一种宝石等级鉴别方法及系统技术方案

本发明专利技术涉及一种宝石等级鉴别方法及系统，该方法中包括：采集宝石图片组成训练集，并对宝石图片中宝石的等级进行标注；构建第一宝石等级分类模型，采用迁移学习的方式进行训练；构建基于残差网络的第二宝石等级分类模型，通过训练集对第二宝石等级分类模型进行训练；将需要进行等级评鉴的宝石对应的宝石图片分别输入训练后的第一宝石等级分类模型和第二宝石等级分类模型，得到该宝石对应的两个等级分类结果；判断两个等级分类结果是否相同，如果相同，将等级分类结果作为该宝石的等级；否则，人工判断该宝石的等级，并根据人工判断结果对第一和/或第二宝石等级分类模型进行重新训练。本发明专利技术能够快速、准确的对宝石的等级进行鉴别。鉴别。鉴别。

【技术实现步骤摘要】
一种宝石等级鉴别方法及系统


[0001]本专利技术涉及宝石鉴别领域，尤其涉及一种宝石等级鉴别方法、终端设备及存储介质。

技术介绍

[0002]随着经济的发展和人们生活水平的提高，宝石已经进入寻常百姓家，成为互赠礼物、祈求祝福的佳品。但是在鱼龙混杂的宝石市场上，人们往往会望而却步，担心受到欺骗，这种现象的出现主要是因为人们对宝石的相关知识不够了解。
[0003]现有的宝石鉴别通过采用人工经验鉴别方式，其主要取决于鉴定者的经验，且具有一定的主观性，因此急需一种能够准确鉴别宝石等级的方法和仪器。

技术实现思路

[0004]为了解决上述问题，本专利技术提出了一种宝石等级鉴别方法、终端设备及存储介质。
[0005]具体方案如下：
[0006]一种宝石等级鉴别方法，包括以下步骤：
[0007]S1：采集宝石图片组成训练集，并对宝石图片中宝石的等级进行标注；
[0008]S2：构建基于卷积神经网络的第一宝石等级分类模型，采用迁移学习的方式，通过训练集对第一宝石等级分类模型进行训练；
[0009]S3：构建第二宝石等级分类模型，第二宝石等级分类模型的网络结构采用基于残差网络的卷积神经网络，通过训练集对第二宝石等级分类模型进行训练；
[0010]S4：将需要进行等级评鉴的宝石对应的宝石图片分别输入训练后的第一宝石等级分类模型和第二宝石等级分类模型，得到该宝石对应的两个等级分类结果；
[0011]S5：判断两个等级分类结果是否相同，如果相同，将等级分类结果作为该宝石的等级；否则，人工判断该宝石的等级，并根据人工判断结果对第一宝石等级分类模型和/或第二宝石等级分类模型进行重新训练。
[0012]进一步的，当对宝石进行等级评鉴时，采集该宝石对应的多张不同角度的图片，将多张不同角度的图片通过训练后的第一宝石等级分类模型或第二宝石等级分类模型后得到的多个分类结果中占比最大的分类结果作为该宝石通过训练后的第一宝石等级分类模型或第二宝石等级分类模型得到的等级分类结果。
[0013]进一步的，宝石图片的采集装置包括：密封盒、照明组件、均光板、宝石底座、摄像组件和舵机；
[0014]均光板设置于密封盒的底部，均光板的靠近密封盒的底部的一侧连接照明组件、另一侧连接用于安装宝石的宝石底座；
[0015]摄像组件通过舵机连接于密封盒，摄像组件能够在舵机的控制下在经过宝石底座的竖直面内旋转。
[0016]进一步的，密封盒的内部根据宝石类别的不同黏贴黑色或白色的粗面不反光的
纸。
[0017]进一步的，宝石图片的采集装置还包括第一导轨和第二导轨；第一导轨垂直于第二导轨设置，且滑动连接于第二导轨；第一导轨固定连接于密封盒的底部；宝石底座固定连接于第二导轨；均光板固定连接于密封盒，且位置设置于第一导轨与宝石底座之间。
[0018]进一步的，宝石底座采用分度盘的结构。
[0019]进一步的，舵机通过第三导轨连接于密封盒的侧壁，第三导轨设置于竖直方向，以使第三导轨滑动时，摄像组件能够在竖直方向上运动。
[0020]一种宝石等级鉴别终端设备，包括处理器、存储器以及存储在所述存储器中并可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本专利技术实施例上述的方法的步骤。
[0021]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术实施例上述的方法的步骤。
[0022]一种宝石等级鉴别系统，包括本专利技术实施例所述的宝石等级鉴别终端设备和本专利技术实施例所述的宝石图片的采集装置。
[0023]本专利技术采用如上技术方案，能够快速、准确的对宝石的等级进行鉴别。
附图说明
[0024]图1所示为本专利技术实施例中方法的流程图。
[0025]图2所示为本专利技术实施例中宝石图片的采集装置的第一结构示意图。
[0026]图3所示为本专利技术实施例中宝石图片的采集装置的第二结构示意图。
[0027]图4所示为本专利技术实施例中宝石图片的采集装置的第三结构示意图。
具体实施方式
[0028]为进一步说明各实施例，本专利技术提供有附图。这些附图为本专利技术揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本专利技术的优点。
[0029]现结合附图和具体实施方式对本专利技术进一步说明。
[0030]本专利技术实施例提供了一种宝石等级鉴别方法，如图1所示，所述方法包括以下步骤：
[0031]S1：采集宝石图片组成训练集，并对宝石图片中宝石的等级进行标注。
[0032]S2：构建基于卷积神经网络的第一宝石等级分类模型，采用迁移学习的方式，通过训练集对第一宝石等级分类模型进行训练。
[0033]S3：构建第二宝石等级分类模型，第二宝石等级分类模型的网络结构采用基于残差网络的卷积神经网络，通过训练集对第二宝石等级分类模型进行训练。
[0034]S4：将需要进行等级评鉴的宝石对应的宝石图片分别输入训练后的第一宝石等级分类模型和第二宝石等级分类模型，得到该宝石对应的两个等级分类结果。
[0035]S5：判断两个等级分类结果是否相同，如果相同，将等级分类结果作为该宝石的等级；否则，人工判断该宝石的等级，并根据人工判断结果对第一宝石等级分类模型和/或第二宝石等级分类模型进行重新训练，以供下次进行等级评鉴时使用。
[0036]需要说明的是，步骤S5进行重新训练时，根据人工判断结果与模型输出结果是否一致来判断对哪个模型进行重新训练，如果只有一个模型的输出结果与人工判断结果不一致，则只对该模型进行重新训练；如果两个模型都不一致，则两个模型都进行重新训练。
[0037]进一步的，由于宝石通常在不同角度拍摄到的效果不同，为了能够提高分类的准确性，本实施例中优选设定当对宝石进行等级评鉴时，采集该宝石对应的多张不同角度的图片，将多张不同角度的图片通过训练后的第一宝石等级分类模型或第二宝石等级分类模型后得到的多个分类结果中占比最大的分类结果作为该宝石通过训练后的第一宝石等级分类模型或第二宝石等级分类模型得到的等级分类结果。
[0038]第一宝石等级分类模型采用的卷积神经网络(CNN)为常用的机器学习网络。由于宝石的稀缺性，因此没有足够的样本数据来让模型学习到足够的特征，因此，采用迁移学习的方式对第一宝石等级分类模型进行训练。本实施例迁移学习中采用的预训练的卷积神经网络模型选用颜色较为丰富的花卉图片数据集进行训练。
[0039]卷积神经网络主要包括卷积层、池化层和全连接层，迁移学习的方式主要有以下三种，本领域技术人员可以根据需求选择其中的一种进行应用，在此不做限定。
[0040]①
载入预训练模型后，只训练自己定制的全连接层，即把预训练模型的参数，作为第一宝石等级分类模型的参数进行初始化，并以此继续进训练；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种宝石等级鉴别方法，其特征在于，包括以下步骤：S1：采集宝石图片组成训练集，并对宝石图片中宝石的等级进行标注；S2：构建基于卷积神经网络的第一宝石等级分类模型，采用迁移学习的方式，通过训练集对第一宝石等级分类模型进行训练；S3：构建第二宝石等级分类模型，第二宝石等级分类模型的网络结构采用基于残差网络的卷积神经网络，通过训练集对第二宝石等级分类模型进行训练；S4：将需要进行等级评鉴的宝石对应的宝石图片分别输入训练后的第一宝石等级分类模型和第二宝石等级分类模型，得到该宝石对应的两个等级分类结果；S5：判断两个等级分类结果是否相同，如果相同，将等级分类结果作为该宝石的等级；否则，人工判断该宝石的等级，并根据人工判断结果对第一宝石等级分类模型和/或第二宝石等级分类模型进行重新训练。2.根据权利要求1所述的宝石等级鉴别方法，其特征在于：当对宝石进行等级评鉴时，采集该宝石对应的多张不同角度的图片，将多张不同角度的图片通过训练后的第一宝石等级分类模型或第二宝石等级分类模型后得到的多个分类结果中占比最大的分类结果作为该宝石通过训练后的第一宝石等级分类模型或第二宝石等级分类模型得到的等级分类结果。3.根据权利要求1所述的宝石等级鉴别方法，其特征在于：宝石图片的采集装置包括：密封盒、照明组件、均光板、宝石底座、摄像组件和舵机；均光板设置于密封盒的底部，均光板的靠近密封盒的底部的一侧连接照明组件、另一侧连接用于安装宝石的宝石底座；...

【专利技术属性】
技术研发人员：朱君，陈添丁，范忆梅，王辉，林志伟，余鑫，
申请(专利权)人：漳州万舞信息科技有限公司，
类型：发明
国别省市：