[发明专利]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

权利要求书

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，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；

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，重建后图像集中的数据维度处理为N*z*x*y，其中N代表样本数，z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，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N*z*x*y*1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，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。

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。

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细胞由遗忘门、输入门、细胞状态门和输出门构成。

8.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。

9.一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，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；

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，重建后图像集中的数据维度处理为N*z*x*y，其中N代表样本数，z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，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N*z*x*y*1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，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。