[发明专利]产品分类方法、装置、计算设备及计算机存储介质

说明书

本发明实施例涉及机器学习技术领域，公开了一种产品分类方法，该方法包括：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；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。通过上述方式，本发明实施例实现了对待分类产品的分类。

技术领域

本发明实施例涉及机器学习技术领域，具体涉及一种产品分类方法、装置、计算设备及计算机存储介质。

背景技术

随着人们生活水平的提高，对于各种产品的品质要求也越来越高，例如，水果、蔬菜等。对产品进行品质检测和分级已经成为对于各种产品进行标准化处理流程的重要环节。

目前，对于产品分类的方法主要依赖于人工进行。

发明内容

鉴于上述问题，本发明实施例提供了一种产品分类方法、装置、计算设备及计算机存储介质，克服了上述问题或者至少部分地解决了上述问题。

根据本发明实施例的一个方面，提供了一种产品分类方法，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；

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。

在一种可选的方式中，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。

在一种可选的方式中，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。

在一种可选的方式中，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。

在一种可选的方式中，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；