检测肉类的方法、装置、电子设备及介质与流程

本申请中涉及图像处理技术，尤其是一种检测肉类的方法、装置、电子设备及介质

背景技术：

由于通信时代和社会的兴起，智能设备已经随着通信技术的崛起而不断被更多的人们所应用。

进一步的，伴随着时代的发展，人们的生活水平也越来越好，进而随着消费者生活质量的提高，对于肉类的口感和质量也有更高的要求。其中，并不是每个人都有足够丰富的经验去识别肉类的好坏，进而经常出现消费者购买到病肉，过期肉等的问题。进而影响到消费者的身体健康。

因此，如何利用智能设备为用户检测肉类的品质程度，成为了本领域技术人员需要解决的问题。

技术实现要素：

本申请实施例提供一种检测肉类的方法、装置、电子设备及介质。

其中，根据本申请实施例的一个方面，提供的一种检测肉类的方法，其特征在于，包括：

获取第一待检测图像，所述第一待检测图像中包含至少一个待检测肉类；

基于预设的神经网络检测模型，提取所述第一待检测图像中的第一色彩特征，所述第一色彩特征对应于所述待检测肉类；

基于所述第一色彩特征，获取所述待检测肉类的检测结果。

可选地，在基于本申请上述方法的另一个实施例中，在所述获取第一待检测图像之后，还包括：

基于所述神经网络检测模型，提取所述第一待检测图像中的亮度特征参数，所述亮度特征参数为对应于光照环境的色彩特征；

当确定所述亮度特征参数满足第一条件时，提取所述第一待检测图像中的所述第一色彩特征；

当确定所述亮度特征参数不满足所述第一条件时，获取第二待检测图像，并基于所述第二待检测图像，获取所述待检测肉类的检测结果。

可选地，在基于本申请上述方法的另一个实施例中，所述当确定所述亮度特征参数不满足所述第一条件时，获取所述第二待检测图像，包括：

当确定所述亮度特征参数不满足所述第二条件时，启动光照装置并获取所述第二待检测图像；

或，

当确定所述亮度特征参数不满足所述第三条件时，对所述第一待检测图像进行亮度消减，获取所述第二待检测图像。

可选地，在基于本申请上述方法的另一个实施例中，其特征在于，所述基于预设的神经网络检测模型，提取所述第一待检测图像中的第一色彩特征，包括：

基于预设的神经网络检测模型，确定所述待检测肉类的肉部区域以及脂肪区域；

提取所述第一待检测图像中的第二色彩特征以及第三色彩特征，所述第二色彩特征对应于所述待检测肉类的肉部区域，所述第三色彩特征对应于所述待检测肉类的脂肪区域。

可选地，在基于本申请上述方法的另一个实施例中，在所述提取所述第一待检测图像中的第二色彩特征以及第三色彩特征之后，还包括：

获取所述待检测肉类的属性信息；

基于所述待检测肉类的属性信息，确定第一颜色阈值以及第二颜色阈值；

基于所述第二色彩特征与所述第一颜色阈值的匹配关系，以及所述第三色彩特征与所述第二颜色阈值的匹配关系，获取所述待检测肉类的检测结果。

可选地，在基于本申请上述方法的另一个实施例中，所述基于所述第一色彩特征，获取所述待检测肉类的检测结果，包括：

获取待检测肉类对应的花纹特征；

基于所述花纹特征以及所述第一色彩特征，获取所述待检测肉类的检测结果。

可选地，在基于本申请上述方法的另一个实施例中，在所述基于预设的神经网络检测模型，提取所述第一待检测图像中的第一色彩特征之前，还包括：

获取样本图像，其中，样本图像包括至少一个第一色彩特征，所述第一色彩特征为对应于肉类的特征参数；

利用样本图像对预设的目标检测模型进行训练，得到满足预设条件的所述神经网络检测模型。

根据本申请实施例的另一个方面，提供的一种检测肉类的装置，包括：

第一获取模块，被设置为获取第一待检测图像，所述第一待检测图像中包含至少一个待检测肉类；

提取模块，被设置为基于预设的神经网络检测模型，提取所述第一待检测图像中的第一色彩特征，所述第一色彩特征对应于所述待检测肉类；

第二获取模块，被设置为基于所述第一色彩特征，获取所述待检测肉类的检测结果。

根据本申请实施例的又一个方面，提供的一种电子设备，包括：

存储器，用于存储可执行指令；以及

显示器，用于与所述存储器显示以执行所述可执行指令从而完成上述任一所述检测肉类的方法的操作。

根据本申请实施例的还一个方面，提供的一种计算机可读存储介质，用于存储计算机可读取的指令，所述指令被执行时执行上述任一所述检测肉类的方法的操作。

本申请中，在获取包含至少一个待检测肉类的第一待检测图像后，可以基于预设的神经网络检测模型，提取第一待检测图像中，待检测肉类的第一色彩特征，并基于第一色彩特征，获取待检测肉类的检测结果。通过应用本申请的技术方案，可以在获取到消费者拍摄的包含肉类的待检测图像后，基于该图像中肉类的颜色参数，自动为用户生成该肉类的检测结果。这也避免了由于用户无法鉴别肉类所导致的容易买到病肉的问题。

下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。

附图说明

构成说明书的一部分的附图描述了本申请的实施例，并且连同描述一起用于解释本申请的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本申请，其中：

图1为本申请视检测肉类的系统架构示意图；

图2为本申请提出的一种检测肉类的方法的示意图；

图3为本申请提出的一种检测肉类的方法的示意图；

图4为本申请检测肉类的装置的结构示意图；

图5为本申请显示电子设备结构示意图。

具体实施方式

现在将参照附图来详细描述本申请的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，不作为对本申请及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

另外，本申请各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。

需要说明的是，本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

下面结合图1-图3来描述根据本申请示例性实施方式的用于进行检测肉类的方法。需要注意的是，下述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。

图1示出了可以应用本申请实施例的视频处理方法或视频处理装置的示例性系统架构100的示意图。

如图1所示，系统架构100可以包括终端设备101、102、103中的一种或多种，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机和台式计算机等等。

本申请中的终端设备101、102、103可以为提供各种服务的终端设备。例如用户通过终端设备103(也可以是终端设备101或102)获取第一待检测图像，所述第一待检测图像中包含至少一个待检测肉类；基于预设的神经网络检测模型，提取所述第一待检测图像中的第一色彩特征，所述第一色彩特征对应于所述待检测肉类；基于所述第一色彩特征，获取所述待检测肉类的检测结果。

在此需要说明的是，本申请实施例所提供的视频处理方法可以由终端设备101、102、103中的一个或多个,和/或,服务器105执行，相应地，本申请实施例所提供的视频处理装置一般设置于对应终端设备中,和/或，服务器105中，但本申请不限于此。

本申请还提出一种检测肉类的方法、装置、目标终端及介质。

图2示意性地示出了根据本申请实施方式的一种检测肉类的方法的流程示意图。如图2所示，该方法包括：

s101，获取第一待检测图像，所述第一待检测图像中包含至少一个待检测肉类。

需要说明的是，本申请中获取第一待检测图像的设备做具体限定，例如可以为智能设备，也可以为服务器。其中，智能设备可以是pc(personalcomputer，个人电脑)，也可以是智能手机、平板电脑、电子书阅读器、便携计算机等具有显示以及摄像功能的可移动式终端设备等等。

首先需要说明的是，本申请不对第一待检测图像包含的待检测肉类的数量做具体限定，例如可以为1个，也可以为多个。另外，本申请同样不对待检测肉类做具体限定，例如可以为猪肉，羊肉，牛肉，鸡肉，鸭肉，鱼肉等等。

进一步的，本申请中的第一待检测图像可以为用户拍摄的图像，具体而言，本申请不对第一待检测图像的数量做具体限定，例如可以为用户针对肉类正面拍摄的图像，也可以为用户针对该肉类的不同角度拍摄的多张待检测图像。

进一步的，为了获得较清晰的待检测图像，本申请中可以首先生成提示信息，以提示用户对待检测肉类的部分部位进行预先清理。例如可以首先对肉类的毛发进行清理以剪除毛发，或是可以用清水对肉类进行清洗后，用刷子或金属梳子除去杂质，以得到改善图像的效果。

s102，基于预设的神经网络检测模型，提取第一待检测图像中的第一色彩特征，第一色彩特征对应于待检测肉类。

首先需要说明的是，本申请不对待检测肉类中的第一色彩特征做具体限定，例如可以为关于待检测肉类对应的瘦肉部分的色彩特征，也可以为待检测肉类对应的脂肪部分的色彩特征，还可以为待检测肉类对应的骨头部分的色彩特征等等。

进一步的，肌内脂肪是影响肉类品质的重要因素，肉的风味和多汁性随肌内脂肪含量的增加而持续改善，对于肉类嫩度主要通过切断肌纤维束间的交联结构，有利于咀嚼过程中肌纤维的断裂，这样就改变了肉质的感官品质。所以在保证较高生长速度和瘦肉率的前提下也要维持适当的体脂和肌内脂肪水平。因此，本申请中还可以基于待检测肉类的脂肪含量来对图像中的待检测肉类进行检测。

另外，本申请同样不对神经网络检测模型做具体限定，例如该神经网络检测模型可以为基于mobilenet的目标检测模型。其中，mobilenet是一种为移动设备设计的通用计算机视觉神经网络，因此其也能支持图像分类和检测等。一般在个人移动设备上运行深度网络能提升用户体验、提高访问的灵活性，以及在安全、隐私和能耗上获得额外的优势。此外，随着新应用的出现，用户可以与真实世界进行实时交互，因此可以对更高效的神经网络有着很大的需求。

进一步的，本申请可以使用神经网络检测模型，提取待检测图像中的待检测肉类的第一色彩特征。其中，需要将至少一张待检测图像输入至预设的神经网络检测模型中，并将神经网络检测模型最后一层全连接层的输出作为对该待检测图像对应的第一色彩特征。以使后续根据该色彩特征数据，得到待检测肉类对应的识别结果。

s103，基于第一色彩特征，获取待检测肉类的检测结果。

进一步的，本申请在获取到待检测肉类的第一色彩特征之后，可以基于该色彩特征与预设的数据库进行匹配。另外，本申请不对数据库的建立做具体限定，例如以猪肉为例，本申请可以首先确定猪肉的各种类别：死猪肉，病猪肉，冷冻猪肉，合格猪肉，优质猪肉。并分别收集这些不同类别的猪肉图像数据标注后，使用mobilenet_训练图像检测模型。

更进一步的，本申请根据依据现有的国家标准和采集到的各个类别的肉类标准图片数据库进行识别分析。利用支持向量机得到各类肉类对应的颜色的深浅程度，并将所测肉类的大理石花纹按照国家标准分为若干个等级中的一个等级。再用神经网络检测模型建立各肉类颜色指标和脂肪颜色指标与肌肉颜色等级和脂肪颜色等级之间的关系，并将所测肉类的肌肉颜色和脂肪颜色按照国家标准分为若干个等级中的一个等级。

本申请中，在获取包含至少一个待检测肉类的第一待检测图像后，可以基于预设的神经网络检测模型，提取第一待检测图像中，待检测肉类的第一色彩特征，并基于第一色彩特征，获取待检测肉类的检测结果。通过应用本申请的技术方案，可以在获取到消费者拍摄的包含肉类的待检测图像后，基于该图像中肉类的颜色参数，自动为用户生成该肉类的检测结果。这也避免了由于用户无法鉴别肉类所导致的容易买到病肉的问题。

在本申请另外一种可能的实施方式中，在s101(获取第一待检测图像)之后，还可以实施下述步骤：

基于神经网络检测模型，提取第一待检测图像中的亮度特征参数，亮度特征参数为对应于光照环境的色彩特征；

当确定亮度特征参数满足第一条件时，提取第一待检测图像中的第一色彩特征；

当确定亮度特征参数不满足第一条件时，获取第二待检测图像，并基于第二待检测图像，获取待检测肉类的检测结果。

本申请在获取第一待检测图像之后，需要首先判定由用户拍摄的该图像是否满足检测条件。可以理解的，当图片拍摄的光照强度过亮或过暗时，均会对检测结果出现影响。因此，本申请同样可以利用该神经网络检测模型，提取第一待检测图像中，对应于光照环境的的亮度特征参数。并根据该色彩特征，确定图像的明亮程度是否符合条件。

其中，图象亮度是从白色表面到黑色表面的感觉连续体，由反射系数决定。另外，亮度是视觉系统对可见物体辐射或者发光量的感知属性，没有亮度，其他底层特征诸如形状、运动、颜色等也无法表现出来。

进一步的，本申请在判定图像的明亮程度是否符合条件的过程中，可以将该色彩特征与第一条件进行匹配，可以理解的，当匹配成功时，即可判定该图像符合要求，进而可以提取第一待检测图像中的第一色彩特征。当匹配不成功时，即可再次获取关于该待检测肉类的第二待检测图像。以使后续根据该第二待检测图像，获取待检测肉类的检测结果。

需要说明的是，本申请不对第一条件进行具体限定，例如第一条件可以为预设数值，例如可以为10cd/m2，也可以为50cd/m2等等。

同样的，本申请也不对第二待检测图像的数量做具体限定，例如可以为用户针对肉类正面拍摄的图像，也可以为用户针对该肉类的不同角度拍摄的多张待检测图像。

可选的，本申请在当确定亮度特征参数不满足第一条件时，获取第二待检测图像的过程中，可以包括以下两种情况的任意一种：

第一种情况：

当确定亮度特征参数不满足第二条件时，启动光照装置并获取第二待检测图像。

进一步的，本申请在判定图像的明亮程度是否符合条件的过程中，可以首先在当确定亮度特征参数不满足第二条件时，判定当前的第一待检测图像的亮度不足。为了解决该问题，本申请即可启动移动终端的光照装置，并在启动光照装置期间，利用摄像装置再次对待检测肉类进行拍摄进而获取该第二待检测图像。

可以理解的，本申请中的光照装置可以为移动终端自带的闪光灯功能，本申请中，还可以基于亮度特征参数，进一步的确定待补光的程度，进而控制光照装置针对性的发射预设亮度的光线。从而获取最佳光照环境的第二待检测图像。

第二种情况：

当确定亮度特征参数不满足第三条件时，对第一待检测图像进行亮度消减，获取第二待检测图像。

进一步的，本申请在判定图像的明亮程度是否符合条件的过程中，可以首先在当确定亮度特征参数不满足第三条件时，判定当前的第一待检测图像的亮度过高。为了解决该问题，本申请即可利用亮度消除技术，对该第一待检测图像的亮度对应消除进而获取该第二待检测图像。

可以理解的，本申请中也可以基于亮度特征参数，进一步的确定消除光亮度的程度，进而利用亮度消除技术针对性的消除对应的的亮度信息。从而获取最佳光照环境的第二待检测图像。

进一步的，本申请中的亮度特征参数可以对应于图像中每个像素对应的亮度属性。可以理解的，该亮度特征参数与色彩无关，该亮度特征参数的取值范围可以为0至255。其中，靠近255的像素的亮度较高，靠近0的亮度较低。每个像素的亮度属性可以反映在图像的hsv(hue,saturation,value，色调，饱和度，亮度)颜色空间中。

在本申请另外一种可能的实施方式中，在s102(基于预设的神经网络检测模型，提取第一待检测图像中的第一色彩特征)之后，还可以实施下述步骤：

基于预设的神经网络检测模型，确定待检测肉类的肉部区域以及脂肪区域；

提取第一待检测图像中的第二色彩特征以及第三色彩特征，第二色彩特征对应于待检测肉类的肉部区域，第三色彩特征对应于待检测肉类的脂肪区域。

本申请中，在获取到待检测图像之后，可以进一步的提取对应于待检测肉类的肉部区域的第二色彩特征，以及对应于待检测肉类的脂肪区域的第三色彩特征。以使后续根据该第二色彩特征以及第三色彩特征，分别对各自的颜色阈值进行比较。进而得到对应的匹配结果。

可以理解的，对于肉类来说，其品质的好坏决定于其肉部的颜色以及脂肪的颜色。例如，对于过期肉来说，通常其肉部的颜色为暗红色，且脂肪颜色为暗褐色。因此，本申请可以基于肉部区域的色彩特征以及脂肪区域的色彩特征，对该待检测图像中的待检测肉类进行检测。以确定其好坏程度。

可选的，本申请在提取第一待检测图像中的第二色彩特征以及第三色彩特征之后，还可以实施下述步骤：

获取待检测肉类的属性信息；

基于待检测肉类的属性信息，确定第一颜色阈值以及第二颜色阈值；

基于第二色彩特征与第一颜色阈值的匹配关系，以及第三色彩特征与第二颜色阈值的匹配关系，获取待检测肉类的检测结果。

可以理解的，本申请在利用肉部区域的色彩特征以及脂肪区域的色彩特征确定该待检测肉类的品质程度之前，需要首先确定该肉类的属性信息。其中，该属性信息对应于该肉类的所属品种，例如可以对应于猪肉，牛肉，鱼肉等等。并在确定肉类品种之后，从预设的数据库中获取该品种肉类对应的颜色阈值。

进一步的，不同的肉类对应于不同的颜色阈值，例如对于猪肉来说，品质优乘的猪肉对应的颜色通常为鲜红色，而对于鸡肉来说，品质优乘的鸡肉对应的颜色通常为淡黄色，在对于鱼肉来说，品质优乘的鱼肉对应的颜色通常为纯白色。因此，本申请需要首先确定该待检测肉来的属性信息并以此确定对应的颜色阈值，进而基于该色彩特征与对应颜色阈值的匹配关系。获取待检测肉类的检测结果。

需要说明的是，本申请不对第一颜色阈值以及第二颜色阈值做具体限定，也即第一颜色阈值以及第二颜色阈值可以为任意色彩的数值。

以待检测肉类为猪肉为例进行说明：当检测到猪肉(肉部区域)颜色暗红或者褐红时，猪肉的脂肪(脂肪区域)呈红色，黄色或者其他异常色时，即可以判别该待检测肉类为病死猪肉。又或，当检测到猪肉(肉部区域)颜色鲜红时，猪肉的脂肪(脂肪区域)呈乳白色时，即可以判别该待检测肉类为优质猪肉。

可选的，猪肉和脂肪的颜色的深浅程度不同会有不同的分数，通过分数可以判定猪肉的得病程度。当检测到猪肉，瘦肉部分颜色呈鲜红色，为红色或者粉红色，肥肉部分是白色或者乳白色则该猪肉的为合格猪肉，同样得分越高表示该猪肉品质越好，例如满分100分得95分为优质猪肉。检测的结果会直接显示在移动终端的显示界面上，提示用户该猪肉是病死猪肉或合格猪肉还是优质猪肉等等。

进一步的，以待检测肉类为鸡肉为例进行说明：当检测到鸡肉(肉部区域)颜色呈黑色时，鸡肉的脂肪(脂肪区域)呈暗红色，黄色或者其他异常色时，即可以判别该待检测肉类为病死鸡肉。又或，当检测到鸡肉(肉部区域)颜色呈淡黄色时，鸡肉的脂肪(脂肪区域)呈乳白色时，即可以判别该待检测肉类为优质鸡肉。

在进一步的，以待检测肉类为羊肉为例进行说明：当检测到羊肉(肉部区域)颜色暗红或者褐红时，羊肉的脂肪(脂肪区域)呈红色，黄色或者其他异常色时，即可以判别该待检测肉类为病死羊肉。又或，当检测到羊肉(肉部区域)颜色鲜红时，羊肉的脂肪(脂肪区域)呈乳白色时，即可以判别该待检测肉类为优质羊肉。

进一步可选的，在本申请的一种实施方式中，在s103(基于所述第一色彩特征，获取所述待检测肉类的检测结果)中，还包括一种具体的实施方式，如图3所示，包括：

s201，获取第一待检测图像。

s202，获取样本图像，其中，样本图像包括至少一个色彩特征，色彩特征为对应于肉类的特征参数

s203，利用样本图像对预设的mobilenet模型进行训练，得到满足预设条件的神经网络检测模型。

进一步的，本申请可以通过mobilenet图像检测模型，来识别样本图像所包括的至少一个对象的样本特征(例如可以为肉部区域对应的色彩特征，脂肪区域对应的色彩特征等等)。更进一步而言，预设的mobilenet图像检测模型还可以对样本图像中的各个样本特征进行分类，并且将属于同一类别的样本特征分为同一类型，这样，样本图像进行语义分割之后所得到的多个样本特征可以为多个不同类型所组成的样本特征。

需要说明的是预设的mobilenet模型对样本图像进行图像分割处理时，对样本图像中的像素点分类越准确，则识别样本图像中的标记对象的准确率越高。其中需要说明的是，预设条件可以是自定义设定的。

例如，可以设定预设条件为：对像素点的分类准确率达到70％以上，那么，样本图像对mobilenet图像检测模型进行反复训练，在神经网络图像分类模型对像素点的分类准确率达到70％以上时，则此时该神经网络图像分类模型可以应用在本申请实施例中，对待检测图像进行特征识别。

s204，基于预设的神经网络检测模型，提取第一待检测图像中的第一色彩特征。

s205，获取待检测肉类对应的花纹特征。

s206，基于花纹特征以及第一色彩特征，获取待检测肉类的检测结果。

可以理解的，本申请在利用肉部区域的色彩特征以及脂肪区域的色彩特征确定该待检测肉类的品质程度的过程中，还可以根据待检测肉类的花纹特征来进一步的获取待检测肉类的检测结果。其中，本申请也可以在获取待检测肉类对应的花纹特征之前，首先确定对应于该肉类的所属品种的属性信息。例如为猪肉，牛肉，羊肉等等。并在确定肉类品种之后，从预设的数据库中获取该品种肉类对应的花纹特征。

本申请中，在获取包含至少一个待检测肉类的第一待检测图像后，可以基于预设的神经网络检测模型，提取第一待检测图像中，待检测肉类的第一色彩特征，并基于第一色彩特征，获取待检测肉类的检测结果。通过应用本申请的技术方案，可以在获取到消费者拍摄的包含肉类的待检测图像后，基于该图像中肉类的颜色参数，自动为用户生成该肉类的检测结果。这也避免了由于用户无法鉴别肉类所导致的容易买到病肉的问题。

在本申请的另外一种实施方式中，如图4所示，本申请还提供一种检测肉类的装置。其中，该装置包括第一获取模块301，提取模块302，第二获取模块303，其中：

第一获取模块，被设置为获取第一待检测图像，所述第一待检测图像中包含至少一个待检测肉类；

提取模块，被设置为基于预设的神经网络检测模型，提取所述第一待检测图像中的第一色彩特征，所述第一色彩特征对应于所述待检测肉类；

第二获取模块，被设置为基于所述第一色彩特征，获取所述待检测肉类的检测结果。

本申请中，在获取包含至少一个待检测肉类的第一待检测图像后，可以基于预设的神经网络检测模型，提取第一待检测图像中，待检测肉类的第一色彩特征，并基于第一色彩特征，获取待检测肉类的检测结果。通过应用本申请的技术方案，可以在获取到消费者拍摄的包含肉类的待检测图像后，基于该图像中肉类的颜色参数，自动为用户生成该肉类的检测结果。这也避免了由于用户无法鉴别肉类所导致的容易买到病肉的问题。

在本申请的另一种实施方式中，第一获取模块301，还包括：

第一获取模块301，被配置为基于所述神经网络检测模型，提取所述第一待检测图像中的亮度特征参数，所述亮度特征参数为对应于光照环境的色彩特征；

第一获取模块301，被配置为当确定所述亮度特征参数满足第一条件时，提取所述第一待检测图像中的所述第一色彩特征；

第一获取模块301，被配置为当确定所述亮度特征参数不满足所述第一条件时，获取第二待检测图像，并基于所述第二待检测图像，获取所述待检测肉类的检测结果。

在本申请的另一种实施方式中，第一获取模块301，还包括：

第一获取模块301，被配置为当确定所述亮度特征参数不满足所述第二条件时，启动光照装置并获取所述第二待检测图像；

或，

第一获取模块301，被配置为当确定所述亮度特征参数不满足所述第三条件时，对所述第一待检测图像进行亮度消减，获取所述第二待检测图像。

在本申请的另一种实施方式中，第一获取模块301，其中：

第一获取模块301，被配置为基于预设的神经网络检测模型，确定所述待检测肉类的肉部区域以及脂肪区域；

第一获取模块301，被配置为提取所述第一待检测图像中的第二色彩特征以及第三色彩特征，所述第二色彩特征对应于所述待检测肉类的肉部区域，所述第三色彩特征对应于所述待检测肉类的脂肪区域。

在本申请的另一种实施方式中，第一获取模块301，其中：

第一获取模块301，被配置为获取所述待检测肉类的属性信息；

第一获取模块301，被配置为基于所述待检测肉类的属性信息，确定第一颜色阈值以及第二颜色阈值；

第一获取模块301，被配置为基于所述第二色彩特征与所述第一颜色阈值的匹配关系，以及所述第三色彩特征与所述第二颜色阈值的匹配关系，获取所述待检测肉类的检测结果。

在本申请的另一种实施方式中，第一获取模块301，还包括：

第一获取模块301，被配置为获取待检测肉类对应的花纹特征；

第一获取模块301，被配置为基于所述花纹特征以及所述第一色彩特征，获取所述待检测肉类的检测结果。

在本申请的另一种实施方式中，还包括，第二获取模块303，其中：

第二获取模块303，被配置为获取样本图像，其中，样本图像包括至少一个色彩特征，所述色彩特征为对应于肉类的特征参数；

第二获取模块303，被配置为利用样本图像对预设的mobilenet模型进行训练，得到满足预设条件的所述神经网络检测模型。

图5是根据一示例性实施例示出的一种电子设备的逻辑结构框图。例如，电子设备400可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图5，电子设备400可以包括以下一个或多个组件：处理器401和存储器402。

处理器401可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器401可以采用dsp(digitalsignalprocessing，数字信号处理)、fpga(field－programmablegatearray，现场可编程门阵列)、pla(programmablelogicarray，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器401也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(centralprocessingunit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器401可以在集成有gpu(graphicsprocessingunit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器401还可以包括ai(artificialintelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。

存储器402可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器402还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器402中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器401所执行以实现本申请中方法实施例提供的互动特效标定方法。

在一些实施例中，电子设备400还可选包括有：外围设备接口403和至少一个外围设备。处理器401、存储器402和外围设备接口403之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口403相连。具体地，外围设备包括：射频电路404、触摸显示屏405、摄像头406、音频电路407、定位组件408和电源409中的至少一种。

外围设备接口403可被用于将i/o(input/output，输入/输出)相关的至少一个外围设备连接到处理器401和存储器402。在一些实施例中，处理器401、存储器402和外围设备接口403被集成在同一芯片或电路板上；在一些其他实施例中，处理器401、存储器402和外围设备接口403中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路404用于接收和发射rf(radiofrequency，射频)信号，也称电磁信号。射频电路404通过电磁信号与通信网络以及其他通信设备进行通信。射频电路404将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路404包括：天线系统、rf收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路404可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2g、3g、4g及5g)、无线局域网和/或wifi(wirelessfidelity，无线保真)网络。在一些实施例中，射频电路404还可以包括nfc(nearfieldcommunication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏405用于显示ui(userinterface，用户界面)。该ui可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏405是触摸显示屏时，显示屏405还具有采集在显示屏405的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器401进行处理。此时，显示屏405还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏405可以为一个，设置电子设备400的前面板；在另一些实施例中，显示屏405可以为至少两个，分别设置在电子设备400的不同表面或呈折叠设计；在再一些实施例中，显示屏405可以是柔性显示屏，设置在电子设备400的弯曲表面上或折叠面上。甚至，显示屏405还可以设置成非矩形的不规则图形，也即异形屏。显示屏405可以采用lcd(liquidcrystaldisplay，液晶显示屏)、oled(organiclight-emittingdiode,有机发光二极管)等材质制备。

摄像头组件406用于采集图像或视频。可选地，摄像头组件406包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及vr(virtualreality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件406还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路407可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器401进行处理，或者输入至射频电路404以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在电子设备400的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器401或射频电路404的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路407还可以包括耳机插孔。

定位组件408用于定位电子设备400的当前地理位置，以实现导航或lbs(locationbasedservice，基于位置的服务)。定位组件408可以是基于美国的gps(globalpositioningsystem，全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。

电源409用于为电子设备400中的各个组件进行供电。电源409可以是交流电、直流电、一次性电池或可充电电池。当电源409包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。

在一些实施例中，电子设备400还包括有一个或多个传感器410。该一个或多个传感器410包括但不限于：加速度传感器411、陀螺仪传感器412、压力传感器413、指纹传感器414、光学传感器415以及接近传感器416。

加速度传感器411可以检测以电子设备400建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器411可以用于检测重力加速度在三个坐标轴上的分量。处理器401可以根据加速度传感器411采集的重力加速度信号，控制触摸显示屏405以横向视图或纵向视图进行用户界面的显示。加速度传感器411还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器412可以检测电子设备400的机体方向及转动角度，陀螺仪传感器412可以与加速度传感器411协同采集用户对电子设备400的3d动作。处理器401根据陀螺仪传感器412采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变ui)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器413可以设置在电子设备400的侧边框和/或触摸显示屏405的下层。当压力传感器413设置在电子设备400的侧边框时，可以检测用户对电子设备400的握持信号，由处理器401根据压力传感器413采集的握持信号进行左右手识别或快捷操作。当压力传感器413设置在触摸显示屏405的下层时，由处理器401根据用户对触摸显示屏405的压力操作，实现对ui界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

指纹传感器414用于采集用户的指纹，由处理器401根据指纹传感器414采集到的指纹识别用户的身份，或者，由指纹传感器414根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器401授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器414可以被设置电子设备400的正面、背面或侧面。当电子设备400上设置有物理按键或厂商logo时，指纹传感器414可以与物理按键或厂商logo集成在一起。

光学传感器415用于采集环境光强度。在一个实施例中，处理器401可以根据光学传感器415采集的环境光强度，控制触摸显示屏405的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏405的显示亮度；当环境光强度较低时，调低触摸显示屏405的显示亮度。在另一个实施例中，处理器401还可以根据光学传感器415采集的环境光强度，动态调整摄像头组件406的拍摄参数。

接近传感器416，也称距离传感器，通常设置在电子设备400的前面板。接近传感器416用于采集用户与电子设备400的正面之间的距离。在一个实施例中，当接近传感器416检测到用户与电子设备400的正面之间的距离逐渐变小时，由处理器401控制触摸显示屏405从亮屏状态切换为息屏状态；当接近传感器416检测到用户与电子设备400的正面之间的距离逐渐变大时，由处理器401控制触摸显示屏405从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图4中示出的结构并不构成对电子设备400的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器404，上述指令可由电子设备400的处理器420执行以完成上述检测肉类的方法，该方法包括：获取第一待检测图像，所述第一待检测图像中包含至少一个待检测肉类；基于预设的神经网络检测模型，提取所述第一待检测图像中的第一色彩特征，所述第一色彩特征对应于所述待检测肉类；基于所述第一色彩特征，获取所述待检测肉类的检测结果。可选地，上述指令还可以由电子设备400的处理器420执行以完成上述示例性实施例中所涉及的其他步骤。可选地，上述指令还可以由电子设备400的处理器420执行以完成上述示例性实施例中所涉及的其他步骤。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供了一种应用程序/计算机程序产品，包括一条或多条指令，该一条或多条指令可以由电子设备400的处理器420执行，以完成上述检测肉类的方法，该方法包括：获取第一待检测图像，所述第一待检测图像中包含至少一个待检测肉类；基于预设的神经网络检测模型，提取所述第一待检测图像中的第一色彩特征，所述第一色彩特征对应于所述待检测肉类；基于所述第一色彩特征，获取所述待检测肉类的检测结果。可选地，上述指令还可以由电子设备400的处理器420执行以完成上述示例性实施例中所涉及的其他步骤。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。