[发明专利]基于深度学习的食品异物检测方法和装置

说明书

本发明提供了一种基于深度学习的食品异物检测方法和装置，其中，该方法包括以下步骤：获取训练样本图像集；根据训练样本图像集对神经网络进行训练以获取分割网络模型；根据分割网络模型对待检测食品的目标检测图像进行检测，以获取相应的第一二值化图像；根据第一二值化图像判断待检测食品中是否存在异物。根据本发明的基于深度学习的食品异物检测方法，能够准确地检测出食品中是否存在异物，并且无需耗费较多的人力资源。

技术领域

本发明涉及目标检测技术领域，具体涉及一种基于深度学习的食品异物检测方法和一种基于深度学习的食品异物检测装置。

背景技术

食品行业在生产过程繁多，中间可能遭受污染的风险较大，尤其是异物混入。虽然一般在源头上也有管控，但是生产过程中用的机械设备比较多，还是有较大的异物混入的风险。如果流入到终端市场，很有可能造成顾客人身的损害和企业品牌的折损。

相关技术中，无法准确地检测出食品中是否存在异物，并且需要耗费大量的人力资源。

发明内容

本发明为解决上述技术问题，提供了一种基于深度学习的食品异物检测方法，能够准确地检测出食品中是否存在异物，并且无需耗费较多的人力资源。

本发明采用的技术方案如下：

一种基于深度学习的食品异物检测方法，包括以下步骤：获取训练样本图像集；根据所述训练样本图像集对神经网络进行训练以获取分割网络模型；根据所述分割网络模型对待检测食品的目标检测图像进行检测，以获取相应的第一二值化图像；根据所述第一二值化图像判断所述待检测食品中是否存在异物。

所述获取训练样本图像集包括：采用X-ray射线对食品进行拍摄以获取所述食品的X-ray图像，对所述食品的X-ray图像进行指数化预处理以获取训练样本图像；对所述训练样本图像中所述食品的异物进行标注，以获取标注图像；根据所述训练样本图像和相应的标注图像生成所述训练样本图像集。

所述根据所述训练样本图像集对神经网络进行训练以获取分割网络模型包括：根据所述训练样本图像采用梯度下降法对所述神经网络进行训练以获取所述分割网络模型。

所述根据所述训练样本图像集对神经网络进行训练以获取分割网络模型还包括：根据分割网络模型对所述训练样本图像进行检测，以获取相应的第二二值化图像；将所述第二二值化图像与所述标注图像进行比对；根据比对结果对所述分割网络模型进行校正。

一种基于深度学习的食品异物检测装置，包括：第一获取模块，所述第一获取模块用于获取训练样本图像集；第二获取模块，所述第二获取模块用于根据所述训练样本图像集对神经网络进行训练以获取分割网络模型；检测模块，所述检测模块用于根据所述分割网络模型对待检测食品的目标检测图像进行检测，以获取相应的第一二值化图像；判断模块，所述判断模块用于根据所述第一二值化图像判断所述待检测食品中是否存在异物。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述的基于深度学习的食品异物检测方法。

一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于深度学习的食品异物检测方法。

本发明的有益效果：

本发明能够准确地检测出食品中是否存在异物，并且无需耗费较多的人力资源。

附图说明

图1为本发明实施例的基于深度学习的食品异物检测方法的流程图；

图2为本发明实施例的基于深度学习的食品异物检测装置的方框示意图。

具体实施方式