一种水果内部结构无损检测方法、系统、电子设备及介质与流程

1.本发明涉及农产品无损检测技术领域，特别是涉及一种水果内部结构无损检测方法、系统、电子设备及介质。


背景技术：

2.现有榴莲等果肉判断技术主要通过人眼观察外观轮廓识别，具有较大的不确定性，且难以判断果肉大小、果核大小、是否有空房、是否有虫子及果壳厚度等等情况，为解决该技术问题，现有技术中，已出现农产品无损检测技术，通过对榴莲、菠萝蜜、椰子或火龙果等带壳水果进行成像后，可以对水果果肉大小、多少、占比等进行测算并提供给消费者展示，减少消费者购买水果后不知道果肉含量等信息不对称问题，同时，成像过程中可以对水果的虫洞、病虫害、成熟度进行测量，以便于筛除坏果。
3.目前，在计算机视觉方向，人工智能和机器学习技术发展迅速，其广泛应用于医疗、工业等领域，但是在水果成像领域尚无大规模的机器学习案例。此外，由于水果自身的特殊性，目前已有的医疗图像等分割技术不适用于水果成像，导致现有技术无法应用于水果内部结构的识别。因此，亟需开发一种专用于水果的内部结构自动识别方法。


技术实现要素：

4.本发明旨在至少在一定程度上解决上述技术问题，本发明提供了一种水果内部结构无损检测方法、系统、电子设备及介质。
5.本发明采用的技术方案是：
6.第一方面，本发明提供了一种水果内部结构无损检测方法，包括：
7.基于神经网络构建初级水果元素识别模型；
8.获取第一水果图像以及与所述第一水果图像对应的第一标注信息，并通过所述第一水果图像和所述第一标注信息，对所述初级水果元素识别模型进行优化处理，得到优化后水果元素识别模型；
9.获取待检测水果图像，并将所述待检测水果图像输入所述优化后水果元素识别模型进行处理，得到所述待检测水果图像对应的最终标注信息；
10.根据所述最终标注信息，得到所述待检测水果图像对应的重绘图像。
11.本发明用以解决现有市场中消费者无法了解水果内部结构及评估对应品质的问题，可实现对水果内部结构的无损检测，为水果的品质要求提供重要依据。具体地，本发明在实施过程中，通过基于神经网络构建初级水果元素识别模型，然后基于获取的第一水果图像以及与所述第一水果图像对应的第一标注信息对所述初级水果元素识别模型进行优化，得到优化后水果元素识别模型，再将待检测水果图像输入所述优化后水果元素识别模型进行处理，得到所述待检测水果图像对应的最终标注信息，最后基于所述最终标注信息得到所述待检测水果图像对应的重绘图像，在此过程中，所述待检测水果图像对应的最终标注信息即为无损检测结果，便于用户获取待检测水果内的各元素信息，并基于最终得到
的重绘图像直观了解该待检测水果的内部结构情况。
12.在一个可能的设计中，通过所述第一水果图像和所述第一标注信息，对所述初级水果元素识别模型进行优化处理，得到优化后水果元素识别模型，包括：
13.将所述第一水果图像输入所述初级水果元素识别模型进行处理，得到与所述第一水果图像对应的多个第二标注区块；
14.基于所述第一标注信息的指定像素区域和多个第二标注区块，构建得到与多个第二标注区块对应的多个损失函数，然后求取多个损失函数的损失值；
15.将与所述第一标注信息的指定像素区域对应的多个损失值进行对比，得到多个损失值中的最小损失值，然后得到与所述第一标注信息中所有像素区域分别匹配的最小损失值对应的第二标注区块；
16.将与所述第一标注信息中所有像素区域分别匹配的最小损失值对应的第二标注区块作为所述初级水果元素识别模型对所述第一水果图像的输出结果，然后基于所述输出结果对所述初级水果元素识别模型进行优化，得到优化后水果元素识别模型。
17.在一个可能的设计中，所述第一标注信息包括所述第一水果图像中指定水果元素对应的第一轮廓图像及所述第一轮廓图像对应的第一标签信息，所述第一标签信息用于表示所述第一轮廓图像对应的水果元素的类型；
18.所述第二标注区块包括所述第一水果图像中指定水果元素对应的第二像素区块及所述第二像素区块对应的第二标签信息，所述第二标签信息用于表示所述第二像素区块对应的水果元素的类型；
19.所述损失函数包括第一损失函数、第二损失函数和/或第三损失函数；其中，所述第一损失函数为：
[0020][0021]
其中，m为样本个数，即所述第一水果图像中所有水果元素的个数，y’(i)
为第i个样本对应第一标注信息的真实分类，x’(i)
为第i个样本的求解分类，h
θ
为x’(i)
的准确概率；
[0022]
所述第二损失函数包括：
[0023]
t
x
＝(x-xa)/wa，ty＝(y-ya)/ha，
[0024]
tw＝log(w/wa)，th＝log(h/ha)，
[0025][0026][0027]
其中，x为预测输出结果的中心的横坐标，xa为所述第二标注区块的横坐标，x*为所述第一轮廓图像的中心的横坐标，y为预测输出结果的中心的纵坐标，ya为所述第二标注区块的纵坐标，y*为所述第一轮廓图像的中心的纵坐标，w为预测输出结果的宽，wa为所述第二标注区块的宽，w*为所述第一标注信息的指定像素区域的宽，h为预测输出结果的高，ha为所述第二标注区块的高，h*为所述第一标注信息的指定像素区域的高，t
x
为所述第二标注区块的横坐标相对预测输出结果的中心的横坐标平移缩放参数，tw为所述第二标注区块的宽相对预测输出结果的宽的平移缩放参数，ty为所述第二标注区块的纵坐标相对预测输出结果的中心的纵坐标平移缩放参数，th为所述第二标注区块的高相对预测输出结果的高
的平移缩放参数，t
x
*为所述第二标注区块的横坐标相对所述第一轮廓图像的中心的横坐标的平移缩放参数，tw*为所述第二标注区块的宽相对所述第一标注信息的指定像素区域的宽的平移缩放参数，ty*为所述第二标注区块的纵坐标相对所述第一轮廓图像的中心的纵坐标的平移缩放参数，th*为所述第二标注区块的高相对所述第一标注信息的指定像素区域的高的平移缩放参数；
[0028]
所述第三损失函数为：
[0029]
fiu(s1,s2)＝si/(s1+s2-si)；
[0030]
其中，s1为第一标注信息的指定像素区域的面积，s2为所述第二像素区块的面积，fiu(s1,s2)为所述第一标注信息的指定像素区域和所述第二像素区块叠加至同一基准图像时的交并比，si为所述第一标注信息的指定像素区域和所述第二像素区块叠加至同一基准图像时的重合区域的面积。
[0031]
在一个可能的设计中，所述损失函数包括第一损失函数、第二损失函数和第三损失函数，所述损失函数total_loss＝a*l1+b*l2+c*l3，其中，l1表示第一损失函数，l2表示第二损失函数，l3表示第三损失函数，a为第一损失函数的权重系数，b为第二损失函数的权重系数，c为第三损失函数的权重系数。
[0032]
在一个可能的设计中，获取第一水果图像后，所述方法还包括：
[0033]
对所述第一水果图像进行去噪，得到去噪后水果图像，所述第一标注信息及所述第二标注区块均为所述去噪后水果图像对应的标注信息；其中，对所述第一水果图像进行去噪，包括：
[0034]
获取所述第一水果图像的固定噪音，其中，所述固定噪音为预存的未放置水果时的背景图像的像素；
[0035]
将所述第一水果图像去除固定噪音，得到初步去噪后水果图像，其中，所述初步去噪后水果图像为所述第一水果图像与所述背景图像的像素差。
[0036]
在一个可能的设计中，对所述第一水果图像进行去噪，包括：
[0037]
获取所述第一水果图像的随机噪音；
[0038]
对所述初步去噪后水果图像进行自适应二值化，得到二值化图像，所述二值化图像中任一点(x,y)的像素值为：
[0039][0040]
其中，f1(x,y)为二值化图像中点(x,y)处的像素值，f(x,y)为初步去噪后水果图像中点(x,y)处的像素值，t1为第一像素阈值；
[0041]
获取所述二值化图像中除背景区域外的连通区域，并计算所述连通区域中面积小于面积阈值的次要连通区域；
[0042]
获取所述次要连通区域的位置信息，然后在所述初步去噪后水果图像中删除与所述次要连通区域的位置信息对应的图像，得到去噪后水果图像。
[0043]
在一个可能的设计中，得到所述待检测水果图像对应的最终标注信息后，所述方法还包括：
[0044]
根据所述最终标注信息，得到所述待检测水果图像对应的果肉面积，然后根据所述果肉面积对与所述待检测水果图像对应的水果进行分级。
[0045]
第二方面，本发明提供了一种水果内部结构无损检测系统，用于实现如上述任一项所述的水果内部结构无损检测方法；所述水果内部结构无损检测系统包括：
[0046]
模型构建模块，用于基于神经网络构建初级水果元素识别模型；
[0047]
模型优化模块，用于获取第一水果图像以及与所述第一水果图像对应的第一标注信息，并通过所述第一水果图像和所述第一标注信息，对所述初级水果元素识别模型进行优化处理，得到优化后水果元素识别模型；
[0048]
图像识别模块，用于获取待检测水果图像，并将所述待检测水果图像输入所述优化后水果元素识别模型进行处理，得到所述待检测水果图像对应的最终标注信息；
[0049]
图像重绘模块，用于根据所述最终标注信息，得到所述待检测水果图像对应的重绘图像。
[0050]
第三方面，本发明提供了一种电子设备，包括：
[0051]
存储器，用于存储计算机程序指令；以及，
[0052]
处理器，用于执行所述计算机程序指令从而完成如上述任一项所述的水果内部结构无损检测方法的操作。
[0053]
第四方面，本发明提供了一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，所述计算机程序指令被配置为运行时执行如上述任一项所述的水果内部结构无损检测方法的操作。
附图说明
[0054]
图1是本发明中一种水果内部结构无损检测方法的流程图；
[0055]
图2是本发明中举例的与第一水果图像对应的二值化图像；
[0056]
图3是本发明中举例的与第一水果图像对应的删除次要连通区域后的二值化图像；
[0057]
图4是本发明中举例的与第一水果图像对应的去噪后水果图像；
[0058]
图5是本发明中举例的与第一水果图像对应的包括最终标注信息的图像；
[0059]
图6是本发明中举例的待检测水果图像对应的重绘图像；
[0060]
图7是本发明中水果内部结构无损检测系统的模块框图。
具体实施方式
[0061]
下面结合附图及具体实施例来对本发明作进一步阐述。
[0062]
应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。
[0063]
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，单独存在b，同时存在a和b三种情况。
[0064]
应当理解，还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如，取决于所涉及的功能/动作，实际上可以实质上并发地执行，或者有时可以以相反的顺序来执行连续示出的两个图。
[0065]
实施例1：
[0066]
本实施例第一方面提供了一种水果内部结构无损检测方法，可以但不限于由具有一定计算资源的计算机设备或虚拟机执行，例如由个人计算机、智能手机、个人数字助理或可穿戴设备等电子设备执行，或者由虚拟机执行，以便实现对水果内部结构的无损检测。
[0067]
如图1所示，一种水果内部结构无损检测方法、系统、电子设备及介质，可以但不限于包括有如下步骤：
[0068]
s1.基于神经网络构建初级水果元素识别模型；
[0069]
s2.获取第一水果图像以及与所述第一水果图像对应的第一标注信息，并通过所述第一水果图像和所述第一标注信息，对所述初级水果元素识别模型进行优化处理，得到优化后水果元素识别模型；具体地，所述第一标注信息包括所述第一水果图像中指定水果元素对应的第一轮廓图像及所述第一轮廓图像对应的第一标签信息，所述第一标签信息用于表示所述第一轮廓图像对应的水果元素的类型；其中，所述第一轮廓图像用于表示所述第一水果图像中指定水果元素在水果图像中的位置及轮廓等，所述水果元素包括果核、果肉、空包、虫子、果刺和果壳等。本实施例中，第一标注信息可以但不仅限于通过全人工标注和/或半自动标注得到，其中，全人工标注为基于人工在所述第一水果图像中标注出各个水果元素对应的轮廓图像，半自动标注为基于预设的标注模型在所述第一水果图像中标注出各个水果元素对应的轮廓图像，后经过人工进行调整得到的轮廓图像，半自动标注相对全人工标注而言，标注速度更快，同时利于减小用人成本。
[0070]
本实施例中，第一标注信息采用如矩形、多边形、圆形等或文字标签等样式，用于对第一水果图像的异常值进行标注。
[0071]
获取第一水果图像以及与所述第一水果图像对应的第一标注信息后，还包括：构建基础信息集，基础信息集内包括如倾倒、边缘缺失、中心缺失及重叠等样式的图像；若初始信息集为a0，则初始信息集a0中水果倾倒图像的信息集为a01，水果未倾倒图像的信息集a02，信息集a0包括a01和a02；初始信息集a0中边缘缺失图像的信息集为b01，边缘未缺失图像的信息集为b02，信息集a0包括b01和b02；初始信息集a0中中心缺失图像的信息集为c01，中心未缺失图像的信息集为c02，信息集a0包括c01和c02；其他异常值依次类推。后续对所述初级水果元素识别模型进行优化处理等步骤均指在同一子信息集上处理或多个子信息集的交集上进行处理。
[0072]
作为示例，若对水果未倾倒图像与中心未缺失图像的信息集进行处理，则提取所有a02与c02的信息集作为模型数据集s；或仅对未倾倒图像的信息集进行处理，则a02作为模型数据集s。
[0073]
具体地，通过所述第一水果图像和所述第一标注信息，对所述初级水果元素识别模型进行优化处理，得到优化后水果元素识别模型，包括：
[0074]
s201.将所述第一水果图像输入所述初级水果元素识别模型进行处理，得到与所述第一水果图像对应的多个第二标注区块。具体地，所述第二标注区块包括所述第一水果图像中指定水果元素对应的第二像素区块及所述第二像素区块对应的第二标签信息，其中第二标签信息与指定水果元素对应的第一标签信息相同，所述第二标签信息用于表示所述第二像素区块对应的水果元素的类型。本实施例中，将所述第一水果图像输入所述初级水果元素识别模型进行处理时，采用cnn提取第一水果图像中目标元素的特征，提取特征时，通过不同尺度的采样得到不同尺度的特征序列，并以此特征序列作为后续待进行处理的数
据；所述初级水果元素识别模型对特征序列进行后续的处理后，可得到与所述第一水果图像对应的多个第二特征图像，第二特征图像上具备与所述第一水果图像对应的多个第二标注区块。具体的，不同尺度的采样，即第二标注区块的大小可根据用户自定义得到，如设置为2*2像素点，此处不予限制，在实施过程中，第一水果图像经卷积层、池化层及全连接层处理后输入所述初级水果元素识别模型进行处理，进而得到第二像素区块和第二像素区块对应的第二标签信息，以便于提高图像处理速度。
[0075]
s202.基于所述第一标注信息的指定像素区域和多个第二标注区块，构建得到与多个第二标注区块对应的多个损失函数，然后求取多个损失函数的损失值；
[0076]
本实施例中，所述损失函数包括第一损失函数、第二损失函数和/或第三损失函数；其中，所述第一损失函数为：
[0077][0078]
其中，m为样本个数，即所述第一水果图像中所有水果元素的个数，具体地，当所述第一水果图像仅有一个时，m为该水果图像中所有水果元素的个数，当所述第一水果图像有n1个时，每个第一水果图像平均有n2个水果元素时，则m为多个第一水果图像中所有水果元素的个数，即m＝n1*n2；y’(i)
为第i个样本对应第一标注信息的真实分类，x’(i)
为第i个样本的求解分类，h
θ
为x’(i)
的准确概率，即x’(i)
为对应真实分类的概率；具体地，y’(i)
基于第一标注信息的指定像素区域对应的第二标签信息得到，x’(i)
基于初级水果元素识别模型对第一水果图像求解自动生成，真实分类和求解分类均可与水果元素对应设置为：果肉为1，虫子为2，非果肉为0，非虫子为0等，此处不予限制。本实施例中，第一损失函数用于衡量目标类别的偏离程度，即第二标注区块的求解分类与对应的真实分类之间的偏离程度。
[0079]
所述第二损失函数包括：
[0080]
t
x
＝(x-xa)/wa，ty＝(y-ya)/ha，
[0081]
tw＝log(w/wa)，th＝log(h/ha)，
[0082][0083][0084]
其中，x为预测输出结果的中心的横坐标，xa为所述第二标注区块的横坐标，x*为所述第一轮廓图像的中心的横坐标，y为预测输出结果的中心的纵坐标，ya为所述第二标注区块的纵坐标，y*为所述第一轮廓图像的中心的纵坐标，w为预测输出结果的宽，wa为所述第二标注区块的宽，w*为所述第一标注信息的指定像素区域的宽，h为预测输出结果的高，ha为所述第二标注区块的高，h*为所述第一标注信息的指定像素区域的高，t
x
为所述第二标注区块的横坐标相对预测输出结果的中心的横坐标平移缩放参数，tw为所述第二标注区块的宽相对预测输出结果的宽的平移缩放参数，ty为所述第二标注区块的纵坐标相对预测输出结果的中心的纵坐标平移缩放参数，th为所述第二标注区块的高相对预测输出结果的高的平移缩放参数，t
x
*为所述第二标注区块的横坐标相对所述第一轮廓图像的中心的横坐标的平移缩放参数，tw*为所述第二标注区块的宽相对所述第一标注信息的指定像素区域的宽的平移缩放参数，ty*为所述第二标注区块的纵坐标相对所述第一轮廓图像的中心的纵坐标的平移缩放参数，th*为所述第二标注区块的高相对所述第一标注信息的指定像素
区域的高的平移缩放参数；应当理解的是，t
x
、tw、ty、th、t
x
*、tw*、ty*和th*用以表示相关数据接近第一标注信息的程度，相关数据越接近第一标注信息，则相关平移缩放参数取值越小。
[0085]
所述第三损失函数为：
[0086]
fiu(s1,s2)＝si/(s1+s2-si)；
[0087]
其中，s1为第一标注信息的指定像素区域的面积，s2为所述第二像素区块的面积，fiu(s1,s2)为所述第一标注信息的指定像素区域和所述第二像素区块叠加至同一基准图像时的交并比，si为所述第一标注信息的指定像素区域和所述第二像素区块叠加至同一基准图像时的重合区域的面积。
[0088]
具体地，本实施例中，所述第一损失函数为多分类交叉熵损失函数，采用cross entropy交叉熵量化得到，所述第二损失函数为位置初略回归误差函数，采用多项式回归(polynomial curve fitting)量化得到，所述第三损失函数为最终位置回归误差函数，采用交并比(intersection-over-union)指标量化得到。
[0089]
具体地，本实施例中，所述损失函数包括第一损失函数、第二损失函数和第三损失函数，所述损失函数total_loss＝a*l1+b*l2+c*l3，其中，l1表示第一损失函数，l2表示第二损失函数，l3表示第三损失函数，a为第一损失函数的权重系数，b为第二损失函数的权重系数，c为第三损失函数的权重系数，a、b、c依照用户对所述优化后水果元素识别模型的识别结果的要求而定。本实施例中，可利用梯度下降法求解神经网络参数，反复迭代，使得损失函数total_loss下降到一定水平，进而便于对所述初级水果元素识别模型进行优化，得到优化后水果元素识别模型。
[0090]
本实施例中，对损失函数迭代信息集进行增减处理，包括：
[0091]
a1.建立一个反馈机制信息集s，反馈机制信息集s包括售后反馈和即时反馈，如售后发现某编号的水果标记错误，则将此编号归类为x信息集，下次进行模型回归时，使用s’＝s-x作为新信息集进行替代进行损失函数的运算与迭代；
[0092]
a2.对于机器生成的标签信息，可通过人工判定其是否符合第一标注信息的标准，若符合，则将此照片与对应的标签信息录入数据集s，并重新计算损失函数。
[0093]
本实施例中，获取第一水果图像后，所述方法还包括：
[0094]
对所述第一水果图像进行去噪，得到去噪后水果图像，所述第一标注信息及所述第二标注区块均为所述去噪后水果图像对应的标注信息。
[0095]
具体地，对所述第一水果图像进行去噪，包括：
[0096]
获取所述第一水果图像的固定噪音，其中，所述固定噪音为预存的未放置水果时的背景图像的像素；
[0097]
将所述第一水果图像去除固定噪音，得到初步去噪后水果图像，其中，所述初步去噪后水果图像为所述第一水果图像与所述背景图像的像素差。
[0098]
对所述第一水果图像进行去噪，还包括：
[0099]
获取所述第一水果图像的随机噪音；
[0100]
对所述初步去噪后水果图像进行自适应二值化，得到二值化图像，所述二值化图像中任一点(x,y)的像素值为：
[0101]
[0102]
其中，f1(x,y)为二值化图像中点(x,y)处的像素值，f(x,y)为初步去噪后水果图像中点(x,y)处的像素值，t1为第一像素阈值，t1采用自适应求解方式得到；二值化图像中低于第一像素阈值t1的位置显示黑色，高于第一像素阈值t1的位置显示白色；本实施例中，二值化图像如图2所示；
[0103]
获取所述二值化图像中除背景区域外的连通区域，并计算所述连通区域中面积小于面积阈值的次要连通区域；得到所述次要连通区域后，还包括：删除所述二值化图像中的次要连通区域，所述连通区域处二值化图像中任一点(x,y)的像素值为：
[0104][0105]
其中，f2(x,y)为连通区域处二值化图像中点(x,y)处的像素值，area s[i]为包含点(x,y)的连通区域i的面积，t2为第二像素阈值；即，连通区域处二值化图像中低于第二像素阈值t2的位置显示白色，高于第二像素阈值t2的位置显示黑色；本实施例中，删除所述次要连通区域后的二值化图像如图3所示；
[0106]
获取所述次要连通区域的位置信息，然后在所述初步去噪后水果图像中删除与所述次要连通区域的位置信息对应的图像，得到去噪后水果图像，本实施例中，去噪后水果图像如图4所示。
[0107]
本实施例中，所述第一水果图像和所述待检测水果图像均为波长为0.00775-10nm的射线图像。
[0108]
s203.将与所述第一标注信息的指定像素区域对应的多个损失值进行对比，得到多个损失值中的最小损失值，然后得到与所述第一标注信息中所有像素区域分别匹配的最小损失值对应的第二标注区块；
[0109]
s204.将与所述第一标注信息中所有像素区域分别匹配的最小损失值对应的第二标注区块作为所述初级水果元素识别模型对所述第一水果图像的输出结果，然后基于所述输出结果对所述初级水果元素识别模型进行优化，得到优化后水果元素识别模型。
[0110]
s3.获取待检测水果图像，并将所述待检测水果图像输入所述优化后水果元素识别模型进行处理，得到所述待检测水果图像对应的最终标注信息；如图5所示，左侧两张图像内的果核处包括果核标注信息，各水果元素对应的所有标注信息构成最终标注信息，右侧两张图像为未进行处理，未包括标注信息的图像。
[0111]
具体地，本实施例中，所述优化后水果元素识别模型对所述待检测水果图像的处理步骤包括：
[0112]
对所述待检测水果图像进行归一化处理，得到归一化后图像，以便于进一步消除图像噪声；
[0113]
对所述归一化后图像采用cnn(convolutional neural networks,卷积神经网络)进行特征提取，得到特征向量，并进行特征学习，得到训练特征样本；
[0114]
对所述训练特征样本通过卷积层、池化层及全连接层处理，得到处理后数据；通过卷积层、池化层及全连接层处理可便于提高所述优化后水果元素识别模型对所述待检测水果图像的处理速度；
[0115]
对所述处理后数据进行识别处理，得到所述待检测水果图像对应的最终标注信息，以便于实现对水果图像中不同水果元素的预测。
[0116]
s4.根据预设规则对所述最终标注信息进行校验，并删除校验失败的数据，以便基于校验后的最终标注信息进行水果图像重绘，由此提高重绘图像的准确度。具体地，校验规则包括：
[0117]
规则1)a果核元素必须包含在b果肉元素内，如果a果核元素不在b果肉元素内，则删除a果核元素对应的最终标注信息；a果核元素与b果肉元素的交并比》0.9时，则认为a果核元素在b果肉元素内；
[0118]
规则2)c空包元素与a果核元素和b果肉元素都不相交，如有相交，则删除c空包元素对应的最终标注信息；
[0119]
规则3)若人工标注信息有倾倒的标注，则不对该水果图像进行标注，也不将其输入水果元素识别模型。
[0120]
s5.根据所述最终标注信息，得到所述待检测水果图像对应的重绘图像。如图6所示，为一种举例的待检测水果图像对应的重绘图像。得到重绘图像后，还可将所述重绘图像以标签的形式输出，所述标签包括纸质标签和/或电子标签，其中纸质标签可用以粘贴在水果上进行销售，电子标签可用以在电商平台、h5页面或小程序上进行展示，此处不予赘述。
[0121]
s6.根据所述最终标注信息，得到所述待检测水果图像对应的果肉面积，然后根据所述果肉面积对与所述待检测水果图像对应的水果进行分级。需要说明的是，果肉面积可在一定程度上反映待检测水果对应的果肉含量多少，进而便于对榴莲等无法基于外形得知其内部的果肉情况，便于标准分级及定价，解决榴莲等水果的分级及定价相关的用户痛点。当然，也可基于果肉占全水果元素的比例进行分级定价，此方法也包含在本技术的保护范围内，此处不予赘述。
[0122]
应当理解的是，步骤s5和s6可以并列设置，也可前后设置，均在本技术的保护范围内，此处不予限制。
[0123]
本实施例用以解决现有市场中消费者无法了解水果内部结构及评估对应品质的问题，可实现对水果内部结构的无损检测，为水果的品质要求提供重要依据。具体地，本实施例在实施过程中，通过基于神经网络构建初级水果元素识别模型，然后基于获取的第一水果图像以及与所述第一水果图像对应的第一标注信息对所述初级水果元素识别模型进行优化，得到优化后水果元素识别模型，再将待检测水果图像输入所述优化后水果元素识别模型进行处理，得到所述待检测水果图像对应的最终标注信息，最后基于所述最终标注信息得到所述待检测水果图像对应的重绘图像，在此过程中，所述待检测水果图像对应的最终标注信息即为无损检测结果，便于用户获取待检测水果内的各元素信息，并基于最终得到的重绘图像直观了解该待检测水果的内部结构情况。
[0124]
实施例2：
[0125]
本实施例提供一种水果内部结构无损检测系统，用于实现实施例1中水果内部结构无损检测方法；如图7所示，所述水果内部结构无损检测系统包括：
[0126]
模型构建模块，用于基于神经网络构建初级水果元素识别模型；
[0127]
模型优化模块，用于获取第一水果图像以及与所述第一水果图像对应的第一标注信息，并通过所述第一水果图像和所述第一标注信息，对所述初级水果元素识别模型进行优化处理，得到优化后水果元素识别模型；
[0128]
图像识别模块，用于获取待检测水果图像，并将所述待检测水果图像输入所述优
化后水果元素识别模型进行处理，得到所述待检测水果图像对应的最终标注信息；
[0129]
图像重绘模块，用于根据所述最终标注信息，得到所述待检测水果图像对应的重绘图像。
[0130]
实施例3：
[0131]
在实施例1或2的基础上，本实施例公开了一种电子设备，该设备可以是智能手机、平板电脑、笔记本电脑或者台式电脑等。电子设备可能被称为用于终端、便携式终端、台式终端等，电子设备包括：
[0132]
存储器，用于存储计算机程序指令；以及，
[0133]
处理器，用于执行所述计算机程序指令从而完成如实施例1中任一所述的水果内部结构无损检测方法的操作。
[0134]
实施例4：
[0135]
在实施例1至3任一项实施例的基础上，本实施例公开了一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，所述计算机程序指令被配置为运行时执行如实施例1所述的水果内部结构无损检测方法的操作。
[0136]
需要说明的是，所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0137]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0138]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
[0139]
最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。