CN110567889A - 一种基于光谱成像和深度学习技术的鲜茧含水率的无损检测方法 - Google Patents
一种基于光谱成像和深度学习技术的鲜茧含水率的无损检测方法 Download PDFInfo
- Publication number
- CN110567889A CN110567889A CN201910863558.5A CN201910863558A CN110567889A CN 110567889 A CN110567889 A CN 110567889A CN 201910863558 A CN201910863558 A CN 201910863558A CN 110567889 A CN110567889 A CN 110567889A
- Authority
- CN
- China
- Prior art keywords
- data
- cocoon
- network
- xception
- fresh
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 24
- 238000005516 engineering process Methods 0.000 title claims abstract description 16
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 13
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 10
- 241000255789 Bombyx mori Species 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 45
- 238000001228 spectrum Methods 0.000 claims description 19
- 238000009499 grossing Methods 0.000 claims description 18
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 3
- 230000003287 optical effect Effects 0.000 description 3
- 108010013296 Sericins Proteins 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于光谱成像和深度学习技术的鲜茧茧层含水率的无损检测方法，其步骤包括利用蚕茧茧层含水率可见/近红外光谱数据和含水率信息训练Xception‑1D网络模型和利用模型预测鲜茧茧层含水率。本专利利用可见/近红外光谱成像技术，结合数字图像处理和深度学习的方法，研究了鲜茧茧层含水率的快速无损精确获取理论和方法，为蚕茧茧层含水率快速无损检测提供有效方法。
Description
技术领域
本发明属于鲜茧含水率检测技术领域，具体设计一种基于光谱成像和深度学习技术的鲜茧含水率的无损检测方法。
背景技术
蚕茧含水率是蚕茧品质检测分级最基本的指标。蚕茧含水率的高低，取决于蔟中环境条件、大气相对湿度、温度、鲜茧采摘时间、运送、包装方式等多种因素，其中尤以蔟中环境条件为关键因素。蔟中高温多湿或低温多湿，都会使丝胶分子结构发生改变，从而影响蚕茧茧层含水率。目前,中国在蚕茧收购中规定采用干壳量法检验鲜茧。但该方法复杂且耗时，并需要剖茧测童，而削口茧成为缫丝工业中的次下茧，造成很大浪费。而常用的手感目测法却易受评定者的个人经验影响，测试精度低。这些方法效率不高，造成浪费。
高光谱成像技术是20世纪80年代发展起来的新兴技术，它涉及光学、电子学、化学计量学和计算机科学等多个学科领域，结合了传统的成像技术和光谱信息采集，实现了光谱信息和图像信息的融合。由于它同时具有光谱的分辨能力和图像分辨能力，不仅可以对样品进行定性和定量分析，而且还能进行定位分析，在农产品品质检测中的应用也成为了近年来的一个研究热点。
本发明利用蚕茧茧层含水率可见/近红外光谱数据和含水率信息训练Xception-1D网络模型而后利用模型预测鲜茧含水率。本专利利用可见/近红外光谱成像技术，结合数字图像处理和深度学习的方法，研究了鲜茧丝胶溶失率的快速无损精确获取理论和方法，为蚕茧茧层含水率快速无损检测提供有效方法。
发明内容
本发明的目的在于提供一种基于光谱成像和深度学习技术的鲜茧含水率的无损检测方法，在不破坏受检样品的情况下，实时、快速检测茧层含水率。
为达到上述目的，本发明的技术方案是：
(1)训练Xception-1D网络模型
①使用400～1100nm波段的可见/近红外光谱采集蚕茧信息；
②对采集到的光谱数据使用基于Roughness Penalty Smoothing粗糙惩罚的平滑光谱预处理方法；
③建立鲜茧含水率的数据集，使用随机方法对经过预处理的可见/近红外光谱数据按9：1分成训练集和验证集；
④将建立好的数据集输入到Xception-1D网络模型中进行训练；
(2)预测鲜茧含水率
①使用400～1100nm波段的可见/近红外光谱采集蚕茧信息；
②对采集到的光谱数据使用基于Roughness Penalty Smoothing粗糙惩罚的平滑光谱预处理方法；
③将经过预处理的待检样品的光谱数据输入到训练好的Xception-1D网络中，得出待检样品的茧层含水率。
在对光谱数据的平滑处理中，采用Roughness Penalty Smoothing的平滑方法。粗糙惩罚其实为了克服最小二乘法不稳健而引入的一个方法。设平滑后的各个点为y*(i)，最小二乘法的目标函数是想让最后的结果与原始数据之间的差别最小：
然而在实际情况中，如果有很多异常点的话，这个标准并不能代表我们模型的准确性，有时候反而会产生非常大的误差，比如说色谱中如果噪声水平很高的话，平滑效果并不好。因此，其就是在最小二乘目标函数后面加上一个惩罚项：
式中，λ是惩罚系数，其越大，则说明对这个数据点的惩罚越严重。后面的积分项是对函数在x处的求二次导，这个也就是高等数学里面的曲线的曲率。
将平滑处理后的图像输入Xception-1D网络，Xception-1D网络模型是由Xception网络模型修改而来，Xception网络是对二维图像进行分类处理，而Xception-1D网络是对一维数据进行分类。Xception-1D网络包括卷积模块，全局平均池化层，全连接层和一个softmax层。Xception-1D是将Xception中的3×3卷积核替换为1×3的卷积核来对数据特征进行提取。使用depthwise separable convolution卷积方式，即先对输入数据进行先1*1卷积，再逐通道卷积。此外，该网络中的小块采用残差连接方式连接。该网络共计36层卷积层，包括Entry flow中的8层，Middle flow中的24层，以及Exit flow中的4层。输入为1*4096*1的一维数据，经过Entry flow后数据转化为1*256*728，然后传入Middle flow，由于其独特的depthwise separable convolution卷积方式，最后输入Exit flow，输出为1*100。
Xception-1D网络中的softmax层将茧层含水率预测分值转换为茧层含水率概率分布，softmax函数定义为：
其中，N是类别数量，是k类别分数的向量，pk是属于k类别的概率。
在网络训练中采用损失函数作为目标函数，小批量梯度下降法进行误差反向传播，对深度神经网络进行训练：
为了评估模型拟合的好坏，通常用损失函数来度量拟合的程度。损失函数极小化，意味着拟合程度最好，对应的模型参数即为最优参数。在线性回归中，损失函数通常为样本输出和假设函数的差取平方。比如对于m个样本(xi,yi)(i＝1,2,3,…m),采用线性回归，损失函数为：
其中xi表示第i个样本特征，yi表示第i个样本对应的输出，hθ(xi)为假设函数。
所述的随机梯度下降法优化目标函数算法过程：
1)确定当前位置的损失函数的梯度，对于θi其梯度表达式如下：
2)用步长乘以损失函数的梯度，得到当前位置下降的距离，即
对应于前面登山例子中的某一步。
3)确定是否所有的θi,梯度下降的距离都小于ε，如果小于ε则算法终止，当前所有的θi(i＝1,2,3,…m)即为最终结果。否则进入步骤4.
4)更新所有的θi，对于θi，其更新表达式如下。更新完毕后继续转入步骤1.
附图说明
图1为本发明提供的实施例中一种基于光谱成像和深度学习技术的鲜茧含水率的无损检测方法流程图；
图2为Xception-1D模型的结构图；
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
(1)训练Xception-1D网络模型
①使用400～1100nm波段的可见/近红外光谱采集蚕茧信息；
②对采集到的光谱数据使用基于Roughness Penalty Smoothing粗糙惩罚的平滑光谱预处理方法；
③建立鲜茧含水率的数据集，使用随机方法对经过预处理的可见/近红外光谱数据按9：1分成训练集和验证集；
④将建立好的数据集输入到Xception-1D网络模型中进行训练；
在对光谱数据的平滑处理中，采用Roughness Penalty Smoothing的平滑方法。粗糙惩罚其实为了克服最小二乘法不稳健而引入的一个方法。设平滑后的各个点为y*(i)，最小二乘法的目标函数是想让最后的结果与原始数据之间的差别最小：
然而在实际情况中，如果有很多异常点的话，这个标准并不能代表我们模型的准确性，有时候反而会产生非常大的误差，比如说色谱中如果噪声水平很高的话，平滑效果并不好。因此，其就是在最小二乘目标函数后面加上一个惩罚项：
式中，λ是惩罚系数，其越大，则说明对这个数据点的惩罚越严重。后面的积分项是对函数在x处的求二次导，这个也就是高等数学里面的曲线的曲率。
将平滑处理后的图像输入Xception-1D网络，Xception-1D网络模型是由Xception网络模型修改而来，Xception网络是对二维图像进行分类处理，而Xception-1D网络是对一维数据进行分类。Xception-1D网络包括卷积模块，全局平均池化层，全连接层和一个softmax层。Xception-1D是将Xception中的3×3卷积核替换为1×3的卷积核来对数据特征进行提取。使用depthwise separable convolution卷积方式，即先对输入数据进行先1*1卷积，再逐通道卷积。此外，该网络中的小块采用残差连接方式连接。该网络共计36层卷积层，包括Entry flow中的8层，Middle flow中的24层，以及Exit flow中的4层。输入为1*4096*1的一维数据，经过Entry flow后数据转化为1*256*728，然后传入Middle flow，由于其独特的depthwise separable convolution卷积方式，最后输入Exit flow，输出为1*100。
Xception-1D网络中的softmax层将茧层含水率预测分值转换为茧层含水率概率分布，softmax函数定义为：
其中，N是类别数量，是k类别分数的向量，pk是属于k类别的概率。
在网络训练中采用损失函数作为目标函数，小批量梯度下降法进行误差反向传播，对深度神经网络进行训练：
为了评估模型拟合的好坏，通常用损失函数来度量拟合的程度。损失函数极小化，意味着拟合程度最好，对应的模型参数即为最优参数。在线性回归中，损失函数通常为样本输出和假设函数的差取平方。比如对于m个样本(xi,yi)(i＝1,2,3,…m),采用线性回归，损失函数为：
其中xi表示第i个样本特征，yi表示第i个样本对应的输出，hθ(xi)为假设函数。
所述的随机梯度下降法优化目标函数算法过程：
1)确定当前位置的损失函数的梯度，对于θi其梯度表达式如下：
2)用步长乘以损失函数的梯度，得到当前位置下降的距离，即
对应于前面登山例子中的某一步。
3)确定是否所有的θi,梯度下降的距离都小于ε，如果小于ε则算法终止，当前所有的θi(i＝1,2,3,…m)即为最终结果。否则进入步骤4.
4)更新所有的θi，对于θi，其更新表达式如下。更新完毕后继续转入步骤1.
(2)预测鲜茧含水率
使用训练好的模型来预测鲜茧含水率。
①使用400～1100nm波段的可见/近红外光谱采集蚕茧信息；
②对采集到的光谱数据使用基于Roughness Penalty Smoothing粗糙惩罚的平滑光谱预处理方法；
③将经过预处理的待检样品的光谱数据输入到训练好的Xception-1D网络中，得出待检样品的茧层含水率。
Claims (6)
1.一种基于光谱成像和深度学习技术的鲜茧含水率的无损检测方法，其特征在于，包括以下步骤：
(1)训练Xception-1D网络模型
①使用400～1100nm波段的可见/近红外光谱采集蚕茧信息；
②对采集到的光谱数据使用基于Roughness Penalty Smoothing粗糙惩罚的平滑光谱预处理方法；
③建立鲜茧含水率的数据集，使用随机方法对经过预处理的可见/近红外光谱数据按9：1分成训练集和验证集；
④将建立好的数据集输入到Xception-1D网络模型中进行训练；
(2)预测鲜茧茧层含水率
①使用400～1100nm波段的可见/近红外光谱采集蚕茧信息；
②对采集到的光谱数据使用基于Roughness Penalty Smoothing粗糙惩罚的平滑光谱预处理方法；
③将经过预处理的待检样品的光谱数据输入到训练好的Xception-1D网络中，得出待检样品的鲜茧茧层含水率。
2.根据权利要求1所述的一种基于光谱成像和深度学习技术的鲜茧茧层含水率的无损检测方法，其特征在于，在对光谱数据的平滑处理中，采用Roughness Penalty Smoothing的平滑方法；粗糙惩罚其实为了克服最小二乘法不稳健而引入的一个方法；设平滑后的各个点为y*(i)，最小二乘法的目标函数是想让最后的结果与原始数据之间的差别最小：
然而在实际情况中，如果有很多异常点的话，这个标准并不能代表我们模型的准确性，有时候反而会产生非常大的误差，比如说色谱中如果噪声水平很高的话，平滑效果并不好，因此，其就是在最小二乘目标函数后面加上一个惩罚项：
式中，λ是惩罚系数，其越大，则说明对这个数据点的惩罚越严重，后面的积分项是对函数在x处的求二次导。
3.根据权利要求1所述的一种基于光谱成像和深度学习技术的鲜茧茧层含水率的无损检测方法，其特征在于，Xception-1D网络模型是由Xception网络模型修改而来，Xception网络是对二维图像进行分类处理，而Xception-1D网络是对一维数据进行分类；Xception-1D网络包括卷积模块，全局平均池化层，全连接层和一个softmax层。
4.根据权利要求3所述的一种基于光谱成像和深度学习技术的鲜茧茧层含水率的无损检测方法，其特征在于，建立Xception1D网络模型，该网络模型是对Xception模型进行修改，针对输入数据的不同，将Xception中的3×3卷积核替换为1×3的卷积核来对数据特征进行提取，使用depthwise separable convolution卷积方式，即先对输入数据进行先1*1卷积，再逐通道卷积；此外，该网络中的小块采用残差连接方式连接，该网络共计36层卷积层，包括Entry flow中的8层，Middle flow中的24层，以及Exit flow中的4层，输入为1*4096*1的一维数据，经过Entry flow后数据转化为1*256*728，然后传入Middle flow，由于其独特的depthwise separable convolution卷积方式，最后输入Exit flow，输出为1*100。
5.根据权利要求3所述的一种基于光谱成像和深度学习技术的鲜茧茧层含水率的无损检测方法，其特征在于，所述的softmax层将鲜茧茧层含水率预测分值转换为鲜茧茧层含水率概率分布，softmax函数定义为：
其中，N是类别数量，是k类别分数的向量，pk是属于k类别的概率。
6.根据权利要求1所述的一种基于光谱成像和深度学习技术的鲜茧茧层含水率的无损检测方法，其特征在于，将建立好的数据集以批处理的方式输入到Xception-1D网络中，采用损失函数作为目标函数，小批量梯度下降法进行误差反向传播，对深度神经网络进行训练：
为了评估模型拟合的好坏，通常用损失函数来度量拟合的程度，损失函数极小化，意味着拟合程度最好，对应的模型参数即为最优参数；在线性回归中，损失函数通常为样本输出和假设函数的差取平方，比如对于m个样本(xi,yi)(i＝1,2,3,…m),采用线性回归，损失函数为：
其中xi表示第i个样本特征，yi表示第i个样本对应的输出，hθ(xi)为假设函数；
所述的随机梯度下降法优化目标函数算法过程：
1)确定当前位置的损失函数的梯度，对于θi其梯度表达式如下：
2)用步长乘以损失函数的梯度，得到当前位置下降的距离，即对应于前面登山例子中的某一步；
3)确定是否所有的θi,梯度下降的距离都小于ε，如果小于ε则算法终止，当前所有的θi(i＝1,2,3,…m)即为最终结果，否则进入步骤4.
4)更新所有的θi，对于θi，其更新表达式如下，更新完毕后继续转入步骤1.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910863558.5A CN110567889A (zh) | 2019-09-12 | 2019-09-12 | 一种基于光谱成像和深度学习技术的鲜茧含水率的无损检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910863558.5A CN110567889A (zh) | 2019-09-12 | 2019-09-12 | 一种基于光谱成像和深度学习技术的鲜茧含水率的无损检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110567889A true CN110567889A (zh) | 2019-12-13 |
Family
ID=68779713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910863558.5A Pending CN110567889A (zh) | 2019-09-12 | 2019-09-12 | 一种基于光谱成像和深度学习技术的鲜茧含水率的无损检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110567889A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111524092A (zh) * | 2020-03-16 | 2020-08-11 | 中国农业科学院茶叶研究所 | 一种红茶萎凋程度指标的无损检测方法 |
| CN113533248A (zh) * | 2021-07-07 | 2021-10-22 | 南京富岛信息工程有限公司 | 一种炼化企业原油含水率的近红外光谱分析方法 |
| CN114062305A (zh) * | 2021-10-15 | 2022-02-18 | 中国科学院合肥物质科学研究院 | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统 |
| CN117368121A (zh) * | 2023-11-27 | 2024-01-09 | 安徽农业大学 | 一种茶叶含水率在线检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102033043A (zh) * | 2010-10-19 | 2011-04-27 | 浙江大学 | 基于高光谱图像技术的粮粒含水率检测方法 |
| CN104697943A (zh) * | 2014-11-10 | 2015-06-10 | 江苏大学 | 一种油菜水分胁迫的无损检测方法 |
| CN104807777A (zh) * | 2015-04-28 | 2015-07-29 | 中国食品发酵工业研究院 | 一种基于近红外光谱分析技术的槟榔水分含量快速检测方法 |
-
2019
- 2019-09-12 CN CN201910863558.5A patent/CN110567889A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102033043A (zh) * | 2010-10-19 | 2011-04-27 | 浙江大学 | 基于高光谱图像技术的粮粒含水率检测方法 |
| CN104697943A (zh) * | 2014-11-10 | 2015-06-10 | 江苏大学 | 一种油菜水分胁迫的无损检测方法 |
| CN104807777A (zh) * | 2015-04-28 | 2015-07-29 | 中国食品发酵工业研究院 | 一种基于近红外光谱分析技术的槟榔水分含量快速检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHAO NI等: "Variable weighted convolutional neural network for the nitrogen content quantization of Masson pine seedling leaves with near-infrared spectroscopy", 《SPECTROCHIMICA ACTA PART》 * |
| 孙俊: "《光谱技术在农作物 农产品信息无损检测中的应用》", 30 June 2017 * |
| 金航峰: "基于光谱和高光谱图像技术的蚕茧品质无损检测研究", 《CNKI中国优秀博硕士学位论文全文数据库》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111524092A (zh) * | 2020-03-16 | 2020-08-11 | 中国农业科学院茶叶研究所 | 一种红茶萎凋程度指标的无损检测方法 |
| CN111524092B (zh) * | 2020-03-16 | 2024-03-12 | 中国农业科学院茶叶研究所 | 一种红茶萎凋程度指标的无损检测方法 |
| CN113533248A (zh) * | 2021-07-07 | 2021-10-22 | 南京富岛信息工程有限公司 | 一种炼化企业原油含水率的近红外光谱分析方法 |
| CN113533248B (zh) * | 2021-07-07 | 2024-01-05 | 南京富岛信息工程有限公司 | 一种炼化企业原油含水率的近红外光谱分析方法 |
| CN114062305A (zh) * | 2021-10-15 | 2022-02-18 | 中国科学院合肥物质科学研究院 | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统 |
| CN114062305B (zh) * | 2021-10-15 | 2024-01-26 | 中国科学院合肥物质科学研究院 | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统 |
| CN117368121A (zh) * | 2023-11-27 | 2024-01-09 | 安徽农业大学 | 一种茶叶含水率在线检测方法 |
| CN117368121B (zh) * | 2023-11-27 | 2024-05-07 | 安徽农业大学 | 一种茶叶含水率在线检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110567889A (zh) | 一种基于光谱成像和深度学习技术的鲜茧含水率的无损检测方法 | |
| CN111968080B (zh) | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 | |
| CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
| CN105486655B (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
| CN110736709A (zh) | 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法 | |
| CN109799245A (zh) | 一种绝缘子污秽程度非接触式检测方法及装置 | |
| CN115993344A (zh) | 一种近红外光谱分析仪质量监测分析系统及方法 | |
| CN111340098B (zh) | 基于鞋印图像的STA-Net年龄预测方法 | |
| CN106950186A (zh) | 基于光纤光谱的土鸡蛋或洋鸡蛋品种检测装置及其方法 | |
| Raut et al. | Assessment of fruit maturity using digital image processing | |
| CN113267466B (zh) | 基于光谱波长优选的水果糖度和酸度无损检测方法 | |
| CN114414521A (zh) | 基于红外多光谱传感器的牛奶主要成分测量方法 | |
| CN110070004A (zh) | 一种应用于深度学习的近地高光谱数据扩展方法 | |
| CN110570022A (zh) | 一种基于mGBDT的建筑能耗预测方法和系统 | |
| CN114019082B (zh) | 一种土壤有机质含量监测方法和系统 | |
| CN115424006A (zh) | 应用于作物表型参数反演的多源多层次数据融合方法 | |
| CN115656063A (zh) | 基于高光谱数据的目标污染物含量分析方法及装置 | |
| CN115855860A (zh) | 一种茶叶干燥过程中的水分含量预测方法及处理终端 | |
| CN105866042A (zh) | 基于像素指标无偏估计法生物品质指标空间分布检测方法 | |
| CN117786617B (zh) | 一种基于ga-lstm高光谱定量反演的布料成分分析方法及系统 | |
| CN117871459A (zh) | 一种羊肉粗脂肪含量确定方法及系统 | |
| CN117288692B (zh) | 一种酿酒粮食中单宁含量的检测方法 | |
| Palmquist | Detecting defects on cheese using hyperspectral image analysis | |
| Zhao et al. | Egg freshness recognition based on a fuzzy radial-basis-function neural network technology | |
| CN117169166A (zh) | 一种光谱技术和深度学习技术结合的toc快速检测算法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191213 |