一种深度学习水果光谱分析模型更新方法技术

本发明专利技术公开了一种深度学习水果光谱分析模型更新方法。将历史批次采集的水果光谱数据和品质变量输入到深度神经网络中，通过随机网格超参数搜索和梯度下降算法优化模型参数，得到最优的模型结构和权重；保持该模型权重冻结层的权重固定，使用新批次少量水果样本得到的光谱数据和品质变量，微调该模型权重可变层的权重，得到更新后的模型；将新批次未知预测值的水果光谱输入到更新后的模型，输出对新批次水果的品质变量预测结果。本发明专利技术使用少量的样本，更新历史数据构建的光谱模型，提供比多种传统模型更新方法更高的预测精度；能够有效保留历史批次数据与新一批次数据的共有特征，并且对新一批次的水果样本提供更好的预测精度和鲁棒性。和鲁棒性。和鲁棒性。

【技术实现步骤摘要】
一种深度学习水果光谱分析模型更新方法


[0001]本专利技术属于光谱分析与化学计量学领域，具体涉及了一种深度学习水果光谱分析模型更新方法。

技术介绍

[0002]光谱技术与化学计量学的发展促进了食品、制药、石油化工等行业的现场化无损检测应用。近年来，水果高通量分级系统快速发展，处理速度达到每秒多个，能够进行水果内部品质安全的快速分选。由于水果等生物对象在生长发育过程中收到环境等因素的影响，不同批次、年份、来源的水果通常存在生物学差异性，影响光在水果组织内部的作用和光谱数据的采集，导致已经开发的水果光谱分析模型失效，难以提供良好的品质预测决策支持。因此，开发可靠的光谱模型更新方法，对不同批次的待测水果是重要的。
[0003]传统的模型更新方法主要有三大类：1)全局模型：通过将多批次的数据构建全局训练集来提升模型的适用范围，但是由于增大的数据变异性和非线性程度，该方法通常会导致预测精度下降；2)重新建模：通过采集新一批次大量水果样本的光谱和品质变量数据，重新开发模型，但是该方法耗费较多的人力物力，且不能良好地利用历史批次的数据；3)斜率/偏本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度学习水果光谱分析模型更新方法，其特征在于，包含如下步骤：步骤1)采用历史批次的水果光谱数据作为样本集，样本集对应的水果品质变量值作为标签集；构建深度学习水果光谱分析模型，将样本集作为输入，标签集作为输出，对深度学习水果光谱分析模型进行训练，通过梯度下降算法和超参数优化方法，得到初始深度学习水果光谱分析模型及其模型权重；步骤2)预测新批次水果的品质变量值：2.1)从新批次水果总样本中选取少量代表性样本，采集代表性水果样本的光谱数据及其对应的水果品质变量值作为训练集，将其输入步骤1)得到的初始深度学习水果光谱分析模型中，固定模型中权重冻结层的权重，对模型进行重新训练完成权重可变层的权重微调，从而得到适用于新批次水果品质变量预测的更新后的深度学习水果光谱分析模型；2.2)采集新批次中其余的未知品质变量值的水果光谱数据，并输入步骤2.1)更新后的深度学习水果光谱分析模型中进行品质变量值预测，完成新批次的水果品质变量检测。2.根据权利要求1所述的一种深度学习水果光谱分析模型更新方法，其特征在于，所述深度神经网络光谱分析模型采用卷积神经网络模型、自编码器模型、循环神经网络模型或Transformer模型；深度学习模型的训练采用下述四种策略中的一种或多种组合：L2范数正则化、学习率衰减策略、丢失法和提前停止策略。3.根据权利要求1所述的一种深度学习水果光谱分析模型更新方法，其特征在于，所述步骤1)中历史批次的水果样本为在新批次之前获得的水果样本，分别来源于不同收获年...

【专利技术属性】
技术研发人员：应义斌，杨杰，林涛，丁冠中，
申请(专利权)人：浙江大学，
类型：发明
国别省市：