本发明专利技术涉及一种杂质识别模型的训练方法、检测方法、设备和介质，训练方法包括以下步骤：获取第一数据集、第二数据集和第三数据集，第一数据集、第二数据集和第三数据集均根据特征波段组得到，特征波段组根据所有高光谱采样波段和预设算法得到，利用第一数据集训练未训练的杂质识别模型，得到第一杂质识别模型，利用第二数据集验证第一杂质识别模型，利用第三数据集测试第一杂质识别模型，得到训练好的杂质识别模型。本发明专利技术可以提高杂质检测的准确率，应用于杂质检测领域。
【技术实现步骤摘要】
本专利技术涉及杂质检测，尤其涉及一种杂质识别模型的训练方法、检测方法、设备和介质。
技术介绍
1、很多固体物质往往与杂质掺杂在一起，例如采摘后的茶叶、晾晒的梅菜干等中一般含有大量的杂质，例如头发丝、树枝、昆虫、茶果。常规的处理这些杂质的方法一般是使用人工进行手动筛选。
2、在现有的技术中，大部分使用机械装置，通过清洗、过滤等手段来剔除特定类别杂质，另一部分虽能够使用图像识别对杂质进行检测，但是在需要保留的物质与杂质的差异比较小时，常见的通过图像识别检测杂质的方法检测出杂质额准确率较低。
技术实现思路
1、有鉴于此，本专利技术的目的是提供一种杂质识别模型的训练方法、检测方法、设备和介质，可以提高杂质检测的准确率。
2、一方面，本专利技术提供了一种杂质识别模型的训练方法，所述方法包括以下步骤：
3、获取第一数据集、第二数据集和第三数据集；所述第一数据集、所述第二数据集和所述第三数据集均根据特征波段组得到，所述特征波段组根据所有高光谱采样波段和预设算法得到；
4、利用所述第一数据集训练未训练的杂质识别模型，得到第一杂质识别模型；
5、利用所述第二数据集验证所述第一杂质识别模型，利用所述第三数据集测试所述第一杂质识别模型，得到训练好的杂质识别模型。
6、可选地，所述特征波段组通过以下方法得到：
7、获取每一种杂质在所有高光谱采样波段下的样本杂质图像和保留物质在所有高光谱采样波段下的样本保留物质图像；
8、根据同一高光谱采样波段下的所有样本杂质图像和所述样本保留物质图像得到同一高光谱采样波段的第一特征向量，集合所有高光谱采样波段的第一特征向量得到样本特征向量组；
9、根据所述样本特征向量组和预设算法得到所述特征波段组。
10、可选地，根据同一高光谱采样波段下的所述样本杂质图像和所述样本保留物质图像得到同一高光谱采样波段的第一特征向量，具体包括：
11、根据同一高光谱采样波段下每一杂质的所述样本杂质图像和同一高光谱采样波段下的所述样本保留物质图像得到同一高光谱采样波段下每一杂质的分布差异值；
12、根据同一高光谱采样波段下所有杂质的分布差异值得到同一高光谱采样波段的第一特征向量。
13、可选地，所述根据所述样本特征向量组和预设算法得到所述特征波段组，具体包括：
14、利用预设算法将所述样本特征向量组进行聚类处理，得到若干个样本特征向量簇；
15、集合每一个样本特征向量簇中向量模最大的第一特征向量对应的高光谱采样波段，得到所述特征波段组。
16、可选地，所述第一数据集、所述第二数据集和所述第三数据集通过以下方法得到：
17、获取利用所述特征波段组拍摄的样本高光谱图像集合；在所述样本高光谱图像集合中，每一种杂质至少被包含在预设数量的样本高光谱图像中；
18、对所述样本高光谱图像集合进行预处理，并对预处理处理后的样本高光谱图像集合进行标注，得到数据集合集；
19、将所述数据集合集按照预设比例划分得到第四数据集、所述第二数据集和所述第三数据集，对所述第四数据集进行增强处理，得到所述第一数据集。
20、可选地，所述利用所述第一数据集训练未训练的杂质识别模型，得到第一杂质识别模型，具体包括：
21、构建未训练的杂质识别模型；所述未训练的杂质识别模型的输入通道数为所述特征波段组的通道个数；
22、将所述第一数据集输入未训练的杂质识别模型，得到训练预测值，根据所述训练预测值和真实标签得到模型的损失值，根据所述损失值调整未训练的杂质识别模型的参数，得到第一杂质识别模型。
23、可选地，所述利用所述第二数据集验证所述第一杂质识别模型，具体包括：
24、将所述第二数据集输入所述第一杂质识别模型，得到验证预测值；
25、根据所述验证预测值和真实标签验证所述第一杂质识别模型。
26、另一方面，本专利技术提供一种杂质检测方法，包括以下步骤：
27、获取待检测图像；所述待检测图像为高光谱图像；
28、将所述待检测图像输入所述杂质识别模型，得到预测杂质；所述杂质识别模型通过前面所述的方法训练得到；
29、对所述预测杂质进行后处理，得到最终检测到的杂质。
30、另一方面，本专利技术提供一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前面所述的方法。
31、另一方面，本专利技术提供一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行前面所述的方法。
32、实施本专利技术包括以下有益效果：本专利技术通过获取第一数据集、第二数据集和第三数据集；第一数据集、第二数据集和第三数据集均根据特征波段组得到，特征波段组根据所有高光谱采样波段和预设算法得到，通过利用第一数据集训练未训练的杂质识别模型，得到第一杂质识别模型，利用第二数据集验证第一杂质识别模型，利用第三数据集测试第一杂质识别模型，得到训练好的杂质识别模型，利用根据所有可能的高光谱采样波段和预设算法得到特征波段组，为特征波段组的选取提供数理依据，使特征波段组在充分包含高光谱信息的同时，可以减少特征波段过多造成的硬件成本和计算成本，另外，在训练时，使用特征波段组获得的高光谱图像作为训练模型的数据集，能够检测到图像中更多的光谱信息，根据光谱信息可以得到更多杂质的信息，从而提高杂质检测的准确度。
本文档来自技高网...
【技术保护点】
1.一种杂质识别模型的训练方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述特征波段组通过以下方法得到：
3.根据权利要求2所述的方法，其特征在于，根据同一高光谱采样波段下的所述样本杂质图像和所述样本保留物质图像得到同一高光谱采样波段的第一特征向量，具体包括：
4.根据权利要求2所述的方法，其特征在于，所述根据所述样本特征向量组和预设算法得到所述特征波段组，具体包括：
5.根据权利要求1所述的方法，其特征在于，所述第一数据集、所述第二数据集和所述第三数据集通过以下方法得到：
6.根据权利要求1所述的方法，其特征在于，所述利用所述第一数据集训练未训练的杂质识别模型，得到第一杂质识别模型，具体包括：
7.根据权利要求1所述的方法，其特征在于，所述利用所述第二数据集验证所述第一杂质识别模型，具体包括：
8.一种杂质检测方法，其特征在于，包括以下步骤：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-8任一项所述的方法。
...
【技术特征摘要】
1.一种杂质识别模型的训练方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述特征波段组通过以下方法得到：
3.根据权利要求2所述的方法，其特征在于，根据同一高光谱采样波段下的所述样本杂质图像和所述样本保留物质图像得到同一高光谱采样波段的第一特征向量，具体包括：
4.根据权利要求2所述的方法，其特征在于，所述根据所述样本特征向量组和预设算法得到所述特征波段组，具体包括：
5.根据权利要求1所述的方法，其特征在于，所述第一数据集、所述第二数据集和所述第三数据集通过以下方法得到：
6.根据权利要求1所述的方法...
【专利技术属性】
技术研发人员：郭朋，陆龙钊，
申请(专利权)人：清华珠三角研究院，
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。