【技术实现步骤摘要】
本专利技术涉及图像识别，尤其涉及一种基于多图源的图像的酒段预测方法、系统、设备以及介质。
技术介绍
1、白酒是中国传统的酒类之一，而白酒的蒸馏技术则是白酒制作中非常重要的一个环节。白酒的蒸馏技术可以追溯到几千年前的中国古代，但真正的发展始于明清时期。在明清时期，白酒的制作技术有了很大的改进，其中最重要的就是采用了蒸馏技术。通过将酒精蒸发并收集，可以提高酒的酒精含量，同时也可以去除其中的杂质和异味，使得酒的质量更加优良。
2、随着蒸馏技术的不断改进，白酒的制作工艺也变得越来越复杂和精细，从而也产生了不同口味和品质的白酒的需求。蒸馏过程中通过酒的物理特性和化学特性将不同度数的馏出液分开的摘酒技术，是应对不同口味和品质的白酒的需求的重要步骤。
3、传统生产过程中，大都采用量质摘酒：就是把酒头、酒尾去掉，边摘边尝，并且因酒精度度数、温度不同导致不同阶段原酒表面张力不同激起不同形态的气泡，因此又辅以“看花摘酒”，两者结合对酒度准确分级。这些方法需要消耗大量的人力，并且极度依赖人工经验，无法统一标准。而现在的替代人工摘酒的智能化摘酒的酒段识别不仅识别效率和准确率均难以满足现阶段的标准，而且其采用的识别模型仅能应对单一类型的图像，每一次调整均需要大量的数据训练，严重影响易用性。
技术实现思路
1、(一)要解决的技术问题
2、鉴于现有技术的上述缺点、不足，本专利技术提供一种基于多图源的图像的酒段预测方法、系统、设备以及介质，其解决了现有的酒段识别不仅识别效率和准
3、(二)技术方案
4、为了达到上述目的，本专利技术采用的主要技术方案包括：
5、第一方面，本专利技术实施例提供一种基于多图源的图像的酒段预测方法，包括：
6、构建一个具备特征提取模块、特征融合模块、图源分类模块、酒花分类模块的深度模型，并基于单类型图像集、双类型图像集以及三类型图像集对深度模型进行联合训练；
7、将来自多个图源的酒花图像输入至特征提取模块进行特征提取，得到酒花气泡的纹理形状、细节信息以及温度分布信息之中的至少两种；
8、通过特征融合模块对酒花气泡的纹理形状、细节信息以及温度分布信息之中的至少两种进行至少一种层级的融合，得到融合特征；
9、通过酒花分类模块对融合特征进行酒花分类任务以得到酒段预测信息，以及将融合特征交由图源分类模块进行自监督图源分类任务；其中，图源分类任务作为酒花分类任务的正则任务。
10、可选地，构建一个具备特征提取模块、特征融合模块、图源分类模块、酒花分类模块的深度模型，并基于单类型图像集、双类型图像集以及三类型图像集对深度模型进行联合训练之前，还包括：
11、通过黑白相机、彩色相机以及红外相机对酒花区域进行拍摄，分别得到酒花区域的黑白图像、彩色图像和红外图像；
12、基于酒花区域的黑白图像、彩色图像和红外图像，经排列组合得到包含黑白图像的单类型图像集、包含彩色图像的单类型图像集、包含红外图像的单类型图像集、包含黑白图像和彩色图像的双类型图像集、包含黑白图像和红外图像的双类型图像集、包含彩色图像和红外图像的双类型图像集以及包含黑白图像、彩色图像与红外图像的三类型图像集。
13、可选地，构建一个具备特征提取模块、特征融合模块、图源分类模块、酒花分类模块的深度模型，并基于单类型图像集、双类型图像集以及三类型图像集对深度模型进行联合训练包括：
14、构建一个具备特征提取模块、特征融合模块、图源分类模块、酒花分类模块的深度模型；
15、在深度模型训练过程中，先使用黑白图像的单类型图像集、包含彩色图像的单类型图像集和包含红外图像的单类型图像集进行初次训练；
16、待初次图像识别准确率达到90％之后，使用包含黑白图像和彩色图像的双类型图像集、包含黑白图像和红外图像的双类型图像集、包含彩色图像和红外图像的双类型图像集进行再次训练，待再次图像识别准确率达到90％之后；
17、最终引入包含黑白图像、彩色图像与红外图像的三类型图像集进行训练，直至最终图像识别准确率达到90％，得到训练完成的深度模型和7种图源类型标签；
18、在进行深度模型训练同时，引入自监督任务对图源类型进行分类。
19、可选地，特征提取模块、特征融合模块、图源分类模块、酒花分类模块均采用内置resnet的残差结构的cnn神经网络，且特征提取模块为共享权重的网络。
20、可选地，通过特征融合模块对酒花气泡的纹理形状、细节信息以及温度分布信息之中的至少两种进行至少一种层级的融合，得到融合特征包括：
21、将酒花气泡的纹理形状、细节信息以及温度分布信息之中的至少两种信息的各自来自深度模型至少一种层级的特征信息输入到特征融合模块中；
22、依据由池化层融合、拼接融合、注意力机制融合、线性加权融合的之中的一种或多种形成的融合手段对所有特征信息进行融合，得到融合特征；
23、其中，深度模型的层级由深度模块的网络结构进行n等分得到，n为大于2的正整数。
24、可选地，依据由池化层融合、拼接融合、注意力机制融合、线性加权融合的之中的一种或多种形成的融合手段对所有特征信息进行融合，得到融合特征包括：
25、若采用池化层融合这一种形成的融合手段，则按照一定比例对来自特征提取模块的不同卷积层的特征图进行池化和叠加，得到第一特征图；
26、若采用拼接融合这一种形成的融合手段，则对来自特征提取模块的不同卷积层的特征图进行通道拼接，得到第二特征图；
27、若采用注意力机制融合这一种形成的融合手段，则引入注意力机制对来自特征提取模块的不同卷积层的特征图进行加权融合，得到第三特征图；
28、若采用线性加权融合这一种形成的融合手段，则对来自特征提取模块的不同卷积层的特征图进行线性加权，得到第四特征图；
29、若采用多种形成的融合手段，则将第一特征图、第二特征图、第三特征图以及第四特征图之中对应的特征图进行融合，得到融合特征。
30、可选地，将融合特征交由图源分类模块进行自监督图源分类任务包括：
31、将融合特征交由图源分类模块以进行图源分类任务；
32、在图源分类任务时引入一个比例系数，以此来平衡自监督任务和酒花分类任务的重心；
33、其中，图源分类和酒花分类的损失函数采用交叉熵损失函数。
34、第二方面，本专利技术实施例提供一种基于多图源的图像进行酒段预测的深度模型，在模型训练时，采用单类型图像集、双类型图像集以及三类型图像集对深度模型进行联合训练，深度模型包括：
35、特征提取模块，用于接收来自多个图源的酒花图像并进行特征提取，得到酒花气泡的纹理形状、细节信息以及温度分布信息之中的至少两种；
36、特征融合模块，对本文档来自技高网...
【技术保护点】
1.一种基于多图源的图像的酒段预测方法，其特征在于，包括：
2.如权利要求1所述的基于多图源的图像的酒段预测方法，其特征在于，构建一个具备特征提取模块、特征融合模块、图源分类模块、酒花分类模块的深度模型，并基于单类型图像集、双类型图像集以及三类型图像集对深度模型进行联合训练之前，还包括：
3.如权利要求2所述的基于多图源的图像的酒段预测方法，其特征在于，构建一个具备特征提取模块、特征融合模块、图源分类模块、酒花分类模块的深度模型，并基于单类型图像集、双类型图像集以及三类型图像集对深度模型进行联合训练包括：
4.如权利要求1所述的基于多图源的图像的酒段预测方法，其特征在于，特征提取模块、特征融合模块、图源分类模块、酒花分类模块均采用内置ResNet的残差结构的CNN神经网络，且特征提取模块为共享权重的网络。
5.如权利要求1所述的基于多图源的图像的酒段预测方法，其特征在于，通过特征融合模块对酒花气泡的纹理形状、细节信息以及温度分布信息之中的至少两种进行至少一种层级的融合，得到融合特征包括：
6.如权利要求5所述的基于多图源
7.如权利要求1-6任一项所述的基于多图源的图像的酒段预测方法，其特征在于，将融合特征交由图源分类模块进行自监督图源分类任务包括：
8.一种基于多图源的图像进行酒段预测的深度模型，其特征在于，在模型训练时，采用单类型图像集、双类型图像集以及三类型图像集对深度模型进行联合训练，深度模型包括：
9.一种基于多图源的图像的酒段预测设备，其特征在于，包括：
10.一种计算机可读介质，其上存储有计算机可执行指令，其特征在于，所述可执行指令被处理器执行时实现如权利要求1-7任一项所述的基于多图源的图像的酒段预测方法。
...【技术特征摘要】
1.一种基于多图源的图像的酒段预测方法，其特征在于，包括：
2.如权利要求1所述的基于多图源的图像的酒段预测方法，其特征在于，构建一个具备特征提取模块、特征融合模块、图源分类模块、酒花分类模块的深度模型，并基于单类型图像集、双类型图像集以及三类型图像集对深度模型进行联合训练之前，还包括：
3.如权利要求2所述的基于多图源的图像的酒段预测方法，其特征在于，构建一个具备特征提取模块、特征融合模块、图源分类模块、酒花分类模块的深度模型，并基于单类型图像集、双类型图像集以及三类型图像集对深度模型进行联合训练包括：
4.如权利要求1所述的基于多图源的图像的酒段预测方法，其特征在于，特征提取模块、特征融合模块、图源分类模块、酒花分类模块均采用内置resnet的残差结构的cnn神经网络，且特征提取模块为共享权重的网络。
5.如权利要求1所述的基于多图源的图像的酒段预测方法，其特征在于，通过特征融合模块对酒花气泡的纹...
【专利技术属性】
技术研发人员：张帅，杨丽明，孙玉东，郭毅，李晓峰，
申请(专利权)人：中控技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。