[發明專利]基于多光譜散射圖像的蘋果硬度預測方法

無效

• 申請號: 200810056853.1
• 申請日: 2008-01-25
• 公開（公告）號: CN101226146A
• 公開（公告）日: 2008-07-23
• 發明（設計）人: 彭彥昆
• 申請（專利權）人: 中國農業大學
• 主分類號: G01N21/49
• 分類號: G01N21/49;G06F19/00;G06F17/10
• 代理公司: 北京眾合誠成知識產權代理有限公司
• 代理人: 史雙元

1.一種基于多光譜散射圖像的蘋果硬度預測模型新方法，其特征在于，采用不同的回歸方法更新現有模型以用于預測新一組樣本，即開發了一種通過增加新樣本來更新現有預測模型的回歸最小二乘方法；并提出一種能夠獲得較好的水果硬度預測結果的樣本增加方法，使更新后的模型可以有效的預測水果的硬度，最后用同一時間采集但具有不同收后儲存時間的兩組不同的蘋果樣本集來測試該模型對蘋果的硬度預測效果，并與采用以往預測方法的水果硬度預測結果進行比較。

2.根據權利要求1所述基于多光譜散射圖像的蘋果硬度預測模型更新方法，其特征在于，所述蘋果硬度預測模型更新方法具體步驟如下：

(1)蘋果樣本材料的選取

試驗開始前，需要選取合適蘋果樣本，并將其放置在室溫下至少15小時，試驗時選取了兩組蘋果樣本；

(2)數據采集與處理

數據采集是使用袖珍型、裝有液晶可調諧濾波器(LCTF)的多光譜圖像系統分別采集組I和組II的蘋果樣本獲得其光譜散射圖像，獲得每個蘋果樣本在8個波長下的8幅散射圖像；

數據處理，使用修正的洛倫茲分布函數(MLD)來計算每一個散射圖像的輪廓參數

R=a1+a21+(|z|a3)a4---(1)]]>

上式中，R是以CCD灰度數表示的光密度；z是散射距離；a₁為光密度不對稱值，a₂為散射輪廓峰值；a₃為半最大峰值對應的滿散射寬度(FWHM)；a₄為FWHM周圍的散射斜坡；

采集完光譜散射圖像后，使用標準的MT硬度測試儀測量每個水果的硬度值，在與采集圖像相同的環繞每個水果赤道的區域，以2mm/s的落下速度將直徑為11mm的探針刺入去皮水果9.0mm測量其硬度值；

(3)回歸預測模型的步驟，水果硬度回歸預測模型共包含以下5步：

1)按組I和組II每組450個蘋果樣本，各自均被分為兩個獨立的樣本集，樣本按硬度值大小降序排列，每四個蘋果中的前三個用于校準，第四個用于驗證，該過程最終使從組I和組II分別提取出兩個驗證集和兩個校準集；

2)在不同的波長下對每一個樣本采用非線性回歸分析擬合圖像散射輪廓，從而確定方程一中它們的MLD參數，從每個樣本可獲得一套共32個MLD參數＝4參數*8波長；進一步將水果樣本的MLD參數除以與Teflon參考標準對應的參數，以校正從蘋果樣本獲取散射圖像的試驗過程中光源波動帶來的影響；

3)采用多元線性回歸(MLR)計算組I校準集和組II校準集中樣本MT硬度和MLD硬度兩者間的r值和校準標準差(SEC)，采用MLR方法分別建立起組I和組II的8波長預測模型，接著分別用它們各自的驗證集對其進行驗證，驗證結果用作與后續所述新的模型更新方法所獲模型的驗證結果進行比較，組I的水果硬度預測模型可用方程(2)來表示：

F=c0+c1a1+c2a2+···+cnan=Σj=0ncjaj---(2)]]>

其中，F為以N表示的MT預測硬度；a_j(j＝1，2，...n；n＝32)為MLD參數；下標j表示每一個參數；c_j為每個波長下與4個MLD參數中的每個參數相聯系的回歸系數；c₀為以N為單位的截距；

4)用從組II校準集選取的樣本校正由組I校準集所建預測模型，接著用組II驗證集驗證該更新模型，更新算法由下列過程導出，

加入新樣本后預測模型(方程1)的回歸系數c將變為c_j+Δc_j，可表示為：

F+ΔF=(c0+Δc0)+(c1+Δc1)a1+(c2+Δc2)a2+···+(cnΔcn)an=Σj=0ncjaj+Σj=0nΔcjaj---(3)]]>

其中ΔF為預測硬度的校正值，假定新樣本的MLD參數和MT硬度為：

a11a12···a1nf1a21a22···a2nf2············am1am2···amnfm---(4)]]>

其中f_i為新加入樣本的MT硬度；(i＝1，2，...m)代表每個樣本；m為新加入樣本的數量。更新的模型必須確保新加入樣本的預測值(f_i+Δf_i)和參考值f_i之間的最小差異，即利用方程(5)的最小二乘求取更新預測模型的Δc_j值，

Σi=1m(Fi+ΔFi-fi)2---(5)]]>

根據最小二乘方法，通過求取對Δcj的一階微分可導出下面的方程：

a11a12···a1nf1a21a22···a2nf2············am1am2···amnfmΔc0Δc1···Δcn=t0t1···tn---(6)]]>

skj=Σi=1maijaik,tk=Σi=1m(fi-Fi)aik,ai0=1,k=0,1,···,n]]>

加入新樣本后回歸系數c_j的校正值Δc_j可由方程6導出。將Δc_j插入方程3可導出更新預測模型；

5)從組II校準集選擇樣本有以下四種方法：a)隨機選擇，b)僅從‘軟’水果組選取；c)僅從‘硬’水果組選取；d)同時從‘軟’水果組和‘硬’水果組選取.組II中所有的樣本均根據MT硬度值按降序排列。‘軟’水果樣本從1開始按向前順序選取；‘硬’水果樣本從最后一個樣本按向后順序選取；將按以上四種選擇方法選取的樣本分別加入到由組I校準集所得預測模型，以更新該預測模型，最后，用組II驗證集驗證所更新模型。

3.根據權利要求1所述基于多光譜散射圖像的蘋果硬度預測模型更新方法，其特征在于，所述8個波長為650，680，700，740，820，880，910，和990nm