[发明专利]基于卷积神经网络的桑椹可溶性固形物含量的检测方法

权利要求书

1.一种基于卷积神经网络的桑椹可溶性固形物含量的检测方法，其特征在于，包括如下步骤：

步骤一：选择6～9成成熟度桑椹作为样本；

步骤二：获取样本的NIR光谱；

步骤三：检测桑椹的可溶性固形物含量；

步骤四：根据桑椹的可溶性固形物含量值划分数据集，分为校正集和预测集；

步骤五：对校正集和预测集光谱进行标准正态变量变换(SNV)预处理；

步骤六：对预处理后的光谱进行竞争自适应加权重采样(CARS)变量选择；

步骤七：使用经预处理、变量选择后的数据集训练CNN模型，用于检测桑椹的可溶性固形物含量；

步骤八：对CNN模型的性能进行验证。

2.根据权利要求1所述的基于卷积神经网络的桑椹可溶性固形物含量的检测方法，其特征在于，步骤二中，获得的光谱区间为891-1669nm；

每个样本采集光谱多次，以多次光谱的平均值作为最终光谱数据。

3.根据权利要求1所述的基于卷积神经网络的桑椹可溶性固形物含量的检测方法，其特征在于，步骤三中，采用折光仪测定桑葚的可溶性固形物含量。

4.根据权利要求1所述的基于卷积神经网络的桑椹可溶性固形物含量的检测方法，其特征在于，步骤四中，根据桑椹可溶性固形物含量的测量值，按从高到低排序，以2:1的比例划分校正集、预测集；

按实验值从高到低排序，将样本等分3份，其中2份作为校正集，1份作为预测集，预测集的可溶性固形物含量在校正集范围内。

5.根据权利要求1所述的基于卷积神经网络的桑椹可溶性固形物含量的检测方法，其特征在于，步骤五中，SNV的计算公式为：

其中，为平均光谱，m为光谱变量数。

6.根据权利要求1所述的基于卷积神经网络的桑椹可溶性固形物含量的检测方法，其特征在于，步骤六中，CARS的步骤为：

(1)使用蒙特卡罗采样法，随机获取样本n次，每次均随机抽取样本集的80％作为模型的校正集，然后建立PLS模型；

(2)使用指数衰减函数去掉回归系数值相对较小的波长变量；

(3)通过n次蒙特卡罗采样筛选出PLS模型中回归系数值相对较大的波长变量；

(4)用每次新产生的变量子集建立PLS模型，则RMSECV最小的子集为最优子集，根据最优子集选出相应的变量。

7.根据权利要求1所述的基于卷积神经网络的桑椹可溶性固形物含量的检测方法，其特征在于，步骤七中，CNN模型框架中包含三个卷积层，每个卷积层后面均跟着最大池化层，经Flatten之后与三层全连层相连，节点数分别为32、8、1；

训练CNN模型的批次样本数为8，损失函数为均方误差(MSE)，优化方法为Adam(学习率为0.0001)，最大迭代次数为20000，训练过程中保存验证误差最小的模型作为最终的模型。

8.根据权利要求1所述的基于卷积神经网络的桑椹可溶性固形物含量的检测方法，其特征在于，步骤八中，验证的具体方法为：使用训练好的CNN模型对预测集样本的可溶性固形物含量进行检测，将检测值与采用折光仪测得的数值进行回归分析。