一种蔬菜加工分拣系统及方法与流程

1.本发明属于蔬菜加工分拣技术领域，尤其涉及一种蔬菜加工分拣系统及方法。


背景技术：

2.目前，蔬菜加工以蔬菜为原料，经清洗、去皮、切分(或未经去皮、切分)和热烫等预处理后，采用物理、化学和生物的方法制成食品以利保藏的加工过程。采收后的蔬菜仍是活的有机体，在贮藏期间继续进行着各种复杂的生命活动，其中最重要的是呼吸作用。随着呼吸作用的进行，蔬菜中含有的糖、淀粉和酸等有机物质因被氧化成为二氧化碳和水而不断消耗。同时，蔬菜中含有大量的水分和各种营养物质，是微生物生长发育和繁殖极为有利的条件；而微生物的活动，又是蔬菜败坏的主要原因。此外，蔬菜的生产是有季节性和地区性的，将旺季过剩的新鲜蔬菜和一些地区的特产蔬菜进行适当的加工，有利于调节蔬菜生产的淡旺季和不同地区蔬菜市场的需求。然而，现有蔬菜加工分拣系统分拣过程中对蔬菜图像分类准确率不高；同时，现有技术通过深度学习的方式，训练机器人智能地对蔬菜进识别，但其依赖于大量采集的样本，存在识别率相对较低的情况。因此，亟需一种新的蔬菜加工分拣系统。
3.通过上述分析，现有技术存在的问题及缺陷为：
4.(1)现有蔬菜加工分拣系统分拣过程中对蔬菜图像分类准确率不高.
5.(2)现有技术通过深度学习的方式，训练机器人智能地对蔬菜进识别，但其依赖于大量采集的样本，存在识别率相对较低的情况。


技术实现要素：

6.针对现有技术存在的问题，本发明提供了一种蔬菜加工分拣系统及方法。
7.本发明是这样实现的，一种蔬菜加工分拣系统，所述蔬菜加工分拣系统，包括：
8.视频监控模块，与主控模块连接，用于通过摄像设备对蔬菜加工分拣过程进行视频监控，获得蔬菜图像；
9.主控模块，与视频监控模块、清洗模块、蔬菜图像分类模块、图像特征提取模块、蔬菜识别模块、蔬菜评级模块、筛选模块、传送模块、显示模块连接，用于通过中央处理器协调控制所述蔬菜加工分拣系统各个模块的正常工作；
10.清洗模块，与主控模块连接，用于通过清洗机构对蔬菜进行清洗处理；
11.蔬菜图像分类模块，与主控模块连接，用于通过分类程序对蔬菜图像进行分类；
12.图像特征提取模块，与主控模块连接，用于通过图像特征提取程序提取蔬菜图像特征；
13.蔬菜识别模块，与主控模块连接，用于通过识别程序对蔬菜特征进行识别，包括：
14.通过摄像设备采集蔬菜图像；
15.通过图像增强程序对采集的图像进行增强处理，得到多种蔬菜分别对应的样本图像，并对样本图像进行扩增，得到第一样本图像集；
16.将第一样本图像集中的每一个图像分别加入泊松
‑
高斯噪声，调整每一个图像的亮度和对比度，得到处理后的多种蔬菜分别对应的第二样本图像集，包括：
17.通过预设的第一公式将第一样本图像集中的每一个图像分别加入泊松
‑
高斯噪声；其中，所述第一公式为：
[0018][0019]
其中，p为待加入泊松
‑
高斯噪声的图像的像素点的像素值，μ为0均值的标准高斯白噪声，a为预设第一常数，b为预设第二常数，w为加入泊松
‑
高斯噪声后的图像的像素点的像素值；
[0020]
通过预设的第二公式分别调整加入泊松
‑
高斯噪声的图像的亮度和对比度，得到每一个图像对应的多张处理后的样本图像；根据多种蔬菜分别对应的第一样本图像集中的每一个图像对应的多张处理后的样本图像，得到处理后的多种蔬菜分别对应的第二样本图像集；其中，所述第二公式为：
[0021]
g(i,j)＝αf(i,j)+β；
[0022]
其中，f(i,j)表示加入泊松
‑
高斯噪声的图像的像素坐标点，α为预设值，且α＞0，β为增益变量，g(i,j)处理后图像的像素点坐标；
[0023]
将待识别的蔬菜分别与每一个第二样本图像集中的图像匹配，若匹配成功，则输出匹配成功的第二样本图像集对应的蔬菜名称。
[0024]
进一步，所述蔬菜加工分拣系统，还包括：
[0025]
蔬菜评级模块，与主控模块连接，用于通过评级程序根据识别信息对蔬菜质量进行评级；
[0026]
筛选模块，与主控模块连接，用于通过筛选机构根据评级结果对蔬菜进行分拣筛选；
[0027]
传送模块，与主控模块连接，用于通过传送机构对分拣的蔬菜进行传送；
[0028]
显示模块，与主控模块连接，用于通过显示器显示监控视频、蔬菜图像分类结果、图像特征提取结果、蔬菜识别结果以及评级结果的实时数据。
[0029]
进一步，蔬菜图像分类模块中，所述通过分类程序对蔬菜图像进行分类，包括：
[0030]
通过分类程序将待分类蔬菜图像输入至训练好的目标卷积神经网络模型，获取所述待分类蔬菜图像的分类结果；其中，所述训练好的目标卷积神经网络模型通过以下步骤获取：
[0031]
在卷积神经网络模型中添加全连接层，搭建所述目标卷积神经网络模型；
[0032]
通过蔬菜图像训练集，对所述目标卷积神经网络模型进行训练，获取所述训练好的目标卷积神经网络模型；
[0033]
所述通过蔬菜图像训练集，对所述目标卷积神经网络模型进行训练，获取所述训练好的目标卷积神经网络模型，之前还包括：
[0034]
获取蔬菜图像原始训练集，基于数据扩展算法，将所述蔬菜图像原始训练集中的一张图像或多张图像进行多角度旋转；
[0035]
将所述蔬菜图像原始训练集和进行多角度旋转之后得到的所有图像，作为所述蔬菜图像训练集；
[0036]
所述将待分类蔬菜图像输入至训练好的目标卷积神经网络模型，获取所述待分类蔬菜图像的分类结果，之前还包括：
[0037]
基于数据扩展算法，将所述待分类蔬菜图像进行多角度旋转；
[0038]
所述卷积神经网络模型为vgg
‑
16网络模型；所述vgg
‑
16网络模型包括13个卷积层、第一全连接层、第二全连接层和第三全连接层；所述训练好的目标卷积神经网络模型的输出层是softmax层；
[0039]
所述在卷积神经网络模型中添加全连接层，进一步包括：
[0040]
在所述第二全连接层之后添加所述全连接层；
[0041]
其中，所述全连接层的输入为所述第一全连接层的输出特征和所述第二全连接层的输出特征进行融合之后的特征。
[0042]
进一步，所述搭建所述卷积神经网络模型之前还包括：
[0043]
添加多个训练好的批量归一化层。
[0044]
进一步，所述第一全连接层、所述第二全连接层和所述第三全连接层依次串行连接；
[0045]
其中，每一卷积层的输出、第一全连接层的输出和第二全连接层的输出均连接有修正线性单元。
[0046]
进一步，蔬菜识别模块中，所述通过图像增强程序对采集的图像进行增强处理，得到多种蔬菜分别对应的样本图像，包括：
[0047]
采集蔬菜图像，得到多种蔬菜分别对应的样本图像；其中，所述样本图像包括raw格式子图像和jpg格式子图像；
[0048]
存储所述raw格式子图像和jpg格式子图像。
[0049]
进一步，蔬菜识别模块中，所述对样本图像进行扩增，得到第一样本图像集，包括：
[0050]
将所述样本图像中的raw格式子图像转换为jpg格式，得到jpg格式的第一子图像；
[0051]
通过预设的旋转公式将所述jpg格式的第一子图像按照预设的多个角度依次进行旋转，得到旋转后对应的多张jpg格式的第二子图像；
[0052]
根据所述jpg格式子图像、第一子图像和多张的第二子图像，得到第一样本图像集。
[0053]
进一步，所述旋转公式为：
[0054][0055]
其中，(x',y')表示旋转后图像的像素点坐标；(x,y)表示旋转前图像的像素点坐标，θ表示旋转角度。
[0056]
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述蔬菜加工分拣系统的功能。
[0057]
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用所述蔬菜加工分拣系统的功能。
[0058]
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的蔬
菜加工分拣系统，通过蔬菜图像分类模块在卷积神经网络模型中添加全连接层，搭建所述目标卷积神经网络模型并进行训练，基于训练好的目标卷积神经网络模型，对待识别蔬菜图像进行分类，提高了蔬菜图像分类的准确率；同时，通过蔬菜识别模块采集蔬菜图像时，得到相应的样本图像，并对样本图像进行扩增，得到第一样本图像集，并不需要采集大量的样本图像，能够提高图像数据库建立的效率；其次，将第一样本图像集中的每一个图像加入泊松
‑
高斯噪声，并调整其图像的亮度和对比度，能够使样本图像更加接近实际采集的待识别图像，以提高后续的图像识别的正确率；最后将待识别的蔬菜分别与每一个第二样本图像集中的图像匹配，若匹配成功，则输出匹配成功的第二样本图像集对应的蔬菜名称，本发明能够减少样本图像的采集量，并提高蔬菜的识别的正确率。
附图说明
[0059]
图1是本发明实施例提供的蔬菜加工分拣方法流程图。
[0060]
图2是本发明实施例提供的蔬菜加工分拣系统结构框图；
[0061]
图中：1、视频监控模块；2、主控模块；3、清洗模块；4、蔬菜图像分类模块；5、图像特征提取模块；6、蔬菜识别模块；7、蔬菜评级模块；8、筛选模块；9、传送模块；10、显示模块。
[0062]
图3是本发明实施例提供的训练好的目标卷积神经网络模型的构建方法流程图。
[0063]
图4是本发明实施例提供的通过蔬菜识别模块利用识别程序对蔬菜特征进行识别的方法流程图。
[0064]
图5是本发明实施例提供的通过图像增强程序对样本图像进行扩增，得到第一样本图像集的方法流程图。
具体实施方式
[0065]
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
[0066]
下面结合附图对本发明的结构作详细的描述。
[0067]
如图1所示，本发明实施例提供的蔬菜加工分拣方法包括以下步骤：
[0068]
s101，通过视频监控模块利用摄像设备对蔬菜加工分拣过程进行视频监控；
[0069]
s102，主控模块通过清洗模块利用清洗机构对蔬菜进行清洗处理；
[0070]
s103，通过蔬菜图像分类模块利用分类程序对蔬菜图像进行分类；通过图像特征提取模块利用图像特征提取程序提取蔬菜图像特征；
[0071]
s104，通过蔬菜识别模块利用识别程序对蔬菜特征进行识别；通过蔬菜评级模块利用评级程序根据识别信息对蔬菜质量进行评级；
[0072]
s105，通过筛选模块利用筛选机构根据评级结果对蔬菜进行分拣筛选；通过传送模块利用传送机构对分拣的蔬菜进行传送；
[0073]
s106，通过显示模块利用显示器显示监控视频、蔬菜图像分类结果、图像特征提取结果、蔬菜识别结果以及评级结果的实时数据。
[0074]
如图2所示，本发明实施例提供的蔬菜加工分拣系统包括：视频监控模块1、主控模块2、清洗模块3、蔬菜图像分类模块4、图像特征提取模块5、蔬菜识别模块6、蔬菜评级模块7、筛选模块8、传送模块9、显示模块10。
[0075]
视频监控模块1，与主控模块2连接，用于通过摄像设备对蔬菜加工分拣过程进行视频监控；
[0076]
主控模块2，与视频监控模块1、清洗模块3、蔬菜图像分类模块4、图像特征提取模块5、蔬菜识别模块6、蔬菜评级模块7、筛选模块8、传送模块9、显示模块10连接，用于通过中央处理器协调控制所述蔬菜加工分拣系统各个模块的正常工作；
[0077]
清洗模块3，与主控模块2连接，用于通过清洗机构对蔬菜进行清洗处理；
[0078]
蔬菜图像分类模块4，与主控模块2连接，用于通过分类程序对蔬菜图像进行分类；
[0079]
图像特征提取模块5，与主控模块2连接，用于通过图像特征提取程序提取蔬菜图像特征；
[0080]
蔬菜识别模块6，与主控模块2连接，用于通过识别程序对蔬菜特征进行识别；
[0081]
蔬菜评级模块7，与主控模块2连接，用于通过评级程序根据识别信息对蔬菜质量进行评级；
[0082]
筛选模块8，与主控模块2连接，用于通过筛选机构根据评级结果对蔬菜进行分拣筛选；
[0083]
传送模块9，与主控模块2连接，用于通过传送机构对分拣的蔬菜进行传送；
[0084]
显示模块10，与主控模块2连接，用于通过显示器显示监控视频、蔬菜图像分类结果、图像特征提取结果、蔬菜识别结果以及评级结果的实时数据。
[0085]
本发明实施例提供的通过蔬菜图像分类模块利用分类程序对蔬菜图像进行分类，包括：通过分类程序将待分类蔬菜图像输入至训练好的目标卷积神经网络模型，获取所述待分类蔬菜图像的分类结果。
[0086]
如图3所示，本发明实施例提供的训练好的目标卷积神经网络模型的构建方法，包括：
[0087]
s201，获取蔬菜图像原始训练集，基于数据扩展算法，将所述蔬菜图像原始训练集中的一张图像或多张图像进行多角度旋转；
[0088]
s202，将所述蔬菜图像原始训练集和进行多角度旋转之后得到的所有图像，作为所述蔬菜图像训练集；
[0089]
s203，在卷积神经网络模型中添加全连接层，搭建所述目标卷积神经网络模型；通过蔬菜图像训练集，对所述目标卷积神经网络模型进行训练，获取所述训练好的目标卷积神经网络模型。
[0090]
本发明实施例提供的将待分类蔬菜图像输入至训练好的目标卷积神经网络模型，获取所述待分类蔬菜图像的分类结果，之前还包括：
[0091]
基于数据扩展算法，将所述待分类蔬菜图像进行多角度旋转；
[0092]
所述卷积神经网络模型为vgg
‑
16网络模型；所述vgg
‑
16网络模型包括13个卷积层、第一全连接层、第二全连接层和第三全连接层；所述训练好的目标卷积神经网络模型的输出层是softmax层。
[0093]
本发明实施例提供的在卷积神经网络模型中添加全连接层，进一步包括：
[0094]
在所述第二全连接层之后添加所述全连接层；
[0095]
其中，所述全连接层的输入为所述第一全连接层的输出特征和所述第二全连接层的输出特征进行融合之后的特征。
[0096]
本发明实施例提供的搭建所述卷积神经网络模型之前还包括：添加多个训练好的批量归一化层。
[0097]
本发明实施例提供的第一全连接层、所述第二全连接层和所述第三全连接层依次串行连接；其中，每一卷积层的输出、第一全连接层的输出和第二全连接层的输出均连接有修正线性单元。
[0098]
如图4所示，本发明提供的通过蔬菜识别模块利用识别程序对蔬菜特征进行识别，包括：
[0099]
s301，通过摄像设备采集蔬菜图像；
[0100]
s302，通过图像增强程序对采集的图像进行增强处理，得到多种蔬菜分别对应的样本图像，并对样本图像进行扩增，得到第一样本图像集；
[0101]
s303，将第一样本图像集中的每一个图像分别加入泊松
‑
高斯噪声，调整每一个图像的亮度和对比度，得到处理后的多种蔬菜分别对应的第二样本图像集；
[0102]
s304，将待识别的蔬菜分别与每一个第二样本图像集中的图像匹配，若匹配成功，则输出匹配成功的第二样本图像集对应的蔬菜名称。
[0103]
本发明实施例提供的通过图像增强程序对采集的图像进行增强处理，得到多种蔬菜分别对应的样本图像，包括：
[0104]
采集蔬菜图像，得到多种蔬菜分别对应的样本图像；其中，所述样本图像包括raw格式子图像和jpg格式子图像；
[0105]
存储所述raw格式子图像和jpg格式子图像。
[0106]
如图5所示，本发明实施例提供的通过图像增强程序对样本图像进行扩增，得到第一样本图像集，包括：
[0107]
s401，将所述样本图像中的raw格式子图像转换为jpg格式，得到jpg格式的第一子图像；
[0108]
s402，通过预设的旋转公式将所述jpg格式的第一子图像按照预设的多个角度依次进行旋转，得到旋转后对应的多张jpg格式的第二子图像；
[0109]
s403，根据所述jpg格式子图像、第一子图像和多张的第二子图像，得到第一样本图像集。
[0110]
本发明实施例提供的旋转公式为：
[0111][0112]
其中，(x',y')表示旋转后图像的像素点坐标；(x,y)表示旋转前图像的像素点坐标，θ表示旋转角度。
[0113]
本发明提供的将第一样本图像集中的每一个图像分别加入泊松
‑
高斯噪声，调整每一个图像的亮度和对比度，得到处理后的多种蔬菜分别对应的第二样本图像集具体为：
[0114]
通过预设的第一公式将第一样本图像集中的每一个图像分别加入泊松
‑
高斯噪声；其中，所述第一公式为：
[0115][0116]
其中，p为待加入泊松
‑
高斯噪声的图像的像素点的像素值，μ为0均值的标准高斯白噪声，a为预设第一常数，b为预设第二常数，w为加入泊松
‑
高斯噪声后的图像的像素点的像素值；
[0117]
通过预设的第二公式分别调整加入泊松
‑
高斯噪声的图像的亮度和对比度，得到每一个图像对应的多张处理后的样本图像；根据多种蔬菜分别对应的第一样本图像集中的每一个图像对应的多张处理后的样本图像，得到处理后的多种蔬菜分别对应的第二样本图像集；其中，所述第二公式为：
[0118]
g(i,j)＝αf(i,j)+β；
[0119]
其中，f(i,j)表示加入泊松
‑
高斯噪声的图像的像素坐标点，α为预设值，且α＞0，β为增益变量，g(i,j)处理后图像的像素点坐标。
[0120]
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0121]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0122]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。