[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

说明书

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。

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。