基于神经网络的进口美棉分级检测方法及系统与流程

本发明涉及棉花检测，尤其涉及基于神经网络的进口美棉分级检测方法及系统。

背景技术：

1、美棉是一种在全球范围内广泛种植的棉花品种，以其纤维长度、强度和色泽而闻名，美棉的分级检测是确保其品质和市场竞争力的关键环节，传统上，这一过程依赖于人工视觉检查，但由于其效率低下和主观性强，已经逐渐被自动化技术所取代。

2、在现有的自动化美棉分级检测系统中，神经网络模型被广泛用于图像识别和分类任务，然而，这些模型在训练过程中往往面临样本量不足的问题，样本量不足的原因包括：数据收集成本高、特定类型的缺陷或特定条件下的棉花样本难以获取、以及数据采集技术的限制等，现有技术通常采用数据增强、迁移学习等方法来克服这一问题，数据增强通过图像变换产生更多的训练样本，而迁移学习则利用预训练模型在大型数据集上学到的特征，尽管这些方法在一定程度上缓解了样本量不足的问题，但仍存在一些缺陷，如数据增强易导致过度拟合，而迁移学习易受限于预训练模型与特定任务的适应性。

3、因此，现有技术急需基于神经网络的进口美棉分级检测方法及系统的技术方案。

技术实现思路

1、为了解决上述技术问题，本发明提供了基于神经网络的进口美棉分级检测方法，具体包括以下步骤：

2、步骤s1、数据处理：收集美棉图像数据并预处理，再根据预处理结果得到数据集；

3、步骤s11、数据收集：通过综合运用至少两种数据收集手段进行收集美棉图像数据；

4、步骤s12、预处理：对收集到的美棉图像数据进行预处理；

5、所述预处理包括特征提取、去噪及标准化；

6、步骤s13、数据分类及分级：对经过预处理后的美棉图像数据依据不同的质量指标进行分类及分级，得到分类及分级后的数据集；

7、步骤s2、样本集构建：根据数据集构建样本集；

8、步骤s3、模型构建与训练：构建神经网络模型，并采用所述样本集对神经网络模型进行训练，获取训练完毕的神经网络模型；

9、步骤s4、预测结果获取：将待预测的美棉图像数据输入至训练完毕的神经网络模型，并输出预测结果，所述预测结果基于神经网络模型的全连接层输出的最高概率值进行确定；

10、所述神经网络模型输出的预测结果为美棉的分类及分级；

11、所述神经网络模型采用卷积神经网络模型；

12、步骤s5、阈值设定：对最高概率值设定第一阈值；

13、步骤s6、输出结果判断：将最高概率值与第一阈值进行比对，并根据比对结果直接输出预测结果或生成新的样本集；

14、步骤s61、当最高概率值大于等于第一阈值时，则认定输出的预测结果为确定的，可直接输出此预测结果；

15、步骤s62、当最高概率值小于第一阈值时，则认定输出的预测结果为不确定的，此时采用算法和人工标定的方式对不确定的预测结果进行处理，得到新的美棉的分类及分级的样本，并将此新的样本返回至步骤s2，生成新的美棉的分类及分级的样本集；

16、步骤s621、当输出的预测结果为不确定的，则采用聚类算法对不确定的预测结果进行处理，使其归入已知的美棉的分类及分级的样本集；

17、步骤s6211、构建一个聚类模型，并采用步骤s13中分类及分级后的数据集作为训练数据来训练聚类模型，以确定簇的数量和参数；

18、步骤s6212、将步骤s12中经过特征提取后的美棉图像数据的特征表示输入至聚类模型中，进行聚类分析，以确定每个簇的中心；

19、步骤s6213、将每个不确定的预测结果分配到最近的簇中心，根据簇中心的类别标签对每个不确定的预测结果赋予一个临时的分类及分级；

20、步骤s6214、对于每个分配有临时分类及分级的不确定的预测结果，评估其与簇中心的距离，得到置信度等级；

21、步骤s6215、对置信度等级设定第二阈值；

22、步骤s6216、当分配有临时分类及分级的不确定的预测结果与簇中心的距离低于第二阈值时，输出此不确定的预测结果的临时分类及分级，并归入已知的美棉的分类及分级的样本集中；

23、当分配有临时分类及分级的不确定的预测结果与簇中心的距离高于第二阈值时，标记此分配有临时分类及分级的不确定的预测结果为无法归入已知的美棉的分类及分级的样本集；

24、步骤s622、当通过算法处理后无法归入已知的美棉的分类及分级的样本集时，则采用人工标定的方式进行处理，并得到新的美棉的分类及分级的样本，并将此新的样本返回至步骤s2，生成新的美棉的分类及分级的样本集；

25、基于神经网络的进口美棉分级检测系统，使用如上任一项所述的基于神经网络的进口美棉分级检测方法，包括如下模块：

26、数据处理模块：用于收集美棉图像数据并预处理，再根据预处理结果得到数据集；

27、样本集构建模块：与所述数据处理模块连接，用于根据数据集构建样本集；

28、模型构建与训练模块：与所述样本集构建模块连接，用于构建神经网络模型，并采用所述样本集对神经网络模型进行训练，获取训练完毕的神经网络模型；

29、预测结果获取模块：与所述模型构建与训练模块连接，用于将待预测的美棉图像数据输入至训练完毕的神经网络模型，并输出预测结果，所述预测结果基于神经网络模型的全连接层输出的最高概率值进行确定；

30、阈值设定模块：与所述预测结果获取模块连接，用于对最高概率值设定第一阈值；

31、输出结果判断模块：与所述阈值设定模块连接，用于将最高概率值与第一阈值进行比对，并根据比对结果直接输出预测结果或生成新的样本集。

32、本发明实施例具有以下技术效果：

33、本发明通过综合运用多种数据收集手段，显著提高了样本的多样性和覆盖面，通过设定阈值和采用聚类算法处理不确定样本，能够进一步增强对异常和边缘案例的识别能力，确保了检测结果的高置信度，这种多层次的处理策略使得本发明在样本量不足的情况下，依然能够实现准确的美棉分级检测；

34、其次，本发明通过在阈值及聚类算法的基础上引入了人工标定环节，有效地解决了现有技术中难以克服的样本量不足的问题，当聚类算法无法将不确定样本归入已知分类时，此时采用人工标定的方式进行处理，确保了检测结果的准确性和可靠性，同时，通过将人工标定的样本反馈至训练集，以有效实现了持续学习和自我优化，提高了模型对新情况的适应能力，这种迭代优化机制使得本发明在不断变化的应用环境中保持了检测性能的稳定性和有效性，通过这种方式，本发明不仅提高了美棉分级检测的准确性，而且为棉花产业的自动化和智能化发展提供了有力的技术支持。

技术特征：

1.基于神经网络的进口美棉分级检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于神经网络的进口美棉分级检测方法，其特征在于，所述步骤s1中，收集美棉图像数据并预处理，再根据预处理结果得到数据集包括：

3.根据权利要求1所述的基于神经网络的进口美棉分级检测方法，其特征在于，所述神经网络模型输出的预测结果为美棉的分类及分级。

4.根据权利要求3所述的基于神经网络的进口美棉分级检测方法，其特征在于，所述神经网络模型采用卷积神经网络模型。

5.根据权利要求1所述的基于神经网络的进口美棉分级检测方法，其特征在于，所述步骤s62中，当最高概率值小于第一阈值时，则认定输出的预测结果为不确定的，此时采用算法和人工标定的方式对不确定的预测结果进行处理，得到新的美棉的分类及分级的样本，并将此新的样本返回至步骤s2，生成新的美棉的分类及分级的样本集包括：

6.根据权利要求5所述的基于神经网络的进口美棉分级检测方法，其特征在于，所述步骤s621中，当输出的预测结果为不确定的，则采用聚类算法对不确定的预测结果进行处理，使其归入已知的美棉的分类及分级的样本集包括：

7.基于神经网络的进口美棉分级检测系统，用于执行权利要求1-6任一项所述的基于神经网络的进口美棉分级检测方法，其特征在于，所述系统包括：

技术总结本发明公开了基于神经网络的进口美棉分级检测方法及系统，涉及棉花检测技术领域，本发明通过设定阈值和采用聚类算法处理不确定样本，能够进一步增强对异常和边缘案例的识别能力，确保了检测结果的高置信度，这种多层次的处理策略使得本发明在样本量不足的情况下，依然能够实现准确的美棉分级检测，此外，通过在阈值及聚类算法的基础上引入了人工标定环节，有效地解决了现有技术中难以克服的样本量不足的问题，当聚类算法无法将不确定样本归入已知分类时，此时采用人工标定的方式进行处理，确保了检测结果的准确性和可靠性，同时，通过将人工标定的样本反馈至训练集，以有效实现了持续学习和自我优化，提高了模型对新情况的适应能力。技术研发人员：郑凯,刘一军,沈骅,周宇航,丁友超,董绍伟,丁志平受保护的技术使用者：张家港海关综合技术中心技术研发日：技术公布日：2024/11/18