[发明专利]一种水果糖度检测方法及系统

权利要求书

1.一种水果糖度检测方法，其特征在于，包括：

采集待测水果的近红外光谱数据；

将所述近红外光谱数据输入至糖度检测模型，以根据所述糖度检测模型的输出结果，获取所述近红外光谱数据对应的糖度预测值；

其中，所述糖度检测模型是采用迁移学习的方法，在训练好的待迁移卷积自编码器的基础上构建的；

在将所述近红外光谱数据输入至糖度检测模型之前，对提取近红外光谱特征的卷积自编码器进行预训练，具体包括：

采用CIFAR-100数据集，对待迁移卷积自编码器进行预训练，获取训练好的待迁移卷积自编码器；

获取多个水果样本，并采集每个所述水果样本在赤道标记点区域的近红外光谱样本数据；

确定每个所述水果样本的糖度标签；

将每个所述水果样本的糖度标签和近红外光谱样本数据的组合作为一个训练样本，构建训练样本集；

将训练好的待迁移卷积自编码器的参数固定，并在其首尾再添加卷积层与反卷积层，得到用以提取近红外光谱特征的卷积自编码器；

使用水果的近红外光谱样本数据集对新添加的层的参数进行训练，分别将训练样本集中每个近红外光谱样本数据，输入至所述用以提取近红外光谱特征的卷积自编码器，以获取由所述提取近红外光谱特征的卷积自编码器输出的近红外光谱样本数据预测值；

基于每个近红外光谱样本数据的预测值与每个所述水果的近红外光谱样本数据之间的均方误差大小，确定所述提取近红外光谱特征的卷积自编码器的最优模型；

分别将训练样本集中每个近红外光谱样本数据，输入至所述提取近红外光谱特征的卷积自编码器的最优模型，以提取每个所述近红外光谱样本数据的数据特征；

分别将每个所述数据特征输入至基于偏最小二乘法的检测模型，以获取由所述糖度检测模型输出的样本糖度预测值；

基于每个近红外光谱样本数据的样本糖度预测值与每个所述水果样本的糖度标签，确定所述糖度检测模型的最优主因子，以实现对所述提取近红外光谱特征的卷积自编码器的训练；

所述采用CIFAR-100数据集，对待迁移卷积自编码器进行预训练，获取训练好的待迁移卷积自编码器，包括：

基于所述CIFAR-100数据集的训练集，创建多个Epoch，每个Epoch内将该训练集按比例划分为Epoch内的训练集和验证集，每个所述Epoch遍历一次所述CIFAR-100数据集的训练集，且每个所述Epoch包括训练集和验证集；

利用每个所述Epoch的训练集对所述待迁移卷积自编码器进行预训练，并利用对应的验证集获取当前网络的预测精度；

其中，batch_size为64，学习率为0.0005，激活函数为elu函数，优化器为Adam；

获取与最高的当前网络的预测精度相对应的卷积自编码器，作为所述训练好的待迁移卷积自编码器。

2.根据权利要求1所述的水果糖度检测方法，其特征在于，所述糖度检测模型是由提取近红外光谱特征的卷积自编码器和基于偏最小二乘法的检测模型构成的。

3.根据权利要求1所述的水果糖度检测方法，其特征在于，所述基于每个近红外光谱样本数据的样本糖度预测值与每个所述水果样本的糖度标签，确定所述糖度检测模型的最优主因子，包括：

通过10折交互验证的方法，根据所述样本糖度预测值与对应的糖度标签的最小均方根误差，确定所述糖度检测模型的最优主因子。

4.根据权利要求1所述的水果糖度检测方法，其特征在于，所述卷积自编码器是基于Tensorflow和Keras自带的函数库，采用Functional API方式建立的。

5.根据权利要求1所述的水果糖度检测方法，其特征在于，在分别将训练样本集中每个近红外光谱样本数据，输入至所述训练好的卷积自编码器之前，还包括：

对每个近红外光谱样本数据进行Normalization预处理。