基于深度学习的沉香微结构分析与分级系统的制作方法

本发明属于沉香检测与分级，尤其涉及基于深度学习的沉香微结构分析与分级系统。

背景技术：

1、沉香作为一种珍贵的天然香料及药材，其品质与价值深受市场关注。传统上，沉香的品质评价与分级主要依赖于经验丰富的专家通过视觉、嗅觉等感官判断以及物理化学指标的测定。然而，此类方法存在主观性强、一致性差、效率低下等问题，且对于沉香内部微结构这一影响其品质的关键因素的解析能力有限。

2、如公开号为cn117351097a的中国专利公开了一种沉香的快速鉴定与分级系统，所述系统包括数据采集模块、数据分析模块、分级决策模块、控制反馈模块和存储报告模块；所述数据采集模块用于采集沉香检测数据，所述数据分析模块用于对沉香检测数据分析获取沉香分类参数，所述分级决策模块用于结合分类参数对沉香进行分级，所述控制反馈模块用于根据分级结果控制后续对于沉香的分拣，所述存储报告模块用于存储沉香分级结果和分拣相关数据。

3、以上现有技术均存在以下问题：1)当前的图像分析方法可能过于依赖手工设计的特征或者浅层学习模型，难以捕捉到影响沉香品质的关键微观特征；2)固定的分级策略无法适应实时变化的市场情况，3)大多数现有系统侧重于常规品质评估，缺乏针对沉香微结构中异常现象的自动检测与诊断功能，这在实际应用中可能导致对沉香真实品质的误判或低估；为解决上述问题，本发明提供了基于深度学习的沉香微结构分析与分级系统。

技术实现思路

1、针对现有技术的不足，本发明提出了基于深度学习的沉香微结构分析与分级系统，该系统首先通过数据采集模块处理沉香样本，获取其微结构内部图像及外部序列数据，其次，图像预处理模块对图像进行增强、去噪及分割标注，沉香检测与评估模块利用深度学习技术检测沉香内部结构并评分，同时评估外部品质，综合评估分级单元结合内外评分，利用动态分级阈值函数进行沉香品质分级，沉香信息推荐模块将分级结果利用文本算法生成文本分析报告并推荐对应的用户；本发明实现了沉香的自动化分析与分级，提高了沉香分级过程的智能性。

2、为实现上述目的，本发明提供如下技术方案：

3、基于深度学习的沉香微结构分析与分级系统，包括：数据采集模块、图像预处理模块、沉香检测与评估模块、沉香信息推荐模块、智能决策支持模块；

4、所述数据采集模块，用于沉香样品的预处理以及预处理后沉香不同角度微结构图像的获取和沉香外部序列数据的获取；

5、所述图像预处理模块，用于对获取的不同角度微结构图像进行增强操作，并对增强后的图片进行手动或半自动标注；

6、所述沉香检测与评估模块，用于构建并训练沉香检测与品质回归模型，根据标注后的沉香微结构图像和沉香外部序列数据对沉香进行实时检测和品质等级评估；所述沉香检测与评估模块包括沉香内部检测单元、沉香外部评估单元和综合评估分级单元；

7、所述沉香内部检测单元，用于根据获取的沉香微结构图片数据，利用深度学习技术对沉香内部结构进行检测，并根据检测结果进行评分；所述沉香外部评估单元，用于利用获取的沉香外部序列数据，通过机器学习技术对沉香外部品质进行评分；所述综合评估分级单元，用于根据得到的外部品质评分和内部微结构评分利用加权评估策略计算得到综合评估得分，并依据设定的等级标准对沉香进行分级。

8、具体地，图像预处理模块，配置了滤波算法对获取的不同角度微结构图像进行去噪处理，同时对滤波后的图像进行90度，180度和270度旋转增强，获取增强后的微结构图像。

9、具体地，沉香内部检测单元，配置了一种全局-局部小样本协同注意力检测策略，具体步骤包括：

10、a1、收集数据预处理模块增强处理后的沉香局部微结构图像和对应的原始全局图像，利用随机掩码技术对原始全局图像中对应局部分割区域进行掩码操作，获取掩码后的原始全局图像同时对沉香局部微结构图像中对应的沉香局部微结构颜色深度等级、油脂含量、均匀度和缺陷类型进行手动或自动标注；其中表示包含有第n个掩码区域的第j张原始全局图像。

11、具体地，沉香内部检测单元，采用了一种全局-局部小样本协同注意力检测策略，具体步骤还包括：

12、a2、基于预训练后的resnet-34和transformer模型构建全局-局部协同注意力模型，将获取的掩码后的原始全局图像和标注后的局部分割图像同时输入到全局-局部协同注意力模型中预训练后的resnet-34-a层和resnet-34-b层中进行初步特征提取，获取全局边缘特征空间a和局部微结构特征空间b；

13、a3、将获取的全局边缘特征空间a，输入到全局-局部协同注意力模型中的全局transformer层中提取沉香微结构全局背景特征ak和全局掩码区域边缘特征bkn；

14、a4、将局部微结构特征空间b输入到全局-局部协同注意力层中的局部transformer层中进行特征提取，获取局部边缘特征ckn和局部沉香微结构特征向量dkn；其中，bkn表示第k张原始全局图像中第n个掩码区域边缘特征，ckn表示第k张原始全局图像对应的第n个分割区域局部边缘特征；dkn表示第k张原始全局图像对应的第n个分割区域局部沉香微结构特征。

15、具体地，全局-局部小样本协同注意力检测策略，具体步骤还包括：

16、a5、利用获取的局部边缘特征ckn与全局掩码区域边缘特征bkn构建边缘损失le，同时将获取的全局背景特征ak和局部沉香微结构特征向量dkn输入到协同注意力加权级联层内进行特征加权，并将加权后的全局与局部融合特征同时输入到瑕疵与异常评分预测头、油脂含量评分预测头和均匀度评分预测头、缺陷预测框和颜色深度预测头中，依次获取油脂含量预测损失lo、均匀度损失lu、缺陷预测框损失lab和颜色损失ls，利用获取的边缘损失、油脂含量预测损失和均匀度损失计算得到模型综合训练损失lloss＝α1le+α2lo+α3lu+α4lab+α5ls；其中，α1，α2，α3，α4，α5为对应损失的加权系数。

17、具体地，沉香内部检测单元，采用了一种全局-局部小样本协同注意力检测策略，具体步骤还包括：

18、a6、设置模型损失阈值，利用获取的模型综合训练损失对全局-局部协同注意力模型进行训练，当获取的模型综合训练损失lloss低于模型损失阈值时，同时输出瑕疵与异常评分、油脂含量评分、均匀度评分、颜色深度等级评分和缺陷类型；

19、a7、将获取的瑕疵与异常评分、油脂含量评分、均匀度评分、颜色深度等级评分同时输入到综合评分预测头内，进行加权求和获取沉香内部微结构综合评估得分。

20、具体地，沉香外部评估单元，配置了一种深度评估预测策略，具体步骤包括：

21、b1、对数据获取单元收集的历史沉香外部序列数据进行预处理，并将预处理的数据进行融合拼接，获取融合外部序列数据(x1…xq；y1…yp；z1…zs)；其中，xq表示第q个沉香香气强度数据，yp表示第p个沉香物理尺寸数据，zs表示第s个沉香质量数据；

22、b2、构建深度评估预测模型，并将获取的融合外部序列数据输入到构建的深度评估预测模型中进行训练，获取训练完成的深度评估预测模型；

23、b3、将获取的训练完成的深度评估预测模型部署到沉香外部评估单元内，将数据获取单元获取的沉香实时外部序列数据输入到深度评估预测模型，计算得到对应的沉香外部评估得分。

24、具体地，综合评估分级单元，配置了一种智能分级策略，具体步骤包括：

25、c1、根据a7和b3获取的沉香内部微结构综合评估得分和沉香外部评估得分，利用加权评估计算得到沉香综合评估得分；

26、c2、根据专家经验设置五个沉香分级基础阈值d1，d2，d3，d4，d5，基于设置的基础阈值计算得到动态分级阈值函数，具体公式为：(dps-m×f，dps+m×f)，其中dp表示第p个分级基础阈值，m表示市场反馈系数，f表示市场反馈调整值，s表示分级基础阈值更新概率系数；

27、c3、根据得到的动态分级阈值函数得到当前时刻不同层次分级阈值，并基于c1计算得到的沉香综合评估得分和当前时刻不同层次分级阈值，获取沉香对应等级。

28、与现有技术相比，本发明的有益效果是：

29、1.本发明提出基于深度学习的沉香微结构分析与分级系统，并进行了架构、运行步骤和流程上的优化改进，系统具备流程简单，投资运行费用低廉，生产工作成本低的优点，在传统的沉香检测分级系统的基础上提高了检测和分级的准确度和智能性。

30、2.本发明针对现有技术的不足，采用全局-局部小样本协同注意力检测策略计算得到的沉香内部微结构综合评估得分深度评估预测策略计算得到的沉香外部评估得分，获取沉香综合评估得分，同时结合专家经验和市场反馈数据构建了动态调整分级阈值，对沉香进行自分级，提高了沉香分级的精度和自适应性；同时采用全局和局部数据融合的方法对沉香内部微结构的异常和瑕疵进行检测，为沉香品质评估提供更为全面和准确的信息；

31、3.本发明通过综合获取的沉香信息数据构建沉香知识图谱数据库，并利用构建的数据为用户提供沉香分级和品质信息搜索推送，提高了沉香分析系统的适应性和实用性。