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！

龙图腾网获悉中国地质大学(武汉)申请的专利一种基于深度学习的食品分类方法、系统及可读存储介质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：CN116933156B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202310879868.2，技术领域涉及：G06F18/241；该发明授权一种基于深度学习的食品分类方法、系统及可读存储介质是由侯宜州;李桂玲;刘澈设计研发完成，并于2023-07-17向国家知识产权局提交的专利申请。

本一种基于深度学习的食品分类方法、系统及可读存储介质在说明书摘要公布了：本申请提供的一种基于深度学习的食品分类方法、系统及可读存储介质，该方法包括获取训练数据集，所述训练数据集包括对应纯样品类型的第一时序光谱信号、以及对应掺假样品类型的第二时序光谱信号；将训练数据集作为原始时间序列，并对原始时间序列进行转换，得到一阶差分序列、以及傅里叶序列；采用平铺加滑动窗口的模式对每项序列进行二维化处理，得到相应的二维数据；构建初始分类模型，并将所得的各项二维数据、以及傅里叶序列输入到初始分类模型中进行训练，并在达到训练终止时，得到目标分类模型；将获取到的待处理的各项二维数据、以及傅里叶序列输入到目标分类模型中，得到食品分类结果。该方法的实施能够提高食品分类精准率。

本发明授权一种基于深度学习的食品分类方法、系统及可读存储介质在权利要求书中公布了：1.一种基于深度学习的食品分类方法，其特征在于，包括以下步骤： S1、获取训练数据集，所述训练数据集包括对应纯样品类型的第一时序光谱信号、以及对应掺假样品类型的第二时序光谱信号； S2、将所述训练数据集作为原始时间序列，并对所述原始时间序列进行转换，得到一阶差分序列、以及傅里叶序列； S3、采用平铺加滑动窗口的模式对每项序列进行二维化处理，得到相应的二维数据； S4、构建初始分类模型，并将所得的各项二维数据、以及所述傅里叶序列输入到所述初始分类模型中进行训练，并在达到训练终止时，得到目标分类模型，其中： 所述初始分类模型包括依次连接的第一卷积层、第一级联操作层、第二卷积层以及全局平均池化层，其中： 所述第一卷积层，用于分别对所得的各项二维数据进行特征提取，得到多个初始特征项； 所述第一级联操作层，用于对提取到的各个初始特征项进行级联处理，得到级联特征； 所述第二卷积层，用于基于所述级联特征分析各个初始特征项之间的关联，以进行特征拼接； 所述全局平均池化层，用于对得到的拼接特征进行降维处理，得到目标特征项； 所述第一卷积层和所述第二卷积层中均采用空间注意力机制和通道注意力机制相结合的方式，分别提取空间注意力机制和通道注意力机制这两个维度的注意力权重，并采用加权的方式将这两个维度的注意力权重进行加权处理，以提高特征预测精准度； 所述第一卷积层和所述第二卷积层中均引入有残差机制，以避免梯度消失情况的发生，提高模型稳定性； 所述初始分类模型还包括连接到所述全局平均池化层的第二级联操作层，连接到所述第二级联操作层的LSTM层、连接到所述第二级联操作层的特征融合层、以及连接到所述特征融合层的分类层，其中： 所述LSTM层，用于对输入的对应傅里叶序列的一维数据进行特征提取处理，得到时序特征； 所述第二级联操作层，用于对所述时序特征、以及经由所述全局平均池化层输出的特征项进行级联处理，得到目标级联特征； 所述特征融合层，用于基于所述目标级联特征进行深度特征提取，得到深度特征； 所述分类层，用于基于所述深度特征，输出相应的食品分类结果； S5、将获取到的待处理的各项二维数据、以及傅里叶序列输入到所述目标分类模型中，得到食品分类结果。

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中国地质大学(武汉)，其通讯地址为：430000 湖北省武汉市洪山区鲁磨路388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。