首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

基于图像分析结合机器学习的肉牛胴体质量评级方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:山东商都恒昌清真肉类有限公司

摘要:本发明涉及肉制品分析技术领域,具体涉及基于图像分析结合机器学习的肉牛胴体质量评级方法,包括以下步骤:通过多光谱相机在不同波段对肉牛胴体进行图像采集;对多光谱图像进行预处理;从预处理后的多光谱图像中提取多维度胴体特征,将不同波段图像中提取的多维度胴体特征通过特征融合网络进行融合,生成综合特征向量;利用异常检测算法识别肉牛胴体中的异常部位;对提取的图像特征和检测到的异常部位进行人工标注;采用监督学习方法训练多任务学习模型,通过联合训练质量评级和异常检测任务。本发明,基于分层特征分析和加权异常评分方法,综合判断异常部位,提高了异常检测的灵敏度和可靠性。

主权项:1.基于图像分析结合机器学习的肉牛胴体质量评级方法,其特征在于,包括以下步骤:S100,图像采集:通过多光谱相机在不同波段对肉牛胴体进行图像采集,生成包括可见光、近红外光和热红外光的多光谱图像,确保捕捉胴体表面和内部的细节特征;S200,图像预处理:对多光谱图像进行预处理,所述预处理步骤包括多光谱图像校准、去噪、增强和标准化处理,使不同波段的图像信息能够融合;S300,特征提取:利用多模态深度卷积神经网络MM-CNN从预处理后的多光谱图像中提取多维度胴体特征,所述胴体特征包括胴体的形状、纹理、颜色、脂肪分布和温度分布,将不同波段图像中提取的多维度胴体特征通过特征融合网络进行融合,生成综合特征向量,以全面反映肉牛胴体的质量信息;S400,异常检测:基于生成的综合特征向量,利用异常检测算法识别肉牛胴体中的异常部位,包括损伤、疾病迹象,所述异常检测算法基于孤立森林模型,所述异常检测具体包括:S410,特征分层分析:低层特征提取与评分:从综合特征向量Fcombined中分离出低层特征,包括形状、纹理,使用孤立森林对低层特征进行异常检测:Scorelow=IFlowFlow,其中,Flow是低层特征,IFlow是用于低层特征的孤立森林模型;高层特征提取与评分:从综合特征向量Fcombined中分离出高层特征,包括颜色、脂肪分布和温度分布,使用孤立森林对高层特征进行异常检测,计算异常得分Scorehigh:Scorehigh=IFhighFhigh,其中,Fhigh是高层特征,IFhigh是用于高层特征的孤立森林模型;S420,加权异常评分:对低层和高层特征的异常得分进行加权组合,综合判断异常部位;Scorecombined=wl·Scorelow+Wh·Scorehigh,其中,wl和wh分别为低层和高层特征的权重;S430,异常定位:根据联合异常得分Scorecombined,确定异常部位的位置,异常部位的定位通过阈值判断来实现,设定一个阈值Threshold,高于该阈值的区域被标记为异常: 其中,1表示异常,0表示正常;所述异常定位还包括:二次验证:使用多波段图像的信息,对检测到的异常部位进行二次验证,通过对比不同波段图像中的特征一致性,验证异常部位的真实性;目标高精度定位:将异常特征向量的位置信息映射回原始图像,进行目标高精度标记,通过将综合特征向量中的异常位置信息转换为原始图像的像素坐标,精确定位异常区域:x′,y′=Mapx,y,H,其中,x,y为特征向量中的位置坐标,H为映射矩阵,x′,y′为原始图像中的像素坐标;S500,数据标注:对提取的图像特征和检测到的异常部位进行人工标注,所述图像特征即为多维度胴体特征,建立包含已知质量等级和异常信息的标注数据集,作为模型训练基础;S600,模型训练:基于标注数据集,采用监督学习方法训练多任务学习模型,通过联合训练质量评级和异常检测任务,优化模型参数,以评估肉牛胴体的质量等级;S700,实时评级:将训练好的多任务学习模型部署到生产环境中,通过对实时采集的多光谱胴体图像进行分析,自动生成质量评级和异常检测结果。

全文数据:

权利要求:

百度查询: 山东商都恒昌清真肉类有限公司 基于图像分析结合机器学习的肉牛胴体质量评级方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。