[发明专利]一种红枣外观品质分类方法、装置、设备及存储介质

权利要求书

1.一种红枣外观品质分类方法，其特征在于，包括：

采集红枣原始图像；

对所述红枣原始图像进行预处理，提取所述红枣原始图像的感兴趣区域，并对所述感兴趣区域进行归一化尺寸操作，得到相同尺寸大小的红枣图像的感兴趣区域图像；

利用优化的卷积神经网络对所述红枣图像的感兴趣区域图像进行训练，得到训练好的红枣外观品质分类模型；

用所述红枣外观品质分类模型对红枣图像进行测试，得到红枣外观品质的分类结果；

其中，所述优化的卷积神经网络为在34层残差网络结构的基础上，通过通道加权，网络增强包含有用信息的特征；并通过学习全局信息来抑制无用的特征，多通道信息聚合模块嵌入在网络中每个模块的末尾，以聚合各种不同感受野中的特征。

2.根据权利要求1所述的方法，其特征在于，对所述红枣原始图像进行预处理，提取所述红枣原始图像的感兴趣区域，包括：

对所述红枣原始图像进行二值化操作；然后用所述红枣原始图像中的红枣边界的上边界、左边界和下边界构成最小外接正方形区域，提取红枣图像的感兴趣区域。

3.根据权利要求1所述的方法，其特征在于，所述优化的卷积神经网络为在34层残差网络结构的基础上，通过通道加权，网络增强包含有用信息的特征，包括：

所述通道加权使用全局平均池化对卷积层输出的每个通道的通道特征进行压缩，使其成为一个实数数列，该实数数列中的每个实数具有描述对应通道特征的特点；通过门限机制中的全连接层配合激活函数的使用，对之前得到的实数数列进行维度压缩和维度还原，使其在较低的层上可以学习去激励可信息化的特征，在较高的层上，对不同的输入有高度的具体类别响应；将经过门限机制的输出权重看作是经过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定。

4.根据权利要求1所述的方法，其特征在于，多通道信息聚合模块嵌入在网络中每个模块的末尾，以聚合各种不同感受野中的特征，包括：

所述多通道信息聚合模块利用了特征信息累加的方法，对一个模块中不同通道的多个维度信息进行聚合，通过形成一个稀疏网络结构，既能够产生稠密的数据，又能增加神经网络表现。

5.一种红枣外观品质分类装置，其特征在于，包括：

原始图像采集模块，用于采集红枣原始图像；

感兴趣区域图像提取模块，用于对所述红枣原始图像进行预处理，提取所述红枣原始图像的感兴趣区域，并对所述感兴趣区域进行归一化尺寸操作，得到相同尺寸大小的红枣图像的感兴趣区域图像；

模型训练模块，利用优化的卷积神经网络对所述红枣图像的感兴趣区域图像进行训练，得到训练好的红枣外观品质分类模型；

图像测试模块，用所述红枣外观品质分类模型对红枣图像进行测试，得到红枣外观品质的分类结果；

其中，所述优化的卷积神经网络为在34层残差网络结构的基础上，通过通道加权，网络增强包含有用信息的特征；并通过学习全局信息来抑制无用的特征，多通道信息聚合模块嵌入在网络中每个模块的末尾，以聚合各种不同感受野中的特征。

6.根据权利要求5所述的装置，其特征在于，所述感兴趣区域图像提取模块的对所述红枣原始图像进行预处理，提取所述红枣原始图像的感兴趣区域，具体用于：

对所述红枣原始图像进行二值化操作；然后用所述红枣原始图像中的红枣边界的上边界、左边界和下边界构成最小外接正方形区域，提取红枣图像的感兴趣区域。