[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡和高光譜技術的柚子粒化分類方法

在審

• 申請?zhí)枺?/td>: 202011148523.2
• 申請日: 2020-10-23
• 公開（公告）號: CN112183662A
• 公開（公告）日: 2021-01-05
• 發(fā)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(nóng)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(chuàng)專利商標代理有限公司 35100
• 代理人: 丘鴻超;蔡學俊

本發(fā)明涉及一種基于卷積神經(jīng)網(wǎng)絡和高光譜技術的柚子粒化分類方法，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(jīng)網(wǎng)絡模型進行訓練；4）建立損失函數(shù)，采用Adagrad梯度下降方式結合反向傳播對多層卷積神經(jīng)網(wǎng)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(jīng)網(wǎng)絡模型；5）將訓練集和驗證集輸入訓練好的卷積神經(jīng)網(wǎng)絡模型，得到分類結果。該方法有利于無損檢測柚子粒化程度，對柚子粒化程度進行分類。

技術領域

本發(fā)明屬于水果粒化檢測技術領域，具體涉及一種基于卷積神經(jīng)網(wǎng)絡和高光譜技術的柚子粒化分類方法。

背景技術

柑橘屬于常綠亞熱帶果樹，是世界上最主要的經(jīng)濟樹木果實，它在許多國家進行商業(yè)化種植。汁胞粒化是柑橘類果樹常見的一種生理現(xiàn)象，是成熟后期和采后貯藏期間發(fā)生的生理病害，其主要表現(xiàn)為汁胞異常膨大、變硬，有汁胞木質(zhì)化，汁味變淡，造成果實食用品質(zhì)下降，甚至喪失商品價值，給果農(nóng)帶來很大的經(jīng)濟損失。但是柚子的粒化程度無法通過外光觀察得到，通常需要將柚子破皮判斷。傳統(tǒng)的粒化檢測方法均為有損檢測，不能實現(xiàn)無損粒化檢測。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于卷積神經(jīng)網(wǎng)絡和高光譜技術的柚子粒化分類方法，該方法有利于無損檢測柚子粒化程度，對柚子粒化程度進行分類。

為實現(xiàn)上述目的，本發(fā)明采用的技術方案是：一種基于卷積神經(jīng)網(wǎng)絡和高光譜技術的柚子粒化分類方法，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(jīng)網(wǎng)絡模型進行訓練；

4)建立損失函數(shù)，采用Adagrad梯度下降方式結合反向傳播對多層卷積神經(jīng)網(wǎng)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(jīng)網(wǎng)絡模型；

5)將訓練集和驗證集輸入訓練好的卷積神經(jīng)網(wǎng)絡模型，得到分類結果。

進一步地，所述步驟1中，采用具有高光譜相機的采集系統(tǒng)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。

進一步地，所述采集系統(tǒng)包括固定支架、水平驅(qū)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(jīng)水平驅(qū)動機構安裝于固定支架下部，以在其驅(qū)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(nèi)的光源、升降機構和柚子放置臺，所述光源安裝于箱體內(nèi)側壁上，所述柚子放置臺經(jīng)升降機構安裝于箱體內(nèi)正對于上部開孔的底面上，以在其驅(qū)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(qū)動機構和升降機構的驅(qū)動電機的控制端電性連接；

計算機控制水平驅(qū)動機構驅(qū)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(qū)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。

進一步地，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：

進一步地，所述步驟3中，多層卷積神經(jīng)網(wǎng)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(shù)輸出柚子粒化概率；所述多層卷積神經(jīng)網(wǎng)絡模型通過運算，輸出一個介于0-1的值，其數(shù)值大小表示柚子粒化概率。