技术特征：
1.基于深度学习的葡萄糖度无损检测方法，其特征在于：
①
构建葡萄数据集a、使用手机拍摄葡萄从超市购买的葡萄置于一采光良好且带有悬挂点的背景上用手机进行拍摄，或使用手机直接拍摄果园里的葡萄；b、测量糖度一面葡萄拍摄完毕后，选取该面4
‑
5颗葡萄逐颗测量得到糖度值，最终取平均值保留小数点后两位作为该串葡萄这一面的标签值；
②
划分糖度区间根据糖度区间步长的不同，可将糖度区间步长设置为0.4、0.6、0.8、1；
③
图像分割将采集到的图片进行分割处理，只留下葡萄部分，图片其余部分红绿蓝向量均为0；
④
数据扩增为了获得更多的数据，对现有数据集进行微小的改变，具体按以下方法：a、缩放：将图像向外或向内缩放，向外缩放时最终图像尺寸将大于原始图像尺寸，向内缩放会缩小图像大小；b、旋转：将图像旋转任意角度；
⑤
构建深度学习模型将构建的数据集输入深度学习模型进行训练，葡萄糖度预测回归模型的模型架构，其骨干网络为基于迁移学习的网络或深度自注意力网络；
⑥
分类回归汇聚模型输出层采用一种多项逻辑斯特回归汇聚的方法，即利用多项逻辑斯特回归分类的中间结果与基于分类区间步长所得的每一类的标签值相乘，得到具体糖度值；使用均方误差和交叉熵结合的方式作为模型的损失函数；
⑦
模型集成根据网络框架的不同、糖度划分区间步长的不同，选出基于葡萄测试数据集效果最好的前五组模型来进行模型集成；
⑧
模型测试集成好的模型以任意葡萄图像作为输入，模型输出该串葡萄的糖度结果。2.按权利要求1所述的基于深度学习的葡萄糖度无损检测方法，其特征在于：所述的步骤
②
深度学习的糖度预测模型是：ⅰ、葡萄数据集(21)；ⅱ、深度学习模型(22)；
ⅰ
、基于迁移学习的卷积神经网络(221)；
ⅱ
、深度自注意力网络(222)；ⅲ、葡萄糖度预测结果(23)。3.按权利要求1所述的基于深度学习的葡萄糖度无损检测方法，其特征在于：所述的步骤
③
模型集成：包括依次交互的五个最优模型(31)、集成算法(32)和基于集成的深度学习模型(33)；
五个最优模型(31)包括第1模型(311)、第2模型(312)、第3模型(313)、第4模型(314)和第5模型(315)；集成算法(32)包括平均法(321)、随机森林(322)、堆叠法(323)或提升法(324)。
技术总结
本发明公开了一种基于深度学习的葡萄糖度无损检测方法，涉及水果品质检测领域。本方法是：
技术研发人员：罗俊 贾梅 李秀 江颖哲
受保护的技术使用者：华中农业大学
技术研发日：2021.08.05
技术公布日：2021/11/28