[发明专利]一种深度学习水果光谱分析模型更新方法

说明书

本发明公开了一种深度学习水果光谱分析模型更新方法。将历史批次采集的水果光谱数据和品质变量输入到深度神经网络中，通过随机网格超参数搜索和梯度下降算法优化模型参数，得到最优的模型结构和权重；保持该模型权重冻结层的权重固定，使用新批次少量水果样本得到的光谱数据和品质变量，微调该模型权重可变层的权重，得到更新后的模型；将新批次未知预测值的水果光谱输入到更新后的模型，输出对新批次水果的品质变量预测结果。本发明使用少量的样本，更新历史数据构建的光谱模型，提供比多种传统模型更新方法更高的预测精度；能够有效保留历史批次数据与新一批次数据的共有特征，并且对新一批次的水果样本提供更好的预测精度和鲁棒性。

技术领域

本发明属于光谱分析与化学计量学领域，具体涉及了一种深度学习水果光谱分析模型更新方法。

背景技术

光谱技术与化学计量学的发展促进了食品、制药、石油化工等行业的现场化无损检测应用。近年来，水果高通量分级系统快速发展，处理速度达到每秒多个，能够进行水果内部品质安全的快速分选。由于水果等生物对象在生长发育过程中收到环境等因素的影响，不同批次、年份、来源的水果通常存在生物学差异性，影响光在水果组织内部的作用和光谱数据的采集，导致已经开发的水果光谱分析模型失效，难以提供良好的品质预测决策支持。因此，开发可靠的光谱模型更新方法，对不同批次的待测水果是重要的。

传统的模型更新方法主要有三大类：1)全局模型：通过将多批次的数据构建全局训练集来提升模型的适用范围，但是由于增大的数据变异性和非线性程度，该方法通常会导致预测精度下降；2)重新建模：通过采集新一批次大量水果样本的光谱和品质变量数据，重新开发模型，但是该方法耗费较多的人力物力，且不能良好地利用历史批次的数据；3)斜率/偏差校正：通过部分新一批次的样本对已有模型的斜率和偏差进行校正，但是该方法仅适用于线性预测模型，且该方法可靠性较差，样本选择不当会造成杠杆效应显著降低模型预测精度。

针对现有方法的限制，该研究旨在提出一种适用于非线性深度学习模型的模型更新方法，良好地利用历史批次的数据，并且新一批次有少量带标签样本的情况下提供良好的模型可靠性。

发明内容

为了解决已开发的水果光谱分析模型对不同批次水果样本预测精度显著降低的问题，本发明提出了一种深度学习水果光谱分析模型更新方法，解决了由于不同批次采集的水果样本存在生物学差异性而引起的无法实现准确检测的技术，对模型方法精度带来了提升效果。

本发明使用少量的样本，更新历史数据所构建的光谱模型，提供比多种传统模型更新方法更高的预测精度。该方法能够有效保留历史批次数据与新一批次数据的共有特征，并且对新一批次的水果样本提供更好的预测精度和鲁棒性。

本发明采用的技术方案如下，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。