本技术涉及近红外光谱分析,尤其涉及一种无损检测黄冠梨果磷含量的方法及装置。
背景技术:
1、在现代农业生产中,果实的营养含量分析对于保障食品质量和制定精准施肥方案至关重要。特别是对于黄冠梨果这一类具有重要经济价值的水果,其磷含量的准确测定对于评估其成熟度和营养价值尤为关键。然而,传统的化学分析方法通常破坏性强、操作繁琐且效率低,难以满足快速、现场检测的需求。
2、为了解决这一问题,近红外光谱分析技术(nirs)因其无损、快速且成本低廉的特点而成为研究的热点。该技术通过分析物质吸收近红外光的特定波长的情况,来推测物质的成分含量。然而,由于近红外光谱数据的复杂性,直接从全波段光谱数据中提取与特定成分含量相关的信息仍具有一定难度。
3、因此,研发一种新的无损检测黄冠梨果磷含量的方法及装置非常有必要。
技术实现思路
1、本技术提供一种无损检测黄冠梨果磷含量的方法及装置,以提高黄冠梨果磷含量检测的准确性和可靠性。
2、本技术提供一种无损检测黄冠梨果磷含量的方法,包括:
3、对目标黄冠梨果进行表面扫描,获得目标黄冠梨果的近红外光谱数据;
4、对所述近红外光谱数据进行预处理,获得预处理后的全波段光谱数据;
5、使用偏最小二乘回归算法和梯度提升回归树算法基于预处理后的全波段光谱数据建立磷含量全波段预测模型,并通过决定系数和残差预测偏差从所述磷含量全波段预测模型中确定最优磷含量全波段预测模型;
6、使用遗传算法并利用所述最优磷含量全波段预测模型,从预处理后的全波段光谱数据中筛选出与黄冠梨果磷含量高度相关的特征波长,并基于所述特征波长重新使用偏最小二乘回归算法建立预测模型;
7、使用建立的预测模型,对黄冠梨果进行磷含量的无损预测。
8、更进一步地,所述对目标黄冠梨果进行表面扫描,获得目标黄冠梨果的近红外光谱数据,包括:
9、以目标黄冠梨果的赤道为主轴,均匀选取三个短轴4.5cm、长轴7cm的椭圆形区域,并在所述椭圆形区域均匀选取5个采集点;
10、在所述椭圆形区域进行扫描,获得所述椭圆形区域的采集点上近红外光谱数据。
11、更进一步地,所述对目标黄冠梨果进行表面扫描,获得目标黄冠梨果的近红外光谱数据,包括:
12、对目标黄冠梨果的彩色图像应用gabor滤波器以提取表面纹理特征;
13、对目标黄冠梨果的彩色图像应用颜色直方图分析以获取黄冠梨果皮肤的色彩特征,并与提取的表面纹理特征合并为一个综合特征向量;
14、对所述综合特征向量使用基于卷积神经网络的分类器进行处理,确定最适合进行近红外扫描的黄冠梨果表面区域坐标,其中,所述分类器经过训练以识别黄冠梨果表面的形态;
15、根据最适合进行近红外扫描的黄冠梨果表面区域坐标,确定扫描区域;
16、在所述扫描区域进行扫描,获得目标黄冠梨果的近红外光谱数据。
17、更进一步地,对所述综合特征向量使用基于卷积神经网络的分类器进行处理,确定最适合进行近红外扫描的黄冠梨果表面区域坐标,包括:
18、对所述综合特征向量使用基于卷积神经网络的分类器进行处理,获得黄冠梨果表面区域的形态标签;
19、对目标黄冠梨果的彩色图像中黄冠梨果表面区域进行高斯滤波,并将高斯滤波后的像素值的方差确定为表面光滑度指标;
20、计算目标黄冠梨果的彩色图像中黄冠梨果表面区域内像素亮度的标准差,将所述标准差确定为光照均匀性指标;
21、根据所述形态标签、表面光滑度指标以及光照均匀性指标,确定最适合进行近红外扫描的黄冠梨果表面区域坐标。
22、更进一步地,所述对所述近红外光谱数据进行预处理,获得预处理后的全波段光谱数据,包括:
23、选用一组具有已知磷含量的黄冠梨果样本作为标定集,并在标定集上执行多元线性回归分析,以确定与黄冠梨果磷含量密切相关的光谱波段,其中多元线性回归的参数包括学习率和迭代次数,基于交叉验证来确定;
24、对确定的与黄冠梨果磷含量密切相关的光谱波段获取的光谱数据进行主成分分析,并在主成分分析期间引入一个由每个主成分与磷含量的皮尔逊相关系数计算得出的磷含量敏感性权重系数,用于加权主成分分析的结果;
25、基于主成分分析获得的第一主成分的标准差或方差,建立第一主成分的波动阈值,以动态识别高频噪声的阈值;
26、根据主成分分析的结果,使用一个低通滤波器对识别出来的高频噪声进行噪声削减。
27、更进一步地,所述使用偏最小二乘回归和梯度提升回归树算法基于预处理后的全波段光谱数据建立磷含量全波段预测模型,并通过决定系数和残差预测偏差从所述磷含量预测模型中确定最优磷含量全波段预测模型,包括:
28、(a)选择一种多目标优化算法,包括非支配排序遗传算法ii或多目标粒子群优化算法;
29、(b)设置多维度评价准则,该准则包括:决定系数,用于评估模型的拟合度;残差预测偏差,用于评估模型的预测精度;模型复杂度,用于量化模型的计算需求;以及计算成本,用于量化模型训练和应用所需的时间和硬件资源;
30、(c)利用所述多目标优化算法,随机生成一组初始解,每一个初始解都是一个超参数组合;
31、(d)对于每一个解,分别使用偏最小二乘回归算法和梯度提升回归树算法进行模型训练,并计算多维度评价准则;
32、(e)根据多维度评价准则,对解进行排序和选择;
33、(f)对选择出来的解进行交叉、变异操作,生成新的解;
34、重复步骤d-f,直至满足预设的终止条件;
35、根据满足预设的终止条件时的解,确定最优磷含量全波段预测模型。
36、更进一步地,所述使用遗传算法,并根据所述最优磷含量全波段预测模型,从预处理后的全波段光谱数据中筛选出与黄冠梨果磷含量高度相关的特征波长,包括:
37、初始化遗传算法的种群大小为50,每个染色体表示一组由10个特征波长组成的波长集合;
38、设定交叉概率为0.8和突变概率为0.2;
39、利用决定系数评估每个染色体的适应度;
40、执行选择、交叉和突变操作,并持续进行这一过程直至满足预定的停止条件;
41、从适应度最高的个体中提取出特征波长,并基于这些特征波长重新使用偏最小二乘回归算法建立预测模型。
42、更进一步地,所述使用遗传算法,并根据所述最优磷含量全波段预测模型,从预处理后的全波段光谱数据中筛选出与黄冠梨果磷含量高度相关的特征波长,还包括:
43、引入多种群协同进化遗传算法进行并行搜索,该算法通过多个相互协作的种群分别负责光谱数据的特定频段,每个种群专注于找出该频段中对磷含量预测最有贡献的特征波长;
44、在该多种群协同进化遗传算法中,执行种群划分,将预定的全波段范围划分为至少两个种群,每个种群负责一个子频段;
45、为每个种群设计针对性的适应度函数和操作符,并在各自负责的频段内进行局部特征波长搜索;
46、在每一代的结束后,各种群之间进行信息交流,不仅交换各自找到的最优特征波长,还分享相应的权重或评分信息,以便其他种群使用这些数据来更新其自身的搜索空间或评价函数。
47、更进一步地,所述使用建立的预测模型,对黄冠梨果进行磷含量的无损预测,还包括使用动态权重调整机制,该动态权重调整用于动态优化预测模型中特征波长的权重,以适应黄冠梨果在不同生长阶段磷含量的变化;该动态权重调整机制基于实时样本数据,并启动于新样本数据被收集之后,具体步骤如下:
48、收集黄冠梨果在不同生长阶段的初始训练数据集,包括光谱数据和相应的磷含量,然后使用这些数据进行预测模型的初步训练;
49、在每次新的实时样本数据被收集后,将新样本数据与旧的训练数据进行比较,用于计算特征波长在新数据和旧数据中的相对重要性,该相对重要性可通过信息增益、特征重要度或其他基于机器学习的特征选择方法来确定;
50、根据每一个特征波长的相对重要性,动态地调整预测模型中该特征波长的权重。
51、本身请提供一种无损检测黄冠梨果磷含量的装置,包括:
52、扫描单元,用于对目标黄冠梨果进行表面扫描,获得目标黄冠梨果的近红外光谱数据;
53、处理单元,用于对所述近红外光谱数据进行预处理,获得预处理后的全波段光谱数据;
54、确定单元,用于使用偏最小二乘回归算法和梯度提升回归树算法基于预处理后的全波段光谱数据建立磷含量全波段预测模型,并通过决定系数和残差预测偏差从所述磷含量预测模型中确定最优磷含量全波段预测模型;
55、筛选单元,用于使用遗传算法并利用所述最优磷含量全波段预测模型,从预处理后的全波段光谱数据中筛选出与黄冠梨果磷含量高度相关的特征波长,并基于所述特征波长重新使用偏最小二乘回归算法建立预测模型;
56、预测单元,用于使用建立的预测模型,对黄冠梨果进行磷含量的无损预测。
57、本技术带来的有益技术效果包括:(1)本技术采用近红外光谱技术进行无损检测,避免了传统化学分析方法对样品造成的损坏,因此更适用于实地、实时的检测需求。(2)本技术通过结合偏最小二乘回归算法和梯度提升回归树算法建立磷含量预测模型,充分利用了这两种算法在处理复杂数据结构方面的优势,从而提高了预测的准确性。(3)本技术引入了决定系数和残差预测偏差作为评价标准,有效地从多个预测模型中筛选出最优模型,进一步提高了预测的可靠性。(4)通过使用遗传算法,本技术能够从全波段光谱数据中筛选出与磷含量高度相关的特征波长,进一步优化了预测模型,降低了计算复杂度,提高了实用性。