【技术实现步骤摘要】
本专利技术涉及智能农业，特别涉及一种农产品光谱无损检测自动建模的方法、设备、介质及产品。
技术介绍
1、农产品品质安全关系到社会稳定，传统的品质安全检测方法耗时、繁琐、成本高，因此无法在线进行检测。在农业领域深度学习一般面临的都是“小数据大任务”问题，即通过采样获取的农产品样本数据相对实际样本而言都是小数据，海量样本的获取往往需要高昂代价，无法取得。同时对于农产品样本来说，其个体差异较大，用于建模的定标值的无法自动获取，造成虽然光谱检测技术的可行性已被众多研究证实，但仍然难以在实际中应用。
2、现有技术中，对农产品的品质成分分析常用的是hplc-ms（high performanceliquid chromatography-mass spectrometry，高效液相色谱-质谱联用技术）、gc-ms（gaschromatography-mass spectrometry，气相色谱-质谱联用技术）等技术，检测精度高，但检测周期过长、价格高、样品需要预处理，在实时检测应用场景中实施困难，不便于大量检测数据的获取，在面对海量农产品的检测需求时无法对所有样品进行分析。
3、基于光谱成像结合机器学习的技术，虽然检测效率较高且出结果快，但是农产品作为生物体，个体差异大且品种繁多，同时光谱信号干扰多，信噪比低，容易导致检测结果的不准确。
技术实现思路
1、本专利技术提供一种农产品光谱无损检测自动建模的方法、设备、介质及产品，以解决相关技术中光谱成像技术对农产品品质检测时
2、本专利技术第一方面实施例提供一种农产品光谱无损检测自动建模的方法，包括以下步骤：利用光谱仪器获取农产品样本的光谱图像数据，并传送农产品样本至电化学检测装置，进行电化学检测得到电化学检测数据；识别光谱图像数据中农产品样本在不同波长下的样本图像、以及识别电化学检测数据中农产品样本的待测样本品质指标；根据农产品样本在不同波长下的样本图像及待测样本品质指标生成样本数据集，利用样本数据集和深度学习网络生成品质检测模型；将待检测农产品的光谱图像输入品质检测模型，品质检测模型输出待检测农产品的品质指标。
3、可选地，利用样本数据集和深度学习网络生成品质检测模型，包括：将样本数据集随机划分成训练集和验证集；利用训练集中的样本图像及样本品质指标对深度学习网络进行训练，获取深度学习网络输出的农产品样本的品质预测结果，根据样本品质指标和品质预测结果校正训练集及优化深度学习网络的网络参数；利用验证集对训练后的深度学习网络进行验证，根据验证结果优化深度学习网络的网络参数，直到品质预测结果的品质预测误差达到要求时停止训练，将训练完成深度学习网络作为品质检测模型。
4、可选地，根据样本品质指标和品质预测结果校正训练集及优化深度学习网络的网络参数，包括：根据样本品质指标和品质预测结果计算农产品样本的品质预测误差的语义信息和潜在语义熵，其中，语义信息和潜在语义熵表示深度学习网络对训练集的可信度，并根据可信度调整深度学习网络的网络结构及网络参数；根据语义信息和潜在语义熵调整样本图像的样本品质指标和深度学习网络的目标网络层级的至少一个，其中，每个网络层级的网络用于提取样本图像的特征图，基于特征图确定农产品样本的品质预测结果。
5、可选地，语义信息的计算公式为：
6、
7、其中，为特征层级，为样品品质指标，为反馈调节的次数，为预测的语义信息， t为测试的第 t个样本图像，为第 u个样本，为验证集的样本总数，为和相同预测类别随机抽样扩充训练样本的认知误差语义论域，为认知误差语义矩阵。
8、潜在语义熵的计算公式为：
9、
10、其中，为潜在语义熵，为划分得到的个商集个数，为划分的商集个数，为训练样本的维度，为样本数。
11、可选地，利用光谱仪器获取农产品样本的光谱图像数据，并传送农产品样本至电化学检测装置，进行电化学检测得到电化学检测数据，包括：利用积分球光源在不同波长下对农产品样本进行均匀照明；采集农产品样本在不同波长下的样本图像，基于农产品样本在不同波长下的样本图像生成光谱图像数据；对农产品样本通过电化学检测装置进行分析，电化学检测装置输出电化学检测数据，并反馈所述电化学检测数据至主控模块作为基于光谱图像数据训练时的标定值。
12、可选地，电化学检测装置包括研磨粉碎装置和电化学分析单元，其中，研磨粉碎装置将农产品样本粉碎并置于检测池中搅拌得到电解液；电化学分析单元采用有多重栅电极的电解液栅控石墨烯场效应晶体管sggt传感阵列，包括由单个单层石墨烯沟道以及多个不同功能性材料修饰的栅电极，使用多栅极的结构设计，根据不同的检测任务选择不同的功能性材料，允许同时检测多个不同检测指标，其中，不同功能性材料修饰的栅电极包括各类适配体修饰探针，电解液栅控石墨烯场效应晶体管对电解液进行品质检测得到待测样本品质指标，并将待测样本品质指标反馈至主控模块作为标定值。
13、可选地，积分球光源包括不同波长的光源组合，且每种波长的光源组合旋转对称设置。
14、本专利技术第二方面实施例提供一种农产品光谱无损检测自动建模的设备，包括：样品传输模块，用于传输农产品样本；光源成像模块，用于为农产品样本提供不同波长的均匀照明，采集农产品样本在不同波长下的样本图像，基于至农产品样本在不同波长下的样本图像生成光谱图像数据；电化学定标模块，用于对农产品样本进行电化学检测得到电化学检测数据，并将电化学检测数据作为待测样本品质指标反馈给主控模块；主控模块包括：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，处理器执行程序，以实现如上述实施例的农产品光谱无损检测自动建模的方法。
15、本专利技术第三方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的农产品光谱无损检测自动建模的方法。
16、本专利技术第四方面实施例提供一种计算机程序产品，包括存储有计算机程序或指令，所述计算机程序或指令被执行时，以用于实现如上述实施例的农产品光谱无损检测自动建模的方法。
17、由此，本专利技术包括如下有益效果：
18、本专利技术实施例可以将农产品样本在不同波长下的样本图像和农产品样本的品质指标用于品质检测模型的训练，提高了训练数据的准确率及生成效率，有利于高效生成较为准确的品质检测模型，从而基于光谱图像及所构建的品质检测模型，能够快速准确无损预测出农产品多种品质成分的含量，提升对农产品品质检测的准确性。由此，解决了相关技术中光谱成像技术对农产品品质检测时的准确性较差等问题。
19、本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种农产品光谱无损检测自动建模的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的农产品光谱无损检测自动建模的方法，其特征在于，所述利用所述样本数据集和深度学习网络生成品质检测模型，包括：
3.根据权利要求2所述的农产品光谱无损检测自动建模的方法，其特征在于，所述根据所述样本品质指标和所述品质预测结果校正所述训练集及优化所述深度学习网络的网络参数，包括：
4.根据权利要求3所述的农产品光谱无损检测自动建模的方法，其特征在于，所述语义信息的计算公式为：
5.根据权利要求1所述的农产品光谱无损检测自动建模的方法，其特征在于，所述利用光谱仪器获取农产品样本的光谱图像数据，并传送农产品样本至电化学检测装置，进行电化学检测得到电化学检测数据，包括：
6.根据权利要求5所述的农产品光谱无损检测自动建模的方法，其特征在于，所述电化学检测装置包括研磨粉碎装置和电化学分析单元，其中，
7.根据权利要求5所述的农产品光谱无损检测自动建模的方法，其特征在于，所述积分球光源包括不同波长的光源组合，且每种波长的光源组合旋转
8.一种农产品光谱无损检测自动建模的设备，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序或指令，其特征在于，所述计算机程序或指令被执行时，以实现权利要求1-7任一项所述的农产品光谱无损检测自动建模的方法。
10.一种计算机程序产品，包括计算机程序或指令，其特征在于，所述计算机程序或指令被执行时，以实现权利要求1-7任一项所述的农产品光谱无损检测自动建模的方法。
...【技术特征摘要】
1.一种农产品光谱无损检测自动建模的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的农产品光谱无损检测自动建模的方法，其特征在于，所述利用所述样本数据集和深度学习网络生成品质检测模型，包括：
3.根据权利要求2所述的农产品光谱无损检测自动建模的方法，其特征在于，所述根据所述样本品质指标和所述品质预测结果校正所述训练集及优化所述深度学习网络的网络参数，包括：
4.根据权利要求3所述的农产品光谱无损检测自动建模的方法，其特征在于，所述语义信息的计算公式为：
5.根据权利要求1所述的农产品光谱无损检测自动建模的方法，其特征在于，所述利用光谱仪器获取农产品样本的光谱图像数据，并传送农产品样本至电化学检测装置，进行电化学检测得到电化学检测数据，包括：
...【专利技术属性】
技术研发人员：郑磊，刘长虹，刘伟，瞿昊，李正，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
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。