果蔬检测方法、装置、电子设备以及计算机可读介质制造方法及图纸

本发明专利技术提供了一种果蔬检测方法、装置、电子设备以及计算机可读介质。所述方法包括：数据集生成步骤，根据果蔬的品质，采集果蔬的图像，以生成基于果蔬品质的数据集；模型训练步骤，基于所生成的所述数据集，对深度学习模型进行训练；以及检测步骤，基于已训练的所述深度学习模型，对待检测的果蔬图像进行检测，以识别所述待检测的果蔬图像中的果蔬的品质。本发明专利技术的上述方法能够对果蔬的品质进行有效且准确的检测。

【技术实现步骤摘要】
果蔬检测方法、装置、电子设备以及计算机可读介质
本专利技术涉及一种果蔬检测方法、装置、电子设备以及计算机可读介质。
技术介绍
随着农业种植水平的发展，市场上不同果蔬的品质参差不齐，通常品质优秀的果蔬(精品)价格更高，而品质相对较差的则价格会相对较低。也正是由于价格的差异，对于市场果蔬的品质检测与分类显得尤为重要，从而避免以次充好或者品质不达标的现象发生。如今，对于果蔬的品质检测的方法主要有人工检验与分拣方法，通常因不够智能化与自动化而效率较低，同时也引入人的主观判断，标准因人而异。或者是借助一些机械设备如传送带与不同大小尺寸的“漏洞”，使得不同果径大小的果蔬经过不同尺寸的“漏洞”掉入对应的品质区域。果蔬的品质通常涉及多方面影响因素，如果径大小、色泽、表皮纹理、表面损伤等，此类机械设备目前并做不到同时包含所有影响因素的综合评估，从而影响检测效果。例如，已知一种基于RGB的水果分类的现有技术。首先在固定灯光光照条件下通过RGB颜色识别传感器检测水果表面的RGB成分，检测水果表面着色度，获取图像色彩值，用合适的色相值累计着色面积百分比进行颜色本文档来自技高网...

【技术保护点】
1.一种果蔬检测方法，包括：/n数据集生成步骤，根据果蔬的品质，采集果蔬的图像，以生成基于果蔬品质的数据集；/n模型训练步骤，基于所生成的所述数据集，对深度学习模型进行训练；以及/n检测步骤，基于已训练的所述深度学习模型，对待检测的果蔬图像进行检测，以识别所述待检测的果蔬图像中的果蔬的品质。/n

【技术特征摘要】
1.一种果蔬检测方法，包括：
数据集生成步骤，根据果蔬的品质，采集果蔬的图像，以生成基于果蔬品质的数据集；
模型训练步骤，基于所生成的所述数据集，对深度学习模型进行训练；以及
检测步骤，基于已训练的所述深度学习模型，对待检测的果蔬图像进行检测，以识别所述待检测的果蔬图像中的果蔬的品质。


2.根据权利要求1所述的果蔬检测方法，还包括：
图像对生成步骤，将在所述数据集生成步骤中生成的所述数据集中的果蔬的图像两两组合，以形成用于模型训练的图像对。


3.根据权利要求2所述的果蔬检测方法，其中，
在所述模型训练步骤中，将所述图像对生成步骤中生成的所述图像对输入至所述深度学习模型中，以对所述深度学习模型进行训练，并且
在所述检测步骤中，将所述待检测的果蔬图像与标准图像组成待检测图像对，并输入至所述已训练的深度学习模型中进行检测。


4.根据权利要求3所述的果蔬检测方法，其中，
所述深度学习模型的损失函数为对比损失函数，基于该损失函数，对所述深度学习模型进行训练。


5.根据权利要求2所述的果蔬检测方法，其中，
在所述模型训练步骤中，将所述图像对生成步骤中生成的所述图像对根据通道维度进行连接操作，并将连接后的图像数据输入所述深度学习模型中，以对所述深度学习模型进行训练，并且
在所述检测步骤中，将所述待检测的果蔬图像与标准图像根据通道维度进行连接操作，将连接后的待检测图像数据输入至所述深度学习模型中进行检测。


6.根据权利要求5所述的果蔬检测方法，其中，
所述深度学习模型的损失函数为Pytorch深度学习框架中torch.nn.BCEWithLogitsLoss，基于该损失函数，对所述深度学习模型进行训练。


7.根据权利要求3-6的任一项所述的果蔬检测方法...

【专利技术属性】
技术研发人员：孙建成，王勃，王云吉，于忠京，王鑫，
申请(专利权)人：北京豆牛网络科技有限公司，
类型：发明
国别省市：北京;11