[发明专利]一种基于LSTM的农产品品质分类方法

说明书

本发明提出一种基于LSTM的农产品品质分类方法，包括以下步骤：A、使用农产品检测仪器，检测出农产品的外部特征a_i与内部特征b_i；B、从已有的数据中提取优质、合格、不合格三个标签样本数据，并将数据进行归一化处理；C、构建基于RF的特征选择框架，将处理好的16个特征变量送入基于RF的农产品品质特征选择模型中进行农产品品质的分类预测，得出特征重要性排序。本发明提出了一种基于LSTM的农产品品质分类方法，考虑了农产品在运输过程中品质的变化受时间特征的影响，并加入了Dropout算法对参数进行优化，从而提高模型的准确率。

技术领域

本发明涉及农产品品质分类方法技术领域，具体是一种基于LSTM的农产品品质分类方法。

背景技术

随着社会的不断进步,农产品的品质与质量越来越受到人们的重视,然而农产品品质的评价受多元化因素的影响，既要考虑外部特征因素也需要考虑内部特征因素，并且农产品在实际运输过程中随着时间的变化会对品质产生影响。因此很难对农产品的品质下以标准化得定义，也鲜有网站与机构对农产品的品质进行分类。

LSTM是深度学习中有效、可靠的算法，适合用于处理与时间序列高度相关的问题。对于分类问题，以CNN为代表的前馈网络拥有着性能上的优势，但由于LSTM具有记忆细胞的特殊单元类似累加器和门控神经元，在解决长远的、更为复杂的任务上具有独特的优势。

业内对于分类问题，大多采用的是传统的数理统计的方法和机器学习中的算法，在分类过程中很难处理大量、多维度的数据并且难以解决多分类的问题。

因此，实际应用中此类模型难以取得理想的效果。

发明内容

本发明的目的在于克服现有技术的缺陷，提出一种可以解决多分类的问题的基于LSTM的农产品品质分类方法。

为实现上述目的，本发明采用了如下技术方案：

一种基于LSTM的农产品品质分类方法，包括以下步骤：

A、使用农产品检测仪器，检测出农产品的外部特征a_i与内部特征b_i；

B、从已有的数据中提取优质、合格、不合格三个标签样本数据，并将数据进行归一化处理；

C、构建基于RF的特征选择框架，将处理好的16个特征变量送入基于RF的农产品品质特征选择模型中进行农产品品质的分类预测，得出特征重要性排序；

D、选取16个特征变量中关联度较大的9个特征变量，将数据导入数据编码模块，数据编码模块采用数据处理技术对提取后的数据进行编码，最后划分为训练样本集和测试样本集；

E、构建基于LSTM的农产品品质分类模型；

F、利用已组建的训练样本集和测试样本集，训练基于LSTM的农产品品质分类模型，确定模型参数；

G、将几类待分类的农产品特征数据集，输入至训练完毕的深度学习模型中，深度学习模型输出识别分类结果。

优选的，所述步骤A中，通过仪器检测出酚类含量、可溶性固形物、酒精含量、总酸、单宁等内部影响因素，通过分析天平检测出农产品重量、通过农产品检测仪检测农产品形态指数等外部影响因素。

优选的，所述步骤B中，为了消除不同度量单位和方差对预测结果的不良影响，将训练集中的每一个数据特征的值进行归一化处理，且计算公式如下：

其中，x_i指样本，min(x_i)为样本最小值，max(x_i)为样本最大值。

优选的，所述步骤C中，构建基于RF的农产品品质特征选择模型方法如下：