本发明涉及图像处理领域，尤其涉及一种肉类检测方法、装置、设备和存储介质。
背景技术：
肉类作为人类日常饮食中不可或缺的一类食品，可提供足够的蛋白质、维生素和矿物质来满足人类的健康需求。日常饮食中，猪肉、牛肉、羊肉等肉类由于蛋白质的含量比较高，深受消费者的欢迎。随着社会经济的发展，人们对肉类的需求越来越大，对于肉类的检测分拣也成为工业的重要一环。然而目前的肉类检测方式依然大量采用人为检测的方式，效率低的同时还造成了大量人力资源的浪费。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
技术实现要素：
本发明的主要目的在于提供一种肉类检测方法、装置、设备和存储介质，旨在解决人为进行肉类检测的效率低的技术问题。
为实现上述目的，本发明提供一种肉类检测方法，包括：采集待测肉类图像的高光谱图像；利用全卷积网络对所述高光谱图像进行卷积处理，得到所述高光谱图像的待测热图；对所述待测热图进行语义分割处理，得到所述待测热图的待测语义分割图像；对所述待测语义分割图像进行肉类检测，得到肉类检测结果。
可选地，所述利用全卷积网络对所述高光谱图像进行卷积处理，得到所述高光谱图像的热图，作为待测热图的步骤之后，所述肉类检测方法还包括：利用反卷积网络将所述待测热图放大至与所述高光谱图像的大小一致，根据大小与所述高光谱图像一致的待测热图执行所述对所述待测热图进行语义分割处理，得到所述待测热图的待测语义分割图像的步骤。
可选地，所述对所述待测语义分割图像进行肉类检测，得到肉类检测结果的步骤，具体包括：将所述待测语义分割图像与标准肉类图像集进行匹配，获得匹配结果；根据所述匹配结果获取所述待测肉类图像对应的肉类类别，将所述肉类类别作为肉类检测结果。
可选地，所述对所述待测语义分割图像进行肉类检测，得到肉类检测结果的步骤，具体包括：根据所述待测语义分割图像内各像素点的参数，按照预设规则将所述待测语义分割图像划分为多个类别的区域子图；计算各类别对应的区域子图的面积之和与所述待测语义分割图像的面积的比例，作为各类别的面积占比；根据各类别的面积占比，判断所述待测肉类图像所对应的肉类类别，将所述肉类类别作为肉类检测结果。
可选地，所述对所述待测语义分割图像进行肉类检测，得到肉类检测结果的步骤，具体包括：利用肉类分类模型，对所述待测语义分割图像进行肉类检测，得到肉类检测结果。
可选地，所述利用肉类分类模型，对所述待测语义分割图像进行肉类检测，得到肉类检测结果的步骤之前，所述肉类检测方法还包括：获取由已分类的语义分割训练图像构成的训练集；利用所述训练集对预设机器学习模型进行训练，得到肉类分类模型。
可选地，所述利用所述训练集对预设机器学习模型进行训练，得到肉类分类模型的步骤，具体包括：利用所述训练集对所述预设机器学习模型进行训练，得到中间模型；获取由已分类的语义分割测试图像构成的测试集；利用所述中间模型对所述测试集进行肉类检测，获得肉类检测的测试结果；利用所述测试结果和所述测试集的分类信息，对所述中间模型的模型参数进行调整，得到肉类分类模型。
此外，为实现上述目的，本发明还提供一种肉类检测装置，所述肉类检测装置包括：采集模块，用于采集待测肉类图像的高光谱图像；卷积处理模块，用于利用全卷积网络对所述高光谱图像进行卷积处理，得到所述高光谱图像的热图，作为待测热图；语义分割模块，用于对所述待测热图进行语义分割处理，得到所述待测热图的语义分割图像，作为待测高光谱图像；检测模块，用于对所述待测语义分割图像进行肉类检测，得到肉类检测结果。
此外，为实现上述目的，本发明还提供一种肉类检测设备，所述肉类检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的肉类检测程序，所述肉类检测程序被所述处理器执行时实现如上述的肉类检测方法的步骤。
此外，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有肉类检测程序，所述肉类检测程序被处理器执行时实现如上述的肉类检测方法的步骤。
本发明实施例提出的一种肉类检测方法、装置、设备和存储介质，通过采集待测肉类图像的高光谱图像，利用全卷积网络对所述高光谱图像进行卷积处理，得到所述高光谱图像的待测热图，对所述待测热图进行语义分割处理，得到所述待测热图的待测语义分割图像，然后对所述待测语义分割图像进行肉类检测，得到肉类检测结果，以替代人为检测，能够简单快速精确的对肉类进行检测。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的终端结构示意图；
图2为本发明肉类检测方法实施例的流程示意图；
图3为图2中本发明肉类检测方法实施例的步骤s208的细化流程示意图；
图4为图2中本发明肉类检测方法实施例的步骤s208的另一细化流程示意图；
图5为图2中本发明肉类检测方法实施例的步骤s208之前的步骤流程示意图；
图6为图5中本发明肉类检测方法实施例的步骤s504的细化流程示意图；
图7为本发明肉类检测装置实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是pc，也可以是智能手机、平板电脑、电子书阅读器、mp3(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)播放器、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面4)播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示，该终端可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，终端还可以包括摄像头、rf(radiofrequency，射频)电路，传感器、音频电路、wifi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及肉类检测程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的肉类检测程序，并执行以下操作：采集待测肉类图像的高光谱图像；利用全卷积网络对所述高光谱图像进行卷积处理，得到所述高光谱图像的待测热图；对所述待测热图进行语义分割处理，得到所述待测热图的待测语义分割图像；对所述待测语义分割图像进行肉类检测，得到肉类检测结果。
可选地，处理器1001可以调用存储器1005中存储的肉类检测程序，还执行以下操作：所述利用全卷积网络对所述高光谱图像进行卷积处理，得到所述高光谱图像的热图，作为待测热图的步骤之后，所述肉类检测方法还包括：利用反卷积网络将所述待测热图放大至与所述高光谱图像的大小一致，根据大小与所述高光谱图像一致的待测热图执行所述对所述待测热图进行语义分割处理，得到所述待测热图的待测语义分割图像的步骤。
可选地，处理器1001可以调用存储器1005中存储的肉类检测程序，还执行以下操作：所述对所述待测语义分割图像进行肉类检测，得到肉类检测结果的步骤，具体包括：将所述待测语义分割图像与标准肉类图像集进行匹配，获得匹配结果；根据所述匹配结果获取所述待测肉类图像对应的肉类类别，将所述肉类类别作为肉类检测结果。
可选地，处理器1001可以调用存储器1005中存储的肉类检测程序，还执行以下操作：所述对所述待测语义分割图像进行肉类检测，得到肉类检测结果的步骤，具体包括：根据所述待测语义分割图像内各像素点的参数，按照预设规则将所述待测语义分割图像划分为多个类别的区域子图；计算各类别对应的区域子图的面积之和与所述待测语义分割图像的面积的比例，作为各类别的面积占比；根据各类别的面积占比，判断所述待测肉类图像所对应的肉类类别，将所述肉类类别作为肉类检测结果。
可选地，处理器1001可以调用存储器1005中存储的肉类检测程序，还执行以下操作：所述对所述待测语义分割图像进行肉类检测，得到肉类检测结果的步骤，具体包括：利用肉类分类模型，对所述待测语义分割图像进行肉类检测，得到肉类检测结果。
可选地，处理器1001可以调用存储器1005中存储的肉类检测程序，还执行以下操作：所述利用肉类分类模型，对所述待测语义分割图像进行肉类检测，得到肉类检测结果的步骤之前，所述肉类检测方法还包括：获取由已分类的语义分割训练图像构成的训练集；利用所述训练集对预设机器学习模型进行训练，得到肉类分类模型。
可选地，处理器1001可以调用存储器1005中存储的肉类检测程序，还执行以下操作：所述利用所述训练集对预设机器学习模型进行训练，得到肉类分类模型的步骤，具体包括：利用所述训练集对所述预设机器学习模型进行训练，得到中间模型；获取由已分类的语义分割测试图像构成的测试集；利用所述中间模型对所述测试集进行肉类检测，获得肉类检测的测试结果；利用所述测试结果和所述测试集的分类信息，对所述中间模型的模型参数进行调整，得到肉类分类模型。
参照图2，一种肉类检测方法实施例，所述肉类检测方法包括：
步骤s202，采集待测肉类图像的高光谱图像；
需要说明的是，待测肉类图像为拍摄待测肉类后得到。在获得待测肉类图像后，还进一步对其进行一系列图像处理，包括对待测肉类图像的切割、去噪等，以得到更清晰的待测肉类图像。此外，为了提高检测效果，用户还可以自行将待测肉类置于单一背景色下进行拍摄。背景色以白色或绿色为佳。
本实施例中，终端采集待测肉类图像的高光谱图像。具体地，终端可以通过终端内设置的高光谱图像采集系统进行待测肉类图像的高光谱图像采集，还可以利用与终端通信连接的外部高光谱图像采集系统进行待测肉类图像的高光谱图像采集，以获得待测肉类图像的高光谱图像。
步骤s204，利用全卷积网络对所述高光谱图像进行卷积处理，得到所述高光谱图像的待测热图；
需要说明的是，全卷积网络(fullyconvolutionalnetworks，fcn)是一种端到端(endtoend)的图像分割方法，让网络做像素级别的预测直接得出热图。fcn对图像进行像素级的分类，从而解决了语义级别的图像分割(semanticsegmentation)问题。本实施例中，终端利用全卷积网络对高光谱图像进行多次卷积和池化处理，在每一次卷积和池化处理后，得到的图像越来越小，分辨率越来越低，在最后一次卷积和池化处理后得到的最小的一张图像即为高光谱图像的待测热图。本实施例中，可以预先设定全卷积网络对高光谱图像进行卷积和池化处理的次数，在达到预先设定的次数后，则停止对高光谱图像的卷积和池化处理，得到待测热图。在其他实施例中，还可以是预先设定待测热图的大小，在利用全卷积网络对高光谱图像进行卷积和池化处理后，得到的图像达到预先设定的大小时，则停止对高光谱图像的卷积和池化处理，得到待测热图。可以理解，本领域技术人员可以根据实际需要选择合适的方式停止卷积和池化处理，得到需要的待测热图。
在其中一个实施例中，所述步骤s204之后，所述肉类检测方法还包括：利用反卷积网络将所述待测热图放大至与所述高光谱图像的大小一致，根据大小与所述高光谱图像一致的待测热图执行步骤s206。
需要说明的是，fcn可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的特征图进行上采样，使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测，同时保留了原始输入图像中的空间信息，最后在上采样的特征图上进行逐像素分类。本实施例中，在利用fcn的卷积层对高光谱图像进行卷积处理得到卷积层中尺寸最小的特征图，即待测热图后，还利用反卷积网络对待测热图进行上采样，使待测热图的尺寸恢复到与高光谱图像相同。具体地，终端利用反卷积网络的卷积核对步骤s204输出的待测热图进行乘法操作，然后根据对应位置、步长、填充进行尺寸还原，重叠部分进行加和，最终得到点对点、像素对像素的特征图，即将尺寸恢复至与高光谱图像一致的待测热图。然后根据尺寸与高光谱图像一致的待测热图执行步骤s206。
步骤s206，对所述待测热图进行语义分割处理，得到所述待测热图的待测语义分割图像；
本实施例中，终端进一步对获得的待测热图进行语义分割处理。具体地，终端对待测热图进行微调，将深的粗糙的信息和浅的精细的信息相融合，保证空间位置上的精确度，边缘区域分割的准确性。例如，先将conv7层进行一个2*conv7操作，再将pool4进行一个1*1的卷积，可以看出2*conv7与pool4的大小是一样的，然后再将两者进行融合操作，最后对融合结构进行16*upsampledprediction(上采样预测)，就得到了16s的upsample(上采样)。
步骤s208，对所述待测语义分割图像进行肉类检测，得到肉类检测结果。
需要说明的是，终端利用待测语义分割图像进行肉类检测，得到与其相对应的待测肉类的肉类检测结果。应当理解的是，肉类的瘦肉和肥肉的颜色不同，待测肉类中的瘦肉和肥肉在待测语义分割图像中被分割为不同颜色，本实施例则可以根据待测语义分割图像中不同颜色的占比来判断待测肉类的肉类类别，从而得到肉类检测结果。具体地，终端计算待测语义分割图像中各颜色的占比，并获取各颜色所表征的肉类，例如第一颜色表征瘦肉，第二颜色表征肥肉，若第一颜色占比大于第一预设占比，则判断待测肉类的肉类类别为瘦肉，得到肉类检测结果；若第一颜色占比小于第二预设占比，则判断待测肉类的肉类类别为肥肉。其中，0<第二预设占比<第一预设占比<100％。本实施例中，还可以根据待测语义分割图像中不同颜色的分布来判断待测肉类的肉类类别，例如若待测语义分割图像中各颜色分布具有分散性，例如呈雪花状，则判断待测肉类的肉类类别为五花肉，得到肉类检测结果。
本实施例中，通过采集待测肉类图像的高光谱图像，利用全卷积网络对所述高光谱图像进行卷积处理，得到所述高光谱图像的待测热图，对所述待测热图进行语义分割处理，得到所述待测热图的待测语义分割图像，然后对所述待测语义分割图像进行肉类检测，得到肉类检测结果，以替代人为检测，能够简单快速精确的对肉类进行检测。
在其中一个实施例中，参照图3，所述步骤s208，具体包括：
步骤s302，将所述待测语义分割图像与标准肉类图像集进行匹配，获得匹配结果；
需要说明的是，本实施例提供了对待测语义分割图像进行肉类检测的具体检测方式。其中，标准肉类图像集包括多种标准肉类类别对应的标准语义分割图像，包括但不限于标准瘦肉、标准肥肉以及标准五花肉等。终端将待测语义分割图像与标准肉类图像集进行匹配，获得匹配结果。具体地，终端将待测语义分割图像依次与标准肉类图像集内的标准语义分割图像进行一一比对，直至匹配到与待测语义分割图像的图像特征相匹配的标准语义分割图像，或者比对完成。若匹配到与待测语义分割图像的图像特征相匹配的标准语义分割图像，则将匹配的标准语义分割图像作为匹配结果，若直至比对完成也未匹配到与待测语义分割图像的图像特征相匹配的标准语义分割图像，则生成匹配失败的匹配结果，结束流程。
步骤s304，根据所述匹配结果获取所述待测肉类图像对应的肉类类别，将所述肉类类别作为肉类检测结果。
进一步地，若匹配到与待测语义分割图像的图像特征相匹配的标准语义分割图像，则获取匹配的标准语义分割图像对应的标准肉类类别，该标准肉类类别则为待测肉类图像对应的肉类类别，将该肉类类别作为肉类检测结果。
本实施例通过将待测语义分割图像与标准肉类图像集进行匹配，获得匹配结果，然后根据匹配结果获取待测肉类图像对应的肉类类别，将肉类类别作为肉类检测结果，能够简便快捷的获得检测结果。
在其中一个实施例中，参照图4，所述步骤s208，具体包括：
步骤s402，根据所述待测语义分割图像内各像素点的参数，按照预设规则将所述待测语义分割图像划分为多个类别的区域子图；
需要说明的是，本实施例提供了另一种对待测语义分割图像进行肉类检测的具体检测方式。其中，像素点的参数包括但不限于像素点的rgb(redgreenblue)值。预设规则例如可以是将rgb值在第一范围内的像素点划分为第一类别，将rgb值在第一范围内的像素点划分为第二类别等。终端按照预设规则，根据待测语义分割图像内各像素点的参数，将待测语义分割图像划分为多个类别的区域子图。各类别的区域子图可能在平面上连续，即为一个整体图，也有可能是被间隔而成的多个区域。
步骤s404，计算各类别对应的区域子图的面积之和与所述待测语义分割图像的面积的比例，作为各类别的面积占比；
本实施例中，终端计算各类别对应的区域子图的面积之和，并计算待测语义分割图像的面积。具体地，终端可以根据像素点的个数来相应计算图像的面积。然后计算各类别对应的区域子图的面积之和与待测语义分割图像的面积之比，作为各类别的面积占比。例如第一类别的区域子图的面积之和为s1，第二类别的区域子图的面积之和为s2，待测语义分割图像的面积为s，则第一类别的面积占比为s1/s，第二类别的面积占比为s2/s。
步骤s406，根据各类别的面积占比，判断所述待测肉类图像所对应的肉类类别，将所述肉类类别作为肉类检测结果。
进一步地，终端根据各类别的面积占比，判断待测肉类图像所对应的肉类类别。具体地，终端可以通过比较各类别占比的大小，并计算各类别的面积占比之差，将面积占比之差与预设值进行比较，来判断待测肉类图像所对应的肉类类别。例如，若第一类别的面积占比大于第二类别的面积占比，且二者的面积占比之差大于预设值，则判断待测肉类图像对应的肉类类别为第一类别；若第一类别的面积占比小于第二类别的面积占比，且二者的面积占比之差大于预设值，则判断待测肉类图像对应的肉类类别为第二类别；若二者的面积占比之差小于预设值，则判断待测肉类图像对应的肉类类别为第一类别和第二类别相间。
本实施例中，根据待测语义分割图像内各像素点的参数，按照预设规则将待测语义分割图像划分为多个类别的区域子图，计算各类别对应的区域子图的面积之和与待测语义分割图像的面积的比例，作为各类别的面积占比，然后根据各类别的面积占比，判断待测肉类图像所对应的肉类类别，将该肉类类别作为肉类检测结果，实现了更精准的对肉类类别的检测。
在其中一个实施例中，所述步骤s208，具体包括：利用肉类分类模型，对所述待测语义分割图像进行肉类检测，得到肉类检测结果。
需要说明的是，肉类分类模型为预先基于大数据训练好的机器学习模型，本实施例利用肉类分类模型对待测语义分割图像进行肉类检测，能够更加快速准确的得到肉类检测结果。
在其中一个实施例中，参照图5，所述步骤s208之前，所述肉类检测方法还包括：
步骤s502，获取由已分类的语义分割训练图像构成的训练集；
需要说明的是，已分类的语义分割训练图像包括多种肉类类别对应的语义分割图像。训练集内的语义分割训练图像的数量可以根据实际需要进行选择。
步骤s504，利用所述训练集对预设机器学习模型进行训练，得到肉类分类模型。
本实施例中，预设机器学习模型可以是神经网络模型，还可以是贝叶斯模型，还可以是马氏距离模型，用户可以根据实际需要选择对应的模型作为本实施例的机器学习模型。终端利用训练集对预设机器学习模型进行训练，在多次训练中，使得预设机器学习模型不断学习训练集，从而得到肉类分类模型。
在其中一个实施例中，参照图6，所述步骤s504，具体包括：
步骤s602，利用所述训练集对所述预设机器学习模型进行训练，得到中间模型；
需要说明的是，终端在利用训练集对预设机器学习模型进行多次训练后，得到中间模型。
步骤s604，获取由已分类的语义分割测试图像构成的测试集；
进一步地，终端由已分类的语义分割测试图像构成的测试集。需要说明的是，测试集可以与训练集完全一致，还可以与训练集不同。
步骤s606，利用所述中间模型对所述测试集进行肉类检测，获得肉类检测的测试结果；
本实施例中，终端进一步将测试集输入中间模型，以使中间模型进行肉类检测，得到肉类检测的测试结果。本实施例中，测试结果中间模型为对测试集进行分类的分类结果。
步骤s608，利用所述测试结果和所述测试集的分类信息，对所述中间模型的模型参数进行调整，得到肉类分类模型。
应当理解的是，本实施例的测试集中包含的语义分割测试图像的分类结果为已知，终端则根据已知的测试集的分类结果与中间模型输出的测试结果进行比较，判断测试结果的误判率，若误判率小于等于预设误判率，则将该中间模型作为最终的肉类分类模型，若误判率大于预设误判率，则对中间模型的模型参数进行调整，以得到更准确的肉类分类模型。
本实施例中，利用肉类分类模型对待测语义分割图像进行肉类检测，能够更加快速准确的得到肉类检测结果，并且提供了对肉类分类模型的训练过程，得到的肉类分类模型的分类准确性高。
参照图7，一种肉类检测装置实施例，所述肉类检测装置包括：
采集模块710，用于采集待测肉类图像的高光谱图像；
卷积处理模块720，用于利用全卷积网络对所述高光谱图像进行卷积处理，得到所述高光谱图像的热图，作为待测热图；
语义分割模块730，用于对所述待测热图进行语义分割处理，得到所述待测热图的语义分割图像，作为待测高光谱图像；
检测模块740，用于对所述待测语义分割图像进行肉类检测，得到肉类检测结果。
本实施例中，通过采集待测肉类图像的高光谱图像，利用全卷积网络对所述高光谱图像进行卷积处理，得到所述高光谱图像的待测热图，对所述待测热图进行语义分割处理，得到所述待测热图的待测语义分割图像，然后对所述待测语义分割图像进行肉类检测，得到肉类检测结果，以替代人为检测，能够简单快速精确的对肉类进行检测。
可选地，所述卷积处理模块720，还用于利用反卷积网络将所述待测热图放大至与所述高光谱图像的大小一致。
可选地，检测模块740，还用于将所述待测语义分割图像与标准肉类图像集进行匹配，获得匹配结果；根据所述匹配结果获取所述待测肉类图像对应的肉类类别，将所述肉类类别作为肉类检测结果。
可选地，检测模块740，还用于根据所述待测语义分割图像内各像素点的参数，按照预设规则将所述待测语义分割图像划分为多个类别的区域子图；计算各类别对应的区域子图的面积之和与所述待测语义分割图像的面积的比例，作为各类别的面积占比；根据各类别的面积占比，判断所述待测肉类图像所对应的肉类类别，将所述肉类类别作为肉类检测结果。
可选地，检测模块740，还用于利用肉类分类模型，对所述待测语义分割图像进行肉类检测，得到肉类检测结果。
可选地，模型训练模块，用于获取由已分类的语义分割训练图像构成的训练集；利用所述训练集对预设机器学习模型进行训练，得到肉类分类模型。
可选地，利用所述训练集对所述预设机器学习模型进行训练，得到中间模型；获取由已分类的语义分割测试图像构成的测试集；利用所述中间模型对所述测试集进行肉类检测，获得肉类检测的测试结果；利用所述测试结果和所述测试集的分类信息，对所述中间模型的模型参数进行调整，得到肉类分类模型。
此外，本发明实施例还提出一种肉类检测设备，所述肉类检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的肉类检测程序，所述肉类检测程序被所述处理器执行时实现如上述的肉类检测方法的步骤。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有肉类检测程序，所述肉类检测程序被处理器执行时实现如上述的肉类检测方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
1.一种肉类检测方法，其特征在于，所述肉类检测方法包括以下步骤：
采集待测肉类图像的高光谱图像；
利用全卷积网络对所述高光谱图像进行卷积处理，得到所述高光谱图像的待测热图；
对所述待测热图进行语义分割处理，得到所述待测热图的待测语义分割图像；
对所述待测语义分割图像进行肉类检测，得到肉类检测结果。
2.如权利要求1所述的肉类检测方法，其特征在于，所述利用全卷积网络对所述高光谱图像进行卷积处理，得到所述高光谱图像的热图，作为待测热图的步骤之后，所述肉类检测方法还包括：
利用反卷积网络将所述待测热图放大至与所述高光谱图像的大小一致，根据大小与所述高光谱图像一致的待测热图执行所述对所述待测热图进行语义分割处理，得到所述待测热图的待测语义分割图像的步骤。
3.如权利要求1所述的肉类检测方法，其特征在于，所述对所述待测语义分割图像进行肉类检测，得到肉类检测结果的步骤，具体包括：
将所述待测语义分割图像与标准肉类图像集进行匹配，获得匹配结果；
根据所述匹配结果获取所述待测肉类图像对应的肉类类别，将所述肉类类别作为肉类检测结果。
4.如权利要求1所述的肉类检测方法，其特征在于，所述对所述待测语义分割图像进行肉类检测，得到肉类检测结果的步骤，具体包括：
根据所述待测语义分割图像内各像素点的参数，按照预设规则将所述待测语义分割图像划分为多个类别的区域子图；
计算各类别对应的区域子图的面积之和与所述待测语义分割图像的面积的比例，作为各类别的面积占比；
根据各类别的面积占比，判断所述待测肉类图像所对应的肉类类别，将所述肉类类别作为肉类检测结果。
5.如权利要求1所述的肉类检测方法，其特征在于，所述对所述待测语义分割图像进行肉类检测，得到肉类检测结果的步骤，具体包括：
利用肉类分类模型，对所述待测语义分割图像进行肉类检测，得到肉类检测结果。
6.如权利要求5所述的肉类检测方法，其特征在于，所述利用肉类分类模型，对所述待测语义分割图像进行肉类检测，得到肉类检测结果的步骤之前，所述肉类检测方法还包括：
获取由已分类的语义分割训练图像构成的训练集；
利用所述训练集对预设机器学习模型进行训练，得到肉类分类模型。
7.如权利要求6所述的肉类检测方法，其特征在于，所述利用所述训练集对预设机器学习模型进行训练，得到肉类分类模型的步骤，具体包括：
利用所述训练集对所述预设机器学习模型进行训练，得到中间模型；
获取由已分类的语义分割测试图像构成的测试集；
利用所述中间模型对所述测试集进行肉类检测，获得肉类检测的测试结果；
利用所述测试结果和所述测试集的分类信息，对所述中间模型的模型参数进行调整，得到肉类分类模型。
8.一种肉类检测装置，其特征在于，所述肉类检测装置包括：
采集模块，用于采集待测肉类图像的高光谱图像；
卷积处理模块，用于利用全卷积网络对所述高光谱图像进行卷积处理，得到所述高光谱图像的热图，作为待测热图；
语义分割模块，用于对所述待测热图进行语义分割处理，得到所述待测热图的语义分割图像，作为待测高光谱图像；
检测模块，用于对所述待测语义分割图像进行肉类检测，得到肉类检测结果。
9.一种肉类检测设备，其特征在于，所述肉类检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的肉类检测程序，所述肉类检测程序被所述处理器执行时实现如权利要求1至7中任一项所述的肉类检测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有肉类检测程序，所述肉类检测程序被处理器执行时实现如权利要求1至7中任一项所述的肉类检测方法的步骤。
技术总结