CN113433081A - 基于动态神经网络的果蔬干燥过程中品质检测方法及系统 - Google Patents

基于动态神经网络的果蔬干燥过程中品质检测方法及系统 Download PDF

Info

Publication number
CN113433081A
CN113433081A CN202110764668.3A CN202110764668A CN113433081A CN 113433081 A CN113433081 A CN 113433081A CN 202110764668 A CN202110764668 A CN 202110764668A CN 113433081 A CN113433081 A CN 113433081A
Authority
CN
China
Prior art keywords
neural network
sequence
lstm
dimensional
dynamic neural
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.)
Granted
Application number
CN202110764668.3A
Other languages
English (en)
Other versions
CN113433081B (zh
Inventor
黄敏
周竑宇
赵鑫
朱启兵
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.)
Jiangnan University
Original Assignee
Jiangnan University
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 Jiangnan University filed Critical Jiangnan University
Priority to CN202110764668.3A priority Critical patent/CN113433081B/zh
Publication of CN113433081A publication Critical patent/CN113433081A/zh
Application granted granted Critical
Publication of CN113433081B publication Critical patent/CN113433081B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • 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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种基于动态神经网络的果蔬干燥过程中品质检测方法及系统,包括：采集并保存待检测的果蔬切片样本集在多光谱多个波段下的多光谱图形集；对所述多光谱图形集中的光谱图形进行预处理；对处理过后的图像进行阈值分割，并将每个波段下分割后感兴趣区域的像素点按照顺序重构为一维序列；对样本集中每个样本多个波段下的一维序列作补零处理，并重建二维图像，将重建二维图像集中的数据维度增加一维；将增加一维后的二维图像集按照多个波段的顺序依次输入动态神经网络进行训练，将训练后的预测值与实际值作对比，得出衡量预测能力的指标并依照效果来调整网络的结构和训练的次数。本发明有利于提高对于指标的预测能力，有效提高检测准确度。

Description

基于动态神经网络的果蔬干燥过程中品质检测方法及系统
技术领域
本发明涉及果蔬干燥过程中品质检测的技术领域，尤其是指一种基于动态神经网络的果蔬干燥过程中品质检测方法及系统。
背景技术
大部分果蔬由于自身富含水分糖分和其它营养成分而容易在存储的过程中发生快速的腐烂、脱水和微生物滋生等情况。由于对果蔬的处理不当，我国每年因为果蔬的损耗而产生数千亿的经济损失。所以果蔬的深加工对于我国现代食品产业的发展具有重要意义。其中干燥是果蔬深加工中的第一步，它能在蒸发果蔬水分的同时抑制微生物的增长，增长存储时间。传统方法中，检测干燥过程中的品质指标通常需要进行大量复杂的物理化学实验，存在着鉴定时间长，对果蔬样本具有破坏性以及对检测人员素质要求高等特点。近年来，受到广泛研究的多光谱检测技术不仅能够做到对于品质检测的快速性和无损性，而且由于其图像还能提供包括光谱特性和空间特性在内的多维度信息，所以相对于其他依赖于单一特性检测的快速无损技术(如机器视觉技术，红外光谱技术等)拥有着更高的检测精度。
利用C-LSTM模型对干燥过程中果蔬的多光谱图像进行训练从而检测出品质指标本质上是一个回归预测问题，其对于模型的预测精度要求比较苛刻。在此过程中，虽然多光谱数据为果蔬的品质预测提供了充分的信息保证，但是同时也给数据的处理带来了维度方面的灾难。所以如何从高维数据中提取出针对特定品质指标强相关的低维特征，并由此建立高精度和高鲁棒性的模型成了研究多光谱技术对果蔬干燥过程中品质检测中的两个关键问题。在以往的研究中，学者们往往需要通过先验知识来手动提取特征，而且为了解决维度问题，还需要对于提取的特征作进一步的特征选择处理。这会导致实验的时效性下降，并且对于实验人员的要求提高。此外，经典的机器学习方法和神经网络方法建立的模型都是将多光谱特征合并为一个无序的向量，基于这种向量的模型在训练过程中忽视了光谱图像中不同波段特征的顺序，使得模型难以完全表征输入特征于输出的变量间的关系，并最终影响到模型的准确性。因此，寻找到一种更加高效利用多光谱数据，并且能自动提取光谱图像数据的方法显得尤为的重要。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中检测准确率低的问题，从而提供一种预测能力高，从而有效提高检测准确度的基于动态神经网络的果蔬干燥过程中品质检测方法及系统。
为解决上述技术问题，本发明的一种基于动态神经网络的果蔬干燥过程中品质检测方法，包括如下步骤：步骤S1：采集并保存待检测的果蔬切片样本集在多光谱多个波段下的多光谱图形集；步骤S2：对所述多光谱图形集中的光谱图形进行预处理；步骤S3：对处理过后的图像进行阈值分割，并将每个波段下分割后感兴趣区域的像素点按照顺序重构为一维序列；步骤S4：对样本集中每个样本多个波段下的一维序列作补零处理，并重建二维图像，将重建二维图像集中的数据维度增加一维；步骤S5：将增加一维后的二维图像集按照多个波段的顺序依次输入动态神经网络进行训练，将训练后的预测值与实际值作对比，得出衡量预测能力的指标并依照效果来调整网络的结构和训练的次数。
在本发明的一个实施例中，对处理过后的图像进行阈值分割时，采用选择样本中轮廓最为清晰一个波段图像来进行阈值分割得到感兴趣区域的坐标。
在本发明的一个实施例中，所述阈值分割的方法为自适应阈值分割法。
在本发明的一个实施例中，将每个波段下分割后感兴趣区域的像素点按照顺序重构为一维序列时，按照坐标点位置的顺序依次排列成一维数组。
在本发明的一个实施例中，对样本集中每个样本多个波段下的一维序列作补零处理时，在每个样本的一维序列最后进行补零。
在本发明的一个实施例中，所述动态神经网络是C-LSTM模型，所述C-LSTM模型中有多个卷积核，分别进行卷积操作得到不同特征提取的特征光谱图像。
在本发明的一个实施例中，所述C-LSTM模型包括C-LSTM层、重构层、LSTM层和全连接层，其中所述C-LSTM层中共有多个共享权重的C-LSTM细胞，所述LSTM层第i个LSTM细胞的外部输入部分来自于对应位置C-LSTM细胞的输出，所述重构层设置在所述C-LSTM层与LSTM层之间，所述LSTM层只在最后一个细胞的位置输出并经过单层的全连接层后产生最终的预测值输出。
在本发明的一个实施例中，所述C-LSTM细胞由遗忘门、输入门、细胞状态门和输出门构成。
在本发明的一个实施例中，对所述多光谱图形集进行预处理的方法为对光谱图像进行腐蚀、膨胀的处理。
本发明还提供了一种基于动态神经网络的果蔬干燥过程中品质检测系统，包括：采集模块，用于采集并保存待检测的果蔬切片样本集在多光谱多个波段下的多光谱图形集；预处理模块，用于对所述多光谱图形集中的光谱图形进行预处理；分割重构模块，用于对处理过后的图像进行阈值分割，并将每个波段下分割后感兴趣区域的像素点按照顺序重构为一维序列；补零处理模块，用于对样本集中每个样本多个波段下的一维序列作补零处理，并重建二维图像，将重建二维图像集中的数据维度增加一维；训练模块，用于将增加一维后的二维图像集按照多个波段的顺序依次输入动态神经网络进行训练，将训练后的预测值与实际值作对比，得出衡量预测能力的指标并依照效果来调整网络的结构和训练的次数。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的基于动态神经网络的果蔬干燥过程中品质检测方法及系统，包括：采集并保存待检测的果蔬切片样本集在多光谱多个波段下的多光谱图形集；对所述多光谱图形集中的光谱图形进行预处理，从而有利于去除不必要的噪声和干扰；对处理过后的图像进行阈值分割，并将每个波段下分割后感兴趣区域的像素点按照顺序重构为一维序列，由于没有引入过多的背景信息，提高了检测目标的训练能力并且抑制了噪声；对样本集中每个样本多个波段下的一维序列作补零处理，并重建二维图像，将重建二维图像集中的数据维度增加一维，从而可以解决样本间感兴趣区域大小不一致不能放入神经网络训练的问题；将增加一维后的二维图像集按照多个波段的顺序依次输入动态神经网络进行训练，将训练后的预测值与实际值作对比，得出衡量预测能力的指标并依照效果来调整网络的结构和训练的次数，从而有利于提高对于指标的预测能力，有效提高检测准确度。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是本发明基于动态神经网络的果蔬干燥过程中品质检测方法流程图；
图2是本发明所述C-LSTM模型的框架图；
图3是本发明所述C-LSTM细胞的示意图；
图4是本发明所述LSTM细胞结构的示意图。
具体实施方式
实施例一
如图1所示，本实施例提供一种基于动态神经网络的果蔬干燥过程中品质检测方法，包括如下步骤：步骤S1：采集并保存待检测的果蔬切片样本集在多光谱多个波段下的多光谱图形集；步骤S2：对所述多光谱图形集中的光谱图形进行预处理；步骤S3：对处理过后的图像进行阈值分割，并将每个波段下分割后感兴趣区域的像素点按照顺序重构为一维序列；步骤S4：对样本集中每个样本多个波段下的一维序列作补零处理，并重建二维图像，将重建二维图像集中的数据维度增加一维；步骤S5：将增加一维后的二维图像集按照多个波段的顺序依次输入动态神经网络进行训练，将训练后的预测值与实际值作对比，得出衡量预测能力的指标并依照效果来调整网络的结构和训练的次数。
本实施例所述基于动态神经网络的果蔬干燥过程中品质检测方法，所述步骤S1中，采集并保存待检测的果蔬切片样本集在多光谱多个波段下的多光谱图形集；所述步骤S2中，对所述多光谱图形集中的光谱图形进行预处理，从而有利于去除不必要的噪声和干扰；所述步骤S3中，对处理过后的图像进行阈值分割，并将每个波段下分割后感兴趣区域的像素点按照顺序重构为一维序列，由于没有引入过多的背景信息，提高了检测目标的训练能力并且抑制了噪声；所述步骤S4中，对样本集中每个样本多个波段下的一维序列作补零处理，并重建二维图像，将重建二维图像集中的数据维度增加一维，从而可以解决样本间感兴趣区域大小不一致不能放入神经网络训练的问题；所述步骤S5中，将增加一维后的二维图像集按照多个波段的顺序依次输入动态神经网络进行训练，将训练后的预测值与实际值作对比，得出衡量预测能力的指标并依照效果来调整网络的结构和训练的次数，从而有利于提高对于指标的预测能力，有效提高检测准确度。
所述步骤S2中，对所述多光谱图形集进行预处理的方法为对光谱图像进行腐蚀、膨胀的处理，从而有利于去除不必要的噪声和干扰。
所述步骤S3中，对处理过后的图像进行阈值分割时，采用选择样本中轮廓最为清晰一个波段图像来进行阈值分割得到感兴趣区域的坐标。具体地，所述阈值分割的方法为自适应阈值分割法。将每个波段下分割后感兴趣区域的像素点按照顺序重构为一维序列时，按照坐标点位置的顺序依次排列成一维数组。其中将样本中得到的感兴趣区域中的值按照坐标点位置：从上至下，从左至右的顺序依次排列成一维数组。这种方式虽然重构了感兴趣区域像素点的排布，损失了部分的轮廓信息，但是相比于以各个样本的最小外接矩形中心为切割中心，选取样本集中最大样本的最小外接矩阵作为这个集合中所有样本感兴趣区域的切割标准进行切割的传统方法来说，它没有引入过多的背景信息，提高了检测目标的训练能力并且抑制了噪声；更加适用于干燥过程中样本大小分化比较大的这种情况。
所述步骤S4中，对样本集中每个样本多个波段下的一维序列作补零处理时，在每个样本的一维序列最后进行补零，补零的目的是为了解决样本间感兴趣区域大小不一致不能放入神经网络训练的问题，在重建为二维图像的过程中，二维图像的长宽以相近为宜。
所述步骤S5中，所述动态神经网络是C-LSTM模型，所述C-LSTM模型中有多个卷积核，分别进行卷积操作得到不同特征提取的特征光谱图像。由于C-LSTM模型中有多个卷积核，分别进行卷积操作得到不同特征提取的特征光谱图像，所以需要一个新的通道来承接模型的输出结果，在维度上的表示就是新增加一个维度。
下面结合具体数据来进一步说明本发明所述的检测方法：
首先，将待检测的果蔬切片放置在多光谱图像采集系统中，采集并保存样本集在多光谱25个波段下的多光谱图像集；其次，对光谱图像进行腐蚀、膨胀等预处理；接着，对处理过后的图像进行阈值分割，并将每个波段下分割后感兴趣区域的像素点按照顺序重构为一维序列；再者，针对不同样本感兴趣区域大小不同的情况，需要对每个样本25个波段下的一维序列做补零处理，并重建为二维图像.重建后图像集中的数据维度处理为N*25*x*y(N代表样本数，25代表波段数，x和y分别代表每个特定波段下二维图像的长宽)；最后，再将图像维度增加一维至N*25*x*y*1用以输入C-LSTM网络进行训练，将图像集按照25个波段的顺序依次放入C-LSTM模型进行训练，将训练后的预测值与实际值做对比，得出衡量预测能力的指标并可依照效果来调整网络的结构和训练的次数。
如图2所示，所述C-LSTM模型包括C-LSTM层、重构层、LSTM层和全连接层，其中所述C-LSTM层中共有多个共享权重的C-LSTM细胞，所述LSTM层第i个LSTM细胞的外部输入部分来自于对应位置C-LSTM细胞的输出，所述重构层设置在所述C-LSTM层与LSTM层之间，所述LSTM层只在最后一个细胞的位置输出并经过单层的全连接层后产生最终的预测值输出。
具体地，C-LSTM层中共有m个(多光谱图像中对应为25)共享权重的C-LSTM细胞。第i个细胞的输入共分为三个部分；其中，ci-1和hi-1作为其内部输入来自于上一个细胞的输出，xi则来自于样本多光谱图像中第i个波段下的图片。
为了更深度的挖掘图像信息以获取更好的预测效果，模型在C-LSTM层之后还设置LSTM层。LSTM层第i个LSTM细胞的输入与C-LSTM类似，其外部输入部分来自于对应位置C-LSTM细胞的输出。但是由于两层的输入维度的需求不同，所以在此之间设置了重构层使得C-LSTM细胞输出的三通道的二维特征图像重建为一维的特征序列。
所述LSTM层只在最后一个细胞的位置输出并经过单层的全连接层(隐藏单元为30，激活函数为Sigmoid)后产生最终的预测值输出。
如图3所示，所述C-LSTM细胞由遗忘门、输入门、细胞状态门和输出门构成。其中C-LSTM细胞单元拥有和所述LSTM细胞单元相似的结构，它们都是由遗忘门、输入门、细胞状态门和输出门构成的。但是C-LSTM细胞单元与LSTM细胞单元最大的差别在于输入端与参数之间的连接方式从矩阵乘积变为了卷积运算。下述的方程描述了这四个门之间的函数关系。
gf＝σ(Wxf*xi+Whf*hi-1+bf) (1)
ci′＝relu(Wxc*xi+Whc*hi-1+bc) (2)
gk＝σ(Wxk*xi+Whk*hi-1+bk) (3)
ci＝gk·ci′+gf·ci-1 (4)
go＝σ(Wxo*xi+Who*hi-1+bo) (5)
hi＝go·relu(ci) (6)
其中“i”表示C-LSTM细胞的序号(1≤i≤m)，“m”表示C-LSTM细胞的总数(本研究为25个波长)，“*”表示卷积运算，“·”表示逐项相乘运算。σ为激活函数(Sigmoid函数)。Wx＝{Wxf,Wxc,Wxk,Wxo}和Wh＝{Whf,Whc,Whk,Who}分别表示对输入图像和细胞内部状态hi作用的权重(卷积核)，B＝{bf,bc,bk,bo}表示偏置函数张量。该模型中，对于每个细胞的外部输入采用3个尺寸为5*5的卷积核对进行特征提取，卷积步长为5。对于细胞中的两个内部输入，采用3个5*5的卷积核进行步长为1的卷积操作。
所述LSTM细胞结构如图4所示，其外部输入为一维的序列，状态向量和输入向量与权重之间的运算均为矩阵乘积。具体的公式表达如下所示：
gf＝μ(Wf[hm-1,xm]+bf) (7)
Figure BDA0003150682750000081
gi＝μ(Wi[hm-1,xm]+bi) (9)
Figure BDA0003150682750000082
go＝μ(Wo[hm-1,xm]+bo) (11)
hm＝go·tanh(cm) (12)
其中μ表示激活函数，下标为f、c、i、o分别表征遗忘门、输入门、细胞状态门和输出门对应的参数，Wf和bf表示遗忘门的权重和偏置函数函数。Wc和Wi是输入门的权重，bc表示输入门的偏置函数。bi是细胞更新状态门的偏置函数。Wf和bf表示遗忘门的权重和偏置函数函数。
模型输出的结果为对应指标的预测值。通过相关系数(Rp)，预测误差均方根(RMSEP)和相对分析误差(RPD)三个模型评价指标可以用来衡量预测的精度。在精度欠缺的时候可以通过调整模型中C-LSTM层细胞的卷积个数和卷积的步长等来使得模型对于指标的预测能力提高。
实施例二
基于同一发明构思，本实施例提供了一种基于动态神经网络的果蔬干燥过程中品质检测系统，其解决问题的原理与所述基于动态神经网络的果蔬干燥过程中品质检测方法类似，重复之处不再赘述。
本实施例提供一种基于动态神经网络的果蔬干燥过程中品质检测系统，包括：
采集模块，用于采集并保存待检测的果蔬切片样本集在多光谱多个波段下的多光谱图形集；
预处理模块，用于对所述多光谱图形集中的光谱图形进行预处理；
分割重构模块，用于对处理过后的图像进行阈值分割，并将每个波段下分割后感兴趣区域的像素点按照顺序重构为一维序列；
补零处理模块，用于对样本集中每个样本多个波段下的一维序列作补零处理，并重建二维图像，将重建二维图像集中的数据维度增加一维；
训练模块，用于将增加一维后的二维图像集按照多个波段的顺序依次输入动态神经网络进行训练，将训练后的预测值与实际值作对比，得出衡量预测能力的指标并依照效果来调整网络的结构和训练的次数。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于动态神经网络的果蔬干燥过程中品质检测方法，其特征在于，包括如下步骤：
步骤S1：采集并保存待检测的果蔬切片样本集在多光谱多个波段下的多光谱图形集；
步骤S2：对所述多光谱图形集中的光谱图形进行预处理；
步骤S3：对处理过后的图像进行阈值分割，并将每个波段下分割后感兴趣区域的像素点按照顺序重构为一维序列；
步骤S4：对样本集中每个样本多个波段下的一维序列作补零处理，并重建二维图像，将重建二维图像集中的数据维度增加一维；
步骤S5：将增加一维后的二维图像集按照多个波段的顺序依次输入动态神经网络进行训练，将训练后的预测值与实际值作对比，得出衡量预测能力的指标并依照效果来调整网络的结构和训练的次数。
2.根据权利要求1所述的基于动态神经网络的果蔬干燥过程中品质检测方法，其特征在于：对处理过后的图像进行阈值分割时，采用选择样本中轮廓最为清晰一个波段图像来进行阈值分割得到感兴趣区域的坐标。
3.根据权利要求1或2所述的基于动态神经网络的果蔬干燥过程中品质检测方法，其特征在于：所述阈值分割的方法为自适应阈值分割法。
4.根据权利要求1所述的基于动态神经网络的果蔬干燥过程中品质检测方法，其特征在于：将每个波段下分割后感兴趣区域的像素点按照顺序重构为一维序列时，按照坐标点位置的顺序依次排列成一维数组。
5.根据权利要求1所述的基于动态神经网络的果蔬干燥过程中品质检测方法，其特征在于：对样本集中每个样本多个波段下的一维序列作补零处理时，在每个样本的一维序列最后进行补零。
6.根据权利要求1所述的基于动态神经网络的果蔬干燥过程中品质检测方法，其特征在于：所述动态神经网络是C-LSTM模型，所述C-LSTM模型中有多个卷积核，分别进行卷积操作得到不同特征提取的特征光谱图像。
7.根据权利要求6所述的基于动态神经网络的果蔬干燥过程中品质检测方法，其特征在于：所述C-LSTM模型包括C-LSTM层、重构层、LSTM层和全连接层，其中所述C-LSTM层中共有多个共享权重的C-LSTM细胞，所述LSTM层第i个LSTM细胞的外部输入部分来自于对应位置C-LSTM细胞的输出，所述重构层设置在所述C-LSTM层与LSTM层之间，所述LSTM层只在最后一个细胞的位置输出并经过单层的全连接层后产生最终的预测值输出。
8.根据权利要求7所述的基于动态神经网络的果蔬干燥过程中品质检测方法，其特征在于：所述C-LSTM细胞由遗忘门、输入门、细胞状态门和输出门构成。
9.根据权利要求1所述的基于动态神经网络的果蔬干燥过程中品质检测方法，其特征在于：对所述多光谱图形集进行预处理的方法为对光谱图像进行腐蚀、膨胀的处理。
10.一种基于动态神经网络的果蔬干燥过程中品质检测系统，其特征在于，包括：
采集模块，用于采集并保存待检测的果蔬切片样本集在多光谱多个波段下的多光谱图形集；
预处理模块，用于对所述多光谱图形集中的光谱图形进行预处理；
分割重构模块，用于对处理过后的图像进行阈值分割，并将每个波段下分割后感兴趣区域的像素点按照顺序重构为一维序列；
补零处理模块，用于对样本集中每个样本多个波段下的一维序列作补零处理，并重建二维图像，将重建二维图像集中的数据维度增加一维；
训练模块，用于将增加一维后的二维图像集按照多个波段的顺序依次输入动态神经网络进行训练，将训练后的预测值与实际值作对比，得出衡量预测能力的指标并依照效果来调整网络的结构和训练的次数。
CN202110764668.3A 2021-07-06 2021-07-06 基于动态神经网络的果蔬干燥过程中品质检测方法及系统 Active CN113433081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110764668.3A CN113433081B (zh) 2021-07-06 2021-07-06 基于动态神经网络的果蔬干燥过程中品质检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110764668.3A CN113433081B (zh) 2021-07-06 2021-07-06 基于动态神经网络的果蔬干燥过程中品质检测方法及系统

Publications (2)

Publication Number Publication Date
CN113433081A true CN113433081A (zh) 2021-09-24
CN113433081B CN113433081B (zh) 2022-05-24

Family

ID=77759304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110764668.3A Active CN113433081B (zh) 2021-07-06 2021-07-06 基于动态神经网络的果蔬干燥过程中品质检测方法及系统

Country Status (1)

Country Link
CN (1) CN113433081B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115184395A (zh) * 2022-05-25 2022-10-14 北京市农林科学院信息技术研究中心 果蔬失重率预测方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721651A (zh) * 2012-06-18 2012-10-10 浙江大学 基于多光谱图像的植物叶片水分含量的检测方法及系统
CN105510239A (zh) * 2014-10-09 2016-04-20 江苏金秆农业装备有限公司 土壤多光谱信息采集装置
CN106537089A (zh) * 2014-07-07 2017-03-22 威拓股份有限公司 用于多光谱数据的几何参照的方法和系统
TWM604882U (zh) * 2020-08-31 2020-12-01 國立宜蘭大學 檢測白米含水率之多光譜近紅外線影像系統
CN112733725A (zh) * 2021-01-12 2021-04-30 西安电子科技大学 基于多级循环卷积自编码网络的高光谱图像变化检测方法
CN112945881A (zh) * 2021-03-11 2021-06-11 内蒙古农业大学 一种基于高光谱特征参数的马铃薯叶片含水量监测方法
CN113037291A (zh) * 2021-03-01 2021-06-25 成都安智杰科技有限公司 一种随机采样方法及装置
CN113049530A (zh) * 2021-03-17 2021-06-29 北京工商大学 一种基于近红外高光谱的单粒玉米种子水分含量检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721651A (zh) * 2012-06-18 2012-10-10 浙江大学 基于多光谱图像的植物叶片水分含量的检测方法及系统
CN106537089A (zh) * 2014-07-07 2017-03-22 威拓股份有限公司 用于多光谱数据的几何参照的方法和系统
CN105510239A (zh) * 2014-10-09 2016-04-20 江苏金秆农业装备有限公司 土壤多光谱信息采集装置
TWM604882U (zh) * 2020-08-31 2020-12-01 國立宜蘭大學 檢測白米含水率之多光譜近紅外線影像系統
CN112733725A (zh) * 2021-01-12 2021-04-30 西安电子科技大学 基于多级循环卷积自编码网络的高光谱图像变化检测方法
CN113037291A (zh) * 2021-03-01 2021-06-25 成都安智杰科技有限公司 一种随机采样方法及装置
CN112945881A (zh) * 2021-03-11 2021-06-11 内蒙古农业大学 一种基于高光谱特征参数的马铃薯叶片含水量监测方法
CN113049530A (zh) * 2021-03-17 2021-06-29 北京工商大学 一种基于近红外高光谱的单粒玉米种子水分含量检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115184395A (zh) * 2022-05-25 2022-10-14 北京市农林科学院信息技术研究中心 果蔬失重率预测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113433081B (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
Koklu et al. A CNN-SVM study based on selected deep features for grapevine leaves classification
Bhargava et al. Fruits and vegetables quality evaluation using computer vision: A review
Saeed et al. Deep neural network features fusion and selection based on PLS regression with an application for crops diseases classification
CN108596248B (zh) 一种基于改进深度卷积神经网络的遥感影像分类方法
Zhou et al. Yield estimation of soybean breeding lines under drought stress using unmanned aerial vehicle-based imagery and convolutional neural network
CN105046276B (zh) 基于低秩表示的高光谱图像波段选择方法
Fu et al. A novel band selection and spatial noise reduction method for hyperspectral image classification
Park et al. Classification of apple leaf conditions in hyper-spectral images for diagnosis of Marssonina blotch using mRMR and deep neural network
Alajas et al. Prediction of grape leaf black rot damaged surface percentage using hybrid linear discriminant analysis and decision tree
Yuan et al. Moldy peanuts identification based on hyperspectral images and Point-centered convolutional neural network combined with embedded feature selection
CN113433081B (zh) 基于动态神经网络的果蔬干燥过程中品质检测方法及系统
CN116258914B (zh) 基于机器学习及局部和全局特征融合的遥感图像分类方法
Upadhyay et al. An Accurate and Automated plant disease detection system using transfer learning based Inception V3Model
Zahra et al. An integrated framework of two-stream deep learning models optimal information fusion for fruits disease recognition
Naik et al. Mango (Mangifera indica L.) classification using convolutional neural network and linear classifiers
Qian et al. A study on phenotypic micro-variation of stored melon based on weight loss rate
Renuka et al. Analyzing the image augmentation to find the defect in apple leaf
Lüy et al. Investigation of the effect of hectoliter and thousand grain weight on variety identification in wheat using deep learning method
Shakil et al. Addressing agricultural challenges: An identification of best feature selection technique for dragon fruit disease recognition
Rahman et al. Deep-CNN for plant disease diagnosis using low resolution leaf images
Ge et al. Interpretable Deep Learning Method Combining Temporal Backscattering Coefficients and Interferometric Coherence for Rice Area Mapping
Chen et al. Tea leaves identification based on gray-level Co-occurrence matrix and K-nearest neighbors algorithm
Satoto et al. Classification of Corn Seed Quality Using Convolutional Neural Network with Region Proposal and Data Augmentation
Yousuf et al. Classification of dates (Phoenix dactylifera L.) varieties using texture feature analysis
Kahfi et al. Classification of banana ripeness based on color and texture characteristics

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
GR01 Patent grant
GR01 Patent grant