[發明專利]基于深度學習的白術檢測方法、及其相關設備

在審

• 申請號: 201910897832.0
• 申請日: 2019-09-23
• 公開（公告）號: CN110852341A
• 公開（公告）日: 2020-02-28
• 發明（設計）人: 王健宗;吳天博
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市世聯合知識產權代理有限公司 44385
• 代理人: 劉華松

1.一種基于深度學習的白術檢測方法，其特征在于，所述基于深度學習的白術檢測方法包括：

從圖像庫中獲取待識別的中草藥植株圖像；

將所述中草藥植株圖像的圖像分辨率與預設分辨率進行比較，得到比較結果；

根據所述比較結果確定目標植株圖像；

將所述目標植株圖像導入到預先訓練好的目標模型中進行識別，確認所述目標植株圖像是否包含白術；

若包含白術，則將所述識別結果發送給目標用戶進行清除處理。

2.如權利要求1所述的基于深度學習的白術檢測方法，其特征在于，所述根據所述比較結果確定目標植株圖像的步驟包括：

若所述比較結果為所述圖像分辨率與預設分辨率相同，則將所述圖像分辨率對應的所述中草藥植株圖像確定為所述目標植株圖像；

若所述比較結果為所述圖像分辨率與預設分辨率不同，則對所述圖像分辨率對應的所述中草藥植株圖像進行縮放處理，得到所述目標植株圖像。

3.如權利要求2所述的基于深度學習的白術檢測方法，其特征在于，所述若所述比較結果為所述圖像分辨率與預設分辨率不同，則對所述圖像分辨率對應的所述中草藥植株圖像進行縮放處理，得到所述目標植株圖像的步驟包括：

若所述比較結果為所述圖像分辨率大于預設分辨率，則對所述圖像分辨率對應的中草藥植株圖像進行降采樣處理，得到目標植株圖像；

若所述比較結果為所述圖像分辨率小于等于預設分辨率，則對所述圖像分辨率對應的中草藥植株圖像進行升采樣處理，得到目標植株圖像。

4.如權利要求1所述的基于深度學習的白術檢測方法，其特征在于，所述根據所述比較結果確定目標植株圖像的步驟之后，所述將所述目標植株圖像導入到預先訓練好的目標模型中進行識別，確認所述目標植株圖像是否包含白術的步驟之前，所述基于深度學習的白術檢測方法還包括：

從預設數據庫中獲取圖像樣本，其中，所述圖像樣本中存在包含白術邊界框的圖像樣本；

根據所述白術邊界框對所述圖像樣本進行篩選，得到正負樣本；

將所述正負樣本導入到卷積神經網絡模型中進行訓練，得到所述目標模型。

5.如權利要求4所述的基于深度學習的白術檢測方法，其特征在于，所述根據所述白術邊界框對所述圖像樣本進行篩選，得到正負樣本的步驟包括：

通過對所述圖像樣本中的所述白術邊界框進行檢測，若所述圖像樣本中存在所述白術邊界框，則將所述圖像樣本確定為正樣本；

若所述圖像樣本中不存在所述白術邊界框，則將所述圖像樣本確定為負樣本；

按照預設比例配置所述正樣本和所述負樣本的數量，得到所述正負樣本。

6.如權利要求5所述的基于深度學習的白術檢測方法，其特征在于，所述根據所述白術邊界框對所述圖像樣本進行篩選，得到正負樣本的步驟之后，所述將所述正負樣本導入到卷積神經網絡模型中進行訓練，得到所述目標模型的步驟之前，所述基于深度學習的白術檢測方法包括：

針對所述正負樣本中的每個所述正樣本和所述負樣本，遍歷所述正樣本和所述負樣本中的每個像素點，并獲取每個像素點的像素值；

對所述像素值進行歸一化處理，得到更新后的正負樣本。

7.如權利要求4所述的基于深度學習的白術檢測方法，其特征在于，所述將所述正負樣本導入到卷積神經網絡模型中進行訓練，得到所述目標模型的步驟包括：

初始化所述卷積神經網絡模型，得到初始模型；

將所述正負樣本導入到所述初始模型中，計算所述初始模型的前向輸出；

根據所述前向輸出，計算所述前向輸出與預設目標值之間的預測誤差；

根據所述預測誤差，使用誤差反向傳播算法對所述初始模型中各個網絡層的初始參數進行調整，得到所述目標模型。