[发明专利]一种基于深度学习的农作物果实分拣算法

权利要求书

1.一种基于深度学习的农作物果实分拣算法，其特征在于，包括以下步骤：

步骤1、构建卷积神经网络；卷积神经网络由输入层、卷积层、下采样层、全连接层和分类器组成；输入层的输入为水果图像灰度像素矩阵；输入层的输入上传到卷积层，卷积层包括卷积层C1和卷积层C2；下采样层包括下采样层S1和下采样层S2；输出层采用全连接的连接方式与下采样层S2的特征图连接；

步骤2、读入所有数据，将数据划分为训练集和测试集，进行卷积神经网络的训练；

步骤3、利用卷积神经网络识别出农作物果实种类，并将数据写入对应的数据库；

步骤4、计算机对数据库进行操作，再通过组态软件读取数据库的数据，PLC控制器得到控制信号，启动电磁阀完成农作物果实分类。

2.根据权利要求1所述基于深度学习的农作物果实分拣算法，其特征在于：所述步骤2具体包括如下步骤：

步骤2.1、建立三个神经元，将x₁和x₂作为卷积神经网络的两个输入，将两个输入和三个神经元之间的权重依次记为w₁₁、w₁₂、···、w₂₃，三个神经元的偏置分别为b₁、b₂和b₃；

步骤2.2、将所有权重初始化为随机数，使用训练集中的全部样本训练一次；将第一个批处理送入卷积神经网络；

步骤2.2.1、采用梯度下降作为优化算法，选取随机数作为卷积神经网络的初始参数，进行前向传播和反向传播，将结果与期望值比较，计算损失函数并更新卷积神经网络的参数：

out＝g(f(x₁w₁₁+x₂w₂₁+b₁)·w₁₃+f(x₁w₁₂+x₂w₂₂+b₂)·w₂₃+b₃)

上式中，将非线性函数f和g作为激活函数；out为卷积神经网络的输出，x₁和x₂为卷积神经网络的2个输入，w₁₁、w₁₂、w₁₃、w₂₁、w₂₂和w₂₃为三个神经元之间的权重；b₁、b₂和b₃为三个神经元的偏置；

损失函数为:

Loss＝(OUT-期望输出)²

上式中，Loss为损失函数，OUT为卷积神经网络的输出；

权重更新公式为：

上式中，w^new为新的权重，w为指之前的权重，η是指学习率，Loss为损失函数；

步骤2.2.2、将下一个批处理送入卷积神经网络；

步骤2.2.3、重复执行步骤2.2.1至步骤2.2.2，处理一定数量的批处理，直至所有训练集数据完成训练；

步骤2.3、将测试集送入卷积神经网络，前向传播，将结果与期望值比较，计算损失；

步骤2.4、将训练集中的数据打乱，继续使用训练集中的全部样本训练卷积神经网络；根据训练集的损失和测试集的损失，选择接下来的动作；接下来的动作包括调整学习速率、停止训练或停止训练并修改超参数。