[發(fā)明專利]一種酥餅品質(zhì)評價方法、裝置及可讀存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202210874109.2
• 申請日: 2022-07-25
• 公開（公告）號: CN114943737B
• 公開（公告）日: 2022-10-21
• 發(fā)明（設(shè)計）人: 黃育東;王永來
• 申請（專利權(quán)）人: 深圳中食匠心食品有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/90;G06N20/00
• 代理公司: 天津創(chuàng)信方達專利代理事務所(普通合伙) 12247
• 代理人: 李京京

本發(fā)明公開了一種酥餅品質(zhì)評價方法、裝置及可讀存儲介質(zhì)，屬于食品品質(zhì)評價技術(shù)領(lǐng)域，包括通過采集的實時酥餅的圖像，使用學習模型對實時酥餅圖像進行分析，并在學習模型中與標準酥餅進行比照，并代入對比評價模型得到實時酥餅的膨脹特征值；提取實時酥餅的色度值，比照標準色卡，根據(jù)得到的各區(qū)域模塊的烤制程度，利用第一均勻方法得出實時酥餅的膨脹特征值；對實時酥餅進行破碎處理，通過破碎壓力值得到實時酥餅的各區(qū)域模塊的酥脆程度，利用第二均勻評價方法得到實時酥餅的酥脆度特征值；獲取烤制程度和酥脆程度的極端程度因素；根據(jù)歸一化模型得到所述實時酥餅的品質(zhì)評價值。

技術(shù)領(lǐng)域

本發(fā)明涉及食品品質(zhì)評價技術(shù)領(lǐng)域，具體涉及一種酥餅品質(zhì)評價方法、裝置及可讀存儲介質(zhì)。

背景技術(shù)

酥餅由特制的脂烙酥而得名，特點是金黃色，層次清晰，脆而不碎，油而不膩，香酥適口。現(xiàn)有的酥餅類制品種類繁多，成分各異，口味各異，給人們帶來美食享受。廠家在生產(chǎn)酥餅時，需要對酥餅的品質(zhì)進行把關(guān)。酥餅通常是批量生產(chǎn)的，通過考察單個酥餅的品質(zhì)，從而把握一批酥餅的質(zhì)量。通過考察酥餅的品質(zhì)控制生產(chǎn)流程，預測出酥餅的最佳品質(zhì)范圍，這樣可為企業(yè)采辦原料提供依據(jù)，采辦合適的原料，在給定的生產(chǎn)工藝條件下生產(chǎn)出合格的目標制品，提高合格率，減少浪費，為企業(yè)減少損失，提高企業(yè)利潤。目前尚無一種考察酥餅品質(zhì)的方法，采用人工質(zhì)檢，其主觀性強，標準不統(tǒng)一，容易出現(xiàn)考察錯誤的情況。

因此，如何提供一種新型的考察酥餅品質(zhì)的方法，使其統(tǒng)一考察標準，提高質(zhì)檢成功率，是本領(lǐng)域技術(shù)人員亟待解決的技術(shù)問題。

發(fā)明內(nèi)容

為此，本發(fā)明提供一種酥餅品質(zhì)評價方法、裝置及可讀存儲介質(zhì)，以解決現(xiàn)有技術(shù)中存在考察效果不佳的問題。

為了實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

根據(jù)本發(fā)明的第一方面，提供了一種酥餅品質(zhì)評價方法，包括以下步驟：

S1：調(diào)用攝像頭采集多組烤制前后的標準酥餅圖像和實時酥餅圖像；

S2：使用學習模型對所述標準酥餅圖像進行分析，得到標準酥餅的膨脹系數(shù)；使用學習模型對所述實時酥餅圖像進行分析，得到實時酥餅的膨脹系數(shù)；其中所述學習模型將所述標準酥餅圖像和所述實時酥餅圖像等量分割為多個區(qū)域模塊；所述實時酥餅的膨脹系數(shù)和所述標準酥餅的膨脹系數(shù)進行比照，代入對比評價模型得到所述實時酥餅的膨脹特征值；

S3：提取烤制后的所述實時酥餅的各區(qū)域模塊的色度值，比照預存的烤制程度標準色卡，得到所述實時酥餅的各區(qū)域模塊的烤制程度，利用第一均勻評價方法得到所述實時酥餅的色度特征值；

S4：對所述實時酥餅的各區(qū)域模塊分別實施破碎操作，獲取所述實時酥餅的各區(qū)域模塊的破碎壓力值，根據(jù)所述破碎壓力值得到所述實時酥餅的各區(qū)域模塊的酥脆程度，利用第二均勻評價方法得到所述實時酥餅的酥脆度特征值；

S5：基于所述實時酥餅的各區(qū)域模塊的烤制程度和酥脆程度，獲取所述烤制程度和酥脆程度的極端程度因素；

S6：根據(jù)所述實時酥餅的膨脹特征值、色度特征值、酥脆度特征值和極端程度因素，代入歸一化模型得到所述實時酥餅的品質(zhì)評價值。

進一步地，所述學習模型為使用多組數(shù)據(jù)通過機器學習訓練得出的，所述多組數(shù)據(jù)包括第一數(shù)據(jù)和第二數(shù)據(jù)，所述第一數(shù)據(jù)為標準酥餅烤制前的圖像，所述第二數(shù)據(jù)為標準酥餅烤制后的圖像。

進一步地，所述學習模型以所述標準酥餅圖像和所述實時酥餅圖像的中心點作為原點建立平面坐標系，并在所述平面坐標系下將所述標準酥餅圖像和所述實時酥餅圖像進行等量分割，得到所述區(qū)域模塊的坐標。

進一步地，所述第一均勻評價方法，包括：