[发明专利]基于物联网和CCNN模型的农业果实成熟度检测系统

权利要求书

1.基于物联网和CCNN模型的农业果实成熟度检测系统，具体步骤如下，其特征在于：

步骤1，利用高光谱成像技术采集农业果实不同成熟阶段下的图片，并给不同时期下的样本图片贴上对应的标签；

步骤2，利用通信模块，所述通信模块为STM32或TCP/IP协议，将采集到的图片上传至云计算中心并进行保存；

步骤3，通过WIFI将云计算数据中心的样本图片发送给服务器进行CCNN模型的训练，直至模型的损失函数或迭代次数满足条件；

步骤3中CCNN模型训练的具体步骤为：

步骤3.1,利用卷积层1对采集到的图片进行卷积滤波；

步骤3.2，利用Max pooling对步骤3.1得到的图像进行池化处理，得到池化层1，完成图像降维工作；

步骤3.3，利用卷积层2对步骤3.2得到的图片进行卷积滤波；

步骤3.4，利用Max pooling对步骤3.3得到的图像进行池化处理，得到池化层2，完成图像降维工作；

步骤3.5，将步骤3.4得到的图片以Flatten的方式展开为全连接层，而后在全连接层后面连接接Softmax分类层；

步骤3.6，将步骤3.1和3.5得到的数据进行CNN模型的损失函数的求解，其中的损失函数采用的是交叉熵，表达式为：

式中，N为样本数，z⁽ⁱ⁾为实际样本标签，为Softmax层判别的标签；

步骤3.7，利用梯度下降法反向修正CNN的各连接层之间的权重系数和偏置系数，直至模型的损失函数或迭代次数满足条件；

步骤3.8，将步骤3.1到步骤3.7获得的CNN模型中的池化层1作为输入，训练第一个SAE模型，其中的损失函数的表达式如下：

式中，S_input和S_output代表SAE的输入输出，N代表训练样本数，权重衰减系数表示为λ，s_l、s_l+1分别为第l层和第l+1层网络神经元节点数量，n_l为SAE的层数，代表第l层的第j个神经元与l+1层的第i个神经元之间的权重系数；

步骤3.9，将步骤3.1-步骤3.7获得的CNN模型中的池化层2作为输入，训练第二个SAE模型，损失函数同步骤3.8；

步骤3.10，利用步骤3.8得到的SAE模型架构将CNN模型的池化层1与卷积层2连接起来；

步骤3.11，利用步骤3.9得到的SAE模型架构将CNN模型的池化层2与全连接层连接起来；

步骤3.12，对步骤3.1到步骤3.11初步得到的CCNN模型继续训练，利用随机梯度下降法对网络系数反向修正，最终使得损失函数L_CCNN达到收敛阈值1e-4以完成CCNN的训练，其中的损失函数设计为：

步骤4，将训练好的CCNN模型应用于实际，实时的对高光谱摄像机采集的果实图片进行分类判断，并将分类结果通过WIFI上传至移动终端；

步骤5，操作人员通过终端实时掌握果实的成熟度，并依据成熟度确定接下来的工作。