[发明专利]一种基于深度学习的咖啡果实成熟度的识别方法

权利要求书

1.一种基于深度学习的咖啡果实成熟度的识别方法：其特征在于：所述的方法具体步骤如下：

步骤1，对咖啡果实图像进行采集，并进行预处理；

步骤2，将所述第n张果实图像样本X_n作为输入图像，将所述第n张果实图像样本X_n所对应的果实成熟度Y_n作为识别目标，训练卷积神经网络模型Φ；

步骤3，计算第t次迭代的卷积神经网络Φ_t的代价损失L_t，并求解输入图像X_n在卷积神经网络Φ_t的滤波响应梯度；

步骤4，将所述滤波响应梯度在卷积神经网络Φ_t进行反向传播，从而更新第t次迭代的卷积神经网络Φ_t的各层权值和偏置参数；

步骤5，将t+1赋值给t，并判断L_t≥ε或t≤t_max是否成立，若成立，则返回步骤2-2；否则，表示完成卷积神经网络模型Φ的训练；

步骤6，将所采集的咖啡果实图像作为识别图像并经过预处理之后输入到所述卷积神经网络模型Φ中，从而得到所述咖啡果实图像特征，再将该特征输入到分类器中以判别咖啡果实的成熟度。

2.根据权利要求1所述的一种基于深度学习的咖啡果实成熟度的识别方法，其特征在于：所述的步骤1，具体步骤如下：获取不同成熟度的咖啡果实图像的样本集，同时将图像裁剪为统一大小，并进行预处理。将处理后的咖啡果实图像，记为X＝{X₁，X₂，….X_n…X_N}，其中X_n表示第n张咖啡果实图像样本，并记第n张果实图像样本所对应的果实成熟度标签为Y_n，n＝1，2，…，N，其中Y的取值集合为{成熟、未成熟}。

3.根据权利要求1所述的一种基于深度学习的咖啡果实成熟度的识别方法，其特征在于：所述的步骤2，具体步骤如下：

步骤2-1，定义所述卷积神经网络模型包括：两层的特征感知层记为α₁和α₂，一层的第一激活函数层记为χ₁，一层的第一维度收缩层记为β₁，两层的精化层记为α₃和α₄，一层的第二激活函数层记为χ₂，一层的第二维度收缩层记为β₂，一层的全连接层记为λ；

设置代价损失阈值为ε。，最高迭代次数t_max；为则任意第t次迭代的卷积神经网络模型Φ_t中按如下过程建立：

步骤2-2，在第t次迭代中，所述输入图像X_n分别经过所述特征感知层α₁和α₂的线性滤波器卷积处理后，得到特征感知图像

步骤2-3，将所述特征感知图像送入第一激活函数层χ₁，从而利用式(1)所示的稀疏层和Maxout层神经元进行激活，得到激活图像

式(1)中，k表示所述Maxout层的神经元个数，m表示所述第一维度收缩层β₁的神经元个数，d表示特征感知层α₂的神经元个数，W_ij表示所述第一维度收缩层β₁中第i个神经元对应的Maxout层中的任意第j个神经元的权值，b_ij表示权值W_ij对应的偏置；表示所述特征感知图像在所述第一维度收缩层β₁中第i个神经元对应的Maxout层中第j个神经元的输出；表示所述第一维度收缩层β₁中第i个神经元对应的Maxout层中最大神经元的输出值，表示所述第一维度收缩层β₁中所有神经元对应的Maxout层中最大神经元的输出值；

步骤2-4，将所述激活图像经过所述第一维度收缩层β₁进行维度收缩处理，得到维度收缩图像

步骤2-5，将所述维度收缩图像分别经过精化层记为α₃和α₄的线性滤波器进行卷积处理后，得到特征精化图像后，再经过所述第二激活函数层χ₂和第二维度收缩层β₂的处理后，得到特征图像

步骤2-6，将所述特征图像中所有神经元与全连接层λ中所有神经元进行全连接处理，得到最终特征图像并输入到分类器中，输出分类结果y_n。