【技术实现步骤摘要】
本专利技术涉及光谱检测，特别涉及一种基于二维光谱数据和cars算法的梨硬度识别方法。
技术介绍
1、梨，是一种常见的水果，被广泛种植和销售，其品质、种类、成熟程度等特点可用外观色泽、硬度以及ph值等指标间接表示。而水果的硬度作为指标之一，有着有效反应梨种类，尤其是成熟程度的能力。
2、目前，对于梨的硬度检测主要通过压缩测试、切片测试或牛顿硬度仪测试等对梨样品进行损伤的物理方式来实现，尽管这些方法具有检测精度高的优点，但同时也使得无法对梨样品进行大规模的实时评价，对梨样品进行损坏，检测步骤繁琐等缺点，不足以支撑梨行业快速分级的效率要求。
3、因此，提供一种基于二维光谱数据和cars算法的梨硬度识别方法。
技术实现思路
1、为解决上述技术问题，本专利技术提供一种基于二维光谱数据和cars算法的梨硬度识别方法，用以解决传统硬度检测方式中对梨样本造成损伤，检测步骤繁琐的问题。
2、本专利技术实施例中提供了一种基于二维光谱数据和cars算法的梨硬度识别方法，包括：
3、采集梨样品的近红外光谱数据；
4、根据所述近红外光谱数据，构建动态光谱矩阵，获取二维同步光谱数据；
5、基于savitzky-golay滤波器对所述二维同步光谱数据进行预处理，获取预处理光谱数据；
6、基于竞争性自适应重加权采样算法对所述预处理光谱数据进行特征筛选，获取特征光谱数据；
7、将所述特征光谱数据向基于梯度提升算法构建的梨
8、优选的，本专利技术实施例提供一种基于二维光谱数据和cars算法的梨硬度识别方法，所述步骤：根据所述近红外光谱数据，构建动态光谱矩阵，获取二维同步光谱数据，包括：
9、根据所述近红外光谱数据，计算平均红外光谱数据；
10、根据所述近红外光谱数据和所述平均红外光谱数据，构建动态光谱矩阵，获取二维同步光谱数据。
11、优选的，本专利技术实施例提供一种基于二维光谱数据和cars算法的梨硬度识别方法，包括：
12、所述近红外光谱数据的波长范围为592cm-1 ~ 1102cm-1。
13、优选的，本专利技术实施例提供一种基于二维光谱数据和cars算法的梨硬度识别方法，所述步骤：基于savitzky-golay滤波器对所述二维同步光谱数据进行预处理，获取预处理光谱数据，包括：
14、建立滑动窗口，所述滑动窗口基于所述二维同步光谱数据滑动；
15、所述滑动窗口内设有若干待测点[c1, …, ct]，基于待测点对滑动窗口内的二维同步光谱数据进行多项式拟合；
16、
17、其中，[x1, …, xt]t为当前滑动窗口内待测点[c1, …, ct]对应的二维同步光谱数据，[a0, …, ak-1]为拟合参数，[y1, …, yt]t为滑动窗口内的预处理光谱数据，k为savitzky-golay滤波器的阶数；
18、直至所述滑动窗口遍历全部二维同步光谱数据，获取预处理光谱数据。
19、优选的，本专利技术实施例提供一种基于二维光谱数据和cars算法的梨硬度识别方法，所述步骤：基于竞争性自适应重加权采样算法对所述预处理光谱数据进行特征筛选，获取特征光谱数据，包括：
20、基于蒙特卡洛采样法对所述预处理光谱数据进行采样；
21、随机选取p个样本光谱数据，建立偏最小二乘回归模型；
22、
23、其中，g为偏最小二乘回归模型的输出值，u为待处理的样本光谱数据，β为偏最小二乘回归模型的回归系数，β为一个m维的系数向量，为系数向量中第i个元素向量，e为偏最小二乘回归模型预测的残差值；
24、获取样本光谱数据处理中回归系数的绝对值权重；
25、
26、其中，为元素向量对应的绝对值权重；
27、利用指数衰减函数剔除绝对值权重较小的波数信息，通过蒙特卡洛采样法在第 j次采样运算后，获取元素变量的波数保存比例；
28、
29、其中，μ和s为常数；
30、基于自适应重加权采样算法，根据获取的波数保存比例，对所述预处理光谱数据进行特征筛除；
31、偏最小二乘回归模型根据特征筛除后的预处理光谱数据，计算对应的交叉验证均方差；选取交叉验证均方差最小的光谱数据，作为特征筛选后的特征光谱数据。
32、优选的，本专利技术实施例提供一种基于二维光谱数据和cars算法的梨硬度识别方法，所述步骤：将所述特征光谱数据向基于梯度提升算法构建的梨硬度预测模型传输，获取硬度预测结果，包括：
33、基于梯度提升算法构建梨硬度预测模型；
34、对所述梨硬度预测模型进行性能判别；
35、在所述梨硬度预测模型的性能满足要求时，将所述特征光谱数据向基于梯度提升算法构建的梨硬度预测模型传输，获取硬度预测结果。
36、优选的，本专利技术实施例提供一种基于二维光谱数据和cars算法的梨硬度识别方法，所述步骤：基于梯度提升算法构建梨硬度预测模型，包括：
37、获取训练集中的样本特征数据和对应的样本预测结果；
38、将所述样本特征数据向初始预测模型传输，获取模型预测结果；
39、根据模型预测结果与所述样本预测结果，获取偏差信息；
40、根据所述偏差信息调整所述初始预测模型；
41、重复上述步骤，直至所述模型预测结果与所述样本预测结果相拟合，或对所述初始预测模型的训练达到预设迭代次数，获取梨硬度预测模型。
42、优选的，本专利技术实施例提供一种基于二维光谱数据和cars算法的梨硬度识别方法，所述步骤：对所述梨硬度预测模型进行性能判别，包括：
43、获取测试集中样本测试数据和对应的样本真实结果；
44、将所述样本测试数据向所述梨硬度预测模型传输，获取样本测试结果；
45、根据所述样本测试结果和所述样本真实结果，对所述梨硬度预测模型进行性能判别；包括：
46、计算所述样本测试结果与所述样本真实结果的均方误差mse；
47、
48、其中，为测试集中第i个样本测试数据对应的样本真实结果，为梨硬度预测模型根据测试集中第i个样本测试数据获取的样本测试结果；
49、计算所述样本测试结果与所述样本真实结果的决定系数r2；
50、
51、其中，为测试集中所有样本真实结果的平均值。
52、优选的，本专利技术实施例提供一种基于二维光谱数据和cars算法的梨硬度识别方法，所述步骤：在所述梨硬度预测模型的性能满足要求时，将所述特征光谱数据向基于梯度提升算法构建的梨硬度预测模型传输，获取硬度预测结果，还包括：
53、获取所述梨硬度预测模型的均方误差mse和决定系数r2；
54、分别设置均方误差阈值和决本文档来自技高网...
【技术保护点】
1.一种基于二维光谱数据和CARS算法的梨硬度识别方法，其特征在于，包括：
2.根据权利要求1所述的基于二维光谱数据和CARS算法的梨硬度识别方法，其特征在于，所述步骤：根据所述近红外光谱数据，构建动态光谱矩阵，获取二维同步光谱数据，包括：
3.根据权利要求1所述的基于二维光谱数据和CARS算法的梨硬度识别方法，其特征在于，包括：
4.根据权利要求1所述的基于二维光谱数据和CARS算法的梨硬度识别方法，其特征在于，所述步骤：基于Savitzky-Golay滤波器对所述二维同步光谱数据进行预处理，获取预处理光谱数据，包括：
5.根据权利要求1所述的基于二维光谱数据和CARS算法的梨硬度识别方法，其特征在于，所述步骤：基于竞争性自适应重加权采样算法对所述预处理光谱数据进行特征筛选，获取特征光谱数据，包括：
6.根据权利要求1所述的基于二维光谱数据和CARS算法的梨硬度识别方法，其特征在于，所述步骤：将所述特征光谱数据向基于梯度提升算法构建的梨硬度预测模型传输，获取硬度预测结果，包括：
7.根据权利要求6所述的基于
8.根据权利要求7所述的基于二维光谱数据和CARS算法的梨硬度识别方法，其特征在于，所述步骤：对所述梨硬度预测模型进行性能判别，包括：
9.根据权利要求8所述的基于二维光谱数据和CARS算法的梨硬度识别方法，其特征在于，所述步骤：在所述梨硬度预测模型的性能满足要求时，将所述特征光谱数据向基于梯度提升算法构建的梨硬度预测模型传输，获取硬度预测结果，还包括：
10.根据权利要求9所述的基于二维光谱数据和CARS算法的梨硬度识别方法，其特征在于，所述步骤：分别设置均方误差阈值和决定系数阈值，之后，还包括：
...【技术特征摘要】
1.一种基于二维光谱数据和cars算法的梨硬度识别方法，其特征在于，包括：
2.根据权利要求1所述的基于二维光谱数据和cars算法的梨硬度识别方法，其特征在于，所述步骤：根据所述近红外光谱数据，构建动态光谱矩阵，获取二维同步光谱数据，包括：
3.根据权利要求1所述的基于二维光谱数据和cars算法的梨硬度识别方法，其特征在于，包括：
4.根据权利要求1所述的基于二维光谱数据和cars算法的梨硬度识别方法，其特征在于，所述步骤：基于savitzky-golay滤波器对所述二维同步光谱数据进行预处理，获取预处理光谱数据，包括：
5.根据权利要求1所述的基于二维光谱数据和cars算法的梨硬度识别方法，其特征在于，所述步骤：基于竞争性自适应重加权采样算法对所述预处理光谱数据进行特征筛选，获取特征光谱数据，包括：
6.根据权利要求1所述的基于二维光谱数据和cars...
【专利技术属性】
技术研发人员：徐晓轩，陈世达，王斌，许静，韩芳，任兴平，
申请(专利权)人：南开大学云南研究院，
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。