[发明专利]一种深度学习水果光谱分析模型更新方法

权利要求书

1.一种深度学习水果光谱分析模型更新方法，其特征在于，包含如下步骤：

步骤1)采用历史批次的水果光谱数据作为样本集，样本集对应的水果品质变量值作为标签集；构建深度学习水果光谱分析模型，将样本集作为输入，标签集作为输出，对深度学习水果光谱分析模型进行训练，通过梯度下降算法和超参数优化方法，得到初始深度学习水果光谱分析模型及其模型权重；

步骤2)预测新批次水果的品质变量值：

2.1)从新批次水果总样本中选取少量代表性样本，采集代表性水果样本的光谱数据及其对应的水果品质变量值作为训练集，将其输入步骤1)得到的初始深度学习水果光谱分析模型中，固定模型中权重冻结层的权重，对模型进行重新训练完成权重可变层的权重微调，从而得到适用于新批次水果品质变量预测的更新后的深度学习水果光谱分析模型；

2.2)采集新批次中其余的未知品质变量值的水果光谱数据，并输入步骤2.1)更新后的深度学习水果光谱分析模型中进行品质变量值预测，完成新批次的水果品质变量检测。

2.根据权利要求1所述的一种深度学习水果光谱分析模型更新方法，其特征在于，所述深度神经网络光谱分析模型采用卷积神经网络模型、自编码器模型、循环神经网络模型或Transformer模型；

深度学习模型的训练采用下述四种策略中的一种或多种组合：L2范数正则化、学习率衰减策略、丢失法和提前停止策略。

3.根据权利要求1所述的一种深度学习水果光谱分析模型更新方法，其特征在于，所述步骤1)中历史批次的水果样本为在新批次之前获得的水果样本，分别来源于不同收获年份、不同收获季节和不同产地；所述步骤2)中新批次的水果为品质变量待检测的水果。

4.根据权利要求1所述的一种深度学习水果光谱分析模型更新方法，其特征在于，所述步骤1)和步骤2.1)中的水果品质变量值为水果的糖度、酸度、硬度中的一种品质参数值；

通过破坏性试验获取水果果汁后，分别采用糖度计和pH计对果汁进行检测得到水果的糖度和酸度；水果的硬度通过硬度计测量得到。

5.根据权利要求1所述的一种深度学习水果光谱分析模型更新方法，其特征在于，所述步骤2.1)中，通过Kennard-Stone方法从新批次水果总样本中选择代表性样本用于模型更新，代表性样本占新批次水果总样本的5％～20％。

6.根据权利要求1所述的一种深度学习水果光谱分析模型更新方法，其特征在于，所述步骤2.1)中的权重冻结层和权重可变层通过下述方法优化得到：

对于N层的深度神经网络模型，将模型中的最后1层、最后2层、…最后N-1层、N层分别作为模型中的权重可变层，模型中的其余层作为权重冻结层，从而得到N个权重可变层和权重冻结层不同的模型；

将训练集分别输入N个模型中，比较N个模型输出的预测值与真实值的误差，将误差最小的模型对应的权重冻结层和权重可变层作为优化后得到的权重冻结层和权重可变层。

7.根据权利要求1所述的一种深度学习水果光谱分析模型更新方法，其特征在于，所述步骤2.1)中采用梯度下降算法对权重可变层的权重进行微调。