[发明专利]一种基于深度学习的茶鲜叶保鲜时间预测方法

说明书

技术领域

本发明涉及茶鲜叶的保鲜领域，尤其涉及一种茶鲜叶保鲜时间预测方法。

背景技术

茶鲜叶水分多，保存的时候容易腐烂。目前，由于没有准确地预测茶鲜叶保存时间的方法，多采用人工查看的方式，即需要人定期地去查看茶鲜叶的状况以防止茶鲜叶腐烂。采用人工的方式，一方面需要专门的看护人员定期去查看，这就浪费了一定的人力，并且，看护人员如果忘记查看或者查看不及时就可能使茶鲜叶腐烂不能够被及时发现，造成非常严重的后果，另一方面看护人员需要具有一定的经验以能够判断茶鲜叶的情况，在找不到具有经验的看护人员时也有可能造成茶鲜叶的腐烂。

发明内容

本发明的主要目的在于提供一种茶鲜叶保鲜时间预测方法，该方法能够准确预测茶鲜叶的保鲜时间，进而使得茶鲜叶在腐烂或者变质之前能够被及时地被加工以避免或者减少茶鲜叶的腐烂或者变质。

为达到以上目的，本发明采用的技术方案为：一种茶鲜叶保鲜时间预测方法，其特征在于，具体步骤如下：

步骤一：构建基于DBN神经网络的茶鲜叶保鲜时间预测模型，并对茶鲜叶保鲜时间预测模型进行预训练；

步骤二：预训练结束后，采用极限学习机对DBN神经网络模型进行监督学习的反馈微调训练；

步骤三：采集茶鲜叶的相关信息并将相关信息作为茶鲜叶保鲜时间预测模型的输入参数。

优选地，所述茶鲜叶的相关信息包括茶鲜叶的透明度和色彩。

优选地，所述茶鲜叶的透明度和色彩通过拍照的方式进行获取。

优选地，所述茶鲜叶的相关信息包括温度、压强、二氧化成、氧气、湿度、光照强度。

优选地，在步骤一中采用非监督贪心逐层训练算法对茶鲜叶保鲜时间预测模型进行预训练。

与现有技术相比，本发明具有以下有益效果：

1)该方法能够预测茶鲜叶的保鲜时间进而在保存茶鲜叶时能够在达到保鲜时间之前及时地对茶鲜叶进行处理以避免或者减少茶鲜叶的腐烂和变质；

2)该方法基于DBN算法，并通过非监督贪心逐层训练算法进行预训练，通过极限学习机(ELM)算法对DBN算法微调整，使得预测时间更加准确，更有助于茶鲜叶的保存。

附图说明

图1是根据本发明的一个优选实施例的保鲜时间预测的DBN网络训练流程图

具体实施方式

以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。

一种茶鲜叶保鲜时间预测方法，具体包括如下步骤：

步骤1：利用罗技BCC950摄像机对茶鲜叶拍照，获取茶鲜叶的图片信息，所述图片信息包括茶鲜叶的透明度和色彩。

步骤2：用传感器采集温度(T)、压强(P)、二氧化成(CO2)、氧气(O2)、湿度 (S)、光照强度(L)等茶鲜叶的环境参数信息。

步骤3：将图片信息、环境参数信息通过wifi上传到服务器。

步骤4：构建基于DBN神经网络的茶鲜叶保鲜时间预测模型，将服务器接收到的图片信息、环境参数信息作为预测模型的输入参数，并采用非监督贪心逐层训练算法对预测模型进行预训练，预测模型的输出数据即为预测时间。其中，对预测模型的预训练为对 DBN神经网络的预训练，属于现有技术，此处不再详述。

步骤6：预训练结束后，采用极限学习机(ELM)对DBN神经网络模型进行监督学习的反馈微调训练以对DBN神经网络模型进行优化使输出的预测时间更加准确。

采用极限学习机算法对DBN神经网络模型进行微调,不需要对参数进行调整，而是只对DBN神经网络得到的最后一层隐层H_n-1进行权重调整。假设第n个隐层节点的个数为第n-1个隐层节点的个数为m，则该深度结构的神经网络可以表示为

式中：W_i—第n-1个隐层到第n个隐层的权重，b_i—第n-1个隐层到第n个隐层的偏置，β_i-第n个隐层到输出层的输出权重。对于深度信念网络DBN，目标是最小化输出的误差，可以表示为

并且，存在β_i，使得

并且，上述公式可以转化为

H_nβ＝T(4)

式中：H_n—深度信念网的第n-1层到第n层的输出。其中

为了训练单隐层神经网络，特殊的和需要被训练使得