CN113177578A - 一种基于lstm的农产品品质分类方法 - Google Patents

一种基于lstm的农产品品质分类方法 Download PDF

Info

Publication number
CN113177578A
CN113177578A CN202110365817.9A CN202110365817A CN113177578A CN 113177578 A CN113177578 A CN 113177578A CN 202110365817 A CN202110365817 A CN 202110365817A CN 113177578 A CN113177578 A CN 113177578A
Authority
CN
China
Prior art keywords
data
lstm
model
agricultural product
product quality
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
Application number
CN202110365817.9A
Other languages
English (en)
Inventor
李欣怡
高羽佳
张友华
夏川
刘飞
李家清
张祯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Agricultural University AHAU
Original Assignee
Anhui Agricultural University AHAU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Agricultural University AHAU filed Critical Anhui Agricultural University AHAU
Priority to CN202110365817.9A priority Critical patent/CN113177578A/zh
Publication of CN113177578A publication Critical patent/CN113177578A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Agronomy & Crop Science (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Animal Husbandry (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于LSTM的农产品品质分类方法，包括以下步骤：A、使用农产品检测仪器，检测出农产品的外部特征ai与内部特征bi；B、从已有的数据中提取优质、合格、不合格三个标签样本数据，并将数据进行归一化处理；C、构建基于RF的特征选择框架，将处理好的16个特征变量送入基于RF的农产品品质特征选择模型中进行农产品品质的分类预测，得出特征重要性排序。本发明提出了一种基于LSTM的农产品品质分类方法，考虑了农产品在运输过程中品质的变化受时间特征的影响，并加入了Dropout算法对参数进行优化，从而提高模型的准确率。

Description

一种基于LSTM的农产品品质分类方法
技术领域
本发明涉及农产品品质分类方法技术领域，具体是一种基于LSTM的农产品品质分类方法。
背景技术
随着社会的不断进步,农产品的品质与质量越来越受到人们的重视,然而农产品品质的评价受多元化因素的影响，既要考虑外部特征因素也需要考虑内部特征因素，并且农产品在实际运输过程中随着时间的变化会对品质产生影响。因此很难对农产品的品质下以标准化得定义，也鲜有网站与机构对农产品的品质进行分类。
LSTM是深度学习中有效、可靠的算法，适合用于处理与时间序列高度相关的问题。对于分类问题，以CNN为代表的前馈网络拥有着性能上的优势，但由于LSTM具有记忆细胞的特殊单元类似累加器和门控神经元，在解决长远的、更为复杂的任务上具有独特的优势。
业内对于分类问题，大多采用的是传统的数理统计的方法和机器学习中的算法，在分类过程中很难处理大量、多维度的数据并且难以解决多分类的问题。
因此，实际应用中此类模型难以取得理想的效果。
发明内容
本发明的目的在于克服现有技术的缺陷，提出一种可以解决多分类的问题的基于LSTM的农产品品质分类方法。
为实现上述目的，本发明采用了如下技术方案：
一种基于LSTM的农产品品质分类方法，包括以下步骤：
A、使用农产品检测仪器，检测出农产品的外部特征ai与内部特征bi；
B、从已有的数据中提取优质、合格、不合格三个标签样本数据，并将数据进行归一化处理；
C、构建基于RF的特征选择框架，将处理好的16个特征变量送入基于RF的农产品品质特征选择模型中进行农产品品质的分类预测，得出特征重要性排序；
D、选取16个特征变量中关联度较大的9个特征变量，将数据导入数据编码模块，数据编码模块采用数据处理技术对提取后的数据进行编码，最后划分为训练样本集和测试样本集；
E、构建基于LSTM的农产品品质分类模型；
F、利用已组建的训练样本集和测试样本集，训练基于LSTM的农产品品质分类模型，确定模型参数；
G、将几类待分类的农产品特征数据集，输入至训练完毕的深度学习模型中，深度学习模型输出识别分类结果。
优选的，所述步骤A中，通过仪器检测出酚类含量、可溶性固形物、酒精含量、总酸、单宁等内部影响因素，通过分析天平检测出农产品重量、通过农产品检测仪检测农产品形态指数等外部影响因素。
优选的，所述步骤B中，为了消除不同度量单位和方差对预测结果的不良影响，将训练集中的每一个数据特征的值进行归一化处理，且计算公式如下：
Figure BDA0003007327380000031
其中，xi指样本，min(xi)为样本最小值，max(xi)为样本最大值。
优选的，所述步骤C中，构建基于RF的农产品品质特征选择模型方法如下：
C1：从原始训练集中使用Bootstraping方法有放回地重复随机抽取n个样本；
C2：用n组袋外数据(OOB data)分别计算出每一棵决策树的误差值，记作Erb1，Erb2，....，Erbk；
C3：保持其他特征不变的情况下，对n组袋外数据的第i个特征进行随机重排，并重新计算误差值，记新的误差值为Eri1，Eri2，....，Erik；
C4：特征重要性排序的计算公式如下：
Figure BDA0003007327380000032
C5：基于特征对于最终结果的重要性进行排序，根据得到的最佳特征数9择出前9个特征作为特征向量送入新的模型。
优选的，所述步骤D，构建数据编码模块方法如下：
数据的编码方式采用one-hot的编码方式，9个特征在一次热编码过程中被编码，编码符合一下特征：
Figure BDA0003007327380000033
在上式中，x为一个特征，包含有序集合中有可能的值。
优选的，所述步骤E，构建基于LSTM的农产品品质分类模型方法如下：
D1:构造多层LSTM的复合网络，本网络由两层LSTM层和三层全连接层构成，第一层LSTM层由80个神经元构成，第二层LSTM层由100个神经元构成；
D2:将训练集的数据作为一个整体分别输入到第一层LSTM层的输入门it、遗忘门ft、输出门Ot中，运算的公式如下：
it＝sigmoid(Wiixt+bii+Whiht-1+bhi)
ft＝sigmoid(Wifxt+bif+Whfht-1+bhf)
ot＝sigmoid(Wioxt+bio+Whoht-1+bho)
gt＝tanh(Wigxt+big+Whght-1+bhg)
ct＝ftct-1+itgt
其中，内部状态向量由输入门控制的每个隐藏单元写入，遗忘门决定了先前的内部状态ct-1被保留了多少；输出门还控制每个单元的激活被保留多少，接着，将第一层LSTM层输出的数据输入第二层LSTM层，最后进入三个全连接层将输出向量转换为标签向量维度；
D3：模型部分中使用高效的adam优化算法，损失函数采用categorical_crossentropy loss(交叉熵损失函数)，并将训练集与测试集数据输入复合网络中；
D4：网络根据得到的数据多次迭代并保存高精度下的模型参数；
优选的，所述步骤F中利用测试集数据对模型进行评估，获得测试集的准确率和损失值；当测试集的准确率和训练集的准确率都很低时，模型存在欠拟合问题，这时需要在模型中添加多项式特征并减少正则化参数；当测试集的准确率和训练集的准确率比其他独立数据集上的测试结果的准确率要高时，模型存在过拟合问题，这时需要在模型中加入l2正则化和Dropout算法防止模型过拟合；重复D1～D4中的步骤，并反向调节神经网络中的参数，不断优化模型提升模型的准确率至97％以上，且损失值降低至0.01以下，此时，该基于LSTM的农产品品质分类模型训练完毕。
优选的，所述步骤G中利用训练完成的农产品品质分类模型对待分类的农产品进行分类的方法为：将用农产品检测仪器检测出的数据输入已经训练好的基于LSTM的农产品品质分类模型中，得到农产品品质分类的结果。
与现有技术相比，本发明提供了一种基于LSTM的农产品品质分类方法，具有如下有益效果：
本发明是一种基于LSTM的农产品品质分类方法，利用了RF在大量检测数据中选择出关联度对品质因素影响关联度高的数据，从而降低了繁杂数据对模型参数的干扰，一定程度上可以提高模型的准确率。同时充分利用了LSTM网络对数据的记忆特征，从而解决了在农产品品质分类受时间影响的问题。
附图说明
图1是本发明的整体步骤流程示意图；
图2是本发明中深度学习模型框架图之一；
图3是本发明中深度学习模型框架图之二。
具体实施方式
以下结合附图1-图3，进一步说明本发明一种基于LSTM的农产品品质分类方法的具体实施方式。
本发明一种基于LSTM的农产品品质分类方法不限于以下实施例的描述。
一种基于LSTM的农产品品质分类方法，包括以下步骤：
A、使用农产品检测仪器，检测出农产品的外部特征ai与内部特征bi；
B、从已有的数据中提取优质、合格、不合格三个标签样本数据，并将数据进行归一化处理；
C、构建基于RF的特征选择框架，将处理好的16个特征变量送入基于RF的农产品品质特征选择模型中进行农产品品质的分类预测，得出特征重要性排序；
D、选取16个特征变量中关联度较大的9个特征变量，将数据导入数据编码模块，数据编码模块采用数据处理技术对提取后的数据进行编码，最后划分为训练样本集和测试样本集；
E、构建基于LSTM的农产品品质分类模型；
F、利用已组建的训练样本集和测试样本集，训练基于LSTM的农产品品质分类模型，确定模型参数；
G、将几类待分类的农产品特征数据集，输入至训练完毕的深度学习模型中，深度学习模型输出识别分类结果。
所述步骤A中，通过仪器检测出酚类含量、可溶性固形物、酒精含量、总酸、单宁等内部影响因素，通过分析天平检测出农产品重量、通过农产品检测仪检测农产品形态指数等外部影响因素。
所述步骤B中，为了消除不同度量单位和方差对预测结果的不良影响，将训练集中的每一个数据特征的值进行归一化处理，且计算公式如下：
Figure BDA0003007327380000071
其中，xi指样本，min(xi)为样本最小值，max(xi)为样本最大值。
所述步骤C中，构建基于RF的农产品品质特征选择模型方法如下：
C1：从原始训练集中使用Bootstraping方法有放回地重复随机抽取n个样本；
C2：用n组袋外数据(OOB data)分别计算出每一棵决策树的误差值，记作Erb1，Erb2，....，Erbk；
C3：保持其他特征不变的情况下，对n组袋外数据的第i个特征进行随机重排，并重新计算误差值，记新的误差值为Eri1，Eri2，....，Erik；
C4：特征重要性排序的计算公式如下：
Figure BDA0003007327380000072
C5：基于特征对于最终结果的重要性进行排序，根据得到的最佳特征数9择出前9个特征作为特征向量送入新的模型。
所述步骤D，构建数据编码模块方法如下：
数据的编码方式采用one-hot的编码方式，9个特征在一次热编码过程中被编码，编码符合一下特征：
Figure BDA0003007327380000073
在上式中，x为一个特征，包含有序集合中有可能的值。
所述步骤E，构建基于LSTM的农产品品质分类模型方法如下：
D1:构造多层LSTM的复合网络，本网络由两层LSTM层和三层全连接层构成，第一层LSTM层由80个神经元构成，第二层LSTM层由100个神经元构成；
D2:将训练集的数据作为一个整体分别输入到第一层LSTM层的输入门it、遗忘门ft、输出门Ot中，运算的公式如下：
it＝sigmoid(Wiixt+bii+Whiht-1+bhi)
ft＝sigmoid(Wifxt+bif+Whfht-1+bhf)
ot＝sigmoid(Wioxt+bio+Whoht-1+bho)
gt＝tanh(Wigxt+big+Whght-1+bhg)
ct＝ftct-1+itgt
其中，内部状态向量由输入门控制的每个隐藏单元写入，遗忘门决定了先前的内部状态ct-1被保留了多少；输出门还控制每个单元的激活被保留多少，接着，将第一层LSTM层输出的数据输入第二层LSTM层，最后进入三个全连接层将输出向量转换为标签向量维度；
D3：模型部分中使用高效的adam优化算法，损失函数采用categorical_crossentropy loss(交叉熵损失函数)，并将训练集与测试集数据输入复合网络中；
D4：网络根据得到的数据多次迭代并保存高精度下的模型参数；
所述步骤F中利用测试集数据对模型进行评估，获得测试集的准确率和损失值；当测试集的准确率和训练集的准确率都很低时，模型存在欠拟合问题，这时需要在模型中添加多项式特征并减少正则化参数；当测试集的准确率和训练集的准确率比其他独立数据集上的测试结果的准确率要高时，模型存在过拟合问题，这时需要在模型中加入l2正则化和Dropout算法防止模型过拟合；重复D1～D4中的步骤，并反向调节神经网络中的参数，不断优化模型提升模型的准确率至97％以上，且损失值降低至0.01以下，此时，该基于LSTM的农产品品质分类模型训练完毕。
所述步骤G中利用训练完成的农产品品质分类模型对待分类的农产品进行分类的方法为：将用农产品检测仪器检测出的数据输入已经训练好的基于LSTM的农产品品质分类模型中，得到农产品品质分类的结果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (8)

1.一种基于LSTM的农产品品质分类方法，其特征在于：包括以下步骤：
A、使用农产品检测仪器，检测出农产品的外部特征ai与内部特征bi；
B、从已有的数据中提取优质、合格、不合格三个标签样本数据，并将数据进行归一化处理；
C、构建基于RF的特征选择框架，将处理好的16个特征变量送入基于RF的农产品品质特征选择模型中进行农产品品质的分类预测，得出特征重要性排序；
D、选取16个特征变量中关联度较大的9个特征变量，将数据导入数据编码模块，数据编码模块采用数据处理技术对提取后的数据进行编码，最后划分为训练样本集和测试样本集；
E、构建基于LSTM的农产品品质分类模型；
F、利用已组建的训练样本集和测试样本集，训练基于LSTM的农产品品质分类模型，确定模型参数；
G、将几类待分类的农产品特征数据集，输入至训练完毕的深度学习模型中，深度学习模型输出识别分类结果。
2.如权利要求1所述一种基于LSTM的农产品品质分类方法，其特征在于：所述步骤A中，通过仪器检测出酚类含量、可溶性固形物、酒精含量、总酸、单宁等内部影响因素，通过分析天平检测出农产品重量、通过农产品检测仪检测农产品形态指数等外部影响因素。
3.如权利要求1所述一种基于LSTM的农产品品质分类方法，其特征在于：所述步骤B中，为了消除不同度量单位和方差对预测结果的不良影响，将训练集中的每一个数据特征的值进行归一化处理，且计算公式如下：
Figure FDA0003007327370000021
其中，xi指样本，min(xi)为样本最小值，max(xi)为样本最大值。
4.如权利要求1所述一种基于LSTM的农产品品质分类方法，其特征在于：所述步骤C中，构建基于RF的农产品品质特征选择模型方法如下：
C1:从原始训练集中使用Bootstraping方法有放回地重复随机抽取n个样本；
C2：用n组袋外数据(OOB data)分别计算出每一棵决策树的误差值，记作Erb1,Erb2,....,Erbk；
C3:保持其他特征不变的情况下，对n组袋外数据的第i个特征进行随机重排,并重新计算误差值，记新的误差值为Eri1,Eri2,....,Erik；
C4：特征重要性排序的计算公式如下：
Figure FDA0003007327370000022
C5:基于特征对于最终结果的重要性进行排序，根据得到的最佳特征数9择出前9个特征作为特征向量送入新的模型。
5.如权利要求1所述一种基于LSTM的农产品品质分类方法，其特征在于：所述步骤D，构建数据编码模块方法如下：
数据的编码方式采用one-hot的编码方式，9个特征在一次热编码过程中被编码，编码符合一下特征：
Figure FDA0003007327370000031
在上式中，x为一个特征，包含有序集合中有可能的值。
6.如权利要求1所述一种基于LSTM的农产品品质分类方法，其特征在于：所述步骤E，构建基于LSTM的农产品品质分类模型方法如下：
D1:构造多层LSTM的复合网络，本网络由两层LSTM层和三层全连接层构成，第一层LSTM层由80个神经元构成，第二层LSTM层由100个神经元构成；
D2:将训练集的数据作为一个整体分别输入到第一层LSTM层的输入门it、遗忘门ft、输出门Ot中，运算的公式如下：
it＝sigmoid(Wiixt+bii+Whiht-1+bhi)
ft＝sigmoid(Wifxt+bif+Whfht-1+bhf)
ot＝sigmoid(Wioxt+bio+Whoht-1+bho)
gt＝tanh(Wigxt+big+Whght-1+bhg)
ct＝ftct-1+itgt
其中，内部状态向量由输入门控制的每个隐藏单元写入，遗忘门决定了先前的内部状态ct-1被保留了多少；输出门还控制每个单元的激活被保留多少，接着，将第一层LSTM层输出的数据输入第二层LSTM层，最后进入三个全连接层将输出向量转换为标签向量维度；
D3：模型部分中使用高效的adam优化算法，损失函数采用categorical_crossentropyloss(交叉熵损失函数)，并将训练集与测试集数据输入复合网络中；
D4：网络根据得到的数据多次迭代并保存高精度下的模型参数。
7.如权利要求1所述一种基于LSTM的农产品品质分类方法，其特征在于：所述步骤F中利用测试集数据对模型进行评估，获得测试集的准确率和损失值；当测试集的准确率和训练集的准确率都很低时，模型存在欠拟合问题，这时需要在模型中添加多项式特征并减少正则化参数；当测试集的准确率和训练集的准确率比其他独立数据集上的测试结果的准确率要高时，模型存在过拟合问题，这时需要在模型中加入l2正则化和Dropout算法防止模型过拟合；重复D1～D4中的步骤，并反向调节神经网络中的参数，不断优化模型提升模型的准确率至97％以上，且损失值降低至0.01以下，此时，该基于LSTM的农产品品质分类模型训练完毕。
8.如权利要求1所述一种基于LSTM的农产品品质分类方法，其特征在于：所述步骤G中利用训练完成的农产品品质分类模型对待分类的农产品进行分类的方法为：将用农产品检测仪器检测出的数据输入已经训练好的基于LSTM的农产品品质分类模型中，得到农产品品质分类的结果。
CN202110365817.9A 2021-04-06 2021-04-06 一种基于lstm的农产品品质分类方法 Pending CN113177578A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110365817.9A CN113177578A (zh) 2021-04-06 2021-04-06 一种基于lstm的农产品品质分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110365817.9A CN113177578A (zh) 2021-04-06 2021-04-06 一种基于lstm的农产品品质分类方法

Publications (1)

Publication Number Publication Date
CN113177578A true CN113177578A (zh) 2021-07-27

Family

ID=76922792

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110365817.9A Pending CN113177578A (zh) 2021-04-06 2021-04-06 一种基于lstm的农产品品质分类方法

Country Status (1)

Country Link
CN (1) CN113177578A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554321A (zh) * 2021-07-28 2021-10-26 陕西科技大学 一种乳制品冷链物流质量安全预警方法
CN117114917A (zh) * 2023-10-25 2023-11-24 中国铁塔股份有限公司吉林省分公司 应用于数字农业的ai预测处理方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190114320A1 (en) * 2017-10-17 2019-04-18 Tata Consultancy Services Limited System and method for quality evaluation of collaborative text inputs
CN110555551A (zh) * 2019-08-23 2019-12-10 中南大学 一种智慧城市的空气质量大数据管理方法及系统
CN110888982A (zh) * 2019-11-22 2020-03-17 成都市映潮科技股份有限公司 一种高精度的农产品分类方法及系统
CN111144552A (zh) * 2019-12-27 2020-05-12 河南工业大学 一种粮食品质多指标预测方法及装置
US20200273172A1 (en) * 2019-02-27 2020-08-27 International Business Machines Corporation Crop grading via deep learning
CN111833311A (zh) * 2020-06-18 2020-10-27 安徽农业大学 基于深度学习的图像识别方法及在水稻病害识别上的应用

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190114320A1 (en) * 2017-10-17 2019-04-18 Tata Consultancy Services Limited System and method for quality evaluation of collaborative text inputs
US20200273172A1 (en) * 2019-02-27 2020-08-27 International Business Machines Corporation Crop grading via deep learning
CN110555551A (zh) * 2019-08-23 2019-12-10 中南大学 一种智慧城市的空气质量大数据管理方法及系统
CN110888982A (zh) * 2019-11-22 2020-03-17 成都市映潮科技股份有限公司 一种高精度的农产品分类方法及系统
CN111144552A (zh) * 2019-12-27 2020-05-12 河南工业大学 一种粮食品质多指标预测方法及装置
CN111833311A (zh) * 2020-06-18 2020-10-27 安徽农业大学 基于深度学习的图像识别方法及在水稻病害识别上的应用

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
RONGXIANG 等: "Method for assessing the quality of data used in evaluating the performance of recognition algorithms for fruits and vegetables", 《BIOSYSTEMS ENGINEERING》 *
VANI ASHOK 等: "Automatic quality evaluation of fruits using Probabilistic Neural Network approach", 《2014 INTERNATIONAL CONFERENCE ON CONTEMPORARY COMPUTING AND INFORMATICS (IC3I)》 *
吴道君 等: "《普通高等院校应用型人才培养"十三五"规划教材 Python数据分析》", 30 September 2019, 北京：中国铁道出版社 *
张鑫 等: "Hadoop 环境下基于随机森林的特征选择算法", 《计算机技术与发展》 *
牟少敏 等: "《模式识别与机器学习技术》", 30 June 2019, 北京：冶金工业出版社 *
石瑞瑶 等: "基于机器视觉的苹果品质在线分级检测", 《中国农业科技导报》 *
蒋卫祥 等: "《大数据时代计算机数据处理技术探究》", 31 March 2019, 北京：北京工业大学出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554321A (zh) * 2021-07-28 2021-10-26 陕西科技大学 一种乳制品冷链物流质量安全预警方法
CN117114917A (zh) * 2023-10-25 2023-11-24 中国铁塔股份有限公司吉林省分公司 应用于数字农业的ai预测处理方法及系统
CN117114917B (zh) * 2023-10-25 2024-01-26 中国铁塔股份有限公司吉林省分公司 应用于数字农业的ai预测处理方法及系统

Similar Documents

Publication Publication Date Title
CN111126386B (zh) 场景文本识别中基于对抗学习的序列领域适应方法
CN103544499B (zh) 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法
CN104573669A (zh) 图像物体检测方法
CN112418130A (zh) 一种基于bp神经网络的香蕉成熟度检测方法及装置
CN112613536A (zh) 一种基于smote和深度学习的近红外光谱柴油牌号识别方法
CN113177578A (zh) 一种基于lstm的农产品品质分类方法
CN111626821A (zh) 基于集成特征选择实现客户分类的产品推荐方法及系统
CN113344903A (zh) 一种基于变分自编码器的玻璃瑕疵检测方法
CN111338950A (zh) 一种基于谱聚类的软件缺陷特征选择方法
CN114015825A (zh) 基于注意力机制的高炉热负荷异常状态监测方法
CN113191926A (zh) 基于深度集成学习网络的粮油农作物供应链危害物辨识方法及系统
CN113435726A (zh) 一种商品管理方法和系统
CN114580934A (zh) 基于无监督异常检测的食品检测数据风险的早预警方法
CN110634198B (zh) 一种基于正多胞体滤波的工业系统分层故障诊断方法
CN113496324A (zh) 喷涂质量预测方法、装置、电子设备以及存储介质
CN114782761A (zh) 基于深度学习的智能仓储物料识别方法和系统
CN113837266B (zh) 一种基于特征提取和Stacking集成学习的软件缺陷预测方法
CN113159225B (zh) 多变量工业过程故障分类方法
CN110675382A (zh) 基于CNN-LapsELM的铝电解过热度识别方法
CN114266337A (zh) 一种基于残差网络的烟叶智能分级模型及利用该模型分级的方法
CN111797574B (zh) 聚合物分子量分布的集成高斯过程回归模型方法
Tuunainen et al. A comparative study on the application of Convolutional Neural Networks for wooden panel defect detection
CN113793217A (zh) 一种基于卷积神经网络的股票交易反转点与异常点检测方法
Chen et al. Probabilistic neural network based apple classification prediction
Huang et al. Quality control on manufacturing computer keyboards using multilevel deep neural networks

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

Application publication date: 20210727

WD01 Invention patent application deemed withdrawn after publication