基于动态卷积神经网络的苹果机械损伤判别方法及装置制造方法及图纸

本发明专利技术公开了基于动态卷积神经网络的苹果机械损伤判别方法及装置，首先使用损伤制备装置制取不同程度的机械损伤苹果样品，分别制取不可见损伤、可见轻度损伤和可见重度损伤3种损伤程度的样本，使用近红外分析仪采集它们的近红外光谱数据；将存储时间较短的重度损伤苹果样品置于室温实验环境中，放置不同的损伤时间，对应损伤时间扫描测取样品光谱，使用近红外分析仪获取不同损伤时间的光谱数据；接着使用多元散射校正对近红外光谱数据进行预处理；然后基于动态卷积原理构建一维动态卷积神经网络；最后使用处理好的数据集对模型进行训练，保存训练中的最优模型，实现苹果的机械损伤判别。伤判别。伤判别。

【技术实现步骤摘要】
基于动态卷积神经网络的苹果机械损伤判别方法及装置


[0001]本专利技术属于苹神经网络质量检测领域，具体涉及基于动态卷积神经网络的苹果机械损伤判别方法及装置。

技术介绍

[0002]在苹果机械损伤判别方面，由于苹果皮薄质脆，容易在采摘、包装和运输等工序阶段产生挤压、振动和磕碰，形成不同程度的机械损伤，对应不同的用途和贮藏时间。当苹果因外力作用破损时，正常生理代谢受到破坏，随着损伤时间上升，呼吸作用和速率增强，有机酸的分解速度加快，乙烯的释放量增多，微生物侵入破损果实逐渐造成腐烂，果实内部的生化成分和组织结构均发生变化。
[0003]根据不同机械损伤判别任务，选择合适的检测仪器和技术，能有效地反应苹果机械损伤程度和损伤时间差异。目前，常见的苹果损伤程度和时间的判别技术有高光谱技术、计算机视觉技术、近红外光谱技术等。由于高光谱成像设备价格昂贵，特征空间维数高，数据结构高度非线性；计算机视觉技术仅适用于判别不同程度可见机械损伤，并不适用于不可见损伤的判别，而且无法通过图像反应较近损伤时间的苹果变化。近红外光谱技术能够获取待测样本内外部特征信息，反映不同损伤程度和不同损伤时间。相比高光谱技术，近红外光谱数据的特征空间维度相对较低，模型复杂度相对较低，有效节约成本。
[0004]但是，低成本设备的近红外光谱数据存在信息密度低问题。在相同波长段测量范围间，近红外光谱设备价格将随采样点间距的缩小而增长，而表征样本的有效特征信息数量和密度都将随采样点间距的增大而减少；传统机器学习难以通过少量特征信息训练学习获取较高精度，传统卷积神经网络卷积层数和通道数的增加易产生一定的计算负担。

技术实现思路

[0005]为解决现有技术的不足，基于少量红外光谱采样点，实现苹果机械损伤的高识别度的目的，本专利技术采用如下的技术方案：
[0006]基于动态卷积神经网络的损伤判别方法，包括如下步骤：
[0007]步骤S1：获取物品不同损伤的红外光谱数据；
[0008]步骤S2：基于物品损伤的时间，获取一定损伤程度的物品在不同损伤时间的红外光谱数据；
[0009]步骤S3：基于多元散射校正，对近红外光谱数据进行预处理；
[0010]步骤S4：基于动态卷积，构建一维动态卷积神经网络(1Dimension Deep Dynamic Convolution Neural Networks，1D DDCNN)，动态卷积包括多个相同大小的卷积核，根据输入数据使用注意力权重，分别对多个卷积核进行非线性动态聚合并构建动态卷积核，形成动态卷积神经网络；
[0011]步骤S5：使用处理好的数据集对动态卷积神经网络进行训练，并基于训练好的动态卷积神经网络，对物品的机械损伤进行判别。
[0012]进一步地，所述步骤S4包括如下步骤：
[0013]步骤S4.1：构建动态感知器，公式如下：
[0014][0015][0016][0017]其中，x和y分别表示输入和输出数据，表示聚合权重，
[0018]表示偏置，g表示激活函数，t
k
表示第k个非线性函数的注意力权重，0≤t
k
≤1，k个注意力权重之和为1，表示第k个非线性函数的权重，表示第k个非线性函数的偏置；
[0019]步骤S4.2：基于动态感知器，对多个卷积核非线性动态聚合并构建动态卷积核：
[0020][0021]其中，C
in
表示输入通道数；H和W分别表示输入的高度和宽度。
[0022]进一步地，所述步骤S4中注意力权重的获取，首先，对输入特征图的全局空间信息进行平均池化，压缩信息；然后，经过两个全连接层和ReLU激活函数；再通过归一化层，生成归一化的注意力权重。
[0023]进一步地，所述步骤S4中，动态卷积神经网络为一维动态卷积神经网络，包括8层动态卷积层；第1层的输出维度为(32，114)，卷积核大小为5，步长为2，填充为2，膨胀率为1；第2层的输出维度为(32，114)，卷积核大小为5，步长为1，填充为4，膨胀率为2；第3层的输出维度为(32，114)，卷积核大小为5，步长为1，填充为6，膨胀率为3；第4层的输出维度为(64，57)，卷积核大小为5，步长为2，填充为2，膨胀率为1；第5层的输出维度为(64，57)，卷积核大小为5，步长为1，填充为4，膨胀率为2；第6层的输出维度为(64，57)，卷积核大小为5，步长为1，填充为6，膨胀率为3；第7层的输出维度为(32，57)，卷积核大小为5，步长为2，填充为2，膨胀率为1；第8层的输出维度为(32，57)，卷积核大小为5，步长为1，填充为4，膨胀率为2。
[0024]进一步地，所述步骤S3中的多元散射校正，包括如下步骤：
[0025]步骤S3.1：计算原始近红外光谱样本的平均值作为标准光谱；
[0026]步骤S3.2：根据标准光谱，对每条光谱数据样本进行一元线性回归操作；
[0027]步骤S3.3：基于一元线性回归操作的结果，计算多元散射校正后的近红外光谱数据。
[0028]进一步地，所述步骤S3.1中的光谱平均值公式如下：
[0029][0030]其中，表示标准光谱，A
i
表示第i条近红外光谱样本，n表示近红外光谱样本数量；
[0031]进一步地，所述步骤S3.2中的一元线性回归操作如下：
[0032][0033]其中，A
i
表示一元线性回归后的光谱数据，同前述第i条近红外光谱样本，表示标准光谱，a
i
表示每条光谱数据一元线性回归后对应的偏移系数，b
i
表示对应的平移量；
[0034]进一步地，所述步骤S3.3中，多元散射校正后近红外光谱数据公式如下：
[0035][0036]基于动态卷积神经网络的苹果机械损伤判别方法，包括如下步骤：
[0037]步骤一：获取苹果不同损伤的红外光谱数据，损伤包括不可见损伤、可见轻度损伤、可见重度损伤，采用近红外分析仪获取其近红外光谱数据；
[0038]步骤二：基于苹果损伤的时间，获取一定损伤程度的苹果在不同损伤时间的近红外光谱数据；具体地，将存储时间短的重度损伤苹果置于室温环境，获取其不同损伤时间的近红外光谱数据；
[0039]步骤三：基于多元散射校正，对近红外光谱数据进行预处理；
[0040]步骤四：基于动态卷积，构建一维动态卷积神经网络，动态卷积包括多个相同大小的卷积核，根据输入数据使用注意力权重，分别对多个卷积核进行非线性动态聚合并构建动态卷积核，形成动态卷积神经网络；
[0041]步骤五：使用处理好的苹果损伤数据集对动态卷积神经网络进行训练，并基于训练好的动态卷积神经网络，对苹果的机械损伤进行判别，判别类型包括无损伤、不可见损伤、可见损伤和可见重度损伤。
[0042]基于动态卷积神经网络的苹果机械损伤判别装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于动态卷积神经网络的损伤判别方法，其特征在于包括如下步骤：步骤S1：获取物品不同损伤的红外光谱数据；步骤S2：基于物品损伤的时间，获取一定损伤程度的物品在不同损伤时间的红外光谱数据；步骤S3：基于多元散射校正，对红外光谱数据进行预处理；步骤S4：基于动态卷积，构建动态卷积神经网络，动态卷积包括多个相同大小的卷积核，根据输入数据使用注意力权重，分别对多个卷积核进行非线性动态聚合并构建动态卷积核，形成动态卷积神经网络；步骤S5：使用处理好的数据集对动态卷积神经网络进行训练，并基于训练好的动态卷积神经网络，对物品的机械损伤进行判别。2.根据权利要求1所述的基于动态卷积神经网络的损伤判别方法，其特征在于：所述步骤S4包括如下步骤：步骤S4.1：构建动态感知器，公式如下：公式如下：公式如下：其中，x和y分别表示输入和输出数据，表示聚合权重，表示偏置，g表示激活函数，t
k
表示第k个非线性函数的注意力权重，0≤t
k
≤1，k个注意力权重之和为1，表示第k个非线性函数的权重，表示第k个非线性函数的偏置；步骤S4.2：基于动态感知器，对多个卷积核非线性动态聚合并构建动态卷积核：其中，C
in
表示输入通道数；H和W分别表示输入的高度和宽度。3.根据权利要求1所述的基于动态卷积神经网络的损伤判别方法，其特征在于：所述步骤S4中注意力权重的获取，首先，对输入特征图的全局空间信息进行平均池化；然后，经过全连接层和ReLU激活函数；再通过归一化层，生成归一化的注意力权重。4.根据权利要求1所述的基于动态卷积神经网络的损伤判别方法，其特征在于：所述步骤S4中，动态卷积神经网络为一维动态卷积神经网络，包括8层动态卷积层；第1层的输出维度为(32，114)，卷积核大小为5，步长为2，填充为2，膨胀率为1；第2层的输出维度为(32，114)，卷积核大小为5，步长为1，填充为4，膨胀率为2；第3层的输出维度为(32，114)，卷积核大小为5，步长为1，填充为6，膨胀率为3；第4层的输出维度为(64，57)，卷积核大小为5，步长为2，填充为2，膨胀率为1；第5层的输出维度为(64，57)，卷积核大小为5，步长为1，填充为4，膨胀率为2；第6层的输出维度为(64，57)，卷积核大小为5，步长为1，填充为6，膨胀率为3；第7层的输出维度为(32，57)，卷积核大小为5，步长为2，填充为2，膨胀率为1；第8层的输...

【专利技术属性】
技术研发人员：严婷，王进，张程，陆国栋，
申请(专利权)人：浙江大学，
类型：发明
国别省市：