一种基于神经网络的花生霉变识别方法及系统技术方案

本发明专利技术涉及人工智能技术领域，具体涉及一种基于神经网络的花生霉变识别方法及系统，该方法包括：获取花生的初始图像，按照像素值的大小将初始图像中的像素值与像素性质分类集中的像素值进行匹配，获取初始图像中的像素值在像素性质分类集中的置信度以及每个置信度所对应的高斯分布模型；将初始图像中的每个像素值分别代入相应的高斯分布模型得到概率值，以每个高斯模型所对应的置信度作为权重对概率值进行加权求和得到初始图像中每个像素值的初始评分，将每个像素值为霉变像素及其为正常像素的初始评分进行比较得到评分差异，在初始图像中所有像素的评分差异大于零时，确定花生发生霉变，以达到在准确识别花生霉变的基础上降低了计算量。上降低了计算量。上降低了计算量。

【技术实现步骤摘要】
一种基于神经网络的花生霉变识别方法及系统


[0001]本专利技术涉及人工智能
，具体涉及一种基于神经网络的花生霉变识别方法及系统。

技术介绍

[0002]花生在储存的过程中往往是将大量的花生堆积在一起进行储放，当储放不当时花生很容易发生霉变，花生霉变很容易被黄曲霉素污染，被污染黄曲霉素对人体会产生极大的危害，黄曲霉素被世界卫生组织划定为1类致癌物；为了阻止黄曲霉素进入食物链，需要对花生进行霉变的识别监测，预先将变质的花生筛除，确保加工生产的食品制品的安全。
[0003]目前大多采用机器视觉的方式，采集花生的图像，采用分类网络对花生进行分类，以达到筛除变质花生的目的。
[0004]专利技术人在实践中，发现上述现有技术存在以下缺陷：在实际进行图像识别的过程中，如果每采集一张图像都需要采用神经网络进行识别，由于计算量大并不适用于工业生产。

技术实现思路

[0005]为了解决上述技术问题，本专利技术的目的在于提供一种基于神经网络的花生霉变识别方法及系统，所采用的技术方案具体如下：一种基于神经网络的花生霉变识别方法，该识别方法包括：获取花生的初始图像，每张所述初始图像中包括一颗花生；按照像素值的大小将所述初始图像中的像素值与像素性质分类集中的像素值进行匹配，获取初始图像中的像素值在像素性质分类集中的置信度以及每个置信度所对应的高斯分布模型；其中，所述像素性质分类集是基于花生的历史图像中相应像素值是否属于霉变像素，将像素值分为包括由霉变像素值构成的霉变集以及由未发生霉变的正常像素值构成的正常集；每个所述像素性质分类集中每个像素值对应一个置信度以及每种置信度下的不同像素值对应一个高斯分布模型；将所述初始图像中的每个像素值分别代入相应的所述高斯分布模型得到相应的概率值，以每个高斯模型所对应的所述置信度作为权重对所述概率值进行加权求和得到所述初始图像中每个像素值的初始评分，将每个像素值为霉变像素的初始评分及其为正常像素的初始评分进行比较得到评分差异，在所述初始图像中所有像素的评分差异大于零时，确定所述花生发生霉变。
[0006]进一步，所述置信度的获取步骤包括：利用分类网络对花生的历史图像进行分类得到由霉变像素值构成的霉变集和由正常像素值构成的正常集，所述分类网络输出每个像素值的置信度。
[0007]进一步，所述利用分类网络对花生的历史图像进行分类的步骤包括以下通过关注显著区域对分类结果进行优化的步骤：将所述分类网络所提取的特征图经过全局平均池化操作之后得到显著性图，对所述显著性图进行阈值化操作得到二值图；获取所述显著性图与所述二值图之间的像素值差异作为关注损失，以所述关注损失与所述分类网络的输出与
标签之间的交叉熵损失作为第一联合损失函数对所述分类网络进行联合训练。
[0008]进一步，所述分类网络在第一联合损失函数收敛之后，还包括：将待识别的花生的初始图像输入训练好的分类网络中，在在未霉变的概率值与霉变的概率值之间的绝对差异大于预设可靠阈值时，将显著性图与输入分类网络的花生的初始图像进行相乘得到分类结果所对应的关注区域，将关注区域中的像素值及其对应的置信度存储到相应的像素性质分类集中。
[0009]进一步，所述分类网络在第一联合损失函数收敛之后，还包括通过增加显著性图的关注像素之后得到的分类结果的变化情况，对像素性质分类集进行优化的步骤。
[0010]进一步，所述增加显著性图的关注像素的步骤包括：每次在所述显著性图上随机增加一个像素值得到扰动之后的显著性图，所述像素值的大小为1。
[0011]进一步，所述分类网络在第一联合损失函数收敛之后，还包括以下步骤：利用第二联合损失函数再次进行训练的步骤，其中所述第二联合损失函数包括所述第二次训练分类结果与第一次训练分类结果的概率之差大于等于零的约束、所述第二次训练输出的显著性图与所述扰动之后的显著性图之间的像素损失、以及每次增加一个扰动像素且像素值为1的约束；在所述第二联合损失函数收敛之后，将最终得到的显著性图与输入分类网络的花生的初始图像进行相乘得到霉变区域及该霉变区域中每个像素值所对应的置信度；将所述霉变区域中的像素值及其对应的置信度存入霉变集。
[0012]进一步，获取花生的初始图像的步骤包括：采集花生的原始图像，所述原始图像中包括多个花生仁；利用分水岭算法对所述原始图像进行分割得到二值图，将所述二值图与所述原始图像相乘得到每一个花生的初始图像。
[0013]另一方面，本专利技术另一个实施例提供了一种基于神经网络的花生霉变识别系统，该系统包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
[0014]本专利技术具有如下有益效果：本专利技术实施例按照像素值的大小将花生的初始图像中的像素值与像素性质分类集中的像素值进行匹配，获取初始图像中的像素值在像素性质分类集中的置信度以及每个置信度所对应的高斯分布模型，将初始图像中的像素值代入相应的高斯分布模型得到相应的概率值，并根据该概率值及相应的置信度得到花生霉变的评分，利用本专利技术实施例所提供的方法不仅能够准确的得到识别结果，而且能够降低计算量，适合工业化。需要说明的是，本专利技术实施例中的像素性质分类集、置信度及相应的高斯分布模型都是在网络训练阶段所得到的结果；而在实际的识别过程中，像素性质分类集、置信度及相应的高斯分布模型作为历史处理所获得的已知数据参与到实际识别的过程，因此在保证识别结果准确性的基础上还降低了计算量。
附图说明
[0015]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和优点，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的介绍，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它附图。
[0016]图1为本专利技术一个实施例所提供的一种基于神经网络的花生霉变识别方法流程图。
具体实施方式
[0017]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的一种基于神经网络的花生霉变识别方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0018]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0019]下面结合附图具体的说明本专利技术所提供的一种基于神经网络的花生霉变识别方法及系统的具体方案。
[0020]请参阅图1，其示出了本专利技术一个实施例提供的一种基于神经网络的花生霉变识别方法流程图，该识别方法包括：步骤S001，获取花生的初始图像，每张初始图像中包括一颗花生。
[0021]具体的，首先部署相机采集花生的原始图像，采集的花生原始图像中存在多个花生仁，为了得到每一颗本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的花生霉变识别方法，其特征在于，该识别方法包括：获取花生的初始图像，每张所述初始图像中包括一颗花生；按照像素值的大小将所述初始图像中的像素值与像素性质分类集中的像素值进行匹配，获取初始图像中的像素值在像素性质分类集中的置信度以及每个置信度所对应的高斯分布模型；其中，所述像素性质分类集是基于花生的历史图像中相应像素值是否属于霉变像素，将像素值分为包括由霉变像素值构成的霉变集以及由未发生霉变的正常像素值构成的正常集；所述像素性质分类集中每个像素值对应一个置信度、每种置信度下的不同像素值对应一个高斯分布模型；将所述初始图像中的每个像素值分别代入相应的所述高斯分布模型得到相应的概率值，以每个高斯模型所对应的所述置信度作为权重对所述概率值进行加权求和得到所述初始图像中每个像素值的初始评分，将每个像素值为霉变像素的初始评分及其为正常像素的初始评分进行比较得到评分差异，在所述初始图像中所有像素的评分差异大于零时，确定所述花生发生霉变。2.根据权利要求1所述的一种基于神经网络的花生霉变识别方法，其特征在于，所述置信度的获取步骤包括：利用分类网络对花生的历史图像进行分类得到由霉变像素值构成的霉变集和由正常像素值构成的正常集，所述分类网络输出每个像素值的置信度。3.根据权利要求2所述的一种基于神经网络的花生霉变识别方法，其特征在于，所述利用分类网络对花生的历史图像进行分类的步骤包括以下通过关注显著区域对分类结果进行优化的步骤：将所述分类网络所提取的特征图经过全局平均池化操作之后得到显著性图，对所述显著性图进行阈值化操作得到二值图；获取所述显著性图与所述二值图之间的像素值差异作为关注损失，以所述关注损失与所述分类网络的输出与标签之间的交叉熵损失作为第一联合损失函数对所述分类网络进行联合训练。4.根据权利要求3所述的一种基于神经网络的花生霉变识别方法，其特征在于，所述分类网络在第一联合损失函数收敛之后，还包括：将待识别的花生的初始图像输入训练好的分类网络中，在在未霉...

【专利技术属性】
技术研发人员：魏琳琳，苏倩然，吕孝义，茌海涛，
申请(专利权)人：泗水县锦川花生食品有限公司，
类型：发明
国别省市：