用于对食品进行分类的系统和方法与流程

用于对食品进行分类的系统和方法
1.利益要求
2.本技术根据35u.s.c.
§
119要求于2020年12月14日提交的临时申请63/125,283的权益，所述临时申请的全部内容在此以引用的方式并入，如同在本文中完全阐述一样。
技术领域
3.本公开总体上涉及使用机器学习系统来处理食品信息。


背景技术：

4.甜食商每年会接收许多公吨的可可豆。可可豆是甜食商所制造的巧克力产品和糖果的主要组分之一。为了确保产品的一致性和质量，基于包含豆本身的新鲜度在内的多种因素对所接收批次的可可豆进行评估和分类。目前，这个过程非常耗时并且可能需要在供应链的各个环节进行目视检查。另外，由于此类检查的主观性质，依赖于目视检查可导致可可豆的质量控制的潜在不一致。因此，行业内需要在整个供应链中实现甜食产品或甜食产品组分的质量控制和评估自动化，以减少时间和人工成本，并提高评估的一致性。宠物食品需要类似的自动化。


技术实现要素：

5.某些非限制性实施例提供用于使用机器学习系统来对食品进行分类的系统、方法和介质。某些非限制性实施例可以涉及计算机实施的方法。所述计算机实施的方法可以包含以下中的一者或多者：从客户端设备接收输入图像，所述输入图像包括一个或多个产品的视图，其中所述输入图像包括多个像素；使用经训练的机器学习模型分别生成所述一个或多个产品中的每一个产品的边界框，每个边界框包括所述多个像素的子集，其中每个边界框指示所述一个或多个产品中的特定产品；生成所述边界框中的每一个边界框内的所述像素的分割掩码；使用每个分割掩码生成由所述边界框之一指示的每个产品的隔离图像，其中每个隔离图像基本上仅包括表示所指示产品的像素集；使用每个产品的每个隔离图像生成所述一个或多个产品中的每一个产品的分类；以及显示与所生成的分类相关的信息。
6.在一个实施例中，使用注释图像的集合来训练所述机器学习模型，所述注释图像的集合中的每个注释图像包括所述一个或多个产品中的某一产品类型的产品集的视图。
7.在一个实施例中，所述一个或多个产品包括一个或多个可可豆。
8.在一个实施例中，所述一个或多个可可豆包括湿豆。
9.在一个实施例中，所述产品之一的所述分类中的至少一个分类包括可接受的、发芽的、受害虫损害的或患病的之一。
10.在一个实施例中，所述产品之一的所述分类中的至少一个分类涉及新鲜度。
11.一个实施例进一步包括预测所述一个或多个产品中的一个或多个产品的白利度(brix)测量结果，其中所述产品之一的所述分类中的至少一个分类至少部分地基于所预测的白利度测量结果。
12.一个实施例进一步包括：预测所述一个或多个产品中的一个或多个产品的白利度测量结果；以及至少部分地基于所预测的白利度测量结果生成所述一个或多个产品中的一个或多个产品的质量评分。
13.在一个实施例中，所述一个或多个可可豆包括干豆。
14.在一个实施例中，所述产品之一的所述分类中的至少一个分类至少部分地基于所预测的质量，所述所预测的质量包括以下之一：水分的量；切割测试：结块测试结果；切割测试：模具测试结果；切割测试：扁平测试结果；切割测试：颜色测试结果；切割测试：侵染测试结果；豆大小；异物测试结果；对破裂豆的指示或豆计数。
15.一个实施例进一步包括接收一个或多个另外的输入，其中所述一个或多个另外的输入包括产地、年龄、品种、价格、收获方法、加工方法、重量或发酵方法中的至少一者，并且其中所述分类至少部分地基于所述一个或多个另外的输入。
16.在一个实施例中，所述一个或多个产品包括宠物食物，并且其中所述宠物食物包括干宠物食物或湿宠物食物中的至少一种。
17.一个实施例进一步包括通过网络接收对所述经训练的机器学习模型的一个或多个更新，其中所述网络包括云服务器。
18.一个实施例进一步包括：至少部分地基于所述一个或多个产品中的每一个产品的所述分类生成拒绝可可豆的批次或运送之一的推荐；以及在所述客户端设备上显示所述推荐。
19.一个实施例进一步包括生成和显示置信度评分，其中所述置信度评分与所述产品之一的所述分类之一相关联。
20.某些非限制性实施例可以涉及计算机可读非暂时性存储介质，所述计算机可读非暂时性存储介质包括指令，所述指令当由一个或多个处理器执行时可操作，以使系统执行本文所述的方法或技术中的任何方法或技术。
21.某些非限制性实施例可以涉及一种系统，所述系统可以包含一个或多个处理器、耦合到所述处理器中的一个或多个处理器并且包括指令的一个或多个计算机可读非暂时性存储介质，所述指令当由所述处理器中的一个或多个处理器执行时可操作，以使所述系统执行本文所述的方法或技术中的任何方法或技术。
22.本文所公开的实施例仅为实例，并且本公开的范围不限于它们。某些非限制性实施例可以包含本文公开的实施例的组件、元件、特征、功能、操作或步骤中的全部、一些或者不包含其中的任一者。根据本发明的实施例在涉及方法、存储介质、系统和计算机程序产品的所附权利要求中具体公开，其中在一个权利要求类别，例如方法中提及的任何特征也可以在另一权利要求类别，例如系统中被要求保护。所附权利要求中的依赖性或回退引用仅因正式原因而选择。然而，由于对任何先前权利要求(特别是多个依赖性)的有意回退引用而产生的任何主题也可以被要求保护，使得权利要求和其特征的任何组合被公开，并且不管在所附权利要求中选择的依赖性如何，都可以被要求保护。可以要求保护的主题不仅包括所附权利要求中阐述的特征的组合，还包括权利要求中特征的任何其它组合，其中权利要求中提及的每个特征可以与权利要求中的任何其它特征或其它特征的组合进行组合。此外，本文描述或描绘的实施例和特征中的任何实施例和特征可以在单独的权利要求中和/或与本文描述或描绘的任何实施例或特征或所附权利要求的特征中的任何特征的任何组
合中被要求保护。
附图说明
23.在附图中：
24.图1展示了在一些非限制性实施例中用于预测一个或多个产品的质量的框架的实例。
25.图2a描绘了根据某些非限制性实施例的样本训练图像。
26.图2b描绘了根据一些非限制性实施例的将分割掩码应用于训练图像的结果。
27.图2c描绘了根据一些非限制性实施例的显示与训练图像中描绘的一个或多个产品的所预测分类相关的信息。
28.图3a描绘了根据某些非限制性实施例的由经训练的cnn接收的样本输入图像。
29.图3b描绘了根据一些非限制性实施例的显示与输入图像中描绘的一个或多个产品的所预测分类相关的信息。
30.图3c描绘了根据一些非限制性实施例的显示与输入图像中描绘的一个或多个产品的所预测分类相关的信息，所述信息包含对应的置信度评分。
31.图4展示了根据某些非限制性实施例的用于使用机器学习系统对甜食或宠物食品进行分类的示例计算机实施的方法。
32.图5展示了根据某些非限制性实施例的用于促进使用机器学习工具预测产品分类的示例计算机系统或设备。
具体实施方式
33.在本公开的上下文内以及在使用每个术语的具体上下文中，本说明书中使用的术语通常具有其在本领域中的普通含义。下面或在本说明书的其它地方讨论了某些术语，以在描述本公开的组合物和方法以及如何制备和使用本公开的组合物和方法时提供另外的指导。
34.如本说明书和所附权利要求中所使用的，单数形式“一个”、“一种”以及“所述”包含复数指示物，除非上下文另外清楚地指明。
35.如本文所用，术语“包括(comprises)”、“包括(comprising)”或其任何其它变体旨在覆盖非排他性包含，使得包括一系列要素的过程、方法、制品、系统或装置不仅仅包含那些要素，而是可以包含其它未清楚地列出的或这种过程、方法、制品或装置固有的其它要素。
36.如本文所用，根据本公开使用的术语“产品”是指任何甜食产品或任何宠物食品、其衍生物或用于产生如本文所述的甜食产品或食品的原材料。例如，“产品”可以指用于制备甜食产品的可可豆。
37.如本文所用，“可可豆”是指源自可可(theobroma cacao)的果荚的豆，所述豆是用于巧克力生产的主要原材料。
38.如本文所用，可可豆源自可可属或herrania属的种或其在这些属内的种间和种内杂交物种，并且更优选地源自可可和大花可可树(theobroma grandiflorum)。如本文所用，可可包括所有基因型，特别是所有商业上有用的基因型，包含但不限于克里奥罗
(criollo)、福拉斯特洛(forasteo)、特立尼达(trinitario)、阿里巴(ariba)、阿梅洛纳多(amelonado)、康坦马纳(contanmana)、库拉莱(curaray)、圭亚那(guiana)、伊基托斯(iquitos)、马拉尼翁(maranon)、那斯努(nacional)、纳内(nanay)和普卢斯(purus)以及其杂交体和混合体。
39.如本文所用，术语“可可(cocoa)”和“可可(cacao)”被认为是同义词。
40.如本文所用，术语“甜食”或“甜食产品”是可食用组合物。甜食产品可以包含但不限于基于脂肪的和非基于脂肪的甜食、零食、面包、烘焙商品、薄脆饼干、蛋糕、曲奇、馅饼、糖果(硬质和软质)、压制的薄荷糖、口香糖、明胶、冰淇淋、果汁冰糕、果酱、果冻、巧克力、法奇软糖、方旦糖、甘草糖、太妃糖、硬糖、耐嚼糖果、有涂层的耐嚼中心糖果、压片糖果、牛轧糖、糖衣丸、甜食糊、透明果味糖、口香糖等和其组合。
41.如本文所用，术语“巧克力”是指符合适用的基于国家的特性标准的巧克力产品，包含但不限于美国特性标准(soi)、欧洲特性标准、食品法典委员会(codex alimentarius)等以及不合规的巧克力和类似巧克力的产品(例如，包括可可脂代替物，可可脂等效物或替代物)、复合巧克力、涂层巧克力、巧克力状涂层产品、冰淇淋的涂层巧克力、冰淇淋的巧克力状涂层、果仁糖、巧克力馅、法奇软糖、奶油巧克力、挤出巧克力产品等。基于脂肪的甜食产品可以是白巧克力；白巧克力包括糖、奶粉和不含深色可可固体的可可脂。所述产品可以呈充气产品、条或馅等形式。巧克力产品或组合物可以用作成品或最终食品或甜食产品中的涂层、填料、包覆组合物或其它成分。所公开的主题的甜食产品可以进一步含有夹杂物，如坚果、谷类等。
42.如本文所用，根据本公开使用的术语“动物”或“宠物”是指家畜，包含但不限于家犬、家猫、马、牛、雪貂、兔、猪、大鼠、小鼠、沙鼠、仓鼠、山羊等。家犬和家猫是宠物的特定非限制性实例。根据本公开使用的术语“动物”或“宠物”可以进一步指野生动物，包含但不限于野牛、驼鹿、鹿、鹿肉、鸭、家禽、鱼等。
43.如本文所用，术语“动物饲料”、“动物饲料组合物”、“宠物食物”、“宠物食物制品”或“宠物食物组合物”在本文中可互换使用，并且指预期由动物或宠物摄取的组合物。宠物食物可以包含但不限于适合于每日饲料的营养平衡组合物，如粗磨食物，以及可以营养平衡的补充剂和/或零食。宠物食物可以是向宠物提供健康和/或营养益处的宠物食物，例如重量管理宠物食物、饱足宠物食物和/或能够改善宠物肾功能的宠物食物。在替代实施例中，补充剂和/或零食不是营养平衡的。就此而言，术语“动物饲料”、“动物饲料组合物”、“宠物食物”、“宠物食物制品”或“宠物食物组合物”涵盖如本文所定义的宠物零食和宠物初级食物两者。
44.如本文所用，术语“湿宠物食物”是指预期由宠物摄取的组合物。湿宠物食物优选地是营养平衡的食品，以以适当的数量向宠物提供其所需的所有必要营养素。通常，湿宠物食品含有来自动物副产品的重建的重建的肉材料。本公开的主题的实施例特别涉及湿宠物食物，其中有两种主要类型。
45.第一类型的湿宠物食品被称为
‘
肉末饼(pat
é
)’或
‘
糕’，并且通常通过在高温下加工可食用组分的混合物以产生由热凝蛋白结构化的均匀的半固体团块来制备。这种均匀的团块通常包装成单份或多份包装，然后将所述单份或多份包装密封和灭菌。包装时，均匀的团块采用容器的形状。
46.第二类型的湿宠物食品根据酱汁组分的性质被称为
‘
肉汁包裹肉块(chunk-in-gravy)’、
‘
果酱包裹肉块(chunk-in-jelly)’或
‘
慕斯包裹肉块(chunk-in-mousse)’，并且这些类型的产品在本文中统称为
‘
酱汁包裹肉块(chunk-in-sauce)’产品。所述肉块包括肉片，或更典型地，美学上令人愉悦的重构或重建的肉块。重构的肉块通常通过制备含有可热凝固组分的肉乳液，以及通过施加热能以“凝固”乳液并允许其呈所期望的形状来制备，如下文更详细地描述的。产品块在单份或多份包装中与酱料(例如，肉汁、果冻或奶油冻)组合，然后密封和灭菌。
47.重建的动物材料可以含有常规用于制造重建的肉和湿宠物食品的任何成分，如脂肪、抗氧化剂、碳水化合物源、纤维源、蛋白质(包含植物蛋白)的另外的源、调味品、着色剂、调味剂、矿物质、防腐剂、维生素、乳化剂、含淀粉材料和其组合。重建的动物材料也可以被称为“肉类似物”。
48.如本文所用，可以基于甜食或宠物食品的一个或多个可测量特性来确定所述产品的“质量”。例如，一种此类“质量”可以是可可豆的新鲜度，所述可可豆是各种甜食产品的组分。其它质量可以包含颜色、味道、纹理、大小、形状、外观或无缺陷。
49.如本文所使用，“训练数据集”可以包括用于训练机器学习模型的各种数据，以及可以用于促进被监督模型训练的相关联的元数据、标签或地面真值数据。例如，训练数据集可以包含一个或多个图像以及分别与每个图像相关联的数据或元数据。在第一实例中，用于训练机器学习分类器以确定可可豆是否新鲜的训练数据集可以包括两个图像子集。第一图像子集可以包括各自用指示新鲜度的第一标签标记的可可豆的图像。第二图像子集可以包括各自用指示缺乏新鲜度的第二标签标记的可可豆的各种图像。在其它实施例中，新鲜度可以不由二元地面真值指示。在这些情况下，多类别分类器可以用于以如在1-10的范围内的等级对可可豆进行评分。在其它情况下，训练数据和地面真值可以涉及其它分类。例如，分类可以涉及可可豆的分类，如可接受的、发芽的、受害虫损害的或患病的。另一个示例分类可以涉及所预测的白利度评分或新鲜度的其它指标，或者它可以涉及可可豆的另一质量。在第二实例中，图像分割任务的训练数据集可以包括可可豆的图像，所述可可豆各自与像素网格的0和1的地面真值相关联，以指示训练图像中的哪些像素对应于可可豆。此类像素网格可以被称为分割掩码。类似地，可以训练机器学习模型以使用标记的训练数据集来预测边界框，所述训练数据集包括由边界框包围的一些可可豆图像和不含可可豆且无边界框的一些图像。训练数据集可以包括甜食或宠物食品的一个或多个图像或视频。例如，所述一个或多个图像可以是在整个供应链中获取的可可豆浴的捕获图像。训练数据集可以经由一个或多个客户端设备(例如，众包)收集或从其它来源(例如，数据库)收集。在一些实施例中，标记的训练数据集由人注释者创建，而在其它实施例中，单独的经训练的机器学习模型可以用于生成标记的数据集。
50.在本文的详细描述中，对“实施例”、“一实施例”、“一个实施例”、“在各个实施例中”、“某些实施例”、“一些实施例”、“其它实施例”、“某些其它实施例”等的引用表示所描述的实施例可以包含特定特征、结构或特性，但是并非每个实施例都一定包含特定特征、结构或特性。此外，此类词组未必是指相同实施例。进一步地，当结合实施例描述特定特征、结构或特性时，无论是否明确描述，都认为结合其它实施例影响此类特征、结构或特性处于本领域的技术人员的知识范围内。在阅读本说明书之后，相关领域中的技术人员将清楚的是如
何实施替代性实施例中的本公开。
51.如本文所用，术语“客户端设备”是指给定移动应用的用户所使用的计算系统或移动设备。例如，术语“客户端设备”可以包含智能手机、平板计算机或膝上型计算机。具体地，计算系统可包括用于确定其位置、方向或取向的功能，诸如gps接收器、罗盘、陀螺仪或加速度计。客户端设备还可包括用于无线通信(诸如蓝牙通信，近场通信(nfc)，或红外(ir)通信或与无线局域网(wlan)或蜂窝电话网络的通信)的功能。这样的设备还可包括一个或多个相机、扫描仪、触摸屏、麦克风或扬声器。客户端设备还可以执行软件应用，诸如游戏、web浏览器或社交网络应用。例如，客户端设备可包括用户设备、智能手机、平板计算机、膝上型计算机、台式计算机或智能手表。
52.示例过程和实施例可以由计算系统或客户端设备通过移动应用和相关联的图形用户界面(“ux”或“gui”)来进行。在某些非限制性实施例中，计算系统或客户端设备可以是例如移动计算系统，如智能手机、平板计算机或膝上型计算机。该移动计算系统可包括用于确定其位置、方向或取向的功能，诸如gps接收器、罗盘、陀螺仪或加速度计。这样的设备还可包括用于无线通信(诸如蓝牙通信，近场通信(nfc)，或红外(ir)通信，或与无线局域网(wlan)、3g、4g、lte、lte-a、5g、物联网或蜂窝电话网络的通信)的功能。这样的设备还可包括一个或多个相机、扫描仪、触摸屏、麦克风或扬声器。移动计算系统还可以执行软件应用，诸如游戏、web浏览器或社交网络应用。通过社交网络应用，用户可以在他们的社交网络中与其它用户联系、沟通和共享信息。
53.所公开的技术的某些实施例包括使用一个或多个经训练的机器学习模型进行操作的应用程序。在一个实施例中，用户可以键入关于可可豆的批次或运送的一些信息。该信息可以包含与可可豆的批次或运送相关联的可测量的属性或名称，如产地、年龄、品种、价格、收获方法、加工方法、重量或发酵方法。在一些实施例中，这些属性中的一个或多个属性可以包括用于经训练的机器学习模型中的一个或多个经训练的机器学习模型的输入。在特定实施例中，应用可以使用这些输入属性来选择更专业的机器学习模型，以关于可可豆作出推断。例如，应用可以使用针对克里奥罗可可豆训练的一个机器学习模型、针对福拉斯特洛可可豆训练的不同机器学习模型和针对纳内可可豆训练的不同机器学习模型，并且可以基于输入品种来选择适当的模型。可以使用包括适当品种的可可豆的视图的训练数据来训练这些相应模型中的每一个模型。
54.本文所述的某些实施例提供了用于基于所收集的数据对甜食和宠物食品的质量进行预测和分类的自动化方法。例如，质量可以是给定产品或产品组分如可可豆的新鲜度。例如，所收集的数据可以是给定产品的一个或多个图像或视频。某些先前方法主要依赖于对产品的目视检查，这是耗时和成本密集的主观方法。在一些非限制性实施例中，呈现框架以使用机器学习模型根据所收集的数据预测产品的分类和质量(例如，新鲜度)。在某些非限制性实施例中，如k-最近邻(knn)、朴素贝叶斯(nb)、决策树或随机森林、支持向量机(svm)、变换器、深度学习模型等机器学习模型或任何其它机器学习模型或技术可以用于基于所收集的数据预测甜食或宠物食品的给定质量。机器学习模型可以是被监督、无监督或半监督的。监督的机器学习可以用于基于由监督机器学习的人提供的示例输入-输出对来对将输入映射到输出的函数进行建模。另一方面，无监督的机器学习可以是在没有任何示例输入-输出对的情况下评估数据集中先前未检测到的模式的机器学习模型。因此，在某些
实例中，可以使用接收可可豆的图像并分析其颜色的机器学习模型成功地预测可可豆新鲜度。在又另一个实例中，机器学习模型可以接收宠物食物或湿宠物食品，如
‘
肉汁包裹肉块’、
‘
果酱包裹肉块’或
‘
慕斯包裹肉块’的图像，并且基于检测到的肉块的一种或多种特性使用机器学习模型预测食物的质量。
55.在一些非限制性实施例中，机器学习框架可以包含从所收集的产品训练数据以及对应的质量和分类评分训练的卷积神经网络(cnn)组件。例如，所收集的训练数据可以是由客户端设备捕获的一个或多个图像。例如，如图2a和3a所示，一个或多个图像可以是可可豆的批次。cnn是一种类型的包括具有一个或多个节点的一个或多个卷积层和子采样层的人工神经网络。可以将包含一个或多个隐藏层的一个或多个层堆叠以形成cnn架构。所公开的cnn可以通过暴露于大量标记的训练数据来学习确定产品的图像参数和随后的分类和质量(例如，新鲜度)。虽然在一些实例中，神经网络可以训练每个输入-输出对的所学习的权重，但cnn可以沿着其输入卷积可训练固定长度内核或过滤器。换句话说，cnn可以学习识别小型原始特征(低水平)并且以复杂方式(高水平)组合它们。因此，在特定产品的合成数据集上训练的cnn允许在真实图像中实现准确的对象分割以及产品分类和新鲜度预测。cnn可以是被监督的或非监督的。
56.在某些非限制性实施例中，池化、填充和/或跨步可以用于减小执行卷积的尺寸中的cnn输出的大小，从而降低计算成本和/或使过度训练的可能性降低。跨步可以描述过滤窗口滑动时所遵循的步骤的大小或数量，而填充可以包含用零填充数据的一些区域，以在跨步之前或之后对数据进行缓冲。例如，池化可以包含简化由卷积层或任何其它层收集的信息，并且创建层内含有的信息的压缩版本。
57.在一些实例中，可以使用基于区域的cnn(rcnn)或一维(1-d)cnn。rcnn包含使用选择性搜索来标识图像中的一个或多个所关注区域，并且独立地从每个区域提取cnn特征以进行分类。在一个或多个实施例中采用的rcnn的类型可以包含快速rcnn、更快rcnn或掩码rcnn。在其它实例中，1-d cnn可以处理用滑动窗口产生的固定长度时间序列段。此类1-d cnn可以在多对一配置中运行，所述多对一配置利用池化和跨步来连接最终cnn层的输出。然后，可以使用完全连接层在一个或多个时间步骤处产生类别预测。
58.与沿着输入信号卷积固定长度内核的1-d cnn相反，递归神经网络(rnn)依次处理每个时间步骤，使得rnn层的最终输出是每个先前时间步骤的函数。在某些实施例中，可以使用称为长短期记忆(lstm)模型的rnn变体。lstm可以包含记忆单元和/或一个或多个控制门，以对长序列中的时间依赖性进行建模。在一些实例中，lstm模型可以是单向的，这意味着模型按照其被记录或接收的顺序处理时间序列。在另一个实例中，如果整个输入序列可用，则可以在相反方向上评估两个并行lstm模型，所述方向都可在时间上向前和向后。两个并行lstm模型的结果可以被连接，从而形成双向lstm(双lstm)，所述双向lstm可以在两个方向上对时间依赖性进行建模。
59.在一些实施例中，可以组合一个或多个cnn模型和一个或多个lstm模型。组合的模型可以包含四个未跨步的cnn层的堆叠，其随后可以是两个lstm层和softmax分类器。softmax分类器可以将概率分布归一化，所述概率分布包含与输入的指数成比例的概率数目。例如，未对向cnn的输入信号进行填充，使得即使各层未跨步，每个cnn层也通过将时间序列缩短若干样本。lstm层是单向的，并且因此对应于最终lstm输出的softmax分类可以用
于训练和评估，以及用于重新汇编来自滑动窗口段的输出时间序列。组合的模型可以在多对一配置中操作。
60.图1展示了在一些非限制性实施例中用于预测一个或多个产品的质量的框架的实例。在某些非限制性实施例中，框架可以包含训练阶段110和运行时间阶段120。在训练阶段110期间，可以对cnn 125或任何其它机器学习模型或技术进行训练以接收与预测训练图像中描绘的一个或多个产品的分类或质量评分相关的一个或多个训练数据130以及地面真值。在训练阶段110期间，一个或多个cnn 125中的每一个cnn可以暴露于如训练图像等训练数据集，以提高其输出的准确性。例如，图像可以是在供应链的一个或多个阶段期间由客户端设备捕获的可可豆批次。每个训练数据集130可以包括一个或多个产品的训练图像、相关联数据以及与图像相关联的一个或多个对应地面真值。在一些实施例中，相关联数据是呈一个或多个可测量属性或客观名称形式的关于可可豆的信息。例如，相关联数据可以包含关于可可豆的产地、年龄、品种、价格、收获方法、加工方法、重量或发酵方法的信息。
61.在cnn 125生成一个或多个输出后，可以将输出与和训练数据相关联的一个或多个地面真值135进行比较。例如，地面真值可以是一个或多个可可豆的白利度评分。在其它实施例中，地面真值可以是可可豆的任何其它已知或预期度量或属性，如一个或多个实验室或现场测试的结果。例如，训练数据可以用来自以下测试中的一个或多个测试的结果进行标记，所述结果可以用于教导cnn或其它机器学习模型以预测测试的结果：(1)水分(水分不应超过8.0％)；(2)切割测试：结块(当两个或更多个豆接合在一起并且不能使用双手的手指和拇指来分离所述两个或更多个豆时存在结块)；(3)切割测试：模具(基于内部模具，按计数)；(4)切割测试：扁平(扁平豆太薄，以致无法切割而无法提供完整的子叶表面)；(5)切割测试：颜色(未发酵豆可以定义为紫色和石板色的总数，按计数)；(6)切割测试：侵染(侵染豆可以显示出活昆虫或昆虫损害的迹象，按计数)；(7)豆大小(偏离测试样本中所发现的平均重量的三分之一以上的豆的百分比)；(8)异物(当在测试样本中发现可可材料上的异物时，任何哺乳动物排泄物必须小于10mg/lb)；(9)壳含量(在将豆干燥至《6.0％水分后)；(10)破裂豆(当可可豆的碎片缺失并且豆的其余部分超过整个豆的一半时，可可豆破裂)；或(11)豆计数(定义为每100克的豆数)。在一些实施例中，系统可以用于至少部分地基于前述测试参数中的一个或多个测试参数的一个或多个预测结果对一个或多个可可豆进行分类，这可以消除手动实际执行这些测试之一以生成系统输入的需要。在一些实施例中，地面真值可以是按一定等级的，如1-10等级、1-100等级或另一适当等级。作为输出与地面真值之间的差的损失可以反向传播，并且用于更新机器学习模型145的参数，使得机器学习模型125在暴露于未来数据时可以表现出改进的性能。
62.在通过更新模型参数145来改进机器学习模型125之后，可以认为训练迭代完成。其它实施例可以利用没有一个或多个地面真值135的无监督的机器学习。如果确定cnn输出相对于对应的地面真值在一定程度的准确性内，则cnn的训练可以被视为完成140。如果cnn输出不准确，则可以重复所述过程，直到cnn 125的所预测输出足够准确为止。在某些实施例中，训练阶段110可以是自动化的和/或半自动化的，这意味着训练阶段110可以是被监督的或半监督的。在半自动化模型中，机器学习可以由干预自动化过程的人编程者辅助，并且帮助标识或验证在机器学习过程期间所处理的数据中的一个或多个趋势或模型。
63.训练数据130可以经由一个或多个客户端设备(例如，众包)收集或从其它来源(例
如，数据库)收集。在一个非限制性实例中，从一个或多个客户端设备收集的训练数据集130可以与来自另一来源的训练数据集组合。所收集的训练数据130可以被聚合和/或分类，以便学习数据集中存在的一个或多个趋势或关系。训练数据集130可以与从客户端设备上的一个或多个传感器收集的数据(例如与特定训练图像相关联的时间或位置)同步和/或一起存储。包括训练数据的数据可以由用户手动地或自动地同步。可以使用机器学习或本文所述的算法中的任一种算法来分析来自一个或多个传感器的组合训练图像和数据。某些图像也可以用作验证数据或测试数据。训练数据可以包括数千个图像和对应的地面真值。在训练期间，可以修改一个或多个机器学习模型的参数以能够准确地预测分类并标识如甜食产品、宠物食品或一个或多个可可豆等食品的一个或多个特性。例如，某些实施例的系统可以执行输出边界框170、食品的图像分割175或对象分类180，并且置信度评分185可以与这些中的一者或多者相关联。
64.在一些非限制性实施例中，每个训练数据集可以包括训练图像和对应的标签或地面真值数据。图2a描绘了根据一些非限制性实施例的样本训练图像。图2a中描绘了示例训练输入图像。如所描绘的，训练输入图像可以捕获一个或多个甜食产品或其它食品或其组分210，例如可可豆。训练图像可以进一步捕获具有已知大小和形状的参考对象215，所述参考对象可以用于确定训练输入图像中的一个或多个甜食产品、可可豆或其组分210的大小。如图2a所描绘的每个训练输入图像可以与充当地面真值的一个或多个输出相关联，以训练一个或多个cnn或其它机器学习模型。这些地面真值输出可以包含例如训练图像中围绕每个食品的边界框；标识训练图像的像素的训练图像的分割掩码，所述像素描绘训练图像中的一个或多个食品；训练图像中的一个或多个食品中的每一个食品的分类评分；或训练图像中的一个或多个产品的一种或多种特性的标识。这些特性可以包括前述实验室或现场测试参数、白利度测量结果或本文以更大的专一性进一步描述的其它特性或质量中的任一种。可以输出置信度值或评分，所述置信度值或评分指示所检测到的输入被所学习的模型适当地分类的概率。置信度值越高，输入的数据就越有可能被正确建模。例如，置信度值可以由从0％至100％的百分比表示，其中0％意指无置信度并且100％意指绝对或完全置信度。在另一个实施例中，置信度值可以是按1-10等级的整数，如3、4、6或7。
65.尽管图2中未描绘，但在一些非限制性实施例中，地面真值可以包括围绕训练图像中的每个产品的边界框。在一个实施例中，边界框输出训练cnn 125以检测训练图像中的可可豆210并区分例如图像中描绘的多个可可豆210。边界框还可以用于裁剪图像，使得仅裁剪部分馈送到下一cnn 125或其它模型进行处理(例如，被编程为输出分割掩码的机器学习模型仅需要处理边界框内的像素，而不是整个图像)。在实施例中，该过程改进了所公开的方法的准确性和性能。在实践中，一个或多个cnn可能需要区分图像中的可可豆210以更准确地预测图像中的每个可可豆210的输出。在某些非限制性实施例中，可以训练第二cnn以生成分割掩码，所述分割掩码继而可以用于分割训练图像或具有边界框的图像。然后，分割掩码可以用于从前景图像数据中减去背景图像数据以隔离可可豆，从而生成分割图像或隔离图像(如图2b中描绘)。
66.图2b描绘了根据一些非限制性实施例的将分割掩码应用于训练图像的结果。在一个实施例中，从图像中的可可豆去除背景可以引起可可豆的特征的更准确的分类和标识，而不受到原始输入图像中的任何周围对象或背景的任何可能影响或干扰。因此，前景视觉
数据(例如，可可豆)可以与背景视觉数据(例如，桌子、托盘、水斗等)区分开来。值得注意的是，在将分割图像或隔离图像用于分类任务的实施例中，用于训练分类器模型的地面真值也应是可可豆的隔离图像(其中背景被去除)以及用于适当分类的标签。
67.例如，可以使用训练集训练cnn以处理和接收如图2a所描绘的训练输入图像，并且输出可以应用于图2a的分割掩码以生成分割图像或隔离图像。在图2b中描绘的此分割图像或隔离图像基本上仅描绘输入图像中的可可豆210的一种或多种情况。在一些非限制性实施例中，分割掩码可以表示为二维矩阵，其中每个矩阵元素对应于训练图像中的像素。每个元素的值对应于相关联的像素是否属于图像中的可可豆。例如，在图2b和图2c的描绘中，前景221的白色像素示出所关注对象(可可豆210)的位置，而黑色背景在应用分割掩码之后被留下。
68.在一些实施例中，可以为每个可可豆生成边界框，并且可以使用对应的分割掩码为所述豆生成所述豆的隔离图像。在这些实施例中，可以对每个豆进行分类，如本文以更大的专一性进一步描述的。在一些实施例中，每个分类的豆的每个隔离图像可以通过将表示所述豆的每个像素(根据分割掩码)转换为指定表示所述分类的特定颜色来进行颜色编码。在其它实施例中，边界框和分割掩码过程可以应用于一个或多个食品作为整体的图像。
69.尽管描述了检测到的可可豆和分割信息的特定数据表示，但本公开考虑了此类信息的任何合适的数据表示。在训练期间，可以将输出的分割掩码与对应于训练图像的地面真值进行比较，以评估一个或多个cnn或其它机器学习模型的准确性。在此情况下，地面真值是训练图像的已知分割掩码。
70.图2c描绘了根据一些非限制性实施例的显示与训练图像中描绘的一个或多个产品的所预测分类相关的信息。在一个实施例中，所述产品中的一个或多个产品可以是最近可能已经从豆荚中去除的可可豆。此类可可豆可以被称为“湿豆”。例如，如在黑色和白色图2c中所表示的，分类为“可接受的”(即，可用于生产)的可可豆可以着色为绿色，分类为“发芽的”(即，不可用于生产)的可可豆可以着色为蓝色，分类为“害虫且患病的”(即，不可用于生产)的可可豆可以着色为红色的，并且分类为“其它”(例如，扁平可可豆)的可可豆可以着色为灰色的。在图2c中，颜色由不同样式的交叉影线表示。图2c描绘了：(1)具有第一类型分类(例如，可接受的)和由第一交叉影线样式表示的第一对应颜色的第一类型可可豆231；(2)具有第二类型分类(例如，发芽的)和由第二交叉影线样式表示的第二对应颜色的第二类可可豆232；(3)具有第三类型分类(例如，害虫且患病的)和由第三交叉影线样式表示的第三对应颜色的第三类型可可豆233；以及(4)具有第四类型分类(例如，其它)和由第四交叉影线样式表示的第四对应颜色的第四类型可可豆234。
71.在某些其它非限制性实施例中，每个产品的质量评分可以是二元的(例如，“新鲜的”或“腐烂的”)或者它们可以是数字的(例如，评分100对应于最新鲜的可可豆，而评分0对应于最不新鲜的可可豆)。在一些非限制性实施例中，输出可以进一步包括图像中的一个或多个产品的地面真值白利度测量结果，或表示图像中的所有产品的平均值的总地面真值白利度测量结果。白利度测量结果通常表示产品中的糖量，并且可以通过用折射计测量甜食或宠物食品(例如，可可豆)来获得。例如，可以通过将可可豆放入网中、榨出浆状物并且然后使用折射计测量可可豆的糖含量来进行白利度测量。在某些实施例中，可可豆的可以与可可豆的颜色和亮度相关的白利度测量结果可以用于指示可可豆的新鲜度。因此，在一些
非限制性实施例中，可以训练cnn以预测可可豆的新鲜度，而不必手动使用折射计。在一些非限制性实施例中，系统输出可以进一步包括与和图像中的每个产品相关联的分类、质量评分或所预测的白利度测量结果相对应的置信度值。置信度值可以是反映cnn就图像中每个产品的分类、质量评分或白利度测量结果作出准确预测的可能性的百分比(例如，置信度值100可以指示对输出的完全置信度，而置信度值0可以指示对输出无置信度)。
72.在特定实施例中，所述一个或多个产品可以包括“干豆”，并且这些可可豆也可以进行分类。与湿豆相反，干豆可以指已经通过任何干燥过程，如通过太阳能干燥、滚筒干燥、机械干燥或其它过程干燥的可可豆。干豆的质量评分或分类可以取决于各种质量或测试参数，包含：(1)水分(水分不应超过8.0％)；(2)切割测试：结块(当两个或更多个豆接合在一起并且不能使用双手的手指和拇指来分离所述两个或更多个豆时存在结块)；(3)切割测试：模具(基于内部模具，按计数)；(4)切割测试：扁平(扁平豆太薄，以致无法切割而无法提供完整的子叶表面)；(5)切割测试：颜色(未发酵豆可以定义为紫色和石板色的总数，按计数)；(6)切割测试：侵染(侵染豆可以显示出活昆虫或昆虫损害的迹象，按计数)；(7)豆大小(偏离测试样本中所发现的平均重量的三分之一以上的豆的百分比)；(8)异物(当在测试样本中发现可可材料上的异物时，任何哺乳动物排泄物必须小于10mg/lb)；(9)壳含量(在将豆干燥至《6.0％水分后)；(10)破裂豆(当可可豆的碎片缺失并且豆的其余部分超过整个豆的一半时，可可豆破裂)；或(11)豆计数(定义为每100克的豆数)。在各个实施例中，前述质量或测试参数可以用于以监督或半监督方式组织标记或注释的数据集以用于训练机器学习模型。在特定实施例中，所提供的质量或测试参数中的一个或多个质量或测试参数可以用作特定分类的地面真值，但也可以使用其它质量或测试参数。
73.返回到图1，一旦训练完成，计算系统就可以在运行时间阶段120期间利用一个或多个经训练的cnn。可以访问一个或多个经训练的cnn 150以预测来自输入图像的产品的分类和新鲜度。例如，可以将产品的新输入图像160提供给经训练的cnn 150。输入图像160可以是照片图像、深度图像(如激光扫描、毫米波数据等)、投影到2d平面中的3d数据、热图像、2d传感器数据、视频或其任何组合。使用输入图像160，一个或多个经训练的cnn 150可以生成一个或多个输出。使用样本输入图像，经训练的cnn 150可以生成例如围绕图像中的每个检测到的产品的一个或多个边界框170、输入图像中的每个产品的分割掩码175、图像中的每个产品的分类或质量评分180，以及图像中的每个产品的分类或质量评分的确定性水平或置信度评分185。
74.图3a-3c描绘了由经训练的cnn接收的样本输入图像和所得输出。例如，如图3a中所描绘，经训练的cnn 150可以接收输入图像，所述输入图像包括在输入图像中示出的一个或多个产品210，例如如图3a中所描绘的可可豆。使用本文描述的方法，经训练的cnn 150可以基于所接收的输入图像生成输出。图3b描绘了根据一些非限制性实施例的显示与输入图像中描绘的一个或多个产品的所预测分类相关的信息。可以在输出中描绘一种或多种颜色编码的分割产品，其中分配给每个产品的适当颜色可以预测产品的质量(例如，特定可可豆的新鲜度)。图3b中所显示的交叉影线用于以针对图2c所解释的方式相同的方式显示颜色，并且也在图3c中描绘。因此，所公开的技术的特定实施例使用颜色来显示输出分类。图3c描绘了根据一些非限制性实施例的显示与输入图像中描绘的一个或多个产品的所预测分类相关的信息，所述信息包含对应的置信度评分。图3c描绘了一个或多个颜色编码的分割产
品330以及图像中表示的一个或多个产品的相关联置信度评分335。置信度评分可以反映输入图像中每个特定产品的经训练的cnn 150的分类的准确性水平。换句话说，在某些实施例中，置信度评分可以反映系统对相关联可可豆的颜色编码是准确的置信度。
75.如上所讨论的，在某些非限制性实施例中，输入图像160可以是一个或多个湿食品。例如，湿食品可以是
‘
肉汁包裹肉块’、
‘
果酱包裹肉块’或
‘
慕斯包裹肉块’。运行时间阶段120可以用于检测湿食品中包含的肉块并对所述肉块进行分类。例如，湿食品可以基于其中包含的肉块的一种或多种质量进行分类。
76.在一些非限制性实施例中，经训练的cnn 150可以存储在与网络相关联的计算系统上并且与所述计算系统一起使用，使得经训练的cnn 150可以由客户端设备例如通过移动应用来访问。在一些非限制性实施例中，用户可以使用与客户端设备相关联的一个或多个相机(例如，智能手机上的相机)捕获输入图像，并通过移动应用上的gui将输入图像上传到网络。gui可以包括允许用户例如捕获和上传图像数据、查看输出预测以及将输出功能传输给另一用户的功能。在一些非限制性实施例中，捕获的输入图像可以与时间或位置相关联，所述时间或位置可以由用户输入或通过访问客户端设备的当前位置自动获得。输入图像160然后可以呈现给经训练的cnn 150，所述cnn以本文中所公开的输出中的一个或多个输出作出响应。在一些非限制性实施例中，此过程可以由具有有限网络连接或不具有网络连接的客户端设备，例如具有有限蜂窝接收的计算机或智能手机运行。客户端设备可以从与服务器相关联的计算系统接收经训练的cnn 150的最新更新版本。在其它非限制性实施例中，客户端设备可以经由一个或多个链路将所呈现的输入图像160传输到网络上的计算设备(例如，服务器)，其中经训练的cnn 150可以执行本文所述的操作。例如，服务器可以是云服务器。计算设备可以利用机器学习工具，例如经训练的cnn 150来预测输出，例如输入图像中的一个或多个产品的分类、质量评分或其它参数。然后，网络上的计算设备将一个或多个输出传输回客户端设备。
77.在一些非限制性实施例中，客户端设备可以捕获输入图像160，其中输入图像160是可可豆的批次或运送之一的图像。基于由系统生成的分类(即，根据本公开的特定技术进行的一个或多个分类)，服务器可以将接受或拒绝可可豆的批次或运送的推荐传输给客户端设备。在其它实施例中，可以在客户端设备处生成推荐。在任一情况下，在一些实施例中，推荐可以显示在客户端设备上，例如在客户端设备的设备显示器上的图形用户界面中。
78.在第一实例中，生产如巧克力或其它甜食产品等食物的公司的员工可以使用客户端设备拍摄可可豆批次的图像。员工可以从某一批次中获得少量可可豆样本，并在客户端设备上捕获图像。在客户端设备上执行的应用(或web应用)可以以编程方式执行本文以更大的专一性描述的技术，以对样本或批次的一个或多个可可豆进行分类。如果基于分类确定可可豆不足(所述分类可以包括所预测的白利度测量结果或本文所述的任何其它输出)，则可以通过应用标记所述批次。除了创建标记(例如，改变持久存储在数据库中的变量的状态值)外，应用还可以生成拒绝所述批次的推荐。在特定实施例中，数据库可以是关系数据库、云存储装置、本地硬盘驱动器、数据湖、平面文件或用于持久存储数字电子信息的另一介质。推荐可以呈向负责质量控制(qc)的个人或实体发送的文本消息或电子邮件的形式，并且电子邮件可以自动触发和发送。或者根据数字存储的执行计划，推荐可以分批进行后续处理，并连同其它推荐一起在指定时间定期发送的单个电子邮件中发送。在其它实施例
中，推荐可以呈客户端设备上的弹出窗口或通知的形式，所述客户端设备可以是移动设备，如移动电话。拒绝所述批次的推荐也可以基于除分类之外的一个或多个另外的输入。例如，一些实施例可以基于可可豆的产地、年龄、品种、收获方法、加工方法或发酵方法来做出拒绝所述批次的推荐。在某些实施例中，这些各种输入还可以通知系统要执行哪些特定的专用机器学习模型。类似地，当样本的可可豆的分类指示可可豆批次可接受时，应用可以生成接受所述批次的推荐。
79.在第二实例中，经销商、供应商、中介、餐厅、超市、工厂或其它接收实体可以接收如一个或多个可可豆等一个或多个食品的运送。接收实体的员工可以通过使用客户端设备捕获运送样本的图像来检查运送。在客户端设备上执行的应用(或web应用)可以以编程方式执行本文以更大的专一性描述的技术，以对样本或运送的一个或多个可可豆进行分类。如果基于分类确定可可豆不足(所述分类可以包括所预测的白利度测量结果或本文所述的任何其它输出)，则可以通过应用标记所述批次。除了创建标记(例如，改变持久存储在数据库中的变量的状态值)外，应用还可以生成拒绝所述运送的推荐。在特定实施例中，数据库可以是关系数据库、云存储装置、本地硬盘驱动器、数据湖、平面文件或用于持久存储数字电子信息的另一介质。推荐可以呈向负责接收的个人或实体发送的文本消息或电子邮件的形式，并且电子邮件可以自动触发和发送。在其它实施例中，推荐可以呈客户端设备上的弹出窗口或通知的形式，所述客户端设备可以是移动设备，如移动电话。拒绝所述运送的推荐也可以基于除分类之外的一个或多个另外的输入。例如，一些实施例可以基于运送的可可豆的价格、重量或颜色作出拒绝所述运送的推荐，所述价格、重量或颜色可以在接收到运送并评估可可豆的一种或多种特性后由员工动态地输入。在某些实施例中，这些各种输入还可以通知系统要执行哪些特定的专用机器学习模型。类似地，当样本的可可豆的分类指示可可豆运送可接受时，应用可以生成接受所述运送的推荐。
80.在特定实施例中，拒绝或接受可可豆的批次或运送的推荐可以包括与批次或运送相关联的唯一标识符。推荐可以包括其它信息，如用于作出推荐的另外的输入(如本文所述)、所预测的白利度测量结果、质量评分、置信度评分或分类。在一些非限制性实施例中，接受或拒绝可可豆的批次或运送的决定可以基于具有某一所预测分类(例如，“可接受的”以接受，或“不可接受的”以拒绝)的可可豆的大部分或阈值百分比。在实施例中，拒绝批次或运送的推荐可以基于一个或多个豆具有的特定相关联预测值未超过数字地存储在计算机存储器中并且可由客户端设备访问的预定阈值，如阈值白利度测量结果或阈值质量评分。显示推荐的一个非限制性实例可以是在客户端设备上显示弹出窗口，所述弹出窗口包括文本，如“批次：ac-7398；产地：印度尼西亚(indonesia)；所描绘的样本中的23个豆...7个豆可接受，16个豆不可接受；推荐：拒绝；置信度：7(高置信度)；时间戳：12/12/2021上午10:23”。在某些实施例中，与推荐相关的信息也可以通过电子邮件发送，存储在数据库或其它存储介质中，通过网络传输到另一个电子设备，或以其它方式处理以生成另外的可用数据。在某些实施例中，在设备上处理批次或运送的可可豆样本的图像并且以弹出窗口的形式本地生成和显示推荐节省了分布式可可豆信息处理系统的处理资源、网络带宽、存储器、功耗和其它资源，由此改善了通过网络协同操作的分布式系统的一个或多个计算机的功能。
81.在一些非限制性实施例中，经训练的cnn 150可以用于在特定时间单位期间预测
产品的输出或者基于一个或多个输入图像预测产品的输出。例如，单个预测可以根据图像确定或在给定时间段内确定。另一方面，在其它非限制性实施例中，机器学习模型或工具可以在聚合量的数据或多个输入图像上运行，而不是基于特定时间段或单个图像提供输出。接收的图像可以在馈送到经训练的cnn 150之前聚合，从而允许分析产品的累积表示。例如，数据的聚合可以将数据点分解为一小时中的分钟、一天中的小时、一周中的天、一年中的月，或可以简化处理并帮助机器学习工具的建模的任何其它周期性。当数据被聚合多于一次时，可以建立关于数据聚合的层次。所述层次可以基于聚合数据所放置于的数据箱的周期性，其中数据的每次重新聚合减少数据可以放置于的箱的数目。
82.例如，在一些实施例中将使用小时间窗口单独处理的288个图像可以聚合成24个数据点(代表一天中的每个小时)以供机器学习工具处理。在另外的实例中，可以将聚合数据重新聚合到较小数量的箱中，以帮助进一步减少将由机器学习工具处理的数据点的数目。通过在聚合量的数据上运行，可以帮助产生累积或代表性预测。其它非限制性实施例可以以更有效的方式对趋势进行学习和建模，从而减少处理所需的时间并且提高准确性。上述聚合层次还可以有助于减少存储量。一些非限制性实施例可以以高聚合层次格式存储图像，而不是存储在聚合层次中较低的原始图像或数据。
83.在一些其它实施例中，聚合可以在机器学习过程之后使用神经网络发生，其中数据仅在由机器学习工具处理之前被重新采样、过滤和/或变换。过滤可以包含去除干扰，如棕色噪声或白色噪声。重新采样可以包含拉伸或压缩数据，而变换可以包含翻转所接收的数据的轴线。变换还可以利用数据信号的天然对称性，如左/右对称性以及不同的轴环位置。在一些实施例中，数据扩增可以包含向信号添加噪声，如棕色、粉色或白色噪声。
84.图4展示了根据一些非限制性实施例的用于使用机器学习系统对食品进行分类的示例计算机实施的方法400。所述方法可以通过以下在步骤410处开始：从客户端设备接收输入图像，所述输入图像包括一个或多个产品的视图，其中输入图像包括多个像素。输入图像可以是照片图像、深度图像(如激光扫描、毫米波数据等)、投影到2d平面中的3d数据、热图像、2d传感器数据、视频或其任何组合。在一些非限制性实施例中，用户可以使用客户端设备、使用与客户端设备相关联的一个或多个相机(例如，智能手机上的相机)捕获输入图像，并通过移动应用上的gui将输入图像上传到网络。方法400可以通过以下执行步骤415：使用经训练的机器学习模型分别生成一个或多个产品中的每一个产品的边界框，每个边界框包括多个像素的子集，其中每个边界框指示一个或多个产品中的特定产品。方法400可以通过以下执行步骤420：生成边界框中的每一个边界框内的像素的分割掩码。方法400可以通过以下执行步骤430：使用每个分割掩码生成由边界框之一指示的每个产品的隔离图像，其中每个隔离图像基本上仅包括表示所指示产品的像素集；方法400可以通过以下执行步骤440：使用每个产品的每个隔离图像生成一个或多个产品中的每一个产品的分类。方法400可以通过以下执行步骤450：显示与所生成的分类相关的信息。
85.在适当的情况下，某些非限制性实施例可以重复图4的方法的一个或多个步骤。尽管本公开将图4的方法的特定步骤描述和展示为以特定顺序发生，但是本公开考虑了图4的方法的任何合适的步骤以任何合适的顺序发生。此外，尽管本公开描述并展示了用于使用机器学习系统来对食品进行分类的示例方法(包含图4的方法的特定步骤)，但本公开考虑了用于使用机器学习系统对食品进行分类的任何合适的方法，所述任何合适的方法包含任
何合适的步骤，所述任何合适的步骤可以在适当的情况下包含图4的方法的步骤中的所有步骤、一些步骤或者不包含其中任一步骤。此外，尽管本公开描述和展示了执行图4的方法的特定步骤的特定组件、设备或系统，但是本公开考虑了执行图4的方法的任何合适步骤的任何合适组件、设备或系统的任何合适组合。
86.图5展示了根据一些非限制性实施例的用于促进使用机器学习工具预测产品分类的示例计算机系统500。在某些非限制性实施例中，一个或多个计算机系统500执行本文描述或展示的一种或多种方法的一个或多个步骤。在某些其它非限制性实施例中，一个或多个计算机系统500提供本文描述或展示的功能。在某些非限制性实施例中，在一个或多个计算机系统500上运行的软件执行本文描述或展示的一种或多种方法的一个或多个步骤，或者提供本文描述或展示的功能。一些非限制性实施例包含一个或多个计算机系统500的一个或多个部分。在本文中，在适当的情况下，对计算机系统的引用可涵盖计算设备，反之亦然。此外，在适当的情况下，对计算机系统的引用可涵盖一个或多个计算机系统。
87.本公开考虑了任何合适数目的计算机系统500。本公开考虑了计算机系统500采取任何合适的物理形式。作为实例而非限制，计算机系统500可以是嵌入式计算机系统、片上系统(soc)、单板计算机系统(sbc)(例如，模块上计算机(com)或模块上系统(som))、台式计算机系统、膝上型或笔记本计算机系统、交互式信息亭、大型机、计算机系统网、移动电话、个人数字助理(pda)、服务器、平板计算机系统、增强/虚拟现实设备或这些中的两者或更多者的组合。在适当的情况下，计算机系统500可以包含一个或多个计算机系统500；是单一的或分布式的；跨越多个位置；跨越多台机器；跨越多个数据中心；或者驻留在云中，所述云可以包含一个或多个网络中的一个或多个云组件。在适当的情况下，一个或多个计算机系统500可以执行本文描述或展示的一种或多种方法的一个或多个步骤，而没有实质的空间或时间限制。作为实例而非限制，一个或多个计算机系统500可以以实时或以批量模式执行本文描述或展示的一种或多种方法的一个或多个步骤。在适当的情况下，一个或多个计算机系统500可以在不同的时间或在不同的位置处执行本文描述或展示的一种或多种方法的一个或多个步骤。
88.在某些非限制性实施例中，计算机系统500包含处理器502、存储器504、存储装置506、输入/输出(i/o)接口508、通信接口510和总线512。尽管本公开描述并展示了在特定布置中具有特定数目的特定组件的特定计算机系统，但是本公开考虑了在任何合适布置中具有任何合适数目的任何合适组件的任何合适的计算机系统。
89.在一些非限制性实施例中，处理器502包含用于执行指令的硬件，如构成计算机程序的那些指令。作为实例而非限制，为了执行指令，处理器502可以从内部寄存器、内部高速缓存、存储器504或存储装置506中检索(或提取)指令；解码并执行它们；然后将一个或多个结果写入内部寄存器、内部高速缓存、存储器504或存储装置506。在某些非限制性实施例中，处理器502可以包含用于数据、指令或地址的一个或多个内部高速缓存。本公开考虑了处理器502在适当的情况下包含任何合适数目的任何合适的内部高速缓存。作为实例而非限制，处理器502可以包含一个或多个指令高速缓存、一个或多个数据高速缓存以及一个或多个转译后备缓冲器(tlb)。指令高速缓存中的指令可以是存储器504或存储装置506中的指令的副本，并且指令高速缓存可以加速处理器502对那些指令的检索。数据高速缓存中的数据可以是存储器504或存储装置506中的数据的副本，以供在处理器502处执行的指令操
作；是在处理器502处执行的先前指令的结果，以供在处理器502处执行的后续指令访问或写入存储器504或存储装置506；或者是其它合适的数据。数据高速缓存可以加速处理器502的读取或写入操作。tlb可以加速处理器502的虚拟地址转译。在一些非限制性实施例中，处理器502可以包含用于数据、指令或地址的一个或多个内部寄存器。本公开考虑了处理器502在适当的情况下包含任何合适数目的任何合适的内部寄存器。在适当的情况下，处理器502可以包含一个或多个算术逻辑单元(alu)；是多核处理器；或者包含一个或多个处理器502。尽管本公开描述并展示了特定处理器，但是本公开考虑了任何合适的处理器。
90.在一些非限制性实施例中，存储器504包含用于存储供处理器502执行的指令或供处理器502操作的数据的主存储器。作为实例而非限制，计算机系统500可以将指令从存储装置506或另一个源(例如，另一个计算机系统500)加载到存储器504。处理器502然后可以将指令从存储器504加载到内部寄存器或内部高速缓存。为了执行指令，处理器502可以从内部寄存器或内部高速缓存中检索指令并解码它们。在指令执行期间或之后，处理器502可以将一个或多个结果(可以是中间或最终结果)写入内部寄存器或内部高速缓存。处理器502然后可以将这些结果中的一个或多个结果写入存储器504。在一些非限制性实施例中，处理器502仅执行一个或多个内部寄存器或内部高速缓存或存储器504(与存储装置506或其它地方相反)中的指令，并且仅对一个或多个内部寄存器或内部高速缓存或存储器504(与存储装置506或其它地方相反)中的数据进行操作。一条或多条存储器总线(每条存储器总线可以包含地址总线和数据总线)可以将处理器502耦合到存储器504。如下所述，总线512可以包含一条或多条存储器总线。在某些非限制性实施例中，一个或多个存储器管理单元(mmu)驻留在处理器502与存储器504之间，并促进处理器502所请求的对存储器504的访问。在某些其它非限制性实施例中，存储器504包含随机存取存储器(ram)。在适当的情况下，该ram可以是易失性存储器。在适当的情况下，该ram可以是动态ram(dram)或静态ram(sram)。此外，在适当的情况下，该ram可以是单端口或多端口ram。本公开考虑了任何合适的ram。在适当的情况下，存储器504可以包含一个或多个存储器504。尽管本公开描述并展示了特定的存储器组件，但是本公开考虑了任何合适的存储器。
91.在一些非限制性实施例中，存储装置506包含数据或指令的大容量存储装置。作为实例而非限制，存储装置506可以包含硬盘驱动器(hdd)、软盘驱动器、闪速存储器、光盘、磁光盘、磁带、或通用串行总线(usb)驱动器或这些中的两者或更多者的组合。在适当的情况下，存储装置506可以包含可移除或不可移除(或固定)介质。在适当的情况下，存储装置506可以在计算机系统500的内部或外部。在某些非限制性实施例中，存储装置506是非易失性固态存储器。在一些非限制性实施例中，存储装置506包含只读存储器(rom)。在适当的情况下，该rom可以是掩模编程rom、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、电可改变rom(earom)、或闪速存储器或这些中的两者或更多者的组合。本公开考虑了大容量存储装置506采取任何合适的物理形式。在适当的情况下，存储装置506可以包含便于处理器502与存储装置506之间的通信的一个或多个存储控制单元。在适当的情况下，存储装置506可以包含一个或多个存储装置506。尽管本公开描述并展示了特定存储装置，但是本公开考虑了任何合适的存储装置。
92.在某些非限制性实施例中，i/o接口508包含硬件、软件或两者，为计算机系统500与一个或多个i/o设备之间的通信提供一个或多个接口。在适当的情况下，计算机系统500
可以包含这些i/o设备中的一个或多个i/o设备。这些i/o设备中的一个或多个i/o设备可以实现人与计算机系统500之间的通信。作为实例而非限制，i/o设备可以包含键盘、小键盘、麦克风、监视器、鼠标、打印机、扫描仪、扬声器、静物相机、触笔、平板电脑、触摸屏、轨迹球、摄像机、另一种合适的i/o设备或者这些中的两者或更多者的组合。i/o设备可以包含一个或多个传感器。本公开考虑了任何合适的i/o设备和用于它们的任何合适的i/o接口508。在适当的情况下，i/o接口508可以包含一个或多个设备或软件驱动器，使得处理器502能够驱动这些i/o设备中的一个或多个i/o设备。在适当的情况下，i/o接口508可以包含一个或多个i/o接口508。尽管本公开描述并展示了特定的i/o接口，但是本公开考虑了任何合适的i/o接口。
93.在一些非限制性实施例中，通信接口510包含硬件、软件或两者，为计算机系统500与一个或多个其它计算机系统500或一个或多个网络之间的通信(例如基于分组的通信)提供一个或多个接口。作为实例而非限制，通信接口510可以包含用于与以太网或其它有线网络通信的网络接口控制器(nic)或网络适配器，或者用于与如wi-fi网络等无线网络通信的无线nic(wnic)或无线适配器。本公开考虑了任何合适的网络和用于所述网络的任何合适的通信接口510。作为实例而非限制，计算机系统500可以与自组织网络、个人区域网(pan)、局域网(lan)、广域网(wan)、城域网(man)或者互联网的一个或多个部分或者这些中的两者或更多者的组合进行通信。这些网络中的一个或多个网络的一个或多个部分可以是有线的或无线的。作为实例，计算机系统500可以与无线pan(wpan)(例如，蓝牙wpan)、wi-fi网络、wi-max网络、蜂窝电话网络(例如，全球移动通信系统(gsm)网络)、或其它合适的无线网络或这些网络中的两者或更多者的组合进行通信。在适当的情况下，计算机系统500可以包含用于这些网络中的任何网络的任何合适的通信接口510。在适当的情况下，通信接口510可以包含一个或多个通信接口510。尽管本公开描述并展示了特定的通信接口，但是本公开考虑了任何合适的通信接口。
94.在某些非限制性实施例中，总线512包含将计算机系统500的组件彼此耦合的硬件、软件或两者。作为实例而非限制，总线512可以包含加速图形端口(agp)或其它图形总线、增强型工业标准架构(eisa)总线、前端总线(fsb)、超传输(ht)互连、工业标准架构(isa)总线、无限带宽互连、低引脚计数(lpc)总线、存储器总线、微通道架构(mca)总线、外围组件互连(pci)总线、快速pci(pcie)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线、或另一种合适的总线或这些总线中的两者或更多者的组合。在适当的情况下，总线512可以包含一个或多个总线512。尽管本公开描述并展示了特定的总线，但是本公开考虑了任何合适的总线或互连。
95.在本文中，在适当的情况下，一个或多个计算机可读非暂时性存储介质可以包含一个或多个基于半导体的或其它集成电路(ic)(例如，现场可编程门阵列(fpga)或专用ic(asic))、硬盘驱动器(hdd)、混合硬盘驱动器(hhd)、光盘、光盘驱动器(odd)、磁光盘、磁光盘驱动器、软盘、软盘驱动器(fdd)、磁带、固态驱动器(ssd)、ram驱动器、安全数字卡或驱动器、任何其它合适的计算机可读非暂时性存储介质，或这些中的两者或更多者的任何合适的组合。在适当的情况下，计算机可读非暂时性存储介质可以是易失性的、非易失性的或者易失性和非易失性的组合。
96.在一些非限制性实施例中，本文所述的方法和系统可以用于替换或增强可可豆质
量评估的切割测试方法。切割测试是对干豆的高度人工和主观评估，以批准可可豆用于烈酒生产，通常称为
‘
切割测试’。该测试涉及将许多单独的豆物理地切成两半以暴露可以分析质量参数的内表面。豆大小、内部模具、侵染和内部颜色(作为对发酵程度和随后的风味的指示)都是用于确定给定批次可可豆的质量和适销性的行业标准度量。本文的方法和系统可以用于进行这些评估，从而去除与评估大量单独的豆以确定可可豆的质量和发酵程度相关联的大部分主观性和劳动。
97.在一些非限制性实施例中，本文所述的方法和系统可以用于管理和标识可可豆农场中的害虫和疾病问题。
98.在本文中，“或”是包含性的而非排他性的，除非另有明确指示或上下文另有指示。因此，在本文中，“a或b”意指“a、b或两者”，除非另有明确指示或上下文另有指示。此外，“和”既是联合的又是各自的，除非另有明确指示或上下文另有指示。因此，在本文中，“a和b”意指“a和b，联合地或各自地”，除非另有明确指示或上下文另有指示。
99.本公开的范围涵盖本领域普通技术人员将理解的对本文描述或展示的示例实施例的所有改变、替换、变化、变更和修改。本公开的范围不限于本文描述或展示的示例实施例。此外，尽管本公开将本文中的相应实施例描述和展示为包含特定组件、要素、特征、功能、操作或步骤，但是这些实施例中的任一个实施例都可以包含本领域普通技术人员将理解的在本文的任何地方描述或展示的组件、要素、特征、功能、操作或步骤中的任一者的任何组合或排列。此外，在所附权利要求中对被适配成、被布置成、能够、被配置为、启用、可操作或有效执行特定功能的装置或系统或装置或系统的部件的引用涵盖该装置、系统、部件，无论其或该特定功能是否被激活、开启或解锁，只要该装置、系统或部件被如此适配、布置、能够、配置、启用、可操作或有效的。此外，尽管本公开将一些非限制性实施例描述或展示为提供特定优势，但是某些非限制性实施例可以不提供这些优势、提供这些优势中的一些或提供所有这些优势。
100.此外，在本公开中作为流程图呈现和描述的方法的实施例是以实例的方式提供的，以便提供对所述技术的更完整的理解。所公开的方法不限于本文呈现的操作和逻辑流程。考虑了替代性实施例，其中各种操作的顺序被改变，并且其中被描述为较大操作的一部分的子操作被独立地执行。
101.尽管出于本公开的目的已经描述了各个实施例，但是此类实施例不应被视为将本公开的教导内容限于这些实施例。可以对上述要素和操作进行各种改变和修改，以获得保持在本公开中描述的系统和过程的范围内的结果。
102.本文所公开的实施例仅为实例，并且本公开的范围不限于它们。某些非限制性实施例可以包含以上公开的实施例的组件、元件、特征、功能、操作或步骤中的全部、一些或者不包含其中的任一者。实施例在涉及方法、存储介质、系统和计算机程序产品的所附权利要求中具体公开，其中在一个权利要求类别，例如方法中提及的任何特征也可以在另一权利要求类别，例如系统中被要求保护。所附权利要求中的依赖性或回退引用仅因正式原因而选择。然而，由于对任何先前权利要求(特别是多个依赖性)的有意回退引用而产生的任何主题也可以被要求保护，使得权利要求和其特征的任何组合被公开，并且不管在所附权利要求中选择的依赖性如何，都可以被要求保护。可以要求保护的主题不仅包括所附权利要求中阐述的特征的组合，还包括权利要求中特征的任何其它组合，其中权利要求中提及的
每个特征可以与权利要求中的任何其它特征或其它特征的组合进行组合。此外，本文描述或描绘的实施例和特征中的任何实施例和特征可以在单独的权利要求中和/或与本文描述或描绘的任何实施例或特征或所附权利要求的特征中的任何特征的任何组合中被要求保护。

技术特征：
1.一种计算机实施的方法，其包括：从客户端设备接收输入图像，所述输入图像包括一个或多个产品的视图，其中所述输入图像包括多个像素；使用经训练的机器学习模型分别生成所述一个或多个产品中的每一个产品的边界框，每个边界框包括所述多个像素的子集，其中每个边界框指示所述一个或多个产品中的特定产品；生成所述边界框中的每一个边界框内的所述像素的分割掩码；使用每个分割掩码生成由所述边界框之一指示的每个产品的隔离图像，其中每个隔离图像基本上仅包括表示所指示产品的像素集；使用每个产品的每个隔离图像生成所述一个或多个产品中的每一个产品的分类；以及显示与所生成的分类相关的信息。2.根据权利要求1所述的计算机实施的方法，其中使用注释图像的集合来训练所述机器学习模型，所述注释图像的集合中的每个注释图像包括所述一个或多个产品中的某一产品类型的产品集的视图。3.根据权利要求1所述的计算机实施的方法，其中所述一个或多个产品包括一个或多个可可豆。4.根据权利要求3所述的计算机实施的方法，其中所述一个或多个可可豆包括湿豆。5.根据权利要求4所述的计算机实施的方法，其中所述产品之一的所述分类中的至少一个分类包括可接受的、发芽的、受害虫损害的或患病的之一。6.根据权利要求4所述的计算机实施的方法，其中所述产品之一的所述分类中的至少一个分类涉及新鲜度。7.根据权利要求1所述的计算机实施的方法，其进一步包括预测所述一个或多个产品中的一个或多个产品的白利度(brix)测量结果，其中所述产品之一的所述分类中的至少一个分类至少部分地基于所预测的白利度测量结果。8.根据权利要求1所述的计算机实施的方法，其进一步包括：预测所述一个或多个产品中的一个或多个产品的白利度测量结果；以及至少部分地基于所预测的白利度测量结果生成所述一个或多个产品中的一个或多个产品的质量评分。9.根据权利要求3所述的计算机实施的方法，其中所述一个或多个可可豆包括干豆。10.根据权利要求9所述的计算机实施的方法，其中所述产品之一的所述分类中的至少一个分类至少部分地基于所预测的质量，所述所预测的质量包括以下之一：水分的量；切割测试：结块测试结果；切割测试：模具测试结果；切割测试：扁平测试结果；切割测试：颜色测试结果；切割测试：侵染测试结果；豆大小；异物测试结果；对破裂豆的指示或豆计数。11.根据权利要求3所述的计算机实施的方法，其进一步包括接收一个或多个另外的输入，其中所述一个或多个另外的输入包括产地、年龄、品种、价格、收获方法、加工方法、重量或发酵方法中的至少一者，并且其中所述分类至少部分地基于所述一个或多个另外的输入。12.根据权利要求1所述的计算机实施的方法，其中所述一个或多个产品包括宠物食物，并且其中所述宠物食物包括干宠物食物或湿宠物食物中的至少一种。
13.根据权利要求1所述的计算机实施的方法，其进一步包括通过网络接收对所述经训练的机器学习模型的一个或多个更新，其中所述网络包括云服务器。14.根据权利要求11所述的计算机实施的方法，其进一步包括：至少部分地基于所述一个或多个产品中的每一个产品的所述分类生成拒绝可可豆的批次或运送之一的推荐；以及在所述客户端设备上显示所述推荐。15.根据权利要求1所述的计算机实施的方法，其进一步包括生成和显示置信度评分，其中所述置信度评分与所述产品之一的所述分类之一相关联。16.一种或多种计算机可读非暂时性存储介质，其具体化软件，所述软件当被执行时能够操作以：从客户端设备接收输入图像，所述输入图像包括一个或多个产品的视图，其中所述输入图像包括多个像素；使用经训练的机器学习模型分别生成所述一个或多个产品中的每一个产品的边界框，每个边界框包括所述多个像素的子集，其中每个边界框指示所述一个或多个产品中的特定产品；生成所述边界框中的每一个边界框内的所述像素的分割掩码；使用每个分割掩码生成由所述边界框之一指示的每个产品的隔离图像，其中每个隔离图像基本上仅包括表示所指示产品的像素集；使用每个产品的每个隔离图像生成所述一个或多个产品中的每一个产品的分类；以及显示与所生成的分类相关的信息。17.根据权利要求16所述的存储介质，其中使用注释图像的集合来训练所述机器学习模型，所述注释图像的集合中的每个注释图像包括所述一个或多个产品中的某一产品类型的产品集的视图。18.根据权利要求16所述的存储介质，其中所述一个或多个产品包括一个或多个可可豆。19.根据权利要求18所述的存储介质，其中所述一个或多个可可豆包括湿豆。20.根据权利要求19所述的存储介质，其中所述产品之一的所述分类中的至少一个分类包括可接受的、发芽的、受害虫损害的或患病的之一。21.根据权利要求19所述的存储介质，其中所述产品之一的所述分类中的至少一个分类涉及新鲜度。22.根据权利要求16所述的存储介质，其中所述软件当被执行时能够进一步操作以预测所述一个或多个产品中的一个或多个产品的白利度测量结果，其中所述产品之一的所述分类中的至少一个分类至少部分地基于所预测的白利度测量结果。23.根据权利要求16所述的存储介质，其中所述软件当被执行时能够进一步操作以：预测所述一个或多个产品中的一个或多个产品的白利度测量结果；以及至少部分地基于所预测的白利度测量结果生成所述一个或多个产品中的一个或多个产品的质量评分。24.根据权利要求18所述的存储介质，其中所述一个或多个可可豆包括干豆。25.根据权利要求24所述的存储介质，其中所述产品之一的所述分类中的至少一个分
类至少部分地基于所预测的质量，所述所预测的质量包括以下之一：水分的量；切割测试：结块测试结果；切割测试：模具测试结果；切割测试：扁平测试结果；切割测试：颜色测试结果；切割测试：侵染测试结果；豆大小；异物测试结果；对破裂豆的指示或豆计数。26.根据权利要求18所述的存储介质，其中所述软件当被执行时能够进一步操作以接收一个或多个另外的输入，其中所述一个或多个另外的输入包括产地、年龄、品种、价格、收获方法、加工方法、重量或发酵方法中的至少一者，并且其中所述分类至少部分地基于所述一个或多个另外的输入。27.根据权利要求16所述的存储介质，其中所述一个或多个产品包括宠物食物，并且其中所述宠物食物包括干宠物食物或湿宠物食物中的至少一种。28.根据权利要求16所述的存储介质，其中所述软件当被执行时能够进一步操作以通过网络接收对所述经训练的机器学习模型的一个或多个更新，其中所述网络包括云服务器。29.根据权利要求26所述的存储介质，其中所述软件当被执行时能够进一步操作以：至少部分地基于所述一个或多个产品中的每一个产品的所述分类生成拒绝可可豆的批次或运送之一的推荐；以及在所述客户端设备上显示所述推荐。30.根据权利要求16所述的存储介质，其中所述软件当被执行时能够进一步操作以生成和显示置信度评分，所述置信度评分与一个或多个对应分类中的至少一个分类相关联。31.一种系统，其包括：一个或多个处理器；以及一个或多个计算机可读非暂时性存储介质，所述一个或多个计算机可读非暂时性存储介质耦合到所述处理器中的一个或多个处理器并且包括指令，所述指令当由所述处理器中的一个或多个处理器执行时能够操作以使所述系统：从客户端设备接收输入图像，所述输入图像包括一个或多个产品的视图，其中所述输入图像包括多个像素；使用经训练的机器学习模型分别生成所述一个或多个产品中的每一个产品的边界框，每个边界框包括所述多个像素的子集，其中每个边界框指示所述一个或多个产品中的特定产品；生成所述边界框中的每一个边界框内的所述像素的分割掩码；使用每个分割掩码生成由所述边界框之一指示的每个产品的隔离图像，其中每个隔离图像基本上仅包括表示所指示产品的像素集；使用每个产品的每个隔离图像生成所述一个或多个产品中的每一个产品的分类；以及显示与所生成的分类相关的信息。32.根据权利要求31所述的系统，其中使用注释图像的集合来训练所述机器学习模型，所述注释图像的集合中的每个注释图像包括所述一个或多个产品中的某一产品类型的产品集的视图。33.根据权利要求31所述的系统，其中所述一个或多个产品包括一个或多个可可豆。34.根据权利要求33所述的系统，其中所述一个或多个可可豆包括湿豆。35.根据权利要求34所述的系统，其中所述产品之一的所述分类中的至少一个分类包
括可接受的、发芽的、受害虫损害的或患病的之一。36.根据权利要求34所述的系统，其中所述产品之一的所述分类中的至少一个分类涉及新鲜度。37.根据权利要求31所述的系统，其中所述软件当被执行时能够进一步操作以预测所述一个或多个产品中的一个或多个产品的白利度测量结果，其中所述产品之一的所述分类中的至少一个分类至少部分地基于所预测的白利度测量结果。38.根据权利要求31所述的系统，其中所述处理器当执行所述指令时能够进一步操作以：预测所述一个或多个产品中的一个或多个产品的白利度测量结果；以及至少部分地基于所预测的白利度测量结果生成所述一个或多个产品中的一个或多个产品的质量评分。39.根据权利要求33所述的系统，其中所述一个或多个可可豆包括干豆。40.根据权利要求39所述的系统，其中所述产品之一的所述分类中的至少一个分类至少部分地基于所预测的质量，所述所预测的质量包括以下之一：水分的量；切割测试：结块测试结果；切割测试：模具测试结果；切割测试：扁平测试结果；切割测试：颜色测试结果；切割测试：侵染测试结果；豆大小；异物测试结果；对破裂豆的指示或豆计数。41.根据权利要求31所述的系统，其中所述处理器当执行所述指令时能够进一步操作以接收一个或多个另外的输入，其中所述一个或多个另外的输入包括产地、年龄、品种、价格、收获方法、加工方法、重量或发酵方法中的至少一者，并且其中所述分类至少部分地基于所述一个或多个另外的输入。42.根据权利要求31所述的系统，其中所述一个或多个产品包括宠物食物，并且其中所述宠物食物包括干宠物食物或湿宠物食物中的至少一种。43.根据权利要求31所述的系统，其中所述处理器当执行所述指令时能够进一步操作以通过网络接收对所述经训练的机器学习模型的一个或多个更新，其中所述网络包括云服务器。44.根据权利要求41所述的系统，其中所述处理器当执行所述指令时能够进一步操作以：至少部分地基于所述一个或多个产品中的每一个产品的所述分类生成拒绝可可豆的批次或运送之一的推荐；以及在所述客户端设备上显示所述推荐。45.根据权利要求31所述的系统，其中所述处理器当执行所述指令时能够进一步操作以生成和显示置信度评分，所述置信度评分与一个或多个对应分类中的至少一个分类相关联。

技术总结
本文提供的一种示例方法包括：从客户端设备接收输入图像，所述输入图像包括一个或多个产品的视图，其中所述输入图像包括多个像素；使用经训练的机器学习模型分别生成所述一个或多个产品中的每一个产品的边界框，每个边界框包括所述多个像素的子集，其中每个边界框指示所述一个或多个产品中的特定产品；生成所述边界框中的每一个边界框内的所述像素的分割掩码；使用每个分割掩码生成由所述边界框之一指示的每个产品的隔离图像，其中每个隔离图像基本上仅包括表示所指示产品的像素集；使用每个产品的每个隔离图像生成所述一个或多个产品中的每一个产品的分类；以及显示与所生成的分类相关的信息。分类相关的信息。分类相关的信息。


技术研发人员：马克
受保护的技术使用者：马斯公司
技术研发日：2021.12.14
技术公布日：2023/8/24