本申请提供一种食材异常检测方法、终端设备及计算机可读存储介质，该方法包括：获取食材图像；分割食材图像，得到分割食材图像；将分割食材图像输入已训练的食材检测模型，得到分割食材图像的食材异常情况。本申请提供的食材异常检测方法能通过对收集到的食材图像进行分割，将食材图像中的食材单独分割出来，再将分割后的食材图像送入食材检测模型中进行食材结霜程度的检测，使得食材图像中的各个食材能被单独检测，提高了食材结霜程度的检测效果和准确度。和准确度。和准确度。
【技术实现步骤摘要】
食材异常检测方法、装置、终端设备及可读存储介质
[0001]本申请涉及图像检测领域，其具体涉及了一种食材异常检测方法、装置、终端设备及可读存储介质。
技术介绍
[0002]现在市场上面的智能冰箱对保鲜食材往往存在由于没能及时反馈当前保鲜食材的状态导致其出现结霜、结冰等现象。对珍贵的食材或者肉类等，能及时不间断反馈其当前的结霜状态成为需求。
[0003]在现有技术中，对大量收集的冰箱保鲜食材图像，一般使用视觉图像识别技术，对食材图像进行食材的结霜程度识别，该方法的优点是泛化能力强。但是一旦涉及到食材图像中包括多种食材时，用于识别食材结霜程度的食材检测模型不能有效的分辨出各个食材的结霜程度，即当出现多类新的保鲜食材的时候，模型不能准确对各个食材进行结霜程度的检测。
技术实现思路
[0004]本申请提供一种食材异常检测方法，能够检测图像中的食材异常情况。
[0005]第一方面，本申请提供一种食材异常检测方法，所述方法包括：
[0006]获取食材图像；
[0007]分割所述食材图像，得到分割食材图像；
[0008]将所述分割食材图像输入已训练的食材检测模型，得到所述分割食材图像的食材异常情况。
[0009]在本申请一些实施例中，所述将所述分割食材图像输入已训练的食材检测模型，得到所述分割食材图像的食材异常情况之前，所述方法还包括：
[0010]压缩预设的浮点型初始食材检测模型，得到整型的未训练的食材检测模型，所述整型的未训练的食材检测模型包括九层神经网络层数；
[0011]对所述未训练的整型食材检测模型进行食材识别训练，得到所述食材检测模型。
[0012]在本申请一些实施例中，所述对所述未训练的整型食材检测模型进行食材识别训练，得到所述食材检测模型，包括：
[0013]获取训练样本数据；其中，每组训练样本数据包括食材训练图像和所述食材训练图像对应的真实结霜标签；
[0014]针对所述每组训练样本数据，对所述组训练样本数据中的食材训练图像添加噪声，得到噪声食材训练图像；将该噪声食材训练图像输入所述未训练的整型食材检测模型，得到预测结霜标签；根据所述预测结霜标签和所述真实结霜标签，对所述初始食材检测模型的模型参数进行调整，得到调整后的整型食材检测模型；
[0015]若所述调整后的整型食材检测模型满足预设条件，则将所述调整后的整型食材检测模型作为所述食材检测模型。
[0016]在本申请一些实施例中，所述分割所述食材图像，得到分割食材图像，包括：
[0017]对所述食材图像进行食材轮廓识别，得到所述食材图像中食材的食材轮廓；
[0018]根据所述食材轮廓对所述食材图像进行图像分割，得到分割结果图像；
[0019]对所述分割结果图像进行中心化处理，得到所述中心的分割结果图像；
[0020]对所述中心的分割结果图像进行预设的外接区域处理，得到所述分割食材图像。
[0021]在本申请一些实施例中，所述分割所述食材图像，得到分割食材图像之前，所述方法还包括：
[0022]获取分割训练样本数据；其中，每组分割训练样本数据包括食材轮廓训练图像和所述食材轮廓训练图像对应的真实食材轮廓标签；
[0023]将所述食材轮廓训练图像输入预设的未训练的食材分割模型，得到预测食材轮廓标签；根据所述预测食材轮廓标签和所述真实食材轮廓标签，对所述未训练的食材分割模型的模型参数进行调整，得到调整后的食材分割模型；
[0024]若所述调整后的食材分割模型满足预设条件，则将所述调整后的食材分割模型用于分割食材图像。
[0025]在本申请一些实施例中，所述将所述分割食材图像输入已训练的食材检测模型，得到所述分割食材图像的食材异常情况，包括：
[0026]将所述分割食材图像输入所述食材检测模型，得到模型检测结果；
[0027]若所述模型检测结果为结霜结果，确定所述分割食材图像中的食材结霜情况为已结霜；
[0028]若所述模型检测结果为非结霜结果，确定所述分割食材图像中的食材结霜情况为未结霜。
[0029]在本申请一些实施例中，所述将所述分割食材图像输入所述食材检测模型，得到模型检测结果，包括；
[0030]将所述分割食材图像输入所述食材检测模型的第一卷积层，得到第一结霜特征图像，所述第一结霜特征图像为24通道的结霜特征图像；
[0031]将所述第一结霜特征图像送入所述食材检测模型的第二卷积层，得到第二结霜特征图像，所述第二结霜特征图像为24通道的结霜特征图像；
[0032]将所述第二结霜特征图像送入所述食材检测模型的第三卷积层，得到第三结霜特征图像，所述第三结霜特征图像为48通道的结霜特征图像；
[0033]将所述第三结霜特征图像送入所述食材检测模型的第四卷积层，得到第四结霜特征图像，所述第四结霜特征图像为64通道的结霜特征图像；
[0034]将所述第四结霜特征图像送入所述食材检测模型的第五卷积层，得到第五结霜特征图像，所述第五结霜特征图像为128通道的结霜特征图像；
[0035]将所述第五结霜特征图像送入所述食材检测模型的第六卷积层，得到第六结霜特征图像，所述第六结霜特征图像为160通道的结霜特征图像；
[0036]将所述第六结霜特征图像送入所述食材检测模型的第七卷积层，得到第七结霜特征图像，所述第七结霜特征图像为272通道的结霜特征图像；
[0037]将所述第七结霜特征图像送入所述食材检测模型的综合层，所述综合层包括1个卷积层、1个池化层和1个全连接层，得到第八结霜特征图像，所述第八结霜特征图像为1792
通道的结霜特征图像；
[0038]将所述第八结霜特征图像送入所述食材检测模型的输出层，得到所述模型检测结果。
[0039]第二方面，本申请还提供一种食材异常检测装置，所述装置包括：
[0040]获取模块，用于获取食材图像；
[0041]分割模块，用于分割所述食材图像，得到分割食材图像；
[0042]检测模块，用于将所述分割食材图像输入已训练的食材检测模型，得到所述分割食材图像的食材异常情况。
[0043]在本申请一些实施例中，所述分割模块具体用于：
[0044]对所述食材图像进行食材轮廓识别，得到所述食材图像中食材的食材轮廓；
[0045]根据所述食材轮廓对所述食材图像进行图像分割，得到分割结果图像；
[0046]对所述分割结果图像进行中心化处理，得到所述中心的分割结果图像；
[0047]对所述中心的分割结果图像进行预设的外接区域处理，得到所述分割食材图像。
[0048]在本申请一些实施例中，所述检测模块具体用于：
[0049]将所述分割食材图像输入所述食材检测模型，得到模型检测结果；
[0050]若所述模型检测结果为结霜结果，确定所述分割食材图像中的食材结霜情况为已结霜；
[0051]若所述模型本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种食材异常检测方法，其特征在于，所述方法包括：获取食材图像；分割所述食材图像，得到分割食材图像；将所述分割食材图像输入已训练的食材检测模型，得到所述分割食材图像的食材异常情况。2.根据权利要求1所述的食材异常检测方法，其特征在于，所述将所述分割食材图像输入已训练的食材检测模型，得到所述分割食材图像的食材异常情况之前，所述方法还包括：压缩预设的浮点型初始食材检测模型，得到整型的未训练的食材检测模型，所述整型的未训练的食材检测模型包括九层神经网络层数；对所述未训练的整型食材检测模型进行食材识别训练，得到所述食材检测模型。3.根据权利要求2所述的食材异常检测方法，其特征在于，所述对所述未训练的整型食材检测模型进行食材识别训练，得到所述食材检测模型，包括：获取训练样本数据；其中，每组训练样本数据包括食材训练图像和所述食材训练图像对应的真实结霜标签；针对所述每组训练样本数据，对所述组训练样本数据中的食材训练图像添加噪声，得到噪声食材训练图像；将该噪声食材训练图像输入所述未训练的整型食材检测模型，得到预测结霜标签；根据所述预测结霜标签和所述真实结霜标签，对所述初始食材检测模型的模型参数进行调整，得到调整后的整型食材检测模型；若所述调整后的整型食材检测模型满足预设条件，则将所述调整后的整型食材检测模型作为所述食材检测模型。4.根据权利要求1所述的食材异常检测方法，其特征在于，所述分割所述食材图像，得到分割食材图像，包括：对所述食材图像进行食材轮廓识别，得到所述食材图像中食材的食材轮廓；根据所述食材轮廓对所述食材图像进行图像分割，得到分割结果图像；对所述分割结果图像进行中心化处理，得到所述中心的分割结果图像；对所述中心的分割结果图像进行预设的外接区域处理，得到所述分割食材图像。5.根据权利要求4所述的食材异常检测方法，其特征在于，所述分割所述食材图像，得到分割食材图像之前，所述方法还包括：获取分割训练样本数据；其中，每组分割训练样本数据包括食材轮廓训练图像和所述食材轮廓训练图像对应的真实食材轮廓标签；将所述食材轮廓训练图像输入预设的未训练的食材分割模型，得到预测食材轮廓标签；根据所述预测食材轮廓标签和所述真实食材轮廓标签，对所述未训练的食材分割模型的模型参数进行调整，得到调整后的食材分割模型；若所述调整后的食材分割模型满足预设条件，则将所述调整后的食材分割模型用于分割食材图像。6.根据权利要求1所述的食材异常检测方法，其特征在于，所述将所述分割食材图像输入已训练的食材检测模型，得到所述...
【专利技术属性】
技术研发人员：李观华，
申请(专利权)人：TCL科技集团股份有限公司，
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。