[发明专利]果蔬失重率预测方法、装置、电子设备及存储介质

权利要求书

1.一种果蔬失重率预测方法，其特征在于，包括：

将果蔬所处环境的环境温度及所述果蔬的贮藏时间输入到训练好的神经网络失重率预测模型，得到所述果蔬的目标失重率预测信息；

所述训练好的神经网络失重率预测模型是根据携带失重率标签的第一数据组样本进行训练后得到的；所述第一数据组样本包括所述果蔬的第一贮藏温度样本和所述第一贮藏温度样本对应的第一贮藏时间样本。

2.根据权利要求1所述的果蔬失重率预测方法，其特征在于，在所述将果蔬所处环境的环境温度及所述果蔬的贮藏时间输入到训练好的神经网络失重率预测模型之前，还包括：

获取多个所述第一数据组样本和每个所述第一数据组样本对应的失重率标签；多个所述第一数据组样本是基于多个恒温贮藏环境下的所述第一贮藏温度样本及每个所述第一贮藏温度样本对应的多个所述第一贮藏时间样本确定的；

将每个所述第一数据组样本和每个所述第一数据组样本对应的失重率标签作为一组训练样本，以获得多组训练样本；

利用所述多组训练样本，对所述神经网络失重率预测模型进行训练。

3.根据权利要求1所述的果蔬失重率预测方法，其特征在于，所述得到所述果蔬的目标失重率预测信息之后，还包括：

基于所述果蔬的目标失重率预测信息，确定所述果蔬的品质。

4.根据权利要求2所述的果蔬失重率预测方法，其特征在于，所述利用所述多组训练样本，对所述神经网络失重率预测模型进行训练，包括：

对于任意一组训练样本，将所述训练样本输入所述神经网络失重率预测模型，得到所述训练样本对应的失重率预测信息；

利用预设损失函数，根据所述训练样本对应的失重率预测信息和所述训练样本对应的失重率标签，计算损失值；

若所述损失值小于预设阈值，得到训练好的神经网络失重率预测模型。

5.根据权利要求4所述的果蔬失重率预测方法，其特征在于，在所述得到训练好的神经网络失重率预测模型之后，还包括：

获取多个第二数据组样本和每个所述第二数据组样本对应的失重率标签；所述多个第二数据组样本是基于同一贮藏环境下的多个第二贮藏时间样本和每个所述第二贮藏时间样本对应的第二贮藏温度样本确定的；

将每个所述第二数据组样本和每个所述第二数据组样本对应的失重率标签作为一组验证样本，以获得多组验证样本；

利用所述多组验证样本，对所述训练好的神经网络失重率预测模型进行模型评估。

6.根据权利要求1-5任一项所述的果蔬失重率预测方法，其特征在于，所述神经网络失重率预测模型是基于径向基函数神经网络构成的，所述径向基函数神经网络的网络参数至少包括隐含层中神经元个数的最大值和在两次迭代中增加的神经元个数；

其中，所述隐含层中神经元个数的最大值的取值范围为40至50个，所述在两次迭代中增加的神经元个数取值范围为1至3。

7.一种果蔬失重率预测装置，其特征在于，包括：

预测模块，用于将果蔬所处环境的环境温度及所述果蔬的贮藏时间输入到训练好的神经网络失重率预测模型，得到所述果蔬的目标失重率预测信息；

所述训练好的神经网络失重率预测模型是根据携带失重率标签的第一数据组样本进行训练后得到的；所述第一数据组样本包括所述果蔬的第一贮藏温度样本和所述第一贮藏温度样本对应的第一贮藏时间样本。

8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述果蔬失重率预测方法。

9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述果蔬失重率预测方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述果蔬失重率预测方法。