详情

原文传递基于动态卷积神经网络的苹果机械损伤判别方法及装置

专利名称：	基于动态卷积神经网络的苹果机械损伤判别方法及装置
摘要：	本发明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。
专利类型：	发明专利
申请人：	余姚市机器人研究中心;浙江大学
发明人：	严婷;王进;张程;陆国栋
专利状态：	有效
申请日期：	2023-06-25T00:00:00+0800
发布日期：	2023-11-07T00:00:00+0800
申请号：	CN202310749759.9
公开号：	CN117007547A
代理机构：	杭州浙科专利事务所(普通合伙)
代理人：	杨小凡
分类号：	G01N21/3563;G06N3/048;G06N3/0464;G06N3/045;G01N21/359;G01N21/88;G;G01;G06;G01N;G06N;G01N21;G06N3;G01N21/3563;G06N3/048;G06N3/0464;G06N3/045;G01N21/359;G01N21/88
申请人地址：	315400 浙江省宁波市余姚市凤山街道冶山路479号科创大厦12楼;
主权项：	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：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，tk表示第k个非线性函数/>的注意力权重，0≤tk≤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，Cin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。 5.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S3中的多元散射校正，包括如下步骤：步骤S3.1：计算原始红外光谱样本的平均值作为标准光谱；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；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红外光谱数据。 6.根据权利要求5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S3.1中的光谱平均值公式如下：其中，表示标准光谱，Ai表示第i条红外光谱样本，n表示红外光谱样本数量。 7.根据权利要求5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S3.2中的一元线性回归操作如下：其中，Ai表示一元线性回归后的光谱数据，表示标准光谱，ai表示每条光谱数据一元线性回归后对应的偏移系数，bi表示对应的平移量。 8.根据权利要求7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S3.3中，多元散射校正后近红外光谱数据公式如下： 9.基于动态卷积神经网络的苹果机械损伤判别方法，其特征在于包括如下步骤：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；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；步骤三：基于多元散射校正，对近红外光谱数据进行预处理；步骤四：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。 10.基于动态卷积神经网络的苹果机械损伤判别装置，其特征在于，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，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求9中所述的基于动态卷积神经网络的苹果机械损伤判别方法。