CN117805024A - 一种酥梨糖精度检测方法、装置、云端设备及计算机装置 - Google Patents
一种酥梨糖精度检测方法、装置、云端设备及计算机装置 Download PDFInfo
- Publication number
- CN117805024A CN117805024A CN202410225698.0A CN202410225698A CN117805024A CN 117805024 A CN117805024 A CN 117805024A CN 202410225698 A CN202410225698 A CN 202410225698A CN 117805024 A CN117805024 A CN 117805024A
- Authority
- CN
- China
- Prior art keywords
- crisp
- crisp pear
- spectrum data
- data set
- sugar degree
- 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.)
- Granted
Links
- 235000014443 Pyrus communis Nutrition 0.000 title claims abstract description 88
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- CVHZOJJKTDOEJC-UHFFFAOYSA-N saccharin Chemical compound C1=CC=C2C(=O)NS(=O)(=O)C2=C1 CVHZOJJKTDOEJC-UHFFFAOYSA-N 0.000 title claims description 9
- 229940081974 saccharin Drugs 0.000 title claims description 9
- 235000019204 saccharin Nutrition 0.000 title claims description 9
- 239000000901 saccharin and its Na,K and Ca salt Substances 0.000 title claims description 9
- 238000001228 spectrum Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 19
- 230000002068 genetic effect Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000002860 competitive effect Effects 0.000 claims abstract description 13
- 241000220324 Pyrus Species 0.000 claims description 85
- 230000006870 function Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 235000021017 pears Nutrition 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000007717 exclusion Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 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 3
- 229930091371 Fructose Natural products 0.000 description 3
- 238000012614 Monte-Carlo sampling Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 229960002737 fructose Drugs 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- PFFIDZXUXFLSSR-UHFFFAOYSA-N 1-methyl-N-[2-(4-methylpentan-2-yl)-3-thienyl]-3-(trifluoromethyl)pyrazole-4-carboxamide Chemical compound S1C=CC(NC(=O)C=2C(=NN(C)C=2)C(F)(F)F)=C1C(C)CC(C)C PFFIDZXUXFLSSR-UHFFFAOYSA-N 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000000870 ultraviolet spectroscopy Methods 0.000 description 1
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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G01N21/3103—Atomic absorption analysis
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及酥梨糖度检测领域，具体涉及一种酥梨糖精度检测方法、装置、云端设备及计算机装置，极大地提高了酥梨糖的检测精度。其中方法包括采集酥梨糖度光谱数据集；对采集的酥梨糖度光谱数据集进行预处理；采用竞争性自适应重加权采样法对预处理后的酥梨糖度光谱数据集进行特征波长筛选；建立预测模型，并采用遗传算法对预测模型进行优化；通过采集的酥梨糖度光谱数据集以及筛选的特征波长对优化后的预测模型进行训练；通过训练后的预测模型检测酥梨糖精度。本发明适用于酥梨糖精度的快速有效检测。
Description
技术领域
本发明涉及酥梨糖度检测领域，具体涉及一种酥梨糖精度检测方法、装置、云端设备及计算机装置。
背景技术
水果糖度的测量通常采用光谱分析技术。这种技术利用了不同物质对光的吸收、反射和散射等特性的差异，通过测量水果样品对特定波长的光的吸收或反射程度来确定其糖度。常用的光谱分析技术包括紫外-可见光谱法、红外光谱法和近红外光谱法等。这些技术具有非破坏性、快速、准确等优点，因此在水果糖度检测中得到广泛应用。
现有技术如CN114018836A公开的一种糖度检测方法和系统，其方法包括：筛选测试波长点，从测试对象的标记点处的光谱数据中提取测试波长点处的吸光度作为输入数据，将所述输入数据输入设置的糖度检测模型，并获取糖度检测模型的输出数据作为测试对象的预测糖度。实现了有目标、有针对性的选取对苹果糖度检测起显著的、决定性作用的波长点，从而以少而精的波长点所对应的光谱数据来准确预估出苹果糖度，且提高了糖度预测模型的精度。
但上述方案采用的样本数据不够准确，缺少对样本数据处理过程，影响后续建模以及模型训练的精度，也缺少对模型的优化过程，因此其糖度预测的精度不高。
发明内容
本发明的目的在于克服现有技术的缺点，提供一种一种酥梨糖精度检测方法、装置、云端设备及计算机装置，极大地提高了酥梨糖的检测精度。
本发明采取如下技术方案实现上述目的，第一方面，本发明提供一种酥梨糖精度检测方法，包括：
S1、采集酥梨糖度光谱数据集；
S2、对采集的酥梨糖度光谱数据集进行预处理；
S3、采用竞争性自适应重加权采样法对预处理后的酥梨糖度光谱数据集进行特征波长筛选；
S4、建立预测模型，并采用遗传算法对预测模型进行优化；
S5、通过采集的酥梨糖度光谱数据集以及筛选的特征波长对优化后的预测模型进行训练；
S6、通过训练后的预测模型检测酥梨糖精度。
进一步的是，采集酥梨糖度光谱数据集具体包括：
采集多个体积大小、表面完好度及成熟度相似的酥梨样本，在待测环境中静置设置的时间，在酥梨样本温度与环境温度达到一致后，采用高光谱分选仪进行数据采集，获取酥梨糖度光谱数据集，相似的酥梨样本指各个酥梨样本的体积大小、表面完好度及成熟度差值在预设范围内。
进一步的是，对采集的酥梨糖度光谱数据集进行预处理具体包括：
利用卷积平滑算法对光谱进行预处理，选取一个固定大小的窗口，将窗口内的所有光谱数据视为一个整体，并以代表各测量点，采用如下公式来完成拟合：/>；
对原始光谱与拟合线之间的残差进行计算，以其最小值作为边界点，从而解出最优系数矩阵，然后将该最优系数矩阵与每个样本的光谱数据进行卷积。
进一步的是，竞争性自适应重加权采样法为每个变量分配权重，其中权重值/>的大小与该变量对模型的贡献度以及被选取的概率成正比，计算过程如下：
，/>；
表示一个具有/>行/>列的光谱矩阵；/>是/>的得分矩阵；/>表示一个关于/>和/>的线性组合系数；/>表示一个表示/>与/>建立的偏最小二乘模型的回归系数向量；/>则表示误差向量； 权重/>定义方式如下：/>。
进一步的是，竞争性自适应重加权采样法的运行过程包括：在CARS的每一轮运行中，对无信息变量或低信息变量的排除，通过执行指数衰减函数和自适应重加权采样来实现，具体包括：每一轮指数衰减函数的运行中，被保留变量的所占比例如下：，/>与/>表示常数，/>，/>；
在第一次运行时，建模所用的波长为全波长，则r1=1，到第N次运行时，建模所用的波长变为2个，如以下公式所示：。
进一步的是，筛选特征波长具体包括：
S31、运用指数衰减函数剔除权重小于设置阈值的变量；
S32、自适应重加权采样从剩余的个变量中筛选出新的变量子集；
S33、运用交叉验证法计算新的变量子集的均方根误差；
S34、以S31-S33为基础进行循环，将得到的最小均方根误差对应的变量子集作为最优变量子集。
进一步的是，所述预测模型为SVR模型，采用遗传算法对预测模型进行优化具体包括：
采用遗传算法来优化SVR模型的惩罚因子C以及核函数参数g，遗传算法的优化目标是最小化SVR模型的误差率，通过选择适应度最高的个体作为父代，运用交叉和变异操作生成新的子代，并评估其适应度，从而持续迭代优化惩罚因子C以及核函数参数g，直至达到预定的迭代次数或满足适应度要求，最终返回最优的惩罚因子C以及核函数参数g。
第二方面，本发明提供一种酥梨糖精度检测装置，包括：
数据采集模块，用于采集酥梨糖度光谱数据集；
数据预处理模块，用于对采集的酥梨糖度光谱数据集进行预处理；
特征波长筛选模块，用于采用竞争性自适应重加权采样法对预处理后的酥梨糖度光谱数据集进行特征波长筛选；
模型建立模块，建立预测模型，并采用遗传算法对预测模型进行优化；
模型训练模块，通过采集的酥梨糖度光谱数据集以及筛选的特征波长对优化后的预测模型进行训练；
检测模块，用于通过训练后的预测模型检测酥梨糖精度。
第三方面，本发明提供一种云端设备，所述云端设备包括服务器，如上述所述的酥梨糖精度检测装置安装于所述服务器。
第四方面，本发明提供一种计算机装置，包括存储器，所述存储器存储有程序指令，所述程序指令运行时，执行如上述所述的酥梨糖精度检测方法。
本发明的有益效果为：
本发明在样本数据采集时，采集多个体积大小、表面完好度及成熟度相似的酥梨样本，在待测环境中静置设置的时间，在酥梨样本温度与环境温度达到一致后，采用高光谱分选仪进行数据采集，获取酥梨糖度光谱数据集，提高了样本数据的准确性。
本发明在对采集的酥梨糖度光谱数据集进行预处理时，利用卷积平滑算法对光谱进行预处理，该方法运用多项式进行光谱数据的最小二乘拟合，实现了对原始光谱数据的精确平滑。
本发明采用竞争性自适应重加权采样法对预处理后的酥梨糖度光谱数据集进行特征波长筛选，提高了筛选特征的计算效率以及准确性。
本发明采用采用遗传算法来优化SVM模型的惩罚因子C以及核函数参数g，提高了SVM模型的准确性。
附图说明
图1是本发明实施例提供的一种酥梨糖精度检测方法流程图；
图2是本发明实施例提供的一种酥梨糖精度检测装置结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
如图1所示，本发明提供一种酥梨糖精度检测方法，具体包括：
S1、采集酥梨糖度光谱数据集。
本发明提供了一个168*237大小的光谱数据集。共采集168个体积大小、表面完好度及成熟度均相似的酥梨样本，在静置于待测环境24小时以确保酥梨样本温度与环境温度达到一致后，采用专业的Gaia高光谱分选仪执行数据采集。在得到的待测样品的三维高光谱图像数据中，选择了每个样本400-1000nm的237个波长信息进行分析。最终，按照7：3的比例，168个样本被划分为训练集（118个）和预测集（50个），该训练集（118个）和预测集（50个）用于后续预测模型的训练。同时本发明采用了法诺威数显糖度折射仪测定了酥梨实际的糖度理化值。
其中相似的酥梨样本指各个酥梨样本的体积大小、表面完好度及成熟度差值在预设范围内。
S2、对采集的酥梨糖度光谱数据集进行预处理。
为了消除仪器噪声和暗电流等非系统误差，本发明对采集到的光谱数据进行了预处理，通过对光谱数据进行清洗，能够增强其特征表现力，同时也能够更好的适应在实际的糖度监测过程当中可能出现的噪声和抖动情况。
利用SG算法即卷积平滑算法对光谱进行预处理，该方法运用多项式进行光谱数据的最小二乘拟合，达到数据平滑的目的。选取一个固定大小的窗口，将窗口内的所有光谱数据视为一个整体，并以代表各测量点，采用如下的多项式公式来完成拟合：/>。
对原始光谱与拟合线之间的残差进行计算，以其最小值作为边界点，从而解出最优系数矩阵。此后，将该系数矩阵与每个样本的光谱数据进行卷积，实现了对原始光谱数据的精确平滑。
S3、采用竞争性自适应重加权采样法对预处理后的酥梨糖度光谱数据集进行特征波长筛选。
本发明将所获得的预处理后的光谱数据以表格形式保存。在光谱数据分析中，尽管预处理可以有效降低噪声和散射的影响，但全光谱数据中仍然存在冗余和重叠的波段数据。因此，针对SG预处理后的全光谱数据，进一步对光谱数据进行特征波长筛选。
本发明采用CARS算法即竞争性自适应重加权采样算法进行特征波长筛选，它基于蒙特卡罗采样法，并以自适应重加权采样（ARS）为核心技术。CARS算法为每个变量分配权重，其中权重值/>越大，则该变量对模型的贡献越大，其被选取的概率也会相应增加，这一过程的计算细节可参见以下公式：
。
是一个具有/>行/>列的光谱矩阵；/>是/>的得分矩阵；/>是一个关于/>和/>的线性组合系数；/>是一个表示/>与/>建立的偏最小二乘模型的回归系数向量；而则是误差向量。权重/>的定义如下：
在运行CARS算法时，需预设定蒙特卡洛采样次数N。本发明设置蒙特卡洛采样数为50。最优变量子集的选择基于对每个变量子集的交叉验证均方根误差的比较，其中，/>值最小的子集被选为最优变量子集。值得注意的是，在CARS的每一轮运行中，对无信息变量或低信息变量的排除，主要通过执行指数衰减函数（EDF）和自适应重加权采样（ARS）两个步骤来实现。具体来说，每一轮EDF的运行中，被保留变量的所占比例定义如下：
；
在特定的条件下，与/>被视为常数。具体来说，在第一次运行时，建模所用的波长为全波长，因此/>。到第N次运行时，建模所用的波长变为2个，如以下公式所示：
。
其中，常数与/>被定义如下列公式所示：
在选择波长的过程中，首先运用EDF（指数衰减函数）来快速剔除一些权重较小的变量。随后，ARS（自适应重加权采样）会基于适者生存的原则从剩余的个变量中筛选出新的变量子集。接着，我们运用交叉验证法来计算新子集的均方根误差/>，以此为基础进行下一轮循环。在整个过程中，每一轮的循环都是基于对前一轮所得结果的进一步优化，以逐步逼近最优解。这一过程保证了模型的稳定性和准确性，同时也保证了计算的效率和实用性。
本发明采用CARS算法对光谱数据进行特征提取后，共得到42个特征变量，占高光谱变量总数的17%。其提取的特征波段主要集中在40nm以内，特征变量分布较为连续。
S4、建立预测模型，并采用遗传算法优化对预测模型进行优化。
本发明需要建立预测模型，但传统SVR模型仍然不具备一定的适应性。在SVR的应用过程中，径向基核函数（Radial Basis Function，RBF）的参数选择至关重要，特别是核函数参数g和惩罚因子C。
因此本发明将采用GA算法即遗传算法来优化SVR模型的参数g和C，遗传算法的优化目标是最小化SVR模型的误差率，通过选择适应度最高的个体作为父代，运用交叉和变异操作生成新的子代，并评估其适应度，从而持续优化超参数C和g。算法将持续迭代，直至达到预定的迭代次数或满足适应度要求，最终返回最优的参数值。
针对支持向量回归模型，经遗传算法优化，我们确定参数分别为C=3.22，g=0.51。
S5、通过采集的酥梨糖度光谱数据集以及筛选的特征波长对优化后的预测模型进行训练。
经过S4的优化后，得到了一个最佳的GASVR，即通过GA算法优化后的最佳SVR模型，然后再通过S1得到的训练集（118个和预测集（50个）以及S3得到的42个特征变量对最佳SVR模型进行训练，最后本发明以SG-CARS-GASVR为组合最佳，完成整体预测模型的建立及训练过程。
S6、通过训练后的预测模型检测酥梨糖精度。
最后，通过训练后的预测模型检测酥梨糖精度，其相关系数表现最佳为0.8992，整体的预测精度达到90%。
如图2所示，本发明提供一种酥梨糖精度检测装置，包括：
数据采集模块，用于采集酥梨糖度光谱数据集；
数据预处理模块，用于对采集的酥梨糖度光谱数据集进行预处理；
特征波长筛选模块，用于采用竞争性自适应重加权采样法对预处理后的酥梨糖度光谱数据集进行特征波长筛选；
模型优化模块，用于建立预测模型，并采用遗传算法对预测模型进行优化；
模型训练模块，用于通过采集的酥梨糖度光谱数据集以及筛选的特征波长对优化后的预测模型进行训练；
检测模块，用于通过训练后的预测模型检测酥梨糖精度。
本发明还提供一种云端设备，云端设备包括服务器，如本发明所述的酥梨糖精度检测装置安装于所述服务器。
本发明提还供一种计算机装置，包括存储器，存储器存储有程序指令，所述程序指令运行时，执行如上述所述的酥梨糖精度检测方法。
在本发明的一种实施例中，本发明提供了一种手持式糖度监测仪，由手持握柄、液晶显示屏、控制芯片和光谱监测探头所组成。手持式糖度监测仪整体外观呈现倒V形；所述手持握柄方便操作人员使用，所述液晶显示屏位于握柄上方，与人眼平行，可以对由控制芯片处理后的糖度数据进行显示，方便操作人员读数；所述控制芯片内嵌于监测仪，位于液晶显示屏下方，提前烧写了本发明实施例记载的酥梨糖精度检测方法，完成了对由光谱监测探头发送而来的数据的特征工程处理和糖度预测；所述光谱监测探头朝外，完成了对于酥梨的光谱数据采集。本发明实现了对水果糖度的快速无损监测，对果品分类、质量鉴定有着关键的参考作用。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种酥梨糖精度检测方法，其特征在于，包括：
S1、采集酥梨糖度光谱数据集；
S2、对采集的酥梨糖度光谱数据集进行预处理；
S3、采用竞争性自适应重加权采样法对预处理后的酥梨糖度光谱数据集进行特征波长筛选；
S4、建立预测模型，并采用遗传算法对预测模型进行优化；
S5、通过采集的酥梨糖度光谱数据集以及筛选的特征波长对优化后的预测模型进行训练；
S6、通过训练后的预测模型检测酥梨糖精度。
2.根据权利要求1所述的酥梨糖精度检测方法，其特征在于，采集酥梨糖度光谱数据集具体包括：
采集多个体积大小、表面完好度及成熟度相似的酥梨样本，在待测环境中静置设置的时间，在酥梨样本温度与环境温度达到一致后，采用高光谱分选仪进行数据采集，获取酥梨糖度光谱数据集，相似的酥梨样本指各个酥梨样本的体积大小、表面完好度及成熟度差值在预设范围内。
3.根据权利要求1所述的酥梨糖精度检测方法，其特征在于，对采集的酥梨糖度光谱数据集进行预处理具体包括：
利用卷积平滑算法对光谱进行预处理，选取一个固定大小的窗口，将窗口内的所有光谱数据视为一个整体，并以代表各测量点，采用如下公式来完成拟合：/>；
对原始光谱与拟合线之间的残差进行计算，以其最小值作为边界点，从而解出最优系数矩阵，然后将该最优系数矩阵与每个样本的光谱数据进行卷积。
4.根据权利要求1所述的酥梨糖精度检测方法，其特征在于，竞争性自适应重加权采样法为每个变量分配权重，其中权重值/>的大小与该变量对模型的贡献度以及被选取的概率成正比，计算过程如下：
，/>；
表示一个具有/>行/>列的光谱矩阵；/>是/>的得分矩阵；/>表示一个关于/>和/>的线性组合系数；/>表示一个表示/>与/>建立的偏最小二乘模型的回归系数向量；/>则表示误差向量；权重/>定义方式如下：/>。
5.根据权利要求1所述的酥梨糖精度检测方法，其特征在于，竞争性自适应重加权采样法的运行过程包括：在CARS的每一轮运行中，对无信息变量或低信息变量的排除，通过执行指数衰减函数和自适应重加权采样来实现，具体包括：每一轮指数衰减函数的运行中，被保留变量的所占比例如下：，/>与/>表示常数，/>，/>；
在第一次运行时，建模所用的波长为全波长，则r1=1，到第N次运行时，建模所用的波长变为2个，如以下公式所示：。
6.根据权利要求5所述的酥梨糖精度检测方法，其特征在于，筛选特征波长具体包括：
S31、运用指数衰减函数剔除权重小于设置阈值的变量；
S32、自适应重加权采样从剩余的个变量中筛选出新的变量子集；
S33、运用交叉验证法计算新的变量子集的均方根误差；
S34、以S31-S33为基础进行循环，将得到的最小均方根误差对应的变量子集作为最优变量子集。
7.根据权利要求1所述的酥梨糖精度检测方法，其特征在于，所述预测模型为SVR模型，采用遗传算法对预测模型进行优化具体包括：
采用遗传算法来优化SVR模型的惩罚因子C以及核函数参数g，遗传算法的优化目标是最小化SVR模型的误差率，通过选择适应度最高的个体作为父代，运用交叉和变异操作生成新的子代，并评估其适应度，从而持续迭代优化惩罚因子C以及核函数参数g，直至达到预定的迭代次数或满足适应度要求，最终返回最优的惩罚因子C以及核函数参数g。
8.一种酥梨糖精度检测装置，用于实现如权利要求1-7任意一项所述的酥梨糖精度检测方法，其特征在于，包括：
数据采集模块，用于采集酥梨糖度光谱数据集；
数据预处理模块，用于对采集的酥梨糖度光谱数据集进行预处理；
特征波长筛选模块，用于采用竞争性自适应重加权采样法对预处理后的酥梨糖度光谱数据集进行特征波长筛选；
模型优化模块，用于建立预测模型，并采用遗传算法对预测模型进行优化；
模型训练模块，用于通过采集的酥梨糖度光谱数据集以及筛选的特征波长对优化后的预测模型进行训练；
检测模块，用于通过训练后的预测模型检测酥梨糖精度。
9.一种云端设备，所述云端设备包括服务器，其特征在于，如权利要求8所述的酥梨糖精度检测装置安装于所述服务器。
10.一种计算机装置，包括存储器，所述存储器存储有程序指令，其特征在于，所述程序指令运行时，执行如权利要求1-7任意一项所述的酥梨糖精度检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410225698.0A CN117805024B (zh) | 2024-02-29 | 2024-02-29 | 一种酥梨糖精度检测方法、装置、云端设备及计算机装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410225698.0A CN117805024B (zh) | 2024-02-29 | 2024-02-29 | 一种酥梨糖精度检测方法、装置、云端设备及计算机装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117805024A true CN117805024A (zh) | 2024-04-02 |
| CN117805024B CN117805024B (zh) | 2024-05-14 |
Family
ID=90431978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410225698.0A Active CN117805024B (zh) | 2024-02-29 | 2024-02-29 | 一种酥梨糖精度检测方法、装置、云端设备及计算机装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117805024B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109187378A (zh) * | 2018-10-17 | 2019-01-11 | 四川农业大学 | 基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法 |
| CN110361356A (zh) * | 2019-07-30 | 2019-10-22 | 长春理工大学 | 一种提高小麦水分预测精度的近红外光谱变量选择方法 |
| US20210056424A1 (en) * | 2019-08-20 | 2021-02-25 | Rubber Research Institute, Chinese Academy Of Tropical Agricultural Sciences | Method and system for hyperspectral inversion of phosphorus content of rubber tree leaves |
| CN112669915A (zh) * | 2020-11-06 | 2021-04-16 | 西安理工大学 | 一种基于神经网络与近红外光谱的梨无损检测方法 |
| CN115308135A (zh) * | 2022-08-06 | 2022-11-08 | 福州大学 | 一种基于光谱成像的海洋甲藻细胞浓度检测变量选择方法 |
| CN116883720A (zh) * | 2023-06-14 | 2023-10-13 | 武汉大学 | 基于空谱注意力网络的果蔬农药残留检测方法及系统 |
-
2024
- 2024-02-29 CN CN202410225698.0A patent/CN117805024B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109187378A (zh) * | 2018-10-17 | 2019-01-11 | 四川农业大学 | 基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法 |
| CN110361356A (zh) * | 2019-07-30 | 2019-10-22 | 长春理工大学 | 一种提高小麦水分预测精度的近红外光谱变量选择方法 |
| US20210056424A1 (en) * | 2019-08-20 | 2021-02-25 | Rubber Research Institute, Chinese Academy Of Tropical Agricultural Sciences | Method and system for hyperspectral inversion of phosphorus content of rubber tree leaves |
| CN112669915A (zh) * | 2020-11-06 | 2021-04-16 | 西安理工大学 | 一种基于神经网络与近红外光谱的梨无损检测方法 |
| CN115308135A (zh) * | 2022-08-06 | 2022-11-08 | 福州大学 | 一种基于光谱成像的海洋甲藻细胞浓度检测变量选择方法 |
| CN116883720A (zh) * | 2023-06-14 | 2023-10-13 | 武汉大学 | 基于空谱注意力网络的果蔬农药残留检测方法及系统 |
Non-Patent Citations (8)
| Title |
|---|
| FAN R: "Novel, high accurcacy prediction models of hepatocellular carcinoma based on longitudinal data and cell-free DNA signatures", JOURNAL OF HEPATOLOGY, 31 July 2023 (2023-07-31), pages 25 - 37 * |
| HONGDONG LI: "Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration", ANALYTICA CHIMICA ACTA, 24 July 2009 (2009-07-24), pages 77 - 84 * |
| WEI JIANG: "Hyperspeectral determination of reducing sugar in potatoes based on CARS", INTERNATIONAL JOURNAL OF HYBIRD INFORMATION TECHNOLOGY, 31 December 2016 (2016-12-31), pages 35 - 44 * |
| YU DING: "A novel strategy for quantitative analysis of the energy value of milk powder via laser-induced breakdown spectroscopy coupled with machine learning and a genetic algorithm", J. ANAL. AT. SPECTROM., 4 January 2023 (2023-01-04), pages 464 - 471 * |
| 宋阳: "我国农村地区在线短租发展策略研究", 农村实用技术, 11 July 2019 (2019-07-11), pages 119 - 126 * |
| 搬砖大咖: "基于Savitzky-Golay的数据平滑", Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/637589798> * |
| 甄欢仪;马瑞峻;陈瑜;孙小鹏;马创立;: "基于CARS和K-S的马拉硫磷农药浓度吸收光谱预测模型研究", 光谱学与光谱分析, no. 05, 15 May 2020 (2020-05-15), pages 48 - 52 * |
| 电机与控制学报: "遗传算法对SVR风速预测模型的多参数优化", 电机与控制学报, 28 February 2017 (2017-02-28), pages 70 - 75 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117805024B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bai et al. | Accurate prediction of soluble solid content of apples from multiple geographical regions by combining deep learning with spectral fingerprint features | |
| CN107543801B (zh) | 基于高光谱的芒果冲击损伤后硬度预测方法 | |
| CN110411957B (zh) | 水果货架期及新鲜程度的无损快速预测方法及装置 | |
| CN101430276B (zh) | 光谱分析中波长变量优选的方法 | |
| CN109253985B (zh) | 基于神经网络的近红外光谱识别古筝面板用木材等级的方法 | |
| CN108169165B (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
| CN109839358B (zh) | 农产品品质分析方法及装置 | |
| CN109064553A (zh) | 基于近红外光谱分析的实木板材节子形态反演方法 | |
| CN112669915B (zh) | 一种基于神经网络与近红外光谱的梨无损检测方法 | |
| CN113030001B (zh) | 一种水果糖度检测方法及系统 | |
| 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 | |
| CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
| Nturambirwe et al. | Detecting bruise damage and level of severity in apples using a contactless nir spectrometer | |
| CN115993344A (zh) | 一种近红外光谱分析仪质量监测分析系统及方法 | |
| CN107247033A (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 | |
| CN115326782A (zh) | 一种利用拉曼光谱检测罗非鱼鱼肉脆度的方法 | |
| CN111445469A (zh) | 一种基于高光谱的苹果冲击后损伤参数的无损预测方法 | |
| Qi et al. | Rapid and non-destructive determination of soluble solid content of crown pear by visible/near-infrared spectroscopy with deep learning regression | |
| Liu et al. | Detection of Apple Taste Information Using Model Based on Hyperspectral Imaging and Electronic Tongue Data. | |
| CN113267466B (zh) | 基于光谱波长优选的水果糖度和酸度无损检测方法 | |
| CN115598162A (zh) | 基于堆叠式模型的土壤重金属含量检测方法 | |
| CN117805024B (zh) | 一种酥梨糖精度检测方法、装置、云端设备及计算机装置 | |
| Luka et al. | Hyperspectral imaging systems for rapid assessment of moisture and chromaticity of foods undergoing drying: Principles, applications, challenges, and future trends | |
| CN117538287A (zh) | 一种无损检测黄冠梨果磷含量的方法及装置 | |
| CN111693488B (zh) | 基于ds证据理论融合的水果等级分类方法及系统 |
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 |