残差网络模型及其训练方法、系统、识别方法及系统技术方案

技术编号:21157972 阅读:33 留言:0更新日期:2019-05-22 07:46
本发明专利技术实施方式提供一种残差网络模型及其训练方法、系统、识别方法及系统,属于黑毛猪肉的新鲜度识别技术领域。所述残差网络模型包括多个残差模块,每个所述残差模块包括串联的至少一个卷积层和一个池化层,所述卷积层用于对输入的黑毛猪肉图像进行滤波处理,所述池化层用于对处理后的所述黑毛猪肉图像进行进一步整合,每个所述残差模块的输入端和输出端连接;自适应网络,与所述残差模块连接,用于对所述黑毛猪肉图像进行识别和分类。该残差网络模型具备对黑毛猪肉图像的高精度识别功能;该训练方法、系统可以训练出高精度识别功能的残差网络模型;该识别方法、系统通过采用残差网络模型对黑毛猪肉进行识别,提高了黑毛猪肉图像新鲜度的识别率。

Residual Network Model and Its Training Method, System, Recognition Method and System

The embodiment of the invention provides a residual network model and its training method, system, identification method and system, which belongs to the technical field of freshness identification of black-haired pork. The residual network model comprises a plurality of residual modules, each of the residual modules comprises at least one coil layer and a pool layer in series, and the coiling layer is used for filtering the input black hairy image. The pool layer is used for further integration of the processed black meat pig image, and the input end and the output end of each residual module are connected. The adaptive network is connected with the residual module for identifying and classifying the black-haired pork image. The residual network model has the function of high-precision recognition of black-feather pork image; the training method and system can train the residual network model of high-precision recognition function; the recognition method and system use residual network model to recognize black-feather pork, and improve the recognition rate of freshness of black-feather pork image.

【技术实现步骤摘要】
残差网络模型及其训练方法、系统、识别方法及系统
本专利技术涉及黑毛猪肉的新鲜度识别
,具体地涉及一种基于残差网络和迁移学习的识别方法、系统及存储介质。
技术介绍
猪肉在存放过程中,由于本身酶的作用以及微生物的污染或宰杀前患病等原因,会造成猪肉自溶、腐败分解等变化,导致猪肉新鲜度下降。由于猪肉成分的分解,必然使其营养价值降低,而且无论是参与腐败的微生物及其毒素,还是腐败后形成的有毒分解产物,都可能引起人的中毒和疾病。猪肉的腐败变质是一渐进过程,变化复杂,还受到诸多因素的影响。因此如何准确快速地评定肉类的品质和安全性关系着消费者的健康和切身利益。现有技术中,猪肉品质的评价指标是颜色、质地、pH值、嫩度、新鲜度等,而新鲜度是评价肉品质和安全性的重要复杂的指标参数,其包含各种微生物、理化和生化特性。猪肉的主要成分,比如:蛋白质、脂肪和碳水化合物,被酶和细菌分解,产生气味;猪肉中的蛋白质将逐渐分解为氢,硫化物、氨、乙基硫醇等,产生包括组胺,酪胺,腐胺和色胺有毒小分子;脂肪会分解成醛类化合物和醛酸;碳水化合物会分解醇类、酮类、醛类、烃类和羧酸类酸性气体。在贮藏过程中,这些物质和其他碱性氮化合物一起会影响猪肉的颜色、纹理和形状特征。现有技术中判断猪肉新鲜度主要是依赖对猪肉的各项指标例如颜色、质地等进行检测,再根据预设的指标判断猪肉的新鲜度。这种方法虽然可以准确的判断猪肉的新鲜度,但是检测的方式复杂,依赖人为操作,难以实现自动化。
技术实现思路
本专利技术实施方式的目的是提供一种残差网络模型及其训练方法、系统、识别方法及系统。该残差网络模型相对于现有技术中的残差网络模型具备对黑毛猪肉图像的高精度识别功能;该训练方法、系统可以训练出高精度识别功能的残差网络模型;该识别方法、系统通过采用残差网络模型对黑毛猪肉进行识别,从而提高了黑毛猪肉图像新鲜度的识别率。为了实现上述目的,本专利技术的一方面实施方式提供一种基于残差网络和迁移学习的识别方法,该识别方法可以用于识别黑毛猪肉的新鲜度,包括:多个残差模块,每个所述残差模块包括串联的至少一个卷积层和一个池化层,所述卷积层用于对输入的黑毛猪肉图像进行滤波处理,所述池化层用于对处理后的所述黑毛猪肉图像进行进一步整合,每个所述残差模块的输入端和输出端连接;自适应网络,与所述残差模块连接,用于对所述黑毛猪肉图像进行识别和分类。可选地,所述自适应网络的层数为3层。另一方面,本专利技术还提供一种用于残差网络模型的训练方法,用于训练上述任一所述的残差网络模型,所述训练方法包括:预设一残差网络模型;采用预设的数据库对所述残差网络模型进行训练,初始化所述残差网络模型的参数和所述残差网络模型的各个变量的权重,其中,所述数据库包括至少一张猪肉的图像;将所述残差网络模型的全连接层和分类层的替换为自适应网络;将LReLU函数作为所述自适应网络的激活函数;采用预设的样本集再次训练所述残差网络模型,其中,所述样本集包括至少一张黑毛猪肉的图像;输出所述残差网络模型。可选地,所述采用预设的数据库对所述残差网络模型进行训练,初始化所述残差网络模型的参数和所述残差网络模型的各个变量的权重包括:分别对每张所述猪肉的图像进行裁切;分别对每张所述猪肉的图像进行仿射变换、透视变换和图像旋转中的至少一种操作以扩充所述猪肉的图像的数量。可选地,采用公式(1)作为所述LReLU函数,其中,x为输入值,f(x)为输出值,α为预设的参数。可选地,α的取值为0.01。另一方面,本专利技术还提供一种用于残差网络模型的训练系统,所述训练系统包括处理器,所述处理器用于执行上述任一所述的训练方法。另一方面,本专利技术还提供一种用于黑毛猪肉的识别方法,所述识别方法包括采用上述任一所述的残差网络模型对黑毛猪肉的图像进行识别。再一方面,本专利技术还提供一种用于黑毛猪肉的识别系统,所述识别系统包括处理器,所述处理器用于执行上述所述的识别方法。通过上述技术方案,本专利技术提供的残差网络模型通过将残差网络模型中的全连接层和分类层替换为自适应网络的方式,使得残差网络模型具备对黑毛猪肉图像的精确识别的功能;本专利技术提供的训练方法、系统通过迁移学习的方式,将传统残差网络模型在猪肉图像中学习的知识迁移至黑毛猪肉的识别中,使得在仅提供小样本的黑毛猪肉图像数据的情况下,也能够完成对残差网络模型的训练;本专利技术提供的识别方法通过将训练出的残差网络模型应用黑毛猪肉图像的识别中,实现了对黑毛猪肉图像的精确识别。本专利技术实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。附图说明附图是用来提供对本专利技术实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本专利技术实施方式,但并不构成对本专利技术实施方式的限制。在附图中:图1是根据本专利技术的一个实施方式的残差网络模型的结构框图;图2是根据本专利技术的一个实施方式的用于训练残差网络模型的训练方法的流程图;图3是根据本专利技术的一个实施方式的处理猪肉图像的方法的流程图;图4是ReLU函数的函数关系曲线图;图5是LReLU函数的函数关系曲线图;图6(a)是根据本专利技术的一个示例的训练过程中模型损失变化曲线图;以及图6(b)是根据本专利技术的一个示例的训练过程中分类准确率变化曲线图。具体实施方式以下结合附图对本专利技术实施方式的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本专利技术实施方式,并不用于限制本专利技术实施方式。在本申请实施方式中,在未作相反说明的情况下,使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。另外,若本申请实施方式中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施方式之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。如图1所示是根据本专利技术的一个实施方式的残差网络模型的结构框图。在图1中,该残差网络模型可以多个串联的残差模块10和自适应网络20。在图1中,每个残差模块10可以包括串联的至少一个卷积层11和一个池化层12。卷积层11用于对输入的黑毛猪肉图像进行滤波处理;池化层12用于对处理后的黑毛猪肉图像进行进一步整合。此外,为了避免由于多个卷积层11和池化层12处理过程中造成的梯度弥散的问题出现,每个残差模块10的输入端可以和输出端连接,这样可以使得神经网络在成百上千层时仍能够很好地训练结果,增强了模型的特征学习能力,提高了模型的分类性能。自适应网络20与残差模块10连接,用于对黑毛猪肉图像进行识别和分类。由于传统残差网络模型的全连接层和分类层对非线性对象的建模(在该实施方式中,该非线性对象可以是例如黑毛猪肉图像)不能很好地分类。因此,考虑到自适应网络在非线性对象的建模方面的优势,将全连接层和分类层替换为自适应网络能够很好地满足对黑毛猪肉图像的识别要求。对于该自适应网络层数的确定,可以是本领域人员所知的任意数量本文档来自技高网...

【技术保护点】
1.一种残差网络模型,用于黑毛猪肉图像的识别,其特征在于,所述残差网络模型包括:多个残差模块,每个所述残差模块包括串联的至少一个卷积层和一个池化层,所述卷积层用于对输入的黑毛猪肉图像进行滤波处理,所述池化层用于对处理后的所述黑毛猪肉图像进行进一步整合,每个所述残差模块的输入端和输出端连接;自适应网络,与所述残差模块连接,用于对所述黑毛猪肉图像进行识别和分类。

【技术特征摘要】
1.一种残差网络模型,用于黑毛猪肉图像的识别,其特征在于,所述残差网络模型包括:多个残差模块,每个所述残差模块包括串联的至少一个卷积层和一个池化层,所述卷积层用于对输入的黑毛猪肉图像进行滤波处理,所述池化层用于对处理后的所述黑毛猪肉图像进行进一步整合,每个所述残差模块的输入端和输出端连接;自适应网络,与所述残差模块连接,用于对所述黑毛猪肉图像进行识别和分类。2.根据权利要求1所述的残差网络模型,其特征在于,所述自适应网络的层数为3层。3.一种用于残差网络模型的训练方法,用于训练如权利要求1或2所述的残差网络模型,其特征在于,所述训练方法包括:预设一残差网络模型;采用预设的数据库对所述残差网络模型进行训练,初始化所述残差网络模型的参数和所述残差网络模型的各个变量的权重,其中,所述数据库包括至少一张猪肉的图像;将所述残差网络模型的全连接层和分类层的替换为自适应网络;将LReLU函数作为所述自适应网络的激活函数;采用预设的样本集再次训练所述残差网络模型,其中,所述样本集包括至少一张黑毛猪...

【专利技术属性】
技术研发人员:焦俊王文周侯金波孙裴乔焰辜丽川何屿彤吴亚文陈婧
申请(专利权)人:安徽农业大学安徽泓森物联网有限公司
类型:发明
国别省市:安徽,34

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1