CN110517326B - 一种基于权重蜻蜓算法的比色传感器阵列优化方法 - Google Patents

一种基于权重蜻蜓算法的比色传感器阵列优化方法 Download PDF

Info

Publication number
CN110517326B
CN110517326B CN201910676177.6A CN201910676177A CN110517326B CN 110517326 B CN110517326 B CN 110517326B CN 201910676177 A CN201910676177 A CN 201910676177A CN 110517326 B CN110517326 B CN 110517326B
Authority
CN
China
Prior art keywords
dragonfly
sensor array
colorimetric sensor
weight
image
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.)
Active
Application number
CN201910676177.6A
Other languages
English (en)
Other versions
CN110517326A (zh
Inventor
江辉
许唯栋
陈全胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201910676177.6A priority Critical patent/CN110517326B/zh
Publication of CN110517326A publication Critical patent/CN110517326A/zh
Application granted granted Critical
Publication of CN110517326B publication Critical patent/CN110517326B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
    • G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
    • G01N21/78—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Plasma & Fusion (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明公开了一种基于权重蜻蜓算法的比色传感器阵列优化方法，包括以下步骤：对反应前后的图像进行预处理，并从预处理后的差值图像中提取每个色敏斑点的颜色特征值，假设初步制备的比色传感器阵列有p个色敏斑点，则获取的比色传感器阵列的颜色特征变量为3p个；然后设计改进权重蜻蜓算法，优化提取的3p个颜色特征变量，选择筛选变量累积频次超过运行次数1/3或1/2以上的变量作为特征分量，根据特征分量对应的色敏材料，制备性价比更高的比色传感器阵列，本发明基于传统的DA存在的不足，引入权重的概念，即根据个体性能的优劣赋予不同的权重进入下一轮的优化迭代，最终确定出最佳的变量组合。

Description

一种基于权重蜻蜓算法的比色传感器阵列优化方法
技术领域
本发明涉及一种比色传感器阵列优化方法，属于传感器制备领域。
背景技术
比色传感器阵列是由Kenneth S.Suslick教授课题组于2000年提出的一种新型的电子鼻技术。该技术是将色敏材料固定于基底材料上构建比色传感器，比色传感器与待测样品产生的挥发性有机物发生显色化学效应来实现气味信息的“可视化”，以图像的方式直观地呈现待测样品的气味信息。与MOS型电子鼻技术相比，比色传感器阵列在气体检测方面更加灵敏、稳定。此外，疏水性基底材料的使用，使其能不受工作环境中湿度的影响。
目前，比色传感器技术已在食品品质分析、发酵过程检测等领域得以成功应用。但传感器阵列的制备大多是利用人工经验或通过实验尝试的方法从众多色敏材料中选择几个合适的材料来制备比色传感器阵列。这种方式制备的传感器阵列的性能受人为因素影响较大，具有一定的随机性。
发明内容
为了克服现有的比色传感器阵列制备过程人为主观因素的影响，本发明提出了一种基于权重蜻蜓算法的比色传感器阵列优化方法，该方法可更加科学的从众多色敏材料中筛选出符合待测对象的特征材料，以制备性价比更高的比色传感器阵列。
本发明提出一种基于权重蜻蜓算法比色传感器阵列优化方法，以排除比色传感器阵列制备过程人为因素的干扰，使得到的传感器阵列性能更加，并可在保证检测精度的前提下降低传感器阵列的制备成本。
为了实现以上目的，本发明的具体步骤为：
步骤1、对反应前后的图像进行预处理，并从预处理后的差值图像中提取每个色敏斑点的颜色特征(即，R、G、B)值。假设初步制备的比色传感器阵列有p个色敏斑点，则获取的比色传感器阵列的颜色特征变量为3p个。
步骤2、设计权重蜻蜓算法(weighted dragonfly algorithm,WDA)，优化提取的3p个颜色特征变量。选择筛选变量累积频次超过运行次数1/3或1/2以上的变量作为特征分量，根据特征分量对应的色敏材料，制备性价比更高的比色传感器阵列。
进一步，步骤1中所述预处理，其具体步骤如下：
①对采集到的图像用均值滤波法消除白噪声，设置均值滤波处理的模板大小为N×N，则二维均值滤波输出为：
Figure BDA0002143359840000021
式中，(x,y)表示需要处理像素点的坐标，f(x，y)，g(x，y)分别代表为原始图像和处理后图像，W为二维模板(一般取3×3)，即每一个像素点的灰度值设置为该点邻域窗口内的所有像素点灰度值的中值。
②利用阈值分割法将均值滤波去噪后图像中的每个像素点和设置的阈值(记为T)进行比较，将图像二值化。根据比较的结果把该像素划分为两类，即前景和背景。本发明采用的阈值分割法为最大类间方差法。
设图像中灰度为i的像素数为ni，灰度范围是[0,255]，则总的像素数为：
Figure BDA0002143359840000022
各灰度值出现概率为：
Figure BDA0002143359840000023
对于Pi，需满足
Figure BDA0002143359840000024
把图中的像素用阈值T分为两类C0和C1，C0由灰度值在[0,T-1]的像素组成，C1由灰度值在[T,255]的像素组成。T为变量，则区域C0和C1的概率分别为：
Figure BDA0002143359840000025
Figure BDA0002143359840000026
区域C0和C1的平均灰度分别为：
Figure BDA0002143359840000027
Figure BDA0002143359840000028
式中，μ(T)是整幅图像的平均灰度：
Figure BDA0002143359840000029
区域C0和C1的总方差为：
Figure BDA00021433598400000210
让T在[0,255]范围内依次取值，使
Figure BDA00021433598400000211
最大的T值便是最佳区域分割阈值。
③对步骤②处理后的图像A使用形态学处理，构造半径为3的圆形结构元素U。对二值化后的图像进行一次开运算
Figure BDA0002143359840000031
和闭运算
Figure BDA0002143359840000032
开运算使图像的轮廓变得光滑，断开狭窄的连接和消除细毛刺；闭运算同样使轮廓变得光滑，但与开运算相反，它通常能够弥合狭窄的间断，填充小的孔洞。
④首先，设置面积阈值为40，消除二值图像中面积过小，肯定不是填充区域的区域，识别出比色传感器阵列图。然后，构造模板大小Disk＝31的圆形结构区域，设定裁剪区域大小为Disk＝31，区域中心为(Disk+1)/2此时圆形结构区域的中心为(Disk+1)/2，搜索比色传感器阵列图像，找出所有阵列点并对其进行裁剪。随后最后，计算出每个阵列点100个像素的R、G、B均值以及中心位置，求出反应前和反应后比色传感器图像中每个阵列点阵列的均值、做差并标准化到0-255之间，最后生成特征差值图像。
进一步，步骤2中所述WDA是一种针对传统蜻蜓算法(dragonfly algorithm,DA)的改进，在DA参数更新迭代过程中创造性引入权重算子，并根据每次迭代后建立的PLS模型会对系数自动更新权重算子。改进后的WDA对相对重要的变量给予更多的关注，相比于传统的DA，WDA可更加有效的压缩变量空间，其具体实现过程如下：
假设实验获得样本个数为NS，每个样本的变量个数为3p，则原始样本空间数据维度为NS×3p。
①初始化蜻蜓算法参数设置。蜻蜓的个数(即变量数)为M，M＝10％×3p。随机初始化蜻蜓初始位置X、初始位置变化步长化△X。设置蜻蜓最大迭代次数T，一般设置为1000。
②对第一迭代初始化的M个变量进行个体评价。这一步中，对M个选中的变量赋予相同的权值，即ω1＝1/M。利用选中的变量建立偏最小二乘(partial least square,PLS)模型，损失函数定义为PLS模型的交叉验证均方根误差(root mean square error cross-validation,RMSECV)，依据最小的RMSECV值确定最佳组合的变量子集，子集中的变量个数记为L。
③对最佳的PLS子模型。首先，将PLS模型的回归系数矩阵进行平方；然后，对平方后的回归系数矩阵进行归一化；最后，对归一化后的每个模型的回归系数进行求和，更新特征变量的新权值。
Figure BDA0002143359840000033
其中bl为第l个变量的回归系数。
④判断是否达到最大迭代次数。如果是，程序结束，记录变量子集中的所有变量。如果没有，根据蜻蜓算法更新准则，依据被选中变量的权重大小更新各自的位置。计算公式如下：
权重分离度：
Figure BDA0002143359840000041
式中：Xi表示当前蜻蜓个体的位置，ωi表示第i个体Xi的权重；Xi表示第j个相邻蜻蜓个体的位置，ωj表示第j个体Xj的权重。
权重对齐度：
Figure BDA0002143359840000042
式中：Vj表示第j个相邻蜻蜓个体的速度。
权重内聚度：
Figure BDA0002143359840000043
食物吸引力：Fi＝X+-Xi
式中，X+表示食物源位置。
天敌排斥力：Ei＝X--Xi
式中，X-表示天敌位置。根据上述五种蜻蜓行为，下一代蜻蜓位置和位置更新步长计算如下：
ΔXt+1＝ωi(Si+Ai+Ci+Fi+Ei)+ωiΔXt
Xt+1＝Xt+ωiΔXt+1
式中：t表示当前迭代次数；i表示第i个蜻蜓个体；ωi表示当前个体的权重(其中，ω1＝1/M)；Xt表示当前t代种群个体位置，ΔXt+1表示下一代种群位置跟新步长；Xt+1表示下一代种群个体位置。通过上述更新生成一个新的蜻蜓种群。
⑤回到步骤②，计算新的群体中每个个体的损失函数。然后执行循环，直到满足停止条件，记录被选中的变量。
⑥对WDA做NP(一般设置为50)次独立运行，记录下每次独立运行后被选中的变量，统计NP独立运行后同一个变量出现的次数记为累积频次。选择筛选变量累积频次超过运行次数1/3或1/2以上的变量作为特征分量。
本发明的有益效果是：
1)本发明基于传统的DA存在的不足，引入权重的概念，即根据个体性能的优劣赋予不同的权重进入下一轮的优化迭代，最终确定出最佳的变量组合。T设置为1000。ωi当前个体的权重中，ω1＝1/M,本发明将改进后的DA，即WDA应用于色敏传感器的阵列的优化，可有效消除传统色敏传感器制备过程中人为因素的干扰，更加科学的优化色敏传感器其阵列，可在保持传感器精度的前提下制备出更具节约的传感器阵列。
2)本发明提出了一种基于权重蜻蜓算法的比色传感器阵列优化方法，该方法可更加科学的从众多色敏材料中筛选出符合待测对象的特征材料，以制备性价比更高的比色传感器阵列。
3)本发明提出一种基于权重蜻蜓算法比色传感器阵列优化方法，以排除比色传感器阵列制备过程人为因素的干扰，使得到的传感器阵列性能更加优异，更大的特点在于，可在保证检测精度的前提下降低传感器阵列的制备成本。
附图说明
图1是预处理后的比色传感器阵列的差值图像，A为黄山毛峰、B为眉茶。
图2是WDA经过50次独立运行后每个颜色分量被选用的累积频次。
具体实施方式
本发明包括以下步骤：
步骤1、对反应前后的图像进行预处理，并从预处理后的差值图像中提取每个色敏斑点的颜色特征(即，R、G、B)值。假设初步制备的比色传感器阵列有p个色敏斑点，则获取的比色传感器阵列的颜色特征变量为3p个。
步骤2、设计权重蜻蜓算法(weighted dragonfly algorithm,WDA)，优化提取的3p个颜色特征变量。选择筛选变量累积频次超过运行次数1/3或1/2以上的变量作为特征分量，根据特征分量对应的色敏材料，制备性价比更高的比色传感器阵列。
进一步，步骤1中所述预处理，其具体步骤如下：
①对采集到的图像用均值滤波法消除白噪声，设置均值滤波处理的模板大小为N×N，则二维均值滤波输出为：
Figure BDA0002143359840000051
式中，(x,y)表示需要处理像素点的坐标，f(x，y)，g(x，y)分别代表为原始图像和处理后图像，W为二维模板(一般取3×3)，即每一个像素点的灰度值设置为该点邻域窗口内的所有像素点灰度值的中值。
②利用阈值分割法将均值滤波去噪后图像中的每个像素点和设置的阈值(记为T)进行比较，将图像二值化。根据比较的结果把该像素划分为两类，即前景和背景。本发明采用的阈值分割法为最大类间方差法。
设图像中灰度为i的像素数为ni，灰度范围是[0,255]，则总的像素数为：
Figure BDA0002143359840000061
各灰度值出现概率为：
Figure BDA0002143359840000062
对于Pi，需满足
Figure BDA0002143359840000063
把图中的像素用阈值T分为两类C0和C1，C0由灰度值在[0,T-1]的像素组成，C1由灰度值在[T,255]的像素组成。T为变量，则区域C0和C1的概率分别为：
Figure BDA0002143359840000064
Figure BDA0002143359840000065
区域C0和C1的平均灰度分别为：
Figure BDA0002143359840000066
Figure BDA0002143359840000067
式中，μ(T)是整幅图像的平均灰度：
Figure BDA0002143359840000068
区域C0和C1的总方差为：
Figure BDA0002143359840000069
让T在[0,255]范围内依次取值，使
Figure BDA00021433598400000610
最大的T值便是最佳区域分割阈值。
③对步骤②处理后的图像A使用形态学处理，构造半径为3的圆形结构元素U。对二值化后的图像进行一次开运算
Figure BDA00021433598400000611
和闭运算
Figure BDA00021433598400000612
开运算使图像的轮廓变得光滑，断开狭窄的连接和消除细毛刺；闭运算同样使轮廓变得光滑，但与开运算相反，它通常能够弥合狭窄的间断，填充小的孔洞。
④首先，设置面积阈值为40，消除二值图像中面积过小，肯定不是填充区域的区域，识别出比色传感器阵列图。然后，构造模板大小Disk＝31的圆形结构区域，设定裁剪区域大小为Disk＝31，区域中心为(Disk+1)/2此时圆形结构区域的中心为(Disk+1)/2，搜索比色传感器阵列图像，找出所有阵列点并对其进行裁剪。随后最后，计算出每个阵列点100个像素的R、G、B均值以及中心位置，求出反应前和反应后比色传感器图像中每个阵列点阵列的均值、做差并标准化到0-255之间，最后生成特征差值图像。
进一步，步骤2中所述WDA是一种针对传统蜻蜓算法(dragonfly algorithm,DA)的改进，在DA参数更新迭代过程中创造性引入权重算子，并根据每次迭代后建立的PLS模型的会对系数自动更新权重算子。改进后的WDA对相对重要的变量给予更多的关注，相比于传统的DA，WDA可更加有效的压缩变量空间，其具体实现过程如下：
假设实验获得样本个数为NS，每个样本的变量个数为3p，则原始样本空间数据维度为NS×3p。
①初始化蜻蜓算法参数设置。蜻蜓的个数(即变量数)为M，M＝10％×3p。随机初始化蜻蜓初始位置X、初始位置变化步长△X。设置蜻蜓最大迭代次数T，一般设置为1000。
②对第一迭代初始化的M个变量进行个体评价。这一步中，对M个选中的变量赋予相同的权值，即ω1＝1/M。利用选中的变量建立偏最小二乘(partial least square,PLS)模型，损失函数定义为PLS模型的交叉验证均方根误差(root mean square error cross-validation,RMSECV)，依据最小的RMSECV值确定最佳组合的变量子集，子集中的变量个数记为L。
③对最佳的PLS子模型。首先，将PLS模型的回归系数矩阵进行平方；然后，对平方后的回归系数矩阵进行归一化；最后，对归一化后的每个模型的回归系数进行求和，更新特征变量的新权值。
Figure BDA0002143359840000071
其中bl为第l个变量的回归系数。
④判断是否达到最大迭代次数。如果是，程序结束，记录变量子集中的所有变量。如果没有，根据蜻蜓算法更新准则，依据被选中变量的权重大小更新各自的位置。计算公式如下：
权重分离度：
Figure BDA0002143359840000072
式中：Xi表示当前蜻蜓个体的位置，ωi表示第i个体Xi的权重；Xj表示第j个相邻蜻蜓个体的位置，ωj表示第j个体Xj的权重。
权重对齐度：
Figure BDA0002143359840000081
式中：Vj表示第j个相邻蜻蜓个体的速度。
权重内聚度：
Figure BDA0002143359840000082
食物吸引力：Fi＝X+-Xi
式中，X+表示食物源位置。
天敌排斥力：Ei＝X--Xi
式中，X-表示天敌位置。根据上述五种蜻蜓行为，下一代蜻蜓位置和位置更新步长计算如下：
ΔXt+1＝ωi(Si+Ai+Ci+Fi+Ei)+ωiΔXt
Xt+1＝Xt+ωiΔXt+1
式中：t表示当前迭代次数；i表示第i个蜻蜓个体；ωi表示当前个体的权重(其中，ω1＝1/M)；Xt表示当前t代种群个体位置，ΔXt+1表示下一代种群位置跟新步长；Xt+1表示下一代种群个体位置。通过上述更新生成一个新的蜻蜓种群。
⑤回到步骤②，计算新的群体中每个个体的损失函数。然后执行循环，直到满足停止条件，记录被选中的变量。
⑥对WDA做NP(一般设置为50)次独立运行，记录下每次独立运行后被选中的变量，统计NP独立运行后同一个变量出现的次数记为累积频次。选择筛选变量累积频次超过运行次数1/3或1/2以上的变量作为特征分量。
以绿茶香气品质的感官分析为例，说明本发明方法优化色敏传感器阵列的过程。
(1)图1所示为预处理后的初步制备的比色传感阵列获取绿茶香气成分、显色反应前后的差值图像。从图1中可以看出，有些色敏斑点的图像颜色很相似、甚至一样，这表明通过人工经验初步制备的比色传感器阵列具有一定的冗余性，这种冗余性带来两个不利的结果，其一是冗余性的存在会降低后续构建检测模型的预测精度，其二是导致制备的色敏传感器阵列成本过高。因此，有必要利用科学的手段对其进行优化。
(2)在WDA执行时，由于初步制备的比色传感器阵列有12个色敏点，因此颜色变量个数共为36个，因此M取4；算法的最大迭代次数设定为1000，其余参数随机产生。由于WDA在参数初始化时具有一定的随机性。因此，对WDA进行50次独立运行并分析50次独立运行的统计结果，以消除这种随机性带来的影响。图2所示为WDA独立运行50次后选择的所有颜色变量的累积频次。从图中我们可以看出，在WDA的50次运行中，有2个颜色变量被选中多达25次，它们分别来自3号色敏点的颜色分别G和8号色敏点的颜色分量B。在WDA的50次运行中，有3个颜色变量被选中超过20次，它们分别来自3号色敏点的颜色分别G、8号色敏点的颜色分量B和12号色敏点的颜色分量B。有7个颜色变量在WDA的50次运行中备选频次不低于15次，它们分别来自3号色敏点的颜色分别G、4号色敏点的颜色分别B、7号色敏点的颜色分别R、8号色敏点的颜色分量B、11号色敏点的颜色分别R、12号色敏点的颜色分量R和B。表1所示为建立在以上三种变量基础上PLS模型的50次统计分析结果。从表1中可以看出，建立在3个和7个特征颜色变量基础上的PLS模型的统计分析结果接近，预测性能相对稳定，它们均要优于建立在2个特征颜色变量上的PLS模型的结果。因此，综合考虑PLS模型的检测精度和传感器制备的成本，最终确定色敏点3、8和12为通过WDA科学计算而确定出的最终制备比色传感器阵列的色敏材料。可保证检测精度的同时降低比色传感器阵列的制备成本。
表1
Figure BDA0002143359840000091
注：模型1,特征来自3号色敏点的颜色分别G和8号色敏点的颜色分量B；模型2,特征来自3号色敏点的颜色分别G、8号色敏点的颜色分量B和12号色敏点的颜色分量B；模型3,特征来自3号色敏点的颜色分别G、4号色敏点的颜色分别B、7号色敏点的颜色分别R、8号色敏点的颜色分量B、11号色敏点的颜色分别R、12号色敏点的颜色分量R和B。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (7)

1.一种基于权重蜻蜓算法的比色传感器阵列优化方法，其特征在于，包括以下步骤：
对反应前后的图像进行预处理，并从预处理后的差值图像中提取每个色敏斑点的颜色特征值，假设初步制备的比色传感器阵列有p个色敏斑点，则获取的比色传感器阵列的颜色特征变量为3p个；然后设计改进权重蜻蜓算法，优化提取的3p个颜色特征变量，选择筛选变量累积频次超过运行次数1/3或1/2以上的变量作为特征分量，根据特征分量对应的色敏材料，制备比色传感器阵列；
改进权重蜻蜓算法的具体实现过程如下：
假设实验获得样本个数为NS，每个样本的变量个数为3p，则原始样本空间数据维度为NS×3p；
初始化蜻蜓算法参数设置，蜻蜓的个数为M，M＝10％×3p，随机初始化蜻蜓初始位置X、初始位置变化步长化△X，设置蜻蜓最大迭代次数T；
对第一迭代初始化的M个变量进行个体评价，对M个选中的变量赋予相同的权值，利用选中的变量建立偏最小二乘PLS模型，损失函数定义为PLS模型的交叉验证均方根误差，依据最小的交叉验证均方根误差值确定最佳组合的变量子集，子集中的变量个数记为L；
对最佳的PLS子模型，首先，将PLS模型的回归系数矩阵进行平方；然后，对平方后的回归系数矩阵进行归一化；最后，对归一化后的每个模型的回归系数进行求和，更新特征变量的新权值；
Figure FDA0004077033980000011
其中bl为第l个变量的回归系数；
判断是否达到最大迭代次数，如果是，程序结束，记录变量子集中的所有变量；如果没有，根据蜻蜓算法更新准则，依据被选中变量的权重大小更新各自的位置，计算公式如下：
权重分离度：
Figure FDA0004077033980000012
式中：Xi表示当前蜻蜓个体的位置，ωi表示第i个体Xi的权重；Xj表示第j个相邻蜻蜓个体的位置，ωj表示第j个体Xj的权重；
权重对齐度：
Figure FDA0004077033980000021
式中：Vj表示第j个相邻蜻蜓个体的速度；
权重内聚度：
Figure FDA0004077033980000022
食物吸引力：Fi＝X+-Xi
式中，X+表示食物源位置；
天敌排斥力：Ei＝X--Xi
式中，X-表示天敌位置，根据五种蜻蜓行为，下一代蜻蜓位置和位置更新步长计算如下：
ΔXt+1＝ωi(Si+Ai+Ci+Fi+Ei)+ωiΔXt
Xt+1＝Xt+ωiΔXt+1
式中：t表示当前迭代次数；i表示第i个蜻蜓个体；ωi表示当前个体的权重；Xt表示当前t代种群个体位置，ΔXt+1表示下一代种群位置跟新步长；Xt+1表示下一代种群个体位置，通过上述更新生成一个新的蜻蜓种群；
回到上述步骤对第一迭代初始化的M个变量进行个体评价中，计算新的群体中每个个体的损失函数，然后执行循环，直到满足停止条件，记录被选中的变量。
2.根据权利要求1所述的一种基于权重蜻蜓算法的比色传感器阵列优化方法，其特征在于，所述对反应前后的图像进行预处理中包括：
步骤1.1，对采集到的图像用均值滤波法消除白噪声，设置均值滤波处理的模板大小为N×N，则二维均值滤波输出为：
Figure FDA0004077033980000023
式中，(x,y)表示需要处理像素点的坐标，f(x，y)，g(x，y)分别代表为原始图像和处理后图像，W为二维模板，即每一个像素点的灰度值设置为该点邻域窗口内的所有像素点灰度值的中值；
步骤1.2，利用阈值分割法将均值滤波去噪后图像中的每个像素点和设置的阈值T进行比较，将图像二值化，根据比较的结果把该像素划分为两类，即前景和背景，设图像中灰度为i的像素数为ni，灰度范围是[0,255]，则总的像素数为：
Figure FDA0004077033980000031
各灰度值出现概率为：
Figure FDA0004077033980000032
对于Pi，需满足
Figure FDA0004077033980000033
把图中的像素用阈值T分为两类C0和C1，C0由灰度值在[0,T-1]的像素组成，C1由灰度值在[T,255]的像素组成，T为变量，则区域C0和C1的概率分别为：
Figure FDA0004077033980000034
Figure FDA0004077033980000035
区域C0和C1的平均灰度分别为：
Figure FDA0004077033980000036
Figure FDA0004077033980000037
式中，μ(T)是整幅图像的平均灰度：
Figure FDA0004077033980000038
区域C0和C1的总方差为：
Figure FDA0004077033980000039
让T在[0,255]范围内依次取值，使
Figure FDA00040770339800000310
最大的T值便是最佳区域分割阈值。
3.根据权利要求2所述的一种基于权重蜻蜓算法的比色传感器阵列优化方法，其特征在于，还包括对步骤1.2处理后的图像A使用形态学处理，构造半径为3的圆形结构元素U，对二值化后的图像进行一次开运算
Figure FDA00040770339800000311
和闭运算
Figure FDA00040770339800000312
4.根据权利要求2所述的一种基于权重蜻蜓算法的比色传感器阵列优化方法，其特征在于，还包括首先设置面积阈值为40，消除二值图像中面积过小，肯定不是填充区域的区域，识别出比色传感器阵列图像；然后，构造模板大小Disk＝31的圆形结构区域，此时圆形结构区域的中心为(Disk+1)/2，搜索比色传感器阵列图像，找出所有阵列点并对其进行裁剪；最后，计算出每个阵列点100个像素的R、G、B均值以及中心位置，求出反应前和反应后比色传感器图像中每个阵列点的均值、做差并标准化到0-255之间，最后生成差值图像。
5.根据权利要求2所述的一种基于权重蜻蜓算法的比色传感器阵列优化方法，其特征在于，模板大小取3×3。
6.根据权利要求1所述的一种基于权重蜻蜓算法的比色传感器阵列优化方法，其特征在于，T一般设置为1000。
7.根据权利要求1所述的一种基于权重蜻蜓算法的比色传感器阵列优化方法，其特征在于，ωi当前个体的权重中，ω1＝1/M。
CN201910676177.6A 2019-07-25 2019-07-25 一种基于权重蜻蜓算法的比色传感器阵列优化方法 Active CN110517326B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910676177.6A CN110517326B (zh) 2019-07-25 2019-07-25 一种基于权重蜻蜓算法的比色传感器阵列优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910676177.6A CN110517326B (zh) 2019-07-25 2019-07-25 一种基于权重蜻蜓算法的比色传感器阵列优化方法

Publications (2)

Publication Number Publication Date
CN110517326A CN110517326A (zh) 2019-11-29
CN110517326B true CN110517326B (zh) 2023-06-13

Family

ID=68622878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910676177.6A Active CN110517326B (zh) 2019-07-25 2019-07-25 一种基于权重蜻蜓算法的比色传感器阵列优化方法

Country Status (1)

Country Link
CN (1) CN110517326B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11619618B2 (en) * 2019-12-09 2023-04-04 International Business Machines Corporation Sensor tuning—sensor specific selection for IoT—electronic nose application using gradient boosting decision trees

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6064945B2 (ja) * 2014-05-27 2017-01-25 コニカミノルタ株式会社 画像読取装置及び画像形成装置
CN108519347B (zh) * 2018-04-10 2020-11-06 中北大学 一种基于二进制蜻蜓算法的红外光谱波长选择方法
CN113484309B (zh) * 2021-06-28 2022-08-09 安徽农业大学 一种高光谱耦合纳米化比色传感器监测红茶发酵程度的方法

Also Published As

Publication number Publication date
CN110517326A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
CN109154978B (zh) 用于检测植物疾病的系统和方法
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN109086799A (zh) 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法
CN107808138B (zh) 一种基于FasterR-CNN的通信信号识别方法
CN110097103A (zh) 基于生成对抗网络的半监督图像分类方法
CN109934826A (zh) 一种基于图卷积网络的图像特征分割方法
CN111833322B (zh) 一种基于改进YOLOv3的垃圾多目标检测方法
JP6897749B2 (ja) 学習方法、学習システム、および学習プログラム
CN111222545B (zh) 基于线性规划增量学习的图像分类方法
CN110008853A (zh) 行人检测网络及模型训练方法、检测方法、介质、设备
CN104680185B (zh) 基于边界点重分类的高光谱图像分类方法
CN111340019A (zh) 基于Faster R-CNN的粮仓害虫检测方法
CN113159045A (zh) 一种结合图像预处理与卷积神经网络的验证码识别方法
CN110517326B (zh) 一种基于权重蜻蜓算法的比色传感器阵列优化方法
CN110837818A (zh) 一种基于卷积神经网路的中华白海豚背鳍识别方法
CN117830711A (zh) 基于深度学习的自动图像内容审核方法
CN112560925A (zh) 一种复杂场景目标检测数据集构建方法及系统
CN111368625B (zh) 一种基于级联优化的行人目标检测方法
CN109934352B (zh) 智能模型的自动进化方法
CN109241865B (zh) 一种弱对比度交通场景下的车辆检测分割算法
CN116597275A (zh) 一种基于数据增强的高速移动目标识别方法
CN111091580A (zh) 一种基于改进ResNet-UNet网络的立木图像分割方法
CN114997378A (zh) 归纳式图神经网络剪枝方法、系统、设备及存储介质
CN115546639A (zh) 一种基于改进的YOLOv5模型的林间杂草检测方法
CN114818947A (zh) 分类器的训练方法及装置、分类装置

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
GR01 Patent grant
GR01 Patent grant