一种红枣筛选识别方法及系统技术方案

本发明专利技术提供一种红枣筛选识别方法及系统，所述方法包括：获取样本红枣的标签数据样本、样本红枣的二维图像数据中的二维图像特征样本和样本红枣的立体数据中的三维立体特征样本；以所述二维图像特征样本与所述三维立体特征样本作为输入参量，以标签数据样本作为输出参量进行学习训练得到红枣识别模型；采集待识别红枣的二维图像数据中的二维图像特征和待识别红枣的立体数据中的三维立体特征；将所述待识别红枣的所述二维图像特征和所述三维立体特征输入所述红枣识别模型，得到所述待识别红枣的标签数据识别结果；所述标签数据包括不熟果、病果、浆头、破头、畸形枣、裂果的标签。以上方法，能够通过二维和三维两方面的样本数据得到红枣的外观检测结果，具有更高精度。具有更高精度。具有更高精度。

【技术实现步骤摘要】
一种红枣筛选识别方法及系统


[0001]本专利技术涉及食品质量检验
，具体地，涉及一种红枣筛选识别方法及系统。

技术介绍

[0002]红枣是一种营养佳品，被誉为“百果之王”。红枣含有丰富的维生素A、B、C等人体必须的多种维生素和氨基酸、矿物质，其中维生素C(抗坏血酸)的含量竟高达葡萄、苹果的70～80倍，芦丁(维生素P)的含量也很高，这两种维生素对防癌和预防高血压、高血脂都有一定作用。因此，红枣在消费市场上受到消费者极高的青睐，社会需求量不断加大，激发了企业家产业化经营枣的积极性。但同时，霉烂、虫害、裂纹等缺陷严重影响了红枣的品质和价值，必须进行分拣。
[0003]在对红枣进行检验时，首先需要进行取样，然后对样本进行检验，进而估算全部红枣的质量。红枣的质量好坏通过外观便可以看出，因此，在现有技术中也通常采用观察红枣外观的方式进行质量检测；现有技术中的方案，在对红枣进行外观质量检验时，主要依靠平面图像进行比对，其检测精度还存在改进提升的空间。

技术实现思路

[0004]本专利技术旨在提供一种红枣筛选识别方法及系统，以解决现有技术中红枣外观检测存在的精度较低的技术问题。
[0005]为解决上述技术问题，本专利技术提供一种红枣筛选识别方法，包括如下步骤：
[0006]获取样本红枣的标签数据样本、样本红枣的二维图像数据中的二维图像特征样本和样本红枣的立体数据中的三维立体特征样本；
[0007]以所述二维图像特征样本与所述三维立体特征样本作为输入参量，以标签数据样本作为输出参量进行学习训练得到红枣识别模型；
[0008]采集待识别红枣的二维图像数据中的二维图像特征和待识别红枣的立体数据中的三维立体特征；
[0009]将所述待识别红枣的所述二维图像特征和所述三维立体特征输入所述红枣识别模型，得到所述待识别红枣的标签数据识别结果；
[0010]所述标签数据包括是否有不熟果、病果、浆头、破头、畸形枣、裂果的标签。
[0011]可选地，上述的红枣筛选识别方法，采集待识别红枣的二维图像数据中的二维图像特征和待识别红枣的立体数据中的三维立体特征的步骤中，通过如下方式得到所述二维图像特征：
[0012]以所述样本红枣的二维图像数据作为输入样本，以所述样本红枣的二维图像特征样本作为输出样本对学习模型进行训练，以完成训练的学习模型作为二维图像特征识别模型；
[0013]采集待识别红枣的二维图像数据输入至所述二维图像特征识别模型中，得到所述待识别红枣的二维图像特征。
[0014]可选地，上述的红枣筛选识别方法，以所述样本红枣的二维图像数据作为输入样本，以所述样本红枣的二维图像特征样本作为输出样本对学习模型进行训练，以完成训练的学习模型作为二维图像特征识别模型的步骤中：
[0015]所述样本红枣的二维图像数据包括多种不同光照强度条件下和/或多种不同拍摄角度下拍摄得到的样本红枣的二维图像数据。
[0016]可选地，上述的红枣筛选识别方法，以所述二维图像特征样本与所述三维立体特征样本作为输入参量，以标签数据样本作为输出参量进行学习训练得到红枣识别模型的步骤中包括：
[0017]对所述二维图像特征样本和所述三维立体特征样本进行相关性分析后得到样本红枣的融合特征样本；
[0018]根据所述融合特征样本与所述标签数据样本之间的对应关系得到所述红枣识别模型。
[0019]可选地，上述的红枣筛选识别方法，所述二维图像特征包括红枣表面纹理和/或颜色；所述三维立体特征包括红枣外形、体积和轮廓；
[0020]所述破头果包括掉皮、掉肉和破皮掉肉；所述裂果包括直接裂果和凹陷裂果；所述病果包括黑点、浅色散点、条状锈斑和网状锈斑，其他类型包括畸形和品种。
[0021]本专利技术还提供一种存储介质，所述存储介质中存储有程序信息，计算机读取所述程序信息后执行以上任一项所述的红枣筛选识别方法。
[0022]本专利技术还提供一种红枣筛选识别系统，包括至少一个处理器和至少一个存储器，至少一个所述存储器中存储有程序信息，至少一个所述处理器读取所述程序信息后执行以上任一项所述的红枣筛选识别方法。
[0023]可选地，上述的红枣筛选识别系统，还包括：
[0024]摄像头，用于获取待识别红枣的二维图像数据；
[0025]图像处理器，用于接收所述摄像头发送的待识别红枣的二维图像数据，输入其内置二维图像特征识别模型后，得到所述待识别红枣的二维图像特征，并将所述待识别红枣的二维图像特征发送至所述处理器。
[0026]可选地，上述的红枣筛选识别系统，所述摄像头包括两个，两个所述摄像头从不同角度对所述待识别红枣进行拍摄得到所述二维图像数据。
[0027]可选地，上述的红枣筛选识别系统，还包括光源：
[0028]所述光源的发光强度可调节；所述摄像头在所述光源处于不同发光强度的条件下对所述待识别红枣进行拍摄得到所述二维图像数据
[0029]与现有技术相比，本专利技术提供的上述任一技术方案至少具有以下有益效果：本专利技术提供的方案，根据红枣二维图像数据中的二维图像特征和红枣的立体数据中的三维立体特征作为检测分析的依据，确定红枣的标签数据，在实际检测识别红枣时，同样依据上述特征融合结果来判断待识别红枣的标签数据，从而能够显著提升红枣外观的识别精度。以上方法，能够通过二维和三维两方面的样本数据得到红枣的外观检测结果，具有更高精度。
附图说明
[0030]图1为本专利技术一个实施例所述红枣筛选识别方法的流程图；
[0031]图2为本专利技术一个实施例所述得到二维图像特征的流程图；
[0032]图3为本专利技术一个实施例所述红枣筛选识别系统的系统框图；
[0033]图4为本专利技术另一个实施例所述红枣筛选识别系统的系统框图；
[0034]图5为本专利技术所述红枣筛选识别系统中摄像头与光源的布置方式示意图；
[0035]图6为本专利技术所述果品指标精准量化查询图谱库结构图；
[0036]图7为本专利技术果品感官指标精准量化查询系统操作的流程图；
[0037]图8为本专利技术一个实施例所述模糊搜索得到的结果示意图；
[0038]图9为本专利技术一个实施例所述不同变形缺陷级别的红枣图像及sigmoid函数的图像；
[0039]图10为本专利技术一个实施例所述不熟果的图像以及tanh的公式及函数图像；
[0040]图11为本专利技术一个实施例所述裂果图像及Relu算法图像；
[0041]图12为本专利技术一个实施例所述浆头果图像及softmax函数；
[0042]图13为本专利技术一个实施例灰枣果皮分级举例示意图；
[0043]图14为本专利技术一个实施例所述逐步回归分析法分级示意图；
[0044]图15为本专利技术一个实施例所述D聚类分析法分级示意图；
[0045]图16为本专利技术一个实施例所述验证实验样本中典型不合格枣
‑
破头果示意图；
[0046]图17本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种红枣筛选识别方法，其特征在于，包括如下步骤：获取样本红枣的标签数据样本、样本红枣的二维图像数据中的二维图像特征样本和样本红枣的立体数据中的三维立体特征样本；以所述二维图像特征样本与所述三维立体特征样本作为输入参量，以标签数据样本作为输出参量进行学习训练得到红枣识别模型；采集待识别红枣的二维图像数据中的二维图像特征和待识别红枣的立体数据中的三维立体特征；将所述待识别红枣的所述二维图像特征和所述三维立体特征输入所述红枣识别模型，得到所述待识别红枣的标签数据识别结果；所述标签数据包括是否有不熟果、病果、浆头、破头、畸形枣、裂果的标签。2.根据权利要求1所述的红枣筛选识别方法，其特征在于，采集待识别红枣的二维图像数据中的二维图像特征和待识别红枣的立体数据中的三维立体特征的步骤中，通过如下方式得到所述二维图像特征：以所述样本红枣的二维图像数据作为输入样本，以所述样本红枣的二维图像特征样本作为输出样本对学习模型进行训练，以完成训练的学习模型作为二维图像特征识别模型；采集待识别红枣的二维图像数据输入至所述二维图像特征识别模型中，得到所述待识别红枣的二维图像特征。3.根据权利要求2所述的红枣筛选识别方法，其特征在于，以所述样本红枣的二维图像数据作为输入样本，以所述样本红枣的二维图像特征样本作为输出样本对学习模型进行训练，以完成训练的学习模型作为二维图像特征识别模型的步骤中：所述样本红枣的二维图像数据包括多种不同光照强度条件下和/或多种不同拍摄角度下拍摄得到的样本红枣的二维图像数据。4.根据权利要求1
‑
3任一项所述的红枣筛选识别方法，其特征在于，以所述二维图像特征样本与所述三维立体特征样本作为输入参量，以标签数据样本作为输出参量进行学习训练得到红...

【专利技术属性】
技术研发人员：刘雪梅，郑晓冬，曹宁，宋烨，王文昌，张青青，吴克钦，买买提依明，
申请(专利权)人：郑州商品交易所沧州沧科智能科技有限公司，
类型：发明
国别省市：