CN104990891B - 一种种子近红外光谱和光谱图像定性分析模型建立方法 - Google Patents
一种种子近红外光谱和光谱图像定性分析模型建立方法 Download PDFInfo
- Publication number
- CN104990891B CN104990891B CN201510355686.0A CN201510355686A CN104990891B CN 104990891 B CN104990891 B CN 104990891B CN 201510355686 A CN201510355686 A CN 201510355686A CN 104990891 B CN104990891 B CN 104990891B
- Authority
- CN
- China
- Prior art keywords
- data
- mrow
- sample
- msub
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种种子近红外光谱和光谱图像定性分析模型建立方法,该方法包括:在不同的环境中采集每个类别的样品数据,并确定模型训练数据集和测试数据集,样品数据为近红外光谱数据和/或光谱图像;采用不同的数据预处理方法和/或特征提取方法对模型训练数据集中的样品数据进行处理,获取不同类别的样品数据之间的可分性、分类正确度和偏离度;根据可分性、分类正确度和偏离度选择最佳数据预处理方法、最佳特征提取方法以及最佳特征提取方法的最优数据维数,并提取模型训练数据集中的样品数据的特征;采用改进的仿生模式识别方法建立定性分析模型。本发明提高了建立定性分析模型的效率和定性分析模型的稳健性,应用前景广阔。
Description
技术领域
本发明涉及光谱和光谱图像检测技术领域,尤其涉及一种种子近红外光谱和光谱图像定性分析模型建立方法。
背景技术
常规的定性分析模型建立流程包括建立数据集,数据预处理,特征提取,建立模型,系统测试,模型优化等步骤。建立一个满足要求的模型比较困难和复杂,需要在每一步中选择合适的方法,调整参数;而且需要分析人员具备专业知识,一般的人员并不能很好地利用近红外光谱(光谱图像)技术进行定性分析,常规定性分析模型的分析效率较低。
常规的定性分析模型建立方法只考虑了模型训练集的正确率,对模型的稳健性却没有给予足够的重视,导致建立的模型适应性差,需要不断更新。建立一个满足要求的种子定性分析模型需要大量的样本,同时需要考虑遗传背景、生长环境、季节变化、收获时间、存储方式、仪器状态变化等因素对光谱的影响,因此建立一个理想的模型往往需要花费很长的时间。
现有的模式识别方法在对种子等天然产物进行识别时效果不佳,存在一定的缺陷。同一类别的种子不同产地和年份的样品可能有很大的差异,现有的基于划分的模式识别方法(支出向量机等)和逐类建模方法(最近邻方法)不能将这些样品分为一类。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决或者减缓上述问题的种子近红外光谱和光谱图像定性分析模型建立方法,提高了建立定性分析模型的效率以及定性分析模型的稳健性。
本发明提供了一种种子近红外光谱和光谱图像定性分析模型建立方法,该方法包括:
在不同的环境中采集每个类别的样品数据,并确定模型训练数据集和测试数据集,所述样品数据为近红外光谱数据和/或光谱图像;
采用不同的数据预处理方法和/或特征提取方法对所述模型训练数据集中的样品数据进行处理,获取不同类别的样品数据之间的可分性、分类正确度和偏离度;
根据所述可分性、分类正确度和偏离度选择最佳数据预处理方法和最佳特征提取方法;
根据所述分类正确度确定所述最佳特征提取方法的最优数据维数;
根据所述最佳数据预处理方法、最佳特征提取方法以及最优数据维数提取所述模型训练数据集中的样品数据的特征;
采用改进的仿生模式识别方法建立定性分析模型。
可选的,在所述采用改进的仿生模式识别方法建立定性分析模型之后,所述方法还包括:
采用建立的定性分析模型对所述测试数据集进行鉴定,并获取正确率指标;
根据所述正确率指标对所述定性分析模型的性能进行测试。
可选的,所述获取不同类别的样品数据之间的可分性、分类正确度和偏离度,包括:
计算所述模型训练数据集中样本数据的类内类间距离,根据所述类内类间距离确定所述模型训练数据集中不同类别的样品数据之间的可分性;
获取所述模型训练数据集中样本数据的总数量N和正确分类的样本数据的数量M,根据所述样本数据的总数量N和正确分类的样本数据的数量M计算分类正确度CA,CA=M/N;
获取所述模型训练数据集中任意两个类别数据的中心距离Dmn以及每一类别中的不同数据点的中心距离Dm和Dn,并采用如下公式计算模型训练数据集中任意两个类别数据的偏离度D:
可选的,所述计算所述模型训练数据集中样本数据的类内类间距离,包括:
获取所述模型训练数据集中样本数据的类间离散度矩阵和类内离散度矩阵估计
其中,mi表示第i类样本数据的均值向量,m表示所有各类的样本数据的总平均向量,c为样本数据的类别数目,Pi为相应类别的先验概率,T表示矩阵转置,为第i类的特征向量;
根据所述类间离散度矩阵和类内离散度矩阵估计计算所述模型训练数据集中各类别的样本数据的类内类间距离,作为可分性J:
其中,Tr()表示计算矩阵的迹。
可选的,所述根据所述可分性、分类正确度和偏离度选择最佳数据预处理方法和最佳特征提取方法,包括:
当采用某一数据预处理方法和/或特征提取方法对所述模型训练数据集中的样品数据进行处理之后,计算其各类别的样品数据之间的可分度J和分类正确度CA;
选择使得J或CA的值最大的数据预处理方法为最佳数据预处理方法,和/或,选择使得J或CA的值最大的特征提取方法为最佳特征提取方法;
根据所述偏离度确定最佳的样品数据采集方法。
可选的,所述根据所述分类正确度确定所述最佳特征提取方法的最优数据维数,包括:
设置数据维数初始值dim=n0,n0为待分类样本的类别数目;
根据所述数据维数初始值对所述模型训练数据集中的样品数据进行特征提取,并建立仿生模式识别模型,对所述测试数据集中的第一测试数据集进行测试,所述测试数据集包括第一测试数据集和第二测试数据集;
统计所述模型训练数据集中不同类别的样品数据的分类正确度CA1和所述第一测试数据集中不同类别的样品数据的分类正确度CA2,计算CA1和CA2的均值
若dim维数据的方差贡献率CCR小于预设阈值,则将数据维数值加1,重复执行特征提取的步骤,当所述CCR的值大于或等于预设阈值时,取使得值最大时对应的数据维数为最优数据维数。
可选的,所述采用改进的仿生模式识别方法建立定性分析模型,包括:
使用KS算法从所述模型训练数据集中每个类别的样品数据中选择构网样本点;
根据预设的结构和顺序连接各个类别的构网样本点,构成每一类样品的改进的仿生模式识别定性分析模型的骨架;
确定各类样品的改进的仿生模式识别定性分析模型的拒识阈值;
根据所述改进的仿生模式识别定性分析模型的骨架和拒识阈值确定所述改进的仿生模式识别定性分析模型。
可选的,所述采用建立的定性分析模型对所述测试数据集进行鉴定,包括:
计算所述测试数据集中的样品数据到各类样品的改进的仿生模式识别定性分析模型的骨架的距离;
从所有距离中,基于从小到大的顺序选择预设数量个距离值;
根据所述预设数量个距离值分别对当前样品数据进行鉴定,得到预设数量个鉴定结果;
对鉴定结果进行投票,将该样品数据判定为得票最多的类别。
可选的,所述计算所述测试数据集中的样品数据到各类样品的改进的仿生模式识别定性分析模型的骨架的距离具体计算公式为:
其中,x为样品数据的样本点,为模型骨架,x1、x2为构成模型骨架的构网样本点,
可选的,所述正确率指标包括正确识别率CAR和正确拒识率CRR,其中:
所述根据所述正确率指标对所述定性分析模型的性能进行测试,包括:
计算所述定性分析模型的正确识别率和正确拒识率;
根据正确识别率和正确拒识率的预设标准分析所述定性分析模型的性能。
本发明的有益效果为:
本发明提供的种子近红外光谱和光谱图像定性分析模型建立方法,使用可分性,分类正确度,偏离度等评价指标提高了建立定性分析模型的效率,通过预处理方法消除环境因素的影响,使用分类正确度确定最优数据维数避免过拟合,提高了定性分析模型的稳健性,应用前景广阔。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明实施例提出的一种种子近红外光谱和光谱图像定性分析模型建立方法的流程图;
图2为本发明实施例提出的一种种子近红外光谱和光谱图像定性分析模型建立方法中步骤S16的细分流程图;
图3为本发明实施例中训练集参数标准化和测试集参数标准化预处理方法效果比较示意图;
图4为本发明实施例中提出的独立测试集维数确定法与传统维数确定方法的效果比较意图;
图5为本发明实施例中提出的数据集的正确率指标与数据维数的关系曲线示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非被特定定义,否则不会用理想化或过于正式的含义来解释。
图1示出了本发明实施例的一种种子近红外光谱和光谱图像定性分析模型建立方法的流程图。
参照图1,本发明实施例提出的种子近红外光谱和光谱图像定性分析模型建立方法包括:
S11、在不同的环境中采集每个类别的样品数据,并确定模型训练数据集和测试数据集,所述样品数据为近红外光谱数据和/或光谱图像;
需要说明的是,在不同的环境中采集每个类别的样品数据,即在环境温湿度、仪器状态等背景因素不同的条件下采集得到样品数据,分别记为模型训练数据集(Trainingset)和测试数据集(Internal test),其中,测试数据集包括第一测试数据集(Internaltest set 1)和第二测试数据集(Internal test set 2)。
代表性样品是指某一类别的种子不同产地、季节或者年份收获的样品。
S12、采用不同的数据预处理方法和/或特征提取方法对所述模型训练数据集中的样品数据进行处理,获取不同类别的样品数据之间的可分性、分类正确度和偏离度;
S13、根据所述可分性、分类正确度和偏离度选择最佳数据预处理方法和最佳特征提取方法;
其中,近红外光谱预处理方法包括平滑降噪,散射校正,导数法,标准化,中心化。光谱图像预处理方法包括平滑滤波,图像增强,目标分割。特征提取方法包括主成分分析(Principle Component Analysis,PCA),偏最小二乘分析(Partial Least SquaresAnalysis,PLS)和正交化线性判别分析(Orthogonal Linear Discriminant Analysis,OLDA)。光谱图像特征提取方法还包括灰度分布统计量、灰度共生矩阵统计量、灰度分布直方图、局部二值模式和尺度不变特征转换特征。
本发明实施例,在采用不同的数据预处理方法和/或特征提取方法对所述模型训练数据集中的样品数据进行处理后,根据计算出的可分性、分类正确度和偏离度选择出最佳数据预处理方法和最佳特征提取方法。
S14、根据所述分类正确度确定所述最佳特征提取方法的最优数据维数;
S15、根据所述最佳数据预处理方法、最佳特征提取方法以及最优数据维数提取所述模型训练数据集中的样品数据的特征;
S16、采用改进的仿生模式识别方法建立定性分析模型。
本发明实施例提供的种子近红外光谱和光谱图像定性分析模型建立方法,使用可分性,分类正确度,偏离度等评价指标提高了建立定性分析模型的效率,通过预处理方法消除环境因素的影响,使用分类正确度确定最优数据维数避免过拟合,提高了定性分析模型的稳健性。
进一步地,为了定性分析模型的稳健性,本发明实施例在步骤S16之后,还包括图中未示出的步骤S17和S18:
S17、采用建立的定性分析模型对所述测试数据集进行鉴定,并获取正确率指标;
S18、根据所述正确率指标对所述定性分析模型的性能进行测试。
其中,正确率指标包括正确识别率(Correct Acceptance Rate,CAR)和正确拒识率(Correct Rejection Rate,CRR),计算公式如下:
CAR和CRR范围均在0~100之间,CAR值下降时,CRR会上升,根据实际情况的需要设定模型的CAR和CRR标准。
使用Internal test set 2对模型的性能进行测试,得到模型的CAR和CRR评价指标,CAR和CRR达到标准时,则模型可以用来进行日常鉴定工作。
若CAR较低,如果是数据可分性和分类正确度较低(低于0.5),则近红外光谱和高光谱图像不适于对这批样本进行定性分析,如果数据偏离度高(大于1),需要补充不同环境下采集的数据,或者改进数据测量方法,提高数据的稳定性。
进一步地,步骤S18具体包括:
计算所述定性分析模型的正确识别率和正确拒识率;
根据正确识别率和正确拒识率的预设标准分析所述定性分析模型的性能。
本发明实施例解决了近红外光谱或光谱图像定性分析模型建立效率低、模型稳定性差的问题,适合于对光谱数据和光谱图像数据进行定性分析,应用前景广阔。
本发明实施例中,步骤S12中的获取不同类别的样品数据之间的可分性、分类正确度和偏离度,进一步包括如下图中未示出的步骤:
S121、计算所述模型训练数据集中样本数据的类内类间距离,根据所述类内类间距离确定所述模型训练数据集中不同类别的样品数据之间的可分性;
其中,所述计算所述模型训练数据集中样本数据的类内类间距离,包括:
获取所述模型训练数据集中样本数据的类间离散度矩阵和类内离散度矩阵估计
其中,mi表示第i类样本数据的均值向量,m表示所有各类的样本数据的总平均向量,c为样本数据的类别数目,Pi为相应类别的先验概率,T表示矩阵转置,为第i类的特征向量;
根据所述类间离散度矩阵和类内离散度矩阵估计计算所述模型训练数据集中各类别的样本数据的类内类间距离,作为可分性J:
其中,Tr()表示计算矩阵的迹。
实际应用中,可分性J可以反映出一批样品数据分类的难易程度,J值越大,表示分类越容易。
S122、获取所述模型训练数据集中样本数据的总数量N和正确分类的样本数据的数量M,根据所述样本数据的总数量N和正确分类的样本数据的数量M计算分类正确度CA,CA=M/N;
由于可分性无法准确反映出各类样本之间的分布情况,为了更加准确地评价数据的可分类程度,定义了分类正确度指标。
对待分类的数据建立仿生模式识别模型,对模型训练数据进行分类,假设所有样本数目为N,正确分类样本数目为M,分类正确度CA=M/N,范围在0~1之间,分类正确度越大,说明数据的可分类程度越高。
S123、获取所述模型训练数据集中任意两个类别数据的中心距离Dmn以及每一类别中的不同数据点的中心距离Dm和Dn,并采用如下公式计算模型训练数据集中任意两个类别数据的偏离度D:
由于数据采集环境、仪器状态、采集方式的变化,同一样本在不同环境下采集的不同批次光谱或光谱图像数据之间会有差异,导致不同批次的数据之间发生偏离,定义偏离度D对数据的变化程度进行评价。
假设有M,N两个类别的待分类数据,M类包括两种数据(M1和M2,),N类也包括两种数据(N1和N2)。
M1和M2类数据点的中心距离为Dm,N1和N2两类数据的中心距离为Dn,M和N两类数据中心距离为Dmn。偏离度D定义如下:
D值越大,代表偏离度越大,不同环境采集的同种样本数据之间的差异越大。对于多类数据,取不同类别两两之间距离的均值作为种间距离。
可理解的是,如果预判结果显示一批数据的可分性太差(J<0.5,CA<0.5),则没有必要进行后续分析。计算Training set中不同类别数据之间的可分性和分类正确度,对近红外光谱或光谱图像技术是否可以用来定性分析某一批样品进行预判;对Training set和Internal test set 1之间的偏离度D进行计算,判断数据稳定性。如果偏离度过大(D>1),说明数据稳定性不好,需要对数据测量方法进行调整。
本发明实施例中的步骤S13进一步包括:
当采用某一数据预处理方法和/或特征提取方法对所述模型训练数据集中的样品数据进行处理之后,计算其各类别的样品数据之间的可分度J和分类正确度CA;
选择使得J或CA的值最大的数据预处理方法为最佳数据预处理方法,和/或,选择使得J或CA的值最大的特征提取方法为最佳特征提取方法;
根据所述偏离度确定最佳的样品数据采集方法。
具体的,在数据经过某一种方法处理之后,计算其各类之间的可分度J和分类正确度评价指标CA,若J或CA的值提高,则说明该方法有效,可以采用。若J或CA的值无变化或者降低,则不采用该方法。同时也可以对不同的数据处理方法的评价指标进行组合,选择使得J或CA的值最大的数据处理方法。
本发明实施例中,步骤S14进一步包括:
设置数据维数初始值dim=n0,n0为待分类样本的类别数目;
根据所述数据维数初始值对所述模型训练数据集中的样品数据进行特征提取,并建立仿生模式识别模型,对所述测试数据集中的第一测试数据集进行测试,所述测试数据集包括第一测试数据集和第二测试数据集;
统计所述模型训练数据集中不同类别的样品数据的分类正确度CA1和所述第一测试数据集中不同类别的样品数据的分类正确度CA2,计算CA1和CA2的均值
若dim维数据的方差贡献率CCR小于预设阈值,则将数据维数值加1,重复执行特征提取的步骤,当所述CCR的值大于或等于预设阈值时,取使得值最大时对应的数据维数为最优数据维数。
为了克服传统数据维数确定方法由于过拟合问题使得模型的推广能力差,对于测试集数据则效果不佳的问题,本发明实施例,引入的独立于模型训练数据的第一测试数据集,其数据的采集时间与训练集数据不同,以测试模型的推广能力,称为独立测试集维数确定法。确定特征提取数据维数时,从低到高依次增加数据维数,统计每一个维数下模型训练数据的正确识别率(简称训练集正确率),纯度鉴定模型对内部测试数据一的正确识别率(简称测试集正确识别率),以训练集和测试集正确识别率的平均值(简称平均正确率)作为优化目标。该方法可以有效地提高模型的稳健性,改善过拟合的问题。
本发明实施例中,步骤S16,如图2所示,进一步包括如下步骤:
S161、使用Kennard-Stone(KS)算法从所述模型训练数据集中每个类别的样品数据中选择构网样本点;
S162、根据预设的结构和顺序连接各个类别的构网样本点,构成每一类样品的改进的仿生模式识别定性分析模型的骨架;
S163、确定各类样品的改进的仿生模式识别定性分析模型的拒识阈值ns;对于某一模型的Training set数据,计算样本点i到该类所有样本点中心c的距离为di,i=1,2,…,No,和s为的均值和标准差,通过训练获得标准差倍数n(此时模型正确识别本类样本,成功拒识异类样本)。鉴定样本时,计算样本点到c的距离di,如果则拒识该样本。
S164、根据所述改进的仿生模式识别定性分析模型的骨架和拒识阈值确定所述改进的仿生模式识别定性分析模型。
其中,步骤S161中,使用KS算法选择构网样本点,实现过程如下:
1)初始化。使用So代表某一类的原始训练样本集合(数目为No)。用Sb代表某一类的选择出的构网样本集合,根据实际需要设定数目为Nb。
2)剔除异常样本点。某一样本点i到该类所有样本点中心的距离为di,i=1,2,…,No,和s为的均值和标准差,如果则样本点i会从样本集So中删除。
3)使用KS算法从集合So中选择模型的构网样本点。首先计算集合So中样本两两之间的距离并将距离最远的两个点选入集合Sb中,计算Sb中的点与集合So中剩余点之间的距离并选择距离最大的点加入到Sb中。依次类推,每次添加一个点到集合Sb中,直至Sb中构网点数目达到Nb。
进一步地,步骤S17中的采用建立的定性分析模型对所述测试数据集进行鉴定,具体包括如下图中未示出的步骤:
S171、计算所述测试数据集中的样品数据到各类样品的改进的仿生模式识别定性分析模型的骨架的距离;
其中,计算所述测试数据集中的样品数据到各类样品的改进的仿生模式识别定性分析模型的骨架的距离的具体计算公式为:
其中,x为样品数据的样本点,为模型骨架,x1、x2为构成模型骨架的构网样本点,
S172、从所有距离中,基于从小到大的顺序选择预设数量个距离值;
S173、根据所述预设数量个距离值分别对当前样品数据进行鉴定,得到预设数量个鉴定结果;
S174、对鉴定结果进行投票,将该样品数据判定为得票最多的类别。
使用本发明建立的定性分析模型鉴定待测试样品,首先让仪器通过预热和自检。每次使用现有模型对待测样本数据进行鉴定前,需要使用标准样本数据对模型进行测试。当模型对标准测试样本的判别正确时,可以直接进行日常测试工作。如果出现错误,分三个步骤解决问题。
1)检查仪器状态是否正常,操作是否正确,若存在问题,则需要检修仪器或者规范实验操作流程。
2)检查测试集数据的偏离度是否偏大(D>1),这时需要重新采集数据,对模型进行更新。
3)若不是前两个原因,则需要检查分析方法,更新模型。待标准样品测试正确后,再进行日常测试工作。
下面以一个具体的实施例来说明本发明,但不限定本发明的保护范围。该具体实施例中使用本发明的方法对小麦、玉米的近红外光谱数据进行定性分析模型建立。
(1)数据集介绍
数据集1:10份小麦种子样品近红外光谱数据
样本来源:山东良星种业有限公司2014年6月收获的十份小麦种子样品。小麦样本名称分别记为良星661,良星662,良星663,良星771,良星772,良星773,良星991,良星992,良星993,良星994。
实验仪器和测量方法:聚光科技的漫反射型近红外光谱仪(型号FPI SupNIR-2720),光源为卤钨灯,波长有效范围为1000~1799nm,采集样品的有效光程为0.2~5mm,波长准确性为0.2nm,共可采集800个数据点,小麦种子置于样品杯中采集数据。
光谱采集:在2014.11.6~2015.1.25近三个月的时间内,共采集了34次数据,每份样品每次采集10~15条光谱。使用前5次采集的数据(每份小麦样品75条光谱)建立BPRI模型,其余的数据用来测试模型的性能。
数据集2:17份玉米种子样品近红外光谱数据
样本来源:屯玉种业有限公司和金色农华种业有限公司提供的17份玉米种子样品,共有11个品种(屯玉绿源的7个品种2102,2104,2105,2106,2107,2109,2110,以及另外四个品种S032G-1,S108G-1,NH101,XD20)。其中NH101和XD20各有四份来自不同产地和年份的样本,另外9个品种均只有1份样品。
实验仪器和测量方法:聚光科技的漫反射型近红外光谱仪(型号FPI SupNIR-2720),光源为卤钨灯,波长有效范围为1000~1799nm,采集样品的有效光程为0.2~5mm,波长准确性为0.2nm,共可采集800个数据点,玉米种子置于样品杯中采集数据。
光谱采集:在2012.10~2013.4时间段内共采集21次的数据,每份样品每次采集10条光谱。使用前5次采集的数据建立BPRI模型,其余的数据测试。
数据集3:75个玉米自交系种子样品近红外光谱数据
样本来源:北京金色农华种业有限公司提供的海南育种基地的75个玉米自交系。
实验仪器和测量方法:德国布鲁克公司的MPA型光谱仪,单籽粒漫反射测量方式,谱区范围为12000~4000cm-1(833~2500nm),波长分辨率16cm-1,共1037个波长点数据。
光谱采集:一个自交系选取5个果穗,果穗的穗尖、穗中、穗末三个部位各挑选5粒种子测量光谱(每个品种75条光谱)。
(2)数据分析方法
数据预处理方法:移动平均平滑(9个数据点),一阶差分导数(差分宽度为9个数据点),标准化。
特征提取:使用PLS,OLDA对光谱数据进行特征提取和降维。
建立模型:数据集1,数据集2使用BPRI方法建立品种识别模型。数据集3被用来比较不同建模方法的特点,分别建立BPR,BPRI,SVM鉴定模型。
评价指标统计:统计可分性J,分类正确度CA,偏离度D,正确识别率CAR,正确拒识率CRR对模型的模型性能进行预判和评价。
测试结果:
分别计算数据集1,数据集2的原始数据的可分性,分类正确度和偏离度指标,并与模型最终的正确识别率进行对应分析。测试可分性,分类正确度和偏离度指标是否可以准确预判模型的性能。
表1 数据集1,2可分性、分类正确度、偏离度和正确识别率CAR统计
表1中统计了数据集1,2的可分性,分类正确度和偏离度评价指标及其分类模型的正确识别率。数据集1中,10个小麦品种可分性为1.67,分类正确度为0.8,可以初步判断品种鉴定模型的性能较好,最终模型对内部测试数据二的CAR为96%,满足要求。而且内部测试数据二的偏离度仅为0.05,说明不同环境测量的数据稳定性较好。
数据集2中的11个玉米品种的可分性为1.07,分类正确度为0.9,可以预判这批数据建立的品种鉴定模型正确率较高。内部测试数据2的正确识别率为98%,偏离度为0.01,说明模型的稳定较高。数据集2的可分性比数据集1低,但是其分类正确度和正确识别率均比数据集1高。这是因为数据集2中,农华101和浚单20的样本来源于不同的产地和年份,中间距离较大,所以使得计算得到的可分性指标较小。但是不同玉米种子近红外光谱差异显著,建立模型的效果较好。
本发明实施例中两个数据集的测试结果说明,可分性,分类正确度指标可以预判模型的正确识别率。当数据的偏离度较大时,数据的稳定性较差,模型的正确识别率会较低。根据可分性,分类正确度选择预数据处理方法。通过比较评价指标确定合适的方法,而不必等到建立模型之后才能得出方法的效果。
以对数据集2的分析为例,比较比较原始数据、移动平均平滑和一阶差分导数,标准化、PLS+OLDA和PCA+OLDA方法特征提取处理后不同类别数据之间的可分性,分类正确度,正确率指标。
表2 数据集2经不同方法处理后可分性、分类正确度和CAR指标比较
表2中,原始数据的可分性最低,为1.07,分类正确度为0.72,平均正确识别率为65%。经过平滑+一阶导数和标准化预处理后,可分性提高到1.32,分类正确度提高到0.92,因此选用这些方法对数据进行预处理,而最终模型的正确识别率也得到较大提升。
分别使用PLS+OLDA和PCA+OLDA方法对数据进行特征提取和降维,发现PLS+OLDA方法的可分性和分类正确度指标均高于PCA+OLDA方法,所以选用PLS+OLDA方法处理数据,模型的正确识别率为95%,高于PCA+OLDA方法(90%)。说明使用可分性和分类正确度评价指标选择特征提取方法是有效的。
本实施例中使用测试集参数标准化的方法对光谱进行预处理,消除环境和仪器背景噪声对光谱的影响,提高模型的稳定性。对测试集数据进行标准化处理时有两种方式,第一种是使用训练集参数(平均光谱mean_train和标准差std_train)标准化测试集数据;第二种是使用测试集自身的参数(平均光谱mean_test和标准差std_tset)标准化测试集数据。标准化处理时所有光谱减去平均光谱,除以对应波段吸光度数据的标准差。比较使用两种方式标准化测试数据的效果优劣。
使用20121109~21021205共5次采集的数据建立模型,其余时间段采集的数据测试。实验中统计了测试集数据分别用训练集参数标准化和测试集参数标准化时的平均正确识别率和偏离度。使用训练集参数标准化时,如图3所示,从20121213到20130408约5个月的时间内,测试集正确率逐渐下降。可见环境对光谱的影响越来越大,测试集数据的偏离度也逐渐升高。20130312-1,20130314-1,20130407-1三组数据是由另一台相同型号的光谱仪采集的数据,与原光谱仪采集的数据之间有较大的差别,偏离度较大,正确识别率也很低。说明不同仪器之间的差异远大于同一仪器不同状态之间的差异。
图4示出了独立测试集维数确定法与传统维数确定方法的效果比较意图,如图4所示,传统数据维数随着所用的数据维数的逐渐增加,模型的正确识别率先上升,后下降。取模型获得最高训练集正确识别率时的维数作为最佳维数。但是这种方法确定的维数对于训练集数据正确识别率很高,但是往往会导致过拟合问题使得模型的推广能力差,对于测试集数据则效果不佳。为了解决这个问题,引入独立测试集维数确定法。
如图5所示,确定数据集2(可分性1.07)的维数实验中,训练集正确识别率逐渐升高直至100%,不再下降。因此选用平均正确率取得峰值时的维数18作为最优数据维数。
为了提高模型分类能力的同时,提高模型的稳健性,避免过拟合问题,可以使用多组测试数据对模型的正确率进行测试,本发明对此不做限定。
本发明实施例中,对改进的仿生模式识别(BPRI),仿生模式识别(BPR),支持向量机(SVM)三种模式识别方法进行了测试,其中BPRI和BPR方法具有拒识能力,即当待鉴定样本不属于已知模型中的任何一类时会被模型拒识,而不是被错误判别为其他已知的类别。SVM模型具有较高的分类能力和稳健性,但是不能拒识模型没有学习过的样本。
使用数据集3对BPR,BPRI,SVM三种方法的性能进行测试。数据集3中共有75个玉米自交系。分别选择25,50,75个品种建立品种识别模型,比较在不同的模型数目下三种方法的性能,模型测试结果见下表。
表3 BPR,BPRI,SVM三种鉴定模型的性能比较
统计三种方法的训练集和测试接的正确识别率,BPRI与SVM效果相当,正确率均大于94%,BPR正确率低于90%,如表3所示。BPR模型需要训练模型半径,当训练集数据代表性不足,训练不充分时,很容易将本类的测试集样本拒识,导致正确识别率偏低。BPRI拒识时采用的是标准差阈值,相比而言,本类测试集样本不容易拒识,所以正确识别率较高。
随着模型数目的增加,模型的正确识别率并没有显著降低,说明近红外光谱中包含丰富的反映玉米品种之间差异的信息,可用于建立大规模的品种定性分析模型。
综上所述,本发明提供的种子近红外光谱和光谱图像定性分析模型建立方法,使用可分性,分类正确度,偏离度等评价指标提高了建立定性分析模型的效率,通过预处理方法消除环境因素的影响,使用分类正确度确定最优数据维数避免过拟合,提高了定性分析模型的稳健性,应用前景广阔。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种种子近红外光谱和光谱图像定性分析模型建立方法,其特征在于,所述方法包括:
在不同的环境中采集每个类别的样品数据,并确定模型训练数据集和测试数据集,所述样品数据为近红外光谱数据和/或光谱图像;
采用不同的数据预处理方法和/或特征提取方法对所述模型训练数据集中的样品数据进行处理,获取不同类别的样品数据之间的可分性、分类正确度和偏离度;
根据所述可分性、分类正确度和偏离度选择最佳数据预处理方法和最佳特征提取方法;
根据所述分类正确度确定所述最佳特征提取方法的最优数据维数;
根据所述最佳数据预处理方法、最佳特征提取方法以及最优数据维数提取所述模型训练数据集中的样品数据的特征;
采用改进的仿生模式识别方法建立定性分析模型;
其中,所述获取不同类别的样品数据之间的可分性、分类正确度和偏离度,包括:
计算所述模型训练数据集中样本数据的类内类间距离,根据所述类内类间距离确定所述模型训练数据集中不同类别的样品数据之间的可分性;
获取所述模型训练数据集中样本数据的总数量N和正确分类的样本数据的数量M,根据所述样本数据的总数量N和正确分类的样本数据的数量M计算分类正确度CA,CA=M/N;
获取所述模型训练数据集中任意两个类别数据的中心距离Dmn以及每一类别中的不同数据点的中心距离Dm和Dn,并采用如下公式计算模型训练数据集中任意两个类别数据的偏离度D:
<mrow>
<mi>D</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>D</mi>
<mi>m</mi>
</msub>
<mo>+</mo>
<msub>
<mi>D</mi>
<mi>n</mi>
</msub>
</mrow>
<mrow>
<mn>2</mn>
<mo>&times;</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中,所述计算所述模型训练数据集中样本数据的类内类间距离,包括:
获取所述模型训练数据集中样本数据的类间离散度矩阵和类内离散度矩阵估计
<mrow>
<msub>
<mover>
<mi>S</mi>
<mo>~</mo>
</mover>
<mi>b</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
<mrow>
<msub>
<mover>
<mi>S</mi>
<mo>~</mo>
</mover>
<mi>w</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mfrac>
<mn>1</mn>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</munderover>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>-</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>-</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
其中,mi表示第i类样本数据的均值向量,m表示所有各类的样本数据的总平均向量,c为样本数据的类别数目,Pi为相应类别的先验概率,T表示矩阵转置,为第i类的特征向量;
根据所述类间离散度矩阵和类内离散度矩阵估计计算所述模型训练数据集中各类别的样本数据的类内类间距离,作为可分性J:
<mrow>
<mi>J</mi>
<mo>=</mo>
<mi>t</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>S</mi>
<mo>~</mo>
</mover>
<mi>w</mi>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>S</mi>
<mo>~</mo>
</mover>
<mi>b</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,tr()表示计算矩阵的迹。
2.根据权利要求1所述的方法,其特征在于,在所述采用改进的仿生模式识别方法建立定性分析模型之后,所述方法还包括:
采用建立的定性分析模型对所述测试数据集进行鉴定,并获取正确率指标;
根据所述正确率指标对所述定性分析模型的性能进行测试。
3.根据权利要求1所述的方法,其特征在于,所述根据所述可分性、分类正确度和偏离度选择最佳数据预处理方法和最佳特征提取方法,包括:
当采用某一数据预处理方法和/或特征提取方法对所述模型训练数据集中的样品数据进行处理之后,计算其各类别的样品数据之间的可分度J和分类正确度CA;
选择使得J或CA的值最大的数据预处理方法为最佳数据预处理方法,和/或,选择使得J或CA的值最大的特征提取方法为最佳特征提取方法;
根据所述偏离度确定最佳的样品数据采集方法。
4.根据权利要求1所述的方法,其特征在于,所述根据所述分类正确度确定所述最佳特征提取方法的最优数据维数,包括:
设置数据维数初始值dim=n0,n0为待分类样本的类别数目;
根据所述数据维数初始值对所述模型训练数据集中的样品数据进行特征提取,并建立仿生模式识别模型,对所述测试数据集中的第一测试数据集进行测试,所述测试数据集包括第一测试数据集和第二测试数据集;
统计所述模型训练数据集中不同类别的样品数据的分类正确度CA1和所述第一测试数据集中不同类别的样品数据的分类正确度CA2,计算CA1和CA2的均值
若dim维数据的方差贡献率CCR小于预设阈值,则将数据维数值加1,重复执行特征提取的步骤,当所述CCR的值大于或等于预设阈值时,取使得值最大时对应的数据维数为最优数据维数。
5.根据权利要求2所述的方法,其特征在于,所述采用改进的仿生模式识别方法建立定性分析模型,包括:
使用KS算法从所述模型训练数据集中每个类别的样品数据中选择构网样本点;
根据预设的结构和顺序连接各个类别的构网样本点,构成每一类样品的改进的仿生模式识别定性分析模型的骨架;
确定各类样品的改进的仿生模式识别定性分析模型的拒识阈值;
根据所述改进的仿生模式识别定性分析模型的骨架和拒识阈值确定所述改进的仿生模式识别定性分析模型。
6.根据权利要求5所述的方法,其特征在于,所述采用建立的定性分析模型对所述测试数据集进行鉴定,包括:
计算所述测试数据集中的样品数据到各类样品的改进的仿生模式识别定性分析模型的骨架的距离;
从所有距离中,基于从小到大的顺序选择预设数量个距离值;
根据所述预设数量个距离值分别对当前样品数据进行鉴定,得到预设数量个鉴定结果;
对鉴定结果进行投票,将该样品数据判定为得票最多的类别。
7.根据权利要求6所述的方法,其特征在于,所述计算所述测试数据集中的样品数据到各类样品的改进的仿生模式识别定性分析模型的骨架的距离具体计算公式为:
其中,x为样品数据的样本点,为模型骨架,x1、x2为构成模型骨架的构网样本点,
8.根据权利要求2所述的方法,其特征在于,所述正确率指标包括正确识别率CAR和正确拒识率CRR,其中:
所述根据所述正确率指标对所述定性分析模型的性能进行测试,包括:
计算所述定性分析模型的正确识别率和正确拒识率;
根据正确识别率和正确拒识率的预设标准分析所述定性分析模型的性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510355686.0A CN104990891B (zh) | 2015-06-24 | 2015-06-24 | 一种种子近红外光谱和光谱图像定性分析模型建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510355686.0A CN104990891B (zh) | 2015-06-24 | 2015-06-24 | 一种种子近红外光谱和光谱图像定性分析模型建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104990891A CN104990891A (zh) | 2015-10-21 |
CN104990891B true CN104990891B (zh) | 2017-10-20 |
Family
ID=54302731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510355686.0A Expired - Fee Related CN104990891B (zh) | 2015-06-24 | 2015-06-24 | 一种种子近红外光谱和光谱图像定性分析模型建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104990891B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108344701A (zh) * | 2018-02-02 | 2018-07-31 | 东北电力大学 | 基于高光谱技术的石蜡等级定性分类与定量回归方法 |
CN110220909A (zh) * | 2019-04-28 | 2019-09-10 | 浙江大学 | 一种基于深度学习的地铁盾构隧道病害检测方法 |
CN112611732B (zh) * | 2020-12-21 | 2024-01-26 | 中国电力科学研究院有限公司 | 复合绝缘子用硅橡胶的中红外光谱图库建立方法及系统 |
CN112816499B (zh) * | 2021-04-19 | 2021-06-29 | 征图新视(江苏)科技股份有限公司 | 一种高光谱结合深度学习工业检测系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738373A (zh) * | 2008-11-24 | 2010-06-16 | 中国农业大学 | 一种鉴别作物种子品种的方法 |
CN102542288A (zh) * | 2011-11-28 | 2012-07-04 | 北京航空航天大学 | 一种高光谱数据多特征空间构建与融合分类方法 |
CN102608589A (zh) * | 2012-03-16 | 2012-07-25 | 南京理工大学 | 基于仿生模式识别理论的雷达目标识别方法 |
CN103020654A (zh) * | 2012-12-12 | 2013-04-03 | 北京航空航天大学 | 基于样本产生与核局部特征融合的sar图像仿生识别方法 |
EP2356467B1 (en) * | 2008-12-11 | 2013-07-10 | Baxter International Inc. | Detection of physiologically acceptable polymer molecules using near infrared spectroscopy |
CN104062262A (zh) * | 2014-07-09 | 2014-09-24 | 中国科学院半导体研究所 | 一种基于近红外光谱的作物种子品种真实性鉴别方法 |
CN104374737A (zh) * | 2014-10-30 | 2015-02-25 | 中国科学院半导体研究所 | 一种近红外定性鉴别方法 |
CN104374738A (zh) * | 2014-10-30 | 2015-02-25 | 中国科学院半导体研究所 | 一种基于近红外提高鉴别结果的定性分析方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005291704A (ja) * | 2003-11-10 | 2005-10-20 | New Industry Research Organization | 可視光・近赤外分光分析方法 |
US8735820B2 (en) * | 2010-04-09 | 2014-05-27 | Tesoro Refining And Marketing Company | Direct match spectrographic determination of fuel properties |
JP5712787B2 (ja) * | 2011-05-18 | 2015-05-07 | 日立化成株式会社 | 調光フィルムの硬化率の測定方法、調光フィルムの製造方法、及び調光フィルム |
-
2015
- 2015-06-24 CN CN201510355686.0A patent/CN104990891B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738373A (zh) * | 2008-11-24 | 2010-06-16 | 中国农业大学 | 一种鉴别作物种子品种的方法 |
EP2356467B1 (en) * | 2008-12-11 | 2013-07-10 | Baxter International Inc. | Detection of physiologically acceptable polymer molecules using near infrared spectroscopy |
CN102542288A (zh) * | 2011-11-28 | 2012-07-04 | 北京航空航天大学 | 一种高光谱数据多特征空间构建与融合分类方法 |
CN102608589A (zh) * | 2012-03-16 | 2012-07-25 | 南京理工大学 | 基于仿生模式识别理论的雷达目标识别方法 |
CN103020654A (zh) * | 2012-12-12 | 2013-04-03 | 北京航空航天大学 | 基于样本产生与核局部特征融合的sar图像仿生识别方法 |
CN104062262A (zh) * | 2014-07-09 | 2014-09-24 | 中国科学院半导体研究所 | 一种基于近红外光谱的作物种子品种真实性鉴别方法 |
CN104374737A (zh) * | 2014-10-30 | 2015-02-25 | 中国科学院半导体研究所 | 一种近红外定性鉴别方法 |
CN104374738A (zh) * | 2014-10-30 | 2015-02-25 | 中国科学院半导体研究所 | 一种基于近红外提高鉴别结果的定性分析方法 |
Non-Patent Citations (6)
Title |
---|
Feasibility of near infrared spectroscopy for analyzing corn kernel damage and viability of soybean and corn kernels;Lidia Esteve Agelet.et al;《Journal of Cereal Science》;20120330;第55卷(第2期);第160-165页 * |
Variety identification method of coated maize seeds based on near-infrared spectroscopy and chemometrics;Shiqiang Jia.et al;《Journal of Cereal Science》;20140801;第63卷;第21-26页 * |
基于仿生模式识别和近红外光谱的转基因小麦快速鉴别方法;翟亚锋等;《光谱学与光谱分析》;20100415;第30卷(第4期);第924-928页 * |
基于可见_近红外光谱和高光谱成像的无损检测方法研究;殷姣姣;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》;20140915(第09期);第B020-9页 * |
基于近红外光谱和仿生模式识别玉米品种快速鉴别方法;苏谦等;《光谱学与光谱分析》;20090915;第29卷(第9期);第2413-2416页 * |
基于高光谱图像的玉米种子特征提取与识别;黄敏等;《光子学报》;20120715;第41卷(第7期);第858-873页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104990891A (zh) | 2015-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101881726B (zh) | 植物幼苗综合性状活体无损检测方法 | |
CN103048273B (zh) | 基于模糊聚类的水果近红外光谱分类方法 | |
CN102495005B (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
CN104990892B (zh) | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 | |
CN104990891B (zh) | 一种种子近红外光谱和光谱图像定性分析模型建立方法 | |
Yu et al. | Hyperspectral imaging technology combined with deep learning for hybrid okra seed identification | |
Zhang et al. | Identification of corn seeds with different freezing damage degree based on hyperspectral reflectance imaging and deep learning method | |
CN113049530B (zh) | 一种基于近红外高光谱的单粒玉米种子水分含量检测方法 | |
Yang et al. | High-throughput soybean seeds phenotyping with convolutional neural networks and transfer learning | |
CN105866056A (zh) | 一种基于近红外光谱的杂交种纯度鉴别方法 | |
CN108830249B (zh) | 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 | |
CN112924412A (zh) | 基于近红外光谱的单籽粒水稻品种真实性判别方法及装置 | |
CN109470648A (zh) | 一种单籽粒作物不完善粒快速无损判定方法 | |
CN110163101A (zh) | 中药材种子区别及等级快速判别方法 | |
CN114882249A (zh) | 一种基于高光谱的种子品种品质检测方法、系统 | |
Deng et al. | Image features and DUS testing traits for peanut pod variety identification and pedigree analysis | |
CN110533102A (zh) | 基于模糊推理的单类分类方法以及分类器 | |
Concepcion II et al. | Variety classification of Lactuca sativa seeds using single-kernel RGB images and spectro-textural-morphological feature-based machine learning | |
Liao et al. | Hyperspectral imaging technology and transfer learning utilized in haploid maize seeds identification | |
Chaugule | Survey of seed classification techniques | |
CN109960972A (zh) | 一种基于中高分辨率时序遥感数据的农林作物识别方法 | |
CN114062305B (zh) | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统 | |
CN116071592A (zh) | 基于高光谱可增量更新的玉米种子品种鉴定方法及系统 | |
CN113063754B (zh) | 一种基于加权环境变量聚类的叶片磷含量检测方法 | |
CN109685099A (zh) | 一种光谱波段优选模糊聚类的苹果品种辨别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171020 Termination date: 20200624 |
|
CF01 | Termination of patent right due to non-payment of annual fee |