一种陈皮年份分类方法、系统及存储介质

1.本发明涉及陈皮年份分类技术领域，尤其是涉及一种陈皮年份分类方法、系统及存储介质。


背景技术：

2.陈皮有着悠久的历史，由于其药食两用的特性一直受到人们广泛的关注，具有理气健脾，燥湿化痰，和胃消食，润肠通便等多种功效。不同年份的陈皮在价值上往往天差地别，因此在陈皮市场中，总是出现一些商家通过新皮冒充陈皮来谋取高利润，因此市场上急需能对陈皮年份进行鉴别分类的方法。
3.目前对于现有陈皮的鉴别分类方法，主要通过感官评价法、理化检测法、色谱分析等方法。感官评价法是对陈皮外部特征(颜色、气味)等差异实现鉴别分析，利用经验进行鉴别分析，具有操作简单、快速等优点，但鉴别的准确度易受主观条件及客观环境因素的干扰，准确性相对较差。而理化检测法主要通过对陈皮中的成分组成和含量进行测定以实现陈皮鉴别分析，特点是准确度高，但需要破坏样品，且样品鉴别前处理繁琐，检测时间长、检测成本高，对于普通买家来说。色谱分析法是通过光谱仪采集不同年份陈皮的陈皮内囊和外壁的近红外光谱，通过预处理方法消除光谱中存在的多种干扰，得到优化后的光谱数据，结合不同模式识别方法构建不同年份陈皮的鉴别模型，从而实现对不同年份陈皮的鉴别。该方案虽然可以实现对陈皮的无损鉴别，但由于光谱仪仪器昂贵，而且不易携带，对于普通买家来说难以找到相应仪器进行识别在鉴别过程中，需要通过多种不同模型才可实现对陈皮的准确鉴别，实用性不强。


技术实现要素：

4.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种陈皮年份分类方法、系统及存储介质，能够有效提高陈皮年份分类的准确性和实用性，并且更加节省人力、时间、成本资源。
5.第一方面，本发明的实施例提供了一种陈皮年份分类方法，包括：
6.获取陈皮图像；
7.对所述陈皮图像进行预处理得到训练集，所述预处理包括对所述陈皮图像进行年份类别标注；
8.构建mobilenet，通过所述训练集训练所述mobilenet，得到分类模型；
9.通过所述分类模型对目标陈皮图像进行分类识别。
10.根据本发明实施例的控制方法，至少具有如下有益效果：
11.通过由陈皮图像构成的训练集对分类模型进行训练，能够自主学习陈皮特征，解决鉴别分类过程中由经验和主观因素带来的干扰，将目标陈皮图像输入分类模型，过程简洁，且分类度快，分类成本低，分类准确度更高，实用性更强；且mobilenet作为流行的卷积神经，能够减少分类模型的计算量和参数量，容易在移动端部署，相较于已有的陈皮年份分
类方案，减少了大量的人力和物力开销，使用便捷，实用性强。
12.根据本发明的一些实施例，所述对所述陈皮图像进行预处理还包括对所述陈皮图像进行图像清洗，所述对所述陈皮图像进行图像清洗，包括：
13.清洗所述陈皮图像中模糊、特征不清晰的图像；
14.统一所述陈皮图像的图像尺寸。
15.根据本发明的一些实施例，所述对所述陈皮图像进行图像清洗后还包括对所述陈皮图像进行图像增强，所述对所述陈皮图像进行图像增强，包括：
16.将所述陈皮图像进行图像翻转、色彩变化、图像裁剪缩放、添加遮罩、图像平移旋转、图像二值化和添加高斯噪声中的至少一项处理。
17.根据本发明的一些实施例，所述通过所述训练集训练所述mobilenet，包括以下步骤：
18.通过imagenet训练得到预训练模型；
19.冻结所述mobilenet的靠近输入的多数卷积层，通过所述预训练模型的权重对剩下的卷积层和全连接层进行微调；
20.解冻所述mobilenet中的深度可分离卷积模块并学习所述训练集中的roi区域；
21.若所述mobilenet达到收敛，停止训练。
22.根据本发明的一些实施例，所述对剩下的卷积层和全连接层进行微调使用1e-4
的学习速率，所述学习所述训练集中的roi区域使用1e-3
的学习速率，所述学习速率均采用steplr的衰减策略。
23.根据本发明的一些实施例，所述图像增强还包括根据光照因素对图像进行傅里叶变换，所述傅里叶变换包括：
[0024][0025]
其中，u＝0,1,2,...,m-1。
[0026]
根据本发明的一些实施例，所述深度可分离卷积模块包括深度卷积和逐点卷积。
[0027]
第二方面，本发明的实施例提供了一种陈皮年份分类系统，包括：
[0028]
图像采集设备，包括摄像头、箱子及陈皮放置架；所述陈皮放置架设置于所述箱子内部，用于放置陈皮；所述箱子用于屏蔽自然光并提供陈皮图像的采集环境；所述摄像头用于拍摄陈皮图像；
[0029]
陈皮年份分类设备，用于接收所述陈皮图像，并对所述陈皮图像执行如下陈皮年份分类方法：
[0030]
对所述陈皮图像进行预处理得到训练集，所述预处理包括对所述陈皮图像进行年份类别标注；
[0031]
构建mobilenet，通过所述训练集训练所述mobilenet，得到分类模型；
[0032]
通过所述分类模型对目标陈皮图像进行分类识别。
[0033]
根据本发明的一些实施例，所述陈皮年份分类设备为树莓派。
[0034]
第三方面，本发明的实施例提供了一种计算机存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面任一项所述的陈皮年份分类方法。
[0035]
需要注意的是，本发明的第二方面和第三方面与现有技术之间的有益效果与第一方面的陈皮年份分类方法的有益效果相同，此处不再细述。
[0036]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
附图说明
[0037]
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0038]
图1是本发明一实施例提供的陈皮年份分类方法流程图；
[0039]
图2是本发明一实施例提供的图像清洗和图像增强流程图；
[0040]
图3是本发明一实施例提供的训练mobilenet的流程图；
[0041]
图4是本发明一实施例提供的具体示例的方法流程图；
[0042]
图5是本发明一实施例提供的网络结构参数图；
[0043]
图6是本发明一实施例提供的图像增强效果图；
[0044]
图7是本发明一实施例提供的陈皮年份分类装置用法流程图；
[0045]
图8是本发明一实施例提供的陈皮年份分类装置示意图；
[0046]
图9是本发明一实施例提供的深度可分离卷积模块示意图
[0047]
图10是本发明一实施例提供的陈皮年份分类系统结构图。
具体实施方式
[0048]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0049]
在本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0050]
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0051]
本发明的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
[0052]
参照图1，在本发明的一些实施例中，提供了一种陈皮年份分类方法，包括以下步骤：
[0053]
步骤s100、获取陈皮图像。
[0054]
步骤s200、对陈皮图像进行预处理得到训练集，预处理包括对陈皮图像进行年份类别标注。
[0055]
步骤s300、构建mobilenet，通过训练集训练mobilenet，得到分类模型。
[0056]
步骤s400、通过分类模型对目标陈皮图像进行分类识别。
[0057]
通过由陈皮图像构成的训练集对分类模型进行训练，能够自主学习陈皮特征，解决鉴别分类过程中由经验和主观因素带来的干扰，将目标陈皮图像输入分类模型，过程简洁，且分类度快，分类成本低，分类准确度更高，实用性更强；且mobilenet作为流行的卷积神经，能够减少分类模型的计算量和参数量，容易在移动端部署，相较于已有的陈皮年份分类方案，减少了大量的人力和物力开销，使用便捷，实用性强。
[0058]
参照图2，在本发明的一些实施例中，对陈皮图像进行预处理还包括对陈皮图像进行图像清洗，对陈皮图像进行图像清洗，包括：
[0059]
s201、清洗陈皮图像中模糊、特征不清晰的图像。
[0060]
s202、统一陈皮图像的图像尺寸。
[0061]
通过图像清洗，去除了使分类模型不准确的脏数据，统一了图像格式，为后续图像增强以及训练分类模型提供了置信度高的训练集，使得分类模型更具置信度。
[0062]
在本发明的一些实施例中，对陈皮图像进行图像清洗后还包括对陈皮图像进行图像增强，对陈皮图像进行图像增强，包括：
[0063]
s203、将陈皮图像进行图像翻转、色彩变化、图像裁剪缩放、添加遮罩、图像平移旋转、图像二值化和添加高斯噪声中的至少一项处理。
[0064]
通过图像增强操作能够提高模型识别的准确率，增强模型的鲁棒性，避免模型出现过拟合的情况。
[0065]
参照图3，在本发明的一些实施例中，通过训练集训练mobilenet，包括：
[0066]
s301、通过imagenet训练得到预训练模型。
[0067]
s302、冻结mobilenet的靠近输入的多数卷积层，通过预训练模型的权重对剩下的卷积层和全连接层进行微调。
[0068]
s303、解冻mobilenet中的深度可分离卷积模块并学习训练集中的roi区域。
[0069]
s304、若mobilenet达到收敛，停止训练。
[0070]
imagenet数据集是目前深度学习图像领域应用得非常多的一个领域，关于图像分类、定位、检测等研究工作大多基于此数据集展开，预先训练能够减少训练分类模型时所需要的训练样本数量，减轻训练分类模型时的工作负担，通过训练集训练mobilenet时先冻结靠近输入的多数卷积层进行，通过预训练模型的权重对剩下的卷积层和全连接层进行微调，由于年份很久的陈皮不存在那么多数据集，如果不进行预训练模型进行微调可能会存在模型不收敛的情况，因此进行微调能够使参数更加优化，泛化能力更高，不容易出现过拟合的情况，也能使分类模型的准确率更高，进行微调后进行解冻mobilenet中的深度可分离卷积模块并学习训练集中的roi区域，运用深度可分离模块相对于普通卷积，能够减少所需的参数，并且实现了通道与区域的分离，因此运算成本较低。
[0071]
在本发明的一些实施例中，对剩下的卷积层和全连接层进行微调使用1e-4
的学习速率，学习训练集中的roi区域使用1e-3
的学习速率，学习速率均采用steplr的衰减策略。
[0072]
学习速率采用steplr的衰减策略，由于steplr的衰减策略的函数原型为指数型，因此steplr的衰减策略简单直接，收敛速度更快，结合之前通过深度可分离卷积模块进行学习，进一步加快收敛速度。
[0073]
在本发明的一些实施例中，图像增强还包括根据光照因素对图像进行傅里叶变
换，傅里叶变换包括：
[0074][0075]
其中，u＝0,1,2,...,m-1。
[0076]
该计算公式是基于傅里叶反变换的反变换改进的，可以防止光照强度影响分类模型的性能，对数据进行傅里叶变换，增强对光照因素的鲁棒性。
[0077]
在本发明的一些实施例中，深度可分离卷积模块包括深度卷积和逐点卷积。
[0078]
参照图9，图9为mobilenet中所使用的深度可分离卷积模块，它是mobilenet的核心部件，其包括深度卷积和逐点卷积，深度卷积的卷积核shape为：卷积核w*卷积核h*输入通道数。逐点卷积的卷积核shape即为：1*1*输入通道数*输出通道数，深度可分离卷积减少了卷积中的参数数量，模型容量可以显著降低，由于分类模型是需要适用于陈皮图像的，对于陈皮年份分类需要分类模型容量降低，易迁移，易部署，因此深度可分离卷积模块与陈皮年份分类模型匹配度极佳，也没有损害分类模型的性能。
[0079]
经过以上叙述，参照图4，为了方便本领域技术人员理解，本实施例还采用一具体示例进行说明，提供一种陈皮年份分类方法以及装置，其中陈皮年份分类方法包括：
[0080]
第一步、将陈皮图像进行数据清洗、数据预处理、数据增强；
[0081]
陈皮图像是指通过图像采集设备(包括但不限于手机、相机、摄像头等)采集到的包括不同年份的陈皮内壁、外壁图像，以及光照下的陈皮图像。
[0082]
数据清洗具体操作为：删除模糊、特征不明显的陈皮图像，统一尺寸为224*224像素，防止脏数据模型学习过程造成波动大的影响。
[0083]
数据预处理具体为：对陈皮图像进行年份，并按照训练集70％，验证集和测试集各15％进行分配；
[0084]
数据增强具体操作为：随机进行图像翻转、色彩变化、图像裁剪缩放、添加遮罩、图像平移旋转、图像二值化、添加高斯噪声、傅里叶变换操作。这一系列操作提高模型识别的准确率、增强模型的鲁棒性、避免模型出现过拟，随机数据增强的效果参照图6。
[0085]
傅里叶变换公式如图所示。
[0086]
第二步、对在imagenet上完成训练的预训练模型mobilenet进行finetune(finetune即上述实施例中的冻结mobilenet的靠近输入的多数卷积层，通过预训练模型的权重对剩下的卷积层和全连接层进行微调)；
[0087]
基于mobilenet的陈皮年份分类网络，mobilenet基于三个策略进行设计：
①
深度可分离卷积，替代常规卷积操作，减少参数量，减少计算量；
②
宽度因子，超参数，调整输入和输出的维度，可调整网络参数量；
③
分辨率因子，超参数，调整输入数据的尺寸，可调整网络计算量；
④
批规范化，加快训练收敛速度，提升准确率。
[0088]
参照图5，图5为mobilenet网络参数结构图，网络的输入为数据增强后再进行resize操作的图像，网络部分采用mobilenet，先进行卷积核为3*3、步长为2的卷积操作提取特征。接着交替使用深度可分离卷积模块(conv dw)和普通卷积模块(conv)，深度可分离卷积模块的步长为1和2交替。每个卷积模块中的filter数量逐渐增加。然后连续五个深度可分离卷积模块和普通卷积模块，深度可分离模块的卷积核为3*3，步长为1。再接着深度可分离卷积模块和普通卷积模块，此处的深度可分离卷积模块使用3*3的卷积核，步长为2。完
成以上操作后使用7*7全局平均池化，通过全连接层，最后使用softmax激活函数，激活后即为整个网络的输出。上述的普通卷积模块均使用1*1的卷积核，步长为1。
[0089]
第三步、解冻mobilenet的深度可分离卷积模块，利用第一步所得的陈皮图像开始对陈皮特征进行学习；
[0090]
第四步、将待识别陈皮图像输入第三步中训练好的模型得出识别结果。
[0091]
另外，参照图10，本发明的另一个实施例，还提供了一种陈皮年份分类系统1000，包括图像采集设备1001和陈皮年份分类设备1002，其中：
[0092]
图像采集设备1001，包括摄像头、箱子及陈皮放置架；陈皮放置架设置于箱子内部，用于放置陈皮；箱子用于屏蔽自然光并提供陈皮图像的采集环境；摄像头用于拍摄陈皮图像；
[0093]
陈皮年份分类设备1002，用于接收陈皮图像，并对陈皮图像执行如下陈皮年份分类方法：
[0094]
对陈皮图像进行预处理得到训练集，预处理包括对陈皮图像进行年份类别标注；
[0095]
构建mobilenet，通过训练集训练mobilenet，得到分类模型；
[0096]
通过分类模型对目标陈皮图像进行分类识别。
[0097]
在本发明的一些实施例中，陈皮年份分类设备1002采用树莓派部署陈皮年份分类方法。
[0098]
参照图7和图8，为了方便本领域技术人员理解，本实施例还采用一具体示例进行说明，提供一种陈皮年份分类的装置，包括：
[0099]
箱子，用于屏蔽外界自然光条件，为陈皮图像采集提供统一环境；
[0100]
摄像头，经过调优后达到最佳拍摄质量，能使模型推理达到最优；
[0101]
树莓派，用于部署陈皮年份分类算法模型。
[0102]
需要说明的是，由于本实施例中的一种陈皮年份分类系统与上述的一种陈皮年份分类方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。
[0103]
本发明的一个实施例，还提供一种计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令用于执行：如上述实施例的陈皮年份分类方法。
[0104]
需要说明的是，由于本实施例中的一种计算机可读存储介质与上述的一种陈皮年份分类方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。
[0105]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储数据(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或
者可以用于存储期望的数据并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何数据递送介质。
[0106]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0107]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。