一种花青素含量的检测方法、系统、设备及介质

本发明涉及农产品检测领域，特别涉及一种花青素含量的检测方法、系统、设备及介质。

背景技术：

1、彩色马铃薯具有粮菜兼用的功能，彩色马铃薯内部不仅含有人体所需的各种氨基酸和多种微量元素，而且还含有花青素。花青素具有抗氧化、抑制炎症、改善视力、预防癌症等多种功效，所以彩色马铃薯深受消费者喜爱，具有很好的市场前景。

2、现有技术中，彩色马铃薯内部花青素含量的检测依靠化学方法，在实验室内通过化学试剂对彩色马铃薯内部的成分进行研究。

3、但是，上述方式的缺点在于化学方法中涉及的手工操作存在误差，误差会影响检测时的精度，导致获得的花青素含量检测结果不准确。

技术实现思路

1、本发明实施例提供一种花青素含量的检测方法、系统、设备及介质，可以解决现有技术中，存在成分含量检测结果不准确的问题。

2、本发明实施例提供一种花青素含量的检测方法，包括以下步骤：获取显微高光谱成像下的彩色马铃薯的光谱信息；在卷积神经网络模型cnn的卷积层后添加残差块与基于多头注意力和归一化的注意力机制manba，并使用自正则非单调神经激活函数mish替换卷积神经网络模型cnn中的激活函数，获得调整模型；使用光谱信息训练调整模型，获得能够预测花青素含量的花青素预测模型；将待测的彩色马铃薯的光谱信息输入花青素预测模型，通过卷积层提取信息特征并通过残差块与manba从信息特征中获取花青素含量相关特征，通过输出层获得彩色马铃薯的花青素含量。

3、进一步地，所述残差块的构建，具体步骤包括：设置卷积核大小为3×3的两层卷积层；对输入的每个特征图的每个边上增加一圈像素，并在卷积层中不使用偏置项。

4、进一步地，所述基于多头注意力和归一化的注意力机制manba的构建，具体步骤包括：设置2个batch处理数据，每个batch中有4个query，6个键值对；设置线性变换，将query和键值对通过线性变化映射到100纬的空间中；将100个纬度分割为5个头，每个头操作20纬的子空间；获取每个头的注意力权重，并根据注意力权重获得每个头的输出并进行拼接；采用归一化方法对全局上下进行归一化，获得注意力输出。

5、进一步地，所述使用光谱信息训练调整模型时设置耐心值patience＝20的提前停止策略。

6、本发明实施例提供一种花青素含量的检测系统，包括：信息获取模块，用于获取显微高光谱成像下的彩色马铃薯的光谱信息；模型优化模块，用于在卷积神经网络模型cnn的卷积层后添加残差块与基于多头注意力和归一化的注意力机制manba，并使用自正则非单调神经激活函数mish替换卷积神经网络模型cnn中的激活函数，获得调整模型；使用光谱信息训练调整模型，获得能够预测花青素含量的花青素预测模型；花青素预测模块，用于将待测的彩色马铃薯的光谱信息输入花青素预测模型，通过卷积层提取信息特征并通过残差块与manba从信息特征中获取花青素含量相关特征，通过输出层获得彩色马铃薯的花青素含量。

7、本发明实施例提供一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述的一种花青素含量的检测方法。

8、本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的一种花青素含量的检测方法。

9、本发明实施例提供一种花青素含量的检测方法、系统、设备及介质，与现有技术相比，其有益效果如下：

10、在花青素预测模型中，通过添加的残差块和基于多头注意力和归一化的注意力机制manba能够从图像特征中捕捉花青素含量相关特征；此注意力机制能够关注到花青素含量相关特征中最重要的部分，忽略无关信息，在识别和检测任务中提高精确度；最终能够在整个实验过程中提高精确度，减少了获取数据过程中的误差。

技术特征：

1.一种花青素含量的检测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种花青素含量的检测方法，其特征在于，所述残差块的构建，具体步骤包括：

3.如权利要求1所述的一种花青素含量的检测方法，其特征在于，所述基于多头注意力和归一化的注意力机制manba的构建，具体步骤包括：

4.如权利要求1所述的一种花青素含量的检测方法，其特征在于，所述使用光谱信息训练调整模型时设置耐心值patience＝20的提前停止策略。

5.一种花青素含量的检测系统，其特征在于，包括：

6.一种计算机设备，包括：存储器和处理器；

7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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1～4中任一项所述的一种花青素含量的检测方法。

技术总结
本发明公开了一种花青素含量的检测方法、系统、设备及介质，涉及农产品检测领域，包括：通过设置初始学习率、使用正则化策略优化权重衰减、设置耐心值的阈值以及增加批量归一化与随机失活模块防止卷积神经网络模型CNN过拟合；在防止过拟合的卷积神经网络模型CNN中，增加了残差块和基于多头注意力与归一化的注意力机制曼巴MANBa进行优化，并使用自正则非单调神经激活函数Mish替换优化后的卷积神经网络模型CNN中的激活函数，获得调整模型；再使用花青素的特征光谱变量训练调整模型，从而获得能够预测花青素含量的花青素预测模型。本发明能够检测出准确的成分含量结果。

技术研发人员：王福香,金敏,邓伟刚,韩磊,丁海泉,王春光,焦欣磊,王玉凤
受保护的技术使用者：内蒙古农业大学
技术研发日：
技术公布日：2025/2/10