本发明涉及一种图像识别的，尤其涉及提取图像特折的，具体为一种基于数据驱动的模型高效训练方法和系统。
背景技术：
1、随着人们生活水平的提高和消费观念的转变，对食品质量尤其是肉类新鲜度的要求日益增高。肉类食品的新鲜度不仅直接关系到消费者的健康和体验，也是衡量肉类供应链管理水平的重要指标。然而，传统的肉类新鲜度检测方法往往依赖于人工感官评定或化学检测，这些方法存在主观性强、耗时长、成本高等缺点，难以满足现代食品工业对高效、准确、无损检测的需求。
2、数据驱动的人工智能技术在各个领域取得了显著进展，特别是在图像处理、光谱分析和机器学习等方面展现出巨大的应用潜力，这些技术为肉类新鲜度的快速、无损检测提供了新的解决方案，通过将肉类样本的光谱信息、图像信息等转化为数字化数据，并利用先进的机器学习算法进行分析处理，可以实现对羊肉新鲜度的高效、准确判别。
3、因此，有必要对现有技术中的羊肉新鲜度训练模型进行改进，以解决上述问题。
技术实现思路
1、本发明克服了现有技术的不足，提供一种基于数据驱动的模型高效训练方法和系统，旨在解决现有技术中光照对无损检测的影响的问题。
2、为达到上述目的，本发明采用的技术方案为：一种基于数据驱动的模型高效训练方法，包括：
3、s1、获取若干不同新鲜等级的羊肉样本通过有损检测测定对应新鲜度的有损检测标准；
4、s2、获取自然光照以及不同补光强度下，羊肉样本的高光谱图像，通过高光谱图像提取羊肉新鲜度的特征波长；
5、s3、基于特征波长构建羊肉新鲜度判别模型；
6、s4、结合有损检测标准和羊肉新鲜度判别模型，分析光照强度对羊肉新鲜度判别的影响；
7、s5、根据光照强度的影响，调整羊肉新鲜度判别模型。
8、本发明一个较佳实施例中，步骤s1中，新鲜等级包括：新鲜、次新鲜和变质；有损检测方法为挥发性盐基氮含量测定、微生物检测和ph值测量的一种。
9、本发明一个较佳实施例中，挥发性盐基氮含量测定的步骤包括：
10、将不同新鲜等级的羊肉样本分别浸泡在蒸馏水中30-45min；
11、将浸泡后的样品溶液转移到蒸馏装置中，加入适量的氢氧化钠溶液调节ph至碱性，蒸馏30-45min，以释放挥发性含氮化合物；
12、将蒸馏出来的气体通过导管导入硼酸吸收液中，使挥发性含氮化合物被吸收，使用硫酸或盐酸溶液滴定吸收液，直到溶液颜色从绿色变为红色；
13、根据滴定消耗的酸量和标准溶液的浓度，计算出样品中挥发性盐基氮的含量；其中，是滴定样品所消耗的酸溶液体积；是空白试验消耗的标准酸溶液体积；是标准酸溶液的摩尔浓度；是样品的质量；是氮原子的摩尔质量；
14、得到羊肉样本的tvb-n含量，作为新鲜度的有损检测标准。
15、本发明一个较佳实施例中，步骤s2中，羊肉样本的高光谱图像的获取和处理步骤：
16、s21、获取当前环境的自然光照强度；
17、s22、调整补光强度，获取不同光照强度下的羊肉样本进行高光谱图像；
18、s23、对高光谱图像进行图像校正，提取光谱数据，选取与羊肉新鲜度显著相关的特征波长。
19、本发明一个较佳实施例中，步骤s23中，图像校正的步骤包括：
20、通过获取无样品时的暗电流图像和纯白色参考板的反射图像，对样品图像进行校正处理，黑白校正，其中，为黑白校正后样本光谱反射率，为原始样本反射的光谱强度，为标准校正黑板反射的光谱强度，为标准校正白板反射的光谱强度。
21、对黑白校正后的光谱数据应用 savitzky-golay平滑滤波，减少噪声，savitzky-golay平滑滤波是一种用于信号处理的技术，主要用于光谱数据的平滑和微分；对于每个数据点，取其周围的窗口大小个点，通过最小二乘法构造系数矩阵，平滑后的数据点，其中，表示原始数据点，表示系数矩阵中的系数，表示窗口的一半宽度，即在中心点两侧各有个点，为窗口内的索引，从到变化。
22、本发明一个较佳实施例中，通过连续投影法提取图像校正后的光谱特征波长的步骤包括：
23、随机选择一个波长作为初始特征波长，对于当前选定的个特征波长的集合，计算第个波长在集合上的投影向量，其中，为所有样本的光谱数据的矩阵，每一列代表一个样本的光谱信息，每一行代表一个波长处的光谱强度，表示在波长处的光谱强度向量；
24、计算波长在当前特征波长集合上的残差，选择具有最大残差的波长作为新的特征波长，；
25、将新选出的波长添加到集合中；
26、当特征波长集合的特征选择不再显著提升时停止选取。
27、本发明一个较佳实施例中，步骤s3中，通过bp人工神经网络构建羊肉新鲜度判别模型的步骤包括：
28、确定网络结构，包括输入层、隐藏层和输出层的节点数；输入层节点数等于特征波长的数量，隐藏层节点数设置为输入层节点数的1-2倍，输出层节点数为3个节点，对应新鲜度等级的分类；
29、输入数据经过网络的隐藏层传递到输出层，前向传播的公式：，其中，是第层的加权输入，是第层的权重矩阵，是前一层的激活输出，是当前层的输出，是偏置向量，是激活函数；
30、通过反向传播算法来调整权重和偏置，以最小化损失函数，计算损失函数相对于权重和偏置的梯度，并更新权重和偏置：损失函数，其中，是真实的羊肉新鲜度，是预测输出的羊肉新鲜度；更新规则：，，其中，是学习率。
31、本发明一个较佳实施例中，步骤s4中，量化光照强度对模型预测结果的影响，定义评估公式，其中，表示预测结果的变化量，表示在自然光照条件下的模型预测结果，表示在不同补光强度的光照条件下的模型预测结果；
32、建立光照强度与预测结果之间的关系；其中，是预测结果，是光照强度，是误差项，是回归系数。
33、本发明一个较佳实施例中，步骤s5中，引入光照校正算法减少光照变化对模型预测的影响；
34、对经过 savitzky-golay平滑后的光谱数据进行多元散射校正，进一步校正基线偏移，减少由于光散射引起的基线偏移，使得不同样本的光谱数据在基线上更加一致；，其中，是多元散射校正后的光谱，是平滑后的光谱，为平滑后的光谱的截距和斜率函数。
35、本发明一个较佳实施例中，步骤s5中，设原始的bp神经网络模型为：，其中，是权重矩阵，是特征波长，是模型参数，为预测输出的羊肉新鲜度；修正后的羊肉新鲜度判别模型为。
36、本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
37、（1）本发明提供了一种基于数据驱动的模型高效训练方法和系统，通过结合有损检测与无损高光谱成像技术，利用挥发性盐基氮含量测建立羊肉新鲜度的基准数据，并在不同光照条件下采集高光谱图像以提取特征波长，构建了羊肉新鲜度的判别模型，通过引入光照校正算法，有效减少了光照变化对检测结果的影响，提高了模型的鲁棒性和准确性，实现了在多种光照环境下对羊肉新鲜度进行快速且准确的无损检测。
38、（2）本发明分析光照强度对判别模型的影响并进行校正，步骤s4中量化光照强度对模型预测结果的影响，建立了光照强度与预测结果之间的关系，步骤s5中引入光照校正算法，减少了光照变化对模型预测的影响，进一步提高了模型在不同光照条件下的准确性和鲁棒性。
39、（3）本发明通过黑白校正和savitzky-golay平滑滤波，减少了噪声对光谱数据的影响，提高了数据的可靠性，使用连续投影法提取特征波长，从大量的光谱信息中挑选出最具代表性的波长，简化了模型并提高了其性能，减少了冗余信息的干扰，将特征波长输入bp人工神经网络构建判别模型，自动学习输入数据中的特征，实现了对羊肉新鲜度的准确、快速分类。
40、（4）本发明结合有损检测与无损高光谱成像技术，挥发性盐基氮含量测定，提供了准确可靠的羊肉新鲜度基准数据。这确保了后续无损检测技术的校准和验证具有高精度的基础，高光谱成像技术，能够在不破坏样品的前提下获取羊肉的光谱信息和空间信息，结合这两种技术，既保证了数据的准确性，又实现了无损检测，与现有技术相比，进一步提高了检测效率和实用性
1.一种基于数据驱动的模型高效训练方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种基于数据驱动的模型高效训练方法，其特征在于：步骤s1中，新鲜等级包括：新鲜、次新鲜和变质；有损检测方法为挥发性盐基氮含量测定、微生物检测和ph值测量的一种。
3.根据权利要求1所述的一种基于数据驱动的模型高效训练方法，其特征在于：挥发性盐基氮含量测定的步骤包括：
4.根据权利要求1所述的一种基于数据驱动的模型高效训练方法，其特征在于：步骤s2中，羊肉样本的高光谱图像的获取和处理步骤：
5.根据权利要求4所述的一种基于数据驱动的模型高效训练方法，其特征在于：步骤s23中，图像校正的步骤包括：
6.根据权利要求5所述的一种基于数据驱动的模型高效训练方法，其特征在于：通过连续投影法提取图像校正后的光谱特征波长的步骤包括：
7.根据权利要求6所述的一种基于数据驱动的模型高效训练方法，其特征在于：步骤s3中，通过bp人工神经网络构建羊肉新鲜度判别模型的步骤包括：
8.根据权利要求7所述的一种基于数据驱动的模型高效训练方法，其特征在于：步骤s4中，量化光照强度对模型预测结果的影响，定义评估公式，其中，表示预测结果的变化量，表示在自然光照条件下的模型预测结果，表示在不同补光强度的光照条件下的模型预测结果；
9.根据权利要求7所述的一种基于数据驱动的模型高效训练方法，其特征在于：步骤s5中，引入光照校正算法减少光照变化对模型预测的影响；
10.一种基于数据驱动的模型高效训练系统，基于权利要求1-9任一项所述的一种基于数据驱动的模型高效训练方法的系统，其特征在于：
