[发明专利]一种基于土豆图像深度学习的追溯系统及方法

权利要求书

1.一种基于土豆图像深度学习的追溯系统，其特征在于，

主要由后台服务器和图像识别终端组成，且一个后台服务器可对应一个以上的图像识别终端；其中，

后台服务器主要负责图像训练、图像建模、图像识别以及数据库关系维护和查询，

识别终端主要完成对土豆图像的采集功能。

2.根据权利要求1所述的系统，其特征在于，

后台服务器基于python/opencv/tensorflow环境，采用开源MTCNN为基础来构建土豆图像检测与识别系统。

3.根据权利要求1所述的系统，其特征在于，

终端是手机或是具备摄像头驱动的嵌入式设备。

4.根据权利要求3所述的系统，其特征在于，

终端对土豆图像进行拍照后，通过TCP/IP私有协议与后台服务端进行交互，将土豆图像传到后台进行识别和查询，并接受服务端查询返回的结果，展示给用户。

5.根据权利要求4所述的系统，其特征在于，

后台系统采用自学习模式来优化土豆图像识别模型，每采集一次土豆图片，都将作为训练土豆特征图片的样本，更新识别模型，加快下一次识别的速率和准确度。

6.一种基于土豆图像深度学习的追溯方法，其特征在于，

通过对土豆图像进行深度学习训练，生成土豆形状特征点识别模型，通过该模型对需要追溯的土豆进行图像特征采集，并将该土豆图像特征数据和身份数据一一对应并保存到数据库，当用户查询该土豆的追溯信息时，通过识别到的土豆图像特征，查询数据库中对应的身份数据，从而追溯到该土豆的生产源头。

7.根据权利要求6所述的方法，其特征在于，

服务器端训练土豆识别模型步骤如下：

1)加载数据：调用input_data.read_data_sets接口输入要训练模型的数据来源，此处为采集到的各种土豆图片；

2)定义超参数和placeholder：超参数包括learning_rate、epochs、batch_size等变量；设置placeholder为x＝tf.placeholder(tf.float32,[None,784])，表示输入图片为28x28像素＝784；

3)定义参数w和b：利用tf.random_normal()生成正态分布的随机数对w和b进行赋值；

4)构造隐层网络：调用接口如下

hidden_out＝tf.add(tf.matmul(x,W1),b1)

hidden_out＝tf.nn.relu(hidden_out)

5)构造输出(预测值)：对于单标签多分类任务，输出层的激活函数都是tf.nn.softmax()，调用接口如下

y_＝tf.nn.softmax(tf.add(tf.matmul(hidden_out,W2),b2))

6)BP部分—定义loss，分为两步

a)对n个标签计算交叉熵

b)对m个样本取平均

7)BP部分—定义优化算法：optimizer＝tf.train.GradientDescentOptimizer(learning_rate＝learning_rate).minimizer(cross_entropy)

8)定义初始化operation和准确率node

初始化operation：init_op＝tf.global_variables_initializer()

创建准确率节点：

correct_prediction＝tf.equal(tf.argmax(y,1),tf.argmax(y_,1))

accuracy＝tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

9)上述步骤完成后即可开始开始训练。

8.根据权利要求7所述的方法，其特征在于，

模型使用步骤如下：

1)将训练好的模型转固化为二进制文本

使用freeze_graph.py工具，命令如下：python freeze_graph.py

--input_graph＝../model/nn_model.pbtxt

--input_checkpoint＝../ckpt/nn_model.ckpt

--output_graph＝../model/nn_model_frozen.pb

--output_node_names＝output_node

参数1：./model/nn_model.pbtxt

通过tf.train.write_graph(session.graph_def,FLAGS.model_dir,nn_model.pbtxt,as_text＝True)生成实现，将图中的计算节点保存在模型nn_model.pbtxt中

参数2：../ckpt/nn_model.ckpt训练好的参数模型

参数3：../model/nn_model_frozen.pb设置输出文件名

参数4：output_node，在图中输出节点的名字

2)在输出nn_model_frozen.pb后通过python或者C++直接调用，调用接口为graph＝load_graph(args.fz_model_fn)。