一种海蓝宝石的子类识别方法、装置及存储介质与流程

技术特征：
1.一种海蓝宝石的子类识别方法，其特征在于，包括：根据待识别宝石的色度坐标信息和致色元素含量信息，计算所述待识别宝石与两个聚类簇的簇中心的第一距离；每个所述聚类簇根据若干个第一训练数据样本的色度坐标信息和致色元素含量信息迭代训练而来；所述第一训练数据样本包括第一子类和第二子类的海蓝宝石；若两个所述第一距离的差值小于第一阈值，则获取所述待识别宝石的微量元素含量信息；将所述待识别宝石的微量元素含量信息、色度坐标信息和致色元素含量信息输入到单层神经网络，生成子类识别结果；所述单层神经网络根据不同子类的第二训练数据样本的微量元素含量信息、色度坐标信息和致色元素含量信息训练而来。2.如权利要求1所述的一种海蓝宝石的子类识别方法，其特征在于，所述根据待识别宝石的色度坐标信息和致色元素含量信息，计算所述待识别宝石与两个聚类簇的簇中心的第一距离，具体为：根据待识别宝石的色度坐标信息和致色元素含量信息，计算所述待识别宝石的在多维空间中与每个簇的簇中心的之间的第一距离；其中，每个所述多维空间的维度为所述色度坐标信息和所述致色元素含量信息的特征的数量。3.如权利要求2所述的一种海蓝宝石的子类识别方法，其特征在于，所述每个所述聚类簇根据若干个第一训练数据样本的色度坐标信息和致色元素含量信息迭代训练而来，具体为：根据若干个所述第一训练数据样本各自的标签，在第一训练数据样本中随机选取其中两个训练数据样本分别作为两个初始簇的簇中心；其中，所述标签的内容为对应的第一训练数据样本的子类信息；两个所述第一训练数据样本的标签内容分别为第一子类和第二子类；计算每个所述第一训练数据样本与两个所述初始簇的簇中心在多维空间中的第二距离，将每个第一训练数据样本分别分配到所述第二距离更小的对应的初始簇中，以更新两个所述初始簇；所述第二距离根据每个第一训练数据样本与初始簇的簇中心的色度坐标信息和致色元素含量信息计算而来；根据两个更新后的初始簇各自的簇中心与每个第一训练数据样本在多维空间中的距离，重新对每个第一训练数据样本进行分配，直到达到预设条件，以完成两个初始簇的迭代训练，得到两个聚类簇；所述预设条件包括：连续若干个同一子类的簇中心的变化值小于第二阈值或者达到预设的迭代次数。4.如权利要求3所述的一种海蓝宝石的子类识别方法，其特征在于，所述第一距离或者第二距离的表达式为：；式中，求和符号的范围为多维空间中的所有维度；当d为第一距离时，为待识别宝石在第i维的坐标值，为聚类簇的簇中心在第i维的坐标值；当d为第二距离时，为第一训练数据样本在第i维的坐标值，为初始簇的簇中心在第i维的坐标值。5.如权利要求1所述的一种海蓝宝石的子类识别方法，其特征在于，所述将所述待识别
宝石的微量元素含量信息、色度坐标信息和致色元素含量信息输入到单层神经网络，生成子类识别结果，具体为：将待识别宝石的微量元素含量信息、色度坐标信息和致色元素含量信息转化为对应的特征值，并输入到单层神经网络的优化模型中：推导函数的表达式为：label = softmax()；式中，label为推导函数；softmax为归一化指数函数；为待识别宝石的第i个特征值；为sigmoid函数；和分别为所述单层神经网络的优化模型的第一参数和第二参数；其中，所述第一参数为不同特征对应的权值矩阵，所述第二参数为截距向量，表示与特征值无关的偏差值；根据所述推导函数的结果，确定所述待识别宝石的子类类别，并作为子类识别结果。6.如权利要求5所述的一种海蓝宝石的子类识别方法，其特征在于，所述单层神经网络根据不同子类的第二训练数据样本的微量元素含量信息、色度坐标信息和致色元素含量信息训练而来，具体为：建立初始单层神经网络，将第二训练数据样本的微量元素含量信息、色度坐标信息和致色元素含量信息转化为对应的特征值，生成训练数据集；将所述训练数据集输入到所述初始单层神经网络的优化模型中，并对训练数据集中的每个第二训练数据样本分别建立损失函数；以所有所述损失函数的整体最小化为目标，对所述初始单层神经网络进行迭代训练，同时迭代更新初始单层神经网络的优化模型中的第一参数和第二参数，达到迭代结束条件后，得到单层神经网络。7.如权利要求1所述的一种海蓝宝石的子类识别方法，其特征在于，所述若两个所述第一距离的差值小于第一阈值，则获取所述待识别宝石的微量元素含量信息，还包括：若两个所述第一距离的差值不小于第一阈值，将所述第一距离更小的对应的聚类簇的子类类别作为所述待识别宝石的子类类别，生成所述待识别宝石的识别结果。8.一种海蓝宝石的子类识别装置，其特征在于，包括：聚类识别模块和神经网络识别模块；其中，聚类识别模块用于根据待识别宝石的色度坐标信息和致色元素含量信息，计算所述待识别宝石与两个聚类簇的簇中心的第一距离；每个所述聚类簇根据若干个第一训练数据样本的色度坐标信息和致色元素含量信息迭代训练而来；所述第一训练数据样本包括第一子类和第二子类的海蓝宝石；神经网络识别模块用于若两个所述第一距离的差值小于第一阈值，则获取所述待识别宝石的微量元素含量信息；将所述待识别宝石的微量元素含量信息、色度坐标信息和致色元素含量信息输入到单层神经网络，生成子类识别结果；所述单层神经网络根据不同子类的第二训练数据样本的微量元素含量信息、色度坐标信息和致色元素含量信息训练而来。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至7中任意一项所述的一种海蓝宝石的子类识别方法。

技术总结
本发明公开了一种海蓝宝石的子类识别方法、装置及存储介质，方法包括：根据待识别宝石的色度坐标信息和致色元素含量信息，计算待识别宝石与两个聚类簇的簇中心的距离；每个聚类簇根据若干个训练数据样本的色度坐标信息和致色元素含量信息迭代训练而来；若两个距离的差值小于第一阈值，则获取待识别宝石的微量元素含量信息；将待识别宝石的微量元素含量信息、色度坐标信息和致色元素含量信息输入到单层神经网络，生成子类识别结果；单层神经网络根据不同子类的第二训练数据样本的微量元素含量信息、色度坐标信息和致色元素含量信息训练而来，以实现提高对海蓝宝石“圣玛利亚”及“超级圣玛利亚”两种细分子类的识别的精度和效率。效率。效率。


技术研发人员：张天阳 杨清波 吴金林 丁汀 黎辉煌 张权 蒙彩珍 唐娜 宁珮莹 马瑛
受保护的技术使用者：国检中心深圳珠宝检验实验室有限公司
技术研发日：2023.08.23
技术公布日：2023/9/19