基于深度学习与数理计算区分海水与淡水珍珠的方法、装置、计算机设备及存储介质与流程

本发明实施例涉及珠宝鉴定技术与信息化领域，具体涉及一种基于深度学习与数理计算区分海水与淡水珍珠的方法、装置、计算机设备及存储介质。

背景技术：

1、无论是用于珠宝首饰装饰还是药用，海水珍珠与淡水珍珠的价值存在较大的差异，因此珍珠类别的鉴定有重要意义。

2、目前，常用于鉴定区分海水与淡水珍珠的方法主要有肉眼观察法、辐照法、元素法、同步辐射ｘ射线以及阴极发光cl成像等。肉眼观察法，主要采用宝石显微镜针对珍珠表面光泽、纹理等进行观察，该方法需要对人员进行培训，该方法需要耗费大量的人工，目前主要依靠目镜为10x，物镜1-4x的显微放大镜，即放大倍数最大为40x的宝石显微镜进行观察，该方法针对彩色珍珠较易区分，白色珍珠很难区分，因此白色珍珠主要依靠其它辅助手段进行测试。辐照法，前人主要采用co60射线辐照法鉴别海水与淡水药用珍珠，发现淡水珍珠更容易呈现黑色，从而对海水和淡水珍珠进行区分。元素法，主要是采用icp-ms以及xrf测试，采用icp-ms有损/无损方式，获得海水与淡水的微量元素种类以及含量/相对含量，前人认为海水珍珠粉中富含na、sr、k、mg和b，而淡水珍珠粉中富含mn、ba、fe 和cr；相对于淡水珍珠，海水珍珠中精氨酸的含量较低，酪氨酸含量较高；淡水养殖珍珠的微量元素总量明显少于海水养殖珍珠；淡水养殖珍珠的微量元素含量较为规律，具有较为固定的含量序列，即sr＞mn＞ba＞ni＞cr＞pb；而海水养殖珍珠的微量元素含量差异较大，除了各样品都最富集sr元素外，没有明显的含量顺序，采用xrf测试珍珠中sr/ca元素的峰面积（含量）来判断珍珠的淡水/海水来源。同步辐射ｘ射线以及阴极发光cl成像，前人基于ｘ射线透射成像及荧光双模式的珍珠检测，阴极发光特征基本可区分外观类似的淡水和海水养殖珍珠。此外，也有采用热分析、图像识别技术以及纹理检测进行海水与淡水识别的。

3、上述的区分海水与淡水珍珠的方法大多属于常规的宝石学与矿物学检测的技术，方法主要有肉眼观察法、辐照法、元素法、同步辐射ｘ射线以及阴极发光cl成像等。其中肉眼观察法是一种主观的判断，需要训练有经验的检验员，才能进行判断，培训周期较长，实践证明不是所有的珍珠通过肉眼都能有准确的判断，前期的经验表明，针对经验丰富的检测人员，同大小白色的珍珠肉眼判断的准确率为60-70%左右。基于日常检测中珍珠均为贵重的样品，辐照法和la-icp-ms为有损测试方法，因此并未真正在日常珠宝检测中使用。目前，日常检测中运用最广泛的是xrf荧光测试元素法，该方法主要采用sr/ca比值，roi面积计算，该方法具有一定的理论依据，其正确率大于80%，但是对于很多珍珠层较薄，或者靠近陆地的海域的sr/ca比值并不在可区分的阈值范围以内，针对该类珍珠的判别准确率较低。对于同步辐射以及阴极发光的测试手段而言，目前并没有学者进行大量的数据验证，其准确程度仍有待进一步验证，此外，这两项设备属于大型仪器设备其测试成本高昂，且测试时间很长，效率低下，目前并未真正在珠宝检测领域中广泛采用。因此，亟需一种能够快速且准确判别珍珠类别的方法。

技术实现思路

1、鉴于上述问题，本发明实施例提供了一种基于深度学习与数理计算区分海水与淡水珍珠方法，用于解决现有技术中存在的珍珠类别的鉴定准确率不高且效率低下的问题。

2、根据本发明实施例的一个方面，提供了一种基于深度学习与数理计算区分海水与淡水珍珠的方法，所述方法包括：

3、获取待分类珍珠的珍珠图像；所述珍珠图像中包含所述待分类珍珠的表面生长纹特征、晕彩色特征及体色特征；

4、将所述珍珠图像输入预设的第一分类模型，得到第一分类结果；所述第一分类模型根据预设的珍珠图像样本输入卷积神经网络训练得到；所述第一分类结果包括海水珍珠和淡水珍珠中的一种；

5、将所述珍珠图像输入预设的第二分类模型，得到第二分类结果；所述第二分类模型根据预设的珍珠图像样本输入深度残差网络训练得到；所述第二分类结果包括海水珍珠和淡水珍珠中的一种；

6、将所述珍珠图像输入预设的第三分类模型，得到第三分类结果；其中，所述第三分类模型根据预设的珍珠图像样本输入时间序列模型中训练得到；所述第三分类结果包括海水珍珠和淡水珍珠中的一种；

7、根据所述第一分类结果、所述第二分类结果及所述第三分类结果，确定所述待分类珍珠的目标类别；所述目标类别包括海水珍珠和淡水珍珠中的一种。

8、在一种可选的方式中，所述获取待分类珍珠的珍珠图像，进一步包括：

9、采用预设倍率的放大系统，对曲面球体的待分类珍珠从至少三个不同方向进行拍摄，得到至少三张不同方向拍摄的包含生长纹特征、晕彩色特征及体色特征的珍珠图像；

10、其中，所述放大系统包括电子显微设备、ccd以及底盘弹簧支架；

11、所述电子显微设备包括电子定焦微距镜头及光源，所述光源设置于电子定焦微距镜头处，用于为待分类珍珠提供光源；所述电子定焦微距镜头设定为固定倍率，用于获取待分类珍珠图像；

12、所述弹簧支架设置于所述电子定焦微距镜头下方，用于夹持待分类珍珠，所述弹簧支架可沿电子定焦微距镜头的镜头方向按预设步长远离或靠近；所述ccd与所述电子定焦微距镜头电连接，用于获取并传输所述电子定焦微距镜头所拍摄的珍珠图像。

13、在一种可选的方式中，所述第一分类模型包括依次串联的第一初始分类模型及第二初始分类模型；所述卷积神经网络为‌inception算法；一个所述珍珠图像样本包括一个样本珍珠三张不同方向的样本图像、第一样本标签，所述第一样本标签包括仿珍珠标签及珍珠标签；属于珍珠标签的样本图像还携带有第二样本标签，第二样本标签包括海水珍珠标签和淡水珍珠标签；

14、所述将所述珍珠图像输入预设的第一分类模型，得到第一分类结果之前，所述方法进一步包括：

15、提取所述珍珠图像样本中像素点的rgb值，并将所述rgb值转换为hsl值；

16、将所述珍珠图像输入inception算法进行训练，并根据第一样本标签及第一损失函数计算第一损失，根据所述第一损失调整所述卷积神经网络的参数，得到训练后的第一初始分类模型；

17、确定训练后的第一初始分类模型对样本的预测结果，所述预测结果包括被分为珍珠的珍珠图像样本以及被分为仿珍珠的珍珠图像样本；分别计算被分为珍珠的珍珠图像样本的hsl值是否在珍珠的hsl阈值范围内，以及被分为仿珍珠的珍珠图像的hsl值是否在仿珍珠的阈值范围内；

18、若不在hsl阈值范围内，则继续根据所述珍珠图像样本对训练后的第一初始分类模型进行训练；若在hsl阈值范围内，对训练后的第一初始分类模型进行盲样测试，得到训练好的第一初始分类模型；

19、将属于珍珠标签的珍珠图像样本输入所述inception算法进行训练，并根据第二样本标签及第二损失函数计算第二损失，根据所述第二损失调整所述卷积神经网络的参数，直至得到第二初始分类模型。

20、在一种可选的方式中，所述第二分类模型包括第三初始分类模型和第四初始分类模型；所述将所述珍珠图像输入预设的第二分类模型，得到第二分类结果之前，所述方法包括：

21、提取所述珍珠图像样本中像素点的rgb值；

22、将所述珍珠图像样本输入深度残差网络，并根据第一样本标签及第三损失函数计算第三损失，根据所述第三损失调整所述深度残差网络的参数，得到训练后的第三初始分类模型；其中，所述深度残差网络包括依次相连的一个1*1卷积核，一个n*n卷积核，以及一个1*1卷积核，其中n大于1；

23、确定训练后的第三初始分类模型对样本的预测结果，所述预测结果包括被分为珍珠的珍珠图像样本以及被分为仿珍珠的珍珠图像样本；分别计算被分为珍珠的珍珠图像样本的rgb值是否在珍珠的rgb阈值范围内，以及被分为仿珍珠的珍珠图像的rgb值是否在仿珍珠的阈值范围内；

24、若不在rgb阈值范围内，则继续根据所述珍珠图像样本对训练后的第三初始分类模型进行训练；若在rgb阈值范围内，对训练后的第三初始分类模型进行盲样测试，得到训练好的第三初始分类模型；

25、将属于珍珠标签的珍珠图像样本的rgb值输入所述深度残差网络进行训练，并根据第二样本标签及第四损失函数计算第四损失，根据所述第四损失调整所述深度残差网络的参数，直至得到第四初始分类模型。

26、在一种可选的方式中，所述时间序列模型悉融合transfromer、kan之后的算法；将所述珍珠图像输入预设的第三分类模型，得到第三分类结果之前，所述方法包括：

27、将所述珍珠图像样本输入transfromer+kan算法中，得到所述珍珠图像样本的多个第一输入特征；

28、将所述多个第一输入特征输入所述transfromer+kan算法中，得到第一预测结果；

29、根据所述第一预测结果、所述第一样本标签及第五损失函数计算第五损失，根据所述第五损失调整所述transfromer+kan算法的参数，直至得到第五初始分类模型；

30、将属于珍珠标签的珍珠图像样本输入transfromer+kan算法中，得到多个第二输入特征；

31、将所述多个第二输入特征输入所述kan算法中，得到第二预测结果；

32、根据所述第二预测结果、所述第二样本标签及第六损失函数计算第五损失，根据所述第六损失调整所述transfromer+kan算法的参数，直至得到第六初始分类模型。

33、在一种可选的方式中，所述根据所述第一分类结果、所述第二分类结果及所述第三分类结果，确定所述待分类珍珠的目标类别，包括：

34、根据所述第一分类模型、所述第二分类模型及所述第三分类模型，以及所述第一分类模型、所述第二分类模型及所述第三分类模型分别对应的权重，进行加权求和，得到所述待分类珍珠的目标类别。

35、在一种可选的方式中，所述第一分类模型、所述第二分类模型及所述第三分类模型存储于云端服务器；

36、所述获取待分类珍珠的珍珠图像，包括：

37、将通过显微设备拍摄到的待分类珍珠的珍珠图像上传到云端服务器；

38、所述根据所述第一分类结果、所述第二分类结果及所述第三分类结果，确定所述待分类珍珠的目标类别之后，所述方法还包括：

39、云端服务器件所述目标类别发送给用户终端。

40、根据本发明实施例的另一方面，提供了一种基于深度学习与数理计算区分海水与淡水珍珠的装置，包括：

41、获取模块，用于获取待分类珍珠的珍珠图像；所述珍珠图像中包含所述待分类珍珠的表面生长纹特征、晕彩色特征及体色特征；

42、第一分类模块，用于将所述珍珠图像输入预设的第一分类模型，得到第一分类结果；所述第一分类模型根据预设的珍珠图像样本输入卷积神经网络训练得到；所述第一分类结果包括海水珍珠和淡水珍珠中的一种；

43、第二分类模块，用于将所述珍珠图像输入预设的第二分类模型，得到第二分类结果；所述第二分类模型根据预设的珍珠图像样本输入深度残差网络训练得到；所述第二分类结果包括海水珍珠和淡水珍珠中的一种；

44、第三分类模块，用于将所述珍珠图像输入预设的第三分类模型，得到第三分类结果；其中，所述第三分类模型根据预设的珍珠图像样本输入时间序列模型中训练得到；所述第三分类结果包括海水珍珠和淡水珍珠中的一种；

45、目标分类模块，用于根据所述第一分类结果、所述第二分类结果及所述第三分类结果，确定所述待分类珍珠的目标类别；所述目标类别包括海水珍珠和淡水珍珠中的一种。

46、根据本发明实施例的另一方面，提供了一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

47、所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行所述的基于深度学习与数理计算区分海水与淡水珍珠方法的操作。

48、根据本发明实施例的又一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令在计算机设备上运行时，使得计算机设备执行所述的基于深度学习与数理计算区分海水与淡水珍珠方法的操作。

49、本发明实施例通过放大系统获取包含珍珠的生长纹特征以及晕彩色、体色的珍珠图像，对珍珠的表面生长纹特征以及晕彩色特征、体色特征进行识别，并针对珍珠的特点设置三个不同类型的分类模型，分别对图像从不同角度进行识别，对图像实现了局部及全局的准确判断，并根据三者的分类结果确定最终的珍珠类别，使得能够有效提高海水珍珠与淡水珍珠鉴别的准确性。

50、上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。