一种基于深度学习的中华绒螯蟹的真伪识别方法及系统
文献发布时间:2023-06-19 10:54:12
技术领域
本发明属于深度学习技术领域,更具体地说,涉及一种基于深度学习的中华绒螯蟹的真伪识别方法及系统。
背景技术
大杂蟹市场普遍存在使用普通大闸蟹(中华绒螯蟹)冒充高品质、高端大闸蟹的情况。这种高品质大闸蟹被冒充的情况会导致消费者的买到以次充好的大闸蟹,利益受损;而商家也会因此导致品牌形象受损。为了解决这一问题,我们提出一种基于大闸蟹生物特征用深度学习的方式来进行大闸蟹真伪识别判断。
深度学习技术能够让计算机处理一定的图像数据,利用训练出来的模型可以计算大闸蟹的特征向量,可以通过特征向量的相似度判断当前的两只大杂蟹是否为同一只大闸蟹,以达到防伪的目的。目前,现有的大闸蟹辨防伪方法如:大闸蟹防伪扣,二维码标签等方式。上述防伪方式附加物做为防伪方式,容易被伪造。
经检索,现有技术公开了一些技术方案,例如发明创造名称为:一种基于图像匹配的中华绒螯蟹唯一性识别方法(申请日:2018年3月14日;申请号:CN201810207047.3),该方案公开了一种基于图像匹配的中华绒螯蟹唯一性识别方法,属于数字图像处理领域。包括以下步骤:步骤一:采集中华绒螯蟹原图像A,然后分割中华绒螯蟹的背部图像M;步骤二:提取中华绒螯蟹背部图像M的特征点;步骤三:从数据库中提取已保存的中华绒螯蟹背部图像Q和特征点,匹配图像Q和图像M的特征点;步骤四:检测误匹配特征点;步骤五:计算图像Q和图像M的相似度;步骤六:匹配结束,输出螃蟹匹配信息。该方案克服现有检验方法中无法有效地识别中华绒螯蟹唯一性的问题,通过利用蟹壳上广泛分布着各种凹陷、突起和纹理等特征,采用图像分析处理,然后与已存的图像数据库进行比对,根据相似度判断出中华绒螯蟹的唯一性。但是,该方案的方法不能对复杂环境条件下的中华绒螯蟹识别准确率较差,即该方案的方法的适用性不广泛。
综上所述,如何提高中华绒螯蟹的真伪识别准确率,是现有技术亟需解决的问题。
发明内容
1.要解决的问题
针对现有技术中,中华绒螯蟹的真伪识别准确率较低的不足,本发明提供一种基于深度学习的中华绒螯蟹的真伪识别方法及系统,可以实现对任何环境条件下的中华绒螯蟹的真伪识别,进一步可以大大提高对中华绒螯蟹的真伪识别准确率。
2.技术方案
为了解决上述问题,本发明所采用的技术方案如下:
本发明的一种基于深度学习的中华绒螯蟹的真伪识别方法,包括:采集中华绒螯蟹的图像数据和身份ID;再对中华绒螯蟹的图像数据进行预处理得到目标图像,并根据中华绒螯蟹的身份ID获取对应的原始图像;然后对目标图像和原始图像分别进行计算得到各自对应的特征向量,再根据目标图像和原始图像各自对应的特征向量计算目标图像与原始图像的相似度;之后根据目标图像与原始图像的相似度判断目标图像对应的中华绒螯蟹的真伪。
作为本发明进一步地改进,对中华绒螯蟹的图像数据进行预处理的具体过程为:根据中华绒螯蟹的图像数据生成语义标签图片,再对语义标签图片进行分割处理得到中华绒螯蟹的背部图像,然后对背部图像进行格式处理和尺寸处理得到目标图像。
作为本发明进一步地改进,对目标图像和原始图像分别进行计算得到各自对应的特征向量的具体过程为:利用神经网络模型对目标图像和原始图像分别进行计算得到各自对应的特征向量;其中,神经网络模型的网络结构由4层卷积层、3层池化层和1层全连接层组成。
作为本发明进一步地改进,利用下列公式计算目标图像与原始图像的相似度:
其中,A为目标图像对应的特征向量,B为原始图像对应的特征向量,cosθ为相似度。
作为本发明进一步地改进,通过CNN网络模型对中华绒螯蟹的图像数据进行处理生成语义标签图片,并通过掩膜运算对语义标签图片进行分割处理得到中华绒螯蟹的背部图像。
作为本发明进一步地改进,第一层卷积层采用4*4*20的卷积核,第二层卷积层采用3*3*40的卷积核,第三层卷积层采用2*2*80的卷积核,且第三层卷积层和第三层池化层分别与全连接层连接,3层池化层的窗口均为2*2。
作为本发明进一步地改进,判断目标图像对应的中华绒螯蟹的真伪的具体过程为:
当x≤cosθ≤1时,则将目标图像对应的中华绒螯蟹判断为真;
当cosθ≤x时,则将目标图像对应的中华绒螯蟹判断为假。
作为本发明进一步地改进,采集中华绒螯蟹的图像数据和身份ID的具体过程为:对中华绒螯蟹进行拍摄获得图像数据,并从中华绒螯蟹的体外附着物上获取对应的身份ID。
本发明的一种基于深度学习的中华绒螯蟹的真伪识别系统,包括存储器,该存储器用于存储程序;处理器,该处理器与存储器连接,且该处理器用于执行程序实现上述的一种基于深度学习的中华绒螯蟹的真伪识别方法。
3.有益效果
相比于现有技术,本发明的有益效果为:
本发明的一种基于深度学习的中华绒螯蟹的真伪识别方法,通过神经网络模型计算中华绒螯蟹对应目标图像和原始图像的特征向量和相似度,从而可以实现对中华绒螯蟹的真伪识别,并且可以消除任何环境造成的影响,进而实现了对任何环境条件下的中华绒螯蟹的真伪识别,进一步大大提高对中华绒螯蟹的真伪识别准确率。此外,通过计算相似度判断中华绒螯蟹的真伪,计算数据量较小,进而大大提高了相关计算的效率,进一步提高了对中华绒螯蟹的真伪识别速度。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例;而且,各个实施例之间不是相对独立的,根据需要可以相互组合,从而达到更优的效果。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。
实施例1
结合图1所示,本发明的一种基于深度学习的中华绒螯蟹的真伪识别方法,通过计算特征向量将待识别的中华绒螯蟹与其对应的真实的中华绒螯蟹进行比对,从而可以实现对中华绒螯蟹的真伪识别,并且可以消除环境对识别造成的影响,进而提高了中华绒螯蟹的识别准确率。本发明的中华绒螯蟹的真伪识别方法具体步骤如下:
1)采集图像数据
采集中华绒螯蟹的图像数据和身份ID,具体地,对中华绒螯蟹进行拍摄获得图像数据,并从中华绒螯蟹的体外附着物上获取对应的身份ID,值得说明的是,体外附着物为标签扣或条形码,本实施例中的体外附着物为条形码,通过扫描条形码即可获取该中华绒螯蟹的身份ID,身份ID为具有唯一性的字符串,通过身份ID即可获取对应的真实的中华绒螯蟹的原始图像。此外,本实施例中通过移动设备的摄像头拍摄中华绒螯蟹获取图像数据。
2)图像数据预处理
对中华绒螯蟹的图像数据进行预处理得到目标图像,具体地,先根据中华绒螯蟹的图像数据生成语义标签图片,值得说明的是,本发明通过CNN网络模型对中华绒螯蟹的图像数据进行处理生成语义标签图片。之后对语义标签图片进行分割处理得到中华绒螯蟹的背部图像,具体地,本实施例通过掩膜运算对语义标签图片进行分割处理得到中华绒螯蟹的背部图像。
进一步地,对背部图像进行格式处理和尺寸处理得到目标图像,需要说明的是,格式处理指的是对背部图像的文件格式进行更改,更改后的背部图像格式能够被神经网络模型处理。此外,尺寸处理指的是通过缩小或者放大的方式改变背部图像的尺寸,通过对背部图像进行格式处理和尺寸处理即可获得能够被神经网络模型处理计算的目标图像。
此外,本步骤中还包括:根据中华绒螯蟹的身份ID获取对应的原始图像;具体地,身份ID具有唯一性,每个身份ID对应有真实的中华绒螯蟹的原始图像,原始图像存储于数据库中,即根据中华绒螯蟹的身份ID从数据库中搜索得到身份ID相对应的真实的中华绒螯蟹的背部图像。值得说明的是,中华绒螯蟹在生长的过程中,受光照、水质等环境因素、以及自身退壳情况的的个体因素在背壳上形成的生物特征作具有唯一性且不可伪造,因此通过将原始图像与待识别图像进行后续的特征向量比对,可以消除环境对识别造成的影响,避免了人工构造特征,实现了对任何环境条件下的中华绒螯蟹的真伪识别,大大提高了中华绒螯蟹的识别准确率。
3)计算特征向量
对目标图像和原始图像分别进行计算得到各自对应的特征向量,具体地,利用神经网络模型对目标图像和原始图像分别进行计算得到各自对应的特征向量;值得说明的是,神经网络模型的网络结构由4层卷积层、3层池化层和1层全连接层组成,且该网络结构可以学习得到160维特征。进一步地,本发明的第一层卷积层采用4*4*20的卷积核,第二层卷积层采用3*3*40的卷积核,第三层卷积层采用2*2*80的卷积核,且第三层卷积层和第三层池化层分别与全连接层连接,从而可以对目标图像和原始图像进行计算得到特征向量。此外,本实施例的3层池化层的窗口均为2*2。
需要说明的是,本发明的特征向量的计算过程是由神经网络模型自动完成,从而可以提高中华绒螯蟹的识别速度。此外,本实施例的神经网络模型采用deepid结构。
4)计算相似度
根据目标图像和原始图像各自对应的特征向量计算目标图像与原始图像的相似度;值得说明的是,本发明通过计算两个特征向量间的夹角余弦值作为目标图像与原始图像的相似度,从而可以通过相似度判断中华绒螯蟹的真伪。具体地,利用下列公式计算目标图像与原始图像的相似度:
其中,A为目标图像对应的特征向量,B为原始图像对应的特征向量,i和n均为整数,且i∈[1,2,3…n],cosθ为相似度。通过计算的余弦值cosθ即可表示两个特征向量的相似性。
5)真伪判断
根据目标图像与原始图像的相似度判断目标图像对应的中华绒螯蟹的真伪,具体地,当x≤cosθ≤1时,则将目标图像对应的中华绒螯蟹判断为真;当cosθ≤x时,则将目标图像对应的中华绒螯蟹判断为假。通过cosθ是否处于阈值范围内即可判断中华绒螯蟹的真假,从而实现了中华绒螯蟹的真伪识别。
本发明的一种基于深度学习的中华绒螯蟹的真伪识别方法,通过神经网络模型计算中华绒螯蟹对应目标图像和原始图像的特征向量和相似度,从而可以实现对中华绒螯蟹的真伪识别,并且可以消除任何环境造成的影响,进而实现了对任何环境条件下的中华绒螯蟹的真伪识别,进一步大大提高对中华绒螯蟹的真伪识别准确率。此外,通过计算相似度判断中华绒螯蟹的真伪,计算数据量较小,进而大大提高了相关计算的效率,进一步提高了对中华绒螯蟹的真伪识别速度。
本发明的一种基于深度学习的中华绒螯蟹的真伪识别系统,包括存储器和处理器,处理器与存储器连接。值得说明的是,存储器用于存储程序,处理器执行程序实现上述的一种基于深度学习的中华绒螯蟹的真伪识别方法。本发明的存储器包括但不限于易失性存储器和非易失性存储器,例如存储器为RAM、cache、ROM、硬盘或者闪存,本实施例的存储器为RAM。
本发明的一种基于深度学习的中华绒螯蟹的真伪识别系统,通过设置处理器执行实现上述方法,即可实现对任何环境条件下的中华绒螯蟹的真伪识别,进一步提高了对中华绒螯蟹的真伪识别准确率。
在上文中结合具体的示例性实施例详细描述了本发明。但是,应当理解,可在不脱离由所附权利要求限定的本发明的范围的情况下进行各种修改和变型。详细的描述和附图应仅被认为是说明性的,而不是限制性的,如果存在任何这样的修改和变型,那么它们都将落入在此描述的本发明的范围内。此外,背景技术旨在为了说明本技术的研发现状和意义,并不旨在限制本发明或本申请和本发明的应用领域。
- 一种基于深度学习的中华绒螯蟹的真伪识别方法及系统
- 一种基于深度学习和灰度三阶矩分析的煤矸石识别方法及系统