[發明專利]基于卷積神經網絡和高光譜技術的柚子粒化分類方法

在審

• 申請號: 202011148523.2
• 申請日: 2020-10-23
• 公開（公告）號: CN112183662A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 介鄧飛;吳爽;魏萱;葉大鵬;王平;李延
• 申請（專利權）人: 福建農林大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 丘鴻超;蔡學俊

1.一種基于卷積神經網絡和高光譜技術的柚子粒化分類方法，其特征在于，包括以下步驟：

1)獲取柚子漫透射高光譜信息；

2)對獲取的高光譜信息進行歸一化預處理，然后將處理后的信息分為訓練集和驗證集；

3)利用訓練集對建立的多層卷積神經網絡模型進行訓練；

4)建立損失函數，采用Adagrad梯度下降方式結合反向傳播對多層卷積神經網絡模型進行訓練，將損失最小的模型作為訓練得到的多層卷積神經網絡模型；

5)將訓練集和驗證集輸入訓練好的卷積神經網絡模型，得到分類結果。

2.根據權利要求1中所述的基于卷積神經網絡和高光譜技術的柚子粒化分類方法，其特征在于，所述步驟1中，采用具有高光譜相機的采集系統采集柚子漫透射的高光譜圖像，然后在ENVI軟件中選取ROI計算后得到光譜曲線，即為獲取的柚子漫透射高光譜信息。

3.根據權利要求2中所述的基于卷積神經網絡和高光譜技術的柚子粒化分類方法，其特征在于，所述采集系統包括固定支架、水平驅動機構、柚子放置箱、高光譜相機和計算機，所述柚子放置箱經水平驅動機構安裝于固定支架下部，以在其驅動下進行水平運動，所述柚子放置箱包括具有上部開孔的箱體以及設于箱體內的光源、升降機構和柚子放置臺，所述光源安裝于箱體內側壁上，所述柚子放置臺經升降機構安裝于箱體內正對于上部開孔的底面上，以在其驅動下進行升降運動，所述高光譜相機安裝于固定支架上部，且拍攝方向向下正對于柚子放置箱；所述高光譜相機與計算機的輸出端電性連接，所述計算機的輸出端分別與水平驅動機構和升降機構的驅動電機的控制端電性連接；

計算機控制水平驅動機構驅動柚子放置箱水平運動，使箱體的上部開孔正對于高光譜相機，然后控制升降機構驅動柚子放置臺上升直至其上的柚子擋住箱體的上部開孔，光源照射柚子，再通過高光譜相機采集柚子漫透射的高光譜圖像并傳輸給計算機。

4.根據權利要求1中所述的基于卷積神經網絡和高光譜技術的柚子粒化分類方法，其特征在于，所述步驟2中，預處理方法為光譜歸一化，設樣本原始光譜為X_ij，校正樣本的平均光譜為原始樣本的吸光度為A_ij，平均樣本吸光度為為校正后光譜，用公式表達為：

5.根據權利要求1所述的基于卷積神經網絡和高光譜技術的柚子粒化分類方法，其特征在于，所述步驟3中，多層卷積神經網絡模型的結構包含3個卷積層、2個池化層、3個批歸一化層，卷積層提取的光譜信號的關鍵信息通過sigmoid函數輸出柚子粒化概率；所述多層卷積神經網絡模型通過運算，輸出一個介于0-1的值，其數值大小表示柚子粒化概率。

6.根據權利要求5所述的基于卷積神經網絡和高光譜技術的柚子粒化分類方法，其特征在于，所述步驟3中，利用訓練集訓練多層卷積神經網絡模型，包括以下步驟：

3.1)將訓練集中樣本經過卷積層、池化層、批歸一化層得到特征信息；

采用卷積核提取訓練集中樣本的特征，計算方式如公式(2)和公式(3)：

其中，為第l層的第i個特征輸入，為特征信號的偏差，為特征信號的輸出，為之前(l-1)層的第j個特征信號輸出，為在l層的第i個特征信號和(l-1)層的第j個特征信號之間的一個權重矢量，即卷積核；m^l為第l層特征數，為第l-1層在卷積下的計算結果，f(·)為非線性的激活函數，采用sigmoid作為激活函數，其表達式如下所示：

3.2)信號在經過多層卷積處理后，在全連接層展開為提取的特征向量z，z的大小n＝d^L*m^L，其中d^L為第L層輸出特征信號的維度(d^L*1)，m^L為第L層含有特征信號的數量；

3.3)最終的預測值的表達式如下所示：