业水准的差异，导致认证结果略有差别，导致消费者在购买时往往无所适从。因此，寻求一种客观真实且具有较高准确性的钻石分类方法就成为业界亟需解决的问题。

发明内容

本发明提供了一种钻石4C标准自动分级方法、设备及存储设备，可以有效解决上述问题。

本发明提供的技术方案是：一种钻石4C标准自动分级方法，所述方法包括步骤：采集4C标准下各级别中预定级别的钻石样本图像；将所述钻石样本图像输入卷积神经网络得到钻石样本图像对应的特征向量；将所述特征向量输入平均池化层得到平均池化特征向量；选取分类器并用所述平均池化特征向量训练所述分类器得到有效分类器；将4C标准下采集到的各级别中预定级别的钻石样本图像输入所述有效分类器得到钻石分类结果。存储设备，所述存储设备存储指令及数据用于实现所述一种钻石4C标准自动分级方法。一种钻石4C标准自动分级设备，所述设备包括处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现所述的一种钻石4C标准自动分级方法。

本发明的有益效果是：本发明提供了一种钻石4C标准自动分级方法、设备及存储设备，通过将卷积神经网络与分类器结合，使得发明的技术方案具有使用方便的特点，为方法的广泛应用提供了基础。同时，由于其不依赖专家经验和人为判断，具有客观性。最后，本发明的技术方案具有较高的准确性，通过实验验证模型的准确性及可靠性，结果显示进行切工分级的平均准确率高达97％。

附图说明

图1是本发明实施例中钻石4C标准自动分级方法的整体流程图；

图2是本发明实施例中卷积神经网络对4C标准下采集到的各级别中预定级别的钻石样本图像进行处理具体步骤流程图；

图3是本发明实施例中SVM分类器的训练具体步骤流程图；

图4是本发明实施例中4C标准下钻石切工5等级SVM分类器训练方法示意图；

图5是本发明实施例的硬件设备工作示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述，下文中提到的具体技术细节，如：方法，设备等，仅为使读者更好的理解技术方案，并不代表本发明仅局限于以下技术细节。

本发明的实施例提供了一种钻石4C标准自动分级方法、设备及存储设备。请参阅图1，图1是本发明实施例中钻石4C标准自动分级方法的整体流程图，所述方法由硬件设备实现，具体步骤包括：

S101：采集4C标准下各级别中预定级别的钻石样本图像。

S102：将所述钻石样本图像输入卷积神经网络得到钻石样本图像对应的特征向量。

S103：将所述特征向量输入平均池化层得到平均池化特征向量。

S104：选取分类器并用所述平均池化特征向量训练所述分类器得到有效分类器,所述分类器为：softmax分类器或SVM分类器。

S105：将4C标准下采集到的各级别中预定级别的钻石样本图像输入所述有效分类器得到钻石分类结果。

参见图2，图2是本发明实施例中卷积神经网络对4C标准下采集到的各级别中预定级别的钻石样本图像进行处理具体步骤流程图，包括：

S201：卷积神经网络中后一层对前一层的输出进行卷积运算和激活操作提取前一层的空间特征。所述激活操作的激活函数为：

x^l＝f(W^lx^l-1+b^l)

其中，x^l-1是l-1层的输出，也就是l层的输入，x^l是l层的输出，W^l是l层的权值，b^l为l层的偏差，f为sigmoid激活函数

S202：对提取的前一层空间特征进行池化。

S203：逐层重复上述步骤直至通过全连接层。

S204：输出各级别的钻石样本对应的特征向量。

S205：将所述特征向量分别输入平均池化层得到平均池化特征向量。