CN111693488B - 基于ds证据理论融合的水果等级分类方法及系统 - Google Patents
基于ds证据理论融合的水果等级分类方法及系统 Download PDFInfo
- Publication number
- CN111693488B CN111693488B CN202010513459.7A CN202010513459A CN111693488B CN 111693488 B CN111693488 B CN 111693488B CN 202010513459 A CN202010513459 A CN 202010513459A CN 111693488 B CN111693488 B CN 111693488B
- Authority
- CN
- China
- Prior art keywords
- fruit
- evidence theory
- detected
- solid content
- classification
- 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
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000008186 active pharmaceutical agent Substances 0.000 title claims abstract description 38
- 230000004927 fusion Effects 0.000 title claims abstract description 28
- 239000007787 solid Substances 0.000 claims abstract description 68
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000002068 genetic effect Effects 0.000 claims abstract description 21
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 33
- 238000001228 spectrum Methods 0.000 claims description 18
- 210000000349 chromosome Anatomy 0.000 claims description 17
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 12
- 241000220225 Malus Species 0.000 description 24
- 235000021016 apples Nutrition 0.000 description 8
- 235000010724 Wisteria floribunda Nutrition 0.000 description 7
- 108090000623 proteins and genes Proteins 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 244000144730 Amygdalus persica Species 0.000 description 1
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 description 1
- 229930091371 Fructose Natural products 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
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000021022 fresh fruits Nutrition 0.000 description 1
- 229960002737 fructose Drugs 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 101150067055 minC gene Proteins 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 235000021017 pears Nutrition 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于DS证据理论融合的水果等级分类方法及系统，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；将所述特征波长分别输入到训练好的极限学习机预测模型和基于偏最小二乘法的预测模型，分别得到待测水果的可溶性固形物含量信息；分别基于所述可溶性固形物含量信息对水果等级进行分类；基于DS证据理论对两种分类结果进行融合，得到基于可溶性固形物含量的水果等级类别。本发明使用基于DS证据理论的苹果等级分类方法，融合极限学习机与偏最小二乘法的两种预测模型。DS融合后测试集分类等级准确率为94.697％，优于单一的模型分类方法。
Description
技术领域
本发明涉及食品检测技术领域，尤其涉及一种基于DS证据理论融合的水果等级分类方法及系统。
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。
现如今，社会经济和科学技术的发展已大大提高了人们的生活水平，人们生活质量的提升对于水果商品的处理产业提出了更高的要求。在传统的果型与色泽之外，糖度等果品的内部品质也已经成为消费群体的选择标准之一。在相应的市场要求下，果品内在品质的无损检测必然会成为水果产后商品化处理的一个重要组成部分，水果的可溶性固形物含量直接影响着鲜果的糖度。
现阶段国内相关技术研究尚不成熟，检测手段成本较高且不完善，在对果品进行快速的无损检测等级分类时，传统等级分类方法只能够处理数值精确可知的确定数据，需要训练样本类标完全确定，另外模型的预测也存在不确定性。
发明内容
有鉴于此，本发明提出了一种基于DS证据理论融合的水果等级分类方法及系统，在分类问题中引入不确定性，以期降低硬分割导致的分类正确率下降，使用基于DS证据理论对极限学习机(ELM)和偏最小二乘法(PLS)两种方法建立的预测模型进行融合，可大大提高苹果的分类准确率。
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DS证据理论融合的水果等级分类方法，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；
将所述特征波长分别输入到训练好的极限学习机预测模型和基于偏最小二乘法的预测模型，分别得到待测水果的可溶性固形物含量信息；
分别基于所述可溶性固形物含量信息对水果等级进行分类；
基于DS证据理论对两种分类结果进行融合，得到基于可溶性固形物含量的水果等级类别。
在另一些实施方式中，采用如下技术方案：
一种基于DS证据理论融合的水果等级分类系统，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；
用于利用遗传算法筛选出最佳的特征波长的装置；
用于将所述特征波长分别输入到训练好的极限学习机预测模型和基于偏最小二乘法的预测模型，分别得到待测水果的可溶性固形物含量信息的装置；
用于分别基于所述可溶性固形物含量信息对水果等级进行分类的装置；
用于基于DS证据理论对两种分类结果进行融合，得到基于可溶性固形物含量的水果等级类别的装置。
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DS证据理论融合的水果等级分类方法。
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DS证据理论融合的水果等级分类方法。
与现有技术相比，本发明的有益效果是：
(1)采用平滑跟多元散射校正的方法对原始光谱数据进行预处理，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)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。
(3)使用基于DS证据理论的苹果等级分类方法，融合极限学习机与偏最小二乘法的两种预测模型。DS融合后测试集分类等级准确率为94.697％，而单一建模方法ELM测试集分类等级准确率为90.1515％，PLS测试集分类等级准确率为84.8485％，说明本方法要优于单一的模型分类方法。
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ELM测试集分类等级准确率示意图；
图4为本发明实施例中的PLS测试集分类等级准确率示意图；
图5为本发明实施例中的DS融合后测试集分类等级准确率示意图。
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DS证据理论融合的苹果等级分类方法，可无损检测苹果糖度含量，包括下述步骤：
(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。光谱采集完成后，在光谱采集位置测量可溶固形物含量值，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值作为该样本的参考值。
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)利用遗传算法筛选出最佳的特征波长；
具体地，包括以下过程：
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)将所述特征波长分别输入到训练好的极限学习机预测模型和基于偏最小二乘法的预测模型，分别得到待测水果的可溶性固形物含量信息；
建立可溶性固形物与近红外光谱对应的极限学习机预测模型和偏最小二乘法的预测模型，分别对模型进行训练，将最佳特征波长分别输入到训练好的极限学习机预测模型和基于偏最小二乘法的预测模型，分别得到待测水果的可溶性固形物含量信息。
具体地，对于极限学习机预测模型或者基于偏最小二乘法的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；
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；将数据集按7:3的比例分为校正集和预测集。
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。
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；
采集所有红富士苹果的近红外光谱图，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；
光谱采集完成后，利用化学分析法，在光谱采集位置测量可溶固形物含量值；将光谱测量时做标记的部位用刀剜下，挤出果汁，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值作为该样本的参考值。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。
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；最终得到训练后的预测模型。
(4)分别基于所述可溶性固形物含量信息对水果等级进行分类；
本实施例中，将可溶性固形物含量在区间[8，11)内为三等果，可溶性固形物含量在区间[11，13]内为二等果，可溶性固形物含量在区间(13，16]内为一等果。
根据预测模型的分类结果，分别计算不同类别苹果的分类正确率，设一、二、三类果的分类正确率分别为P1、P2、P3，对应的分类错误率作为其不确定类别的质量函数。设A表示一等果，B表示二等果，C表示三等果。
对于每一种预测模型得到的待测苹果的可溶性固形物含量值，分别进行如下处理：
1)当预测的可溶性固形物含量ypre在区间(13，16[内，识别框架为U＝{A，B，C,AB,AC,BC,ABC}。定义可溶性固形物含量在区间两端的一等果的质量函数m(A)分别为0.6和0.99，表示可溶性固形物含量为13时，m(A)为0.6，可溶性固形物含量为16时，m(A)为0.99，可溶性固形物含量从13到16的质量函数m(A)为从0.6到0.99。可溶性固形物含量越靠近16时，对其是一等果的支持率越高，而越靠近13时，其是一等果的支持率降低，其是二等果的支持率增加。
其中，P1为该区间的分类正确率，mmaxA为该区间A的最大概率赋值，mminA为该区间A的最小概率赋值，mminB为该区间B的最小概率赋值，ymax A为区间的最大可溶性固形物含量值，ymin A为区间的最小可溶性固形物含量值，ypre为预测的可溶性固形物含量值；
代表一等果的质量函数，
代表二等果的质量函数，
代表一等果或者二等果的质量函数，即，知道分别结果是一等果或者二等果，但是不知道具体是几等果。
2)当预测的可溶性固形物含量ypre在区间[11，13]内，识别框架为U＝{A，B，C,AB,AC,BC,ABC}。定义可溶性固形物含量在区间两端和区间中间的二等果的质量函数m(B)分别为0.6和0.9，表示当ypre越靠近区间中间时，我们认为其为二等果的可能性最大，对其时二等果的支持率最高；而越远离中间位置，越靠近区间两端，则认为其是二等果的支持率降低，是一等果或三等果的支持率增加。
当预测可溶性固形物含量在区间[11，12]内时：
其中，
当预测可溶性固形物含量在区间[12，13]内时：
其中，
其中，P2为该区间的分类正确率，mmaxB为该区间B的最大概率赋值，mminB为该区间B的最小概率赋值，ymax B为区间的最大可溶性固形物含量值，ymin B为区间的最小可溶性固形物含量值，ymidB为区间可溶性固形物含量值的中间值，ypre为预测的可溶性固形物含量值。
3)当预测的可溶性固形物含量ypre在区间[8，11)内，识别框架为U＝{U＝{A，B，C,AB,AC,BC,ABC}}。定义可溶性固形物含量在区间两端的三等果的质量函数m(C)分别为0.99和0.6，表示越靠近8时，对其是三等果的支持率越高，而越靠近11时，其是三等果的支持率降低，其是二等果的支持率增加。
其中，P3为该区间的分类正确率，mmaxC为该区间C的最大概率赋值，mminC为该区间C的最小概率赋值，mminB为该区间B的最小概率赋值，ymax C为区间的最大可溶性固形物含量值，ymin C为区间的最小可溶性固形物含量值，ypre为预测的可溶性固形物含量值。
图3给出了ELM测试集分类等级准确率示意图，图4给出了PLS测试集分类等级准确率示意图。
(5)基于DS证据理论对两种分类结果进行融合，得到基于可溶性固形物含量的水果等级类别。
证据理论中的组合规则提供了组合两个证据的规则。设m1和m2是2U上的两个相互独立的基本概率赋值，组合后的基本概率赋值：m＝m1⊕m2如下：
设BEL1和BEL2是同一识别框架U上的两个信任函数，m1和m2分别是其对应的基本概率赋值，焦元分别为A1，…，Ak和B1，…，Br，又设：
则：
根据DS证据理论融合规则将极限学习机和偏最小二乘法建模方法的质量函数融合，得到融合后的待测水果属于不同分类类别的支持率，根据支持率的大小，确定待测水果最终所述的类别。
图5给出了DS融合后测试集分类等级准确率示意图。
本实施例中，m1,m2,分别代表两种模型得到的质量函数；融合重点在于质量函数的生成跟融合规则，融合规则确定，主要在于质量函数的生成，质量函数根据预测的可溶性固形物含量得到。
比如下例中，极限学习机(ELM)模型中，A,B,AB为焦元；质量函数融合就是融合后的质量函数，根据这个质量函数得到最终确定的几等果。
以其中一组预测结果为例，其实际测量可溶性固形物含量为11.2，极限学习机(ELM)方法预测其可溶性固形物含量为10.83，偏最小二乘法(PLS)方法预测其可溶性固形物含量为11.69。
首先，我们对识别框架进行构造：
U＝{A,B,C,AB,AC,BC,ABC}
根据预测的可溶性固形物含量，带入公式分别得到ELM预测模型和PLS预测模型两个模型的基本概率赋值，如下表所示：
表3基本概率赋值表
我们把ELM可溶性固形物含量预测模型与PLS可溶性固形物含量预测模型进行DS证据理论融合：
m1(A)＝0.59，m1(B)＝0.31，m1(C)＝0，m1(AB)＝0.10，m1(AC)＝0，m1(BC)＝0，m1(ABC)＝0；
m2(A)＝0.05，m2(B)＝0.69，m2(C)＝0.11，m2(AB)＝0，m2(AC)＝0，m2(BC)＝0，m2(ABC)＝0.15，求m1⊕m2。
根据合成规则公式：
得出：
(m1⊕m2)A＝0.3571,(m1⊕m2)B＝0.5993,(m1⊕m2)C＝0,(m1⊕m2AB＝0.0436,m1⊕m2AC＝0,m1⊕m2BC＝0,m1⊕m2ABC＝0，最终将其定为二等果。
实施例二
在一个或多个实施方式中，公开了一种基于DS证据理论融合的水果等级分类系统，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；
用于利用遗传算法筛选出最佳的特征波长的装置；
用于将所述特征波长分别输入到训练好的极限学习机预测模型和基于偏最小二乘法的预测模型，分别得到待测水果的可溶性固形物含量信息的装置；
用于分别基于所述可溶性固形物含量信息对水果等级进行分类的装置；
用于基于DS证据理论对两种分类结果进行融合，得到基于可溶性固形物含量的水果等级类别的装置。
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DS证据理论融合的水果等级分类方法，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 (7)
1.基于DS证据理论融合的水果等级分类方法，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；
利用遗传算法筛选出最佳的特征波长；
将所述特征波长分别输入到训练好的极限学习机预测模型和基于偏最小二乘法的预测模型，分别得到待测水果的可溶性固形物含量信息；
分别基于所述可溶性固形物含量信息对水果等级进行分类；具体为：
根据可溶性固形物含量值所处的区间范围，分别计算描述其属于不同分类类别支持率的质量函数；基于所述质量函数的取值，判断其所属类别；
基于DS证据理论对两种分类结果进行融合，得到基于可溶性固形物含量的水果等级类别；
基于DS证据理论对两种分类结果进行融合，具体包括：
获取利用极限学习机预测模型得到的待测水果属于不同分类类别的质量函数，和基于偏最小二乘法的预测模型得到的待测水果属于不同分类类别的质量函数；
将两种模型得到的待测水果属于不同分类类别的质量函数分别进行DS证据理论融合，得到融合后的待测水果属于不同分类类别的质量函数，从而确定其所属类别；
将两种模型得到的待测水果属于不同分类类别的质量函数进行DS证据理论融合的方法，具体为：
其中，U为识别框架，
为空集，Ai、Bj为质量函数的焦元，m1(Ai)、m2(Bj)分别是其对应的质量函数，i、j分别表示两种预测模型的分类类别的索引。
2.如权利要求1所述的基于DS证据理论融合的水果等级分类方法，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DS证据理论融合的水果等级分类方法，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DS证据理论融合的水果等级分类方法，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。
5.一种基于DS证据理论融合的水果等级分类系统，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；
用于利用遗传算法筛选出最佳的特征波长的装置；
用于将所述特征波长分别输入到训练好的极限学习机预测模型和基于偏最小二乘法的预测模型，分别得到待测水果的可溶性固形物含量信息的装置；
用于分别基于所述可溶性固形物含量信息对水果等级进行分类的装置；
用于基于DS证据理论对两种分类结果进行融合，得到基于可溶性固形物含量的水果等级类别的装置。
6.一种终端设备，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1-4任一项所述的基于DS证据理论融合的水果等级分类方法。
7.一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1-4任一项所述的基于DS证据理论融合的水果等级分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010513459.7A CN111693488B (zh) | 2020-06-08 | 2020-06-08 | 基于ds证据理论融合的水果等级分类方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010513459.7A CN111693488B (zh) | 2020-06-08 | 2020-06-08 | 基于ds证据理论融合的水果等级分类方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111693488A CN111693488A (zh) | 2020-09-22 |
| CN111693488B true CN111693488B (zh) | 2022-12-06 |
Family
ID=72479846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010513459.7A Active CN111693488B (zh) | 2020-06-08 | 2020-06-08 | 基于ds证据理论融合的水果等级分类方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111693488B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113030001B (zh) * | 2021-03-19 | 2022-08-23 | 北京农业智能装备技术研究中心 | 一种水果糖度检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778815A (zh) * | 2016-11-23 | 2017-05-31 | 河南工业大学 | 基于DS证据理论的小麦品质THz光谱分类方法 |
| CN107238587A (zh) * | 2017-05-09 | 2017-10-10 | 华南农业大学 | 基于光谱技术的蚕蛹雌雄快速无损检测方法 |
| CN109669087A (zh) * | 2019-01-31 | 2019-04-23 | 国网河南省电力公司 | 一种基于多源信息融合的电力变压器故障诊断方法 |
| CN111141836A (zh) * | 2020-01-13 | 2020-05-12 | 石河子大学 | 一种基于声振多域谱与近红外光谱信息融合的梨果早期内部病害无损检测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9037519B2 (en) * | 2012-10-18 | 2015-05-19 | Enjoyor Company Limited | Urban traffic state detection based on support vector machine and multilayer perceptron |
-
2020
- 2020-06-08 CN CN202010513459.7A patent/CN111693488B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778815A (zh) * | 2016-11-23 | 2017-05-31 | 河南工业大学 | 基于DS证据理论的小麦品质THz光谱分类方法 |
| CN107238587A (zh) * | 2017-05-09 | 2017-10-10 | 华南农业大学 | 基于光谱技术的蚕蛹雌雄快速无损检测方法 |
| CN109669087A (zh) * | 2019-01-31 | 2019-04-23 | 国网河南省电力公司 | 一种基于多源信息融合的电力变压器故障诊断方法 |
| CN111141836A (zh) * | 2020-01-13 | 2020-05-12 | 石河子大学 | 一种基于声振多域谱与近红外光谱信息融合的梨果早期内部病害无损检测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| "面向苹果检测的近红外光谱信息处理技术研究";张宁;《中国优秀硕士论文全文数据库 基础科学辑》;20200115;正文第11-52页 * |
| 基于D-S证据理论的决策级多特征融合苹果分级方法;李先锋等;《农业机械学报》;20110625(第06期);第188-192页 * |
| 融合形状和颜色特征的苹果等级检测;李先锋等;《计算机工程与应用》;20101211(第35期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111693488A (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105928901B (zh) | 一种定性定量相结合的近红外定量模型构建方法 | |
| Riedl et al. | Review of validation and reporting of non-targeted fingerprinting approaches for food authentication | |
| 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 | |
| Wang et al. | Technology using near infrared spectroscopic and multivariate analysis to determine the soluble solids content of citrus fruit | |
| CN113049530A (zh) | 一种基于近红外高光谱的单粒玉米种子水分含量检测方法 | |
| CN101825567A (zh) | 一种近红外光谱和拉曼光谱波长的筛选方法 | |
| Wang et al. | Discrimination of cracked soybean seeds by near-infrared spectroscopy and random forest variable selection | |
| CN109115692B (zh) | 一种光谱数据分析方法及装置 | |
| CN109839358B (zh) | 农产品品质分析方法及装置 | |
| CN111343147B (zh) | 一种基于深度学习的网络攻击检测装置及方法 | |
| 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 | |
| CN108680515A (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 | |
| CN113030001B (zh) | 一种水果糖度检测方法及系统 | |
| Shahin et al. | Lentil type identification using machine vision | |
| CN111693488B (zh) | 基于ds证据理论融合的水果等级分类方法及系统 | |
| CN115598162B (zh) | 基于堆叠式模型的土壤重金属含量检测方法 | |
| CN116026795A (zh) | 一种基于反射透射光谱的水稻籽粒品质性状无损预测方法 | |
| CN111879709A (zh) | 湖泊水体光谱反射率检验方法及装置 | |
| CN105866043A (zh) | 一种利用高光谱技术检测苹果酸味的方法 | |
| DK3036525T3 (en) | Identify the presence of substances | |
| CN117309776A (zh) | 一种基于高光谱和单标签回归的生鸡肉成分检测方法 | |
| CN115909324A (zh) | 一种广陈皮陈化年份高光谱鉴别方法及系统 | |
| CN115931727A (zh) | 一种叶绿素a遥感反演方法、装置、系统以及存储介质 | |
| CN111289516B (zh) | 植物叶片氨基酸含量检测方法及装置 | |
| Friska et al. | Random Forest (RF) based identification of rice powder mixture using terahertz spectroscopy |
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 |