[發明專利]一種基于深度學習的明蝦新鮮度無損檢測方法

有效

• 申請號: 202010983635.3
• 申請日: 2020-09-18
• 公開（公告）號: CN112070761B
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 翁祖銓;張越涵;羅衡
• 申請（專利權）人: 福州大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 陳明鑫;蔡學俊

本發明涉及一種基于深度學習的明蝦新鮮度無損檢測方法。通過采集大量明蝦樣本的外觀及其對應的新鮮度指標，制作明蝦新鮮度深度學習模型數據集，再通過該數據集訓練出一個具有明蝦新鮮度識別能力的深度學習模型。通過該模型可以預測明蝦的新鮮與否以及相應指標的具體數值。

技術領域

本發明屬于計算機視覺以及食品安全檢測，食品貯藏，具體涉及一種基于深度學習的明蝦新鮮度無損檢測方法。

背景技術

食品安全與質量問題一直以來都是民生領域的重大課題，食品質量與安全問題永遠都離不開食品質量的檢測分析，但是傳統的新鮮度檢測方法大多使用化學方法，對相應的理化指標進行檢測，而這樣的檢測手段需要對樣品進行破壞，只能通過隨機取樣的辦法用極個別樣本的新鮮程度來代表總體的新鮮程度。無損檢測方法就可以避免對樣品進行破壞且操作費時費力。而現有的無損檢測方法，諸如通過光譜圖像識別明蝦新鮮度，或者是通過檢測揮發氨的含量來判斷明蝦新鮮度，都存在一定的缺陷，光譜法識別明蝦新鮮度時需要收集明蝦光譜圖像，需要使用到復雜儀器設備，而檢測揮發氨需要明蝦所處環境擁有穩定且密閉的條件，它們均存在種種限制，不能同時做到便捷、準確與高效。

與此同時，計算機技術，尤其是人工智能的發展為我們提供了便捷、準確和高效地檢測明蝦新鮮程度提供了可能。深度學習模型在多個領域得到了非常廣泛的應用，而其中，卷積神經網絡在圖像識別方向應用上十分具有針對性。對于明蝦而言，其具有的易腐敗且腐敗過程發生時外觀具有明顯變化，本發明正是利用了這一特性，通過深度學習的強大分析預測能力，來完成對明蝦新鮮度的預測。

發明內容

本發明的目的在于提供一種基于深度學習的明蝦新鮮度無損檢測方法，可以預測明蝦的新鮮與否以及相應指標的具體數值。

為實現上述目的，本發明的技術方案是：一種基于深度學習的明蝦新鮮度無損檢測方法，通過深度學習模型提取大量不同新鮮度明蝦圖片的特征結構，在不斷地迭代訓練模型之后，通過待測明蝦圖片來對明蝦的新鮮度進行預測。該方法具體實現步驟如下：

步驟S1、對不同新鮮度的明蝦樣本，進行外觀圖片采集之后，按照理化指標標準對明蝦進行揮發性鹽基氮標準值測定；

步驟S2、步驟S1收集到的圖片信息進行預處理：根據理化指標標準，對圖片進行揮發性鹽基氮標準值標注，包括對具體揮發性鹽基氮標準值的預測值的標注和明蝦是否屬于新鮮樣品的標注，從而得到帶有新鮮度標簽的明蝦圖片數據集，將圖像數據集按照8:1:1的比例劃分為訓練集、驗證集、測試集；

步驟S3、利用卷基層，批量標準化，最大池化層，平均池化層，全局平均池化，歸一化，激活函數ReLu ，決策函數SoftMax來搭建卷積神經網絡；

步驟S4、將步驟S2中處理好的圖片集對應標簽傳輸到步驟S3搭建的卷積神經網絡中，通過不斷地迭代訓練，訓練時通過有監督的方式進行訓練，通過反向傳播不斷更新權重，在模型訓練過程中使用交叉驗證方法來保證模型具有普適性，從而得到可以有效提取特征并進行分類或者預測的卷積神經網絡模型；

步驟S5、使用步驟S4中訓練好的卷積神經網絡模型，輸入待測明蝦圖片，卷積神經網絡模型提取特征之后，通過決策函數輸出模型對明蝦新鮮度及其類別的預測結果；其中，可以進行明蝦新鮮與否的預測，也可以進行揮發性鹽基氮標準值的指標預測。

相較于現有技術，本發明具有以下有益效果：本發明只需要通過明蝦的外觀圖片即可對明蝦新鮮度進行預測，操作簡便。

附圖說明

圖1為本發明的深度學習模型示意圖。

圖2為本發明模型預測結果的Grad-Cam可視化圖。

具體實施方式

下面結合附圖，對本發明的技術方案進行具體說明。