一种水果内部结构无损检测方法、系统、电子设备及介质技术方案

本发明专利技术涉及农产品无损检测技术领域，其目的在于提供一种水果内部结构无损检测方法、系统、电子设备及介质。其中的方法包括：基于神经网络构建初级水果元素识别模型；获取第一水果图像以及与所述第一水果图像对应的第一标注信息，并通过所述第一水果图像和所述第一标注信息，对所述初级水果元素识别模型进行优化处理，得到优化后水果元素识别模型；获取待检测水果图像，并将所述待检测水果图像输入所述优化后水果元素识别模型进行处理，得到所述待检测水果图像对应的最终标注信息；根据所述最终标注信息，得到所述待检测水果图像对应的重绘图像。本发明专利技术可实现对水果内部结构的无损检测，为水果的品质要求提供重要依据。为水果的品质要求提供重要依据。为水果的品质要求提供重要依据。

【技术实现步骤摘要】
一种水果内部结构无损检测方法、系统、电子设备及介质


[0001]本专利技术涉及农产品无损检测
，特别是涉及一种水果内部结构无损检测方法、系统、电子设备及介质。

技术介绍

[0002]现有榴莲等果肉判断技术主要通过人眼观察外观轮廓识别，具有较大的不确定性，且难以判断果肉大小、果核大小、是否有空房、是否有虫子及果壳厚度等等情况，为解决该技术问题，现有技术中，已出现农产品无损检测技术，通过对榴莲、菠萝蜜、椰子或火龙果等带壳水果进行成像后，可以对水果果肉大小、多少、占比等进行测算并提供给消费者展示，减少消费者购买水果后不知道果肉含量等信息不对称问题，同时，成像过程中可以对水果的虫洞、病虫害、成熟度进行测量，以便于筛除坏果。
[0003]目前，在计算机视觉方向，人工智能和机器学习技术发展迅速，其广泛应用于医疗、工业等领域，但是在水果成像领域尚无大规模的机器学习案例。此外，由于水果自身的特殊性，目前已有的医疗图像等分割技术不适用于水果成像，导致现有技术无法应用于水果内部结构的识别。因此，亟需开发一种专用于水果的内部结构自动识别方法。

技术实现思路

[0004]本专利技术旨在至少在一定程度上解决上述技术问题，本专利技术提供了一种水果内部结构无损检测方法、系统、电子设备及介质。
[0005]本专利技术采用的技术方案是：
[0006]第一方面，本专利技术提供了一种水果内部结构无损检测方法，包括：
[0007]基于神经网络构建初级水果元素识别模型；
[0008]获取第一水果图像以及与所述第一水果图像对应的第一标注信息，并通过所述第一水果图像和所述第一标注信息，对所述初级水果元素识别模型进行优化处理，得到优化后水果元素识别模型；
[0009]获取待检测水果图像，并将所述待检测水果图像输入所述优化后水果元素识别模型进行处理，得到所述待检测水果图像对应的最终标注信息；
[0010]根据所述最终标注信息，得到所述待检测水果图像对应的重绘图像。
[0011]本专利技术用以解决现有市场中消费者无法了解水果内部结构及评估对应品质的问题，可实现对水果内部结构的无损检测，为水果的品质要求提供重要依据。具体地，本专利技术在实施过程中，通过基于神经网络构建初级水果元素识别模型，然后基于获取的第一水果图像以及与所述第一水果图像对应的第一标注信息对所述初级水果元素识别模型进行优化，得到优化后水果元素识别模型，再将待检测水果图像输入所述优化后水果元素识别模型进行处理，得到所述待检测水果图像对应的最终标注信息，最后基于所述最终标注信息得到所述待检测水果图像对应的重绘图像，在此过程中，所述待检测水果图像对应的最终标注信息即为无损检测结果，便于用户获取待检测水果内的各元素信息，并基于最终得到
的重绘图像直观了解该待检测水果的内部结构情况。
[0012]在一个可能的设计中，通过所述第一水果图像和所述第一标注信息，对所述初级水果元素识别模型进行优化处理，得到优化后水果元素识别模型，包括：
[0013]将所述第一水果图像输入所述初级水果元素识别模型进行处理，得到与所述第一水果图像对应的多个第二标注区块；
[0014]基于所述第一标注信息的指定像素区域和多个第二标注区块，构建得到与多个第二标注区块对应的多个损失函数，然后求取多个损失函数的损失值；
[0015]将与所述第一标注信息的指定像素区域对应的多个损失值进行对比，得到多个损失值中的最小损失值，然后得到与所述第一标注信息中所有像素区域分别匹配的最小损失值对应的第二标注区块；
[0016]将与所述第一标注信息中所有像素区域分别匹配的最小损失值对应的第二标注区块作为所述初级水果元素识别模型对所述第一水果图像的输出结果，然后基于所述输出结果对所述初级水果元素识别模型进行优化，得到优化后水果元素识别模型。
[0017]在一个可能的设计中，所述第一标注信息包括所述第一水果图像中指定水果元素对应的第一轮廓图像及所述第一轮廓图像对应的第一标签信息，所述第一标签信息用于表示所述第一轮廓图像对应的水果元素的类型；
[0018]所述第二标注区块包括所述第一水果图像中指定水果元素对应的第二像素区块及所述第二像素区块对应的第二标签信息，所述第二标签信息用于表示所述第二像素区块对应的水果元素的类型；
[0019]所述损失函数包括第一损失函数、第二损失函数和/或第三损失函数；其中，所述第一损失函数为：
[0020][0021]其中，m为样本个数，即所述第一水果图像中所有水果元素的个数，y
’
(i)
为第i个样本对应第一标注信息的真实分类，x
’
(i)
为第i个样本的求解分类，h
θ
为x
’
(i)
的准确概率；
[0022]所述第二损失函数包括：
[0023]t
x
＝(x
‑
x
a
)/w
a
，t
y
＝(y
‑
y
a
)/h
a
，
[0024]t
w
＝log(w/w
a
)，t
h
＝log(h/h
a
)，
[0025][0026][0027]其中，x为预测输出结果的中心的横坐标，x
a
为所述第二标注区块的横坐标，x*为所述第一轮廓图像的中心的横坐标，y为预测输出结果的中心的纵坐标，y
a
为所述第二标注区块的纵坐标，y*为所述第一轮廓图像的中心的纵坐标，w为预测输出结果的宽，w
a
为所述第二标注区块的宽，w*为所述第一标注信息的指定像素区域的宽，h为预测输出结果的高，h
a
为所述第二标注区块的高，h*为所述第一标注信息的指定像素区域的高，t
x
为所述第二标注区块的横坐标相对预测输出结果的中心的横坐标平移缩放参数，t
w
为所述第二标注区块的宽相对预测输出结果的宽的平移缩放参数，t
y
为所述第二标注区块的纵坐标相对预测输出结果的中心的纵坐标平移缩放参数，t
h
为所述第二标注区块的高相对预测输出结果的高
的平移缩放参数，t
x
*为所述第二标注区块的横坐标相对所述第一轮廓图像的中心的横坐标的平移缩放参数，t
w
*为所述第二标注区块的宽相对所述第一标注信息的指定像素区域的宽的平移缩放参数，t
y
*为所述第二标注区块的纵坐标相对所述第一轮廓图像的中心的纵坐标的平移缩放参数，t
h
*为所述第二标注区块的高相对所述第一标注信息的指定像素区域的高的平移缩放参数；
[0028]所述第三损失函数为：
[0029]FIU(S1,S2)＝SI/(S1+S2
‑
SI)；
[0030]其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水果内部结构无损检测方法，其特征在于：包括：基于神经网络构建初级水果元素识别模型；获取第一水果图像以及与所述第一水果图像对应的第一标注信息，并通过所述第一水果图像和所述第一标注信息，对所述初级水果元素识别模型进行优化处理，得到优化后水果元素识别模型；获取待检测水果图像，并将所述待检测水果图像输入所述优化后水果元素识别模型进行处理，得到所述待检测水果图像对应的最终标注信息；根据所述最终标注信息，得到所述待检测水果图像对应的重绘图像。2.根据权利要求1所述的一种水果内部结构无损检测方法，其特征在于：通过所述第一水果图像和所述第一标注信息，对所述初级水果元素识别模型进行优化处理，得到优化后水果元素识别模型，包括：将所述第一水果图像输入所述初级水果元素识别模型进行处理，得到与所述第一水果图像对应的多个第二标注区块；基于所述第一标注信息的指定像素区域和多个第二标注区块，构建得到与多个第二标注区块对应的多个损失函数，然后求取多个损失函数的损失值；将与所述第一标注信息的指定像素区域对应的多个损失值进行对比，得到多个损失值中的最小损失值，然后得到与所述第一标注信息中所有像素区域分别匹配的最小损失值对应的第二标注区块；将与所述第一标注信息中所有像素区域分别匹配的最小损失值对应的第二标注区块作为所述初级水果元素识别模型对所述第一水果图像的输出结果，然后基于所述输出结果对所述初级水果元素识别模型进行优化，得到优化后水果元素识别模型。3.根据权利要求2所述的一种水果内部结构无损检测方法，其特征在于：所述第一标注信息包括所述第一水果图像中指定水果元素对应的第一轮廓图像及所述第一轮廓图像对应的第一标签信息，所述第一标签信息用于表示所述第一轮廓图像对应的水果元素的类型；所述第二标注区块包括所述第一水果图像中指定水果元素对应的第二像素区块及所述第二像素区块对应的第二标签信息，所述第二标签信息用于表示所述第二像素区块对应的水果元素的类型；所述损失函数包括第一损失函数、第二损失函数和/或第三损失函数；其中，所述第一损失函数为：其中，m为样本个数，即所述第一水果图像中所有水果元素的个数，y
’
(i)
为第i个样本对应第一标注信息的真实分类，x
’
(i)
为第i个样本的求解分类，h
θ
为x
’
(i)
的准确概率；所述第二损失函数包括：t
x
＝(x
‑
x
a
)/w
a
，t
y
＝(y
‑
y
a
)/h
a
，t
w
＝log(w/w
a
)，t
h
＝log(h/h
a
)，
其中，x为预测输出结果的中心的横坐标，x
a
为所述第二标注区块的横坐标，x*为所述第一轮廓图像的中心的横坐标，y为预测输出结果的中心的纵坐标，y
a
为所述第二标注区块的纵坐标，y*为所述第一轮廓图像的中心的纵坐标，w为预测输出结果的宽，w
a
为所述第二标注区块的宽，w*为所述第一标注信息的指定像素区域的宽，h为预测输出结果的高，h
a
为所述第二标注区块的高，h*为所述第一标注信息的指定像素区域的高，t
x
为所述第二标注区块的横坐标相对预测输出结果的中心的横坐标平移缩放参数，t
w
为所述第二标注区块的宽相对预测输出结果的宽的平移缩放参数，t
y
为所述第二标注区块的纵坐标相对预测输出结果的中心的纵坐标平移缩放参数，t
h
为所述第二标注区块的高相对预测输出结果的高的平移缩放参数，t
x...

【专利技术属性】
技术研发人员：吴曦，
申请(专利权)人：北京市真我本色科技有限公司，
类型：发明
国别省市：