[发明专利]一种基于图像特征和深度学习技术的玉石分类方法

权利要求书

1.一种基于图像特征和深度学习技术的玉石分类方法，其特征在于：包括图像采集模块、玉石检测模块、检测结果分析模块、结果输出模块，所述图像采集模块通过采集设备采集玉石图像，对输入的图像进行预处理，然后使用深度学习模型算法对图像进行特征提取，根据二者的特征进行玉石的检测和分类，确定当前图像中的玉石个数及各个玉石所在位置、玉石种类、置信度，从而实现玉石智能分类。

2.根据权利要求1所述的一种基于图像特征和深度学习技术的玉石分类方法，其特征在于：所述采集模块采用采集设备进行图像采集，图像包括可见光图像、专业设备采集的非可见光图像；所述玉石检测模块包括图像预处理、模型检测、玉石个数检测、检测结果可靠性判断；所述检测结果分析模块包括玉石数量分析、位置分析、类别分析、置信度分析，所述结果输出模块包括检测结果完成判断、信息上传。

3.根据权利要求2所述的一种基于图像特征和深度学习技术的玉石分类方法，其特征在于：所述采集模块的采集模块包括但不限于客户端相机、专业相机、扫描仪、数码相机、显微镜、红外发射仪、探伤仪等。

4.根据权利要求2所述的一种基于图像特征和深度学习技术的玉石分类方法，其特征在于：所述图像预处理及图像处理方式包括但不限于缩放、平移、转置、镜像、旋转、归一化、降维、去噪、均衡化、平滑等。

5.根据权利要求2所述的一种基于图像特征和深度学习技术的玉石分类方法，其特征在于：所述模型检测的训练模型的方法可以使用目标检测算法、图像分割算法或分类算法。

6.根据权利要求2所述的一种基于图像特征和深度学习技术的玉石分类方法，其特征在于：包括如下实施步骤：

S1：图像采集，通过图像采集设备获取玉石的待检测图像；

S2：图像预处理，通过对图像的格式处理以达到指定大小；

S3：模型检测，采用预先训练好的模型，计算出图像中包含的玉石个数、种类概率值；

S4：是否有检测结果，是否有检测结果的判定依据可以检测到的玉石个数是否为非0进行判定，若有检测结果，也即检测到的玉石个数≥1，则执行S7；若无检测结果，也即检测到的玉石个数为0，则执行S5；

S5：是否超过阈值，可根据场景需要、软硬件平台的算力性能、对玉石漏检的容错率等因素决定阈值，若无检测结果次数未超过阈值N0，则执行S6，调整图像分辨率、亮度、饱和度等，继续进行检测；

若无检测结果次数超过阈值N0，则执行S1，该输入图像不含玉石，继续处理下一张图像；

S6：图像处理，通过对图像的格式处理以达到指定大小及格式；

S7：检测结果分析，对玉石逐个进行分析，包括玉石概率、玉石个数、玉石所在图像位置、宽高、玉石种类概率；

S8：置信度是否超过阈值，若检测结果置信度未超过阈值N1，则执行S5，对图像进行处理后重新进行检测；若检测结果置信度超过阈值N1，说明检测结果可靠，则执行S9；

S9：检测结果是否处理完成，若检测结果未处理完成，则执行S7，继续对下一个玉石图像进行处理；若检测结果处理完成，则执行S10，对结果进行上报；

S10：上报结果，上报包含玉石个数、所在位置、置信度及玉石概率信息。

7.根据权利要求6所述的一种基于图像特征和深度学习技术的玉石分类方法，其特征在于：S7、S10中所述玉石概率为属于翡翠、和田玉、碧玉、黄龙玉、俄料、籽料、岫玉、独玉、水晶、其它类别的概率值。

8.根据权利要求7所述的一种基于图像特征和深度学习技术的玉石分类方法，其特征在于：S1、S2、S6中的图像格式、文件、分辨率无大小上下限限制，也不限制图像格式。

9.根据权利要求8所述的一种基于图像特征和深度学习技术的玉石分类方法，其特征在于：S3中的模型包括但不限于Yolo系列、MobileNet系列、SSD、Pelee、RCNN、FastRCNN、FasterRCNN、Mask R-CNN、VGGNet、ResNet、GoogleNet、FCN、SetNet、ReSeg、CRF、MRF等以及其变体算法。