CN106841053A - 一种红枣品种快速鉴定方法 - Google Patents

Abstract

本发明公开了一种红枣品种快速鉴定方法，包括如下步骤：对每一个红枣分别选取上、下、左、右、中5个感兴趣区域的高光谱数据，然后求5个感兴趣区域的平均光谱作为该样本的光谱数据；经MYD64A1测量光幕对红枣长、宽、高的最大尺寸进行测量，得红枣的近似体积；选择最佳二维小波基对二维相关光谱进行多尺度分解并各层分别重构；对重构的每一层相关光谱进行建模预测并得到交叉验证的均方根误差；通过计算出的权值进行子模型融合；通过预测均方根误差和相关系数对多尺度‑二维相关光谱模型的结果和性能进行评价。本发明基于光幕法实现了对红枣长、宽、高的最大尺寸进行测量，并利用其体积差异和光谱数据的差异，实现了红枣品种的快速识别。

Description

一种红枣品种快速鉴定方法

技术领域

本发明涉及一种红枣品种鉴定方法，具体涉及一种红枣品种快速鉴定方法。

背景技术

红枣是一种具有极高的营养保健价值及药用价值的植物果实，是集药、食、补三大功能为一体的保健果品。新疆是我国红枣主要产区之一，其红枣资源非常丰富，且样本种类繁多。随着多年来不断地进行品种选育，不同品种甚至同一品种间红枣品质有较大差异，表征红枣品质的信息量很大。

现有技术很难对其做到快速有效识别。另外，由于红枣成分复杂，相应的品质特征影响因子较多，表征数据量大，亟需研发一种满足工业在线实时处理的要求，可以无损、快速、准确识别红枣品质的智能化识别设备。

发明内容

为解决上述问题，本发明提供了一种红枣品种快速鉴定方法。

为实现上述目的，本发明采取的技术方案为：

一种红枣品种快速鉴定方法，包括如下步骤：

S1、对每一个红枣分别选取上、下、左、右、中5个感兴趣区域的高光谱数据，然后求5个感兴趣区域的平均光谱作为该样本的光谱数据；

S2、经MYD64A1测量光幕对红枣长、宽、高的最大尺寸进行测量，得红枣的近似体积；

S3、采用Kennard-Stone算法对步骤S1采集的光谱进行优选，剔除掉样品光谱中异常样品光谱；

S4、生成步骤S3采集所得光谱的二维相关光谱；

S5、结合二维小波变换和二维相关光谱的特性，选择最佳小波基对二维相关光谱进行二维小波多尺度分解，得二维小波系数；

S6、对步骤S5所得的二维小波系数进行图像重构，然后选择并设定训练集和测试集；

S7、使用训练集的光谱与步骤S2采集的红枣的近似体积，建立基于偏最小二乘法和留一法交叉验证的预测模型，然后将测试集的光谱输入该模型得到预测结果，并得到每个预测模型的交叉验证均方根误差RMSECV；

S8、通过交叉验证均方根误差计算步骤S7所得的预测模型的权值，使用权值将所有的步骤S7所得的预测模型进行模型融合，并计算RMSEP值和相关系数来评价模型传递效果。

其中，所述步骤S4中的二维相关光谱由以下公式生成：

式中：y(v)为输入光谱矩阵，Φ(v1，v2)为生成的同步相关光谱图像矩阵，Ψ(v1，v2)为生成的异步相关光谱图像矩阵。

其中，所述步骤S6中所述的重构是对不同仪器的光谱的分解后的每一层小波系数分别进行重构。

其中，所述步骤S7所述的交叉验证均方根误差为RMSECV，其公式如下：

式中：C_NIR是样品的某一实际属性；C_REF为预测出的样品属性。

其中，所述步骤S6中所述的RMSEP表示模型预测值与红枣的近似体积的偏差，公式如下：

式中：n是测试集样品数，C_NIR是样品的某一实际属性矩阵；C_REF为预测出的样品属性矩阵。

其中，所述步骤S6中所述的相关系数，表示模型预测值与红枣的近似体积之间的相关程度，公式如下：

式中：n是测试集样品数，C_NIR是样品的某一实际属性矩阵；C_REF为预测出的样品属性矩阵。

其中，所述步骤S8所述权值由以下公式获得：

其中，RMSECV_i是第i个子模型交叉验证后的预测均方根误差。

其中，所述步骤S8中所述的模型融合的公式如下：

其中，C_iREF是预测模型的预测结果，m是分解的尺度，C为预测模型融合后的预测结果，即最终的模型传递结果。

本发明具有以下有益效果：

本发明通过光谱以及红枣的近似体积实现了红枣品种的快速识别，首先选择最佳二维小波基对二维相关光谱进行多尺度分解并各层分别重构；其次应用NPLS对重构的每一层相关光谱进行建模预测并得到交叉验证的均方根误差；接着通过计算出的权值进行子模型融合；最后通过预测均方根误差和相关系数对多尺度-二维相关光谱模型的结果和性能进行评价。本方法相较于常规模型，显著提升常规拉曼光谱分析模型的精度和可靠性，不仅提挖掘出了样品光谱中新的表征信息，而且避免了信息的丢失，使得拉曼光谱分析更加简单，可靠。

具体实施方式

为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供了一种红枣品种快速鉴定方法，包括如下步骤：

S1、对每一个红枣分别选取上、下、左、右、中5个感兴趣区域的高光谱数据，然后求5个感兴趣区域的平均光谱作为该样本的光谱数据；

S2、经MYD64A1测量光幕对红枣长、宽、高的最大尺寸进行测量，得红枣的近似体积；

S3、采用Kennard-Stone算法对步骤S1采集的光谱进行优选，剔除掉样品光谱中异常样品光谱；

S4、生成步骤S3采集所得光谱的二维相关光谱；

S5、结合二维小波变换和二维相关光谱的特性，选择最佳小波基对二维相关光谱进行二维小波多尺度分解，得二维小波系数；

S6、对步骤S5所得的二维小波系数进行图像重构，然后选择并设定训练集和测试集；

S7、使用训练集的光谱与步骤S2采集的红枣的近似体积，建立基于偏最小二乘法和留一法交叉验证的预测模型，然后将测试集的光谱输入该模型得到预测结果，并得到每个预测模型的交叉验证均方根误差RMSECV；

S8、通过交叉验证均方根误差计算步骤S7所得的预测模型的权值，使用权值将所有的步骤S7所得的预测模型进行模型融合，并计算RMSEP值和相关系数来评价模型传递效果。

其中，所述步骤S4中的二维相关光谱由以下公式生成：

式中：y(v)为输入光谱矩阵，Φ(v1，v2)为生成的同步相关光谱图像矩阵，Ψ(v1，v2)为生成的异步相关光谱图像矩阵。

所述步骤S6中所述的重构是对不同仪器的光谱的分解后的每一层小波系数分别进行重构。

所述步骤S7所述的交叉验证均方根误差为RMSECV，其公式如下：

式中：C_NIR是样品的某一实际属性；C_REF为预测出的样品属性。

所述步骤S6中所述的RMSEP表示模型预测值与红枣的近似体积的偏差，公式如下：

式中：n是测试集样品数，C_NIR是样品的某一实际属性矩阵；C_REF为预测出的样品属性矩阵。

所述步骤S6中所述的相关系数，表示模型预测值与红枣的近似体积之间的相关程度，公式如下：

式中：n是测试集样品数，C_NIR是样品的某一实际属性矩阵；C_REF为预测出的样品属性矩阵。

所述步骤S8所述权值由以下公式获得：

其中，RMSECV_i是第i个子模型交叉验证后的预测均方根误差。

所述步骤S8中所述的模型融合的公式如下：

其中，C_iREF是预测模型的预测结果，m是分解的尺度，C为预测模型融合后的预测结果，即最终的模型传递结果。

本具体实施基于光幕法实现了对红枣长、宽、高的最大尺寸进行测量，并利用其体积差异和光谱数据的差异，实现了红枣品种的快速识别。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种红枣品种快速鉴定方法，其特征在于，包括如下步骤：

S1、对每一个红枣分别选取上、下、左、右、中5个感兴趣区域的高光谱数据，然后求5个感兴趣区域的平均光谱作为该样本的光谱数据；

S2、经MYD64A1测量光幕对红枣长、宽、高的最大尺寸进行测量，得红枣的近似体积；

S3、采用Kennard-Stone算法对步骤S1采集的光谱进行优选，剔除掉样品光谱中异常样品光谱；

S4、生成步骤S3采集所得光谱的二维相关光谱；

S5、结合二维小波变换和二维相关光谱的特性，选择最佳小波基对二维相关光谱进行二维小波多尺度分解，得二维小波系数；

S6、对步骤S5所得的二维小波系数进行图像重构，然后选择并设定训练集和测试集；

S7、使用训练集的光谱与步骤S2采集的红枣的近似体积，建立基于偏最小二乘法和留一法交叉验证的预测模型，然后将测试集的光谱输入该模型得到预测结果，并得到每个预测模型的交叉验证均方根误差RMSECV；

S8、通过交叉验证均方根误差计算步骤S7所得的预测模型的权值，使用权值将所有的步骤S7所得的预测模型进行模型融合，并计算RMSEP值和相关系数来评价模型传递效果。

2.根据权利要求1所述的一种红枣品种快速鉴定方法，其特征在于，所述步骤S4中的二维相关光谱由以下公式生成：

$\mathrm{\Φ}(v_1,v_2)=\frac{1}{m-1}y{\left(v_1\right)}^{T}y\left(v_2\right)$

$\mathrm{\Ψ}(v_1,v_2)=\frac{1}{m-1}y{\left(v_1\right)}^{T}Ny\left(v_2\right)$

式中：y(v)为输入光谱矩阵，Φ(v1，v2)为生成的同步相关光谱图像矩阵，Ψ(v1，v2)为生成的异步相关光谱图像矩阵。

3.根据权利要求1所述的一种红枣品种快速鉴定方法，其特征在于，所述步骤S6中所述的重构是对不同仪器的光谱的分解后的每一层小波系数分别进行重构。

4.根据权利要求1所述的一种红枣品种快速鉴定方法，其特征在于，所述步骤S7所述的交叉验证均方根误差为RMSECV，其公式如下：

$RMSECV=\sqrt{\frac{sum{(C_{NIR}-C_{REF})}^2}{{\mathrm{sumC}}_{REF}^2}}$

式中：C_NIR是样品的某一实际属性；C_REF为预测出的样品属性。

5.根据权利要求1所述的一种红枣品种快速鉴定方法，其特征在于，所述步骤S6中所述的RMSEP表示模型预测值与红枣的近似体积的偏差，公式如下：

$RMSEP=\sqrt{\frac{{\mathrm{\Σ}}_1^n{(C_{NIR}-C_{REF})}^2}{n}}$

式中：n是测试集样品数，C_NIR是样品的某一实际属性矩阵；C_REF为预测出的样品属性矩阵。

6.根据权利要求1所述的一种红枣品种快速鉴定方法，其特征在于，所述步骤S6中所述的相关系数，表示模型预测值与红枣的近似体积之间的相关程度，公式如下：

$R=\frac{{\mathrm{\Σ}}_1^n{C}_{NIR}{C}_{REF}-\frac{{\mathrm{\Σ}}_1^n{C}_{NIR}{\mathrm{\Σ}}_1^n{C}_{REF}}{n}}{\sqrt{({\mathrm{\Σ}}_1^n{C_{NIR}}^2-\frac{{\left({\mathrm{\Σ}}_1^n{C}_{NIR}\right)}^2}{n})({\mathrm{\Σ}}_1^n{C_{NIR}}^2-\frac{{\left({\mathrm{\Σ}}_1^n{C}_{REF}\right)}^2}{n})}}$

式中：n是测试集样品数，C_NIR是样品的某一实际属性矩阵；C_REF为预测出的样品属性矩阵。

7.根据权利要求1所述的一种红枣品种快速鉴定方法，其特征在于，所述步骤S8所述权值由以下公式获得：

$W_i=\frac{{\left(\frac{1}{{\mathrm{RMSECV}}_i}\right)}^2}{{\mathrm{\Σ}}_i^m{\left(\frac{1}{{\mathrm{RMSECV}}_i}\right)}^2}$

其中，RMSECV_i是第i个子模型交叉验证后的预测均方根误差。

8.根据权利要求1所述的一种红枣品种快速鉴定方法，其特征在于，所述步骤S8中所述的模型融合的公式如下：

$C=\underset{i}{\overset{m}{\Σ}}{W}_i\·C_{iREF}$

其中，C_iREF是预测模型的预测结果，m是分解的尺度，C为预测模型融合后的预测结果，即最终的模型传递结果。