【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种基于脉冲神经网络的谷物分类方法、装置及电子设备。
技术介绍
1、谷物作为人类饮食结构的基石，其种类多样，包括小麦、玉米、水稻、大麦、燕麦等众多品种，每种谷物在营养成分、生长条件、加工用途及市场价值上均有所差异。因此，准确的谷物分类不仅是农业管理的基础，也是确保食品产业高效运作、满足消费者多样化需求的关键。此外，在科学研究和环境保护方面，谷物分类也是推动作物遗传改良、实现可持续农业发展的重要前提。
2、相关技术中，谷物分类主要依赖人工目测，这种方法虽然直观，但受限于人的经验和主观判断，易受疲劳、光线条件等因素影响，难以实现大规模、高效率、高精度的分类。
3、因此，如何高效、准确地对谷物进行分类，是亟待解决的技术问题。
技术实现思路
1、针对现有技术中存在的上述问题，本专利技术提供一种基于脉冲神经网络的谷物分类方法、装置及电子设备，实现高效、准确地对谷物进行分类。
2、本专利技术提供一种基于脉冲神经网络的谷物分类方法，包括如下步骤。
3、获取待预测谷物的图像对应的第一脉冲序列；根据所述第一脉冲序列，利用谷物种类预测模型，得到所述待预测谷物的种类；其中，所述谷物种类预测模型为通过增量学习得到的，用于预测谷物种类的脉冲神经网络。
4、根据本专利技术提供的一种基于脉冲神经网络的谷物分类方法，所述谷物种类预测模型的输出层包括多个类别的神经元；其中，每个类别的所述神经元对应一种谷物的种类；所述根据所述
5、根据本专利技术提供的一种基于脉冲神经网络的谷物分类方法，通过以下方式得到所述谷物种类预测模型：利用第一训练数据集，对初始脉冲神经网络进行训练，得到预训练的谷物种类预测模型；其中，所述第一训练数据集包括第一样本数据，所述第一样本数据为在第一拍摄条件下拍摄的，携带种类信息的至少一种谷物的图像；利用第二训练数据集，对所述预训练的谷物种类预测模型进行增量训练，得到所述谷物种类预测模型；其中，所述第二训练数据集包括所述第一样本数据和第二样本数据，所述第二样本数据为在第二拍摄条件下拍摄的，携带种类信息的所述至少一种谷物的图像。
6、根据本专利技术提供的一种基于脉冲神经网络的谷物分类方法，所述利用第二训练数据集，对所述预训练的谷物种类预测模型进行增量训练，得到所述谷物种类预测模型，包括：
7、将根据所述第二训练数据集中样本数据生成的第二脉冲序列输入所述预训练的谷物种类预测模型，在所述预训练的谷物种类预测模型处理所述第二脉冲序列的每一个时间步，利用以下方式更新所述预训练的谷物种类预测模型中的突触权重的值：响应于所述突触权重对应的突触前神经元发出的脉冲，早于所述突触权重对应的突触后神经元发出的脉冲，根据预设的突触权重增加幅值，调整所述突触权重的当前值；响应于所述突触权重对应的突触前神经元发出的脉冲，晚于所述突触权重对应的突触后神经元发出的脉冲，根据预设的突触权重减少幅值，调整所述突触权重的当前值；根据调整突触权重后的所述预训练的谷物种类预测模型，得到所述谷物种类预测模型。
8、根据本专利技术提供的一种基于脉冲神经网络的谷物分类方法，所述方法还包括：针对所述样本数据中的零像素对应的输入层的神经元的突触权重，在所述每一个时间步，根据预设的权重衰退量，调整所述突触权重的当前值。
9、根据本专利技术提供的一种基于脉冲神经网络的谷物分类方法，所述方法还包括：将所述第一训练数据集中的多个样本数据对应的第三脉冲序列，分别输入所述预训练的谷物种类预测模型；针对所述预训练的谷物种类预测模型输出层的每一个神经元，执行如下操作：获取所述神经元针对所述多个样本数据中相同种类样本数据产生的脉冲的个数的平均值；将最大平均值对应的所述样本数据的种类，作为所述神经元的类别标签。
10、本专利技术还提供一种基于脉冲神经网络的谷物分类装置，包括如下模块：
11、第一获取模块，用于获取待预测谷物的图像对应的第一脉冲序列；第二获取模块，用于根据所述第一脉冲序列，利用谷物种类预测模型，得到所述待预测谷物的种类；其中，所述谷物种类预测模型为通过增量学习得到的，用于预测谷物种类的脉冲神经网络。
12、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述基于脉冲神经网络的谷物分类方法。
13、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于脉冲神经网络的谷物分类方法。
14、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于脉冲神经网络的谷物分类方法。
15、本专利技术提供的基于脉冲神经网络的谷物分类方法、装置及电子设备，根据待预测谷物的图像对应的第一脉冲序列，利用谷物种类预测模型，得到待预测谷物的种类。相较于人工目测，利用脉冲神经网络进行谷物分类可以显著提高分类速度，自动化流程减少了人工干预，使得大规模谷物的快速分类成为可能。此外，脉冲神经网络通过学习和训练，能够更准确地识别谷物的特征，减少因人为因素（如经验、主观判断、疲劳等）导致的分类错误，从而提高分类精度。从而可以高效、准确地对谷物进行分类。
本文档来自技高网...【技术保护点】
1.一种基于脉冲神经网络的谷物分类方法，其特征在于，包括：
2.根据权利要求1所述的基于脉冲神经网络的谷物分类方法，其特征在于，所述谷物种类预测模型的输出层包括多个类别的神经元；其中，每个类别的所述神经元对应一种谷物的种类；
3.根据权利要求1所述的基于脉冲神经网络的谷物分类方法，其特征在于，通过以下方式得到所述谷物种类预测模型：
4.根据权利要求3所述的基于脉冲神经网络的谷物分类方法，其特征在于，所述利用第二训练数据集，对所述预训练的谷物种类预测模型进行增量训练，得到所述谷物种类预测模型，包括：
5.根据权利要求4所述的基于脉冲神经网络的谷物分类方法，其特征在于，所述方法还包括：
6.根据权利要求3所述的基于脉冲神经网络的谷物分类方法，其特征在于，所述方法还包括：
7.一种基于脉冲神经网络的谷物分类装置，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述基于脉冲神
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于脉冲神经网络的谷物分类方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于脉冲神经网络的谷物分类方法。
...【技术特征摘要】
1.一种基于脉冲神经网络的谷物分类方法，其特征在于，包括：
2.根据权利要求1所述的基于脉冲神经网络的谷物分类方法，其特征在于，所述谷物种类预测模型的输出层包括多个类别的神经元；其中，每个类别的所述神经元对应一种谷物的种类；
3.根据权利要求1所述的基于脉冲神经网络的谷物分类方法，其特征在于，通过以下方式得到所述谷物种类预测模型：
4.根据权利要求3所述的基于脉冲神经网络的谷物分类方法，其特征在于，所述利用第二训练数据集，对所述预训练的谷物种类预测模型进行增量训练，得到所述谷物种类预测模型，包括：
5.根据权利要求4所述的基于脉冲神经网络的谷物分类方法，其特征在于，所述方法还包括：
6.根据权利要求3所述的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。