[发明专利]基于改进的LetNet网络的油品识别方法、装置及计算机设备

权利要求书

1.一种基于改进的LetNet网络的油品识别方法，其特征在于，包括以下步骤：

获取多种不同油品的荧光光谱图像；

对各所述荧光光谱图像进行预处理，得到预处理后的图像数据；

对传统LetNet网络进行改进，得到改进后的LetNet网络；

基于所述预处理后的图像数据构建训练集，对所述改进后的LetNet网络进行训练，训练完成后，得到训练好的油品识别模型；

通过所述训练好的油品识别模型对预处理后的待识别油品荧光光谱图像进行识别，输出油品识别分类结果。

2.根据权利要求1所述的油品识别方法，其特征在于，所述获取多种不同油品的荧光光谱图像步骤包括：

采用紫外荧光法获取多种不同油品的荧光光谱图像。

3.根据权利要求1所述的油品识别方法，其特征在于，所述预处理的步骤，包括：

采用FIR滤波器对所述荧光光谱图像进行滤波。

4.根据权利要求3所述的油品识别方法，其特征在于，所述预处理的步骤，还包括：

输入滤波完成后的荧光光谱图像，首先对图像进行通道转换，去除图像中的透明通道，然后变换图像，改变原始图像的大小，再随机旋转图像，中心裁剪图像，完成上述步骤后，将图像转换为Tensor图像数据，然后进行归一化操作，将图像进行灰度化操作，为Tensor图像数据添加一个维度，最后输出所述预处理后的图像数据。

5.根据权利要求1所述的油品识别方法，其特征在于，所述改进后的LetNet网络包括：

依次连接的输入层、第一卷积层、第一激活函数层、第二卷积层、第一池化层、第二激活函数层、第三卷积层、第三激活函数层、第二池化层、全连接层和输出层；

第一激活函数层、第二激活函数层和第三激活函数层，用于增强网络的非线性拟合能力；

在全连接层进行全连接的过程中，使用dropout，以0.25的概率使神经元失活，使用flatten函数、Linear函数以及log_softmax函数完成网络的识别功能。

6.根据权利要求1所述的油品识别方法，其特征在于，所述改进的LetNet网络结构中，三个卷积层中使用卷积核大小为3*3。

7.根据权利要求5所述的油品识别方法，其特征在于，所述通过训练好的油品识别模型对预处理后的待识别油品荧光光谱图像进行识别，输出油品识别分类结果的步骤，包括：

对待识别油品荧光光谱图像进行预处理；

将预处理后的待识别油品荧光光谱图像输入训练好的油品识别模型中，经过第一卷积层进行卷积计算后，再由第一激活函数层进行拟合处理，再经过第二卷积层进行卷积计算，将输出的结果经过第一池化层进行最大池化处理，由第二激活函数层进行拟合处理，再经过第三卷积层进行卷积计算，由第三激活函数层进行拟合处理，将输出的结果经过第二池化层进行最大池化处理，然后进行dropout处理，使用flatten函数展平多维矩阵，运用Linear函数进行全连接，最后使用log_softmax函数完成油品图像的识别。

8.根据权利要求1所述的油品识别方法，其特征在于，在输出油品识别分类结果的步骤之后，还包括：

通过总体准确率和混淆矩阵对油品识别分类结果进行评价。

9.一种基于改进的LetNet网络的油品识别装置，其特征在于，包括以下模块：

图像获取模块，用于获取多种不同油品的荧光光谱图像；

图像预处理模块，用于对各所述荧光光谱图像进行预处理，得到预处理后的图像数据；

网络改进模块，用于对传统LetNet网络进行改进，得到改进后的LetNet网络；

网络训练模块，用于基于所述预处理后的图像数据构建训练集，对所述改进后的LetNet网络进行训练，训练完成后，得到训练好的油品识别模型；

油品识别模块，用于通过所述训练好的油品识别模型对预处理后的待识别油品荧光光谱图像进行识别，输出油品识别分类结果。

10.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行如权利要求1-8任一项所述的油品识别方法。