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！

龙图腾网获悉合肥大学申请的专利水果内部品质检测模型的迁移学习方法、系统及应用获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121599044B 。

龙图腾网通过国家知识产权局官网在2026-05-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202610107146.9，技术领域涉及：G06N3/096；该发明授权水果内部品质检测模型的迁移学习方法、系统及应用是由刘伟;郭俊杰;刘长虹;郑磊;高春设计研发完成，并于2026-01-27向国家知识产权局提交的专利申请。

本水果内部品质检测模型的迁移学习方法、系统及应用在说明书摘要公布了：本发明提供一种水果内部品质检测模型的迁移学习方法、系统及应用。所述迁移学习方法包括：提供训练集；对多个原始网络架构进行训练，并选择最优网络架构；选择关键特征波段子集；在关键特征波段重新训练最优网络架构；从源品质指标到目标品质指标进行全波段迁移学习和关键波段迁移学习；择优一者作为目标品质指标的品质检测模型。本发明采用可解释性分析方法识别关键特征波段，并利用迁移学习技术实现在不同品质指标间的知识迁移和泛化，显著提升了模型在跨品质预测任务中的准确性和稳定性；该方法通过迁移学习有效解决了小样本条件下模型训练困难的问题，增强了模型的泛化能力，为水果内部品质的无损检测提供了新的技术途径。

本发明授权水果内部品质检测模型的迁移学习方法、系统及应用在权利要求书中公布了：1.一种基于多光谱和可解释性的水果内部品质检测模型的迁移学习方法，其特征在于，所述水果包括蓝莓、草莓、香蕉中的任意一种，所述迁移学习方法包括： 提供训练集，所述训练集包括水果的多光谱图像数据以及关于水果内部的多个品质指标的多种理化分析标签数据； 对于源品质指标， 基于全波段的所述多光谱图像数据，对多个原始网络架构进行训练，并在训练结果中选择最优网络架构，获得全波段初始预测模型，其中，多个所述原始网络架构均属于残差多层感知器网络架构； 基于可解释性分析方法解析所述最优网络架构的训练过程，选择对预测结果具有高贡献度的部分波段作为关键特征波段子集，其中，以SHAP值作为所述贡献度的表征量，对于任意特征波段，SHAP值的计算方式表示为： ； 其中，表示在样本中特征波段的样本SHAP值，且以所有样本的样本SHAP值的平均值作为特征波段的波段SHAP值进行贡献度筛选；为全部特征波段的集合；为不包含特征波段的特征子集；表示使用子集时所述最优网络架构的预测输出；符号表示集合的差运算，表示从集合中移除后得到的集合；为集合的任意一个子集，记为；符号与分别表示集合与中元素的数量，!表示阶乘运算；符号表示子集与单个集合的并集； 在所述关键特征波段子集中，重新训练所述最优网络架构，得到关键波段初始预测模型； 对于目标品质指标， 将所述全波段初始预测模型的网络参数迁移至目标品质指标的预测任务中，通过微调网络参数，构建全波段迁移学习模型； 将所述关键波段初始预测模型的网络参数迁移至目标品质指标的预测任务中，通过微调网络参数，构建关键波段迁移学习模型； 基于所述理化分析标签数据验证所述全波段迁移学习模型和关键波段迁移学习模型的性能，择优一者作为所述目标品质指标的品质检测模型； 在3个以上的所述品质指标中选择所述目标品质指标，并在剩余的所述品质指标中择一作为所述源品质指标，具体包括：基于可解释性分析方法分别获得多个所述品质指标的关键特征波段子集，选择与目标品质指标的关键波段子集重叠度最高的一品质指标作为源品质指标； 执行预训练及迁移学习的过程，直至遍历所有的所述品质指标，构建水果内部品质的全指标检测总模型； 其中，所述最优网络架构和品质检测模型的择优选择的评价指标包括均方根误差、相关性系数、残差预测偏差中的任意一种或两种以上的组合； 所述均方根误差的计算方式表示为： ； 所述相关性系数的计算方式表示为： ； 所述残差预测偏差的计算方式表示为： ； 其中，表示所述均方根误差；表示所述相关性系数；表示所述残差预测偏差；表示所述理化分析标签数据，表示所述理化分析标签数据的多样本平均值；表示理化分析数据预测值，表示理化分析数据预测值的多样本平均值；表示样本数量；表示样本的序号；表示所述理化分析标签数据的标准差。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥大学，其通讯地址为：230000 安徽省合肥市经开区锦绣大道99号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。