基于深度学习的五花肉特征提取方法、电子设备及计算机可读介质技术

本发明专利技术实施例公开了基于深度学习的五花肉特征提取方法、电子设备和计算机可读介质；方法包括步骤：S1、构建猪肉图像数据集；S2、对猪肉图像数据集进行数据增强处理；S3、对增强的猪肉数据集进行标注；并将数据集分为训练集、验证集和测试集；S4、构建识别五花肉的神经网络模型；S5、训练构建的卷积神经网络模型；S6、对训练后的卷积神经网络模型进行评价，选取最合适的五花肉特征提取模型；S7、利用选取的五花肉特征提取模型进行特征提取可视化。基于深度学习的五花肉特征提取方法，能够对五花肉的特征进行准确提取，提取准确率高、效率高、成本低，大大提高了猪肉分拣效率和分拣水平。

【技术实现步骤摘要】

本专利技术属于数据处理，具体涉及基于深度学习的五花肉特征提取方法、电子设备及计算机可读介质。

技术介绍

1、随着猪肉需求量的增加，相应的猪肉生产工业化水平也需要不断提高。以猪肉分拣系统为例，传统的猪肉分拣主要依靠人工完成，一般采用人工分拣和人工与手推作业车分拣两种方法。然而，传统方式成本高，耗时长，准确率也不能得到保证。人工分拣是通过人工进行拣货，分拣工作人员需要在各个货架之间来回走动，根据客户订单信息来拣选猪肉。由于人工成本较高，效率较低，这种分拣方式只适用于小规模的蔬菜配送行业。如果订单量很大，人工分拣已经不能满足分拣需求。而人工与手推作业车分拣只是相对传统的分拣方式，分拣工作人员只是增加了手推车来辅助分拣工作，本质上和人工分拣相似，只是借助了半机械化的手推车进行工作。因此，它的特点和人工分拣作业类似，只适用于小规模企业，效率提升不太明显。

技术实现思路

1、有鉴于此，一方面，一些实施例公开了基于深度学习的五花肉特征提取方法，包括步骤：

2、s1、构建猪肉图像数据集；>

3、s2、对本文档来自技高网...

【技术保护点】

1.基于深度学习的五花肉特征提取方法，其特征在于，包括步骤：

2.根据权利要求1所述的基于深度学习的五花肉特征提取方法，其特征在于，所述步骤S2中，数据增强处理包括随机剪裁、随机翻转、随机旋转、增加噪声以及标准化处理。

3.根据权利要求1所述的基于深度学习的五花肉特征提取方法，其特征在于，所述步骤S4中，构建的卷积神经网络模型包括普通CNN模型、GoogLeNet模型和ResNet50模型。

4.根据权利要求3所述的基于深度学习的五花肉特征提取方法，其特征在于，所述普通CNN模型包括一个输入层和四个卷积组；其中，前三个卷集组每组包括一个卷积层，最后一个...

【技术特征摘要】

1.基于深度学习的五花肉特征提取方法，其特征在于，包括步骤：

2.根据权利要求1所述的基于深度学习的五花肉特征提取方法，其特征在于，所述步骤s2中，数据增强处理包括随机剪裁、随机翻转、随机旋转、增加噪声以及标准化处理。

3.根据权利要求1所述的基于深度学习的五花肉特征提取方法，其特征在于，所述步骤s4中，构建的卷积神经网络模型包括普通cnn模型、googlenet模型和resnet50模型。

4.根据权利要求3所述的基于深度学习的五花肉特征提取方法，其特征在于，所述普通cnn模型包括一个输入层和四个卷积组；其中，前三个卷集组每组包括一个卷积层，最后一个卷集组包括一个卷积层和一个池化层；其中，卷积层中卷积核大小设置为3×3，第一个卷积层的输出通道设置为10，第二个卷积层的输出通道设置为20，第三个卷积层的输出通道设置为10，第四个卷积层的输出通道设置为5，池化层部分采用最大池化方法，用步长等于2、大小为2×2的池化核。

【专利技术属性】
技术研发人员：程志平，李忠文，宁嘉陵，高金峰，赵栋梁，梁占红，吕娜伟，
申请(专利权)人：郑州大学，
类型：发明
国别省市：