本技術(shù)涉及農(nóng)產(chǎn)品監(jiān)測，更具體地說，本技術(shù)涉及一種基于人工智能的農(nóng)產(chǎn)品監(jiān)測方法及裝置。

背景技術(shù)：

1、農(nóng)產(chǎn)品監(jiān)測是現(xiàn)代農(nóng)業(yè)生產(chǎn)中的關(guān)鍵組成部分，它通過集成傳感器、遙感、物聯(lián)網(wǎng)、大數(shù)據(jù)分析等多種技術(shù)手段，實(shí)現(xiàn)對農(nóng)業(yè)生產(chǎn)環(huán)境和作物生長狀況的實(shí)時監(jiān)控和管理，這些方法能夠精確測量土壤濕度、溫度、營養(yǎng)成分以及作物的生長數(shù)據(jù)，如葉綠素水平和病蟲害情況，從而為農(nóng)民提供科學(xué)的種植指導(dǎo)，隨著技術(shù)的不斷進(jìn)步，農(nóng)產(chǎn)品監(jiān)測技術(shù)正朝著更加智能化和自動化的方向發(fā)展，為提高農(nóng)業(yè)生產(chǎn)效率、保障食品安全和推動農(nóng)業(yè)可持續(xù)發(fā)展提供了強(qiáng)有力的技術(shù)支撐。

2、基于人工智能的農(nóng)產(chǎn)品監(jiān)測是搭載了傳感器技術(shù)、機(jī)器學(xué)習(xí)、圖像處理、數(shù)據(jù)分析等先進(jìn)技術(shù)的監(jiān)測平臺，其旨在提高農(nóng)產(chǎn)品的質(zhì)量監(jiān)控、病蟲害檢測、成熟度評估以及環(huán)境監(jiān)控等方面的效率和準(zhǔn)確性，其通過采集農(nóng)產(chǎn)品的多維數(shù)據(jù)，進(jìn)行實(shí)時檢測和分析，從而幫助農(nóng)民和農(nóng)業(yè)生產(chǎn)者優(yōu)化種植管理、提升產(chǎn)量并減少資源浪費(fèi)；在農(nóng)產(chǎn)品的檢測中，基于人工智能的系統(tǒng)能夠?qū)崿F(xiàn)對農(nóng)產(chǎn)品的全面、精準(zhǔn)評估，例如，使用光譜傳感器和成像技術(shù)，人工智能技術(shù)可以分析農(nóng)產(chǎn)品的內(nèi)部質(zhì)量，如糖分含量、酸堿度等，這些都能幫助判斷水果、蔬菜等的成熟程度和最佳采摘時機(jī)，然而，在現(xiàn)有的基于人工智能的農(nóng)產(chǎn)品監(jiān)測中往往是基于采用偏最小二乘法來作為分類算法后根據(jù)分類結(jié)果訓(xùn)練瑕疵檢測模型，以達(dá)到對農(nóng)產(chǎn)品進(jìn)行瑕疵檢測的效果，然而，偏最小二乘法在不同農(nóng)產(chǎn)品樣本之間的分離度不夠時（即：農(nóng)產(chǎn)品樣本的相似度較高），會出現(xiàn)過擬合問題導(dǎo)致分類錯誤，進(jìn)而使得對農(nóng)產(chǎn)品的瑕疵檢測效率降低；因此，如何在不同農(nóng)產(chǎn)品樣本之間的分離度較低時，進(jìn)行高效瑕疵檢測成為了業(yè)界面臨的難題。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)提供一種基于人工智能的農(nóng)產(chǎn)品監(jiān)測方法及裝置，可在不同農(nóng)產(chǎn)品樣本之間的分離度較低時，進(jìn)行高效瑕疵檢測。

2、第一方面，本技術(shù)提供一種基于人工智能的農(nóng)產(chǎn)品監(jiān)測方法，包括如下步驟：

3、基于智能光學(xué)傳感器自動采集各個農(nóng)產(chǎn)品樣本的樣本圖像；

4、將各個農(nóng)產(chǎn)品樣本的樣本圖像轉(zhuǎn)化為對應(yīng)的光譜分布圖，分析每個光譜分布圖中各個像素點(diǎn)的光譜值在特征波長上的變化率，根據(jù)所述每個光譜分布圖的所有變化率確定所述每個光譜分布圖中的光譜對比度；

5、確定每個樣本圖像在預(yù)設(shè)顏色空間下光譜的分布頻率，進(jìn)而基于所述分布頻率確定所述每個樣本圖像的顏色矩，將各個光譜分布圖中的光譜對比度和各個樣本圖像的顏色矩進(jìn)行特征融合，得到各個農(nóng)產(chǎn)品樣本的光學(xué)特征值；

6、通過智能傳感器陣列采集所有農(nóng)產(chǎn)品樣本的氣味數(shù)據(jù)，進(jìn)而從所述氣味數(shù)據(jù)中提取得到各個農(nóng)產(chǎn)品樣本揮發(fā)氣味的影響因子；

7、依據(jù)各個農(nóng)產(chǎn)品樣本的光學(xué)特征值和所有影響因子進(jìn)行模型訓(xùn)練，得到綜合瑕疵檢測模型，進(jìn)而通過所述綜合瑕疵檢測模型對農(nóng)產(chǎn)品進(jìn)行瑕疵品檢測。

8、在一些實(shí)施例中，分析每個光譜分布圖中各個像素點(diǎn)的光譜值在特征波長上的變化率具體包括：

9、獲取農(nóng)產(chǎn)品樣本的多個特征波長；

10、選取所述每個光譜分布圖中一個像素點(diǎn)作為選定像素點(diǎn)；

11、確定選定像素點(diǎn)的每個特征波長與相鄰特征波長之間的光譜偏移度；

12、通過所有光譜偏移度確定選定像素點(diǎn)在特征波長上的變化率；

13、繼續(xù)確定剩余像素點(diǎn)在特征波長上的變化率。

14、在一些實(shí)施例中，根據(jù)所述每個光譜分布圖的所有變化率確定所述每個光譜分布圖中的光譜對比度具體包括：

15、根據(jù)所述每個光譜分布圖的所有變化率確定光譜的變化趨勢；

16、通過所述光譜的變化趨勢確定所述每個光譜分布圖中的光譜對比度。

17、在一些實(shí)施例中，確定每個樣本圖像在預(yù)設(shè)顏色空間下光譜的分布頻率具體包括：

18、設(shè)置農(nóng)產(chǎn)品樣本的顏色空間；

19、選取一個樣本圖像作為選定樣本圖像；

20、獲取所述顏色空間對應(yīng)的波長；

21、根據(jù)選定樣本圖像中各個像素點(diǎn)在對應(yīng)波長下的光譜值確定選定樣本圖像在所述顏色空間下光譜的分布頻率；

22、繼續(xù)確定剩余樣本圖像所述顏色空間下光譜的分布頻率。

23、在一些實(shí)施例中基于所述分布頻率確定所述每個樣本圖像的顏色矩具體包括：

24、選取一個顏色通道作為選定顏色通道；

25、通過所述分布頻率確定所述每個樣本圖像在選定顏色通道下的光譜中心；

26、通過所述光譜中心確定所述每個樣本圖像在選定顏色通道下的光譜離散度；

27、繼續(xù)確定所述每個樣本圖像在剩余顏色通道下的光譜離散度；

28、通過所述光譜中心和所述光譜離散度確定所述每個樣本圖像的顏色矩。

29、在一些實(shí)施例中，將各個光譜分布圖中的光譜對比度和各個樣本圖像的顏色矩進(jìn)行特征融合，得到各個農(nóng)產(chǎn)品樣本的光學(xué)特征值具體包括：

30、將各個光譜分布圖中的光譜對比度和各個樣本圖像的顏色矩整合為各個樣本圖像的綜合特征向量；

31、將各個樣本圖像的綜合特征向量融合為對應(yīng)農(nóng)產(chǎn)品樣本的光學(xué)特征值。

32、在一些實(shí)施例中，從所述氣味數(shù)據(jù)中提取得到各個農(nóng)產(chǎn)品樣本揮發(fā)氣味的影響因子具體包括：

33、基于所述氣味數(shù)據(jù)在所有農(nóng)產(chǎn)品樣本中提取出多個特征樣本；

34、根據(jù)所有特征樣本確定各個農(nóng)產(chǎn)品樣本揮發(fā)氣味的影響因子。

35、第二方面，本技術(shù)提供一種基于人工智能的農(nóng)產(chǎn)品監(jiān)測裝置，包括：

36、采集模塊，用于基于智能光學(xué)傳感器自動采集各個農(nóng)產(chǎn)品樣本的樣本圖像；

37、處理模塊，用于將各個農(nóng)產(chǎn)品樣本的樣本圖像轉(zhuǎn)化為對應(yīng)的光譜分布圖，分析每個光譜分布圖中各個像素點(diǎn)的光譜值在特征波長上的變化率，根據(jù)所述每個光譜分布圖的所有變化率確定所述每個光譜分布圖中的光譜對比度；

38、所述處理模塊，還用于確定每個樣本圖像在預(yù)設(shè)顏色空間下光譜的分布頻率，進(jìn)而基于所述分布頻率確定所述每個樣本圖像的顏色矩，將各個光譜分布圖中的光譜對比度和各個樣本圖像的顏色矩進(jìn)行特征融合，得到各個農(nóng)產(chǎn)品樣本的光學(xué)特征值；

39、所述處理模塊，還用于通過智能傳感器陣列采集所有農(nóng)產(chǎn)品樣本的氣味數(shù)據(jù)，進(jìn)而從所述氣味數(shù)據(jù)中提取得到各個農(nóng)產(chǎn)品樣本揮發(fā)氣味的影響因子；

40、執(zhí)行模塊，用于依據(jù)各個農(nóng)產(chǎn)品樣本的光學(xué)特征值和所有影響因子進(jìn)行模型訓(xùn)練，得到綜合瑕疵檢測模型，進(jìn)而通過所述綜合瑕疵檢測模型對農(nóng)產(chǎn)品進(jìn)行瑕疵品檢測。

41、第三方面，本技術(shù)提供一種計(jì)算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時實(shí)現(xiàn)上述的基于人工智能的農(nóng)產(chǎn)品監(jiān)測方法的步驟。

42、第四方面，本技術(shù)提供一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)上述的基于人工智能的農(nóng)產(chǎn)品監(jiān)測方法的步驟。

43、本技術(shù)公開的實(shí)施例提供的技術(shù)方案具有以下有益效果：

44、本技術(shù)提供的基于人工智能的農(nóng)產(chǎn)品監(jiān)測方法及裝置中，基于智能光學(xué)傳感器自動采集各個農(nóng)產(chǎn)品樣本的樣本圖像；將各個農(nóng)產(chǎn)品樣本的樣本圖像轉(zhuǎn)化為對應(yīng)的光譜分布圖，分析每個光譜分布圖中各個像素點(diǎn)的光譜值在特征波長上的變化率，根據(jù)所述每個光譜分布圖的所有變化率確定所述每個光譜分布圖中的光譜對比度；確定每個樣本圖像在預(yù)設(shè)顏色空間下光譜的分布頻率，進(jìn)而基于所述分布頻率確定所述每個樣本圖像的顏色矩，將各個光譜分布圖中的光譜對比度和各個樣本圖像的顏色矩進(jìn)行特征融合，得到各個農(nóng)產(chǎn)品樣本的光學(xué)特征值；通過智能傳感器陣列采集所有農(nóng)產(chǎn)品樣本的氣味數(shù)據(jù)，進(jìn)而從所述氣味數(shù)據(jù)中提取得到各個農(nóng)產(chǎn)品樣本揮發(fā)氣味的影響因子；依據(jù)各個農(nóng)產(chǎn)品樣本的光學(xué)特征值和所有影響因子進(jìn)行模型訓(xùn)練，得到綜合瑕疵檢測模型，進(jìn)而通過所述綜合瑕疵檢測模型對農(nóng)產(chǎn)品進(jìn)行瑕疵品檢測。

45、由此可見，本技術(shù)中，首先，通過基于智能光學(xué)傳感器自動采集各個農(nóng)產(chǎn)品樣本的樣本圖像，進(jìn)而將各個農(nóng)產(chǎn)品樣本的樣本圖像轉(zhuǎn)化為對應(yīng)的光譜分布圖后，對各個光譜分布圖分析得到各個像素點(diǎn)的光譜值在特征波長上的變化率，根據(jù)所有的變化率確定各個光譜分布圖中的所有像素點(diǎn)在特征波長下光譜變化程度（即：光譜對比度），隨后，確定每個樣本圖像在預(yù)設(shè)顏色空間下光譜的分布頻率，進(jìn)而基于所述分布頻率確定所述每個樣本圖像的顏色矩來衡量各個樣本圖像的顏色特征的變化程度，本技術(shù)通過將光譜對比度和顏色矩進(jìn)行特征融合，從而提供了樣本的多模態(tài)特征表示，使模型能更全面地描述樣本間的細(xì)微差異，即使農(nóng)產(chǎn)品樣本的外觀相似（導(dǎo)致光譜特征相近），顏色矩等補(bǔ)充特征能夠增加樣本區(qū)分度，然后，在采集所有農(nóng)產(chǎn)品樣本的氣味數(shù)據(jù)后，從所述氣味數(shù)據(jù)中提取得到各個農(nóng)產(chǎn)品樣本揮發(fā)氣味的異常程度（即：揮發(fā)氣味的影響因子），本技術(shù)通過引入氣味數(shù)據(jù)增加了樣本之間的特征差異性，即便樣本的光學(xué)特征相似，氣味數(shù)據(jù)的變化能夠提供額外的信息，有助于更準(zhǔn)確地區(qū)分樣本，最后，依據(jù)所有影響因子對各個農(nóng)產(chǎn)品樣本的光學(xué)特征值進(jìn)行調(diào)整，即：將光學(xué)和氣味特征聯(lián)動優(yōu)化，形成了一個統(tǒng)一的多模態(tài)特征表示，從而降低了高相似度樣本的光學(xué)特征對模型分類的干擾，使得分類模型更加魯棒，從而避免過擬合；綜上所述，該方案可在不同農(nóng)產(chǎn)品樣本之間的分離度較低時，進(jìn)行高效瑕疵檢測。