[发明专利]产品分类方法、装置、计算设备及计算机存储介质

权利要求书

1.一种产品分类方法，其特征在于，所述方法包括：

获取待分类产品的光谱数据；

将所述待分类产品的光谱数据按照所述光谱数据的排列顺序平均分割为多组光谱特征数据，每一组所述光谱特征数据包含的光谱数据个数相同，一组所述光谱特征数据对应一个时间步，其中，所述光谱数据是按照波长由小到大进行排序的，所述时间步按照所述光谱特征数据中包含的光谱数据的排列顺序逐个增加；

将所述多组光谱特征数据输入分类模型，以基于所述时间步确定所述多组光谱特征数据之间的依赖关系，并基于所述依赖关系得到所述待分类产品的种类，所述分类模型是通过多组训练数据训练时间循环神经网络模型得到的。

2.根据权利要求1所述的方法，其特征在于，在获取待分类产品的光谱数据之前，所述方法还包括：

获取多组训练数据，所述多组训练数据中的每一组均包括：样本产品的多组光谱特征数据和用于标识样本产品种类的标识信息；

根据所述多组训练数据对双向门限循环单元Bi-GRU模型进行训练，得到所述分类模型。

3.根据权利要求2所述的方法，其特征在于，获取多组训练数据，包括：

获取所有样本产品的光谱数据；

将每一样本产品的光谱数据平均分割为多组光谱特征数据，每一组所述光谱特征数据包含的光谱数据个数相同，以得到每一样本产品的多组光谱特征数据；

对每一样本产品进行标识，以得到每一样本产品的标识信息，其中，同一种类的样本产品标识信息相同，不同种类的样本产品标识信息不同；

将一个样本产品的多组光谱特征数据和标识信息作为一组训练数据，以得到所述多组训练数据。

4.根据权利要求2所述的方法，其特征在于，所述Bi-GRU模型包含两个Bi-GRU层和一个全连接层，所述两个Bi-GRU层用于学习每一样本产品的多组光谱特征数据之间的依赖关系，所述一个全连接层用于输出分类结果。

5.根据权利要求2所述的方法，其特征在于，根据所述多组训练数据对所述Bi-GRU模型进行训练，得到分类模型，包括：

将所述样本产品的多组光谱特征数据输入第一Bi-GRU层；

通过第一Bi-GRU层学习每一个样本产品的多组光谱特征数据之间的依赖关系，以输出每一个样本产品的第一外部状态；

通过第二Bi-GRU层根据所述第一外部状态继续学习每一个样本产品的多组光谱特征数据之间的依赖关系，以输出每一个样本产品的第二外部状态；

通过全连接层对所述第二外部状态进行加权，得到每一个样本产品的加权结果；

通过归一化指数函数softmax分类器对所述加权结果进行分类最大化输出，得到每一个样本产品对应的输出结果；

根据所述输出结果和所述标识信息计算损失函数值；

根据所述损失函数值更新所述Bi-GRU模型的权重，直至所述损失函数值最小；

将所述损失函数值最小的Bi-GRU模型作为所述分类模型。

6.根据权利要求5所述的方法，其特征在于，所述第一Bi-GRU层包括正向GRU单元和反向GRU单元，所述正向GRU单元和所述反向GRU单元相互独立；

所述通过第一Bi-GRU层学习每一个样本产品的多组光谱特征数据之间的依赖关系，以输出每一个样本产品的第一外部状态，包括：

通过所述正向GRU单元学习每一个样本产品的多组光谱特征数据之间的正向依赖关系，以输出每一个样本产品的正向外部状态；

通过所述反向GRU单元学习每一个样本产品的多组光谱特征数据之间的反向依赖关系，以输出每一个样本产品的反向外部状态；

将所述正向外部状态和反向外部状态合并，得到每一个样本产品的第一外部状态。