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：浙江工业大学

摘要：本发明属于食品工程技术领域，公开了一种基于3D‑SwinT‑CNN的红茶发酵程度判别方法，包括以下步骤：S1：发酵红茶高光谱图像采集及预处理；S2：设计3DSwinTransformer模块；S3：设计3D‑SwinT‑CNN模型；S4：算法模型性能对比。本发明使用改进的3D‑SwinT‑CNN捕获三维高光谱图像关键的空间‑光谱联合特征及全局特征，实现红茶发酵程度判别；提出的3D‑SwinT‑CNN算法，相比传统的深度学习算法提取三维特征计算量小、模型性能好、效果显著，实现端到端处理红茶高光谱图像，有助于红茶发酵过程的数字化和智能化，提高红茶加工品质。

主权项：1.一种基于3D-SwinT-CNN的红茶发酵程度判别方法，其特征在于，包括以下步骤：S1：发酵红茶高光谱图像采集及预处理：搭建高光谱成像系统，设置光谱波段范围以及空间分辨率，采集不同发酵程度的红茶发酵叶高光谱图像，并对原始高光谱图像进行校正，进行图像预处理；S2：设计3DSwinTransformer模块：将SwinTransformer模型中的移动窗口自注意力机制扩展到三维高光谱图像处理中，以捕获三维高光谱图像关键的空间-光谱联合特征及全局特征；所述将SwinTransformer模型中的移动窗口自注意力机制扩展到三维高光谱图像处理中，是指SwinTransformer将移动的窗口扩展到一个3D结构，以捕获高光谱成像HSI的长距离空间-光谱特征，形成3DSwinTransformer模块；所述3DSwinTransformer模块执行如下步骤：HSI的输入尺寸为1×140×64×64；首先，3DPatchPartition将输入的HSI拆分为大小为35×16×16的64个Patch；其次，LinearEmbedding将每个Patch投射到64×8960的维度，并标记每个Patch的位置信息；最后，这些Patch被送入3DSwinTransformer，生成大小为16×35×32×32的特征图；所述3DSwinTransformer模块的组成部分包括多层感知器MLP、层规范化LN、残差连接、基于3D窗口的多头自注意力机制3DW-MSA以及基于3D移位窗口的多头自注意力机制3DSW-MSA；3DSwinTransformer的计算过程用如下公式表示： ， ， ， ，其中和分别表示块l的3DW-MSA模块和3DSW-MSA模块的输出特征；、和表示块l的模块的输出特征；多头自注意力机制MSA可捕捉HSI之间的复杂关系，MSA是多个单一自注意力模块的拼接；对于单一自注意力，使用可学习的权重矩阵，和将Patch线性映射到查询Q、密钥K和数值V矩阵，如公式（6）所示；对于MSA，每个注意头的结果被连接在一起以获得多头注意力的最终表示，由公式（7）表示；其中h是头的数量，W是参数矩阵； ， ，其中，SA为单一自注意力，Q、K、V分别为查询、密钥、数值矩阵，dK是查询Q或密钥K的维度；所述3DSwinTransformer模型将光谱域融入基于窗口的多头注意力机制W-MSA，从而形成基于3D窗口的多头自注意力机制3DW-MSA，它考虑了窗口划分和移动，建立了3D移动窗口机制，所述3D移动窗口机制如下：首先，整个3D数据被划分为较小的窗口；这些窗口通常是立方体形状，包含原始3D数据的一小部分，在窗口内进行自注意力机制计算；后一层的窗口在高度、宽度和光谱维度上移动半个窗口大小的距离；S3：设计3D-SwinT-CNN模型：包括3个模块，其中一个是S2所述的3DSwinTransformer模块，其余两个模块分别为3D多尺度光谱-空间联合特征提取模块和分类器模块；所述的3D多尺度光谱-空间联合特征提取模块在3D卷积神经网络3D-CNN中引入扩张卷积，将标准卷积与扩张卷积的结果进行拼接，不同感受野的卷积核从特征图中提取不同尺度的光谱-空间特征，不同卷积产生的输出特征图，经过批量归一化后，沿着通道维度进行拼接；所述的分类器模块，是指3D-SwinT-CNN模型分类器由三个串联卷积层后拼接一个全连接层组成，每个卷积层后跟随一个批量归一化层，卷积层中所有卷积核大小设置为3×3×3，填充设置为1×1×1；输入的特征经过分类器后判别出不同发酵程度，最终实现红茶高光谱图像的分类；S4：算法模型性能对比：进行数据集划分，构建S3所述的3D-SwinT-CNN模型，并与基准3D-CNN进行对比，同时对3D-SwinT-CNN进行消融实验，验证所提的3D-SwinT-CNN结合高光谱成像HSI在红茶发酵程度判别中的有效性。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种基于3D-SwinT-CNN的红茶发酵程度判别方法