一种通用式智能学习农产品检测与分级的方法与装置制造方法及图纸

本发明专利技术涉及一种通用式智能学习农产品检测与分级的方法，通过模仿神经节细胞的同心圆结构，构建出仿神经元算子，通过通用层级式认知体系结构，由通用层级式认知体系底层至顶层，采用反向反馈机制，将每一层从高级认知向低级去增强符合高级预期的神经元，并抑制不符合高级预期的神经元，使计算机对被检测品进行仿人类语言式描述，并与对应的描述坏损分级模型进行匹配，完成对农产品的自动检测与分级。本发明专利技术适用多种农产品中，能够完成对多品种农产品进行缺陷和损伤的自动检测与分级。本发明专利技术还公开了一种通用式智能学习农产品检测与分级的装置。

【技术实现步骤摘要】
一种通用式智能学习农产品检测与分级的方法与装置
本专利技术涉及计算机农业
，尤其涉及一种通用式智能学习农产品检测与分级的方法与装置。
技术介绍
目前，随着图像处理技术的专业与计算机硬件成本的下降和速度的提高，在农产品外观品质自动检测和分级领域的应用已经越来越广泛。农产品在其生产过程中由于受到人为和自然等复杂因素的影响，产品品质差异很大，例如，形状、大小、色泽等都是变化的，很难整齐划一，故在农产品品质检测与分类时要有足够的应变能力来适应情况的变化。近年来，国际上对利用机器视觉进行农产品品质自动识别研究的对象极其广泛，例如，通过对马铃薯、鸡蛋、苹果等农产品的大小、形状、颜色和表面损伤与缺陷等进行分级，已达到不同等级的产品面向不同的市场。现今，农产品表面缺陷和损伤的自动检测一直是农产品分级中的一个难题，即现有技术中，通过对被检测品的图像进行低通滤波后与原图像进行相减，取得坏损点特征。并通过由人工建立的针对被测品的坏损特征分级模型，可以完成对被测品的分级处理。通过近红外线扫描摄像机的对被测品表面灰度图像的算法，可以确定损伤面积，并将碰压伤和其他坏损区域分开处理，并通过对比坏损品特征分级模型，完成对被检品的分级处理。另外通过提取被测品的尺寸与面积特征，与对应分级模型进行对比，也可以完成被检品的分级处理。通过特征提取的算法进行坏损品检测，可以完成对单类型农产品的坏损品检测，在实际应用中，农产品形态多样，现有的技术算法只能针对单一种类的农产品进行检测，无法通过一种算法，应用在多种农产品的检测中。
技术实现思路
本专利技术所要解决的技术问题是为了使农产品自动检测分级可以适用到多种农产品中，通过分析神经生物学原理，建立一种模仿人类对待新事物时通用层级式认知体系，实现对农产品的自动检测与分级的关键问题。为此目的，本专利技术提出了一种通用式智能学习农产品检测与分级的方法，包括具体以下步骤：S1：构建坏损分级模型；S2：对待检验的农产品进行仿人类语言描述；S3：将待检验的农产品与所述坏损分级模型进行匹配，完成对待检验的农产品自动检测与分级操作。进一步地，所述步骤S1具体包括：S11：构建仿神经元算子；S12：通过通用层级式认知体系结构，由通用层级认知体系底层至顶层，采用反向反馈机制，将每一层从高级认知向低级认知对符合高级预期的神经元进行增强操作，对不符合高级预期的神经元进行抑制操作。具体地，所述构建仿神经元算子具体为：通过二维高斯函数公式，将待检测的农产品图像中像素的相对位置坐标通过公式r2＝U2+V2代入具体地，所述通用层级认知体系由底层到顶层依次包括：原始数据采集层、功能层、仿生层、部件层以及描述层。为此目的，本专利技术还提出了一种通用式智能学习农产品检测与分级的装置，包括：模型构建模块，用于构建坏损分级模型；仿人类语言描述模块，用于对待检验的农产品进行仿人类语言描述；匹配操作模块，用于将待检验的农产品与所述坏损分级模型进行匹配，完成对待检验的农产品自动检测与分级操作。进一步地，所述模型构建模块具体包括：仿神经元算子构建单元，用于构建仿神经元算子；反向反馈机制操作单元，用于通过通用层级式认知体系结构，由通用层级认知体系底层至顶层，采用反向反馈机制，将每一层从高级认知向低级认知对符合高级预期的神经元进行增强操作，对不符合高级预期的神经元进行抑制操作。具体地，所述构建仿神经元算子具体为：通过二维高斯函数公式，将待检测的农产品图像中像素的相对位置坐标通过公式r2＝U2+V2代入具体地，所述通用层级认知体系由底层到顶层依次包括：原始数据采集层、功能层、仿生层、部件层以及描述层。本专利技术公开了一种通用式智能学习农产品检测与分级的方法，通过模仿神经节细胞的同心圆结构，构建出仿神经元算子，通过通用层级式认知体系结构，由通用层级式认知体系底层至顶层，采用反向反馈机制，将每一层从高级认知向低级去增强符合高级预期的神经元，并抑制不符合高级预期的神经元，使计算机对被检测品进行仿人类语言式描述，并与对应的描述坏损分级模型进行匹配，完成对农产品的自动检测与分级。本专利技术适用多种农产品中，能够完成对多品种农产品进行缺陷和损伤的自动检测与分级。本专利技术还公开了一种通用式智能学习农产品检测与分级的装置。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。通过参考附图会更加清楚的理解本专利技术的特征和优点，附图是示意性的而不应理解为对本专利技术进行任何限制，在附图中：图1示出了本专利技术一种通用式智能学习农产品检测与分级的方法步骤流程图；图2(a)(b)示出了本专利技术一种通用式智能学习农产品检测与分级的方法中被检测农产品图像以及农产品坏损分级模型图；图3示出了本专利技术一种通用式智能学习农产品检测与分级的方法中仿神经元算子模型图；图4示出了本专利技术一种通用式智能学习农产品检测与分级的方法中通用层级式认知体系结构图；图5示出了本专利技术一种通用式智能学习农产品检测与分级的方法中仿神经元金字塔体系图；图6示出了本专利技术一种通用式智能学习农产品检测与分级的装置的结构示意图。具体实施方式为了使农产品自动检测分级可以适用到多种农产品中，需要一种有适应性的算法，能够完成对多品种农产品进行缺陷和损伤的自动检测分级。通过对神经生物学原理的分析，人类视网膜中的各种神经元呈现不同的感受野。其中，神经节细胞呈现出侧向抑制过程，并且大多数神经节细胞都不对景象中亮度的实际水平起反应，而只对景象中对比的边缘起反应。这种神经节细胞呈现出中心与周围拮抗的同心圆构型。因此，利用这一理论，我们模仿神经节细胞的同心圆结构，构建出仿神经元算子，通过通用层级式认知体系结构，由通用层级式认知体系底层至顶层，采用反向反馈机制，将每一层从高级认知向低级去增强符合高级预期的神经元，并抑制不符合高级预期的神经元，使计算机对被检测品进行仿人类语言式描述，并与对应的描述坏损分级模型进行匹配，完成对农产品的自动检测与分级。下面将结合附图对本专利技术的实施例进行详细描述。以下实施例仅用于说明本专利技术，但不能用来限制本专利技术的范围。为了更好的理解与应用本专利技术提出的一种通用式智能学习农产品检测与分级的方法与装置，以如下附图示例进行详细说明。本专利技术提供了一种通用式智能学习农产品检测与分级的方法，包括具体以下步骤：步骤S1：构建坏损分级模型。具体地，如图2所示，以马铃薯为例，对本专利技术提出的一种用于农产品自动检测与分级的方法进行示例。其中，图2(a)为被检测农产品图像，图2(b)为农产品坏损分级模型图像，且坏损分级模型如表1所示。具体地，步骤S1具体包括：步骤S11：构建仿神经元算子。结合图3所示，其中，构建仿神经元算子具体为：通过二维高斯函数公式，将待检测的农产品图像中像素的相对位置坐标通过公式r2＝U2+V2代入进行计算，得出同心圆内圈与外圈的高斯分布，并且内圈各本文档来自技高网...

【技术保护点】
一种通用式智能学习农产品检测与分级的方法，其特征在于，包括具体以下步骤：S1：构建坏损分级模型；S2：对待检验的农产品进行仿人类语言描述；S3：将待检验的农产品与所述坏损分级模型进行匹配，完成对待检验的农产品自动检测与分级操作。

【技术特征摘要】
1.一种通用式智能学习农产品检测与分级的方法，其特征在于，包括具体以下步骤：S1：构建坏损分级模型，所述坏损分级模型包括农产品的分类等级和与所述分类等级一一对应的仿人类语言描述；S2：对待检验的农产品进行仿人类语言描述；S3：将对待检验的农产品的仿人类语言描述与所述坏损分级模型中的仿人类语言描述进行匹配，完成对待检验的农产品自动检测与分级操作；所述步骤S1具体包括：S11：构建仿神经元算子；S12：通过通用层级式认知体系结构，由通用层级认知体系底层至顶层，采用反向反馈机制，将每一层从高级认知向低级认知对符合高级预期的神经元进行增强操作，对不符合高级预期的神经元进行抑制操作。2.如权利要求1所述的方法，其特征在于，所述构建仿神经元算子具体为：通过二维高斯函数公式，将待检测的农产品图像中像素的相对位置坐标通过公式r2＝U2+V2代入进行计算。3.如权利要求1所述的方法，其特征在于，所述通用层级认知体系由底层到顶层依次包括：原始数据采集层、功能层、仿生层、部件层以及描述层。4.一种通用式智能学习农产品检测与...

【专利技术属性】
技术研发人员：赵天奇，
申请(专利权)人：赵天奇，
类型：发明
国别省市：北京;11