【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。