一种基于制造技术

本发明专利技术提出了一种基于

【技术实现步骤摘要】
一种基于TCN
‑
LSTM模型的近红外光谱葡萄品种鉴别方法


[0001]本专利技术涉及农作物产品鉴别领域
。

技术介绍

[0002]近红外光谱技术具有非破坏性
、
快速性和信息丰富性的特点，可以通过检测物质的吸收和散射来获取样品的光谱信息，反映其化学组成和结构特征
。
近年来，近红外光谱技术在品种鉴别领域展现出强大的潜力
。
[0003]近年来，传统的机器学习分类方法如偏最小二乘判别分析（
PLS
‑
DA
）
、
决策树（
DT
）
、
随机森林（
RF
）
、
朴素贝叶斯（
Naive Bayes model
）
、k
最近邻算法（
KNN
）和支持向量机（
SVM
）在品种鉴别领域得到了广泛应用
。
这些方法虽然具有较低的复杂性
、
较强的特征可解释性和快速训练速度，但由于其本质上属于浅层学习，对于复杂的分类问题其泛化能力有限
。
因此，需要一种更加快速
、
高效的鉴别多种品种方法
。
[0004]有鉴于此，本专利技术提出一种基于
TCN
‑
LSTM
模型的近红外光谱葡萄品种鉴别方法
。

技术实现思路

[0005]本专利技术的目的在于解决上述现有技术中存在的难题，提供一种基于
TCN
‑
LSTM
模型的近红外光谱葡萄品种鉴别方法
。
本专利技术是通过以下技术方案实现的：
[0006]步骤1葡萄样本最少准备三种，每种需准备
100
个样本
。
样本要保证颗粒基本均匀，大小基本一致，拭擦祛除表面较大的污渍后，标号并放入 1℃
的冰柜中冷藏存放
。
[0007]本实验所采集的近红外光谱波数为
4000
‑
10000cm
‑1，分辨率
16 cm
‑1，测试方式为漫反射，扫描次数为
32
，并平行测定每个样品三次，共获得
300
个样品数据，每种各为
100
条数据
。
[0008]步骤2对所采集的原始光谱进行预处理，进行异常值剔除与数据归一化处理
。
预处理的方法为标准正态变量（
SNV
）
、
一阶导数
、
及平滑处理中的一种或多种组合；异常值剔除方法为
PCA
结合马氏距离法；对预处理后的近红外光谱数据进行归一化处理，对特征值进行缩放，以降低数据复杂度；
[0009]步骤3，进行数据集的划分，使用随机划分方法进行划分，将这些数据按照4：1的比例进行划分，将
300
条数据分成了训练集（占
80%
）和验证集（占
20%
）
。
[0010]步骤4，建立
TCN
‑
LSTM
模型用于基于近红外光谱的葡萄种类的鉴别
。
首先，进行特征提取，对各层中的参数进行归一化处理，然后将特征数据传输到
TCN
层进行卷积计算
。TCN
层通过扩张卷积和因果卷积技术，有效的获取序列特征，从而提取更多膨胀的信息依赖性
。
其次，将
TCN
层的输出传入
LSTM
网络层作为输入
。
这样，在保留
TCN
提取的特征的基础上，结合
LSTM
网络层所捕捉的特征，进一步提升了特征的表征能力
。
最后，将输出的序列转化为固定长度的特征向量，并通过全连接层进行最终的分类
。
[0011]本实例所采用的
TCN
‑
LSTM
模型作为分类模型，并且与
LSTM、GRU、RNN、TCN
和
1D
‑
CNN
进行比较
。
在六种模型上的准确率
、
召回率
、
精确率和
F1
值结果如表所示
,
其中
TCN
‑
LSTM
称
为
TLNET
模型
。MethodAccPreRecallF1LSTM88.14%90.97%90.76%90.69%GRU93.22%93.40%93.61%93.38%RNN93.22%92.90%94.67%93.35%TCN98.31%98.48%98.15%98.27%CNN96.61%95.83%97.53%96.50%TLNET100%100%100%100%
[0012]上述准确率
、
召回率
、
精确率和
F1
值的计算公式如下所示
:
[0013](1)
[0014](2)
[0015](3)
[0016](4)
[0017]其中，
TP
表示实际为正被预测为正的样本数量，
FP
表示实际为负但被预测为正的样本数量，
FN
表示实际为正但被预测为负的样本的数量，
TN
表示实际为负被预测为负的样本的数量
。
另外，
TP+FP
表示所有被预测为正的样本数量，同理
FN+TN
为所有被预测为负的样本数量，
TP+FN
为实际为正的样本数量，
FP+TN
为实际为负的样本数量
。
[0018]本专利技术的另一个目的在于提供一种基于近红外光谱的农作物品种鉴别模型，采用上述的建立方法得到，可用于农作物品种鉴别
。
[0019]与现有技术相比，本专利技术的有益效果在于：本申请提供了一种精准且无损的葡萄品种鉴别方法
。
相对于现有技术，本申请采用近红外光谱技术进行葡萄品种鉴别，为了提升分类准确性，针对性的提出一种
TCN
‑
LSTM
分类模型用于基于近红外光谱的葡萄品种鉴别
。
该模型能够在较长的序列中捕捉全局依赖性，而无需使用循环结构
。
引入了时间卷积网络（
TCN
）来有效处理长期依赖性，并减少了
LSTM
中可能出现的梯度消失和爆炸问题
。
通过本申请的一种基于
TCN
‑
LSTM
模型的近红外光谱葡萄品种鉴别方法，对于推动深度学习在农业领域的应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
TCN
‑
LSTM
模型的近红外光谱葡萄品种鉴别方法，其特征在于，包括以下步骤：（1）准备多种葡萄样本；（2）利用近红外光谱采集设备获取所述葡萄样本的近红外光谱；（3）对所采集葡萄样本的近红外光谱进行预处理并进行数据划分，分为训练光谱集和测试光谱集；（4）采用所构建的
TCN
‑
LSTM
网络建立葡萄品种鉴别模型
。2.
根据权利要求1所述的方法，其特征在于，在所述步骤（1）中，葡萄样本最少准备三种，每种需准备
100
个样本
。3.
根据权利要求1所述的方法，其特征在于，在所述步骤（2）中，在每穗葡萄的穗顶部
、
中部
、
尾部
、
内部和外部分别摘取试验样本，保证颗粒基本均匀，大小基本一致，拭擦祛除表面较大的污渍后，标号并放入 1℃
的冰柜中冷藏存放
。4.
根据权利要求1所述的方法，其特征在于，在所述步骤（2）中，近红外光谱波数为
4000
‑
10000cm
‑1，分辨率
16 cm
‑1，测试方式为漫反射，扫描次数为
32
，并平行测定每个样品三次，将三次的均值作为后续研究的输入
。5.
根据权利要求1所述的方法，其特征在于，在所述步骤（3）中，预处理的方法为标准正态变量（
SNV

【专利技术属性】
技术研发人员：王佳佳，董志林，
申请(专利权)人：新疆大学，
类型：发明
国别省市：