CN109030407B

CN109030407B - 一种混合模糊c均值聚类的苹果品种分类方法

Info

Publication number: CN109030407B
Application number: CN201810336476.0A
Authority: CN
Inventors: 武小红; 赵伟佳; 傅海军; 武斌; 陈勇; 戴春霞; 高洪燕
Original assignee: Jiangsu University
Current assignee: Ji'an Jirui Technology Co.,Ltd.
Priority date: 2018-04-16
Filing date: 2018-04-16
Publication date: 2020-12-18
Anticipated expiration: 2038-04-16
Also published as: CN109030407A

Abstract

本发明公开了一种混合模糊C均值聚类的苹果品种分类方法，采集苹果样本的近红外光谱；针对不同品种的苹果样本，用近红外光谱仪采集苹果样本的傅里叶近红外漫反射光谱信息，将光谱信息存储在计算机里；对苹果近红外光谱进行降维处理；将苹果样本近红外光谱采用主成分分析方法(PCA)进行压缩降维处理；用混合模糊C均值聚类方法对苹果品种进行分类处理，根据混合模糊C均值聚类方法得到模糊隶属度，对苹果品种进行分类。能够有效实现对苹果检测速度快，分类准确率高，不造成损坏，提高分类苹果品种分类的准确率，且采用近红外光谱技术实现无损检测。

Description

一种混合模糊C均值聚类的苹果品种分类方法

技术领域

本发明属于水果无损检测技术领域,尤其涉及一种混合模糊C均值聚类的苹果品种分类方法。

背景技术

苹果是人们经常食用的水果之一。苹果果实里富含单糖、矿物质、膳食纤维和各种生活性物质。中国是世界最大的苹果生产国。由于品种，产地，生长环境等因素，苹果的品质存在差异。不同品种的苹果其内部的有机物含量不相同，品质也不相同，优良品种苹果的选择和培育是农业科技人员的重要任务。

近红外光谱技术是利用物质对光的吸收、散射、反射和透射等特性来确定其成分含量的一种非破坏性检测技术。近红外光谱技术具有非破坏性检测，检测速度快，可同时检测多种成分等优点。近红外光谱射向苹果后得到漫反射光谱，在不同品种的苹果上获得的漫反射光谱是不同的，利用这个原理，可以将不同品种的苹果区分开来，即实现不同品种苹果的分类。但是，近红外采集过程中光谱数据易混入噪声信号，这给近红外光谱数据的处理带来一定难度。

模糊C均值聚类(FCM)是一种广泛使用的模糊聚类方法，是一种基于中心的迭代聚类方法。其广泛应用于图像处理，模式识别等领域。但是，模糊C均值聚类存在着对噪声敏感的问题。因为模糊C均值聚类建立在可能性约束条件基础上，模糊C均值聚类使数据点在所有类中的隶属度之和为1。可能性约束条件避免了所有隶属度为0的平凡解，但是造成了模糊C均值聚类对噪声敏感。

发明内容

本发明根据现有技术的不足与缺陷，提出了一种混合模糊C均值聚类的苹果品种分类方法，目的在于实现对苹果的快速检测，分类准确率高，不造成损坏。

采用的技术方案包括以下步骤：

步骤1，采集苹果样本的近红外光谱；针对不同品种的苹果样本，用Antaris II傅里叶红外光谱分析仪采集苹果样本的傅里叶近红外漫反射光谱信息，将光谱信息存储在计算机里；

步骤2，对苹果近红外光谱进行降维处理；将苹果样本近红外光谱采用主成分分析方法(PCA)进行压缩降维处理；

步骤3，用混合模糊C均值聚类方法对苹果品种进行分类处理，根据混合模糊C均值聚类方法得到模糊隶属度，对苹果品种进行分类。

进一步，所述步骤2中用主成分分析方法进行降维时，在满足主成分的累计可信度≥98％条件下选取主成分个数。

进一步，所述步骤3中的一种混合模糊C均值聚类方法如下：

步骤3.1，初始化过程：设置权重指数m(m>1)，类别数c；设置循环计数r的初始值和最大迭代次数为r_max；设置迭代最大误差参数ε；运行模糊C均值聚类得到的模糊隶属度值u_ik,FCM和类中心值v_i,FCM分别作为初始的模糊隶属度值u_ik ⁽⁰⁾和类中心值ν_i ⁽⁰⁾；计算参数γ_i：

上式中，m(m>1)为权重指数，u_ik,FCM为模糊C均值聚类迭代计算终止后得到的模糊隶属度值，v_i,FCM为模糊C均值聚类迭代计算终止后得到的第i(i＝1,2,3,…,c)个类中心值，x_k为第k个苹果测试样本。

步骤3.2，计算第r(r＝1,2,…,r_max)次迭代时的模糊隶属度值u_ik ^(r)：

u_ik是样本x_k隶属于类别i的模糊隶属度值；

v_i是第i(i＝1,2,3,…,c)类的类中心值，ν_i ^(r-1)是第r－1次迭代计算的类中心v_i的值；

v_j是第j(j＝1,2,3,…,c)类的类中心值，ν_j ^(r-1)是第r－1次迭代计算的类中心v_j的值，n为测试样本数；

步骤3.3，计算第r次迭代时的第i类的类中心值ν_i ^(r)

ν_i ^(r)是第r次迭代计算的类中心v_i的值，由c个类中心值组成类中心矩阵V^(r)＝[ν₁ ^(r),ν₂ ^(r),…,ν_c ^(r)]；

步骤3.4，循环计数增加，即r＝r+1；

若满足条件：||V^(r)-V^(r-1)||＜ε或r>r_max则计算终止，否则继续步骤3.2，迭代终止后可得到模糊隶属度值并根据模糊隶属度值实现苹果品种分类。

本发明的有益效果：

1、本发明的一种混合模糊C均值聚类的苹果品种分类方法采用混合模糊C均值聚类方法在聚类近红外光谱数据，因而具有聚类准确率高，聚类速度快；采用近红外光谱技术而具有无损检测的优点。

2、本发明的一种混合模糊C均值聚类采用模糊隶属度计算方法，因而在分类包含噪声数据的近红外光谱数据方面优于模糊C均值聚类(FCM),可快速实现不同品种的苹果的快速和准确鉴别。

附图说明

图1是一种混合模糊C均值聚类的苹果品种分类方法的流程图；

图2是苹果样本的近红外光谱图；

图3是模糊C均值聚类得到的模糊隶属度值u_ik,FCM；

图4是一种混合模糊C均值聚类产生的模糊隶属度值。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，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用于解释本发明，并不用于限定本发明。

因为不同品种苹果，其漫反射近红外光谱也是不同的，本发明的实施流程如图1所示本实施例以红富士，花牛，加纳三种苹果样本进行阐述：

如图1所示，一种混合模糊C均值聚类的苹果品种分类方法，包括以下步骤：

步骤1，采集苹果样本的近红外光谱；取红富士，花牛，加纳三种苹果样本，每种苹果样本50个。苹果样本在温度为20～25℃实验室内存放12小时，Antaris II近红外光谱分析仪开机预热1个小时。采用反射积分球模式采集苹果近红外光谱，近红外光谱分析仪扫描每个样品32次以获取样品的漫反射光谱均值。光谱扫描的波数为10000～4000cm^-1，扫描间隔为3.856cm^-1，采集到每个样品的光谱是1557维的数据。为减少误差，每个苹果样本沿赤道轨迹采样3次，取其平均值作为最终的实验数据。获得150个苹果样本的近红外光谱如图2所示。

步骤2，对苹果近红外光谱进行降维处理；因为前6个主成分累计可信度为100％≥98％，所以采用主成分分析方法将苹果样本近红外光谱进行特征分解得到前6个特征向量v₁,v₂,...,v₆和6个特征值λ₁,λ₂,...,λ₆。每个特征向量都是1557维的数据，λ₁＝1560.8，λ₂＝34.14，λ₃＝7.89，λ₄＝0.97，λ₅＝0.41，λ₆＝0.13。将苹果样本近红外光谱投影到6个特征向量上得到6维的数据，即从1557维压缩到6维。

步骤3，用混合模糊C均值聚类方法对苹果品种进行分类处理，根据混合模糊C均值聚类方法得到模糊隶属度，对苹果品种进行分类；具体过程如下：

3.1，初始化过程：

(i)设置权重指数m＝2，类别数c＝3，样本数n＝150；设置循环计数初始值r＝0和最大迭代次数为r_max＝100；误差ε＝0.00001；

(ii)选取(2)中的6维数据的前3个数据作为模糊C均值聚类的初始类中心init_V：

(iii)运行模糊C均值聚类得到的模糊隶属度值u_ik,FCM和类中心值v_i,FCM分别作为初始的模糊隶属度值u_ik ⁽⁰⁾和类中心值ν_i ⁽⁰⁾；计算参数γ_i：

其中，m(m>1)为权重指数，u_ik,FCM为模糊C均值聚类迭代计算终止后得到的模糊隶属度值，v_i,FCM为模糊C均值聚类迭代计算终止后得到的第i(i＝1,2,3,…,c)个类中心值，c为类别数，x_k为第k个苹果测试样本。

实验结果：模糊C均值聚类得到的模糊隶属度值u_ik,FCM如图3所示，类中心值v_i,FCM为：

v_1,FCM＝[3.8840 -0.1628 -0.0437 0.00248 0.0139 -0.0054]

v_2,FCM＝[-0.2526 0.2855 0.0129 -0.0574 -0.0182 0.0147] (3)

v_3,FCM＝[-3.6648 -0.1522 0.0461 0.0318 0.0068 -0.0095]

参数γ_i为：

γ₁＝1.4463，γ₂＝1.1673，γ₂＝1.2961。

3.2，计算第r(r＝1,2,…,r_max)次迭代时的模糊隶属度值u_ik ^(r)：

其中，u_ik是样本x_k隶属于类别i的模糊隶属度值，u_ik ^(r)是第r次迭代计算的模糊隶属度值；

x_k为第k个样本；v_i是第i(i＝1,2,3,…,c)类的类中心值，ν_i ^(r-1)是第r－1次迭代计算的类中心v_i的值；

v_j是第j(j＝1,2,3,…,c)类的类中心值，ν_j ^(r-1)是第r－1次迭代计算的类中心v_j的值，；n为测试样本数

3.3，计算第r次迭代时的第i类的类中心值ν_i ^(r)

其中，ν_i ^(r)是第r次迭代计算的类中心v_i的值，由c个类中心值组成类中心矩阵

V^(r)＝[ν₁ ^(r),ν₂ ^(r),…,ν_c ^(r)]； (6)

3.4，循环计数增加，即r＝r+1；

若满足条件：(||V^(r)-V^(r-1)||＜ε)或(r>r_max)则计算终止，否则继续步骤B。迭代终止后可得到模糊隶属度值并根据模糊隶属度值实现苹果品种分类。模糊隶属度值如图4所示，根据图4，若u_ik＞0.5则判定样本x_k隶属于类别i；若u_ik＜0.5则判定样本x_k不属于类别i。实验结果：经过r＝36次迭代计算，混合模糊C均值聚类收敛，迭代计算终止，得到的模糊隶属度如图4所示，聚类准确率为93.3％。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims

1.一种混合模糊C均值聚类的苹果品种分类方法,其特征在于，包括以下步骤：

步骤1，采集苹果样本的近红外光谱；

步骤2，对近红外光谱进行降维处理；

步骤3，用混合模糊C均值聚类方法对苹果品种进行分类处理，根据得到模糊隶属度，对苹果品种进行分类；所述步骤3混合模糊C均值聚类方法得到模糊隶属度的具体过程为：

步骤3.1，初始化过程：

设置权重指数m，m>1，类别数c，设置循环计数r的初始值和最大迭代次数为r_max，设置迭代最大误差参数ε，运行模糊C均值聚类得到的模糊隶属度值u_ik,FCM和类中心值v_i,FCM分别作为初始的模糊隶属度值u_ik ⁽⁰⁾和类中心值ν_i ⁽⁰⁾；

步骤3.2，计算第r次迭代时的模糊隶属度值u_ik ^(r)：

其中，u_ik是样本x_k隶属于类别i的模糊隶属度值；n为测试样本数，r＝1,2,…,r_max；参数γ_i：

其中，u_ik,FCM为模糊C均值聚类迭代计算终止后得到的模糊隶属度值，v_i,FCM为模糊C均值聚类迭代计算终止后得到的第i，i＝1,2,3,…,c个类中心值，x_k为第k个苹果测试样本；

其中，v_i是第i类的类中心值，i＝1,2,3,…,c，ν_i ^(r-1)是第r－1次迭代计算的类中心v_i的值；v_j是第j类的类中心值，j＝1,2,3,…,c，ν_j ^(r-1)是第r－1次迭代计算的类中心v_j的值；D_ik为第k个苹果测试样本与第r－1次迭代计算的第i类的类中心之间的欧式距离；D_jk为第k个苹果测试样本与第r－1次迭代计算的第j类的类中心之间的欧式距离；

步骤3.3，计算第r次迭代时的第i类的类中心值ν_i ^(r)

其中，ν_i ^(r)是第r次迭代计算的类中心v_i的值，由c个类中心组成类中心矩阵V^(r)＝[ν₁ ^(r),ν₂ ^(r),…,ν_c ^(r)]；

步骤3.4，循环计数增加，即r＝r+1；

若满足条件：||V^(r)-V^(r-1)||＜ε或r>r_max则计算终止，否则继续步骤3.2，迭代终止后得到模糊隶属度值并根据模糊隶属度值对苹果品种分类。

2.根据权利要求1所述的一种混合模糊C均值聚类的苹果品种分类方法，其特征在于，所述步骤1中采集苹果样本的近红外光谱，用近红外光谱仪采集不同品种苹果样本的傅里叶近红外光谱信息。

3.根据权利要求2所述的一种混合模糊C均值聚类的苹果品种分类方法，其特征在于，所述步骤1所述近红外光谱采用Antaris II傅里叶红外光谱分析仪。

4.根据权利要求1所述的一种混合模糊C均值聚类的苹果品种分类方法，其特征在于，所述步骤2中对苹果样本近红外光谱采用主成分分析方法PCA进行压缩降维处理。

5.根据权利要求4所述的一种混合模糊C均值聚类的苹果品种分类方法，其特征在于，所述步骤2在满足主成分的累计可信度≥98％条件下选取主成分个数。