一种基于深度学习的粮食水分检测方法及系统技术方案

本发明专利技术涉及一种基于深度学习的粮食水分检测方法及系统，首先根据设定个数种已知水分含量的粮食以及对应的信道状态信息的振幅数据和相位差数据对深度长短期记忆网络进行训练；然后，采集经过被测粮食后的信道状态信息的振幅数据和相位差数据，并输入给训练好的深度长短期记忆网络，检测得到被测粮食的水分。深度长短期记忆网络可以有效处理数据集中的长范围依赖性，还能够克服传统循环神经网络中梯度消失或梯度爆炸的问题，因此，基于该深度长短期记忆网络的粮食水分检测方法的检测精度较高，不管是在视距或者非视距场景中均能够实现相当高的检测精度。而且，该方法的实现步骤比较简单，无需投入较多的设备，降低了投入成本。

A method and system of grain moisture detection based on deep learning

【技术实现步骤摘要】
一种基于深度学习的粮食水分检测方法及系统
本专利技术涉及一种基于深度学习的粮食水分检测方法及系统。
技术介绍
随着全世界人口数量的增长和人们生活质量的提高，人类对粮食的需求也越来越大。保障粮食供应一靠生产，二靠储藏。如何安全储藏粮食以满足未来的粮食需求变得非常重要，特别是对于饥荒或自然灾害等紧急需求情况。水分含量和温度这两个物理因素对粮食的安全储存有很大影响。与温度因子相比，粮食含水量在粮食生产、存储、分销的不同阶段更为重要，这是决定粮食质量的最重要因素之一，也是决定何时进行收获的重要因素。同时，对安全储存和销售价格也有很大影响。现有的谷物水分检测手段分为破坏性方法和非破坏性方法。其中，破坏性方法，例如烘干法，这种方法非常耗时，需要在特定温度的烘箱中干燥一定时间，因此，破坏性方法不适合在粮食贸易中广泛采用。非破坏性方法，使用电特性或磁场来确定粮食含水量。虽然非破坏性方法无需较多的人力并且耗时较少，但是，现有的非破坏性方法仍然存在一些局限性，例如，电容法有一个缺点，即测得的粮食水分值容易受环境温度和干燥器中粮食流速影响。此外，尽管电阻法、微波法和中子法可以获得高精度水分值并且能够快速检测，但是实现这些无损检测方法需要投入很大的成本，尤其是检测装置的成本较高。
技术实现思路
本专利技术的目的是提供一种基于深度学习的粮食水分检测方法及系统，用以解决现有的检测方法需要投入很大成本的问题。为实现上述目的，本专利技术包括以下技术方案。一种基于深度学习的粮食水分检测方法，包括以下步骤：<br>(1)确定设定个数种已知水分含量的粮食，分别采集经过所述设定个数种的已知水分含量的粮食的对应信道状态信息的振幅数据和相位差数据；(2)根据所述设定个数的已知水分含量以及对应的信道状态信息的振幅数据和相位差数据对深度长短期记忆网络进行训练；(3)采集经过被测粮食的信道状态信息的振幅数据和相位差数据，并输入给训练好的深度长短期记忆网络，检测得到被测粮食的水分。首先根据设定个数种已知水分含量的粮食以及对应信道状态信息的振幅数据和相位差数据对深度长短期记忆网络进行训练；然后，采集经过被测粮食后的信道状态信息的振幅数据和相位差数据，并输入给训练好的深度长短期记忆网络，检测得到被测粮食的水分。该方法利用深度长短期记忆网络进行粮食水分检测，深度长短期记忆网络可以实现较强的学习和表示能力，而且，深度长短期记忆网络可以有效处理数据集中的长范围依赖性，还能够克服传统循环神经网络中梯度消失或梯度爆炸的问题，因此，基于该深度长短期记忆网络的粮食水分检测方法的检测精度较高，不管是在视距或者非视距场景中均能够实现相当高的检测精度。而且，该方法的实现步骤比较简单，无需投入较多的设备，降低了投入成本。进一步地，所述步骤(1)和步骤(2)之间还有对采集到的信道状态信息的振幅数据和相位差数据进行预处理步骤，具体是对采集到的信道状态信息的振幅数据和相位差数据进行标准化处理，使振幅数据和相位差数据的数值范围为(0，1)。标准化信道状态信息的振幅数据和相位差数据能够提高水分检测精度。进一步地，为了提高检测精度，所述步骤(2)中，所述深度长短期记忆网络为一个两层深度长短期记忆网络，利用softmax分类器来训练所述两层深度长短期记忆网络。进一步地，在利用softmax分类器训练两层深度长短期记忆网络时，其中第二层中最后一个单元的隐藏节点的输出作为整个连接层的输入；softmax分类器对应的softmax函数的输出表示为s＝[s1，s2，…，sm]，所述softmax函数为：其中，ωi是整个连接层的权重向量，Kf是第二层中最后一个单元的隐藏节点的输出向量，()T是转置运算符，M为所述设定个数；用L(ω)表示权重参数ω的损失函数，通过该损失函数来训练深度长短期记忆网络的权重，采用L2正则化超参数来减少解的空间，其中，损失函数为：其中，yi是第i个粮食水分含量的真实标记数据，η是L2正则化的超参数。进一步地，设定采集N个经过被测粮食的信道状态信息的振幅数据和相位差数据，定义β为softmax分类器的输出结果矩阵，则：得到平均向量其中，为矩阵第i行中的输出数据矢量[βi1，βi2，…，βiN]的平均值，则被测粮食的水分含量D的计算公式为：根据该计算公式能够准确得到被测粮食的水分含量。一种基于深度学习的粮食水分检测系统，包括检测模块，所述检测模块包括存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器在执行所述计算机程序时实现的步骤包括：(1)确定设定个数种已知水分含量的粮食，分别采集经过所述设定个数种的已知水分含量的粮食的对应信道状态信息的振幅数据和相位差数据；(2)根据所述设定个数的已知水分含量以及对应的信道状态信息的振幅数据和相位差数据对深度长短期记忆网络进行训练；(3)采集经过被测粮食的信道状态信息的振幅数据和相位差数据，并输入给训练好的深度长短期记忆网络，检测得到被测粮食的水分。首先根据设定个数种已知水分含量的粮食以及对应信道状态信息的振幅数据和相位差数据对深度长短期记忆网络进行训练；然后，采集经过被测粮食后的信道状态信息的振幅数据和相位差数据，并输入给训练好的深度长短期记忆网络，检测得到被测粮食的水分。该系统利用深度长短期记忆网络进行粮食水分检测，深度长短期记忆网络可以实现较强的学习和表示能力，而且，深度长短期记忆网络可以有效处理数据集中的长范围依赖性，还能够克服传统循环神经网络中梯度消失或梯度爆炸的问题，因此，基于该深度长短期记忆网络的粮食水分检测系统的检测精度较高，不管是在视距或者非视距场景中均能够实现相当高的检测精度。而且，该系统无需投入较多的设备，降低了投入成本。进一步地，所述步骤(1)和步骤(2)之间还有对采集到的信道状态信息的振幅数据和相位差数据进行预处理步骤，具体是对采集到的信道状态信息的振幅数据和相位差数据进行标准化处理，使振幅数据和相位差数据的数值范围为(0，1)。标准化信道状态信息的振幅数据和相位差数据能够提高水分检测精度。进一步地，为了提高检测精度，所述步骤(2)中，所述深度长短期记忆网络为一个两层深度长短期记忆网络，利用softmax分类器来训练所述两层深度长短期记忆网络。进一步地，在利用softmax分类器训练两层深度长短期记忆网络时，其中第二层中最后一个单元的隐藏节点的输出作为整个连接层的输入；softmax分类器对应的softmax函数的输出表示为s＝[s1，s2，…，sm]，所述softmax函数为：其中，ωi是整个连接层的权重向量，Kf是第二层中最后一个单元的隐藏节点的输出向量，()T是转置运算符，M为所述设定个数；用L(ω)表示权重参数ω的损失函数，通过该损失函数来训练深度长短期记忆网络的权重，采用L2正则化超参数来减少解的空间，其中，损失函数为：其中，yi是第i个粮食水分含量的真实本文档来自技高网...

【技术保护点】
1.一种基于深度学习的粮食水分检测方法，其特征在于，包括以下步骤：/n(1)确定设定个数种已知水分含量的粮食，分别采集经过所述设定个数种的已知水分含量的粮食的对应信道状态信息的振幅数据和相位差数据；/n(2)根据所述设定个数的已知水分含量以及对应的信道状态信息的振幅数据和相位差数据对深度长短期记忆网络进行训练；/n(3)采集经过被测粮食的信道状态信息的振幅数据和相位差数据，并输入给训练好的深度长短期记忆网络，检测得到被测粮食的水分。/n

【技术特征摘要】
1.一种基于深度学习的粮食水分检测方法，其特征在于，包括以下步骤：
(1)确定设定个数种已知水分含量的粮食，分别采集经过所述设定个数种的已知水分含量的粮食的对应信道状态信息的振幅数据和相位差数据；
(2)根据所述设定个数的已知水分含量以及对应的信道状态信息的振幅数据和相位差数据对深度长短期记忆网络进行训练；
(3)采集经过被测粮食的信道状态信息的振幅数据和相位差数据，并输入给训练好的深度长短期记忆网络，检测得到被测粮食的水分。


2.根据权利要求1所述的基于深度学习的粮食水分检测方法，其特征在于，所述步骤(1)和步骤(2)之间还有对采集到的信道状态信息的振幅数据和相位差数据进行预处理步骤，具体是对采集到的信道状态信息的振幅数据和相位差数据进行标准化处理，使振幅数据和相位差数据的数值范围为(0，1)。


3.根据权利要求2所述的基于深度学习的粮食水分检测方法，其特征在于，所述步骤(2)中，所述深度长短期记忆网络为一个两层深度长短期记忆网络，利用softmax分类器来训练所述两层深度长短期记忆网络。


4.根据权利要求3所述的基于深度学习的粮食水分检测方法，其特征在于，在利用softmax分类器训练两层深度长短期记忆网络时，其中第二层中最后一个单元的隐藏节点的输出作为整个连接层的输入；softmax分类器对应的softmax函数的输出表示为s＝[s1，s2，…，sm]，所述softmax函数为：



其中，ωi是整个连接层的权重向量，Kf是第二层中最后一个单元的隐藏节点的输出向量，()T是转置运算符，M为所述设定个数；
用L(ω)表示权重参数ω的损失函数，通过该损失函数来训练深度长短期记忆网络的权重，采用L2正则化超参数来减少解的空间，其中，损失函数为：



其中，yi是第i个粮食水分含量的真实标记数据，η是L2正则化的超参数。


5.根据权利要求4所述的基于深度学习的粮食水分检测方法，其特征在于，设定采集N个经过被测粮食的信道状态信息的振幅数据和相位差数据，定义β为softmax分类器的输出结果矩阵，则：



得到平均向量



其中，为矩阵第i行中的输出数据矢量[βi1，βi2，…，βiN]的平均值，则被测粮食的水分含量D的计算公式为：





6.一种基于深度学习的粮食水分检测系统，...

【专利技术属性】
技术研发人员：杨卫东，胡鹏明，张元，张德贤，朱春华，秦瑶，张闻强，甄彤，许德刚，段珊珊，单少伟，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：河南;41