基于深度学习的猪肉分类模型、构建方法、电子设备和计算机可读介质

本发明属于数据处理，具体涉及基于深度学习的猪肉分类模型、构建方法、电子设备和计算机可读介质。

背景技术：

1、猪肉是人们日常饮食中重要的肉类来源之一，不同部位猪肉的口感和价格都有所不同。因此，如何对不同部位的猪肉进行准确的识别和分类，实现针对性的销售、加工和烹饪，成为了肉类生产和销售领域一个重要的研究方向。

2、在传统的猪肉分类研究中，大多采用人工选取样品的方式，再通过人眼观察鉴定来进行分类。这种方法的局限性是，一方面往往需要具备专业知识和经验丰富的人员才能进行鉴定；另一方面由于人主管因素的干扰，分类结果不够准确和科学，影响了生产、销售和管理效率。而数据驱动的深度学习算法，则避免了这些因素，可以更准确、更快速地实现猪肉不同部位的自动化识别和分类。采用深度学习技术对猪肉进行分类，已经成为一种极具前景的方法。高效的图像分类算法和快速的数据处理需求日益增大。在这种情况下，利用深度学习进行猪肉不同部位图像分类的研究具有迫切性和实践意义。

技术实现思路

1、有鉴于此，一方面，一些实施例公开了基于深度学习的猪肉分类模型的构建方法，包括步骤：

2、s1、获取猪肉原始图像，并对原始图像进行预处理；

3、s2、将预处理后的猪肉图像数据分为训练集、验证集和测试集；

4、s3、构建卷积神经网络模型；卷积神经网络模型的结构包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层；

5、s4、利用训练集对构建的卷积神经网络模型进行训练；

6、s5、利用验证集和测试集数据对训练后的卷积神经网络模型进行优化，得到优化的猪肉分类模型，优化的猪肉分类模型的结构包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第一全连接层和第二全连接层。

7、进一步，一些实施例公开的基于深度学习的猪肉分类模型的构建方法，步骤s1中，对原始图像进行预处理包括：

8、s101、对原始图像数据进行数据增强；

9、s102、调整图像尺寸至设定值。

10、一些实施例公开的基于深度学习的猪肉分类模型的构建方法，步骤s2包括：

11、s201、读取图像存储路径、为每个猪肉类别分配一个数字id；

12、s202、读取所有图像的存储路径，将图像路径和其所属类别的数字id一同写入csv文件中并保存；

13、s203、定义图像数据集的类，并将图像数据集中60％的图像作为训练集，20％的图像作为验证集，20％的图像作为测试集。

14、一些实施例公开的基于深度学习的猪肉分类模型的构建方法，步骤s3中，卷积神经网络模型结构包括：

15、输入层：输入大小为3×128×128的rgb图像；

16、第一卷积层：16个大小为3×3×3的卷积核，步长为1，输出特征图大小为16×128×128；

17、第一池化层：大小为2×2的最大池化，步长为2，对输出为16×128×128的特征图进行操作，输出特征图大小为16×64×64；

18、第二卷积层：16个大小为3×3×16的卷积核，步长为1，输出特征图大小为16×64×64；

19、第二池化层：大小为2×2的最大池化，步长为2，对输出为16×64×64的特征图进行操作，输出特征图大小为16×32×32；

20、第一全连接层：将上一层的特征图展平成大小为16×32×32的向量，再经过一个带有dropout正则化和relu激活函数的全连接层，输出大小为16的向量；

21、第二全连接层：将上一层的输出再经过一个不带激活函数的全连接层，输出大小为3的向量。

22、一些实施例公开的基于深度学习的猪肉分类模型的构建方法，步骤s5中，还包括对卷积神经网络模型的性能评价步骤，评价指标包括正确率、精度、召回率、f1分数和roc曲线。

23、一些实施例公开的基于深度学习的猪肉分类模型的构建方法，步骤s5中，根据性能评价结果优化卷积神经网络模型，具体包括调整图像的尺寸、拓展卷积神经网络模型结构。

24、一些实施例公开的基于深度学习的猪肉分类模型的构建方法，步骤s5中，拓展的卷积神经网络模型的结构包括：

25、输入层：输入大小为3×224×224的rgb图像；

26、第一卷积层：16个大小为3×3的卷积核，步长为1，使用relu激活函数和batchnormalization进行归一化处理，输出特征图大小为16×224×224；

27、第一池化层：大小为2×2的最大池化，步长为2，对输出为16×224×224的特征图进行操作，输出特征图大小为16×112×112；

28、第二卷积层：32个大小为3×3的卷积核，步长为1，使用relu激活函数和batchnormalization进行归一化处理，输出特征图大小为32×112×112；

29、第二池化层：大小为2×2的最大池化，步长为2，对输出为32×112×112的特征图进行操作，输出特征图大小为32×56×56；

30、第三卷积层：64个大小为5×5的卷积核，步长为1，使用relu激活函数和batchnormalization进行归一化处理，输出特征图大小为64×56×56；

31、第三池化层：大小为2×2的最大池化，步长为2，对输出为64×56×56的特征图进行操作，输出特征图大小为64×28×28；

32、第四卷积层：64个大小为5×5的卷积核，步长为1，使用relu激活函数和batchnormalization进行归一化处理，输出特征图大小为64×28×28；

33、第四池化层：大小为2×2的最大池化，步长为2，对输出为64×28×28的特征图进行操作，输出特征图大小为64×14×14；

34、第一全连接层：将上一层的特征图展平成大小为64×14×14的向量，再经过一个带有dropout正则化和relu激活函数的全连接层，输出大小为64的向量；和

35、第二全连接层：将上一层的输出再经过一个不带激活函数的全连接层，输出大小为3的向量。

36、另一方面，一些实施例公开了基于深度学习的猪肉分类模型，由基于深度学习的猪肉分类模型的构建方法所得，猪肉分类模型为卷积神经网络模型，结构包括：

37、输入层：输入大小为3×224×224的rgb图像；

38、第一卷积层：16个大小为3×3的卷积核，步长为1，使用relu激活函数和batchnormalization进行归一化处理，输出特征图大小为16×224×224；

39、第一池化层：大小为2×2的最大池化，步长为2，对输出为16×224×224的特征图进行操作，输出特征图大小为16×112×112；

40、第二卷积层：32个大小为3×3的卷积核，步长为1，使用relu激活函数和batchnormalization进行归一化处理，输出特征图大小为32×112×112；

41、第二池化层：大小为2×2的最大池化，步长为2，对输出为32×112×112的特征图进行操作，输出特征图大小为32×56×56；

42、第三卷积层：64个大小为5×5的卷积核，步长为1，使用relu激活函数和batchnormalization进行归一化处理，输出特征图大小为64×56×56；

43、第三池化层：大小为2×2的最大池化，步长为2，对输出为64×56×56的特征图进行操作，输出特征图大小为64×28×28；

44、第四卷积层：64个大小为5×5的卷积核，步长为1，使用relu激活函数和batchnormalization进行归一化处理，输出特征图大小为64×28×28；

45、第四池化层：大小为2×2的最大池化，步长为2，对输出为64×28×28的特征图进行操作，输出特征图大小为64×14×14；

46、第一全连接层：将上一层的特征图展平成大小为64×14×14的向量，再经过一个带有dropout正则化和relu激活函数的全连接层，输出大小为64的向量；和

47、第二全连接层：将上一层的输出再经过一个不带激活函数的全连接层，输出大小为3的向量。

48、再一方面，一些实施例公开了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一、第二方面中任一的方法。

49、又一方面，一些实施例公开了一种计算机可读介质，其上存储有计算机程序，其中，上述程序被处理器执行时实现基于深度学习的猪肉分类模型的构建方法的方法。

50、本发明实施例公开的基于深度学习的猪肉分类模型的构建方法得到了对猪肉进行分类的卷积神经网络模型，能够对猪肉进行精确分类，例如能够对五花肉、梅花肉和肋排进行精确分类，提高了猪肉分类精确度、分类效率，能够大幅减少人工判断的时间和误判的可能性，提高了猪肉生产、销售、管理效率。