买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国农业大学

摘要：本发明公开了一种改进VGG‑19的冰鲜鲳鱼新鲜度评估方法，包括以下步骤：步骤1.鲳鱼样本处理；步骤2.TVB‑N挥发性盐基氮测定；步骤3.鲳鱼图像采集；步骤4.图像预处理；步骤5.鲳鱼新鲜度等级划分；步骤6.划分数据集；步骤7.通过随机初始化网络权重方法训练三种经典CNN分类网络；步骤8.通过迁移学习方法训练三种经典CNN分类网络；步骤9.VGG‑19模型结构优化；步骤10.保存训练好的模型；步骤11.使用训练好的模型对测试数据集进行测试，对鲳鱼图像的新鲜度等级分类；步骤12.CAM可视化。

主权项：1.一种改进VGG-19的冰鲜鲳鱼新鲜度评估方法，其特征在于包括以下步骤：步骤1.鲳鱼样本处理；步骤2.TVB-N挥发性盐基氮测定；步骤3.鲳鱼图像采集；步骤4.图像预处理；步骤5.鲳鱼新鲜度等级划分；步骤6.划分数据集；步骤7.通过随机初始化网络权重方法训练三种经典CNN分类网络,包括通过随机初始化网络权重方法，利用预先划分好的训练集训练三种经典CNN分类网络,直至损失值收敛,其中：1AlexNet：采用AlexNet原始网络模型结构，并随机初始化网络权重；其中，模型迭代次数为100，初始学习率设置为0.01，选择SGD，得到鲳鱼新鲜度评估模型，记为AlexNet；2VGGNet：采用VGG-16和VGG-19原始网络模型结构，并对网络权重随机初始化，其中，模型迭代次数为100，初始学习率为0.001，使用指定间隔的学习率动态调整策略加快模型训练，采用Adam梯度下降算法优化训练过程中的模型参数，得到鲳鱼新鲜度评估模型，分别记为VGG-16和VGG-19；3ResNet：采用ResNet-50原始网络模型结构，并对网络权重随机初始化，网络超参数设置为模型迭代次数为100，权重的初始学习率设置为0.001，选择SGD作为优化器，得到鲳鱼新鲜度评估模型，记为ResNet-50；步骤8.通过迁移学习方法训练三种经典CNN分类网络；步骤9.将VGG-19*模型进行结构优化；步骤10.保存训练好的模型；步骤11.使用训练好的模型对测试数据集进行测试，对鲳鱼图像的新鲜度等级分类；步骤12.CAM可视化；所述的方法，其中步骤2中挥发性盐基氮TVB-N测定包括：首先，取出六组鲳鱼样品，分割背部去皮，鱼肉使用搅碎机搅碎，将3.0g绞碎的鱼肉与30mL蒸馏水混合，使用离心管均质20秒；随后将样品密封，送入水浴式震荡仪中摇震30分钟，震荡结束后将六组样品取出，加入蒸馏水实现配平操作，将配平好的样品放入离心机中离心8分钟，使悬浮液中的固体颗粒与液体分开；其次，向接收瓶内加入10mL硼酸溶液20gL和5滴甲基红-次甲基蓝指示剂，并将冷凝管下端插入接收瓶底，向消化管中加入离心后上清液和氧化镁悬浊液各5mL，利用凯氏定氮仪蒸馏5分钟得到吸收液；TVB-N值计算如下：TVB-N值＝[V1-V2×c×14]m×V0V×100其中，V1和V2分别代表对照试验组、空白实验组消耗盐酸的体积；c代表盐酸浓度；m代表样品质量；V0代表吸取的上清液体积；V代表样液总体积；所述的方法，其中步骤8中通过迁移学习方法，利用预先划分好的训练集训练三种经典CNN分类网络，直至损失值收敛,其中：1AlexNet：利用在ImageNet预训练完成的AlexNet权重对网络参数初始化，模型迭代次数为30，其余网络训练超参数设置见步骤7中AlexNet，得到鲳鱼新鲜度评估模型记为AlexNet*；2VGGNet：利用在ImageNet预训练完成的VGG-16和VGG-19权重对网络参数初始化，模型迭代次数为30，为特征提取模块设置的初始学习率为0.0001，其余网络训练超参数设置与步骤7中相同，得到鲳鱼新鲜度评估模型，分别记为VGG-16*和VGG-19*；3ResNet：利用在ImageNet预训练完成的ResNet-50权重对模型参数初始化，模型迭代次数为20，其余网络训练超参数设置与步骤7相同；比较步骤7和步骤8，确定选取VGG-19*模型作为分类模型；所述的方法，其中步骤9中VGG-19*模型结构优化包括：FC2_VGG-19*由16个卷积层、2个全连接层以及Softmax分类器组成，卷积层负责提取图像局部特征，将运算结果处理为新的特征图像，全连接层起到分类器作用，其中：卷积层工作过程如下：1对输入图像进行卷积与激活操作，生成卷积图；y＝fMat·ω+bReLU激活函数的数学公式为： 其中，y为卷积过后的输出结果，fx为ReLU激活函数，Mat为灰度图矩阵，ω为权重，·为卷积运算，b为偏置值；2对卷积图进行池化操作，生成特征图；3调整上述步骤的参数后进行若干次重复计算；4达到预设的计算次数时，输出多组参数下生成的特征图；全连接层工作过程如下：1将特征提取后的全部神经元串联在一起，并与全连接层的每一个神经元连接； 其中yi代表特征向量输出的第i个特征值，xj代表输入的第j个特征图，ωij代表yi对应的第j个权重，bi代表yi对应的偏置，Cx代表输入特征值数目，Cy代表输出特征值的数目；2将最后一个全连接层的C×1维向量送入Softmax分类器；Softmax分类器输出得到C×1维向量，每个值表示该样本属于某类的概率，Softmax函数公式表示为： 其中，zi为第i个节点的输出值，C为分类类别数，fzi为分类类别为i的概率，在测试模型时，Softmax层会取fx1，fz2,…,fzc中数值最大的类别作为样本的预测标签；所述的方法，其中步骤12CAM可视化包括：给定一幅图片，设置fkx，y是最后一个卷积层的第k个特征图在空间坐标x，y处的激活值，对第k个特征图做GAP，记为Fk： 为类别C与第k个特征图连接的权值，对于给定类别C，Softmax输入值记为Sk：设Mc是对应类别C的CAM矩阵，则每个空间元素对应公式为：于是Mcx，y空间坐标x，y的数值在CAM矩阵中的重要程度，这些数值最终组成类别C的热力图，热力图对高亮处即为CNN所认为的对分类结果最有用的区域信息。

全文数据：

权利要求：

百度查询： 中国农业大学 一种改进VGG-19的冰鲜鲳鱼新鲜度评估方法