多模态人工智能识别物体结合区块链数据存证的溯源系统技术方案

本发明专利技术提出了一种多模态人工智能识别物体结合区块链数据存证的溯源系统，涉及深度学习领域。一种多模态人工智能识别物体结合区块链数据存证的溯源系统包括：图像采集模块，用于通过采集目标物体图像获取构建物体本体纹数据集，并利用图像数据建立高斯模型；预处理模块，用于对采集到的物体本体纹数据集进行预处理，作为训练数据并提取训练数据的特征值；特征矩阵模块，用于将多个物体本体纹图像对应的多个特征值合成特征矩阵；深度学习模块，用于根据特征矩阵，采用卷积神经网络确定物体本体纹；区块链模块，用于将确定的物体本体纹导入区块链内，作为数据库。其能够对果蔬表面颜色、大小、形状、瑕疵及表皮褶皱、纹理等指标进行精准分选。行精准分选。行精准分选。

【技术实现步骤摘要】
多模态人工智能识别物体结合区块链数据存证的溯源系统


[0001]本专利技术涉及深度学习领域，具体而言，涉及一种多模态人工智能识别物体结合区块链数据存证的溯源系统。

技术介绍

[0002]果蔬，是指多汁且主要味觉为甜味和酸味，可食用的植物果实。果蔬不但含有丰富的营养，而且能够促进消化。研究表明，果蔬纹理程度越高，链格孢毒素含量越高，离病斑越远的部分，含量则越低。如果机械损伤和冷害的果蔬，只要没长时间放置，滋生微生物的话，还是可以吃；而对于霉变纹理的果蔬，如果霉变的部分不是很严重，挖去病斑外2cm处，剩余部分还可以食用，如果霉变超过果蔬三分之一甚至一半以上，就不宜食用了。
[0003]随着人们生活质量的不断提高，人们对于果蔬品质的要求也越来越高。在日常生活中进行挑选果蔬时，人们往往是根据果蔬的外观等来主观判断果蔬的品质，然而这种识别方式主要依靠于人们自身的果蔬挑选经验，需要人们足够了解果蔬的特性，对于经验不足的人来说，很难准确地识别果蔬品质。
[0004]尤其是对于果蔬来说，果蔬表面是否有缺陷对果蔬的售卖价格和售卖方式均有较大影响，但是传统的依靠人工进行果蔬表面缺陷判定的方式的效率低，无法满足现代农业生产的需求。因此出现了运用图像处理技术对果蔬表面缺陷进行自动识别的技术。
[0005]但是现有的对果蔬表面缺陷进行图像识别的技术还存在从果蔬图片中提取的特征不能很好地区分对果蔬表面颜色、大小、形状、体积、密度、瑕疵及表皮褶皱、纹理等指标无法进行精准分选，使得果蔬缺陷识别精度和效率较低的问题。

技术实现思路

[0006]本专利技术的目的在于提供一种多模态人工智能识别物体结合区块链数据存证的溯源系统，其能够通过高斯建模算法进行复杂背景下的果蔬视觉综合特征检测和分析，获取高质量大数据图像信息，对果蔬表面颜色、大小、形状、体积、密度、瑕疵及表皮褶皱、纹理等指标进行精准分选。
[0007]本专利技术的实施例是这样实现的：
[0008]第一方面，本申请实施例提供一种多模态人工智能识别物体结合区块链数据存证的溯源系统，其包括图像采集模块，用于通过采集目标物体图像获取构建物体本体纹数据集，并利用图像数据建立高斯模型；
[0009]预处理模块，用于对采集到的物体本体纹数据集进行预处理，作为训练数据并提取训练数据的特征值；
[0010]特征矩阵模块，用于将多个物体本体纹图像对应的多个特征值合成特征矩阵；
[0011]深度学习模块，用于根据特征矩阵，采用卷积神经网络确定物体本体纹；
[0012]区块链模块，用于将确定的物体本体纹导入区块链内，作为数据库。
[0013]在本专利技术的一些实施例中，上述通过采集目标物体图像获取构建物体本体纹数据
集，并利用图像数据建立高斯模型包括：通过高分辨率工业相机镜头及光源系统，进行高精度目标物体图像采集。
[0014]在本专利技术的一些实施例中，上述还包括：将目标物体图像转换为灰度图，基于颜色特征确定灰度图中的本体纹特征图区域。
[0015]在本专利技术的一些实施例中，上述对采集到的物体本体纹数据集进行预处理，作为训练数据并提取训练数据的特征值包括：对目标物体图像中的物体本体纹进行mask处理得到训练图片，计算训练图片的有效区域。
[0016]在本专利技术的一些实施例中，上述还包括：当的物体本体纹在有效区域的边界或内部时，在有效区域内采集训练数据并提取训练数据的特征值。
[0017]在本专利技术的一些实施例中，上述将多个物体本体纹图像对应的多个特征值合成特征矩阵包括：将多个物体本体纹图像规格化为相同的尺寸，然后再将多个物体本体纹图像对应的多个特征值合成特征矩阵。
[0018]在本专利技术的一些实施例中，上述还包括：将输入的物体本体纹图像转换为张量形式，卷积层基于卷积运算处理图像，并输出特征图。
[0019]在本专利技术的一些实施例中，上述根据特征矩阵，采用卷积神经网络确定物体本体纹包括：每个特征图通道独立使用ROI池化层，ROI池化层从特征图中提取固定长度的特征向量连接到全连接层，使用loss function计算输出层，从而确定物体本体纹。
[0020]在本专利技术的一些实施例中，上述包括：用于存储计算机指令的至少一个存储器；与上述存储器通讯的至少一个处理器，其中当上述至少一个处理器执行上述计算机指令时，上述至少一个处理器使上述系统执行：图像采集模块、预处理模块、特征矩阵模块、深度学习模块及区块链模块。
[0021]第二方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如一种多模态人工智能识别物体结合区块链数据存证的溯源系统中任一项的系统。
[0022]相对于现有技术，本专利技术的实施例至少具有如下优点或有益效果：
[0023]其能够高斯建模算法进行复杂背景下的果蔬视觉综合特征检测和分析，获取高质量大数据图像信息，通过对果蔬图像进行预处理与特征值的提取，其次经过快速区域的卷积神经网络进行热带果蔬模型的训练，从而实现果蔬的识别与自动化分拣，对果蔬表面颜色、大小、形状、体积、密度、瑕疵及表皮褶皱、纹理等指标进行精准分选。通过使用高分辨率工业相机镜头，配合定制化的光源系统，实现高精度、像素级别对象特征数据采集效果，对果蔬进行无损检测，并对果蔬的表面等级缺陷程度划分，分级相对可靠。
附图说明
[0024]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0025]图1为本专利技术实施例提供的一种多模态人工智能识别物体结合区块链数据存证的溯源系统模块示意图；
[0026]图2为本专利技术实施例提供的一种电子设备。
[0027]图标：10
‑
图像采集模块；20
‑
预处理模块；30
‑
特征矩阵模块；40
‑
深度学习模块；50
‑
区块链模块；101
‑
存储器；102
‑
处理器；103
‑
通信接口。
具体实施方式
[0028]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
[0029]因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0030]应注意到：相似的标号和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多模态人工智能识别物体结合区块链数据存证的溯源系统，其特征在于，包括：图像采集模块，用于通过采集目标物体图像获取构建物体本体纹数据集，并利用图像数据建立高斯模型；预处理模块，用于对采集到的物体本体纹数据集进行预处理，作为训练数据并提取训练数据的特征值；特征矩阵模块，用于将多个物体本体纹图像对应的多个特征值合成特征矩阵；深度学习模块，用于根据特征矩阵，采用卷积神经网络确定物体本体纹；区块链模块，用于将确定的物体本体纹导入区块链内，作为数据库。2.如权利要求1所述的一种多模态人工智能识别物体结合区块链数据存证的溯源系统，其特征在于，所述通过采集目标物体图像获取构建物体本体纹数据集，并利用图像数据建立高斯模型包括：通过高分辨率工业相机镜头及光源系统，进行高精度目标物体图像采集。3.如权利要求2所述的一种多模态人工智能识别物体结合区块链数据存证的溯源系统，其特征在于，还包括：将目标物体图像转换为灰度图，基于颜色特征确定灰度图中的本体纹特征图区域。4.如权利要求1所述的一种多模态人工智能识别物体结合区块链数据存证的溯源系统，其特征在于，所述对采集到的物体本体纹数据集进行预处理，作为训练数据并提取训练数据的特征值包括：对目标物体图像中的物体本体纹进行mask处理得到训练图片，计算训练图片的有效区域。5.如权利要求4所述的一种多模态人工智能识别物体结合区块链数据存证的溯源系统，其特征在于，还包括：当的物体本体纹在有效区域的边界或内部时，在有效区...

【专利技术属性】
技术研发人员：秦庆，金铭，黄业琦，张聪，周旺，曹子亨，
申请(专利权)人：秦庆，
类型：发明
国别省市：