[发明专利]基于共生双流卷积网络和数字图像的油炸食品检测系统

说明书

本发明公开了基于共生双流卷积网络和数字图像的油炸食品检测系统，包括依次连接的图像预处理模块、快速识别模块、分类与定位模块、目标裁剪模块和图像分析模块；图像预处理模块对输入的图像依次进行图像风格化迁移和图像滤波处理获得网络可用的图像张量；快速识别模块内通过共生特征提取网络和识别网络组成的全卷积网络对图像进行快速分类；分类与定位模块是全卷积网络；目标裁剪模块使用最优框到原图裁取目标图像；所述图像分析模块对目标图像进行分析给出量化的分析结果。本发明结合共生双流卷积网络和数字图像分析，能实现快速、精确的油炸食品定位和属性识别。

技术领域

本发明属于计算机视觉和图像处理食品检测领域，尤其是一种结合共生双流卷积网络和数字图像分析技术的油炸食品检测系统。

背景技术

油炸食品是人们日常食用的食品，如油炸薯条、薯片、鸡腿、鸡翅等。无论是中小型餐饮店，还是大型食品生产车间、食堂，目前主要是通过人工对油炸后的食品手工分拣包装；高温环境下，既要保证食品卫生，又要快捷的分拣包装，对于面临日益增长的人工成本的食品生产企业来说带来了极大的挑战，因此研究此类油炸食品自动识别，对实现复杂环境下油炸食品分拣工作自动化具有极大的意义。

针对一般分拣工作自动化属于机器视觉的研究领域，机器视觉(Machine Vision，MV)是一种为自动化检测、过程控制和机器人导航等应用提供基于图像的自动检测和分析的技术和方法，通常用于自动化领域。已有很多成熟的应用，主要工作包括由采用专业光源照明工业相机采集图像，由专业的视觉工程师设计图像处理算法识别图像并给出结果。然而机器视觉由于采用图像的分析滤波的方式，且由人工设计，所以当遇到复杂的目标检测时将面临巨大的挑战。机器视觉目前没有针对油炸食品检测的解决方案。

卷积网络是一种利用卷积提取序列或者空间数据局部或全局模式的网络，其核心部分是所谓的卷积。最早将卷积操作引入神经网络中的工作应该是LeCun在1998年提出的LeNet。但是，此后的10几年，由于计算能力的不足和标准数据的缺乏，卷积网络的效果一直不如浅层的网络。直到2012年，Hinton的学生Alex Krizhevsky利用一个8层的卷积网络，一举夺下著名的ImageNet比赛冠军，才让人们重新关注起神经网络。同时由于人工智能概念的兴起，掀起了一股研究的热潮，卷积神经网络也在目标识别、语义分割、人脸识别等领域相继取得了傲人的成果。卷积神经网络在物体的识别与检测上面也展现了惊人的鲁棒性，即使是对复杂目标，遮挡物体，光照不均的目标仍有很强的识别能力。

但是要把先进的技术发展成果运用到油炸食品的检测领域，仍存在以下难题亟待解决：

(1)现阶段研究的卷积神经网络主要针对彩色图像，而检测多采用工业相机，为灰度图像，信息特征维度的缺失；

(2)检测性能对系统的运行速度有极高的要求，卷积神经网络往往有着上亿的参数，大量的神经元计算量，对系统高计算能力的需求；

(3)众所周知神经网络的训练需要大量的数据，而部分检测系统的应用场景无法提供足量的数据信息如本发明涉及的食品领域检测问题。

发明内容

针对现有技术中的不足，本申请提出了基于共生双流卷积网络和数字图像的油炸食品检测系统，结合了共生双流卷积网络和数字图像分析技术，能够快速的、鲁棒的、精确的给出油炸食品的定位和属性识别，系统具有良好的拓展能力可为油炸食品后续分拣与智能识别提供有力支持。

本发明所采用的技术方案如下：

基于共生双流卷积网络和数字图像的油炸食品检测系统，包括依次连接的图像预处理模块、快速识别模块、分类与定位模块、目标裁剪模块和图像分析模块；所述图像预处理模块对输入的图像依次进行图像风格化迁移和图像滤波处理获得网络可用的图像张量；所述快速识别模块内通过共生特征提取网络和识别网络组成的全卷积网络对图像进行快速分类；所述分类与定位模块是全卷积网络；所述目标裁剪模块使用最优框到原图裁取目标图像；所述图像分析模块对目标图像进行分析给出量化的分析结果。