[發明專利]一種基于徑向基函數神經網絡模型的翡翠手鐲品質分級方法

在審

• 申請號: 201711049636.5
• 申請日: 2017-10-31
• 公開（公告）號: CN108009564A
• 公開（公告）日: 2018-05-08
• 發明（設計）人: 張悟移;鄧昆;周霞霞;李杰
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于徑向基函數神經網絡模型的翡翠手鐲品質分級方法，其特征在于：首先收集翡翠手鐲產品實際交易的數據，并從實際交易數據中對影響翡翠手鐲產品的各個因素，具體包括透明度、質地、顏色、凈度、工藝、重量進行評分，再利用影響因素以及相應的評分來訓練網絡，運用徑向基函數神經網絡技術建立預測模型，然后利用該模型和已知的翡翠手鐲產品中影響因素的實際參數對翡翠手鐲的品質進行分級。

2.根據權利要求1所述的基于徑向基函數神經網絡模型的翡翠手鐲品質分級方法，其特征在于具體步驟為：

第一步：獲取訓練數據：

收集翡翠手鐲產品的銷售數據，作為訓練網絡的樣本數據；獲取的數據包括各影響因素的值、商場對產品的分級；

第二步：對各個影響因素進行評分：

采用LH-206透明度測試儀對翡翠的透明度進行檢測，顯示范圍是0-100％，具體操作為儀器開機自檢完成后紫外線、紅外線、可見光的透光率都為100％，此時將翡翠豎直放到測試槽內，儀器會自動顯示三種光源的透光率，只需要觀察可見光的透光率即可，并根據可見光的透光率將透明度分為100個等級，具體的評分標準為：透光率乘以100即為透明度的評分值；

在對翡翠的顏色進行評分時，選用WR-10高精度測色儀對翡翠手鐲產品進行檢測，其中L為亮度，a和b是兩個顏色通道，a包括的顏色是從綠色到無色再到粉紅色，a的取值范圍是[-128，127]；b是從藍色到無色再到黃色，b的取值范圍是[-128，127]；對顏色的評分主要依據綠色的值進行評分，所以主要要看a的負數值，由于從綠色到無色對應的是[-128,0]，所以對a的觀察值做以下處理作為翡翠色的評分值；

根據翡翠的質地標準將翡翠手鐲飾品分為極細粒、細粒、中粒、粗粒，劃分標準為：極細粒，結構非常細膩致密，粒度均勻微小，十倍放大鏡下不見晶粒大小及復合的原生裂隙、次生礦物充填的裂隙等，粒徑小于0.1mm，多為纖維狀結構，難見“翠性”，對應的評分值為76-100；細粒，結構致密，粒度細小均勻，十倍放大鏡下可見極少細小復合原生裂隙和晶粒粒度大小，不見次生礦物充填裂隙，粒徑在0.1mm-1mm之間，呈纖維狀結構、粒狀結構，偶見“翠性”，對應的評分值為51-75；中粒，結構不夠致密，粒度大小不均勻，十倍放大鏡下局部見細小裂隙、復合原生裂隙及次生礦物充填裂隙，粒徑在1mm-3mm之間，呈柱粒狀結構，“翠性”明顯，對應的評分值為26-50；粗粒，結構疏松，粒度大小懸殊，肉眼可見裂隙，復合原生裂隙及次生礦物充填裂隙，粒徑大于3mm以上，呈粒狀碎裂結構，“翠性”非常明顯，對應的評分值為0-25；

根據凈度的變化將翡翠的凈度分為：極微瑕、微瑕、中瑕、重瑕，相應的分級標準是在高倍顯微鏡下1mm2內黑點、裂綹、白棉、黑絲的數量多少，并根據黑點、裂綹、白棉、黑絲的多少將凈度分為100個級別，對應的評分標準為：極微瑕，很難觀察到裂綹，有1-3個黑點，1-5個白棉、黑絲、灰點、灰絲等，對應的評分值為70-100；微瑕：有1-2個小裂綹，5-10個黑點、白棉及黑絲等，對應的評分值為40-70；中瑕：可以觀察到有3-5個裂綹，10-15個黑點、灰黑絲等，對應的評分值為20-40；重瑕，可以觀察到6-10個明顯裂綹，16-20個白棉、黑點、灰黑絲等，對應的評分值為0-20；

根據翡翠手鐲產品工藝的不同將翡翠飾品的工藝級別分為非常好，很好，好，一般，差；按工藝的復雜程度將翡翠飾品工藝分為素身翡翠飾品和雕花翡翠飾品兩類，其中素身翡翠飾品工藝級別評價指標如下：a、輪廓優美；b、對稱性好；c、比例適當；d、大小合適；e拋光精美，光澤強；雕花翡翠飾品工藝級別評價指標如下：a、掩蓋了瑕疵；b、突出美的色彩和質地；c、造型設計巧妙，層次清晰，和諧美觀；d、線條、弧面、平面要流暢，不呆滯，不斷線；拋光要精細到位，能突出飾品光澤溫潤透亮；相應的評分標準為：非常好，滿足素身翡翠的五項評價指標，或者滿足雕花翡翠飾品的四項評價指標，對應的評分值為81-100；很好，能滿足素身翡翠飾品評價指標中的任意四項，或者能滿足雕花翡翠飾品評價指標中的任意三項，對應的評分標準為61-80；好，能滿足素身翡翠飾品評價指標中的任意三項，或者能滿足雕花翡翠飾品評價指標中的任意兩項，對應的評分值為41-60；一般，能滿足素身翡翠飾品評價指標中的任意一項至兩項，或者能滿足雕花翡翠飾品評價指標中的任意一項，對應的評價指標為21-40；差，能滿足素身翡翠飾品中的任意一項，或者滿足雕花翡翠飾品評價指標中的任意一項，對應的評分值為0-20；

重量是翡翠手鐲產品的重量，采用天平對翡翠手鐲進行稱重，手鐲的重量(克)即為重量分值，100克以上為100分；

第三步：利用獲取的影響因素訓練徑向基函數神經網絡：

為了避免奇異化數據給預測結果產生較大的影響，用[y,ps]＝mapminmax(p)函數對第二步中的各影響因素的評分進行歸一化處理，把樣本參數都歸一化到[0,1]范圍之內，這樣可以使神經網絡的預測結果更加準確，在公式[y,ps]＝mapminmax(p)中，p是輸入矩陣，y是歸一化后的樣本數據，ps是一個規范化的映射，采用MATLAB軟件工具箱中的NEWRBE(P,T,err_goal,spread)函數構建RBF神經網絡，P為輸入向量，T為期望輸出向量，err_goal為均方誤差，spread為徑向基函數的分布密度，以翡翠手鐲品質的級別為輸出樣本，通過不斷調整spread的值來改變網絡的預測精度，從而找出目標輸出與期望輸出最接近的網絡模型；

第四步：用訓練好的網絡對翡翠手鐲進行品質分級：

根據建立的模型將翡翠產品的品質級別劃分為1000個級別：分別為0-1000，將預估翡翠產品分級的6個因素參數作為輸入，以翡翠手鐲品質的級別作為輸出，對翡翠手鐲的品質進行分級。