[发明专利]一种基于CNN的食品高光谱信息分析系统与方法

权利要求书

1.一种基于CNN的食品高光谱信息分析系统，其特征在于，改进了现有商用高光谱仪配套的数据处理平台，增加了用于运行深度学习框架的GPU阵列。

2.所述基于CNN的食品高光谱信息分析系统，其特征在于，包括预处理模块、数据管理模块、CNN模型构建模块和CNN模型优化模块。

3.如权利要求2所述预处理模块，其特征在于，提供图像增强工具和阈值分割工具，用于对食品样本的高光谱数据进行预处理，去除采集过程中产生的背景噪声。具体为，对原始数据进行Gamma校正，采用非线性函数(指数函数)对图像的灰度值进行变换，并且选择合适的阈值，对增强后的灰度图像进行阈值分割，得到食品高光谱的二值图像。将二值图像与原始图像相乘，可以得到去除背景后的食品高光谱图像。

4.如权利要求2所述数据管理模块，其特征在于，提供数据存储及检索工具和数据集构建工具。所述数据存储工具将预处理后的高光谱数据保存到指定路径下的分类文件夹中，并以链表形式在数据库中记录设备信息和采集信息，包括：仪器设备型号，扫描速度，扫描时间，分辨率，灵敏度，样本批次，波长，缺陷类型以及采集时间。同时，将以上信息作为高光谱图像数据的属性添加到数据库中。所述数据检索工具，包含以下三种检索方式：(1)可选定波长范围或某一特定波长；(2)可设定间隔波段数；(3)可按属性信息检索。所述数据集构建工具可以按照检索信息和设定比例，将数据随机分为训练集和测试集，同时根据缺陷类型为样本设定标签值。

5.如权利要求2所述CNN模型构建模块，其特征在于，提供可供调用的开源CNN模型或定制CNN模型。根据检测样本的形态差异选择适合的CNN模型，对缺陷类型做定性分析。所述形态差异主要指样本的形状大小，比如对于小麦、玉米这类小样本，选用LeNet-5模型；而对于苹果、梨这类大样本，则采用VGG模型；用户也可以针对不同的需求，自定义新的CNN模型，具体的，包括可设定输入层图像尺寸、卷积层数、池化层数、卷积核尺寸等模型参数。

6.如权利要求2所述CNN模型优化模块，其特征在于，提供CNN参数调整工具和CNN模型加速工具。通过不断调整模型的学习率、迭代次数、学习率衰减系数等参数，可以得到针对具体检测对象的最佳模型，从而提高检测精度。并且支持使用GPU对CNN模型进行加速，可设定挂载GPU卡的数目。

7.所述基于CNN的食品高光谱信息分析系统的运作流程，其特征在于，包括以下步骤：

1)对系统进行初始化；

2)检测MySQL数据库连接是否正常，如果正常则进行下一步操作，否则提示未成功连接，重新连接MySQL数据库，重复此操作；

3)选择是否导入新数据，如没有新数据导入，则进行下一步操作，否则执行图像预处理，导入数据库，重复此操作；

4)数据检索

所述数据检索，包含三种检索方式：(1)选定波长范围或某一特定波长；(2)设定间隔波段数；(3)按属性信息检索。

5)构建数据集

所述构建数据集，具体为，可以按照检索信息将检索到的数据按照一定比例随机分为训练集和测试集，同时根据步骤3)中存储的缺陷类型为样本设定标签值。

6)检测Caffe的Python接口是否正常。

7)检测Qt的Python接口是否正常。

8)根据检测样本的形态差异选择适合的CNN模型对缺陷类型分析。

9)检测CUDA环境是否安装正常。

10)使用GPU对所选CNN模型进行加速，可根据实际需求选择挂载的GPU数量。

11)对所选CNN模型进行训练和测试，并显示最后的测试结果。

12)调整模型参数，得到针对具体检测对象的最佳模型。

8.一种基于CNN的食品高光谱信息分析方法，其特征在于，包括以下步骤：

S1)通过高光谱成像仪采集食品样本的高光谱数据

S2)对高光谱数据进行预处理操作，采用图像增强和阈值分割方法对食品样本的高光谱图像去除背景。

S3)实验员凭视觉经验对食品样本进行区分，确定数据的分类标签，构建训练数据集和测试集。

S4)根据所选食品样本的形态大小，建立不同结构的CNN模型，包括调用开源框架中CNN模型或定制CNN模型。

S5)利用步骤S3得到的训练数据集的分类标签和预处理后训练集食品样本的高光谱数据，对建立的CNN模型进行训练。

S6)针对需要检测的缺陷类型，利用步骤5获得的CNN模型对待测食品样本的相应的缺陷指标进行检测，得到待测集食品样本的缺陷类型；

S7)调整模型参数，得到针对具体检测对象的最佳模型。