基于融合特征波长选择算法的苹果酸度近红外无损检测方法与流程

本发明实施例涉及苹果品质检测
技术领域：
，具体涉及一种基于融合特征波长选择算法的苹果酸度近红外无损检测方法。
背景技术：
：酸度是衡量苹果内部品质的重要指标之一，影响着消费者的购买意愿。传统的苹果酸度测量方法是破坏式的，且费时费力。近红外光谱技术以其快速无损的优势在苹果内部品质检测方面得到了广泛应用，但较少将其运用于对酸度的检测。在对基于近红外光谱的无损检测模型的建立过程中，波长变量选择是重要的一环。通过特定方法筛选特征波长或波长区间，一方面可以简化模型，另一方面由于不相关或非线性变量的剔除，可以得到预测能力强、稳健性好的校正模型。在特征波长选择领域，最常使用的是连续投影算法spa与竞争自适应重加权采样算法cars，这两种方法各有优缺点。通过spa算法选出的波长变量数目较少，但最终建立的模型准确性欠佳；通过cars算法进行特征波长选择后最终建立的模型准确性较高，然而选出的波长变量数目也很多；若将二者联合使用，组成cars-spa算法，波长变量数目可以有效减少，但模型准确性也随之大幅下降。在苹果酸度无损检测领域，目前单一的或联合的特征波长选择算法均无法兼顾模型准确性与波长变量数目，存在或预测精度低，或模型复杂、检测效率低、实用性弱等问题，相应的便携式近红外仪器的开发成本相对较高。技术实现要素：本发明是为了解决上述现有技术存在的不足之处，提出一种基于融合特征波长选择算法的苹果酸度近红外无损检测方法，以期能降低模型复杂度、提高模型检测效率与实用性，从而能实现对苹果酸度的快速无损检测，降低特定用途便携式近红外仪器的开发成本。本发明为达到上述发明目的，采用如下技术方案：本发明一种基于融合特征波长选择算法的苹果酸度近红外无损检测方法的特点也在于，步骤如下：步骤一、采集苹果样本标记点区域的原始近红外反射率光谱；步骤二、测量所述苹果样本标记点区域的酸度数据；步骤三、对所述原始近红外反射率光谱进行预处理，得到预处理后的光谱；所述预处理包括：选取波长范围、将反射率光谱转换为吸光度光谱、对吸光度光谱进行归一化、平滑、散射校正的处理；步骤四、利用连续投影算法与竞争自适应重加权采样算法分别对预处理后的光谱进行特征波长选择，并得到spa特征波长集合s和cars特征波长集合c；步骤五、将spa特征波长集合s和cars特征波长集合c进行特征波长的融合，得到融合后的特征波长；步骤六、以所述融合后的特征波长所对应的预处理后的光谱作为模型的输入，以所述酸度数据作为模型的输出，建立苹果酸度预测模型，从而用于苹果酸度的无损检测。本发明所述的苹果酸度近红外无损检测方法的特点也在于：所述步骤五是按如下过程进行：(1)令建模波长集合a＝s，令剩余波长集合b＝c–s，即集合c与集合s的差集；定义数组r，定义变量i，定义阈值δr；(2)用所述建模波长集合a中波长对应的预处理后的光谱建立校正模型，并计算所述校正模型的决定系数r2；(3)令k为所述剩余波长集合b中元素的个数；初始化变量i＝1；(4)从所述剩余波长集合b中取出第i个波长加入所述建模波长集合a中，从而得到加入波长后的集合ai；(5)用所述加入波长后的集合ai中波长对应的预处理后的光谱建立第i个校正模型，并计算所述第i个校正模型的决定系数ri2后加入所述数组r中；(6)将i+1复制给i，并判断i＞k是否成立，若成立，则执行步骤(7)，否则，返回步骤(4)；(7)取出所述数组r中的最大值，记为rmax，并判断rmax＞r2是否成立，若成立，则执行步骤(8)；否则，算法终止，从而得到建模波长集合a即为融合后的特征波长；(8)将rmax所对应于剩余波长集合b中的第max个波长加入建模波长集合a，从而更新建模波长集合a，并将第max个波长从剩余波长集合b中剔除，从而更新剩余波长集合b；令r2＝rmax，清空数组r；(9)判断r2＞δr是否成立，若成立，算法终止，从而得到建模波长集合a即为融合后的特征波长；否则，重复步骤(3)顺序执行，直至剩余波长集合b为空。与现有技术相比，本发明的有益效果在于：1、本发明提出的基于融合特征波长选择算法的苹果酸度无损检测方法，相比于传统的破坏式的苹果酸度检测方法，具有快速、无损、经济环保等优点；基于六个步骤建立预测模型，兼顾了选取的波长变量数目与建立的模型准确性，即在尽可能少的波长数目下得到准确性尽可能高的模型，具有极强的可行性。在预测模型的建立过程中，使用融合特征波长选择算法对光谱进行波长变量的筛选，克服了单一的或联合的波长选择算法均无法兼顾模型准确性与波长变量数目这一不足，较其它波长选择方法下建立的模型简单、预测精度高、检测速度快、实用性强。该方法能实现对苹果酸度的快速无损检测，压缩特定用途便携式近红外仪器的开发成本。2、本发明融合特征波长选择算法考虑到了设计原理不同的spa算法与cars算法各自存在的优缺点，有效地将二者的优点结合了起来。基于该算法选取的波长变量建立的预测模型，与spa算法下建立的模型相比，准确性有了大幅提升；与cars算法下建立的模型相比，准确性虽略有损失，但选择的波长变量数目大幅减少，满足在尽可能少的波长数目下得到准确性尽可能高的模型这一思想。该算法在对苹果酸度的快速无损检测的过程中发挥着重要作用。附图说明图1为本发明苹果酸度近红外无损检测方法流程图；图2为本发明实施例中涉及的黄金帅苹果的原始近红外反射率光谱；图3为本发明实施例中涉及的黄金帅苹果经预处理后的近红外吸光度光谱；图4为本发明实施例中涉及的融合特征波长选择算法选取的波长变量；图5为本发明实施例中基于pls模型得出的黄金帅苹果酸度的实测值与预测值的散点图。具体实施方式本实施例中，如图1所示，一种基于融合特征波长选择算法的苹果酸度近红外无损检测方法，步骤如下：步骤一、采集苹果样本标记点区域的原始近红外反射率光谱。选取从超市采购的“黄金帅”苹果31个，在每个苹果样本赤道上均匀分布的四个标记点区域分别进行原始近红外反射率光谱采集，得到124条光谱数据。所用光谱仪为美国海洋光学公司生产的usb4000光谱仪，光谱采集范围为346～1046nm，分辨率2nm。所用采集软件为光谱仪配套软件oceanview，软件中光谱采集的积分时间设置为30ms，平均次数设置为5，平滑度设置为5。所得光谱如图2所示。步骤二、测量苹果样本标记点区域的酸度数据。具体实施中，所用仪器为日本atago公司生产的pal-bx/acid5型苹果糖酸一体机。取样本标记点区域的一小块果肉，挤出质量为1g的果汁进烧杯中，并加入去离子水至烧杯中的混合液质量为51g为止，用搅拌棒充分搅拌混合液，用滴管取出混合液滴3-4滴于仪器上，读出仪器读数，即为该点的酸度。共采集到124条酸度数据。步骤三、对原始近红外反射率光谱进行预处理，得到预处理后的光谱。在此之前，首先剔除明显异常数据，保留样本数据110条，并用spxy方法进行样本划分，划分校正集与预测集样本的比例为4：1。酸度数据如表1所示。表1校正集和预测集样本参数统计组别样本数最小值/％最大值/％平均值/％标准差/％校正集880.100.680.300.12预测集220.100.440.240.08由于原始光谱两端存在较大噪声，会影响建模效果，所以进行波长范围的选取，选取用于建模波长范围为475～925nm，该区域内共有波长变量2335个。将反射率光谱转换为吸光度光谱，转换公式为：其中r为反射率，a为吸光度。为了校正由微小光程差异引起的光谱变化，对吸光度光谱进行归一化操作；为了消除光谱信号中叠加的随机误差，提高信噪比，对光谱进行窗口大小为5的sg卷积平滑；再进行多元散射校正msc预处理以消除苹果表面散射及光程变化对光谱的影响。得到norm-sg-msc预处理后光谱，如图3所示。步骤四、利用连续投影算法与竞争自适应重加权采样算法分别对预处理后的光谱进行特征波长选择，并得到spa特征波长集合s和cars特征波长集合c。步骤五、将spa特征波长集合s和cars特征波长集合c进行特征波长的融合，得到融合后的特征波长。具体是按如下过程进行：(1)令建模波长集合a＝s，令剩余波长集合b＝c–s，即集合c与集合s的差集；定义数组r，定义变量i，定义阈值δr；(2)用建模波长集合a中波长对应的预处理后的光谱建立校正模型，并计算校正模型的决定系数r2；(3)令k为剩余波长集合b中元素的个数；初始化变量i＝1；(4)从剩余波长集合b中取出第i个波长加入建模波长集合a中，从而得到加入波长后的集合ai；(5)用加入波长后的集合ai中波长对应的预处理后的光谱建立第i个校正模型，并计算第i个校正模型的决定系数ri2后加入数组r中；(6)将i+1复制给i，并判断i＞k是否成立，若成立，则执行步骤(7)，否则，返回步骤(4)；(7)取出数组r中的最大值，记为rmax，并判断rmax＞r2是否成立，若成立，则执行步骤(8)；否则，算法终止，经如上过程得到的建模波长集合a即为融合后的特征波长；(8)将rmax所对应于剩余波长集合b中的第max个波长加入建模波长集合a，从而更新建模波长集合a，并将第max个波长从剩余波长集合b中剔除，从而更新剩余波长集合b；令r2＝rmax，清空数组r；(9)判断r2＞δr是否成立，若成立，算法终止，经如上过程得到的建模波长集合a即为融合后的特征波长；否则，重复步骤(3)顺序执行，直至剩余波长集合b为空。如图4所示，基于融合特征波长选择方法提取的波长变量共27个，分别为484.806，488.580，490.047，535.957，575.845，576.048，580.917，600.102，600.304，651.909，652.107，660.379，708.872，711.378，715.228，743.535，760.966，772.829，796.935，818.215，862.894，868.124，873.521，873.700，893.730，908.099，921.143，单位为nm。步骤六、以融合后的特征波长所对应的预处理后的光谱作为模型的输入，以酸度数据作为模型的输出，建立苹果酸度预测模型，从而用于苹果酸度的无损检测。具体实施中，该步骤分为模型的建立与评估两部分。在校正集上建立偏最小二乘pls预测模型；将预测集中特征波长所对应的预处理后的光谱输入该模型，得到预测集样本酸度的预测值，与测定值进行比较。评估方法为四个指标：预测集的平均绝对误差maep、均方根误差rmsep、相对分析误差rpd和决定系数其计算公式分别为：其中，yi和分别表示第i个样本点酸度的测定值和预测值，表示所有样本点酸度的平均值。一个性能良好的预测模型，maep及rmsep应尽可能低，rpd尽可能高，尽可能接近于1。分别建立不同波长选择方法下的pls预测模型，将模型结果与融合算法的结果进行比较，如表2所示。表2不同波长选择方法下模型的预测结果从表2中可以看出，基于提出的融合特征波长选择算法建立的苹果酸度预测模型，其maep为0.0169，rmsep为0.0188，rpd为4.2248，为0.9440，四个指标均仅次于cars方法，较spa方法有极大的提高；选取特征波长变量数目为27，较cars方法大幅减少。基于融合特征波长选择算法建立的苹果酸度预测模型结果如图5所示。当前第1页12