本發(fā)明涉及農(nóng)業(yè)信息，特別是涉及一種基于深度學(xué)習(xí)模型的鮮食葡萄采收時機的預(yù)測系統(tǒng)及方法。

背景技術(shù)：

1、鮮食葡萄營養(yǎng)豐富、口感良好、受眾群體廣、經(jīng)濟效益高，已成為全國多地區(qū)發(fā)展特色林果業(yè)的代表性水果產(chǎn)業(yè)。鮮食葡萄的采后品質(zhì)與其采收時的成熟度具有很強的關(guān)聯(lián)性，因而精準(zhǔn)檢測葡萄的成熟程度、進而確定合適采收時機，對于保證葡萄采后品質(zhì)風(fēng)味、減少采后浪費具有重要意義。

2、現(xiàn)有技術(shù)中，對葡萄成熟度的檢測通常用以下四種方法：一、人工判別法，專業(yè)檢測人員通過感官評價法對鮮食葡萄的成熟情況進行判別。二、化學(xué)實驗檢測法，在實驗室中對送檢葡萄樣本使用化學(xué)儀器和試劑測量可溶性固形物、ph、硬度等相關(guān)理化數(shù)據(jù)，進而判斷葡萄的成熟情況。三、計算機視覺技術(shù)，通過葡萄圖像利用圖像處理技術(shù)實現(xiàn)對葡萄成熟程度的預(yù)測。四、光譜技術(shù)，首先利用光譜儀器獲取葡萄的光譜數(shù)據(jù)，并通過光譜數(shù)據(jù)和成熟度表征指標(biāo)的建模實現(xiàn)葡萄的成熟度預(yù)測和判別。

3、以上方法分別存在如下不足：其中，方法一依靠評價人員的經(jīng)驗，主觀性較強，誤差較大；方法二樣本處理復(fù)雜、檢測過程繁瑣，實時性差，且屬于有損檢測，不滿足實際生產(chǎn)的需求；方法三依賴于葡萄漿果的外部顏色、形狀等特征，受葡萄個體發(fā)育差異性影響較大，檢測精度較低；方法四在構(gòu)建好光譜信息和成熟指標(biāo)的擬合模型之后，在后續(xù)可以通過檢測光譜信息實現(xiàn)成熟度的預(yù)測和判別，具有快速、無損、準(zhǔn)確率高的特點。雖然光譜技術(shù)綜合效果更好，但現(xiàn)有擬合模型的訓(xùn)練不夠充分，嚴(yán)重影響預(yù)測效果。因此，設(shè)計一種基于深度學(xué)習(xí)模型的鮮食葡萄采收時機的預(yù)測系統(tǒng)及方法是十分有必要的。

技術(shù)實現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種基于深度學(xué)習(xí)模型的鮮食葡萄采收時機的預(yù)測系統(tǒng)及方法。

2、為實現(xiàn)上述目的，本發(fā)明提供了如下方案：

3、本發(fā)明提供了一種基于深度學(xué)習(xí)模型的鮮食葡萄采收時機的預(yù)測系統(tǒng)，包括：高光譜圖像拍攝裝置、數(shù)據(jù)獲取裝置、控制器及數(shù)據(jù)處理器，所述高光譜圖像拍攝裝置用于獲取不同成熟期鮮食葡萄的高光譜圖像信息；所述數(shù)據(jù)獲取裝置用于獲取不同成熟期鮮食葡萄成熟度理化指標(biāo)數(shù)據(jù)；所述控制器用于控制高光譜圖像拍攝裝置以及將高光譜圖像拍攝裝置、數(shù)據(jù)獲取裝置執(zhí)行過程中獲取的數(shù)據(jù)存儲在控制器的存儲器中；所述數(shù)據(jù)處理器用于對存儲器內(nèi)的數(shù)據(jù)進行加工處理。

4、優(yōu)選地，所述高光譜圖像拍攝裝置包括葡萄位置調(diào)整裝置及可調(diào)節(jié)拍攝裝置；

5、所述葡萄位置調(diào)整裝置包括傳送裝置、承載板、限位裝置及旋轉(zhuǎn)球體，所述傳送裝置的頂部設(shè)置均勻多塊所述承載板，每塊所述承載板的頂部四個邊上均設(shè)置所述限位裝置，所述限位裝置包括立板、連接軸及限位輪，每塊所述承載板的頂部四個邊上均設(shè)置所述立板，所述立板長邊的兩側(cè)設(shè)置有連接軸，所述連接軸上設(shè)置有限位輪，所述承載板的底部均勻設(shè)置有多個圓孔，且所述圓孔位于相鄰的兩個限位裝置之間的四個限位輪之間，所述旋轉(zhuǎn)球體的底部穿過所述圓孔與所述傳送裝置相接觸，所述傳送裝置用于帶動所述旋轉(zhuǎn)球體旋轉(zhuǎn)，所述立板上對應(yīng)所述旋轉(zhuǎn)球體設(shè)置所述弧形定位板，所述傳送裝置連接所述控制器；

6、所述可調(diào)節(jié)拍攝裝置包括橫向滑軌、豎向伸縮桿、罩殼、相機及補光燈，所述葡萄位置調(diào)整裝置的頂部通過支架設(shè)置所述橫向滑軌，所述橫向滑軌的底部滑動連接所述豎向伸縮桿，所述豎向伸縮桿的底部連接所述罩殼，所述罩殼的內(nèi)頂部設(shè)置所述相機，所述罩殼的內(nèi)部兩側(cè)設(shè)置所述補光燈，所述罩殼的下側(cè)對應(yīng)所述承載板開孔，所述相機連接所述控制器。

7、優(yōu)選地，所述傳送裝置包括主動輥、從動輥、驅(qū)動電機及傳送帶，所述驅(qū)動電機連接所述控制器，所述傳送帶及旋轉(zhuǎn)球體均為軟質(zhì)橡膠材料。

8、本發(fā)明還提供了一種基于深度學(xué)習(xí)模型的鮮食葡萄采收時機的預(yù)測方法，包括：

9、步驟100：獲取鮮食葡萄不同成熟期的高光譜圖像和表征其成熟程度的理化指標(biāo)數(shù)據(jù)；

10、步驟200：對高光譜圖像數(shù)據(jù)進行數(shù)據(jù)預(yù)處理操作，對理化指標(biāo)數(shù)據(jù)進行相關(guān)性分析和篩選，建立鮮食葡萄成熟度數(shù)據(jù)集；

11、步驟300：基于聚類算法對鮮食葡萄成熟度數(shù)據(jù)集中的表征其成熟程度的理化指標(biāo)數(shù)據(jù)進行無監(jiān)督分類，實現(xiàn)基于多指標(biāo)的葡萄成熟階段劃分；

12、步驟400：建立基于深度學(xué)習(xí)的回歸預(yù)測模型，并基于鮮食葡萄成熟度數(shù)據(jù)集對其進行訓(xùn)練，擬合光譜數(shù)據(jù)和理化指標(biāo)數(shù)據(jù)的映射關(guān)系，實現(xiàn)通過光譜數(shù)據(jù)對表征成熟程度的理化指標(biāo)的回歸預(yù)測；

13、步驟500：根據(jù)回歸預(yù)測模型預(yù)測的樣本理化指標(biāo)，計算樣本與聚類簇中心的距離，按照距離最短原則判定樣本的成熟度，確定鮮食葡萄的采收時機。

14、優(yōu)選地，步驟200中，對高光譜圖像數(shù)據(jù)進行數(shù)據(jù)預(yù)處理操作，對理化指標(biāo)數(shù)據(jù)進行相關(guān)性分析和篩選，建立鮮食葡萄成熟度數(shù)據(jù)集，具體為：

15、步驟201：對高光譜圖像數(shù)據(jù)進行數(shù)據(jù)預(yù)處理操作；

16、對獲取的高光譜圖像進行黑白校正；

17、對校正后的高光譜圖像，選取感興趣區(qū)域，計算得到每顆果粒樣本整體表面區(qū)域的平均光譜；

18、對葡萄光譜信息進行多元散射矯正處理并進行平滑處理；

19、對平滑處理后的光譜數(shù)據(jù)進行一階微分求導(dǎo)，進一步對光譜數(shù)據(jù)進行歸一化，確保不同波段光譜在相同尺度上；

20、步驟202：對理化指標(biāo)數(shù)據(jù)進行相關(guān)性分析和篩選；

21、葡萄理化指標(biāo)包括可溶性固形物、ph值、色差和硬度，對四個指標(biāo)進行相關(guān)性分析；

22、步驟203：建立鮮食葡萄成熟度數(shù)據(jù)集；

23、將預(yù)處理后的光譜數(shù)據(jù)和理化指標(biāo)數(shù)據(jù)進行匹配，組成變量對，構(gòu)成基礎(chǔ)數(shù)據(jù)集，將基礎(chǔ)數(shù)據(jù)集劃分為訓(xùn)練集和測試集。

24、優(yōu)選地，步驟300中，基于聚類算法對鮮食葡萄成熟度數(shù)據(jù)集中的表征其成熟程度的理化指標(biāo)數(shù)據(jù)進行無監(jiān)督分類，實現(xiàn)基于多指標(biāo)的葡萄成熟階段劃分，具體為：

25、基于四個理化指標(biāo)數(shù)據(jù)使用聚類算法得到最佳樣本簇的劃分，結(jié)合聚類結(jié)果評價指標(biāo)劃分為四個成熟度階段，得到每個成熟階段的簇中心，完成對葡萄樣本的成熟階段的劃分。

26、優(yōu)選地，步驟400中，建立基于深度學(xué)習(xí)的回歸預(yù)測模型，并基于鮮食葡萄成熟度數(shù)據(jù)集對其進行訓(xùn)練，擬合光譜數(shù)據(jù)和理化指標(biāo)數(shù)據(jù)的映射關(guān)系，實現(xiàn)通過光譜數(shù)據(jù)對表征成熟程度的理化指標(biāo)的回歸預(yù)測，具體為：

27、建立基于深度學(xué)習(xí)的回歸預(yù)測模型，其中，回歸預(yù)測模型包括2個一維卷積層、1個跳躍連接模塊、2個長短期記憶網(wǎng)絡(luò)層、1個自注意力機制層和1個全連接回歸預(yù)測層，2個所述一維卷積層用于提取葡萄高光譜圖像數(shù)據(jù)的局部特征，在第二個一維卷積層提取特征后使用跳躍連接，將2個卷積層的輸出相加輸入到第一個長短期記憶網(wǎng)絡(luò)層，用以學(xué)習(xí)特征之間的長期依賴關(guān)系，將第一個長短期記憶網(wǎng)絡(luò)層的輸出輸入到第二個長短期記憶網(wǎng)絡(luò)層，用于進一步捕捉特征之間的聯(lián)系，將第二個長短期記憶網(wǎng)絡(luò)層輸出的結(jié)果輸入自注意力機制層，對輸入的特征使用lka和可變形卷積進行處理，通過自注意力機制，進一步捕捉長距離依賴關(guān)系和深層特征，最后將學(xué)習(xí)到的特征輸入到全連接回歸預(yù)測層，建立特征與預(yù)測值的回歸預(yù)測模型，將訓(xùn)練集中的葡萄光譜圖像數(shù)據(jù)作為輸入，以理化指標(biāo)數(shù)據(jù)作為輸出，對回歸預(yù)測模型進行訓(xùn)練。

28、優(yōu)選地，所述回歸預(yù)測模型的訓(xùn)練損失函數(shù)為：

29、

30、式中，yi是真實值，是模型預(yù)測值，n是樣本數(shù)量，α是介于0和1之間的參數(shù)，λ是正則化參數(shù)，是正則化項，j代表模型中不同層權(quán)重索引，θ表示模型的參數(shù)。

31、根據(jù)本發(fā)明提供的具體實施例，本發(fā)明公開了以下技術(shù)效果：

32、本發(fā)明提供了一種基于深度學(xué)習(xí)模型的鮮食葡萄采收時機的預(yù)測系統(tǒng)及方法，具有如下優(yōu)點：

33、(1)本發(fā)明提出基于深度學(xué)習(xí)模型的鮮食葡萄采收時機的預(yù)測方法，通過光譜數(shù)據(jù)和表征葡萄成熟度理化指標(biāo)數(shù)據(jù)的對應(yīng)關(guān)系，建立了基于深度學(xué)習(xí)的鮮食葡萄成熟指標(biāo)數(shù)據(jù)回歸預(yù)測模型。利用采集的葡萄高光譜圖像數(shù)據(jù)，運用可靠的預(yù)測模型對真實值進行預(yù)測。采用聚類算法對鮮食葡萄成熟度數(shù)據(jù)集中的表征其成熟程度的理化指標(biāo)數(shù)據(jù)進行無監(jiān)督分類，實現(xiàn)基于多指標(biāo)的葡萄成熟階段劃分；構(gòu)建損失函數(shù)對模型進行訓(xùn)練，更新預(yù)測模型，損失函數(shù)通過正則化項的添加，有效防止模型過擬合，提高模型的泛化能力，使其在新數(shù)據(jù)上的表現(xiàn)更加穩(wěn)健，并且可以根據(jù)具體問題和數(shù)據(jù)特點，調(diào)整和的值，以適應(yīng)不同的任務(wù)需求和數(shù)據(jù)分布，具有較強的適應(yīng)性，提高模型在一維光譜數(shù)據(jù)深度學(xué)習(xí)分析中的性能，使其能夠更好地擬合數(shù)據(jù)，提高預(yù)測的準(zhǔn)確性。

34、(2)本發(fā)明提出一種基于深度學(xué)習(xí)模型的鮮食葡萄采收時機的預(yù)測系統(tǒng)，所述系統(tǒng)包括高光譜圖像拍攝裝置，能夠獲取不同成熟期鮮食葡萄的高光譜圖像信息，從而提高光譜信息數(shù)據(jù)的準(zhǔn)確性。

35、(3)本發(fā)明提供的圖像拍攝裝置包括葡萄位置調(diào)整裝置，所述葡萄位置調(diào)整裝置通過包括傳送裝置、承載板、旋轉(zhuǎn)球體之間的配合，使得位于多個旋轉(zhuǎn)球體頂部的葡萄的角度得以調(diào)整，從而獲得同一顆葡萄的多角度光譜數(shù)據(jù)