【技術實現步驟摘要】
本專利技術涉及食用菌品質檢測和分類，尤其涉及一種食用菌品質檢測的圖像分類方法。
技術介紹
1、食用菌品質檢測的圖像分類方法主要用于檢測和分類食用菌的品質，如新鮮度、成熟度、病變情況、表面瑕疵等。隨著預制菜市場的快速發展，食材流水線上的自動化檢測變得尤為關鍵。基于圖像的自動化檢測具有高效、客觀和非接觸性的優勢，能夠彌補傳統人工檢測的不足，使品質檢測更具標準化。深度神經網絡(deep?neural?network,dnn)是一種模擬人腦神經網絡的人工智能模型，通過多層神經元結構對數據進行處理與學習。傳統的sgd(stochastic?gradient?descent)在深度神經網絡訓練中存在局限性，主要體現在容易陷入局部極小值、收斂速度慢、對學習率敏感且難以自動調整。
技術實現思路
1、因此，針對現有技術存在的缺陷和不足，本專利技術的目的在于提供一種食用菌品質檢測的圖像分類方法。該方法公開一種基于pid-sgd優化學習的食用菌品質模型圖像分類算法，其方案的構建過程首先是食用菌高光譜的采集與預處理；接著構建深度卷積神經網絡模型；在此基礎上提出pid-sgd模型學習算法；最后通過對比選擇最優的pid優化參數。此公開的方法旨在實現高準確率、快收斂性的食用菌品質圖像分類，具有高準確率和塊收斂性的優點，在食品加工、農業種植、供應鏈管理等領域的應用前景廣闊。
2、本專利技術具體采用以下技術方案：
3、一種食用菌品質檢測的圖像分類方法：對食用菌進行高光譜采集和預處理之后，通過
4、進一步地，食用菌高光譜的采集與預處理的過程具體為：
5、首先，采用高光譜成像儀結合光學顯微鏡進行食用菌高光譜圖像數據的采集；
6、接著，采用標準化數據預處理，使處理后的數據符合標準正態分布；
7、最后，采用主成分分析法對食用菌高光譜圖像進行波長選擇，篩選出若干個特征波長，每個波長對應一張食用菌的灰度圖像。
8、進一步地，所述深度卷積神經網絡模型包括六個卷積塊和兩個全連接層，每個卷積塊包含1個卷積層、1個激活函數層和1個歸一化層；
9、首先將經過主成分分析法選擇的980*980像素的菌絲圖像縮放處理至224*224像素，將224*224像素的菌絲圖像傳入網絡模型；接著進入第一個卷積塊具有卷積層參數：kernel_size＝3,stride＝1,padding＝1，輸出維度為224*224*32；然后進入第二個卷積塊具有卷積層參數：kernel_size＝3,stride＝2,padding＝1，輸出維度為112*112*64；進一步進入第三個卷積塊具有卷積層參數：kernel_size＝3,stride＝1,padding＝1，輸出維度為112*112*64；接下來，進入第四個卷積塊具有卷積層參數：kernel_size＝3,stride＝2,padding＝1，輸出維度為56*56*128；現在進入第五個卷積塊具有卷積層參數：kernel_size＝3,stride＝1,padding＝1，輸出維度為56*56*128；緊接著進入第六個卷積塊具有卷積層參數：kernel_size＝3,stride＝2,padding＝1，輸出維度為28*28*256；最后進入全連接層并輸出菌絲是否退化的分類結果。
10、進一步地，所述pid-sgd模型學習算法在隨機梯度下降sgd的基礎上引入pid控制策略：
11、
12、式中，θt表示第t次迭代的模型參數，α表示學習率，表示目標函數f關于參數θt的梯度，表示從迭代開始到第t次迭代累計目標函數梯度的和，即表示目標函數梯度在θt點的一階導數，kp、ki、kd分別為p項系數、i項系數和d項系數。
13、進一步地，通過篩選最優的p項系數、i項系數和d項系數的組合以獲得最佳訓練結果。
14、以及，一種食用菌品質檢測的圖像分類系統，包括：
15、采集和預處理模塊，用于對食用菌進行高光譜采集和預處理；
16、以及，構建深度卷積神經網絡模型和pid-sgd模型學習算法模塊，所述深度卷積神經網絡模型利用pid-sgd模型學習算法模塊進行參數尋優，經過訓練后，輸出菌絲是否退化的分類結果。
17、進一步地，所述采集和預處理模塊包括：
18、采用高光譜成像儀結合光學顯微鏡進行食用菌高光譜圖像數據的采集；
19、采用標準化數據預處理，使處理后的數據符合標準正態分布；
20、采用主成分分析法對食用菌高光譜圖像進行波長選擇，篩選出若干個特征波長，每個波長對應一張食用菌的灰度圖像。
21、進一步地，所述pid-sgd模型學習算法模塊在隨機梯度下降sgd的基礎上引入pid控制策略：
22、
23、式中，θt表示第t次迭代的模型參數，α表示學習率，表示目標函數f關于參數θt的梯度，表示從迭代開始到第t次迭代累計目標函數梯度的和，即表示目標函數梯度在θt點的一階導數，kp、ki、kd分別為p項系數、i項系數和d項系數。
24、一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現如上所述的一種食用菌品質檢測的圖像分類方法的步驟。
25、一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現如上所述的一種食用菌品質檢測的圖像分類方法的步驟。
26、與現有技術相比，本專利技術及其優選方案首次將應用于工業控制的自動控制算法pid與sgd結合，應用于對食用菌品質圖像分類的深度卷積神經網絡模型訓練中，取得了意想不到的突出效果，能夠實現高準確率、快收斂性的食用菌品質圖像分類。
本文檔來自技高網...【技術保護點】
1.一種食用菌品質檢測的圖像分類方法，其特征在于：對食用菌進行高光譜采集和預處理之后，通過深度卷積神經網絡模型并利用PID-SGD模型學習算法進行參數尋優完成訓練后，利用所述深度卷積神經網絡模型輸出菌絲是否退化的分類結果。
2.根據權利要求1所述的一種食用菌品質檢測的圖像分類方法，其特征在于：
3.根據權利要求2所述的一種食用菌品質檢測的圖像分類方法，其特征在于：
4.根據權利要求1所述的一種食用菌品質檢測的圖像分類方法，其特征在于：
5.根據權利要求4所述的一種食用菌品質檢測的圖像分類方法，其特征在于：通過篩選最優的P項系數、I項系數和D項系數的組合以獲得最佳訓練結果。
6.一種食用菌品質檢測的圖像分類系統，其特征在于，包括：
7.根據權利要求6所述的一種食用菌品質檢測的圖像分類系統，其特征在于：
8.根據權利要求6所述的一種食用菌品質檢測的圖像分類系統，其特征在于：
9.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程
10.一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現如權利要求1-5任一項所述的一種食用菌品質檢測的圖像分類方法的步驟。
...【技術特征摘要】
1.一種食用菌品質檢測的圖像分類方法，其特征在于：對食用菌進行高光譜采集和預處理之后，通過深度卷積神經網絡模型并利用pid-sgd模型學習算法進行參數尋優完成訓練后，利用所述深度卷積神經網絡模型輸出菌絲是否退化的分類結果。
2.根據權利要求1所述的一種食用菌品質檢測的圖像分類方法，其特征在于：
3.根據權利要求2所述的一種食用菌品質檢測的圖像分類方法，其特征在于：
4.根據權利要求1所述的一種食用菌品質檢測的圖像分類方法，其特征在于：
5.根據權利要求4所述的一種食用菌品質檢測的圖像分類方法，其特征在于：通過篩選最優的p項系數、i項系數和d項系數的組合以獲得最佳訓練結果。...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。