CN118070242A - 基于作业指标预测的花生脱壳难度预测方法及系统 - Google Patents
基于作业指标预测的花生脱壳难度预测方法及系统 Download PDFInfo
- Publication number
- CN118070242A CN118070242A CN202410132695.2A CN202410132695A CN118070242A CN 118070242 A CN118070242 A CN 118070242A CN 202410132695 A CN202410132695 A CN 202410132695A CN 118070242 A CN118070242 A CN 118070242A
- Authority
- CN
- China
- Prior art keywords
- rate
- characteristic
- predicted
- breakage rate
- peanut
- 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
- 241001553178 Arachis glabrata Species 0.000 title claims abstract description 107
- 235000020232 peanut Nutrition 0.000 title claims abstract description 107
- 235000017060 Arachis glabrata Nutrition 0.000 title claims abstract description 84
- 235000010777 Arachis hypogaea Nutrition 0.000 title claims abstract description 84
- 235000018262 Arachis monticola Nutrition 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 33
- 238000012417 linear regression Methods 0.000 claims abstract description 17
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 31
- 235000014571 nuts Nutrition 0.000 claims description 21
- 238000000692 Student's t-test Methods 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 20
- 238000012353 t test Methods 0.000 claims description 20
- 238000012797 qualification Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 36
- 230000006978 adaptation Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009418 agronomic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于作业指标预测的花生脱壳难度预测方法及系统,其中方法包括:获取第一数据集,第一数据集包括花生品种、基础特性以及实测作业指标;基于基础特性数据进行统计,得到第二数据集;基于第二数据集对各基础特性与破损率及脱净率进行相关性分析,以得到与破损率及脱净率分别相关的基础特性;基于第一数据集构建多元线性回归模型,得到两组预测模型;获取待评估的花生的特性数据,并基于特性数据中对应于第一相关特性以及第二相关特性的数值以及预测模型计算预测破损率与预测脱净率;基于预测破损率与预测脱净率得出待评估的花生的脱壳难度结论。本发明能够在有限条件下对花生品种进行快速评估,为新品种的开发提供理论依据。
Description
技术领域
本发明涉及荚果脱壳评估技术领域,特别是涉及一种基于作业指标预测的花生脱壳难度预测方法及系统。
背景技术
花生是一种重要的农作物,其不仅可供日常食用,还是一种重要的油料作物,在对花生进行加工的过程中,对其进行脱壳是其中重要的一个步骤,目前花生的品种繁多,花生的脱壳难度不一,现有技术中,往往只注重对脱壳机械进行结构改进与参数调节,以对脱壳效果进行调节,以降低果仁的破损率并增加脱净率(如专利CN108991542A等脱壳设备),此外,现有技术中也有能够实时监测破损率等参数的技术(如专利CN114081191A等),但是,现有技术中,缺乏对基础的农艺研究,也即缺乏从品种根源上对花生的脱壳难度进行预测并据此改进花生品种的研究,且对于花生的脱壳难度一般也只能通过足够多的样品进行反复测试得出结论,效率低且测试成本高。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种能够利用花生的基础特性对脱壳难度进行量化评估的基于作业指标预测的花生脱壳难度预测方法及系统。
技术方案:为实现上述目的,本发明的基于作业指标预测的花生脱壳难度预测方法,所述方法包括:
获取第一数据集,所述第一数据集包括花生品种以及针对每个花生品种测定得到的基础特性以及实测作业指标;所述基础特性包括外形特性与果仁特性;所述实测作业指标包括实测破损率与实测脱净率;
基于所述第一数据集中的基础特性数据进行统计,以得到各基础特性的特性值以及对应于各特性值的花生品类的频数占比,得到第二数据集;
基于所述第二数据集中的所述频数占比数据、实测破损率与实测脱净率,对各所述基础特性与破损率及脱净率进行相关性分析,以得到与破损率及脱净率分别相关的基础特性,分别称为第一相关特性与第二相关特性;
基于所述第一数据集,分别针对所述第一相关特性与破损率的影响关系以及所述第二相关特性与脱净率的影响关系构建多元线性回归模型,得到两组预测模型;
获取待评估的花生的特性数据,并基于特性数据中对应于第一相关特性以及第二相关特性的数值以及所述预测模型计算预测破损率与预测脱净率;
基于所述预测破损率与所述预测脱净率得出待评估的花生的脱壳难度结论。
进一步地,所述基于所述预测破损率与所述预测脱净率得出待评估的花生的脱壳难度结论,包括:
分别确定所述预测破损率以及所述预测脱净率两者分别所处的数值区间,据此确定脱壳难度等级。
进一步地,所述分别针对所述第一相关特性与破损率的影响关系以及所述第二相关特性与脱净率的影响关系构建多元线性回归模型,得到两组预测模型,包括:
针对每个第一相关特性进行t检验,得到对应的检验水平、p值以及效应值,基于p值对所述第一相关特性与破损率之间相关性的有效性进行检验;
基于检验有效的所述第一相关特性构建对应于破损率的预测模型,将效应值作为所述第一相关特性对应的偏回归系数;
针对每个第二相关特性进行t检验,得到对应的检验水平、p值以及效应值,基于p值对所述第二相关特性与脱净率之间相关性的有效性进行检验;
基于检验有效的所述第二相关特性构建对应于脱净率的预测模型,将效应值作为所述第二相关特性对应的偏回归系数。
进一步地,所述基于所述第一数据集,分别针对所述第一相关特性与破损率的影响关系以及所述第二相关特性与脱净率的影响关系构建多元线性回归模型,得到两组预测模型,之后还包括:
通过F检验对所述预测模型的合理性进行检验。
进一步地,在构建预测模型时,采用所述第一数据集中不少于第一阈值的数据进行预测模型的构建,采用所述第一数据集中剩余的数据作为测试数据对所述预测模型的准确性进行验证。
进一步地,所述采用所述第一数据集中剩余的数据作为测试数据对所述预测模型的准确性进行验证包括:
将所述测试数据对应的所述第一相关特性以及第二相关特性的数值代入所述预测模型计算预测破损率与预测脱净率;
根据所述预测破损率与所述预测脱净率以及所述测试数据中的所述实测破损率以及所述实测脱净率分别计算对应于破损率与脱净率的偏差;
计算偏差小于第二阈值的合格测试数据的数量,并计算合格测试数据占测试数据总数的百分比,得到合格率;
判断所述合格率是否低于预设的第三阈值,是则判定所述预测模型的准确率满足要求。
基于作业指标预测的花生脱壳难度预测系统,其包括:
获取模块,其用于获取第一数据集,所述第一数据集包括花生品种以及针对每个花生品种测定得到的基础特性以及实测作业指标;所述基础特性包括外形特性与果仁特性;所述实测作业指标包括实测破损率与实测脱净率;
统计模块,其用于基于所述第一数据集中的基础特性数据进行统计,以得到各基础特性的特性值以及对应于各特性值的花生品类的频数占比,得到第二数据集;
分析模块,其用于基于所述第二数据集中的所述频数占比数据、实测破损率与实测脱净率,对各所述基础特性与破损率及脱净率进行相关性分析,以得到与破损率及脱净率分别相关的基础特性,分别称为第一相关特性与第二相关特性;
模型构建模块,其用于基于所述第一数据集,分别针对所述第一相关特性与破损率的影响关系以及所述第二相关特性与脱净率的影响关系构建多元线性回归模型,得到两组预测模型;
计算模块,其用于获取待评估的花生的特性数据,并基于特性数据中对应于第一相关特性以及第二相关特性的数值以及所述预测模型计算预测破损率与预测脱净率;
结论得出模块,其用于基于所述预测破损率与所述预测脱净率得出待评估的花生的脱壳难度结论。
有益效果:本发明的基于作业指标预测的花生脱壳难度预测方法及系统,以各类花生品种的实测基础特性与作业指标进行相关性分析,以得到与破损率及脱净率分别强相关的基础特性,再进行多元线性回归以建立用于预测破损率与脱净率的预测模型,基于预测模型与待评估的花生品种的基础特性,可以对花生品种的预期脱壳破损率与脱净率进行评估,以对花生的脱壳难度进行预测,实现对花生脱壳难度的量化预测。可见基于上述方法,能够在有限条件下对花生品种进行快速评估,为新品种的开发提供理论依据,预测效率高且成本低。
附图说明
图1为基于作业指标预测的花生脱壳难度预测方法的流程示意图;
图2为基于作业指标预测的花生脱壳难度预测系统的构成示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示的基于作业指标预测的花生脱壳难度预测方法,所述方法包括如下步骤S101-S106:
步骤S101,获取第一数据集,所述第一数据集包括花生品种以及针对每个花生品种测定得到的基础特性以及实测作业指标;所述基础特性包括外形特性与果仁特性;所述实测作业指标包括实测破损率与实测脱净率;
外形特性包括外壳饱满度、外壳球度、外壳整齐度、外壳饱满度、外壳力学特性(单位:N)、外壳几何平均直径、外壳形状、外壳网纹、缩缢深度、果嘴;果仁特性包括果仁整齐度、果仁力学特征(单位:N)、果仁平均直径以及果仁球度。其中,外壳力学特性是花生整体体现出来的力学特性,如果果仁对外壳产生支撑对外壳产生增强作业的话,也一起体现在外壳力学特性中。此处的实测作业指标为实际采用脱壳机对各品种的花生样品进行脱壳后得到的实测破损率与实测脱净率。实测破损率与实测脱净率是通过脱壳机械进行参数优化能够取得的最佳数据,能够最大程度体现花生品种的实际脱壳指标。
步骤S102,基于所述第一数据集中的基础特性数据进行统计,以得到各基础特性的特性值以及对应于各特性值的花生品类的频数占比,得到第二数据集;
例如,以基础特性中的外壳形状为例,外壳形状特性值包括圆柱形、圆锥形、椭圆形、三角形四种,本实施例选取了29种花生进行统计得到四种形状的花生的频数分别为7、15、16、1,对应的频数占比分别为24.14%、17.24%、55.17%以及3.45%;再以基础特性中的缩缢为例,缩缢的特性值包括浅、平、中、深四种,统计得到四种缩缢对应的频数分别为2、6、11、10,对应的频数占比分别为6.9%、20.69%、37.93%以及34.48%。依此对其它基础特性的特性值与频数占比进行统计。此外,第二数据集也包括原第一数据集中的实测破损率与实测脱净率。
步骤S103,基于所述第二数据集中的所述频数占比数据、实测破损率与实测脱净率,对各所述基础特性与破损率及脱净率进行相关性分析,以得到与破损率及脱净率分别相关的基础特性,分别称为第一相关特性与第二相关特性;
本实施例中,通过相关性分析得到,果仁的破损率和外壳球度、外壳整齐度、外壳饱满度、外壳力学特性、外壳几何平均直径、果仁球度、果仁整齐度、果仁力学特性、果仁几何平均直径、果仁形状的相关系数分别为-0.013、0.036、0.985、0.256、-0.396、-0.941、-0.867、-0.928、0.277和0.477,其中负号代表负相关。由此可知,果仁的破损率和果仁球度、果仁整齐度、果仁力学特性、外壳饱满度均显著相关,其中破损率和果仁球度、果仁整齐度、果仁力学特性负相关,和外壳饱满度正相关。花生的脱净率和外壳球度、外壳整齐度、外壳饱满度、外壳力学特性的相关系数分别为0.896、0.855、0.097、0.876,说明花生的脱净率和外壳球度、外壳整齐度、外壳力学特性均有显著的相关关系,且脱净率和外壳球度、外壳整齐度、外壳力学均呈正相关关系。
步骤S104,基于所述第一数据集,分别针对所述第一相关特性与破损率的影响关系以及所述第二相关特性与脱净率的影响关系构建多元线性回归模型,得到两组预测模型分别用于预测破损率以及脱净率;
步骤S105,获取待评估的花生的特性数据,并基于特性数据中对应于第一相关特性以及第二相关特性的数值以及所述预测模型计算预测破损率与预测脱净率;
步骤S106,基于所述预测破损率与所述预测脱净率得出待评估的花生的脱壳难度结论。
上述步骤S104中,通用的多元线性回归模型如下:
y=β0+β1x1+β2x2+…+βkxk+ε;
其中,β0、β1…βk为模型参数,ε为误差项;y为线性回归的目标项,其由影响因素x1、x2…xk所解释。ε的期望值为0,因此在实际计算中,采用估计的多元回归方程进行计算,估计的多元回归方程的数学模型如下:
其中,/>为估计得到的参数,称为偏回归系数;/>为目标项的估计值。步骤S104中,/>为破损率与脱净率,x1、x2…xk为第一相关特性或第二相关特性;步骤S104的目标也即针对破损率与脱净率分别计算/>得到上述估计的多元回归方程,也即预测模型。
上述步骤S101-S106中,以各类花生品种的实测基础特性与作业指标进行相关性分析,以得到与破损率及脱净率分别强相关的基础特性,再进行多元线性回归以建立用于预测破损率与脱净率的预测模型,基于预测模型与待评估的花生品种的基础特性,可以对花生品种的预期脱壳破损率与脱净率进行评估,以对花生的脱壳难度进行预测,实现对花生脱壳难度的量化预测。可见基于上述方法,能够在有限条件下对花生品种进行快速评估,为新品种的开发提供理论依据。
进一步地,上述步骤S106中所述基于所述预测破损率与所述预测脱净率得出待评估的花生的脱壳难度结论,包括:
分别确定所述预测破损率以及所述预测脱净率两者分别所处的数值区间,据此确定脱壳难度等级。此处,对应于破损率与脱净率的数值区间范围为预先按需设定,如按照破损率的低、中、高依次确定A1、B1、C1三个区间,按照脱净率的低、中、高依次确定A2、B2、C2三个区间;据此确定5个难度等级,当预测脱净率与预测破损率两者均为A(分别处于A1与A2区间),则难度等级为极易;当预测脱净率与预测破损率两者一者为A一者为B(A1与B2,或,A2与B1),则难度等级为较易;当预测脱净率与预测破损率连着均为B(分别处于B1与B2区间),则难度等级为中等;当预测脱净率与预测破损率两者一者为B一者为C(B1与C2,或,C1与B2),则难度等级为较难;当预测脱净率与预测破损率连着均为C(分别处于C1与C2区间),则难度等级为极难。
进一步地,上述步骤S104中所述分别针对所述第一相关特性与破损率的影响关系以及所述第二相关特性与脱净率的影响关系构建多元线性回归模型,得到两组预测模型,包括如下步骤S201-S204:
步骤S201,针对每个第一相关特性进行t检验,得到对应的检验水平、p值以及效应值,基于p值对所述第一相关特性与破损率之间相关性的有效性进行检验;
步骤S202,基于检验有效的所述第一相关特性构建对应于破损率的预测模型,将效应值作为所述第一相关特性对应的偏回归系数;
步骤S203,针对每个第二相关特性进行t检验,得到对应的检验水平、p值以及效应值,基于p值对所述第二相关特性与脱净率之间相关性的有效性进行检验;
步骤S203,基于检验有效的所述第二相关特性构建对应于脱净率的预测模型,将效应值作为所述第二相关特性对应的偏回归系数。
本实施例中,第一相关特性中外壳饱满度的t检验水平为51.172,对应的t检验的p值小于0.05,且外壳饱满度的效应值为0.598,说明外壳饱满度与破损率之间呈显著正向预测关系,即说明花生的外壳饱满度越大,破损率水平越高。
果仁整齐度的t检验水平为-3.976,对应的t检验的p值小于0.05,且果仁整齐度的效应值为-0.367,说明果仁整齐度与破损率之间呈正向预测关系,即说明花生的果仁整齐度越大,破损率水平越低。
果仁球度的t检验水平为-2.207,对应的t检验的p值小于0.05,且果仁球度的效应值为-3.622,说明果仁球度与破损率之间呈正向预测关系,即说明花生的果仁球度越大,破损率水平越低。
果仁力学特征的t检验水平为-7.097,对应的t检验的p值小于0.05,且果仁力学特征效应值为-0.159,说明果仁力学特征与破损率之间呈正向预测关系,即说明花生的果仁力学特征越大,破损率水平越低。
基于此,得到破损率的预测模型:
Y1=-0.037-3.622*X1-0.367*X2-0.159*X3+0.598*X4;其中:X1、X2、X3、X4分别为果仁球度、果仁整齐度、果仁力学特性与果壳饱满度。Y1为预测的破损率。
同理,第二相关特性中,预测变量中果壳力学特性的t检验水平为-3.303,对应的t检验的p值小于0.05,且果壳力学特性效应值为-0.105,说明果壳力学特性与花生的脱净率之间呈负向预测关系,即说明花生的果壳力学特性越大,花生的脱净率水平越低。
果壳球度的t检验水平为1.731,对应的t检验的p值小于0.1,且果壳球度效应值为23.358,说明果壳球度与花生的脱净率之间呈显著正向预测关系,即说明花生的果壳球度越大,花生的脱净率水平越高。
果壳整齐度的t检验水平为2.051,对应的t检验的p值小于0.1,且果壳整齐度效应值为1.012,说明果壳整齐度与花生的脱净率之间呈边缘正向预测关系,即说明花生的果壳整齐度越大,花生的脱净率水平越高。
基于此,得到脱净率的预测模型:
Y2=74.428+28.532*X1’+1.166*X2’-0.215*X3’;其中:X1’、X2’、X3’分别为外壳球度、外壳整齐度、外壳力学特性。Y2为预测的脱净率。
进一步地,上述步骤S104中所述基于所述第一数据集,分别针对所述第一相关特性与破损率的影响关系以及所述第二相关特性与脱净率的影响关系构建多元线性回归模型,得到两组预测模型,之后还包括:
通过F检验对所述预测模型的合理性进行检验。
本实施例中构建的破损率预测模型的F值为7885.446,模型通过F检验(p=0.000<0.05),可见本实施例中构建的破损率预测模型合理。另外,本实施例中构建的脱净率预测模型的F值为44.444,模型通过F检验(p=0.000<0.05),因此本实施例构建的预测模型合理。
进一步地,在上述步骤S104中构建预测模型时,采用所述第一数据集中不少于第一阈值(如90%)的数据进行预测模型的构建,采用所述第一数据集中剩余的数据作为测试数据对所述预测模型的准确性进行验证。
进一步地,所述采用所述第一数据集中剩余的数据作为测试数据对所述预测模型的准确性进行验证包括如下步骤S301-S303:
步骤S301,将所述测试数据对应的所述第一相关特性以及第二相关特性的数值代入所述预测模型计算预测破损率与预测脱净率;
步骤S302,根据所述预测破损率与所述预测脱净率以及所述测试数据中的所述实测破损率以及所述实测脱净率分别计算对应于破损率与脱净率的偏差;
步骤S303,计算偏差小于第二阈值(如5%)的合格测试数据的数量,并计算合格测试数据占测试数据总数的百分比,得到合格率;
步骤S304,判断所述合格率是否低于预设的第三阈值(如95%),是则判定所述预测模型的准确率满足要求。
本发明还提供一种基于作业指标预测的花生脱壳难度预测系统400(以下简称预测系统400),预测系统400可以包括或被分割成一个或多个程序模块,一个或者多个程序模块被存储于存储介质中,并由一个或多个处理器所执行,以完成本发明,并可实现上述基于作业指标预测的花生脱壳难度预测方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序本身更适合于描述基于作业指标预测的花生脱壳难度预测方法在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能,如图2所示,其包括:
获取模块401,其用于获取第一数据集,所述第一数据集包括花生品种以及针对每个花生品种测定得到的基础特性以及实测作业指标;所述基础特性包括外形特性与果仁特性;所述实测作业指标包括实测破损率与实测脱净率;
统计模块402,其用于基于所述第一数据集中的基础特性数据进行统计,以得到各基础特性的特性值以及对应于各特性值的花生品类的频数占比,得到第二数据集;
分析模块403,其用于基于所述第二数据集中的所述频数占比数据、实测破损率与实测脱净率,对各所述基础特性与破损率及脱净率进行相关性分析,以得到与破损率及脱净率分别相关的基础特性,分别称为第一相关特性与第二相关特性;
模型构建模块404,其用于基于所述第一数据集,分别针对所述第一相关特性与破损率的影响关系以及所述第二相关特性与脱净率的影响关系构建多元线性回归模型,得到两组预测模型;
计算模块405,其用于获取待评估的花生的特性数据,并基于特性数据中对应于第一相关特性以及第二相关特性的数值以及所述预测模型计算预测破损率与预测脱净率;
结论得出模块406,其用于基于所述预测破损率与所述预测脱净率得出待评估的花生的脱壳难度结论。
其他基于预测系统400实现上述基于作业指标预测的花生脱壳难度预测方法的内容在之前实施例中已经详细介绍,可参考之前实施例中的对应内容,此处不再赘述。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.基于作业指标预测的花生脱壳难度预测方法,其特征在于,所述方法包括:
获取第一数据集,所述第一数据集包括花生品种以及针对每个花生品种测定得到的基础特性以及实测作业指标;所述基础特性包括外形特性与果仁特性;所述实测作业指标包括实测破损率与实测脱净率;
基于所述第一数据集中的基础特性数据进行统计,以得到各基础特性的特性值以及对应于各特性值的花生品类的频数占比,得到第二数据集;
基于所述第二数据集中的所述频数占比数据、实测破损率与实测脱净率,对各所述基础特性与破损率及脱净率进行相关性分析,以得到与破损率及脱净率分别相关的基础特性,分别称为第一相关特性与第二相关特性;
基于所述第一数据集,分别针对所述第一相关特性与破损率的影响关系以及所述第二相关特性与脱净率的影响关系构建多元线性回归模型,得到两组预测模型;
获取待评估的花生的特性数据,并基于特性数据中对应于第一相关特性以及第二相关特性的数值以及所述预测模型计算预测破损率与预测脱净率;
基于所述预测破损率与所述预测脱净率得出待评估的花生的脱壳难度结论。
2.根据权利要求1所述的基于作业指标预测的花生脱壳难度预测方法,其特征在于,所述基于所述预测破损率与所述预测脱净率得出待评估的花生的脱壳难度结论,包括:
分别确定所述预测破损率以及所述预测脱净率两者分别所处的数值区间,据此确定脱壳难度等级。
3.根据权利要求1所述的基于作业指标预测的花生脱壳难度预测方法,其特征在于,所述分别针对所述第一相关特性与破损率的影响关系以及所述第二相关特性与脱净率的影响关系构建多元线性回归模型,得到两组预测模型,包括:
针对每个第一相关特性进行t检验,得到对应的检验水平、p值以及效应值,基于p值对所述第一相关特性与破损率之间相关性的有效性进行检验;
基于检验有效的所述第一相关特性构建对应于破损率的预测模型,将效应值作为所述第一相关特性对应的偏回归系数;
针对每个第二相关特性进行t检验,得到对应的检验水平、p值以及效应值,基于p值对所述第二相关特性与脱净率之间相关性的有效性进行检验;
基于检验有效的所述第二相关特性构建对应于脱净率的预测模型,将效应值作为所述第二相关特性对应的偏回归系数。
4.根据权利要求3所述的基于作业指标预测的花生脱壳难度预测方法,其特征在于,所述基于所述第一数据集,分别针对所述第一相关特性与破损率的影响关系以及所述第二相关特性与脱净率的影响关系构建多元线性回归模型,得到两组预测模型,之后还包括:
通过F检验对所述预测模型的合理性进行检验。
5.根据权利要求1所述的基于作业指标预测的花生脱壳难度预测方法,其特征在于,在构建预测模型时,采用所述第一数据集中不少于第一阈值的数据进行预测模型的构建,采用所述第一数据集中剩余的数据作为测试数据对所述预测模型的准确性进行验证。
6.根据权利要求5所述的基于作业指标预测的花生脱壳难度预测方法,其特征在于,所述采用所述第一数据集中剩余的数据作为测试数据对所述预测模型的准确性进行验证包括:
将所述测试数据对应的所述第一相关特性以及第二相关特性的数值代入所述预测模型计算预测破损率与预测脱净率;
根据所述预测破损率与所述预测脱净率以及所述测试数据中的所述实测破损率以及所述实测脱净率分别计算对应于破损率与脱净率的偏差;
计算偏差小于第二阈值的合格测试数据的数量,并计算合格测试数据占测试数据总数的百分比,得到合格率;
判断所述合格率是否低于预设的第三阈值,是则判定所述预测模型的准确率满足要求。
7.基于作业指标预测的花生脱壳难度预测系统,其特征在于,其包括:
获取模块,其用于获取第一数据集,所述第一数据集包括花生品种以及针对每个花生品种测定得到的基础特性以及实测作业指标;所述基础特性包括外形特性与果仁特性;所述实测作业指标包括实测破损率与实测脱净率;
统计模块,其用于基于所述第一数据集中的基础特性数据进行统计,以得到各基础特性的特性值以及对应于各特性值的花生品类的频数占比,得到第二数据集;
分析模块,其用于基于所述第二数据集中的所述频数占比数据、实测破损率与实测脱净率,对各所述基础特性与破损率及脱净率进行相关性分析,以得到与破损率及脱净率分别相关的基础特性,分别称为第一相关特性与第二相关特性;
模型构建模块,其用于基于所述第一数据集,分别针对所述第一相关特性与破损率的影响关系以及所述第二相关特性与脱净率的影响关系构建多元线性回归模型,得到两组预测模型;
计算模块,其用于获取待评估的花生的特性数据,并基于特性数据中对应于第一相关特性以及第二相关特性的数值以及所述预测模型计算预测破损率与预测脱净率;
结论得出模块,其用于基于所述预测破损率与所述预测脱净率得出待评估的花生的脱壳难度结论。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410132695.2A CN118070242A (zh) | 2024-01-30 | 2024-01-30 | 基于作业指标预测的花生脱壳难度预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410132695.2A CN118070242A (zh) | 2024-01-30 | 2024-01-30 | 基于作业指标预测的花生脱壳难度预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118070242A true CN118070242A (zh) | 2024-05-24 |
Family
ID=91108913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410132695.2A Pending CN118070242A (zh) | 2024-01-30 | 2024-01-30 | 基于作业指标预测的花生脱壳难度预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118070242A (zh) |
-
2024
- 2024-01-30 CN CN202410132695.2A patent/CN118070242A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190086912A1 (en) | Method and system for generating two dimensional barcode including hidden data | |
WO2021073541A1 (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 | |
US11650968B2 (en) | Systems and methods for predictive early stopping in neural network training | |
CN109146301B (zh) | 一种分段式烟支烟丝分布均匀性评价方法和系统 | |
CN111931983B (zh) | 一种降水量预测方法及系统 | |
CN111125964B (zh) | 一种基于克里金插值法的污水处理过程代理模型构建方法 | |
Luo et al. | A probabilistic methodology for fatigue life prediction | |
CN108830417A (zh) | 一种基于arma和回归分析的生活能源消费预测方法及系统 | |
CN112651119A (zh) | 一种空间谐波减速器多性能参数加速退化试验评估方法 | |
CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 | |
CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
CN118070242A (zh) | 基于作业指标预测的花生脱壳难度预测方法及系统 | |
CN109858699B (zh) | 水质定量模拟方法、装置、电子设备及存储介质 | |
CN113361209B (zh) | 一种高温合金表面缺陷磁异常定量分析方法 | |
CN115222114A (zh) | 汽车零部件装配指标值预测方法、终端设备及存储介质 | |
CN111062118B (zh) | 一种基于神经网络预测分层的多层软测量建模系统及方法 | |
CN109520964A (zh) | 基于nirs的种子活力测定方法、系统及存储介质 | |
CN113836826A (zh) | 关键参数确定方法、装置、电子装置及存储介质 | |
CN114755302A (zh) | 一种基于超声相控阵的裂纹表征方法及装置 | |
CN114091243A (zh) | 一种产品概念设计可靠性的预测方法及系统 | |
CN111222736A (zh) | 一种基于混合相关向量机模型的弹药贮存可靠度评估方法 | |
CN111859773A (zh) | 基于正则化粒子滤波的电动闸阀故障确定方法及系统 | |
CN115907178B (zh) | 一种净生态系统co2交换量的预测方法 | |
CN114385967B (zh) | 农作物品种试验设计方法及装置 |
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 |