一种用于蔬菜农药残留检测的光谱数据智能处理方法与流程

本发明涉及物理分析，具体涉及一种用于蔬菜农药残留检测的光谱数据智能处理方法。

背景技术：

1、光谱技术是一种非破坏性的检测方法，可以在不破坏蔬菜样品的情况下获取光谱信息。这意味着可以在蔬菜采摘、加工等阶段进行实时监测，而无需破坏样品，光谱数据智能处理方法可以为蔬菜农药残留检测提供高效、准确和可靠的解决方案，有助于确保食品安全和质量；而蔬菜对应光谱数据之间的差异可能是由于多种不同类型因素造成的，例如对应蔬菜内的含水量多少的差异导致相同波长下不同蔬菜的光谱数据出现差异，故考虑利用聚类分析的方式，对光谱数据相近或相同的蔬菜样本聚为一类以进行农药残留检测。

2、本方法通过cure聚类算法对不同蔬菜的光谱数据进行聚类，但传统的cure聚类算法中，cure聚类算法的一个参数即收缩因子为一固定值。但通过固定的收缩因子聚类时，可能将农药残留有较大差异的光谱数据聚为一类，造成通过聚类结果对蔬菜农药残留进行检测时所得检测结果可能与实际结果有较大差异，降低了蔬菜农药残留检测的光谱数据的处理效果。

技术实现思路

1、本发明提供一种用于蔬菜农药残留检测的光谱数据智能处理方法，以解决现有的问题。

2、本发明的一种用于蔬菜农药残留检测的光谱数据智能处理方法采用如下技术方案：

3、本发明一个实施例提供了一种用于蔬菜农药残留检测的光谱数据智能处理方法，该方法包括以下步骤：

4、在一个波长范围内，获取每一波长下多个蔬菜样本的吸光度，得到多个蔬菜样本的光谱数据集；根据相同波长下不同光谱数据集所对应的吸光度的大小，得到多个特征波长；

5、根据每一蔬菜样本的光谱数据集，得到每一蔬菜样本下每一个特征波长对其他特征波长的影响程度；

6、根据每一蔬菜样本的光谱数据集以及每一蔬菜样本中每一个特征波长对其他特征波长的影响程度，得到每一蔬菜样本与其他蔬菜样本之间的距离；

7、根据每一蔬菜样本与其他蔬菜样本之间的距离，通过cure算法对所有蔬菜样本进行迭代聚类，在聚类迭代过程中的聚类簇中筛选出若干个代表点；根据每一代表点的光谱数据集，得到不同收缩因子下每一代表点的局部密度；根据不同收缩因子下每一代表点的局部密度得到聚类过程中每一代表点的自适应收缩因子；

8、根据聚类过程中每一代表点的自适应收缩因子，得到聚类簇中每一代表点的新的光谱数据集，并继续进行聚类，得到最终聚类结果；

9、根据最终聚类结果，进行农药残留检测，得到农药残留含量超标的蔬菜样本。

10、进一步地根据相同波长下不同光谱数据集所对应的吸光度的大小，得到多个特征波长，包括的具体步骤如下：

11、计算每一波长下所有蔬菜样本的吸光度的标准差，根据波长由小到大，依次统计所有波长下所有蔬菜样本的吸光度的标准差，得到一个标准差序列；对标准差序列使用滑动窗口法，获得若干个局部极大值；使用最小最大规范法对标准差序列进行归一化处理，得到每个标准差的归一化值；在标准差序列中的所有局部极大值中，将归一化值大于预设的判断阈值的局部极大值所对应的波长，记为特征波长。

12、进一步地根据每一蔬菜样本的光谱数据集，得到每一蔬菜样本下每一个特征波长对其他特征波长的影响程度，包括的具体公式如下：

13、

14、

15、

16、其中，表示第个蔬菜样本中第个特征波长对第个特征波长的影响程度，表示第个特征波长的波长值，表示第个特征波长的波长值，为预设的波长数量阈值，表示方向系数，表示第个蔬菜样本的光谱数据集中第个特征波长的波长值沿所表征波长变化方向上的第个波长下第个蔬菜样本吸光度的一阶差分值，表示在第个特征波长下第个蔬菜样本的吸光度，为绝对值函数，为以自然常数为底的指数函数，表示在波长下第个蔬菜样本的吸光度，表示在波长下第个蔬菜样本的吸光度。

17、进一步地根据每一蔬菜样本的光谱数据集以及每一蔬菜样本中每一个特征波长对其他特征波长的影响程度，得到每一蔬菜样本与其他蔬菜样本之间的距离，包括的具体公式如下：

18、

19、

20、其中，表示第个蔬菜样本与第个蔬菜样本之间的距离，表示特征波长的个数，表示特征波长对特征波长下第个蔬菜样本的吸光度的影响程度，为绝对值函数，表示特征波长下第个蔬菜样本的吸光度，表示特征波长下第个蔬菜样本的吸光度，表示以自然常数为底的指数函数；表示第个蔬菜样本中第个特征波长对第个特征波长的影响程度，表示第个蔬菜样本中第个特征波长对第个特征波长的影响程度，表示第个特征波长的波长值，表示第个特征波长的波长值。

21、进一步地根据每一蔬菜样本与其他蔬菜样本之间的距离，通过cure算法对所有蔬菜样本进行迭代聚类，在聚类迭代过程中的聚类簇中筛选出若干个代表点，包括的具体步骤如下：

22、在聚类迭代过程中将第一个样本点个数大于或等于的聚类簇视为目标簇，获取目标簇中个蔬菜样本作为代表点以及目标簇的聚类中心点，其中为预设的代表点数量，为预设的样本数量阈值。

23、进一步地根据每一代表点的光谱数据集，得到不同收缩因子下每一代表点的局部密度，包括的具体步骤如下：

24、收缩因子为时收缩后第个代表点所对应的新的光谱数据集的具体计算公式为：

25、

26、式中：表示收缩因子为时收缩后第个代表点所对应的新的光谱数据集，表示目标簇当中第个代表点所对应的蔬菜样本的光谱数据集，表示收缩因子，表示目标簇的聚类中心点所对应的蔬菜样本的光谱数据集；

27、根据所述每一蔬菜样本与其他蔬菜样本之间的距离的获取方式，使用收缩因子为时收缩后第个代表点所对应的新的光谱数据集，获得收缩因子为时收缩后第个代表点与其他蔬菜样本之间的距离；

28、根据收缩因子为时收缩后第个代表点与其他蔬菜样本之间的距离，得到收缩因子为时收缩后的第个代表点对应的局部密度。

29、进一步地根据收缩因子为时收缩后第个代表点与其他蔬菜样本之间的距离，得到收缩因子为时收缩后的第个代表点对应的局部密度，包括的具体公式如下：

30、

31、其中，表示收缩因子为时收缩后的第个代表点对应的局部密度，为预设的距离度量；表示目标簇当中与收缩因子为时收缩后的第个代表点之间的距离小于的蔬菜样本的个数；表示目标簇当中收缩因子为时收缩后的第个代表点与目标簇当中收缩后的第个代表点之间的距离小于l的第个蔬菜样本之间的距离。

32、进一步地根据不同收缩因子下每一代表点的局部密度得到聚类过程中每一代表点的自适应收缩因子，包括的具体步骤如下：

33、将收缩因子为时收缩后的第个代表点对应的局部密度构成的序列，记为第个代表点的局部密度序列；所述表示收缩因子，；

34、获取第个代表点的局部密度序列的一阶导序列，将一阶导序列中的最大值对应的收缩因子，记为目标簇当中第个代表点的自适应收缩因子。

35、进一步地根据聚类过程中每一代表点的自适应收缩因子，得到聚类簇中每一代表点的新的光谱数据集，包括的具体步骤如下：

36、将目标簇当中第个代表点的自适应收缩因子与第个代表点所对应蔬菜样本的光谱数据集中的每一个数据相乘，得到一个第一新数据集；

37、将1减目标簇当中第个代表点的自适应收缩因子，记为聚类中心点的权重；

38、将聚类中心点的权重与目标簇的聚类中心点所对应的蔬菜样本的光谱数据集中的每一个数据相乘，得到一个第二新数据集；

39、将第一新数据集与第二新数据集中对应的数据进行相加所得的数据集，记为第个代表点所对应蔬菜样本的新的光谱数据集。

40、进一步地根据最终聚类结果，进行农药残留检测，得到农药残留含量超标的蔬菜样本，包括的具体步骤如下：

41、在最终聚类结果中，根据酶抑制率法得到每一个聚类簇的聚类中心点所对应蔬菜样本的每公斤农药残留含量，若聚类中心点所对应蔬菜样本的每公斤农药残留含量大于或等于毫克，则所述聚类中心点所对应聚类簇内的所有蔬菜样本的农药残留含量超标；若聚类中心点所对应蔬菜样本的每公斤农药残留含量小于毫克，则所述聚类中心点所对应聚类簇内的所有蔬菜样本的农药残留含量合格；所述r为预设的每公斤农药残留含量阈值。

42、本发明的技术方案的有益效果是：在一个波长范围内，获取每一波长下多个蔬菜样本的吸光度，得到多个蔬菜样本的光谱数据集；根据相同波长下不同光谱数据集所对应的吸光度的大小，得到多个特征波长，之后在后续过程中只依据蔬菜样本在特征波长下的吸光度来进行后续操作去，减少了后续操作的计算量；根据每一蔬菜样本的光谱数据集，得到每一蔬菜样本下每一个特征波长对其他特征波长的影响程度；根据每一蔬菜样本的光谱数据集以及每一蔬菜样本中每一个特征波长对其他特征波长的影响程度，得到每一蔬菜样本与其他蔬菜样本之间的距离，在在计算每一蔬菜样本与其他蔬菜样本之间的距离时还考虑了每个特征波长对其他特征波长的影响程度，从而使得每一蔬菜样本与其他蔬菜样本之间的距离更加接近真实情况；根据每一蔬菜样本与其他蔬菜样本之间的距离，通过cure算法对所有蔬菜样本进行迭代聚类，在聚类迭代过程中的聚类簇中筛选出若干个代表点；根据每一代表点的光谱数据集，得到不同收缩因子下每一代表点的局部密度；根据不同收缩因子下每一代表点的局部密度得到聚类过程中每一代表点的自适应收缩因子，在计算自适应收缩因子时，从多个收缩因子里面筛选自适应收缩因子，从而使得每个代表点的自适应收缩因子更符合真实情况；根据聚类过程中每一代表点的自适应收缩因子，得到聚类簇中每一代表点的新的光谱数据集，并继续进行聚类，得到最终聚类结果，因为聚类时，每个代表点的自适应收缩因子更符合真实情况从而使得聚类结果更为准确；根据最终聚类结果，进行农药残留检测，得到农药残留含量超标的蔬菜样本，在进行农药残留含量检测时，因为聚类结果更接近真实情况，从而使得农药残留含量检测结果更接近真实情况。