(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210202746.5 (22)申请日 2022.03.02 (71)申请人 深圳市优 优视界科技有限公司 地址 518000 广东省深圳市龙华区龙华 街 道富康社区东环一路良基商业大厦3 层301 (72)发明人 杨桂凌　冯诗军　 (74)专利代理 机构 深圳腾文知识产权代理有限 公司 44680 专利代理师 李晓鹏 (51)Int.Cl. G06V 20/68(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种检测食品加工的模型训练方法及系统 (57)摘要 本申请公开了一种检测食品加工的模型训 练方法及系统， 用于减少食品营养成分的大量流 失。 本申请方法包括以下步骤： 获取训练样本图 像集； 建立包含特征金字塔层、 模型层、 融合层、 全局平均池 化层以及softmax层的卷积神经网络 模型； 从训练样本图像集中选取预设数量训练样 本图像输入 卷积神经网络模型； 特征金字塔层对 预设数量训练样本图像以生 成样本特征； 将样本 特征输入模型层,生成训练残差； 将训练残差通 过全局平均池化层以生成特征数值； 将特征数值 输入softmax层以生成概率值集； 根据概率值集、 训练样本图像真实加工程度及损失函数计算并 生成损失值； 当损失值达到预设条件时， 则确定 卷积神经网络模型为目标卷积神经网络模型。 权利要求书3页 说明书12页 附图6页 CN 114863422 A 2022.08.05 CN 114863422 A 1.一种检测食品加工的模型训练方法， 其特 征在于， 包括： 获取训练样本图像集， 所述训练样本包含目标大米至少在两种不同加工程度 下的拍摄 图像； 建立卷积神经网络模型， 所述卷积神经网络模型包含特征金字塔层、 模型层、 融合层、 全局平均池化层以及softmax层； 从所述训练样本图像集中选取预设数量训练样本图像， 并输入所述卷积神经网络模 型； 所述特征金字塔层对所述预设数量训练样本图像进行卷积特征提取， 并生成样本特 征， 所述样本特 征融合不同深度卷积层的特 征； 将所述样本特 征输入模型层,生成所述预设数量训练样本图像的训练残差； 将所述训练残差通过 所述全局平均池化层计算并生成特 征数值； 将所述特征数值输入所述softmax层进行分类计算， 生成所述预设数量训练样本图像 所属加工程度的概 率值集； 根据所述概率值集、 所述训练样本图像真实加工程度 以及损失函数计算并生成损失 值； 当所述损失值在预设区间内小于预设阈值 时， 则确定所述卷积神经网络模型为目标卷 积神经网络模型。 2.根据权利要求1所述的模型训练方法， 其特征在于， 在所述根据所述概率值集、 所述 训练样本图像真实加工程度以及损失函数计算并生成损失值之后， 所述模 型训练方法还包 括： 当所述损失值在预设区间内不小于预设阈值 时， 则判断所述预设数量训练样本图像的 训练次数 是否达到预设次数； 若是， 则根据梯度下降法更新所述卷积神经网络模型的权值， 并将训练过程中生成的 样本特征和概率值集进行模型保存； 若否， 则根据所述梯度下降法更新所述卷积神经网络模型的权值， 并将所述预设数量 训练样本图像重新输入所述卷积神经网络模型进行训练。 3.根据权利要求1所述的模型训练方法， 其特征在于， 所述特征金字塔层对所述预设数 量训练样本图像进行 卷积特征提取， 并生成样本特 征包括： 所述特征金字塔层对所述预设数量训练样本图像进行 卷积特征提取， 生成特 征图； 对所述特征图的上层特征图进行上采样以及下层特征经过第一卷积核后进行特征通 道融合处 理， 生成第一融合特 征图； 所述融合特 征图经过第二卷积核， 生成第二融合特 征图； 将所述特征图的上层特征图以及所述第 二融合特征图进行特征通道叠加， 并生成样本 特征。 4.根据权利要求1所述的模型训练方法， 其特征在于， 所述将所述样本特征输入模型 层,生成所述预设数量训练样本图像的训练残差包括： 将所述样本特 征输入第一模型层， 生成所述预设数量训练样本图像的第一残差； 将所述第一残差 输入第二模型层， 生成所述预设数量训练样本图像的第二残差； 所述融合层将所述第 一残差以及所述第 二残差进行融合， 生成所述预设数量训练样本权　利　要　求　书 1/3 页 2 CN 114863422 A 2图像的训练残差 。 5.根据权利要求1至4中任一项所述的模型训练方法， 其特征在于， 所述获取训练样本 图像集包括： 对不同加工程度的大米进行拍摄， 并生成拍摄样本图像集； 对所述拍摄样本图像集的拍摄样本进行样本扩充预处理， 生成并获取训练样本图像 集。 6.一种检测食品加工的模型训练系统， 其特 征在于， 包括： 获取单元， 用于获取训练样本 图像集， 所述训练样本包含目标大米至少在两种不同加 工程度下的拍摄图像； 建立单元， 用于建立卷积神经网络模型， 所述卷积神经网络模型包含特征金字塔层、 模 型层、 融合层、 全局平均池化层以及softmax层； 第一输入单元， 用于从所述训练样本 图像集中选取预设数量训练样本 图像， 并输入所 述卷积神经网络模型； 第一生成单元， 用于所述特征金字塔层对所述预设数量训练样本图像进行卷积特征提 取， 并生成样本特 征， 所述样本特 征融合不同深度卷积层的特 征； 第二生成单元， 用于将所述样本特征输入模型层,生成所述预设数量训练样本 图像的 训练残差； 第三生成单元， 用于将所述训练残差通过 所述全局平均池化层计算并生成特 征数值； 第四生成单元， 用于将所述特征数值输入所述softmax层进行分类计算， 生成所述预设 数量训练样本图像所属 加工程度的概 率值集； 第五生成单元， 用于根据所述概率值集、 所述训练样本 图像真实加工程度以及损 失函 数计算并生成损失值； 确定单元， 用于当所述损 失值在预设区间内小于预设阈值时， 则确定所述卷积神经网 络模型为目标 卷积神经网络模型。 7.根据权利要求6所述的模型训练方法， 其特 征在于， 所述模型训练系统还 包括： 判断单元， 用于当所述损 失值在预设区间内不小于预设阈值时， 则判断所述预设数量 训练样本图像的训练次数 是否达到预设次数； 保存单元， 用于当所述预设数量训练样本 图像的训练次数达到预设次数时， 则根据梯 度下降法更新所述卷积神经网络模型的权值， 并将训练过程中生成的样本特征和概率值集 进行模型保存； 第二输入单元， 用于当所述预设数量训练样本 图像的训练次数未达到预设次数时， 则 根据所述梯度下降法更新所述卷积神经网络模型的权值， 并将所述预设数量训练样本图像 重新输入所述卷积神经网络模型进行训练。 8.根据权利要求6所述的模型训练系统， 其特 征在于， 所述第一 生成单元包括： 所述特征金字塔层对所述预设数量训练样本图像进行 卷积特征提取， 生成特 征图； 对所述特征图的上层特征图进行上采样以及下层特征经过第一卷积核后进行特征通 道融合处 理， 生成第一融合特 征图； 所述融合特 征图经过第二卷积核， 生成第二融合特 征图； 将所述特征图的上层特征图以及所述第 二融合特征图进行特征通道叠加， 并生成样本权　利　要　求　书 2/3 页 3 CN 114863422 A 3