一种基于人的分歧介入的珍珠分拣方法

摘要

一种基于人的分歧介入的珍珠分拣方法，含有：步骤1：选取独立的两种较为先进、可实现珍珠分拣的神经网络：在服务器上部署ResNet50模型和SE‑ResNet50模型，并将它们设置为系统分歧算法；步骤2：利用下载好的珍珠数据集对两个模型进行独立训练，并分别保存最优模型；步骤3：设置一仲裁器，以针对不同的预测输出结果做出相应的处理；步骤4：运用珍珠数据集里的测试集对系统分歧算法进行测试；步骤5：输出最终分类结果。本发明通过两个独立系统的分歧驱动人的介入，纠正其预测输出，从而提升整个珍珠分拣的分类精度。

说明书

技术领域

本发明涉及一种珍珠的检测分类方法，适用于利用人的介入方案解决纯深度学习在珍珠分拣精度提升受限的情况。

背景技术

传统上珍珠是通过手工分拣的，但对大量珍珠进行手工分拣，无疑是低效和成本高昂的，并且数量的增多和分拣者的疲劳工作，手工分拣的准确性也容易受到个体影响。人工养殖的珍珠一般都需要先按其品质分为不同等级后再行出售，高等级的珍珠混有低等级珍珠会影响企业声誉、顾客的信任度等，而低等级珍珠混有高等级则会引发不必要的额外成本，因此对分类的精度提出了较高要求。

卷积神经网络CNN可以对图片中的特征进行提取，对新的图片中的信息进行识别，因此就可以对大量的已知标签的图片进行训练后，对未知标签的图片进行分类。目前依靠深度学习方法训练的自动分类系统已经达到了92.57％的分拣精度，但这对企业的要求来讲仍然是不够的。因此，我们针对现有的技术方案做出改进，引用两种独立运作的神经网络算法同时作用于珍珠分拣系统，从两个算法预测上的分歧来判断系统的预测是否出错：如果两个独立的算法都给出了同样结果，有信心认为当前系统预测正确；而如果在结果上产生了分歧则有理由认为系统当前预测的准确性需要进行慎重的评估，我们选择交由对该任务更为擅长的人的再判定。

现有的珍珠分拣多采用深度学习方法来实现，虽然深度学习相比其他传统的机器学习算法在数据处理能力上能够拥有较高的分类精度，极大程度上解放了人类的劳动力，但目前基于深度学习的人工智能技术仍存在着难解释，鲁棒性差等缺点，导致难以训练出具有更高精度的算法来，其中存在的错误输出也无法预知，这便使得诸如珍珠分拣这样的高精度应用场景的可靠性受到影响，并带来经济和信誉的双重损失。

发明内容

本发明要克服现有技术的上述缺点，提供一种基于人的分歧介入的珍珠分拣方法。

本发明能够在不改进算法本身的情况下，利用两种较为先进的独立神经网络算法之间的分歧来找出系统可能预测出错的地方，从而基于人的介入对珍珠进行再判定，这对此类珍珠分拣方法的精度提升提供了一种思路。

本发明解决其技术问题所采用的技术方案是：

一种基于人的分歧介入的珍珠分拣方法，含有以下步骤：

步骤1：选取独立的两种可实现珍珠分拣的神经网络：在服务器上部署ResNet50模型和SE-ResNet50模型，并将它们设置为系统分歧算法；

步骤2：利用下载好的珍珠数据集对两个模型进行独立训练，并分别保存最优模型；

步骤3：设置一仲裁器，以针对不同的预测输出结果做出相应的处理；

步骤4：运用珍珠数据集里的测试集对系统分歧算法进行测试；

步骤5：输出最终分类结果。

本发明提出了能在不改进算法本身的情况下，利用两种较为先进的独立神经网络算法之间的分歧来找出系统可能预测出错的地方，从而基于人的介入对珍珠进行再判定，这对此类珍珠分拣方法的精度提升提供了一种思路。卷积神经网络CNN可以对图片中的特征进行提取，对新的图片中的信息进行识别，因此就可以对大量的已知标签的图片进行训练后，对未知标签的图片进行分类；人的有效介入能够纠正系统自身存在的预测偏差问题。

与现有技术相比，本发明技术方案的优点有：

(1)利用两种独立算法网络的分歧能更为简单有效检测出仅使用一类算法预测分类出错的情况；

(2)结合人的介入校正错误分类，有效利用人的优势弥补机器过失，易获得更高的分拣精度。

附图说明

图1：本发明方法的流程图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图和实施例对本发明作进一步的详细描述。

一种基于人的分歧介入的珍珠分拣方法，含有以下步骤：

步骤1：选取独立的两种较为先进、可实现珍珠分拣的神经网络：在服务器上部署ResNet50模型和SE-ResNet50模型，并将它们设置为系统分歧算法，两个模型均需独立完成珍珠分拣任务，运行期间不会产生信息交互；

步骤2：利用下载好的珍珠数据集对两个模型进行独立训练，并分别保存最优模型，当学习率取0.0001、单批次训练样本为64时，ResNet50模型和SE-ResNet50模型精度分别达到92.69％和92.55％，精度相近且达到最高；

步骤3：设置一仲裁器，以针对两个模型产生的不同预测输出结果做出相应的处理：比较每个模型预测输出的最高概率类别，若相同，默认系统输出结果；若不相同，则交由人介入进行决策判定；

步骤4：运用珍珠数据集里的测试集对系统分歧算法进行测试；

步骤5：输出最终分类结果：若仲裁器选取系统给出的分类结果即为该珍珠类型，反之经由人的判定分类后重新给出预测结果，视该结果为最终类型。

所述的珍珠表面图片对应的特征可分为7小类，首先按较为粗糙的分类标准可大致分成两大类：1)一类形状扁平或带明显瑕疵；2)另一类则较圆润且较少瑕疵；其次按更为精细的分类标准，第一大类较差的珍珠分类又可分为三个小类：A1)具有多个平面的珍珠；A2)形状对称的珍珠；A3)其他珍珠；第二大类较好的珍珠分类又可分为四个小类：B1)短半径与长半径之比大于0.7的珍珠；B2)颜色浅淡的珍珠；B3)隐含斑点的珍珠；B4)其余珍珠。

本发文所称的卷积神经网络、珍珠数据集，参见Qi Xuan、Binwei Fang等人发表于IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS 2018的《Automatic PearlClassification Machine Based on a Multistream Convolutional Neural Network》一文。

本发明通过两个独立系统的分歧驱动人的介入，纠正其预测输出，从而提升整个珍珠分拣的分类精度。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。