一种鸡蛋新鲜度识别方法、系统及设备技术方案

本发明专利技术公开一种鸡蛋新鲜度识别方法、系统及设备，涉及食品质量检测领域。该方法包括持续每天采集鸡蛋图像，并测定鸡蛋的哈夫单位值；根据哈夫单位值确定鸡蛋新鲜度等级；构建基于自适应性多教师知识蒸馏的鸡蛋新鲜度识别模型；鸡蛋新鲜度识别模型结合3种教师模型的基于标签知识的蒸馏方法、基于中间层知识的蒸馏方法和基于结构化知识的蒸馏方法；其中，集成3种教师模型的预测结果，在真实值标签的帮助下，自适应地为预测损失值较小的教师模型分配较大的权重，为预测损失值较大的教师模型分配较小的权重；以鸡蛋图像为输入，以鸡蛋新鲜度等级为输出，训练鸡蛋新鲜度识别模型，识别待测鸡蛋的新鲜度。本发明专利技术能够提升鸡蛋新鲜度识别效果。度识别效果。度识别效果。

【技术实现步骤摘要】
一种鸡蛋新鲜度识别方法、系统及设备


[0001]本专利技术涉及食品质量检测领域，特别是涉及一种鸡蛋新鲜度识别方法、系统及设备。

技术介绍

[0002]鸡蛋营养价值丰富，含有人体必需的优质蛋白质，而且价格低廉，是人类膳食优质蛋白质的重要来源。然而在运输贮存过程中，一直伴随着鸡蛋品质的不断衰减。鸡蛋新鲜度的下降不仅会导致口感、品质和营养的损失，影响鸡蛋价值，而且鸡蛋质变产生的微生物污染容易引起食源性疾病爆发，甚至危及消费者的生命健康。因此，如何快速、准确、低成本地进行鸡蛋新鲜度识别一直是业界和学术界共同关注的问题。
[0003]近年来，随着计算机和信息技术的迅速发展，国内外学者成功地将计算机视觉技术应用于农产品新鲜度识别中。基于鸡蛋新鲜度衰减过程中气室和蛋黄等区域呈现的不同形态和颜色信息，部分研究者以鸡蛋图像中的气室为感兴趣区域，通过分析气室面积与整蛋面积之比(气室面积比)的变化，建立回归模型验证了气室面积比与鸡蛋新鲜度呈显著负相关，实现了鸡蛋新鲜度的快速识别。近年来，有研究者提出了基于卷积神经网络的鸡蛋新鲜度识别方法，将结合通道和空间的注意力机制引入GoogLeNet构建GoogLeNet
‑
A模型，增强了模型对鸡蛋图像中气室和蛋黄区域的关注，对鸡蛋新鲜度识别准确率达到94.05％，证明了深度学习技术在鸡蛋新鲜度识别上的应用潜力。
[0004]深度神经网络模型的高准确率是基于更深、更广和更复杂的网络结构实现的，网络性能不断提升的同时网络模型的复杂度和参数量呈几何倍数增加，现有的鸡蛋新鲜度识别模型难以满足在实际生产中的应用。因此需在保证模型性能的前提下尽量减少模型参数，对模型进行压缩。知识蒸馏用一个或多个复杂、准确的大型网络来指导简单、小型网络训练的方式显著提升小型网络的性能，而分类性能好的模型参数量和计算量大，参数量和计算量小的模型分类性能差，鸡蛋新鲜度识别效果差。

技术实现思路

[0005]本专利技术的目的是提供一种鸡蛋新鲜度识别方法、系统及设备，以解决鸡蛋新鲜度识别效果差的问题。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种鸡蛋新鲜度识别方法，包括：
[0008]持续每天采集鸡蛋图像，并测定鸡蛋的哈夫单位值；
[0009]根据所述哈夫单位值确定鸡蛋新鲜度等级；所述鸡蛋新鲜度等级包括AA级、A级和B级；
[0010]构建基于自适应性多教师知识蒸馏的鸡蛋新鲜度识别模型；所述鸡蛋新鲜度识别模型为学生模型；所述学生模型结合3种教师模型的基于标签知识的蒸馏方法、基于中间层知识的蒸馏方法和基于结构化知识的蒸馏方法；其中，所述学生模型集成3种所述教师模型
的预测结果，在真实值标签的帮助下，自适应地为预测损失值较小的教师模型分配较大的权重，为预测损失值较大的教师模型分配较小的权重；
[0011]以所述鸡蛋图像为输入，以所述鸡蛋新鲜度等级为输出，训练所述鸡蛋新鲜度识别模型，生成训练好的鸡蛋新鲜度识别模型；
[0012]根据所述训练好的鸡蛋新鲜度识别模型识别待测鸡蛋的新鲜度。
[0013]可选的，所述基于标签知识的蒸馏方法的损失函数L
Logits
为：
[0014][0015]其中，C为新鲜度总类别数量，c为新鲜度类别号，c＝1，2，3...，C；T为温度系数；为所述教师模型在当前新鲜度类别的软化概率向量；为学生模型在当前新鲜度类别的软化概率向量；角标t为教师模型；角标s为学生模型。
[0016]可选的，所述基于中间层知识的蒸馏方法的损失函数L
Feature
为：
[0017][0018]其中，f
t
(x
t
)
n
‑2为所述教师模型倒数第三层输出的特征向量；f
s
(x
s
)
m
‑2为所述学生模型倒数第三层输出的特征向量；n为所述教师模型的卷积层数量；m为所述学生模型的卷积层数量；x
t
为所述教师模型倒数第三层输入的特征向量；x
s
为所述学生模型倒数第三层输入的特征向量；W
r
为一个全连接层，所述全连接层用于匹配所述教师模型和所述学生模型倒数第三层输出的维度；角标t为教师模型；角标s为学生模型；||||为范数运算符。
[0019]可选的，所述基于结构化知识的蒸馏方法的损失函数L
RKD
为：
[0020][0021]其中，(x1,
…
,x
n
)为从输入特征向量X中提取的n元组，n＝1，2，3...；为度量给定n元组的关系属性的关系势函数，所述关系属性包括角度和欧氏距离；(f
t
(x1),
…
,f
t
(x
n
))为所述教师模型在任意层的输出特征向量；f
s
(x1),
…
,f
s
(x
n
))为所述学生模型在任意层的输出特征向量；l
δ
为计算所述教师模型与所述学生模型差异的Huber损失；角标t为教师模型；角标s为学生模型。
[0022]可选的，第k个所述教师模型的预测结果与所述真实值标签之间的交叉熵损失L
teacherk
为：
[0023][0024]其中，y
c
为第c类新鲜度的one
‑
hot向量；C为新鲜度总类别数量，c为新鲜度类别号，c＝1，2，3...，C；为第k个教师模型在当前新鲜度类别的概率向量，k＝1,2,3，为第k个教师模型在第c类新鲜度类别的预测值。
[0025]可选的，第k个所述教师模型的预测损失值分配的权重w
teacherk
为：
[0026][0027]其中，C为新鲜度总类别数量，c为新鲜度类别号，c＝1，2，3...，C；K为教师模型总数量。
[0028]可选的，所述鸡蛋新鲜度识别模型的损失函数为L
all
为：
[0029]L
all
＝α
·
L
student
+(1
‑
α)
·
L
teacher
[0030]其中，α为超参数；L
student
为所述学生模型的预测结果与所述真实标签之间的交叉熵损失，y
c
为第c类新鲜度的one
‑
hot向量，为学生模型在第c类新鲜度类别的概率向量，为学生模型在第c类新鲜度类别的预测值，C为新鲜度总类别数量，c为新鲜度类别号，c＝1，2，3...，C；L
teacher
为所述教师模型的集成损失，L
teacher
＝w
teacher1
·
L
Logits
+w
...

【技术保护点】

【技术特征摘要】
1.一种鸡蛋新鲜度识别方法，其特征在于，包括：持续每天采集鸡蛋图像，并测定鸡蛋的哈夫单位值；根据所述哈夫单位值确定鸡蛋新鲜度等级；所述鸡蛋新鲜度等级包括AA级、A级和B级；构建基于自适应性多教师知识蒸馏的鸡蛋新鲜度识别模型；所述鸡蛋新鲜度识别模型为学生模型；所述学生模型结合3种教师模型的基于标签知识的蒸馏方法、基于中间层知识的蒸馏方法和基于结构化知识的蒸馏方法；其中，所述学生模型集成3种所述教师模型的预测结果，在真实值标签的帮助下，自适应地为预测损失值较小的教师模型分配较大的权重，为预测损失值较大的教师模型分配较小的权重；以所述鸡蛋图像为输入，以所述鸡蛋新鲜度等级为输出，训练所述鸡蛋新鲜度识别模型，生成训练好的鸡蛋新鲜度识别模型；根据所述训练好的鸡蛋新鲜度识别模型识别待测鸡蛋的新鲜度。2.根据权利要求1所述的鸡蛋新鲜度识别方法，其特征在于，所述基于标签知识的蒸馏方法的损失函数L
Logits
为：其中，z＝[z1,
…
,z
C
]为所述鸡蛋新鲜度识别模型全连接层输出的每类新鲜度的预测值，C为新鲜度总类别数量，c为新鲜度类别号，c＝1，2，3...，C；T为温度系数；q(z
c
,T)为第c类新鲜度的软化概率向量；为所述教师模型在当前新鲜度类别的软化概率向量；为学生模型在当前新鲜度类别的软化概率向量；角标t为教师模型；角标s为学生模型。3.根据权利要求1所述的鸡蛋新鲜度识别方法，其特征在于，所述基于中间层知识的蒸馏方法的损失函数L
Feature
为：其中，f
t
(x
t
)
n
‑2为所述教师模型倒数第三层输出的特征向量；f
s
(x
s
)
m
‑2为所述学生模型倒数第三层输出的特征向量；n为所述教师模型的卷积层数量；m为所述学生模型的卷积层数量；x
t
为所述教师模型倒数第三层输入的特征向量；x
s
为所述学生模型倒数第三层输入的特征向量；W
r
为一个全连接层，所述全连接层用于匹配所述教师模型和所述学生模型倒数第三层输出的维度；角标t为教师模型；角标s为学生模型；||||为范数运算符。4.根据权利要求1所述的鸡蛋新鲜度识别方法，其特征在于，所述基于结构化知识的蒸馏方法的损失函数L
RKD
为：其中，x1,
…
,x
n
为从输入特征向量X中提取的n元组，n＝1，2，3...；φ(
·
)为度量给定n元组的关系属性的关系势函数，所述关系属性包括角度和欧氏距离；f
t
x1,
…
,f
t
x
n
为所述教师模型在任意层的输出特征向量；f
s
x1,
…
,f
s
x
n
为所述学生模型在任意层的输出特征向量；
l
δ
为计算所述教师模型与所述学生模型差异的Huber损失；角标t为教师模型；角标s为学生模型。5.根据权利要求1所述的鸡蛋新鲜度识别方法，其特征在于，第k个所述教师模型的预测结果与所述真实值标签之间的交叉熵损失L
teacherk
为：其中，y
c
为第c类新鲜度的one
‑
hot向量；C为新鲜度总类别数量，c...

【专利技术属性】
技术研发人员：刘雪，沈长盈，吕学泽，关心慧，董萌萍，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：