CN112697746A - 一种基于光谱信息的红薯粉明矾含量检测方法 - Google Patents
一种基于光谱信息的红薯粉明矾含量检测方法 Download PDFInfo
- Publication number
- CN112697746A CN112697746A CN202011081061.7A CN202011081061A CN112697746A CN 112697746 A CN112697746 A CN 112697746A CN 202011081061 A CN202011081061 A CN 202011081061A CN 112697746 A CN112697746 A CN 112697746A
- Authority
- CN
- China
- Prior art keywords
- information
- sweet potato
- potato powder
- alum
- spectrum information
- 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
- 244000017020 Ipomoea batatas Species 0.000 title claims abstract description 37
- 235000002678 Ipomoea batatas Nutrition 0.000 title claims abstract description 37
- 239000000843 powder Substances 0.000 title claims abstract description 31
- 238000001228 spectrum Methods 0.000 title claims abstract description 31
- 229940037003 alum Drugs 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 230000009467 reduction Effects 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000003595 spectral effect Effects 0.000 claims abstract description 25
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000009659 non-destructive testing Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 235000013305 food Nutrition 0.000 description 5
- 238000000701 chemical imaging Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 229920002472 Starch Polymers 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 235000019698 starch Nutrition 0.000 description 3
- 239000008107 starch Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000001237 Raman spectrum Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 235000013312 flour Nutrition 0.000 description 1
- 235000001497 healthy food Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000036186 satiety Effects 0.000 description 1
- 235000019627 satiety Nutrition 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000001429 visible spectrum Methods 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
- G01N21/3581—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation
-
- 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
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Toxicology (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于光谱信息的红薯粉明矾含量检测方法，特别涉及测量领域。包括以下步骤：S1：通过光谱仪得到红薯粉的可见‑近红外光谱信息；S2：获取多个红薯粉样本，并通过光谱仪得到所述样本的近红外光谱信息；S3：将所述可见‑近红外光谱信息和所述近红外光谱信息合称为光谱信息，对所述光谱信息进行预处理得到预处理信息；S4：对所述预处理信息进行数据降维得到最终降维数据；S5：根据所述最终降维数据进行建模得到明矾检测模型。本方案解决了如何对红薯粉成分进行无损检测的技术问题，适用于红薯粉明矾含量的无损检测。
Description
技术领域
本发明涉及测量领域，特别涉及一种基于光谱信息的红薯粉明矾含量检测方法。
背景技术
在我国早期，红薯不仅是主要粮食作物之一，也是饲料作物之一，为解决温饱问题做出重大贡献。随着科技的进步与社会经济发展，我国红薯的生产经营、消费结构以及市场格局发生了重大改变。红薯现已成为中国农业生产重要的低投入、高产出、耐干旱、耐瘠薄、多用途(即粮食、饲料、食品工业、能源兼用)的高效经济作物，是饲料和淀粉工业的主要原材料，是畜牧业和轻工业发展不可或缺的基础农作物，作为新兴产业正在广大民增加收入，为国人提供健康食品，为工业提供生物能源,释放出巨大的潜能。目前，我国红薯收货总量的目前，我国红薯收货总量的目前，我国红薯收货总量的70～80％被加工成淀粉、粉丝条等制品，其中以淀粉类制品为主。
我国的食品卫生检测以化学为主，根据《GB15202-1994面制食品中铝限量卫生标准》的操作方案，检测结果准确可靠，但化学存在滞后性,即取样和检测耗时较长，需要专业人员的操作，满足不了民群众日益增求。目前，实时、快速、无损的光谱与光谱成像技术得到了广泛的研究和应用。常用的光谱包括近红外光谱、可见光谱、激光诱导诱发光谱、拉曼光谱等，而常用的光谱成像技术包括多光谱成像技术、高光谱成像技术等。这些常用的光谱与光谱成像技术，基于不同的原理，在植物、土壤、食品的信息采集中都得到了一定的研究和应用，但有关红薯粉的研究报道比较少。为了适应红薯粉市场的快速发展和人们对红薯粉品质的更高要求，开发一种快速、安全、绿色的红薯粉检测技术迫在眉睫。
发明内容
本发明所要解决的技术问题是如何对红薯粉成分进行无损检测。
本发明解决上述技术问题的技术方案如下：一种基于光谱信息的红薯粉明矾含量检测方法，包括以下步骤：
S1：通过光谱仪得到红薯粉的可见-近红外光谱信息；
S2：获取多个红薯粉样本，并通过光谱仪得到所述样本的近红外光谱信息；
S3：将所述可见-近红外光谱信息和所述近红外光谱信息合称为光谱信息，对所述光谱信息进行预处理得到预处理信息；
S4：对所述预处理信息进行数据降维得到最终降维数据；
S5：根据所述最终降维数据进行建模得到明矾检测模型。
本发明的有益效果是：本方案中，基于于可见-近红外光谱、近红外光谱和激光诱导击穿光谱，运用了SG平滑、去除包络线等光谱预处理方法，再利用PCA、NCA等降维方法建立模型实现对明矾含量的检测，本方案中用到的光谱信息检测对红薯粉本身没有损伤，且方便快捷，实现了对红薯粉明矾含量的无损检测。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，步骤S3具体包括：
S31：对所述光谱信息进行小波滤波得到初次降噪信息；
S32：通过Savitzky-Golay平滑算法遍历所述预处理信息得到三次降噪的预处理信息。
S33：对所述初次降噪信息进行归一化处理，得到预处理信息。
采用上述进一步方案的有益效果是，由光谱仪得到的光谱信息中既含有有用信息，也叠加着随机误差噪声，对光谱信息进行均值化处理后能够消除其中的误差噪声；小波滤波能够同时在时频域中对初步降噪信息进行分析，有效区分信号中的突变部分和噪声，实现在信号去噪过程中保留有效信息。
进一步，步骤S4具体包括：
S41：去除预处理信息的光谱数据中方差最小的70％的波段得到初次降维数据；
S42：通过下列经验公式对所述初次降维数据中的每个波段进行计算得到二次降维数据：
lg1/x，
其中x为光谱数据某一波段的数值；
对预处理信息进行近邻成分分析得到初步分析结果；
S43：对所述初步分析结果进行主成分分析得到降维数据，并得到5个潜变量。
采用上述进一步方案的有益效果是，近邻成分分析是一种非参数化的嵌入式特征选择方法、有监督距离测度学习算法，该算法使用正则化和留一法优化算法参数，根据算得的权重ω对光谱数据进行特征选择，能够提高回归模型的预测精度；
主成分分析是一种用于数据降维的线性潜变量模型，可以用来揭示大样本、数据和样本之间的关系，隐性地选择出特征波段，实现数据降维，以便更好地实现红薯粉产地辨别。
进一步，步骤S5具体为：
S51：将每个所述样本的最终降维数据按照样本的明矾含量梯度分为训练样本和预测样本，每个明矾含量梯度中的样本随机挑选5个作为训练样本；
S52：建立神经网络模型，所述神经网络模型包括输出层、输入层、隐藏层1和隐藏层2，所述输入层有17个神经单元，所述隐藏层1有10个神经元，传输函数为“tansig”，所述隐藏层2有1个神经元，传输函数为“tansig”，所述输出层有1个神经元，传输函数为“purelin”；
S53：根据所述训练样本和预测样本训练所述神经网络模型得到明矾检验模型。
本发明附加的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，或通过本发明实践了解到。
附图说明
图1为本发明基于光谱信息的红薯粉明矾含量检测方法的实施例的方法流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例基本如附图1所示：
本实施例中基于光谱信息的红薯粉明矾含量检测方法，包括：以下步骤：
S1：通过光谱仪得到红薯粉的可见-近红外光谱信息，本实施例中，调整光谱仪并对光谱仪的光谱图像进行黑白校正，调整光谱仪的相机曝光时间为0.02秒；为了提高光谱数据的稳定性和可比性，需要利用下列公式进行校正：
其中Rnorm为校正后的光谱数据，Rraw为原始光谱数据，Rdark为盖上镜头盖后采集的全暗参考数据，Rwite为扫描标准白板得到的全白参考数据；
S2：获取多个红薯粉样本，并通过光谱仪得到样本的近红外光谱信息，本实施例中通过以下步骤进行近红外光谱采集：
S201：调整样本和镜头之间的距离为12.6厘米；
S202：调整镜头焦距使相机聚焦；
S203：移动平台的移动速度设置为11.5mm/s；
S204：相机曝光时间设置为3毫秒；
S205：进行黑白校正；
S3：将可见-近红外光谱信息和近红外光谱信息合称为光谱信息，对光谱信息进行预处理得到预处理信息；
S4：对预处理信息进行数据降维得到最终降维数据；
S5：根据最终降维数据进行建模得到明矾检测模型。
本发明的有益效果是：本方案中，基于于可见-近红外光谱、近红外光谱和激光诱导击穿光谱，运用了SG平滑、去除包络线等光谱预处理方法，再利用PCA、NCA等降维方法建立模型实现对明矾含量的检测，本方案中用到的光谱信息检测对红薯粉本身没有损伤，且方便快捷，实现了对红薯粉明矾含量的无损检测。
在上述技术方案的基础上，本发明还可以做如下改进。
可选的，在一些其它实施例中，步骤S3具体包括：
S31：对光谱信息进行小波滤波得到初次降噪信息，本实施例中，对长度为N的光谱信息s，离散小波变换最多有log2N级，第一级的计算从s开始，计算出两个系数：主体系数cA1和细节系数cD1，其中s与低通滤波器Lo_D卷积得到主体F，与高通滤波器Hi_D卷积得到细节G，然后对F和G进行降采样，分别得到主体系数cA1和细节系数cD1，第二级计算的s便是第一级所得到的主体信号cA1，以此类推；
S32：通过Savitzky-Golay平滑算法遍历预处理信息得到三次降噪的预处理信息，本实施例中，将Savitzky-Golay平滑算法简称为SG平滑算法，SG平滑算法把窗口内的2n+1个预处理信息标记为X集合(xi-n xi-1，xi，xi+1xi+n)，使用多项式拟合窗口内的光谱数据曲线，得到多项式拟合曲线，再计算多项式拟合曲线中坐标为xi的响应值，使用该响应值取代二次降噪信息中坐标为xi的数据，然后依次移动窗口，遍历预处理信息，其中多项式拟合利用下列公式
拟合算法使用最小二乘法。
S33：对初次降噪信息进行归一化处理，得到预处理信息，本实施例中使用去除包络线的方法对初次降噪信息进行归一化；
由光谱仪得到的光谱信息中既含有有用信息，也叠加着随机误差噪声，对光谱信息进行均值化处理后能够消除其中的误差噪声；小波滤波能够同时在时频域中对初步降噪信息进行分析，有效区分信号中的突变部分和噪声，实现在信号去噪过程中保留有效信息。
可选的，在一些其它实施例中，步骤S4具体包括：
S41：去除预处理信息的光谱数据中方差最小的70％的波段得到初次降维数据，本实施例中的初次降维数据的维度为76维；
S42：通过下列经验公式对初次降维数据中的每个波段进行计算得到二次降维数据：
lg1/x，
其中x为光谱数据某一波段的数值；
对预处理信息进行近邻成分分析得到初步分析结果，本实施例中假设集合S包含n个样本，即S＝{(xi,yi),i＝1,2,…,n}，其中xi是光谱数据并且
yi是响应值，从集合S中选择1个光谱数据xi当作参考点Ref(xi)，按照下列公式计算：
其余n-1个光谱数据xj到参考点Ref(x)的概率pij，其中，距离函数
核函数
ω为权值；
结合概率pij，使用下列公式计算以xi为参考点时的损失值li：
其中l(yi,yj)为损失函数，本方案中的损失函数为绝对误差，即|yi-yj|；
添加正则项，使目标函数f(w)最小化，算得权重ω。目标函数f(w)的公式为：
其中λ为可调常数，用以调整目标函数正则化强度；
本实施例中使用遍历法和K折交叉验证法找到最合适的λ，K折交叉中的k为5，λ具体为1.8729e-6；
S43：对初步分析结果进行主成分分析得到降维数据，并得到5个潜变量，本实施例中的第一个潜变量是空间中的单轴。将每个样本数据投影到该轴上，形成一个新的变量。这个变量的方差是空间中所有单轴里可得的最大的方差。第二个潜变量是空间中的另一个单轴，与第一个轴互相垂直，同样形成一个新的变量，并且变量的方差是所有单轴里可得的最大的方差。以此类推，算得所有潜变量。
近邻成分分析是一种非参数化的嵌入式特征选择方法、有监督距离测度学习算法，该算法使用正则化和留一法优化算法参数，根据算得的权重ω对光谱数据进行特征选择，能够提高回归模型的预测精度；
主成分分析是一种用于数据降维的线性潜变量模型，可以用来揭示大样本、数据和样本之间的关系，隐性地选择出特征波段，实现数据降维，以便更好地实现红薯粉产地辨别。
可选的，在一些其它实施例中，步骤S5具体为：
S51：将每个样本的最终降维数据按照样本的明矾含量梯度分为训练样本和预测样本，每个明矾含量梯度中的样本随机挑选5个作为训练样本；
S52：建立神经网络模型，神经网络模型包括输出层、输入层、隐藏层1和隐藏层2，输入层有17个神经单元，本实施例中的最终降维数据有11维，输入层用于接收11维的光谱数据，输入层的每个神经元都将数据传输给隐藏层1的每个神经元，隐藏层1有10个神经元，传输函数为“tansig”，隐藏层2有1个神经元，传输函数为“tansig”，输出层有1个神经元，传输函数为“purelin”；
S53：根据训练样本和预测样本训练神经网络模型得到明矾检验模型。
需要说明的是，上述各实施例是与上述各方法实施例对应的产品实施例，对于本实施例中各结构装置及可选实施方式的说明可以参考上述各方法实施例中的对应说明，在此不再赘述。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“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必针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (4)
1.一种基于光谱信息的红薯粉明矾含量检测方法，其特征在于，包括以下步骤：
S1：通过光谱仪得到红薯粉的可见-近红外光谱信息；
S2：获取多个红薯粉样本，并通过光谱仪得到所述样本的近红外光谱信息；
S3：将所述可见-近红外光谱信息和所述近红外光谱信息合称为光谱信息，对所述光谱信息进行预处理得到预处理信息；
S4：对所述预处理信息进行数据降维得到最终降维数据；
S5：根据所述最终降维数据进行建模得到明矾检测模型。
2.根据权利要求1所述的基于光谱信息的红薯粉明矾含量检测方法，其特征在于：
步骤S3具体包括：
S31：对所述光谱信息进行小波滤波得到初次降噪信息；
S32：通过Savitzky-Golay平滑算法遍历所述预处理信息得到三次降噪的预处理信息。
S33：对所述初次降噪信息进行归一化处理，得到预处理信息。
3.根据权利要求1所述的基于光谱信息的红薯粉明矾含量检测方法，其特征在于：
步骤S4具体包括：
S41：去除预处理信息的光谱数据中方差最小的70％的波段得到初次降维数据；
S42：通过下列经验公式对所述初次降维数据中的每个波段进行计算得到二次降维数据：
lg1/x，
其中x为光谱数据某一波段的数值；
对预处理信息进行近邻成分分析得到初步分析结果；
S43：对所述初步分析结果进行主成分分析得到降维数据，并得到5个潜变量。
4.根据权利要求1所述的基于光谱信息的红薯粉明矾含量检测方法，其特征在于：
步骤S5具体为：
S51：将每个所述样本的最终降维数据按照样本的明矾含量梯度分为训练样本和预测样本，每个明矾含量梯度中的样本随机挑选5个作为训练样本；
S52：建立神经网络模型，所述神经网络模型包括输出层、输入层、隐藏层1和隐藏层2，所述输入层有17个神经单元，所述隐藏层1有10个神经元，传输函数为“tansig”，所述隐藏层2有1个神经元，传输函数为“tansig”，所述输出层有1个神经元，传输函数为“purelin”；
S53：根据所述训练样本和预测样本训练所述神经网络模型得到明矾检验模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011081061.7A CN112697746A (zh) | 2020-10-11 | 2020-10-11 | 一种基于光谱信息的红薯粉明矾含量检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011081061.7A CN112697746A (zh) | 2020-10-11 | 2020-10-11 | 一种基于光谱信息的红薯粉明矾含量检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112697746A true CN112697746A (zh) | 2021-04-23 |
Family
ID=75505835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011081061.7A Pending CN112697746A (zh) | 2020-10-11 | 2020-10-11 | 一种基于光谱信息的红薯粉明矾含量检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112697746A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113588814A (zh) * | 2021-07-08 | 2021-11-02 | 华东理工大学 | 一种植物油的品质分析方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107491784A (zh) * | 2017-08-09 | 2017-12-19 | 云南瑞升烟草技术（集团）有限公司 | 基于深度学习算法的烟叶近红外光谱定量建模方法及应用 |
| CN111754028A (zh) * | 2020-06-08 | 2020-10-09 | 吉林大学 | 一种基于高光谱的煤炭灰分、水分检测系统及方法 |
-
2020
- 2020-10-11 CN CN202011081061.7A patent/CN112697746A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107491784A (zh) * | 2017-08-09 | 2017-12-19 | 云南瑞升烟草技术（集团）有限公司 | 基于深度学习算法的烟叶近红外光谱定量建模方法及应用 |
| CN111754028A (zh) * | 2020-06-08 | 2020-10-09 | 吉林大学 | 一种基于高光谱的煤炭灰分、水分检测系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 修连存等: "可见光-近红外光纤光谱矿物分析仪研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
| 祖恩东: "《宝石材料分析方法》", 30 September 2017 * |
| 蒋荣霞等: "7 种不同品牌粉条明矾含量与耐水煮性分析", 《食品安全质量检测学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113588814A (zh) * | 2021-07-08 | 2021-11-02 | 华东理工大学 | 一种植物油的品质分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220051074A1 (en) | Quantitative spectral data analysis and processing method based on deep learning | |
| Wang et al. | Use of hyperspectral imaging to discriminate the variety and quality of rice | |
| CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
| Singh et al. | Nondestructive identification of barley seeds variety using near‐infrared hyperspectral imaging coupled with convolutional neural network | |
| CN110132862B (zh) | 小麦赤霉病检测专属病情指数构建方法及其应用 | |
| CN102033043A (zh) | 基于高光谱图像技术的粮粒含水率检测方法 | |
| Sun et al. | Quantitative determination of rice moisture based on hyperspectral imaging technology and BCC‐LS‐SVR algorithm | |
| Çetin et al. | Using hyperspectral imaging technology and machine learning algorithms for assessing internal quality parameters of apple fruits | |
| Deng et al. | Moisture content prediction in tealeaf with near infrared hyperspectral imaging | |
| Saccon et al. | Assessment of Fusarium and deoxynivalenol using optical methods | |
| Pang et al. | Hyperspectral imaging coupled with multivariate methods for seed vitality estimation and forecast for Quercus variabilis | |
| Zhou et al. | Identification of the variety of maize seeds based on hyperspectral images coupled with convolutional neural networks and subregional voting | |
| He et al. | Fast discrimination of apple varieties using Vis/NIR spectroscopy | |
| Femenias et al. | Hyperspectral imaging for the classification of individual cereal kernels according to fungal and mycotoxins contamination: A review | |
| Qi et al. | Moldy peanut kernel identification using wavelet spectral features extracted from hyperspectral images | |
| CN112903602A (zh) | 基于机器学习和高光谱成像的多种类柑橘病叶识别方法及系统 | |
| Puttipipatkajorn et al. | Development of calibration models for rapid determination of moisture content in rubber sheets using portable near-infrared spectrometers | |
| Yu et al. | Rapid and visual measurement of fat content in peanuts by using the hyperspectral imaging technique with chemometrics | |
| Ma et al. | Rapid detection of total nitrogen content in soil based on hyperspectral technology | |
| CN112697746A (zh) | 一种基于光谱信息的红薯粉明矾含量检测方法 | |
| CN104297136A (zh) | 一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法 | |
| CN116883674B (zh) | 多光谱图像去噪装置及使用该装置的食品品质检测系统 | |
| Gao et al. | Precautionary analysis of sprouting potato eyes using hyperspectral imaging technology | |
| Liu et al. | Estimation of chlorophyll content in maize canopy using wavelet denoising and SVR method | |
| CN111751295A (zh) | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 |
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 |
Application publication date: 20210423 |
|
| RJ01 | Rejection of invention patent application after publication |