CN111693487A - 基于遗传算法和极限学习机的水果糖度检测方法及系统 - Google Patents
基于遗传算法和极限学习机的水果糖度检测方法及系统 Download PDFInfo
- Publication number
- CN111693487A CN111693487A CN202010468700.9A CN202010468700A CN111693487A CN 111693487 A CN111693487 A CN 111693487A CN 202010468700 A CN202010468700 A CN 202010468700A CN 111693487 A CN111693487 A CN 111693487A
- Authority
- CN
- China
- Prior art keywords
- learning machine
- genetic algorithm
- fruit
- extreme learning
- near infrared
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 56
- 230000002068 genetic effect Effects 0.000 title claims abstract description 54
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 title claims abstract description 8
- 229930091371 Fructose Natural products 0.000 title claims abstract description 8
- 229960002737 fructose Drugs 0.000 title claims abstract description 8
- 238000001514 detection method Methods 0.000 title claims description 21
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 60
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 30
- 239000007787 solid Substances 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 210000000349 chromosome Anatomy 0.000 claims description 18
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000009614 chemical analysis method Methods 0.000 claims 1
- 230000001419 dependent effect Effects 0.000 abstract 1
- 230000002452 interceptive effect Effects 0.000 abstract 1
- 238000012795 verification Methods 0.000 abstract 1
- 241000220225 Malus Species 0.000 description 19
- 235000010724 Wisteria floribunda Nutrition 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 6
- 235000021016 apples Nutrition 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 235000021022 fresh fruits Nutrition 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 244000144730 Amygdalus persica Species 0.000 description 1
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 241000220324 Pyrus Species 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 235000021017 pears Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
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
- G01N21/17—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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于遗传算法和极限学习机的水果糖度检测方法及系统，包括：获取待测水果的原始近红外光谱并进行预处理；利用遗传算法筛选出最佳的特征波长；将所述最佳的特征波长输入到训练好的极限学习机预测模型，输出水果的可溶性固形物含量信息，进而得到水果糖度信息；其中，所述极限学习机预测模型基于水果的原始近红外光谱及对应的可溶性固形物含量值的对应关系建立。本发明基于遗传算法来筛选波长，将极限学习机法交互验证中因变量的预测值跟实际值的相关系数作为遗传算法的适应度函数，用遗传算法从原始光谱1557个光谱波长中选择最为合适的波长，大大提高水果糖度的预测精度。
Description
技术领域
本发明涉及苹果糖度检测技术领域，尤其涉及一种基于遗传算法和极限学习机的水果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发明相关的背景技术信息，不必然构成在先技术。
社会不断往前发展，人们的生活水平也随之不断提高。在鲜食水果的选择上，外观色泽及果型大小等因素所占的比例越来越小，越来越多的消费群体更加注重相关果品的内部品质，如糖度等。所以提高鲜果产品的内在品质在现如今的市场形势下已经成为了必要选项。
水果的可溶性固形物含量直接影响着鲜果的糖度，现阶段国内相关研究起步较晚，存在科研技术不成熟，尚未形成产业化，规模化，检测方法不完善，成本高等问题。在对果品进行快速的无损检测时，所得的光谱结果常常混有噪声干扰，加之其他的技术问题，难以得到准确的数据分析。而且目前无论是国内还是国外，针对水果果品可溶性固形物含量的相关研究并不多，对水果糖度含量研究预测的手段也不具有通用性。
发明内容
有鉴于此，本发明提出了一种基于遗传算法和极限学习机的水果糖度检测方法及系统，利用近红外技术，将果品的糖度品质特征提取出来，通过遗传算法筛选波长，进而基于极限学习机(ELM,extreme learning machine)建立可溶性固形物与近红外光谱对应的预测模型，能够实现水果糖度的无损检测。
为了实现上述目的，在一些实施方式中，采用如下技术方案：
基于遗传算法和极限学习机的水果糖度检测方法，包括：
获取待测水果的原始近红外光谱并进行预处理；
将极限学习机预测模型中输出预测值与实际值的均方根误差作为遗传算法的适应度函数，利用遗传算法筛选出最佳的特征波长；
将所述最佳的特征波长输入到训练好的极限学习机预测模型，输出水果的可溶性固形物含量信息，进而得到水果糖度信息；
其中，所述极限学习机预测模型基于水果的原始近红外光谱及对应的可溶性固形物含量值的对应关系建立。
在另一些实施方式中，采用如下技术方案：
一种基于遗传算法和极限学习机的水果糖度检测系统，包括：
用于获取待测水果的原始近红外光谱并进行预处理的装置；
用于将极限学习机预测模型中输出预测值与实际值的均方根误差作为遗传算法的适应度函数，利用遗传算法筛选出最佳的特征波长的装置；
用于将所述最佳的特征波长输入到训练好的极限学习机预测模型，输出水果的可溶性固形物含量信息，进而得到水果糖度信息的装置；
其中，所述极限学习机预测模型基于水果的原始近红外光谱及对应的可溶性固形物含量值的对应关系建立。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的基于遗传算法和极限学习机的水果糖度检测方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于遗传算法和极限学习机的水果糖度检测方法。
与现有技术相比，本发明的有益效果是：
本发明基于遗传算法来筛选波长，将极限学习机预测模型中输出预测值与实际值的均方根误差(RMSE)作为遗传算法的适应度函数，用遗传算法从原始光谱1557个光谱波长中选择最为合适的波长，大大提高水果糖度的预测精度。
本发明针对样本特点采用极限学习机预测模型进行识别，能大大提高预测正确率。
本发明的附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为本发明实施例中的红富士苹果的近红外原始光谱图；
图2为本发明实施例中的预处理后的红富士苹果光谱图；
图3为本发明实施例中的基于遗传算法的光谱特征选择结果图；
图4为本发明实施例中的仿真测试流程图；
图5为本发明实施例中的校正样本集的糖度预测值与实际值的相关关系图；
图6为本发明实施例中的预测样本集的糖度预测值与实际值的相关关系图。
具体实施方式
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，本发明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。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例以产自烟台的红富士苹果为例进行说明，当然，本实施例方法还可以适用于桃子、梨等水果糖度的测定。
在一个或多个实施方式中，公开了一种基于遗传算法和极限学习机的水果糖度检测方法，包括以下步骤：
(1)获取待测水果的原始近红外光谱并进行预处理；
具体地，红富士苹果的近红外光谱采集设备为Antaris II的近红外检测仪，采用InGaAs检测器，采样模式采用积分球漫反射。每个苹果采集3次，采集点为苹果赤道位置等间隔120°，3次光谱数据的平均值作为该样本的原始光谱。
采用平滑跟多元散射校正的方法，得到预处理后的近红外光谱；该方法能够有效地去除了随机噪声以及光照导致的基线漂移影响，并保留了有效信息。
(2)将极限学习机预测模型中输出预测值与实际值的均方根误差作为遗传算法的适应度函数(RMSE)作为遗传算法的适应度函数，利用遗传算法筛选出最佳的特征波长；具体方法为：
①初始化特征参数；将近红外光谱数据作为遗传算法的初始参数，将极限学习机预测模型中输出预测值与实际值的均方根误差作为遗传算法的适应度函数(RMSE)作为遗传算法的适应度函数，通过遗传算法，重组这些数据，可以得到新的特征参数。
其中，将极限学习机预测模型中输出预测值与实际值的均方根误差作为遗传算法的适应度函数(RMSE)的计算方法如下：
式中：
为建模集第i个样品的测量值；yi为建模集第i个样品的预测值；n为建模集样品数。
②初始化基因型种群；为了开始遗传算法操作，需随机产生初始化基因型种群。初始化种群的产生过程如下；
1)决定基因型种群的大小；种群规模是指任意一代中的个体总数，这是人为设定的，种群规模越大越可能找到全局解，但运行时间也相对较长。对比不同的种群规模下最优解和运行时间，然后选择折中的规模数，在本实施例中种群规模设置为10；
2)设置迭代次数；迭代次数与时间相关，如果时间充裕，可以尽量多迭代一些。一般情况下，迭代一定次数后，基本上不会再有更好的解出现了。本文设置迭代次数为50；
3)设置交叉概率为0.7和变异概率为0.1；
4)完成所有种群中基因型初始化。
参数表如表1所示。
表1初始化基于型种群参数设置
③迭代求解，进化开始；
1)随机生成一组可行解，也就是第一代染色体；
2)采用适应度函数分别计算每一条染色体的适应程度，并根据适应程度计算每一条染色体在下一次进化中被选中的概率。本实施例选择适应度函数为：
其中
f(i)为适应度函数，E为实际输出值与期望输出值之间的误差平方和，A为实际输出值，T为期望输出值，N为输入样本个数。
3)经过交叉生成染色体；遗传算法每一次迭代都会生成N条染色体，在遗传算法中，这每一次迭代就被称为一次“进化”。每次进化新生成的染色体就是“交叉”来的。
4)对其进行变异操作；
交叉能保证每次进化留下优良的基因，但它仅仅是对原有的结果集进行选择，基因还是那么几个，只不过交换了他们的组合顺序。只能保证经过N次进化后，计算结果更接近于局部最优解，没办法达到全局最优解。通过交叉生成了一条新的染色体后，在新染色体上随机选择若干个基因，随机修改基因的值，从而给现有的染色体引入了新的基因，突破了当前搜索的限制，更有利于算法寻找到全局最优解。
5)找到最小和最大适应度的染色体及它们在种群中的位置，采用适应度最好的染色体代替上一次进化中最好的染色体，直至迭代完成。
本实施例中，一条染色体由1557个基因(0或1的字符)组成，0和1分别代表光谱波长未选中和选中。
表2特征筛选前后建模效果
表2为特征筛选前后的建模效果，由表中数据可得，利用遗传算法筛选出的特征波长作为建模的输入，其相关系数为0.9723，均方根误差为0.1854，相对于原始全波段建模的预测效果具有大幅的提高。
(3)将最佳的特征波长输入到训练好的极限学习机预测模型，输出水果的可溶性固形物含量信息，进而得到水果糖度信息。
其中，极限学习机预测模型基于水果的原始近红外光谱及对应的可溶性固形物含量值的对应关系建立。调用elmtrain函数实现网络的创建和训练，并分别测试不同激活函数的性能指标，如表3所示。
表3不同激活函数的性能指标
经过实验对比，本实施例选择Sigmoid非线性激活函数，公式如下所示：
仿真测试：调用elmpredict函数实现网络的仿真，参照图4，主要包括：
1)参数判断；
2)计算隐含层输出矩阵H；
3)判断激活函数的模式；
4)计算输出层输出。
回归评价指标采用决定系数(R2)，均方误差(RMSE)以及平均绝对误差(MAE)。
R2计算公式如下所示：
根据R2的取值，来判断模型的好坏，其取值范围为[0，1]：如果结果是0，说明模型拟合效果很差；如果结果是1，说明模型无错误。
对于极限学习机预测模型的训练过程包括：
1)选取相同品种的水果样品组成样本集；
本实施例中，准备439个红富士苹果作为数据集，具体为：
采用产自烟台栖霞的红富士苹果，选择无缺陷、损伤的苹果439个。实验前，将苹果置于实验室中12小时，以使苹果样本的整体温度与环境温度一致，实验过程中保持实验室温度基本不变。
将样本集按7:3的比例分为校正集和预测集；
2)获取数据集中所有水果样品的原始近红外光谱并进行预处理；每个苹果样本采集3次，采集点为苹果赤道位置等间隔120°，3次光谱数据的平均值作为该样本的原始光谱，光谱图如图1所示。
对原始近红外光谱进行预处理，得到图2所示的预处理后的原始近红外光谱信息。
3)在光谱采集位置，测量样本集中所有水果的可溶性固形物含量值；
具体地，光谱采集完成后，在光谱采集位置测量可溶性固形物含量值，将果肉取汁滴在糖度计上读取其可溶性固形物含量值，每个苹果3个光谱采集位置的可溶性固形物含量的平均值作为该样本的参考值。
4)通过遗传算法对整个光谱区间进行特征波长的优选，确定最佳的特征波长；得到如图3所示的基于遗传算法的光谱特征选择结果。
光谱区间通过近红外光谱仪得到，近红外光谱仪采集苹果样品在4000-10000cm-1的波长范围内的吸光率情况，得到近红外光谱区间。
将样本集分成校正集和预测集，用校正集进行模型训练，并将预测集的光谱信息输入到预测模型中，输出待测样本的糖度含量，以检验模型预测效果；最终得到训练后的极限学习机预测模型。
图5给出了校正样本集的糖度预测值与实际值的相关关系图，图6给出了预测样本集的糖度预测值与实际值的相关关系图。
RMSE为预测值与真实值的误差平方根均值，公式如下所示：
基于ELM的苹果可溶性固形物含量预测评价值如表4所示。
表4基于ELM的苹果可溶性固形物含量预测评价值
本实施例中，极限学习机的预测结果的决定系数为0.97232，说明本发明方法能很好的预测出苹果的糖分含量。
实施例二
在一个或多个实施方式中，公开了一种基于遗传算法和极限学习机的水果糖度检测系统，包括：
用于获取待测水果的原始近红外光谱并进行预处理的装置；
用于将极限学习机预测模型中输出预测值与实际值的均方根误差作为遗传算法的适应度函数，利用遗传算法筛选出最佳的特征波长的装置；
用于将所述最佳的特征波长输入到训练好的极限学习机预测模型，输出水果的可溶性固形物含量信息，进而得到水果糖度信息的装置；
其中，所述极限学习机预测模型基于水果的原始近红外光谱及对应的可溶性固形物含量值的对应关系建立。
上述装置的具体实现方式采用实施例一中公开的方法，不再赘述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中公开的基于遗传算法和极限学习机的水果糖度检测方法，为了简洁，不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
上述方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明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发明的保护范围以内。
Claims (10)
1.基于遗传算法和极限学习机的水果糖度检测方法，其特征在于，包括：
获取待测水果的原始近红外光谱并进行预处理；
将极限学习机预测模型中输出预测值与实际值的均方根误差作为遗传算法的适应度函数，利用遗传算法筛选出最佳的特征波长；
将所述最佳的特征波长输入到训练好的极限学习机预测模型，输出水果的可溶性固形物含量信息，进而得到水果糖度信息；
其中，所述极限学习机预测模型基于水果的原始近红外光谱及对应的可溶性固形物含量值的对应关系建立。
2.如权利要求1所述的基于遗传算法和极限学习机的水果糖度检测方法，其特征在于，通过近红外检测仪对待测水果的原始近红外光谱进行设定次数的采集，所有采集结果取平均值，作为最终的原始近红外光谱结果。
3.如权利要求1所述的基于遗传算法和极限学习机的水果糖度检测方法，其特征在于，采用平滑跟多元散射校正的方法，去除光谱中的噪声和光谱基线漂移的影响。
4.如权利要求1所述的基于遗传算法和极限学习机的水果糖度检测方法，其特征在于，利用遗传算法筛选出最佳的特征波长，具体过程包括：
将光谱矩阵输入的数据作为遗传算法的初始参数，随机产生初始化基因型种群；迭代求解，进化开始，找到最小和最大适应度的染色体及它们在种群中的位置，采用适应度最好的染色体代替上一次进化中最好的染色体；直至迭代完成，得到最佳的特征波长参数。
5.如权利要求1所述的基于遗传算法和极限学习机的水果糖度检测方法，其特征在于，对于极限学习机预测模型的训练过程包括：
选取相同品种的水果样品组成样本集；
获取数据集中所有水果样品的原始近红外光谱并进行预处理；
在光谱采集位置，测量待测水果的可溶性固形物含量值；
从整个光谱区间确定最佳的特征波长；
用样本集中的特征波长和对应的可溶性固形物含量值对极限学习机预测模型进行训练，得到训练后的极限学习机预测模型。
6.如权利要求5所述的基于遗传算法和极限学习机的水果糖度检测方法，其特征在于，将所述样本集分成校正集和预测集，用校正集进行模型训练，并将预测集的光谱信息输入到预测模型中，检验模型预测效果。
7.如权利要求5所述的基于遗传算法和极限学习机的水果糖度检测方法，其特征在于，利用化学分析法测定数据集中光谱采集位置的可溶性固形物含量值，进而得到糖度信息。
8.一种基于遗传算法和极限学习机的水果糖度检测系统，其特征在于，包括：
用于获取待测水果的原始近红外光谱并进行预处理的装置；
用于将极限学习机预测模型中输出预测值与实际值的均方根误差作为遗传算法的适应度函数，利用遗传算法筛选出最佳的特征波长的装置；
用于将所述最佳的特征波长输入到训练好的极限学习机预测模型，输出水果的可溶性固形物含量信息，进而得到水果糖度信息的装置；
其中，所述极限学习机预测模型基于水果的原始近红外光谱及对应的可溶性固形物含量值的对应关系建立。
9.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于遗传算法和极限学习机的水果糖度检测方法。
10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于遗传算法和极限学习机的水果糖度检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010468700.9A CN111693487A (zh) | 2020-05-28 | 2020-05-28 | 基于遗传算法和极限学习机的水果糖度检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010468700.9A CN111693487A (zh) | 2020-05-28 | 2020-05-28 | 基于遗传算法和极限学习机的水果糖度检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111693487A true CN111693487A (zh) | 2020-09-22 |
Family
ID=72478505
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010468700.9A Pending CN111693487A (zh) | 2020-05-28 | 2020-05-28 | 基于遗传算法和极限学习机的水果糖度检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111693487A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112964719A (zh) * | 2021-04-26 | 2021-06-15 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的食品果糖检测方法及装置 |
| CN113049500A (zh) * | 2021-03-19 | 2021-06-29 | 杭州海康威视数字技术股份有限公司 | 水质检测模型训练和水质检测方法、电子设备及存储介质 |
| CN114018836A (zh) * | 2021-09-27 | 2022-02-08 | 中国科学院合肥物质科学研究院 | 一种糖度检测方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102305772A (zh) * | 2011-07-29 | 2012-01-04 | 江苏大学 | 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法 |
| CN105548070A (zh) * | 2015-12-31 | 2016-05-04 | 北京农业智能装备技术研究中心 | 一种苹果可溶性固形物近红外检测部位补偿方法及系统 |
| 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 |
| US9785886B1 (en) * | 2017-04-17 | 2017-10-10 | SparkCognition, Inc. | Cooperative execution of a genetic algorithm with an efficient training algorithm for data-driven model creation |
| CN109711592A (zh) * | 2018-03-27 | 2019-05-03 | 江苏信息职业技术学院 | 一种基于遗传算法优化极限学习机的池塘水温预测方法 |
| CN110726694A (zh) * | 2019-10-22 | 2020-01-24 | 常州大学 | 光谱变量梯度集成遗传算法的特征波长选择方法和系统 |
-
2020
- 2020-05-28 CN CN202010468700.9A patent/CN111693487A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102305772A (zh) * | 2011-07-29 | 2012-01-04 | 江苏大学 | 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法 |
| CN105548070A (zh) * | 2015-12-31 | 2016-05-04 | 北京农业智能装备技术研究中心 | 一种苹果可溶性固形物近红外检测部位补偿方法及系统 |
| 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 |
| US9785886B1 (en) * | 2017-04-17 | 2017-10-10 | SparkCognition, Inc. | Cooperative execution of a genetic algorithm with an efficient training algorithm for data-driven model creation |
| CN109711592A (zh) * | 2018-03-27 | 2019-05-03 | 江苏信息职业技术学院 | 一种基于遗传算法优化极限学习机的池塘水温预测方法 |
| CN110726694A (zh) * | 2019-10-22 | 2020-01-24 | 常州大学 | 光谱变量梯度集成遗传算法的特征波长选择方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| 张宁: ""面向苹果检测的近红外光谱信息处理技术研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
| 张海东等: "近红外光谱结合极限学习机和GA-PLS算法检测普洱茶茶多酚含量", 《激光与光电子学进展》 * |
| 王浩等: "基于改进极限学习机的风电功率预测仿真研究", 《系统仿真学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113049500A (zh) * | 2021-03-19 | 2021-06-29 | 杭州海康威视数字技术股份有限公司 | 水质检测模型训练和水质检测方法、电子设备及存储介质 |
| CN113049500B (zh) * | 2021-03-19 | 2022-12-06 | 杭州海康威视数字技术股份有限公司 | 水质检测模型训练和水质检测方法、电子设备及存储介质 |
| CN112964719A (zh) * | 2021-04-26 | 2021-06-15 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的食品果糖检测方法及装置 |
| CN114018836A (zh) * | 2021-09-27 | 2022-02-08 | 中国科学院合肥物质科学研究院 | 一种糖度检测方法和系统 |
| CN114018836B (zh) * | 2021-09-27 | 2024-04-26 | 中国科学院合肥物质科学研究院 | 一种糖度检测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Riedl et al. | Review of validation and reporting of non-targeted fingerprinting approaches for food authentication | |
| Theanjumpol et al. | Non-destructive identification and estimation of granulation in ‘Sai Num Pung’tangerine fruit using near infrared spectroscopy and chemometrics | |
| Bai et al. | Accurate prediction of soluble solid content of apples from multiple geographical regions by combining deep learning with spectral fingerprint features | |
| CN111693487A (zh) | 基于遗传算法和极限学习机的水果糖度检测方法及系统 | |
| CN110687072B (zh) | 一种基于光谱相似度的校正集和验证集的选择及建模方法 | |
| CN108680515B (zh) | 一种单粒水稻直链淀粉定量分析模型构建及其检测方法 | |
| 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 | |
| CN109115692B (zh) | 一种光谱数据分析方法及装置 | |
| CN109669023A (zh) | 一种基于多传感器融合的土壤属性预测方法 | |
| CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
| Wang et al. | Discrimination of cracked soybean seeds by near-infrared spectroscopy and random forest variable selection | |
| Wang et al. | Onsite nutritional diagnosis of tea plants using micro near-infrared spectrometer coupled with chemometrics | |
| CN115993344A (zh) | 一种近红外光谱分析仪质量监测分析系统及方法 | |
| WO2020248961A1 (zh) | 一种无参考值的光谱波数选择方法 | |
| CN111879709A (zh) | 湖泊水体光谱反射率检验方法及装置 | |
| CN104255118A (zh) | 基于近红外光谱技术的水稻种子发芽率快速无损测试方法 | |
| CN108169168A (zh) | 检测分析水稻籽粒蛋白质含量数学模型及构建方法和应用 | |
| CN113655027A (zh) | 一种近红外快速检测植物中单宁含量的方法 | |
| CN105866043A (zh) | 一种利用高光谱技术检测苹果酸味的方法 | |
| CN107247033B (zh) | 基于快速衰减式淘汰算法和plsda鉴别黄花梨成熟度的方法 | |
| CN111693488B (zh) | 基于ds证据理论融合的水果等级分类方法及系统 | |
| CN113030011A (zh) | 水果糖度快速无损检测方法及检测系统 | |
| CN110231306A (zh) | 一种无损、快速测定奇亚籽蛋白质含量的方法 | |
| CN105954206B (zh) | 紫玉米叶片花色苷含量的测量方法及系统 | |
| CN112763448A (zh) | 一种基于atr-ftir技术的米糠中多糖含量的快速检测方法 |
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: 20200922 |