[發明專利]一種基于LSTM的農產品品質分類方法

在審

• 申請號: 202110365817.9
• 申請日: 2021-04-06
• 公開（公告）號: CN113177578A
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 李欣怡;高羽佳;張友華;夏川;劉飛;李家清;張禎
• 申請（專利權）人: 安徽農業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q50/02
• 代理公司: 廣東有知貓知識產權代理有限公司 44681
• 代理人: 陳思思

本發明提出一種基于LSTM的農產品品質分類方法，包括以下步驟：A、使用農產品檢測儀器，檢測出農產品的外部特征a_i與內部特征b_i；B、從已有的數據中提取優質、合格、不合格三個標簽樣本數據，并將數據進行歸一化處理；C、構建基于RF的特征選擇框架，將處理好的16個特征變量送入基于RF的農產品品質特征選擇模型中進行農產品品質的分類預測，得出特征重要性排序。本發明提出了一種基于LSTM的農產品品質分類方法，考慮了農產品在運輸過程中品質的變化受時間特征的影響，并加入了Dropout算法對參數進行優化，從而提高模型的準確率。

技術領域

本發明涉及農產品品質分類方法技術領域，具體是一種基于LSTM的農產品品質分類方法。

背景技術

隨著社會的不斷進步,農產品的品質與質量越來越受到人們的重視,然而農產品品質的評價受多元化因素的影響，既要考慮外部特征因素也需要考慮內部特征因素，并且農產品在實際運輸過程中隨著時間的變化會對品質產生影響。因此很難對農產品的品質下以標準化得定義，也鮮有網站與機構對農產品的品質進行分類。

LSTM是深度學習中有效、可靠的算法，適合用于處理與時間序列高度相關的問題。對于分類問題，以CNN為代表的前饋網絡擁有著性能上的優勢，但由于LSTM具有記憶細胞的特殊單元類似累加器和門控神經元，在解決長遠的、更為復雜的任務上具有獨特的優勢。

業內對于分類問題，大多采用的是傳統的數理統計的方法和機器學習中的算法，在分類過程中很難處理大量、多維度的數據并且難以解決多分類的問題。

因此，實際應用中此類模型難以取得理想的效果。

發明內容

本發明的目的在于克服現有技術的缺陷，提出一種可以解決多分類的問題的基于LSTM的農產品品質分類方法。

為實現上述目的，本發明采用了如下技術方案：

一種基于LSTM的農產品品質分類方法，包括以下步驟：

A、使用農產品檢測儀器，檢測出農產品的外部特征a_i與內部特征b_i；

B、從已有的數據中提取優質、合格、不合格三個標簽樣本數據，并將數據進行歸一化處理；

C、構建基于RF的特征選擇框架，將處理好的16個特征變量送入基于RF的農產品品質特征選擇模型中進行農產品品質的分類預測，得出特征重要性排序；

D、選取16個特征變量中關聯度較大的9個特征變量，將數據導入數據編碼模塊，數據編碼模塊采用數據處理技術對提取后的數據進行編碼，最后劃分為訓練樣本集和測試樣本集；

E、構建基于LSTM的農產品品質分類模型；

F、利用已組建的訓練樣本集和測試樣本集，訓練基于LSTM的農產品品質分類模型，確定模型參數；

G、將幾類待分類的農產品特征數據集，輸入至訓練完畢的深度學習模型中，深度學習模型輸出識別分類結果。

優選的，所述步驟A中，通過儀器檢測出酚類含量、可溶性固形物、酒精含量、總酸、單寧等內部影響因素，通過分析天平檢測出農產品重量、通過農產品檢測儀檢測農產品形態指數等外部影響因素。

優選的，所述步驟B中，為了消除不同度量單位和方差對預測結果的不良影響，將訓練集中的每一個數據特征的值進行歸一化處理，且計算公式如下：

其中，x_i指樣本，min(x_i)為樣本最小值，max(x_i)為樣本最大值。

優選的，所述步驟C中，構建基于RF的農產品品質特征選擇模型方法如下：