基于高光谱成像技术的猕猴桃货架期快速判别方法技术

本发明专利技术公开了一种基于高光谱成像技术的猕猴桃货架期快速判别方法，包括以下判别步骤：S1：取不同货架期的猕猴桃样本，并采集猕猴桃样本的高光谱图像，再对该图像进行黑白校正，获得校正后图像R：S2：将校正后图像进行降噪处理，获得有效光谱信息：S3：采用DOSC处理方法对有效光谱信息进行预处理；S4：将预处理后的有效光谱信息采用SPA算法提取出特征光谱变量；S5：建立ELM模型，再将特征光谱变量输入至ELM模型中，获得待测猕猴桃货架期的判别结果。本发明专利技术算法新颖、实现简单；对猕猴桃的货架期进行无损判别，快速且准确；推广性强，具有广阔的市场应用前景。广阔的市场应用前景。广阔的市场应用前景。

【技术实现步骤摘要】
基于高光谱成像技术的猕猴桃货架期快速判别方法


[0001]本专利技术涉及农产品检测领域，具体涉及基于高光谱成像技术的猕猴桃货架期快速判别方法。

技术介绍

[0002]猕猴桃是典型的呼吸跃变型水果，长时间货架储藏的猕猴桃，其内部可溶性糖由不断产生变为渐渐代谢，细胞壁膨胀、降解，果肉变软，表现是糖度先增后减和硬度逐渐降低，但猕猴桃在外观上变化不显著，难以通过其外观变化来确定猕猴桃的货架期，易出现不同货架期猕猴桃与新鲜猕猴桃混在一起，质量参差不齐，易导致销售质量降低，更危及食品安全。故设计一种能快速且准确判别猕猴桃货架期的方法就显得十分必要。

技术实现思路

[0003]本专利技术的目的在于提供基于高光谱成像技术的猕猴桃货架期快速判别方法，通过采集不同货架期猕猴桃的高光谱图像，通过分析处理光谱信息从中提取出有效的低维特征光谱变量，并将之用于判别猕猴桃的货架期。
[0004]为实现上述专利技术目的，本专利技术所采用的技术方案是：基于高光谱成像技术的猕猴桃货架期快速判别方法，包括以下判别步骤：S1：取不同货架期的猕猴桃样本，并采集猕猴桃样本的高光谱图像，再对该图像进行黑白校正，获得校正后图像R：；式中，R为校正后图像，R
D
为黑标准图像，R
W
为白标准图像，R
O
为猕猴桃高光谱图像；S2：对校正后的图像进行降噪处理，获得有效光谱信息：;式中，为猕猴桃样本在各波长下提取的感兴趣区域内每个像素点的光谱信息值，h为感兴趣区域内的像素点数，为猕猴桃样本在各波长点处求取的有效光谱信息值；S3：采用DOSC处理方法对有效光谱信息进行预处理；S4：将预处理后的有效光谱信息采用SPA算法提取出特征光谱变量；S5：建立ELM模型，再将特征光谱变量输入至ELM模型中，获得待测猕猴桃货架期的判别结果；ELM模型为：
；式中，x
j
为第j个样本的输入变量，g(
∙
)为隐含层神经元激活函数，b
i
为隐含层神经元的偏置，l、L分别为隐含层节点数和样本数，w
i
为输入层节点到隐含层节点之间的权值，β
i
为隐含层节点到输出层节点之间的权值，f( x
j ) 是ELM模型的输出值。
[0005]优选的，所述DOSC处理方法包括以下步骤：S31：对有效光谱矩阵X(n
×
m)、真实货架期矩阵Y(n
×
1)进行均值中心化，其中，n为猕猴桃样本个数，m为有效光谱变量数；S32：将Y分解成正交部分M和F，其中，M是Y在X上的投影，即，F与X正交；S33：将X分解成2个正交部分，一部分与M同幅值，另一部分与M正交，即Z=X
‑
MM ‑1X；S34：对Z
×
Z
’
进行奇异值分解，求得Z的得分矩阵T
d
；S35：计算权重矩阵H：H=X
‑1T
d
；S36：计算新的得分矩阵T
d
‑
new
：T
d
‑
new
=XH；S37：计算载荷矩阵Q：Q=X
’ꢀ
T
d
‑
new
(T
d
‑
new
’ꢀ
T
d
‑
new
)
‑1；S38：计算预处理后的光谱信息矩阵X
DOSC
：X
DOSC
=X
‑
T
d
‑
new Q
’
。
[0006]优选的，所述SPA算法包括以下步骤：S41：将预处理后的光谱信息X
DOSC
标准化处理为X
M
×
K
，其中，K是预处理后的光谱波段数，N为SPA提取出的特征光谱变量个数；S42：任选一列光谱数据x
j
，记为变量；S43：定义集合，代表其余未选中的光谱变量；S44：计算x
j
在S上的投影；S45：记录投影向量中最大投影k(n)： ；S46：令为下轮迭代的投影向量：；S47：若n<N，返回步骤S43，继续投影。
[0007]优选的，经步骤S41~S47可获得特征光谱变量 ，并建立相应的多元线性回归模型，计算在不同特征光谱变量数下的均方根误差，选取均方根误差最小值时所对应的特征光谱变量个数作为SPA提取出的特征光谱变量的最佳个数。
[0008]优选的，在步骤S5中，ELM模型在输入特征光谱变量前，需对ELM模型的权值(w
i
,β
i
)和隐含层偏置b
i
采用PSO处理，PSO处理步骤如下：S51：初始化粒子群算法的参数，包括学习因子c1和c2、惯性因子初值ω
ini
和终值ω
end
、隐含层节点数、迭代次数K和粒子（即权值和隐含层偏置）种群数，以及粒子的寻优范围；
S52：以ELM实际与期望输出的RMSEC为适应值，计算所有粒子的适应值，并从中找出全局最佳适应值和对应的全局最优粒子；S53：更新各粒子并计算其适应值，并与前一次各自的个体适应值作比较，若此次适应值更接近期望值，则更新粒子及其相应的适应值，否则维持不变；S54：在各粒子的适应值中找出新的全局最佳适应值和新的全局最优粒子；S55：若新的全局最佳适应值优于上次的全局最佳适应值 ，则保留该次全局最佳适应值及相应的全局最优粒子，否则维持不变；S56：判断当前迭代次数k是否等于迭代次数K，或粒子对应的RMSEC为限值范围内的最小值；若是，则结束对ELM模型的PSO处理；若否，循环执行步骤S52~S55。
[0009]优选的，所述猕猴桃样本的高光谱图像采用“盖亚”高光谱分选仪进行采集。
[0010]本专利技术的有益效果集中体现在：1、本专利技术算法新颖、实现简单；2、对猕猴桃的货架期进行无损判别，快速且准确；3、推广性强，具有广阔的市场应用前景。
附图说明
[0011]图1是本专利技术的判别流程图。
[0012]图2是本专利技术的猕猴桃高光谱图像去噪前后的光谱信息。
[0013]图3是本专利技术的DOSC处理前后的光谱反射率图像。
[0014]图4是本专利技术的SPA提取的6个特征光谱变量在450nm~1000nm光谱波段范围内对应的波长位置分布图。
[0015]图5是本专利技术的80个猕猴桃样本（5℃保鲜室贮藏）的货架期判别结果。
具体实施方式
[0016]为了使本领域的技术人员更好地理解本专利技术的技术方案，下面结合附图和具体实施例对本专利技术作进一步的详细说明。
[0017]如图1所示，基于高光谱成像技术的猕猴桃货架期快速判别方法，包括以下判别步骤：S1：取不同货架期的猕猴桃样本，并采集猕猴桃样本的高光谱图像，在本实施例中，采集在387nm~1034nm光谱波段范围本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于高光谱成像技术的猕猴桃货架期快速判别方法，其特征在于：包括以下判别步骤：S1：取不同货架期的猕猴桃样本，并采集猕猴桃样本的高光谱图像，再对该图像进行黑白校正，获得校正后图像R：；式中，R为校正后图像，R
D
为黑标准图像，R
W
为白标准图像，R
O
为猕猴桃高光谱图像；S2：对校正后的图像进行降噪处理，获得有效光谱信息：;式中，为猕猴桃样本在各波长下提取的感兴趣区域内每个像素点的光谱信息值，h为感兴趣区域内的像素点数，为猕猴桃样本在各波长点处求取的有效光谱信息值；S3：采用DOSC处理方法对有效光谱信息进行预处理；S4：将预处理后的有效光谱信息采用SPA算法提取出特征光谱变量；S5：建立ELM模型，再将特征光谱变量输入至ELM模型中，获得待测猕猴桃货架期的判别结果；ELM模型为：；式中，x
j
为第j个样本的输入变量，g(
∙
)为隐含层神经元激活函数，b
i
为隐含层神经元的偏置，l、L分别为隐含层节点数和样本数，w
i
为输入层节点到隐含层节点之间的权值，β
i
为隐含层节点到输出层节点之间的权值，f( x
j ) 是ELM模型的输出值。2.根据权利要求1所述的基于高光谱成像技术的猕猴桃货架期快速判别方法，其特征在于：所述DOSC处理方法包括以下步骤：S31：对有效光谱矩阵X(n
×
m)、真实货架期矩阵Y(n
×
1)进行均值中心化，其中，n为猕猴桃样本个数，m为有效光谱变量数；S32：将Y分解成正交部分M和F，其中，M是Y在X上的投影，即，F与X正交；S33：将X分解成2个正交部分，一部分与M同幅值，另一部分与M正交，即Z=X
‑
MM ‑1X；S34：对Z
×
Z
’
进行奇异值分解，求得Z的得分矩阵T
d
；S35：计算权重矩阵H：H=X
‑1T
d
；S36：计算新的得分矩阵T
d
‑
new
：T
d
‑
new
=XH；S37：计算载荷矩阵Q：Q=X
’ꢀ
T
d
‑
new
(T
d
‑
new
’ꢀ
T
d
‑
new
)
‑1；S38：计算预处理后的光谱信息矩阵X
...

【专利技术属性】
技术研发人员：许丽佳，黄鹏，陈铭，康志亮，王玉超，彭英琦，
申请(专利权)人：四川农业大学，
类型：发明
国别省市：