[发明专利]一种基于深度学习的预包装品质识别方法

权利要求书

1.一种基于深度学习的预包装品质识别方法，其特征在于，至少包括：

离线训练过程及在线识别过程；

所述离线识别过程至少包含以下步骤：

S11：采集预包装图像的图像采集单元采集图像，并将所述图像采集单元采集的图像传至预处理单元进行预处理；

S12：所述预处理单元处理后的图像传至数据学习单元；

S13：所述数据学习单元学习后的数据传至储存单元储存；

所述在线识别过程至少包含以下步骤：

S21：采集预包装图像的图像采集单元采集图像，并将所述图像采集单元采集的图像传至预处理单元进行预处理；

S22：所述预处理单元处理后的图像传至数据学习单元；

S23：所述识别单元调用所述储存单元内储存的模型进行识别；

S24：识别后，识别结果通过显示单元显示。

2.根据权利要求1所述的一种基于深度学习的预包装品质识别方法，其特征还在于：

所述图像采集单元通过手机/摄像机采集预包装图像，通过预处理单元将所述采集的预包装图像进行预处理；将所述采集的预包装图像裁剪成40*40像素；所述数据学习单元通过学习所述预处理单元预处理后的图像传至所述储存单元储存；

使用时，使用者采集预包装图像，所述预处理单元预处理图像后，识别单元调用储存单元中储存后的模型进行识别，并将识别结果显示在显示单元。

3.根据权利要求1所述的一种基于深度学习的预包装品质识别方法，其特征还在于：

所述预处理单元将所述图像进行灰度化处理；所述灰度化处理根据YUV的颜色空间，建立亮度Y与R、G、B三个颜色分量的对应：

Y＝0.3R+0.59G+0.11B；

其中，Y表示点的亮度反映亮度等级，R表示红色，G表示绿色B表示蓝色。

4.根据权利要求1所述的一种基于深度学习的预包装品质识别方法，其特征还在于：

所述数据学习单元包含低分类器及高分类器；

所述低分类器采用贝叶斯理论；所述贝叶斯理论为：

其中，y表示类变量，X表示依赖特征向量；X＝(x₁,x₂,x₃,...,x_n)；

其中，x_i表示第i个X的依赖特征向量，P(y)表示类概率，P(x_i|y)表示条件概率；

所述高分类器分类为：

其中，表示训练样本的权值，z_j表示正规因子。

5.根据权利要求1所述的一种基于深度学习的预包装品质识别方法，其特征还在于：所述显示单元采用LED/LCD显示屏。