模型训练方法、肉类鉴别方法、装置、终端和存储介质制造方法及图纸

本发明专利技术涉及一种用于肉类鉴别的深度学习模型训练方法、肉类鉴别方法、装置、终端和存储介质，训练方法包括：获取第一训练样本和第二训练样本；第一训练样本和第二训练样本均包括一定数量的目标肉类的图像、非目标肉类的图像和非肉类的图像；将第一训练样本和第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本；将第一目标训练样本和第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。这样用户在餐馆或者菜市场等日常生活中即可方便、快捷自行鉴别肉质真伪，给用户提供了便利。

【技术实现步骤摘要】
模型训练方法、肉类鉴别方法、装置、终端和存储介质
本专利技术涉及图像鉴别
，具体涉及一种用于肉类鉴别的深度学习模型训练方法、肉类鉴别方法、装置、终端和存储介质。
技术介绍
随着科技的进步和人们生活水平的提高，食品安全卫生问题越来越受到人们的重视，而假冒肉类的出现也越来越多。例如火锅店内用鸭肉假冒羊肉或者肥牛，用淡水虹鳟鱼假冒大西洋鲑鱼等，如果吃到假冒肉类产品，不仅欺骗了消费者，还很有可能对消费者的身体健康带来威胁。相关技术中有多种可以鉴别肉类真伪的方法，例如高光谱、电子鼻、基因测序等方法，但是这些方法均依赖于专业设备，而专业设备价格昂贵，通常只能在实验室中进行鉴别，这显然不符合用户到店消费时鉴别肉类的需求。
技术实现思路
有鉴于此，提供一种基于深度学习的肉类鉴别方法、装置、移动终端和存储介质，以解决相关技术中无法在日常生活中方便、快捷鉴别肉类真伪给消费者带来不便的问题。本专利技术采用如下技术方案：第一方面，本申请实施例提供了一种用于肉类鉴别的深度学习模型训练方法，该方法包括：获取第一训练样本和第二训练样本；其中，所述第一训练样本包括第一目标肉类以第一摆放方式摆放时获得的第一数量的图像、非目标肉类以所述第一摆放方式摆放时获得的第一数量的图像，以及，非肉类随机摆放时获得第一数量的图像；所述第二训练样本包括第二目标肉类以第二摆放方式摆放时获得的第二数量的图像、非目标肉类以所述第二摆放方式摆放时获得的第二数量的图像，以及，非肉类随机摆放时获得的第二数量的图像；将所述第一训练样本和所述第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本；将所述第一目标训练样本和所述第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。第二方面，本申请实施例提供了一种基于深度学习的肉类鉴别方法，该方法包括：获取待鉴别肉类图像；将所述待鉴别肉类图像输入至应用权利要求1-4任一项所述的深度学习模型训练方法得到的肉类鉴别模型，确定输出类型的标签；根据所述输出类型的标签确定鉴别结果，其中，所述鉴别结果包括真、假和非肉类。第三方面，本申请实施例提供了一种用于肉类鉴别的深度学习模型训练装置，该装置包括：样本获取模块，用于获取第一训练样本和第二训练样本；其中，所述第一训练样本包括第一目标肉类以第一摆放方式摆放时获得的第一数量的图像、非目标肉类以所述第一摆放方式摆放时获得的第一数量的图像，以及，非肉类随机摆放时获得第一数量的图像；所述第二训练样本包括第二目标肉类以第二摆放方式摆放时获得的第二数量的图像、非目标肉类以所述第二摆放方式摆放时获得的第二数量的图像，以及，非肉类随机摆放时获得的第二数量的图像；样本缩放模块，用于将所述第一训练样本和所述第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本；模型训练模块，用于将所述第一目标训练样本和所述第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。第四方面，本申请实施例提供了一种基于深度学习的肉类鉴别装置，该装置包括：图像获取模块，用于获取待鉴别肉类图像；鉴别模块，用于将所述待鉴别肉类图像输入至应用权利要求1-4任一项所述的深度学习模型训练方法得到的肉类鉴别模型，确定输出类型的标签；鉴别结果确定模块，用于根据所述输出类型的标签确定鉴别结果，其中，所述鉴别结果包括真、假和非肉类。第五方面，本申请实施例提供了一种终端，该终端包括：处理器，以及与所述处理器相连接的存储器；所述存储器用于存储计算机程序，所述计算机程序至少用于执行本申请实施例第一方面所述的用于肉类鉴别的深度学习模型训练方法或第二方面所述的基于深度学习的肉类鉴别方法；所述处理器用于调用并执行所述存储器中的所述计算机程序。第六方面，本申请实施例提供了一种存储介质，所述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，实现如第一方面所述的用于肉类鉴别的深度学习模型训练方法或第二方面所述的基于深度学习的肉类鉴别方法中各个步骤。本专利技术采用以上技术方案，通过获取第一训练样本和第二训练样本；将第一训练样本和第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本；将第一目标训练样本和第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。这样用户在餐馆或者菜市场等日常生活中即可方便、快捷自行鉴别肉质真伪，给用户提供了便利。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的一种用于肉类鉴别的深度学习模型训练方法的流程图；图2是本专利技术实施例提供的一种基于深度学习的肉类鉴别方法的流程图；图3是本专利技术实施例提供的一种用于肉类鉴别的深度学习模型训练装置的结构示意图；图4是本专利技术实施例提供的一种基于深度学习的肉类鉴别装置的结构示意图；图5是本专利技术实施例提供的一种终端的结构示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将对本专利技术的技术方案进行详细的描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本专利技术所保护的范围。首先对本申请实施例的可应用场景进行说明，比如，用户在火锅店里吃火锅，可以携带一部智能手机，该智能手机中集成本申请实施例中的基于深度学习的肉类鉴别方法的软件程序，这样即可方便、快捷对肉类真伪进行鉴别。实施例图1为本专利技术实施例提供的一种用于肉类鉴别的深度学习模型训练方法的流程图，该方法可以由本专利技术实施例提供的用于肉类鉴别的深度学习模型训练装置来执行，该装置可采用软件和/或硬件的方式实现。参考图1，该方法具体可以包括如下步骤：S101、获取第一训练样本和第二训练样本。示例性的，本申请实施例中可以应用深度学习模型，为了训练得到用于肉类鉴别的深度学习模型，首先要获取训练样本。另外，获取两组不同的训练样本可以提高模型训练的准确率。其中，第一训练样本包括第一目标肉类以第一摆放方式摆放时获得的第一数量的图像、非目标肉类以第一摆放方式摆放时获得的第一数量的图像，以及，非肉类随机摆放时获得第一数量的图像；第二训练样本包括第二目标肉类以第二摆放方式摆放时获得的第二数量的图像、非目标肉类以第二摆放方式摆放时获得的第二数量的图像，以及，非肉类随机摆放时获得的第二数量的图像。<本文档来自技高网...

【技术保护点】
1.一种用于肉类鉴别的深度学习模型训练方法，其特征在于，包括：/n获取第一训练样本和第二训练样本；/n其中，所述第一训练样本包括第一目标肉类以第一摆放方式摆放时获得的第一数量的图像、非目标肉类以所述第一摆放方式摆放时获得的第一数量的图像，以及，非肉类随机摆放时获得第一数量的图像；所述第二训练样本包括第二目标肉类以第二摆放方式摆放时获得的第二数量的图像、非目标肉类以所述第二摆放方式摆放时获得的第二数量的图像，以及，非肉类随机摆放时获得的第二数量的图像；/n将所述第一训练样本和所述第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本；/n将所述第一目标训练样本和所述第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。/n

【技术特征摘要】
1.一种用于肉类鉴别的深度学习模型训练方法，其特征在于，包括：
获取第一训练样本和第二训练样本；
其中，所述第一训练样本包括第一目标肉类以第一摆放方式摆放时获得的第一数量的图像、非目标肉类以所述第一摆放方式摆放时获得的第一数量的图像，以及，非肉类随机摆放时获得第一数量的图像；所述第二训练样本包括第二目标肉类以第二摆放方式摆放时获得的第二数量的图像、非目标肉类以所述第二摆放方式摆放时获得的第二数量的图像，以及，非肉类随机摆放时获得的第二数量的图像；
将所述第一训练样本和所述第二训练样本缩放至设定尺寸作为第一目标训练样本和第二目标训练样本；
将所述第一目标训练样本和所述第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，当训练次数达到预设迭代次数时停止训练，得到肉类鉴别模型。


2.根据权利要求1所述的方法，其特征在于，所述将所述第一目标训练样本和所述第二目标训练样本输入至预先构建的卷积神经网络模型进行训练，包括：
将所述第一目标训练样本输入至预先构建的卷积神经网络模型，对所述预先构建的卷积神经网络模型的前N层和后N层的权重进行第一预设迭代次数的训练，以得到第一卷积神经网络模型，其中，N为大于1的正整数；
将所述第一目标训练样本输入至所述第一卷积神经网络模型进行第二预设迭代次数的迭代训练，得到第二卷积神经网络模型；
将所述第二目标训练样本输入至所述第二卷积神经网络模型进行第三预设次数的迭代训练，得到肉类鉴别模型。


3.根据权利要求1所述的方法，其特征在于，所述第一目标肉类和所述第二目标肉类的种类相同，原材料不同。


4.根据权利要求1所述的方法，其特征在于，所述预先构建的卷积神经网络模型为基于ImageNet数据集训练得到的InceptionV3卷积神经网络模型。


5.一种基于深度学习的肉类鉴别方法，其特征在于，包括：
获取待鉴别肉类图像；
将所述待鉴别肉类图像输入至应用权利要求1-4任一项所述的深度学习模型训练方法得到的肉类鉴别模型，确定输出类型的标签；
根据所述输出类型的标签确定鉴别结果，其中，所述鉴别结果包括真、假和非...

【专利技术属性】
技术研发人员：翰海，刘东威，
申请(专利权)人：内蒙古拜欧牧业科技有限公司，
类型：发明
国别省市：内蒙;15