CN109540836A - 基于bp人工神经网络的近红外光谱糖度检测方法及系统 - Google Patents
基于bp人工神经网络的近红外光谱糖度检测方法及系统 Download PDFInfo
- Publication number
- CN109540836A CN109540836A CN201811459279.4A CN201811459279A CN109540836A CN 109540836 A CN109540836 A CN 109540836A CN 201811459279 A CN201811459279 A CN 201811459279A CN 109540836 A CN109540836 A CN 109540836A
- Authority
- CN
- China
- Prior art keywords
- sample
- pol
- near infrared
- spectrum
- neural network
- 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.)
- Pending
Links
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000001228 spectrum Methods 0.000 claims abstract description 35
- 238000002835 absorbance Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 11
- 239000000126 substance Substances 0.000 claims abstract description 10
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 8
- 239000000039 congener Substances 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 7
- 230000007547 defect Effects 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 claims description 3
- 235000015203 fruit juice Nutrition 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 241000220225 Malus Species 0.000 description 29
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- CVOFKRWYWCSDMA-UHFFFAOYSA-N 2-chloro-n-(2,6-diethylphenyl)-n-(methoxymethyl)acetamide;2,6-dinitro-n,n-dipropyl-4-(trifluoromethyl)aniline Chemical compound CCC1=CC=CC(CC)=C1N(COC)C(=O)CCl.CCCN(CCC)C1=C([N+]([O-])=O)C=C(C(F)(F)F)C=C1[N+]([O-])=O CVOFKRWYWCSDMA-UHFFFAOYSA-N 0.000 description 1
- 235000007926 Craterellus fallax Nutrition 0.000 description 1
- 240000007175 Datura inoxia Species 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000004448 titration Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本公开提供了一种基于BP人工神经网络的近红外光谱糖度检测方法及系统,选取一定的同种类的水果,组成样本集,选取建模样本,将样本集随机分为校正集和预测集;采集所有校正集和预测集样本的原始近红外光谱,对光谱进行等区间划分,对各区间吸光度分别求和;利用化学分析法测定样本中糖度的含量;建立近红外光谱定量分析模型,使用BP神经网络构建校正集样本糖度含量与近红外特征光谱之间的定量校正模型;近红外定量分析模型测定预测集样本的糖度含量,将预测集样品的近红外光谱信息数据输入所述校正模型,得到预测集样本的糖度含量。
Description
技术领域
本公开涉及一种基于BP人工神经网络的近红外光谱糖度检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着人们生活水平的不断提高,消费者对于鲜食水果不仅局限于注重大小、颜色、外型等外部品质,更加注重的是如糖度等相关的内部品质。因此,在新形势下,提升水果产业市场竞争力势在必行。生产者在大力推广优良品种和采用优质高产高效栽培技术的同时更应注重产后商品化处理,建立健全苹果质量全程控制体系,全面提高苹果品质、安全水平和商品档次。
在目前的形势下,增加水果附加值和提升市场竞争力与快速的果品品质检测密切相关。利用苹果品质近红外在线无损检测技术不仅能提高苹果产后商品化水平和市场竞争力,同时还能储备掌握近红外无损快速检测关键技术的人才,为其他地方优势农产品产后检测分级奠定人才基础。
近红外光谱检测过程具有省时简单、不用破坏和浪费样品、分析速度快、成本低、结果重现性好等特点,是一种快速、方便和无损坏的检测方法;但也存在着难以实现定量的分析、检测信噪比低等缺点。该技术需要与化学计量学结合,其中常用的化学计量学技术主要有多元线性回归、主成分回归、偏最小二乘回归和神经网络等。
发明内容
本公开为了解决上述问题,提出了一种基于BP人工神经网络的近红外光谱糖度检测方法及系统,本公开能够对水果的内部品质理化指标,糖度进行检测。
根据一些实施例,本公开采用如下技术方案:
一种基于BP人工神经网络的近红外光谱糖度检测方法,包括以下步骤:
(1)选取一定的同种类的水果,组成样本集,选取建模样本,将样本集随机分为校正集和预测集;
(2)采集所有校正集和预测集样本的原始近红外光谱,对光谱进行等区间划分,对各区间吸光度分别求和;
(3)利用化学分析法测定样本中糖度的含量;
(4)建立近红外光谱定量分析模型,使用BP神经网络构建校正集样本糖度含量与近红外特征光谱之间的定量校正模型;
(5)近红外定量分析模型测定预测集样本的糖度含量,将预测集样品的近红外光谱信息数据输入所述校正模型,得到预测集样本的糖度含量。
作为进一步的限定,所述步骤(2)中,利用近红外光谱仪进行近红外光谱的采集,测定范围4000-10000cm-1,分年率8cm-1,扫描多次取平均,使用InGaAs检测器,以内置背景为参照。
作为进一步的限定,所述步骤(2)中,待样品放置至室温后,利用积分球漫反射系统,将样品置于光谱仪的样品池光孔处进行扫描,每个样品采集赤道均匀分布的n个部位,n为大于等于1的整数,且该部位需要避免明显的表面缺陷,n条光谱的平均值作为样品原始光谱。
作为进一步的限定,所述步骤(2)中,对样品原始光谱利用基线校正、平滑方法、一阶微分、二阶微分、多元散射校正方法或标准正态变换方法进行预处理。
作为进一步的限定,所述步骤(3)中,将光谱测量时做标记的部位用刀剜下,挤出果汁,利用糖度折光仪测量糖度。
作为进一步的限定,所述步骤(4)中,采用校正集样本,利用得到的吸光度之和作为建模的输入量,将化学分析法测定的糖度含量作为标准值,作为建模的输出量,利用处理后的近红外光谱建立近红外定量分析模型。
作为进一步的限定,所述步骤(4)中,光谱图的波数范围为4000-10000cm-1,包含M个数据点,将整个光谱均分为N个子区间,每个子区间有M/N个数据点,M/N为取整后的数据,每个子区间对应吸光度进行求和。
作为进一步的限定,所述步骤(5)中,利用BP人工神经网络,对SSC进行预测,实现算法如下:
a)将各节点间的连接权值赋为均匀分布的小于设定值的随机数;
b)将训练样本中的各输入向量和对应的目标输出加载到相应的网络输入层节点;
c)通过网络的前向传播过程,计算从第一层开始的各层内每个节点的输出,直到输出层的每个节点的输出计算完为止;
d)由网络的实际输出和目标输出值之差计算输出层每个节点的误差值;
e)按照误差反向传播原理逐层反向计算各层节点的误差;
f)利用修正的算法修正所有节点间的连接权值;
g)重复第b)到g)直到网络输出误差小于一个设定值为止。
作为进一步的限定,所述步骤(5)中,对整个光谱均分为m个子区间,每个子区间的吸光度进行求和,然后对求和后的数据进行归一化,目的是将量纲不一、范围不同的变量表达为0~1内的数据,BP神经网络的输出为糖度。
一种基于BP人工神经网络的近红外光谱糖度检测系统,运行于处理器或存储器上,被配置为执行以下指令:
(1)选取建模样本,将样本集随机分为校正集和预测集;
(2)采集所有校正集和预测集样本的原始近红外光谱,对光谱进行等区间划分,对各区间吸光度分别求和;
(3)利用化学分析法测定样本中糖度的含量;
(4)建立近红外光谱定量分析模型,使用BP神经网络构建校正集样本糖度含量与近红外特征光谱之间的定量校正模型;
(5)近红外定量分析模型测定预测集样本的糖度含量,将预测集样品的近红外光谱信息数据输入所述校正模型,得到预测集样本的糖度含量。
与现有技术相比,本公开的有益效果为:
本公开利用多元散射校正预处理方法,对原始光谱数据进行处理,有效地去除了高频随机噪声以及样本不均导致的基线漂移影响,消除光程及颗粒大小差异引起的基线漂移,保留有效信息,滤除噪声。同时,利用等分区间法对BP人工神经网络输入因子进行处理,在保证信息不丢失的情况下,降低了BP人工神经网络的输入因子个数,有效解决了利用BP人工神经网络进行预测时,输入因子过多,运算复杂,预测结果准确性不高的问题。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为苹果近红外原始光谱图;
图2为基于BP人工神经网络的苹果糖度含量的预测方法流程图;
图3为BP人工神经网络的流程图;
图4为苹果糖度BP神经网络模型的预测值与实际值的相关关系。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本公开各部件或元件结构关系而确定的关系词,并非特指本公开中任一部件或元件,不能理解为对本公开的限制。
本公开中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本公开中的具体含义,不能理解为对本公开的限制。
本公开以苹果为例进行说明。
一种基于BP人工神经网络的近红外光谱苹果糖度检测方法,可无损检测苹果糖度含量,包括下述步骤:
(1)物料准备,选取一定数量的同一种类苹果,组成样本集;
(2)选取建模样本,按照3:1的比例,将样本随机分为校正集和预测集;
(3)采集所有校正集和预测集样本的原始近红外光谱;
(4)利用化学分析法测定苹果样本中糖度的含量;
(5)对步骤(3)中采集到的原始近红外光谱进行预处理;
(6)对步骤(5)中预处理后的光谱进行等区间划分,对各区间吸光度分别求和;
(7)建立近红外光谱定量分析模型,使用BP神经网络构建校正集样本糖度含量与近红外特征光谱之间的定量校正模型,用于未知样本中糖度含量的预测。采用校正集样本,步骤(6)中得到的吸光度之和作为建模的输入量,步骤(4)中的糖度含量作为标准值,作为建模的输出量,利用处理后的近红外光谱建立近红外定量分析模型;
(8)近红外定量分析模型测定预测集样本的糖度含量,将预测集样品的近红外光谱信息数据输入所述步骤(7)的校正模型,得到预测集样本的糖度含量。
步骤(1)中,以市售烟台栖霞红富士品种苹果为例,具体步骤为:
选用市售烟台栖霞红富士品种苹果组成样本集。
步骤(3)中,具体步骤为:采用美国赛默飞世尔(Thermo Fisher)公司生产的Antaris Ⅱ傅里叶变换型近红外光谱仪。其测定范围4000-10000cm-1,分年率8cm-1,扫描次数32次取平均,使用InGaAs检测器,以内置背景为参照。待样品放置至室温(20度)后,利用积分球漫反射系统,将样品置于光谱仪的样品池光孔处进行扫描,每个样品采集赤道均匀分布的3个部位,避免明显的表面缺陷,3条光谱的平均值作为样品原始光谱。
步骤(4)中,具体步骤为:
将光谱测量时做标记的部位用刀剜下,挤出果汁,利用糖度折光仪测量糖度。测完一个样本后,将折光仪测试部位用清水洗净,并用纸巾拭干,进行下一样本糖度的测量。
苹果中的糖度,是苹果的主要营养成分,根据糖度在溶液中所占比重换算为含糖的百分数,单位为°Brix。糖度含量的化学测定是由手持式折光仪测定而得,精度为0.1°,有ATC自动温度补偿性。
步骤(5)中,具体步骤为:
预处理方法为基线校正,平滑方法,一阶微分,二阶微分,多元散射校正方法,标准正态变换方法。
步骤(6)中,具体步骤为:
光谱图的波数范围为4000-10000cm-1,包含1557个数据点,将整个光谱均分为N个子区间,每个子区间有1557/N(四舍五入)个数据点,每个子区间对应吸光度进行求和。
步骤(7)和(8)中,具体步骤为:
利用BP人工神经网络,对SSC进行预测,实现算法如下:
1)将各节点间的连接权值赋为均匀分布的较小的随机数;
2)将训练样本中的各输入向量和对应的目标输出加载到相应的网络输入层节点;
3)通过网络的前向传播过程,计算从第一层开始的各层内每个节点的输出,直到输出层的每个节点的输出计算完为止;
4)由网络的实际输出和目标输出值之差计算输出层每个节点的误差值;
5)按照误差反向传播原理逐层反向计算各层节点的误差;
6)利用修正的算法修正所有节点间的连接权值;
7)重复第2)到7)直到网络输出误差小于一个设定值为止。
BP网络的参数设定:网络训练中的传递函数为logsig,训练函数为traingdx,学习函数为learngdm,迭代次数为2000,网络学习速率为0.01。
为了减少输入变量,提高预测精度,对整个光谱均分为n(1-20)个子区间,每个子区间的吸光度进行求和,然后对求和后的数据进行归一化,目的是将量纲不一、范围不同的变量表达为0~1内的数据。BP网络的输出为苹果糖度。
归一化公式如下
其中,是子区间数,是第i个子区间的吸光度之和。
而且要对建立的模型进行优化,模型优化性能评价指标为:相关系数R及预测均方根偏差RMSE,当R值越接近1,RMSE值越小,回归或预测结果越好。其公式如下:
其中,是预测集样本数;是第i个样本的实际值;是第i个样本的预测值;是实际样本的平均值。
作为具体的实例,基于BP人工神经网络的苹果糖度含量的检测方法,包括下述步骤:
1)材料选用当年同一时期采摘的苹果,产自烟台栖霞,为丰富样本的代表性,统一选用表面无明显缺陷、色泽统一的苹果样本,共300个作为总样本,其中随机挑选225个作为校正集样本,另外75个作为预测集样本。实验前将苹果置于实验室8h(20度),在20度下开启近红外光谱仪预热30min,将准备好的苹果样品置于光谱仪的样品池光孔处进行扫描,每个样品采集赤道对称均匀共3个部位,避免明显的表面缺陷,3条光谱的平均值作为样品光谱。取光谱中的吸光度作为光谱信息数据,用于构建苹果中糖度含量模型使用;
2)在强光下对折光仪进行调零校准,然后在近红外光照射的位置依次挖取果肉,混合研磨,取汁液滴至光镜,盖上盖片后,对准强光进行读数并记录结果,依次对每个苹果进行3次滴定测量,记录读数结果,取三次的平均值作为该苹果的最终糖度含量结果;
经便携式RHB-080型手持折光糖度仪测得的300个苹果样本的糖度含量统计结果如表1所示。
表1苹果总样本糖度含量统计表
3)对所述步骤1)所得样本光谱进行平滑处理以及多元散射校正;
4)对所述步骤3)所得处理后光谱均分为16个子区间,然后对每个子区间对应吸光度进行求和,然后做归一化处理,以此作为神经网络的输入,此时BP网络结构为16-30-1;
5)建立近红外光谱定量分析模型,使用BP神经网络构建校正集样本糖度含量与近红外特征光谱之间的定量校正模型,用于未知样本中糖度含量的预测。将步骤4)中得到的校正集样本的吸光度之和作为建模的输入量,步骤2)中的校正集样本糖度含量作为标准值,作为建模的输出量,利用处理后的近红外光谱建立近红外定量分析模型;
6)利用建立的近红外定量分析模型测定预测集样本的糖度含量,将预测集样品的近红外光谱信息数据输入所述步骤5)的校正模型,得到预测集样本的糖度含量,预测结果如图4所示,其中建模集R=0.9324,RMSE=0.3934。本发明提供的检测方法,具有分析速度快、无损、不使用任何化学试剂、分析成本低、且对环境无任何污染等优点,可为苹果品质分析提供可靠依据。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于BP人工神经网络的近红外光谱糖度检测方法,其特征是:包括以下步骤:
(1)选取一定的同种类的水果,组成样本集,选取建模样本,将样本集随机分为校正集和预测集;
(2)采集所有校正集和预测集样本的原始近红外光谱,对光谱进行等区间划分,对各区间吸光度分别求和;
(3)利用化学分析法测定样本中糖度的含量;
(4)建立近红外光谱定量分析模型,使用BP神经网络构建校正集样本糖度含量与近红外特征光谱之间的定量校正模型;
(5)近红外定量分析模型测定预测集样本的糖度含量,将预测集样品的近红外光谱信息数据输入所述校正模型,得到预测集样本的糖度含量。
2.如权利要求1所述的一种基于BP人工神经网络的近红外光谱糖度检测方法,其特征是:所述步骤(2)中,利用近红外光谱仪进行近红外光谱的采集,测定范围4000-10000cm-1,分年率8cm-1,扫描多次取平均,使用InGaAs检测器,以内置背景为参照。
3.如权利要求1所述的一种基于BP人工神经网络的近红外光谱糖度检测方法,其特征是:所述步骤(2)中,待样品放置至室温后,利用积分球漫反射系统,将样品置于光谱仪的样品池光孔处进行扫描,每个样品采集赤道均匀分布的n个部位,n为大于等于1的整数,且该部位需要避免明显的表面缺陷,n条光谱的平均值作为样品原始光谱。
4.如权利要求1所述的一种基于BP人工神经网络的近红外光谱糖度检测方法,其特征是:所述步骤(2)中,对样品原始光谱利用基线校正、平滑方法、一阶微分、二阶微分、多元散射校正方法或标准正态变换方法进行预处理。
5.如权利要求1所述的一种基于BP人工神经网络的近红外光谱糖度检测方法,其特征是:所述步骤(3)中,将光谱测量时做标记的部位用刀剜下,挤出果汁,利用糖度折光仪测量糖度。
6.如权利要求1所述的一种基于BP人工神经网络的近红外光谱糖度检测方法,其特征是:所述步骤(4)中,采用校正集样本,利用得到的吸光度之和作为建模的输入量,将化学分析法测定的糖度含量作为标准值,作为建模的输出量,利用处理后的近红外光谱建立近红外定量分析模型。
7.如权利要求1所述的一种基于BP人工神经网络的近红外光谱糖度检测方法,其特征是:所述步骤(4)中,光谱图的波数范围为4000-10000cm-1,包含M个数据点,将整个光谱均分为N个子区间,每个子区间有M/N个数据点,M/N为取整后的数据,每个子区间对应吸光度进行求和。
8.如权利要求1所述的一种基于BP人工神经网络的近红外光谱糖度检测方法,其特征是:所述步骤(5)中,利用BP人工神经网络,对SSC进行预测,实现算法如下:
a)将各节点间的连接权值赋为均匀分布的小于设定值的随机数;
b)将训练样本中的各输入向量和对应的目标输出加载到相应的网络输入层节点;
c)通过网络的前向传播过程,计算从第一层开始的各层内每个节点的输出,直到输出层的每个节点的输出计算完为止;
d)由网络的实际输出和目标输出值之差计算输出层每个节点的误差值;
e)按照误差反向传播原理逐层反向计算各层节点的误差;
f)利用修正的算法修正所有节点间的连接权值;
g)重复第b)到g)直到网络输出误差小于一个设定值为止。
9.如权利要求1所述的一种基于BP人工神经网络的近红外光谱糖度检测方法,其特征是:所述步骤(5)中,对整个光谱均分为m个子区间,每个子区间的吸光度进行求和,然后对求和后的数据进行归一化,目的是将量纲不一、范围不同的变量表达为0~1内的数据,BP神经网络的输出为糖度。
10.一种基于BP人工神经网络的近红外光谱糖度检测系统,其特征是:运行于处理器或存储器上,被配置为执行以下指令:
(1)选取建模样本,将样本集随机分为校正集和预测集;
(2)采集所有校正集和预测集样本的原始近红外光谱,对光谱进行等区间划分,对各区间吸光度分别求和;
(3)利用化学分析法测定样本中糖度的含量;
(4)建立近红外光谱定量分析模型,使用BP神经网络构建校正集样本糖度含量与近红外特征光谱之间的定量校正模型;
(5)近红外定量分析模型测定预测集样本的糖度含量,将预测集样品的近红外光谱信息数据输入所述校正模型,得到预测集样本的糖度含量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811459279.4A CN109540836A (zh) | 2018-11-30 | 2018-11-30 | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811459279.4A CN109540836A (zh) | 2018-11-30 | 2018-11-30 | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109540836A true CN109540836A (zh) | 2019-03-29 |
Family
ID=65851829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811459279.4A Pending CN109540836A (zh) | 2018-11-30 | 2018-11-30 | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109540836A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111370075A (zh) * | 2020-03-04 | 2020-07-03 | 广东博智林机器人有限公司 | 糖分含量的检测方法 |
CN111389753A (zh) * | 2020-03-17 | 2020-07-10 | 南开大学 | 一种可远程智慧监控的plc果蔬智能分选系统 |
CN111474137A (zh) * | 2020-04-27 | 2020-07-31 | 无锡雪浪数制科技有限公司 | 一种基于卷积神经网络的柑橘糖度无损检测方法 |
CN112858209A (zh) * | 2019-11-27 | 2021-05-28 | 国能生物发电集团有限公司 | 基于红外光谱主成分和神经网络的生物质氮含量测量与建模方法 |
CN113607681A (zh) * | 2021-07-19 | 2021-11-05 | 黑龙江八一农垦大学 | 杏鲍菇菌丝体检测方法、装置、电子设备及存储介质 |
CN113724803A (zh) * | 2021-09-02 | 2021-11-30 | 四川启睿克科技有限公司 | 一种有效提升酒糟样品预测准确率的方法 |
WO2023207453A1 (zh) * | 2022-04-28 | 2023-11-02 | 山东大学 | 一种基于光谱聚类的中药成分分析方法及系统 |
CN117171566A (zh) * | 2022-08-17 | 2023-12-05 | 无锡迅杰光远科技有限公司 | 样品含量识别方法、装置和存储介质 |
CN117470804A (zh) * | 2023-11-03 | 2024-01-30 | 北京翼新数智科技有限公司 | 一种基于ai算法的糖类产品近红外检测方法及系统 |
CN117171566B (zh) * | 2022-08-17 | 2024-05-10 | 无锡迅杰光远科技有限公司 | 样品含量识别方法、装置和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807228A (zh) * | 2010-03-12 | 2010-08-18 | 江苏大学 | 基于模拟退火算法的近红外光谱波长子区间选择方法 |
CN101832909A (zh) * | 2010-03-12 | 2010-09-15 | 江苏大学 | 基于模拟退火-遗传算法近红外光谱特征子区间选择方法 |
CN104020135A (zh) * | 2014-06-18 | 2014-09-03 | 中国科学院重庆绿色智能技术研究院 | 基于近红外光谱的校正模型建模方法 |
CN104931453A (zh) * | 2015-06-12 | 2015-09-23 | 湖北省农业科学院果树茶叶研究所 | 一种基于近红外光谱技术预测绿茶摊青叶含水量的方法 |
CN105044024A (zh) * | 2015-08-31 | 2015-11-11 | 安徽农业大学 | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 |
CN106769970A (zh) * | 2016-12-07 | 2017-05-31 | 甘肃萃英大农科技有限公司 | 一种快速无损检测苹果的品种、糖度和酸度的方法 |
CN107064047A (zh) * | 2017-03-02 | 2017-08-18 | 兰州大学 | 一种基于近红外光谱的富士苹果品质无损检测方法 |
CN107290299A (zh) * | 2017-04-24 | 2017-10-24 | 甘肃萃英大农科技有限公司 | 一种用于桃的糖度和酸度实时无损检测方法 |
CN108304970A (zh) * | 2018-02-05 | 2018-07-20 | 西北农林科技大学 | 苹果贮藏期的快速预测方法及系统、气调贮藏监控系统 |
-
2018
- 2018-11-30 CN CN201811459279.4A patent/CN109540836A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807228A (zh) * | 2010-03-12 | 2010-08-18 | 江苏大学 | 基于模拟退火算法的近红外光谱波长子区间选择方法 |
CN101832909A (zh) * | 2010-03-12 | 2010-09-15 | 江苏大学 | 基于模拟退火-遗传算法近红外光谱特征子区间选择方法 |
CN104020135A (zh) * | 2014-06-18 | 2014-09-03 | 中国科学院重庆绿色智能技术研究院 | 基于近红外光谱的校正模型建模方法 |
CN104931453A (zh) * | 2015-06-12 | 2015-09-23 | 湖北省农业科学院果树茶叶研究所 | 一种基于近红外光谱技术预测绿茶摊青叶含水量的方法 |
CN105044024A (zh) * | 2015-08-31 | 2015-11-11 | 安徽农业大学 | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 |
CN106769970A (zh) * | 2016-12-07 | 2017-05-31 | 甘肃萃英大农科技有限公司 | 一种快速无损检测苹果的品种、糖度和酸度的方法 |
CN107064047A (zh) * | 2017-03-02 | 2017-08-18 | 兰州大学 | 一种基于近红外光谱的富士苹果品质无损检测方法 |
CN107290299A (zh) * | 2017-04-24 | 2017-10-24 | 甘肃萃英大农科技有限公司 | 一种用于桃的糖度和酸度实时无损检测方法 |
CN108304970A (zh) * | 2018-02-05 | 2018-07-20 | 西北农林科技大学 | 苹果贮藏期的快速预测方法及系统、气调贮藏监控系统 |
Non-Patent Citations (3)
Title |
---|
XIAOXU LI.ET: "Analysis for Near Infrared Spectra of Appele Soluble Solids Content Based on BP Neural Network", 《PROCEEDINGS OF THE 37TH CHINESE CONTROL CONFERENCE》 * |
孙俊: "《光谱技术在农作物 农产品信息无损检测中的应用[M]》", 31 December 2017 * |
李志等: "《油田难采储量分类与评价方法研究》", 31 December 2013 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112858209A (zh) * | 2019-11-27 | 2021-05-28 | 国能生物发电集团有限公司 | 基于红外光谱主成分和神经网络的生物质氮含量测量与建模方法 |
CN111370075A (zh) * | 2020-03-04 | 2020-07-03 | 广东博智林机器人有限公司 | 糖分含量的检测方法 |
CN111370075B (zh) * | 2020-03-04 | 2023-02-03 | 广东博智林机器人有限公司 | 糖分含量的检测方法 |
CN111389753A (zh) * | 2020-03-17 | 2020-07-10 | 南开大学 | 一种可远程智慧监控的plc果蔬智能分选系统 |
CN111474137A (zh) * | 2020-04-27 | 2020-07-31 | 无锡雪浪数制科技有限公司 | 一种基于卷积神经网络的柑橘糖度无损检测方法 |
CN113607681A (zh) * | 2021-07-19 | 2021-11-05 | 黑龙江八一农垦大学 | 杏鲍菇菌丝体检测方法、装置、电子设备及存储介质 |
CN113724803A (zh) * | 2021-09-02 | 2021-11-30 | 四川启睿克科技有限公司 | 一种有效提升酒糟样品预测准确率的方法 |
CN113724803B (zh) * | 2021-09-02 | 2024-03-12 | 四川启睿克科技有限公司 | 一种有效提升酒糟样品预测准确率的方法 |
WO2023207453A1 (zh) * | 2022-04-28 | 2023-11-02 | 山东大学 | 一种基于光谱聚类的中药成分分析方法及系统 |
CN117171566A (zh) * | 2022-08-17 | 2023-12-05 | 无锡迅杰光远科技有限公司 | 样品含量识别方法、装置和存储介质 |
CN117171566B (zh) * | 2022-08-17 | 2024-05-10 | 无锡迅杰光远科技有限公司 | 样品含量识别方法、装置和存储介质 |
CN117470804A (zh) * | 2023-11-03 | 2024-01-30 | 北京翼新数智科技有限公司 | 一种基于ai算法的糖类产品近红外检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109540836A (zh) | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 | |
Ali et al. | Estimating leaf functional traits by inversion of PROSPECT: Assessing leaf dry matter content and specific leaf area in mixed mountainous forest | |
Mouazen et al. | Comparison among principal component, partial least squares and back propagation neural network analyses for accuracy of measurement of selected soil properties with visible and near infrared spectroscopy | |
CN103235095B (zh) | 注水肉检测方法和装置 | |
CN107271382A (zh) | 一种不同生育期油菜叶片spad值遥感估算方法 | |
CN106841103A (zh) | 近红外光谱检测水果内部品质方法及专用检测系统 | |
CN108875913A (zh) | 一种基于卷积神经网络的松茸快速无损检测系统及方法 | |
CN110455722A (zh) | 橡胶树叶片磷含量高光谱反演方法和系统 | |
CN107064047A (zh) | 一种基于近红外光谱的富士苹果品质无损检测方法 | |
CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
CN101446548A (zh) | 基于响应量转换实现牛奶成分测量的装置及方法 | |
Sun et al. | An artificial neural network model for accurate and efficient optical property mapping from spatial-frequency domain images | |
CN106950192A (zh) | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 | |
CN104778349B (zh) | 一种用于水稻表土氮肥施用等级评定方法 | |
Chen et al. | Quantitative analysis of soil nutrition based on FT-NIR spectroscopy integrated with BP neural deep learning | |
CN106290240A (zh) | 一种基于近红外光谱分析技术对酵母菌生长曲线测定的方法 | |
Wang et al. | Onsite nutritional diagnosis of tea plants using micro near-infrared spectrometer coupled with chemometrics | |
Si et al. | Quality assessment of fruits and vegetables based on spatially resolved spectroscopy: A review | |
Huang et al. | Assessment of tomato maturity in different layers by spatially resolved spectroscopy | |
CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
Wang et al. | General model of multi-quality detection for apple from different origins by Vis/NIR transmittance spectroscopy | |
Xu et al. | Nondestructive detection of total soluble solids in grapes using VMD‐RC and hyperspectral imaging | |
CN102313715A (zh) | 基于激光技术的蜂蜜品质检测方法 | |
CN109961179A (zh) | 一种水产品品质检测方法及便携式拉曼装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190329 |