[發明專利]一種基于深度學習的茶鮮葉保鮮時間預測方法

在審

• 申請號: 201710926206.0
• 申請日: 2017-10-06
• 公開（公告）號: CN107977731A
• 公開（公告）日: 2018-05-01
• 發明（設計）人: 桑海偉;崔忠偉;于國龍;吳戀;趙建川;左羽
• 申請（專利權）人: 貴州師范學院;貴州甕安鑫產園茶業有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08;G06Q50/02
• 代理公司: 北京中濟緯天專利代理有限公司11429
• 代理人: 郝志亮

技術領域

本發明涉及茶鮮葉的保鮮領域，尤其涉及一種茶鮮葉保鮮時間預測方法。

背景技術

茶鮮葉水分多，保存的時候容易腐爛。目前，由于沒有準確地預測茶鮮葉保存時間的方法，多采用人工查看的方式，即需要人定期地去查看茶鮮葉的狀況以防止茶鮮葉腐爛。采用人工的方式，一方面需要專門的看護人員定期去查看，這就浪費了一定的人力，并且，看護人員如果忘記查看或者查看不及時就可能使茶鮮葉腐爛不能夠被及時發現，造成非常嚴重的后果，另一方面看護人員需要具有一定的經驗以能夠判斷茶鮮葉的情況，在找不到具有經驗的看護人員時也有可能造成茶鮮葉的腐爛。

發明內容

本發明的主要目的在于提供一種茶鮮葉保鮮時間預測方法，該方法能夠準確預測茶鮮葉的保鮮時間，進而使得茶鮮葉在腐爛或者變質之前能夠被及時地被加工以避免或者減少茶鮮葉的腐爛或者變質。

為達到以上目的，本發明采用的技術方案為：一種茶鮮葉保鮮時間預測方法，其特征在于，具體步驟如下：

步驟一：構建基于DBN神經網絡的茶鮮葉保鮮時間預測模型，并對茶鮮葉保鮮時間預測模型進行預訓練；

步驟二：預訓練結束后，采用極限學習機對DBN神經網絡模型進行監督學習的反饋微調訓練；

步驟三：采集茶鮮葉的相關信息并將相關信息作為茶鮮葉保鮮時間預測模型的輸入參數。

優選地，所述茶鮮葉的相關信息包括茶鮮葉的透明度和色彩。

優選地，所述茶鮮葉的透明度和色彩通過拍照的方式進行獲取。

優選地，所述茶鮮葉的相關信息包括溫度、壓強、二氧化成、氧氣、濕度、光照強度。

優選地，在步驟一中采用非監督貪心逐層訓練算法對茶鮮葉保鮮時間預測模型進行預訓練。

與現有技術相比，本發明具有以下有益效果：

1)該方法能夠預測茶鮮葉的保鮮時間進而在保存茶鮮葉時能夠在達到保鮮時間之前及時地對茶鮮葉進行處理以避免或者減少茶鮮葉的腐爛和變質；

2)該方法基于DBN算法，并通過非監督貪心逐層訓練算法進行預訓練，通過極限學習機(ELM)算法對DBN算法微調整，使得預測時間更加準確，更有助于茶鮮葉的保存。

附圖說明

圖1是根據本發明的一個優選實施例的保鮮時間預測的DBN網絡訓練流程圖

具體實施方式

以下描述用于揭露本發明以使本領域技術人員能夠實現本發明。以下描述中的優選實施例只作為舉例，本領域技術人員可以想到其他顯而易見的變型。

一種茶鮮葉保鮮時間預測方法，具體包括如下步驟：

步驟1：利用羅技BCC950攝像機對茶鮮葉拍照，獲取茶鮮葉的圖片信息，所述圖片信息包括茶鮮葉的透明度和色彩。

步驟2：用傳感器采集溫度(T)、壓強(P)、二氧化成(CO2)、氧氣(O2)、濕度 (S)、光照強度(L)等茶鮮葉的環境參數信息。

步驟3：將圖片信息、環境參數信息通過wifi上傳到服務器。

步驟4：構建基于DBN神經網絡的茶鮮葉保鮮時間預測模型，將服務器接收到的圖片信息、環境參數信息作為預測模型的輸入參數，并采用非監督貪心逐層訓練算法對預測模型進行預訓練，預測模型的輸出數據即為預測時間。其中，對預測模型的預訓練為對 DBN神經網絡的預訓練，屬于現有技術，此處不再詳述。

步驟6：預訓練結束后，采用極限學習機(ELM)對DBN神經網絡模型進行監督學習的反饋微調訓練以對DBN神經網絡模型進行優化使輸出的預測時間更加準確。

采用極限學習機算法對DBN神經網絡模型進行微調,不需要對參數進行調整，而是只對DBN神經網絡得到的最后一層隱層H_n-1進行權重調整。假設第n個隱層節點的個數為第n-1個隱層節點的個數為m，則該深度結構的神經網絡可以表示為

式中：W_i—第n-1個隱層到第n個隱層的權重，b_i—第n-1個隱層到第n個隱層的偏置，β_i-第n個隱層到輸出層的輸出權重。對于深度信念網絡DBN，目標是最小化輸出的誤差，可以表示為

并且，存在β_i，使得

并且，上述公式可以轉化為

H_nβ＝T(4)

式中：H_n—深度信念網的第n-1層到第n層的輸出。其中

為了訓練單隱層神經網絡，特殊的和需要被訓練使得