[發明專利]一種基于卷積神經網絡的柑橘糖度無損檢測方法

在審

• 申請號: 202010344505.5
• 申請日: 2020-04-27
• 公開（公告）號: CN111474137A
• 公開（公告）日: 2020-07-31
• 發明（設計）人: 張程偉
• 申請（專利權）人: 無錫雪浪數制科技有限公司
• 主分類號: G01N21/359
• 分類號: G01N21/359;G01N21/3563;G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 無錫華源專利商標事務所(普通合伙) 32228
• 代理人: 聶啟新

1.一種基于卷積神經網絡的柑橘糖度無損檢測方法，其特征在于，其包括以下步驟：

選取柑橘，組成柑橘樣本，將柑橘樣本分為訓練集和驗證集；

采用近紅外光譜儀對所述訓練集、驗證集進行光譜采集，得到原始光譜數據，所述原始光譜數據包括訓練集原始光譜數據和驗證集原始光譜數據；

采用電子糖度計測量所述訓練集、驗證集中的柑橘樣本的糖度，獲得實際糖度數據，所述實際糖度數據包括訓練集實際糖度、驗證集實際糖度；

建立卷積神經網絡模型，具體包括以下建模步驟：

采用數據預處理方法對所述訓練集原始光譜數據、驗證集原始光譜數據、訓練集實際糖度、驗證集實際糖度進行預處理，獲得訓練集光譜預處理數據、訓練集實際糖度預處理數據、驗證集光譜預處理數據、驗證集實際糖度預處理數據，其中，所述數據預處理方法包括數據正則化；

將所述訓練集光譜預處理數據、訓練集實際糖度預處理數據作為卷積神經網絡模型的訓練輸入，被饋送至高斯噪聲層，再依次經重塑層、第一卷積層、激活函數、第二卷積層、激活函數、壓平、Dropout、第一全鏈接層、激活函數、第二全鏈接層迭代后，建立卷積神經網絡模型；

模型效果判斷，將所述驗證集光譜預處理數據作為所述卷積神經網絡模型的輸入進行糖度預測，并輸出驗證集預測糖度數據；

采用計算誤差方法對所述驗證集預測糖度數據進行判斷，首先對所述驗證集預測糖度數據進行反歸一化處理，反歸一化處理后的數據減去所述驗證集實際糖度，獲得誤差，若誤差超出標準范圍，則返回所述建模步驟中重新進行訓練，若誤差在標準要求范圍內，則訓練結束，模型建立完成；

采用所述卷積神經網絡模型對柑橘糖度進行預測。

2.根據權利要求1所述的一種基于卷積神經網絡的柑橘糖度無損檢測方法，其特征在于，所述第一全鏈接層、第二全鏈接層具有線性激活函數。

3.根據權利要求1所述的一種基于卷積神經網絡的柑橘糖度無損檢測方法，其特征在于，所述卷積神經網絡模型的迭代輪次為1000輪次，初始學習率設置為0.001，并使用Adadelta優化器對所述卷積神經網絡模型進行優化。

4.根據權利要求1所述的一種基于卷積神經網絡的柑橘糖度無損檢測方法，其特征在于，所述近紅外光譜儀的測量方式為投射測量，所述光譜為波長300～1050nm的可見近紅外波段光譜。

5.根據權利要求1所述的一種基于卷積神經網絡的柑橘糖度無損檢測方法，其特征在于，所述第一卷積層的輸出空間的維度為8，卷積窗口的長度設置為192，填充方式：填充輸入以使輸出具有與原始輸入相同的長度；所述第二卷積層的輸出空間的維度為16，卷積窗口的長度設置為192，填充方式：填充輸入以使輸出具有與原始輸入相同的長度；所述第一全鏈接層配置的輸出空間維度為128，所述第二全鏈接層配置的輸出空間維度為1。

6.根據權利要求1所述的一種基于卷積神經網絡的柑橘糖度無損檢測方法，其特征在于，所述數據預處理方法還包括中值濾波法，在對所述原始光譜數據、實際糖度數據進行數據正則化處理前，先采用所述中值濾波法對所述原始光譜數據進行濾波。

7.根據權利要求1所述的一種基于卷積神經網絡的柑橘糖度無損檢測方法，其特征在于，選取一組柑橘作為測試集，對所述卷積神經網絡模型進行測試，并采用誤差判別法對所述卷積神經網絡模型的預測效果進行判別。

8.根據權利要求7所述的一種基于卷積神經網絡的柑橘糖度無損檢測方法，其特征在于，所述誤差判別法中的誤差為平均誤差和均方根誤差，所述平均誤差AE計算公式為：

所述均方根誤差RMSEP計算公式為：

其中為預測值，y為測量值，n為樣本數，i為正整數。