【技术实现步骤摘要】
本专利技术涉及一种基于特征级波段融合的蛋白质和湿面筋含量检测方法，属于高光谱数据处理领域。
技术介绍
1、随着经济的发展和生活水平的提高，人们对粮食的需求不再局限于充饥，而是更加关注它们的外观品质、营养价值和食用口感。其中，蛋白质和湿面筋含量直接影响着小麦的营养价值以及质量的好坏，是评估小麦品质的重要指标。高光谱成像技术具有快速、客观、范围广、非破坏性等优点，在不污染环境的同时还可以节约大量的化学试剂的使用费用，近年来已被广泛应用于小麦的蛋白质和湿面筋含量的无损检测中。
2、目前利用高光谱成像技术实现对于小麦蛋白质和湿面筋含量的检测方法中，puneet mishra等人针对小麦籽粒中蛋白质含量的预测，提出了一种利用顺序融合和并行融合两种不同的预处理融合方法(可参考“mishra,puneet,and santosh lohumi."improved prediction of protein content in wheat kernels with a fusion ofscatter correction methods in nir data modelling."biosystems engineering 203(2021):93-97.”中的介绍)，与使用单一散射校正技术相比，利用顺序融合和并行融合建立的plsr模型，其预测相关系数分别为0.89和0.90，预测精度有所提高。而zhang等人针对小麦粉中蛋白质和湿面筋含量的预测，提出一种利用高光谱和rgb传感器获得小麦粉的原始反射率(or)、小波特征(wf
3、上述方法中，一是在数据处理阶段进行了研究，另外是在特征筛选阶段通过对不同的特征进行筛选后融合，其方法针对不同形态的小麦(包括小麦籽粒和小麦粉)并不通用，也即某一种特定的预处理方法或者某一种特定的特征融合方法并不适用不同形态的小麦中蛋白质或者湿面筋含量的预测，而且也未考虑预处理阶段和特征融合阶段的相互结合，因此，针对小麦中蛋白质或者湿面筋含量的预测，需要提出一种新的方法。
技术实现思路
1、为了提高对于小麦中蛋白质或者湿面筋含量的预测精度，本专利技术提供了一种基于特征级波段融合的蛋白质和湿面筋含量检测方法，基于不同形态的小麦，针对蛋白质和湿面筋含量的预测，分别采用不同的方法进行特征级波段融合的方式，实现高精度预测。
2、本专利技术的第一个目的在于提供一种基于特征级波段融合的蛋白质含量检测方法，用于检测小麦籽粒的蛋白质含量，包括：
3、步骤1，获取小麦籽粒分别在400-1000nm和900-1700nm波段下的高光谱图像数据；
4、步骤2，对400-1000nm波段下的高光谱图像数据采用1st+msc进行预处理，同时对900-1700nm波段下的高光谱图像数据采用1st+snv进行预处理；
5、步骤3，利用竞争性自适应重加权算法cars对预处理后的400-1000nm波段下的高光谱图像数据进行特征波长筛选，同时利用无信息变量消除法uve对预处理后的900-1700nm波段下的高光谱图像数据进行特征波长筛选；
6、步骤4，将筛选出的400-1000nm波段下的特征波长和900-1700nm波段下的特征波长进行链接，用于构建plsr模型；
7、步骤5，采用步骤4构建得到的plsr模型实现对于待检测小麦籽粒的蛋白质含量的预测。
8、本专利技术的第二个目的在于提供一种基于特征级波段融合的蛋白质含量检测方法，用于检测小麦粉的蛋白质含量，包括：
9、步骤1，获取小麦粉分别在400-1000nm和900-1700nm波段下的高光谱图像数据；
10、步骤2，对400-1000nm和900-1700nm波段下的高光谱图像数据均采用1st+snv进行预处理；
11、步骤3，利用无信息变量消除法uve对预处理后的400-1000nm波段下的高光谱图像数据进行特征波长筛选，同时利用uve+cars对预处理后的900-1700nm波段下的高光谱图像数据进行特征波长筛选；
12、步骤4，将筛选出的400-1000nm波段下的特征波长和900-1700nm波段下的特征波长进行链接，用于构建plsr模型；
13、步骤5，采用步骤4构建得到的plsr模型实现对于待检测小麦粉的蛋白质含量的预测。
14、本专利技术的第三个目的在于提供一种基于特征级波段融合的湿面筋含量检测方法，用于检测小麦籽粒的湿面筋含量，包括：
15、步骤1，获取小麦籽粒分别在400-1000nm和900-1700nm波段下的高光谱图像数据；
16、步骤2，对400-1000nm波段下的高光谱图像数据采用1st+snv进行预处理，同时对900-1700nm波段下的高光谱图像数据采用1st+msc进行预处理；
17、步骤3，利用竞争性自适应重加权算法cars对预处理后的400-1000nm和900-1700nm波段下的高光谱图像数据进行特征波长筛选；
18、步骤4，将筛选出的400-1000nm波段下的特征波长和900-1700nm波段下的特征波长进行链接，用于构建plsr模型；
19、步骤5，采用步骤4构建得到的plsr模型实现对于待检测小麦籽粒的蛋白质含量的预测。
20、本专利技术的第四个目的在于提供一种基于特征级波段融合的湿面筋含量检测方法，用于检测小麦粉的湿面筋含量，包括：
21、步骤1，获取小麦粉分别在400-1000nm和900-1700nm波段下的高光谱图像数据；
22、步骤2，对400-1000nm和900-1700nm波段下的高光谱图像数据均采用1st+snv进行预处理；
23、步骤3，利用竞争性自适应重加权算法cars对预处理后的400-1000nm波段下的高光谱图像数据进行特征波长筛选，同时利用无信息变量消除法uve对预处理后的900-1700nm波段下的高光谱图像数据进行特征波长筛选；
24、步骤4，将筛选出的400-1000nm波段下的特征波长和900-1700nm波段下的特征波长进行链接，用于构建plsr模型；
<本文档来自技高网...【技术保护点】
1.一种基于特征级波段融合的蛋白质或湿面筋含量检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，当样品形态为小麦籽粒、检测对象为蛋白质时，所述步骤2中针对400-1000nm波段下的高光谱图像数据采用1st+MSC进行预处理，同时对900-1700nm波段下的高光谱图像数据采用1st+SNV进行预处理。
3.根据权利要求2所述的方法，其特征在于，所述步骤3中利用竞争性自适应重加权算法CARS对预处理后的400-1000nm波段下的高光谱图像数据进行特征波长筛选，同时利用无信息变量消除法UVE对预处理后的900-1700nm波段下的高光谱图像数据进行特征波长筛选。
4.根据权利要求1所述的方法，其特征在于，当样品形态为小麦粉、检测对象为蛋白质时，所述步骤2中针对400-1000nm和900-1700nm波段下的高光谱图像数据均采用1st+SNV进行预处理。
5.根据权利要求4所述的方法，其特征在于，所述步骤3中利用无信息变量消除法UVE对预处理后的400-1000nm波段下的高光谱图像数据进行特征波长筛选
6.根据权利要求1所述的方法，其特征在于，当样品形态为小麦籽粒、检测对象为湿面筋时，所述步骤2中针对400-1000nm波段下的高光谱图像数据采用1st+SNV进行预处理，同时对900-1700nm波段下的高光谱图像数据采用1st+MSC进行预处理。
7.根据权利要求6所述的方法，其特征在于，所述步骤3中利用竞争性自适应重加权算法CARS对预处理后的400-1000nm和900-1700nm波段下的高光谱图像数据进行特征波长筛选。
8.根据权利要求1所述的方法，其特征在于，当样品形态为小麦粉、检测对象为湿面筋时，所述步骤2中针对400-1000nm和900-1700nm波段下的高光谱图像数据均采用1st+SNV进行预处理。
9.根据权利要求8所述的方法，其特征在于，所述步骤3中利用竞争性自适应重加权算法CARS对预处理后的400-1000nm波段下的高光谱图像数据进行特征波长筛选，同时利用无信息变量消除法UVE对预处理后的900-1700nm波段下的高光谱图像数据进行特征波长筛选。
10.根据权利要求1所述的方法，其特征在于，采集400-1000nm和900-1700nm波段下的高光谱图像数据时，在拍摄高光谱图像后，将采集到的小麦和小麦粉原始高光谱图像经过黑白校正转化为校正图像。
...【技术特征摘要】
1.一种基于特征级波段融合的蛋白质或湿面筋含量检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，当样品形态为小麦籽粒、检测对象为蛋白质时，所述步骤2中针对400-1000nm波段下的高光谱图像数据采用1st+msc进行预处理，同时对900-1700nm波段下的高光谱图像数据采用1st+snv进行预处理。
3.根据权利要求2所述的方法，其特征在于，所述步骤3中利用竞争性自适应重加权算法cars对预处理后的400-1000nm波段下的高光谱图像数据进行特征波长筛选，同时利用无信息变量消除法uve对预处理后的900-1700nm波段下的高光谱图像数据进行特征波长筛选。
4.根据权利要求1所述的方法，其特征在于，当样品形态为小麦粉、检测对象为蛋白质时，所述步骤2中针对400-1000nm和900-1700nm波段下的高光谱图像数据均采用1st+snv进行预处理。
5.根据权利要求4所述的方法，其特征在于，所述步骤3中利用无信息变量消除法uve对预处理后的400-1000nm波段下的高光谱图像数据进行特征波长筛选，而针对预处理后的900-1700nm波段下的高光谱图像数据，则首先利用无信息变量消除法uve进行特征波长筛选，对筛选出的特征波长再次利用竞争性自适应重加权算法cars进行二次特征波长筛选，以二次特征波长筛选出来的结...
【专利技术属性】
技术研发人员：李彭，李艳艳，方勇，何学明，刘强，程玮玮，丁俭，孙昕炀，邢常瑞，
申请(专利权)人：南京财经大学，
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。