CN116026787B - 一种香精品级检测方法及系统 - Google Patents
一种香精品级检测方法及系统 Download PDFInfo
- Publication number
- CN116026787B CN116026787B CN202310314829.8A CN202310314829A CN116026787B CN 116026787 B CN116026787 B CN 116026787B CN 202310314829 A CN202310314829 A CN 202310314829A CN 116026787 B CN116026787 B CN 116026787B
- Authority
- CN
- China
- Prior art keywords
- essence
- data
- near infrared
- characteristic
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 230000000007 visual effect Effects 0.000 claims abstract description 19
- 238000000926 separation method Methods 0.000 claims abstract description 13
- 238000000513 principal component analysis Methods 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 24
- 238000002310 reflectometry Methods 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 10
- 230000000630 rising effect Effects 0.000 claims description 9
- 230000004069 differentiation Effects 0.000 claims description 8
- 239000003205 fragrance Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims 1
- 230000002087 whitening effect Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000011426 transformation method Methods 0.000 abstract 1
- 230000003595 spectral effect Effects 0.000 description 11
- 239000007789 gas Substances 0.000 description 7
- 235000013305 food Nutrition 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000002835 absorbance Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000701 chemical imaging Methods 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 239000012071 phase Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 229910052717 sulfur Inorganic materials 0.000 description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 150000001412 amines Chemical class 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 150000002576 ketones Chemical class 0.000 description 2
- 150000002632 lipids Chemical class 0.000 description 2
- 239000002304 perfume Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 235000013599 spices Nutrition 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 1
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 1
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 1
- 241000163925 Bembidion minimum Species 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 229930003268 Vitamin C Natural products 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 150000007513 acids Chemical class 0.000 description 1
- 150000001298 alcohols Chemical class 0.000 description 1
- 150000001299 aldehydes Chemical class 0.000 description 1
- 230000036528 appetite Effects 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 229910001873 dinitrogen Inorganic materials 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 229940127554 medical product Drugs 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 235000005985 organic acids Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 235000010987 pectin Nutrition 0.000 description 1
- 229920001277 pectin Polymers 0.000 description 1
- 239000001814 pectin Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000002470 solid-phase micro-extraction Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001256 steam distillation Methods 0.000 description 1
- 238000000194 supercritical-fluid extraction Methods 0.000 description 1
- 235000019154 vitamin C Nutrition 0.000 description 1
- 239000011718 vitamin C Substances 0.000 description 1
- 235000014101 wine Nutrition 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种香精品级检测方法及系统，所述方法包括基于近红外高光谱采集的香精视觉信息、密度信息和基于电子气味传感器采集的气味信息，并基于主成分分析、最小噪声分离变换方法、波形几何特征和小波分解进行特征提取，进一步进行特征融合；通过分别采集不同等级的香精样品的特征，并进行标记，将采集到的数据以及对应的等级存入数据库中；基于神经网络识别香精的品质，从而实现对香精品质的等级分类。本发明通过采集香精的视觉信息、密度信息和气味信息，并进行数据的处理，提取其特征进行分析，从而实现快速、准确的香精品级检测。
Description
技术领域
本发明涉及香精检测领域，尤其是一种香精品级检测方法及系统。
背景技术
香料是能够被嗅觉和味觉感觉出芳香气息或滋味的物质，单一的香料大多气味比较单调，不能单独地直接使用。香精亦称调和香料，是由人工调配的香料混合物。在现实生活中，香精的用途十分广泛，可用于食品、烟酒制品、医药制品、日化制品等很多领域。其中食品香料是指能够用于调配食品香精，并使食品增香的物质，它不但能够增强食欲，有利于人的消化吸收，而且对增加食品的花色晶种和提高食品的质量也具有很重要的作用。
近年来国内外关于香精香料的品质研究多是采用色谱法，该方法需要采用化学方法取样、制备溶液，常用的提取方法有水蒸气蒸馏、同时蒸馏萃取、溶剂萃取、超临界流体萃取、固相微萃取技术等，所述方法制备及实验过程复杂，且所需时间较长，无法实现大量的样本的检验。
发明内容
（一）解决的技术问题
为了解决上述技术问题，本发明提供一种香精品级检测方法及系统，所述方法基于香精视觉信息、密度信息和气味信息的采集和自动化处理，基于神经网络检测香精的品质，从而实现快速方便地对香精品质的等级分类。
（二）技术方案
为了解决上述存在的技术问题，实现发明目的，本发明是通过以下技术方案实现的：
1.一种香精品级检测方法，包括如下步骤：
S1：采集香精视觉信息、密度信息和气味信息；
具体的，基于近红外高光谱采集香精视觉信息；基于电子气味传感器采集香精气味信息；
S2：数据处理，包括，
S21：近红外高光谱数据预处理；
S22：电子气味传感器以及密度数据标准化处理；
S3：特征提取与数据融合，包括，
S31：特征提取，基于主成分分析和最小噪声分离变换两种方法对近红外高光谱影像进行特征提取；电子气味传感器信号特征包括信号波形几何特征和小波分解特征；
S32：数据融合
将近红外高光谱特征、电子气味传感器信号特征以及密度特征进行特征融合；
S4：建立数据库
分别采集不同等级的香精样品的特征，并进行标记，将采集到的数据以及对应的等级存入数据库中；
S5：基于神经网络识别香精的品质，从而实现对香精品质的等级分类。
进一步的，所述步骤S21中近红外高光谱数据预处理包括：
a.计算相对反射率，所述相对反射率R的校准如下式计算获得：
；
其中，为实际被测物的反射光强，/>为标准白板的反射光强，/>为暗电流强度；
b.分割图像，基于自动阈值分割的方法，根据研究对象和背景之间存在明显的相对反射率差异来做分割，根据这个差异设置阈值，将研究对象和背景做分割，得到感兴趣区域；
c.使用SG卷积平滑、光谱微分和以均值为中心的归一化、标准正态变量变换的方法做数据预处理。
进一步的，所述以均值为中心的归一化的具体数学模型如下式所示：
；
其中表示第i个样本点在n波段均值归一化后的反射率值，/>表示第i个样本在n波段原始反射率值，/>表示所有样本点在n波段反射率的平均值，/>和/>分别表示所有样本点在n波段反射率的最大值和最小值。
进一步的，所述步骤S31中所述主成分分析方法包括：
设原始高光谱数据，其中/>，经过归一化处理的数据为/>,于是有/>，其中/>；其中k表示像素个数，F代表每个像素具有的维数特征；
1）计算协方差矩阵
；
其中
；
2）计算协方差矩阵的特征向量与其特征值；
令，求解所有特征值/>和特征向量/>表示为下式:
；
；
3）选择保留成分数形成新的特征
将得到的特征值依据大小进行排列，选取前m个特征值与之对应的特征向量表示为前m个主成分，此时的m个成分可表示降维之后的数据。
进一步的，选择主成分分析变换的前10个主成分，最小噪声分离变换变换的前15个主成分。
进一步的，所述步骤S31中波形几何特征包括：
响应曲线上升时间、响应曲线的最大响应值、中值、响应曲线在上升阶段以及下降阶段的曲线积分、上升时间一半的响应值、下降时间一半的响应值、下降阶段最大曲率处的时刻、下降阶段的最大曲率处、在达到最大值前后5秒的内的平均响应值；
小波分解特征包括：
设电子气味传感器信号S(t)，其可以用母小波h(t)及其子小波的加权求和近似表示，即：
；
其中，、/>、/>分别为每个子小波的权系数、平移因子和伸缩因子；将所述参数按照序列排序即可得到信号的特征向量：
。
进一步的，所述步骤S32中特征融合具体包括：
基于串行特征融合方法，新的特征向量维数为原始提取特征向量维数之和；
设近红外高光谱特征为, 电子气味传感器信号特征为，密度特征为/>，则将三个特征向量进行融合后得到向量λ：
。
进一步的，所述步骤S5中的神经网络为CNN-LSTM神经网络。
本发明还提供一种香精品级检测系统，其包括：
采集模块，其用于采集香精视觉信息、密度信息和气味信息；
具体的，基于近红外高光谱采集香精视觉信息；基于电子气味传感器采集香精气味信息；
数据处理模块，其用于对近红外高光谱数据、电子气味传感器以及密度数据进行处理；
特征提取与数据融合模块，其用于提取近红外高光谱特征以及电子气味传感器信号特征，并将近红外高光谱特征、电子气味传感器信号特征以及密度特征进行特征融合；
数据库模块，其用于将分别采集的不同等级的香精样品的特征，以及对应的标记等级存入数据库中；
识别模块，其用于基于神经网络识别香精的品质，从而实现对香精品质的等级分类。
与现有技术相比，本发明的有益效果为：
通过采集香精的视觉信息、密度信息和气味信息，并进行数据的处理，提取其特征进行分析，从而实现快速、准确的香精品级检测。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，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。在附图中：
图1是根据本申请实施例的一种香精品级检测方法流程示意图；
图2是根据本申请实施例的神经网络结构示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
参见图1，一种香精品级检测方法包括以下步骤：
S1：采集香精视觉信息、密度信息和气味信息；
基于近红外高光谱采集香精视觉信息；基于电子气味传感器采集香精气味信息。
S11：基于近红外高光谱采集香精视觉信息采集
本发明基于近红外高光谱成像技术实现香精视觉信息检测。采集获得低噪声、低畸变的高质量光谱图像对后续的数据提取和分析有着至关重要的作用。具体的采集过程如下：
（1）在开启近红外高光谱成像系统之前，先确认近红外高光谱相机、光源、位移台以及电脑端的电源线和数据线准确连接。
（2）开启光源组件，旋转按钮调整光源强度。
（3）在光照强度确认后，进行焦距的调整。
（4）完成焦距、光强和曝光时间的调整后，需要确定样品台的移动速度。
（5）完成上述的调整准备工作后，确定系统的光强、曝光时间、扫描速度等参数。最终可以放置香精样本，进行香精样本近红外高光谱图像的扫描和采集。
S12：密度信息采集
通过在固定体积的容器中装入一定量香精样品，通过测量其质量，通过计算获得样本密度信息。
S13：基于电子气味传感器采集香精气味信息
根据香精化学类型以及常见的混合杂质的化学类型，选择气体传感器阵列。
由于不同类型的香精中含有蛋白质、脂肪、维生素C、碳水化合物、酸类、酮类、果胶、有机酸等有机物，还含有钙、磷、铁、钾等矿物质，其挥发出的气体主要包括CO2、CHLOH、烃类、脂类及胺类和氮类气体。
根据待检测的香精及其所含杂质的组成成分选择不同类型的气体传感器组成气体传感器阵列，所述气体传感器包括用于检测氨气及胺类、烃类气体、醇类、空气质量、脂类(包括醛、酮类)、一氧化氮、二氧化氮、一氧化碳、氢气类气体的浓度的传感器。
S2：数据处理
S21：近红外高光谱数据预处理
（1）计算相对反射率
采集完成后得到原始近红外高光谱图像，该图像每个像素点上的光谱值不是相对反射率值，而是相机接收到的反射光强度值。因此需要对该图像进行预处理，得到数据分析所需要的相对反射率值。
则相对反射率R的校准如下式计算获得：
；
其中，为实际被测物的反射光强，/>为标准白板的反射光强，/>为暗电流强度。
（2）分割图像与波段选择
基于自动阈值分割的方法，根据研究对象和背景之间存在明显的相对反射率差异来做分割，根据这个差异设置阈值，将研究对象和背景做分割，得到感兴趣区域。
通过高光谱成像系统获取的影像首尾噪声较大，有效信息含量很少。因此需要去除首尾噪声较大的波段以及明显是周围噪声导致的波段。
（3）使用SG卷积平滑、光谱微分和以均值为中心的归一化、标准正态变量变换的方法做数据预处理。
SG卷积平滑算法是一种应用广泛的光谱去噪方法，其基本思想为以幂函数多项式组合作为基函数，以减少变量的方式近似模拟原始光谱数据，通过截取波长点间隔，以波长点间隔为底数组建幂函数多项式组合，进而构成多项式基矩阵，由多项式基矩阵变化成平滑矩阵。
设为采集并输出的原始光谱反射率数据，其中i为试样某一光谱曲线的编号数，m为光谱曲线维数。在波长点λ处以Δλ为波长点间隔半径，取反射光谱数据点向量/>，其平滑矩阵为/>，则波长点λ处原始反射光谱数据点向量/>经SG卷积平滑后的反射光谱数据点向量/>为
；
光谱微分可将光谱曲线吸收谷特征放大，提高部分波段信噪比，并可消除参照干扰将漂移的光谱曲线校正到统一的基线。光谱微分常用一阶微分(FD)和二阶微分(SD)，利用直接差分法求解如下
；
；
其中，Δλ为微分的波长半径，为波长点λ处的一阶微分反射率值，/>为波长点λ处的二阶微分反射率值。
以均值为中心的归一化可以消除数据之间的量纲影响，便于不同单位或量级的指标能够进行比较和加权，也可以减小部分由于粒径导致的散射影响。
均值归一化的具体数学模型如下式所示：
；
其中表示第i个样本点在n波段均值归一化后的反射率值，/>表示第i个样本在n波段原始反射率值，/>表示所有样本点在n波段反射率的平均值，/>和/>分别表示所有样本点在n波段反射率的最大值和最小值。
标准正态变量变换可有效去除光线传播路径对光谱曲线的干扰，提高光谱数据噪比。对于单条反射光谱曲线，标准正态变量变换将光谱反射率转化为吸光度，根据吸光度在所有波长点的均值，进行标准正态变换，其求解过程如下：
；
；
；
其中，m为反射光谱维数，为波长点λ处吸光度；/>为此条吸光度光谱曲线的光谱数据平均值，/>为波长点λ处的标准正态变量变换光谱曲线数值。
S22：电子气味传感器以及密度数据处理
基于标准差方法对数据进行标准化处理，计算公式如下：
；
其中代表标准化数据，/>代表原始数据，/>代表原始数据的平均值，/>代表原始数据的标准差。
S3：特征提取与数据融合
S31：特征提取
（1）近红外高光谱特征提取
本发明采用主成分分析和最小噪声分离变换两种方法对近红外高光谱影像进行降维。主成分分析是最基本的高光谱数据降维方法，广泛应用于高光谱数据压缩、去相关、去噪和特征提取等，变换后的各个主成分基于信息量排序。最小噪声分离是根据图像质量排列各个成分。
a.主成分分析
主成分分析是最基本的高光谱数据特征提取方法，该方法基于信息量对原始数据做正交线性变换，采用线性投影将原始数据投影到新的坐标空间中，使得新的成分按信息量分布。通过主成分分析变换，可以将原始数据的有用信息集中到几个少量的主成分中，同时原始影像信息量损失最小，主成分分析计算方法如下：
设原始高光谱数据，其中/>，经过归一化处理的数据为/>,于是有/>，其中/>；其中k表示像素个数，F代表每个像素具有的维数特征；
1）计算协方差矩阵
；
其中
；
2）计算协方差矩阵的特征向量与其特征值
令，求解所有特征值/>和特征向量/>表示为下式:
；
；
3）选择保留成分数形成新的特征
将得到的特征值依据大小进行排列，选取前m个特征值与之对应的特征向量表示为前m个主成分，此时的m个成分可表示降维之后的数据。
b.最小噪声分离
最小噪声分离变换可以判定图像数据内在的维数(即波段数)，分离数据中的噪声，减少后续处理中的计算需求量。其本质上是两次主成分变换，第一次变换基于估计的噪声协方差矩阵，用来分离和重新调节数据中的噪声，使得变换后的噪声数据只有最小的方差且没有波段间的相关。第二步是对噪声白化数据的标准主成分变换。
假设信号是pXN维矩阵，行向量组的均值向量/>，协方差矩阵/>。
假设
；
其中，s和N指Z中的信号和噪声，并且S和N不相关，由此
；
其中，和/>分别为S和N的协方差矩阵，这里假设噪声为加性噪声，最小噪声分离变换也可以用于乘性噪声的图像，但需要对图像做对数处理，将乘性噪声变为加性噪声。MNF变换是基于图像质量的线性变换，变换结果的成分按照信噪比大小排序。
最小噪声分离变换基于影像质量做线性变换，变换后各个分量按照信噪比的大小排序， 统计图像中可见近红高光谱影像降维结果各成分的信息量。取前n个成分。
可选的，本发明选择主成分分析变换的前10个主成分，最小噪声分离变换变换的前15个主成分。
（2）电子气味传感器信号特征提取
电子气味传感器信号特征包括信号波形几何特征和小波分解特征。
a.几何特征
几何特征具有简单，快速以及直观的优点。通过采样数据描绘成一个曲线，提取曲线特征，包括响应曲线上升时间、响应曲线的最大响应值、中值、响应曲线在上升阶段以及下降阶段的曲线积分、上升时间一半的响应值、下降时间一半的响应值、下降阶段最大曲率处的时刻、下降阶段的最大曲率处、在达到最大值前后5秒的内的平均响应值等几何特征。
b.小波分解
小波分解可以通过小波的分解与重构来给出更多的信号信息。小波的波形由三个参数确定，分别是：位置、尺度和频率。一个小波函数可以正交的分解成一组小波基。其中每个小波基都表示着一种信号，并且根据不同的特征来进行重构。
设电子气味传感器信号S(t)，其可以用母小波h(t)及其子小波的加权求和近似表示，即：
；
其中，、/>、/>分别为每个子小波的权系数、平移因子和伸缩因子。
可选的，信号的这一近似表示可以用神经网络表示。网络参数、/>、/>通过求解能量函数/>的最小值得到。基于梯度下降法求得能量函数的最小值后，即可得到网络参数/>、/>、/>，将所述参数按照序列排序即可得到信号的特征向量：
。
S32：数据融合
将近红外高光谱特征、电子气味传感器信号特征以及密度特征进行特征融合。
基于串行特征融合方法，不对提取的特征进行改变，新的特征向量维数为原始提取特征向量维数之和。
设近红外高光谱特征为, 电子气味传感器信号特征为，密度特征为/>，则将三个特征向量进行融合后得到向量λ：
；
S4：建立数据库
分别采集不同品级的香精样品的特征，并进行标记，将采集到的数据以及对应的等级存入数据库中。
S5：基于神经网络识别香精的品质，从而实现对香精品质的等级分类。
S51：建立神经网络
所述神经网络的输入为融合后的特征向量，输出为香精品质的等级分类结果。
采用CNN-LSTM神经网络对特征进行学习并完成分类识别。其结构如图2所示，包括一个输入层、两个卷积层、两个最大池化层、一个LSTM层以及两个Dense层和一个输出层。
网络的输入为融合后的特征向量，输出为香精品质等级识别的归一化概率，将香精品质等级分类为最大概率对应的类别。卷积、池化和LSTM可以提取数据的特征，神经元初始化方式为随机初始化。优化器选择RMSprop算法，学习率设为0.001；损失函数使用多类交叉熵损失函数。
S52：训练神经网络
基于步骤S4中数据库数据进行神经网络训练。
S53：基于神经网络获得香精品质的等级分类结果。
在本实施方式中，通过采集香精的视觉信息、密度信息和气味信息，并进行数据的处理，提取其特征进行分析，从而实现快速、准确的香精品级检测。
本发明实施例还提出一种香精品级检测系统，包括：
采集模块，其用于采集香精视觉信息、密度信息和气味信息；
具体的，基于近红外高光谱采集香精视觉信息；基于电子气味传感器采集香精气味信息；
数据处理模块，其用于对近红外高光谱数据、电子气味传感器以及密度数据进行处理；
特征提取与数据融合模块，其用于提取近红外高光谱特征以及电子气味传感器信号特征，并将近红外高光谱特征、电子气味传感器信号特征以及密度特征进行特征融合；
数据库模块，其用于将分别采集的不同等级的香精样品的特征，以及对应的标记等级存入数据库中；
识别模块，其用于基于神经网络识别香精的品质，从而实现对香精品质的等级分类。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (3)
1.一种香精品级检测方法，其特征在于，包括如下步骤：
S1：采集香精视觉信息、密度信息和气味信息；
具体的，基于近红外高光谱采集香精视觉信息；基于电子气味传感器采集香精气味信息；
S2：数据处理，包括，
S21：近红外高光谱数据预处理；
S22：电子气味传感器以及密度数据标准化处理；
S3：特征提取与数据融合，包括，
S31：特征提取，基于主成分分析和最小噪声分离变换两种方法对近红外高光谱影像进行特征提取；电子气味传感器信号特征包括信号波形几何特征和小波分解特征；
所述最小噪声分离包括：
两次主成分变换，第一次变换基于估计的噪声协方差矩阵，用来分离和重新调节数据中的噪声；第二步是对噪声白化数据的标准主成分变换；
S32：数据融合
将近红外高光谱特征、电子气味传感器信号特征以及密度特征进行特征融合；
S4：建立数据库
分别采集不同等级的香精样品的特征，并进行标记，将采集到的数据以及对应的等级存入数据库中；
S5：基于神经网络识别香精的品质，从而实现对香精品质的等级分类；
所述步骤S31中所述主成分分析方法包括：
设原始高光谱数据，其中/>，经过归一化处理的数据为/>,于是有/>，其中/>；其中/>表示像素个数，/>代表每个像素具有的维数特征；
1）计算协方差矩阵
；
其中
；
2）计算协方差矩阵的特征向量与其特征值
令，求解所有特征值/>和特征向量/>表示为下式:
；
；
3）选择保留成分数形成新的特征
将得到的特征值依据大小进行排列，选取前m个特征值与之对应的特征向量表示为前m个主成分，此时的m个成分可表示降维之后的数据；
所述步骤S31中波形几何特征包括：
响应曲线上升时间、响应曲线的最大响应值、中值、响应曲线在上升阶段以及下降阶段的曲线积分、上升时间一半的响应值、下降时间一半的响应值、下降阶段最大曲率处的时刻、下降阶段的最大曲率处、在达到最大值前后5秒的内的平均响应值；
小波分解特征包括：
设电子气味传感器信号S(t)，其用母小波h(t)及其子小波的加权求和近似表示，即：
；
其中，分别为每个子小波的权系数、平移因子和伸缩因子；将/>参数按照序列排序即可得到信号的特征向量：
；
所述步骤 S21 中近红外高光谱数据预处理包括：
a.计算相对反射率，所述相对反射率R的校准如下式计算获得：
；
其中，为实际被测物的反射光强，/>为标准白板的反射光强，/>为暗电流强度；
b.分割图像，基于自动阈值分割的方法，根据研究对象和背景之间存在明显的相对反射率差异来做分割，根据这个差异设置阈值，将研究对象和背景做分割，得到感兴趣区域；
c.使用SG卷积平滑、光谱微分和以均值为中心的归一化、标准正态变量变换的方法做数据预处理；
所述以均值为中心的归一化的具体数学模型如下式所示：
；
其中表示第i个样本点在n波段均值归一化后的反射率值，/>表示第i个样本在n波段原始反射率值，/>表示所有样本点在n波段反射率的平均值，/>和/>分别表示所有样本点在n波段反射率的最大值和最小值；
选择主成分分析变换的前 10 个主成分，最小噪声分离变换变换的前 15 个主成分；
所述步骤 S32 中特征融合具体包括：
基于串行特征融合方法，新的特征向量维数为原始提取特征向量维数之和；
设近红外高光谱特征为, 电子气味传感器信号特征为，密度特征为/>，则将三个特征向量进行融合后得到向量λ：
。
2.根据权利要求1所述的香精品级检测方法，其特征在于，所述步骤S5中的神经网络为CNN-LSTM神经网络。
3.一种执行权利要求1-2任意项所述的香精品级检测方法的装置，其包括：
采集模块，其用于采集香精视觉信息、密度信息和气味信息；
具体的，基于近红外高光谱采集香精视觉信息；基于电子气味传感器采集香精气味信息；
数据处理模块，其用于对近红外高光谱数据、电子气味传感器以及密度数据进行处理；
特征提取与数据融合模块，其用于提取近红外高光谱特征以及电子气味传感器信号特征，并将近红外高光谱特征、电子气味传感器信号特征以及密度特征进行特征融合；
数据库模块，其用于将分别采集的不同等级的香精样品的特征，以及对应的标记等级存入数据库中；
识别模块，其用于基于神经网络识别香精的品质，从而实现对香精品质的等级分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310314829.8A CN116026787B (zh) | 2023-03-29 | 2023-03-29 | 一种香精品级检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310314829.8A CN116026787B (zh) | 2023-03-29 | 2023-03-29 | 一种香精品级检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116026787A CN116026787A (zh) | 2023-04-28 |
| CN116026787B true CN116026787B (zh) | 2023-07-21 |
Family
ID=86074399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310314829.8A Active CN116026787B (zh) | 2023-03-29 | 2023-03-29 | 一种香精品级检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116026787B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116400028B (zh) * | 2023-05-29 | 2023-08-22 | 湖南汇湘轩生物科技股份有限公司 | 一种基于气味传感器的香精质量检测方法、系统及介质 |
| CN117233114B (zh) * | 2023-11-07 | 2024-01-30 | 吉林大学 | 一种基于多源数据融合的土壤养分自动检测装置及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106338597A (zh) * | 2016-10-18 | 2017-01-18 | 哈尔滨工业大学深圳研究生院 | 呼吸气体测量的方法及系统 |
| CN111665333A (zh) * | 2020-07-21 | 2020-09-15 | 浙江农林大学 | 一种白芨品质快速无损检测系统及方法 |
| CN113378935A (zh) * | 2021-06-11 | 2021-09-10 | 中国石油大学(华东) | 一种用于气体的嗅觉智能识别方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8458225B2 (en) * | 2010-02-17 | 2013-06-04 | Lockheed Martin Corporation | Spatially referenced multi-sensory data digitally encoded in a voxel database |
| CN102915445B (zh) * | 2012-09-17 | 2015-08-19 | 杭州电子科技大学 | 一种改进型的神经网络高光谱遥感影像分类方法 |
| CN103091282B (zh) * | 2013-02-06 | 2015-04-01 | 吉林烟草工业有限责任公司 | 一种烟用香精香料质量的检测方法 |
| CN107886095A (zh) * | 2016-09-29 | 2018-04-06 | 河南农业大学 | 一种基于机器视觉和嗅觉特征融合的分类识别方法 |
| CN109916838B (zh) * | 2019-03-29 | 2021-05-04 | 浙江省农业科学院 | 一种水稻种子发芽能力的检测方法 |
| CN110133049B (zh) * | 2019-04-10 | 2020-09-18 | 浙江大学 | 基于电子鼻和机器视觉的茶叶等级快速无损检测方法 |
| CN110298414B (zh) * | 2019-07-09 | 2022-12-06 | 西安电子科技大学 | 基于去噪组合降维和引导滤波的高光谱图像分类方法 |
| CN110738215A (zh) * | 2019-08-29 | 2020-01-31 | 安徽科技学院 | 一种高光谱遥感图像特征提取装置及方法 |
| CN110849828A (zh) * | 2019-12-13 | 2020-02-28 | 嘉兴职业技术学院 | 一种基于高光谱图像技术的藏红花分类方法 |
| CN113281465A (zh) * | 2021-05-07 | 2021-08-20 | 淮阴工学院 | 一种畜禽舍养殖环境有害气体检测系统 |
| CN114821321A (zh) * | 2022-04-27 | 2022-07-29 | 浙江工业大学 | 一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法 |
| CN115192009B (zh) * | 2022-06-12 | 2024-04-26 | 吉林大学 | 一种基于动静脉反射光谱和高光谱图像测量SaO2的COVID-19诊断方法 |
| CN115861817A (zh) * | 2022-12-22 | 2023-03-28 | 山东深蓝智谱数字科技有限公司 | 一种基于主成分分析的高光谱小麦条锈病分类识别方法 |
-
2023
- 2023-03-29 CN CN202310314829.8A patent/CN116026787B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106338597A (zh) * | 2016-10-18 | 2017-01-18 | 哈尔滨工业大学深圳研究生院 | 呼吸气体测量的方法及系统 |
| CN111665333A (zh) * | 2020-07-21 | 2020-09-15 | 浙江农林大学 | 一种白芨品质快速无损检测系统及方法 |
| CN113378935A (zh) * | 2021-06-11 | 2021-09-10 | 中国石油大学(华东) | 一种用于气体的嗅觉智能识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116026787A (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116026787B (zh) | 一种香精品级检测方法及系统 | |
| Antequera et al. | Evaluation of fresh meat quality by hyperspectral imaging (HSI), nuclear magnetic resonance (NMR) and magnetic resonance imaging (MRI): a review | |
| Zhang et al. | Hyperspectral imaging combined with multivariate analysis and band math for detection of common defects on peaches (Prunus persica) | |
| Lohumi et al. | Application of hyperspectral imaging for characterization of intramuscular fat distribution in beef | |
| Kamruzzaman et al. | Non-destructive prediction and visualization of chemical composition in lamb meat using NIR hyperspectral imaging and multivariate regression | |
| Yu et al. | Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing | |
| CN103822879B (zh) | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 | |
| Tschannerl et al. | Potential of UV and SWIR hyperspectral imaging for determination of levels of phenolic flavour compounds in peated barley malt | |
| Iqbal et al. | An overview on principle, techniques and application of hyperspectral imaging with special reference to ham quality evaluation and control | |
| CN114663821B (zh) | 基于视频高光谱成像技术的产品质量实时无损检测方法 | |
| WO2018054091A1 (zh) | 化橘红成分鉴定方法 | |
| CN112699756B (zh) | 一种基于高光谱图像的茶叶原产地识别方法和系统 | |
| CN110555395A (zh) | 一种油菜冠层氮素含量等级分类评估方法 | |
| CN116849612B (zh) | 一种多光谱舌象图像采集分析系统 | |
| Chen et al. | Hyperspectral imaging and chemometrics for nondestructive quantification of total volatile basic nitrogen in pacific oysters (Crassostrea gigas) | |
| CN110243805A (zh) | 基于拉曼高光谱成像技术的鱼刺检测方法 | |
| Xie et al. | Modeling for mung bean variety classification using visible and near-infrared hyperspectral imaging | |
| Li et al. | Beef cut classification using multispectral imaging and machine learning method | |
| CN114295556A (zh) | 一种基于一维卷积的高光谱理化指标拟合方法及系统 | |
| CN116824171A (zh) | 中医高光谱舌象图像波段的选择方法及相关装置 | |
| Li | Classification of black tea leaf water content based on hyperspectral imaging | |
| CN114720420A (zh) | 一种基于高光谱成像技术的花椒产地识别方法及系统 | |
| Zhang et al. | Characterization of fresh milk products based on multidimensional Raman spectroscopy | |
| CN110047062A (zh) | 一种用于茶叶外形品质检测的高光谱特征波段优化方法 | |
| Yu | Development of bulk peanuts maturity predictive model using hyperspectral imaging system |
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 |