(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111575174.7 (22)申请日 2021.12.2 2 (65)同一申请的已公布的文献号 申请公布号 CN 113962638 A (43)申请公布日 2022.01.21 (73)专利权人 广州骏天科技有限公司 地址 510000 广东省广州市海珠区琶洲大 道东1号90 5房间 (72)发明人 李晓宗　 (74)专利代理 机构 郑州芝麻知识产权代理事务 所(普通合伙) 41173 代理人 张丹丹 (51)Int.Cl. G06Q 10/08(2012.01) G06Q 30/02(2012.01) G06V 20/10(2022.01) G06V 10/764(2022.01)G06V 20/68(2022.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (56)对比文件 CN 111043830 A,2020.04.21 CN 112740229 A,2021.04.3 0 CN 112966541 A,2021.0 6.15 US 2020387122 A1,2020.12.10 岳林珊.基 于图像处 理技术的冷冻冷藏 果蔬 品质研究. 《中国优秀博硕士学位 论文全文数据 库(硕士)工程科技 Ⅰ辑》 .2020,(第1期),B024- 579. Yerren van Si nt Annaland等.Predicti ng Cherry Quality Using Siamese Netw orks. 《2020 3 5th Internati onal Conference o n Image and Visi on Computi ng New Zealand (IVCNZ)》 .2020,第1- 6页. 审查员 黎宾彬 (54)发明名称 一种智能果蔬质量检测方法及系统 (57)摘要 本发明涉及人工智能技术领域， 具体涉及一 种智能果蔬质量检测方法及系统， 该方法包括： 基于不同存放时间， 采集仓库中不同储放区域处 的果蔬图像， 构成训练数据集； 获取训练数据集 中每张果蔬图像的训练参与度， 所述训练参与度 表征果蔬图像中果蔬的变质是否是环境温湿度 导致的； 构建孪生网络， 利用训练数据集中每张 果蔬图像的训练参与度对对比损失进行加权后 监督训练孪生网络； 利用训练好的孪生网络对果 蔬图像进行质量检测， 基于果蔬质量进行果蔬售 卖价格的估计和推广摆放位置的确定； 其中， 质 量检测结果表征仅由环境温湿度导致的果蔬的 变质情况。 本发明可对果蔬质量进行准确检测。 权利要求书2页 说明书7页 附图1页 CN 113962638 B 2022.03.18 CN 113962638 B 1.一种智能果蔬质量检测方法， 其特 征在于， 该 方法包括： 基于不同存放时间， 采集仓库中不同储放区域处的果蔬图像， 构成训练数据集； 获取训练数据集中每张果蔬图像的训练参与度， 所述训练参与度表征果蔬图像中果蔬 的变质是否是环境温湿度导致的； 在每个储放区域采集的每张果蔬图像的训练参与度的获 取具体为： 基于采集果蔬图像时果蔬的存放时间， 获取各个储放区域对应的果蔬质量亏损 度序列、 环境温度序列和环境湿度序列； 存放一段时间后果蔬重量与果蔬入库重量差值绝 对值与果蔬入库重量的比值为果蔬质量亏损度； 基于果蔬质量亏损度序列计算每个储放区 域与仓库整体存放条件的相似度S， 基于相似度对储放区域进 行分组； 对于每个分组中的每 个储放区域， 基于环 境温度序列和环境湿度序列计算该储放区域与组内其他储放区域环境 温湿度变化情况 的相似度H； 根据每个储放区域对应的S和H计算在该储放区域采集的果蔬 图像的训练参与度； 对于每个储放区域， 该储放区域与仓库整体存放条件越相似， 该储放区 域与所属组内其他储放区域环境温湿度变化情况越相似， 所采集的果蔬图像中果蔬的变质 越是环境温湿度导 致的； 构建孪生网络， 利用训练数据集中每张果蔬图像的训练参与度对对比损失进行加权后 监督训练孪生网络； 利用训练好的孪生网络对果蔬图像进行质量检测； 其中， 质量检测结果表征仅由环境 温湿度导 致的果蔬的变质情况。 2.如权利要求1所述的方法， 其特征在于， 基于果蔬质量亏损度序列计算每个储放区域 与仓库整体存放条件的相似度S， 具体地： 表示当前储放区域与其他第 个储放区域存放条件的相似度， 和 分别表 示当前储放区域与其他第 个储放区域对应的果蔬质量亏损度序列； 除当前储放区域外， 仓库中还有 个储放区域； 为基于果蔬质量亏损度序列 和 得到的皮尔逊相关系 数， 为 极差函数， 为标准差函数。 3.如权利要求2所述的方法， 其特征在于， 对于每个分组中的每个储放区域， 基于环境 温度序列和环境湿度序列计算该储放区域与 组内其他储放区域环境温湿度变化情况的相 似度H， 具体地： 权　利　要　求　书 1/2 页 2 CN 113962638 B 2和 分别为当前储放区域与所属组内其他第 个储放区域对应的环境湿度序列； 和 分别为当前储放区域与所属组内其他第 个储放区域对应的环境温度序列； 为基于动态时间规整算法计算的两个序列之间的距离， 为均值函数； 当前储放区域所属组内除了当前储放区域， 还有 个储放区域。 4.如权利要求3所述的方法， 其特征在于， 根据每个储放区域对应的S和H计算在该储放 区域采集的果蔬图像的训练参与度， 具体地： H和S的比值 为所述训练参与度 。 5.如权利要求4所述的方法， 其特征在于， 利用训练数据集中每张果蔬图像的训练参与 度对对比损失进行加权后监 督训练孪生网络， 具体为： 基于训练数据集进行分批次训练， 每个批次包括 张果蔬图像； 为一个批次中第 张果蔬图像的训练参与度， 为根据参考果蔬图像和一个批次中第 张果蔬图像得到 的对比损失； 为最终监督训练孪生网络所用损失。 6.一种智能果蔬质量检测系统， 包括存储器、 处理器以及存储在存储器上并可在处理 器上运行的计算机程序， 其特征在于， 所述计算机程序被处理器执行时实现如权利要求 1‑5 任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 113962638 B 3