[發明專利]一種基于近紅外光譜的蘋果分類方法

在審

• 申請號: 201710121634.6
• 申請日: 2017-03-02
• 公開（公告）號: CN106932359A
• 公開（公告）日: 2017-07-07
• 發明（設計）人: 鄔淵;李玲玲;黃炳清;楊裔;李廉
• 申請（專利權）人: 蘭州大學
• 主分類號: G01N21/359
• 分類號: G01N21/359;G01N21/3563
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域：

本發明涉及水果的近紅外無損檢測技術領域，具體涉及一種基于近紅外光譜技術的蘋果分類方法。

背景技術：

蘋果是世界四大水果之一，也是中國第一大水果，我國蘋果的總產量、栽培面積、人均占有量與出口量均居世界第一，已成為世界上最大的蘋果生產和消費國，在果品的生成、消費和對外貿易中占有舉足輕重的地位。蘋果的采后處理、品質判斷以及檢測一直是農產品加工研究的重要課題。隨著生活水平的日益提升，消費者對優秀品種的蘋果需求越來越大，但市場上以次充好的現象屢禁不止，蘋果品種的鑒別變得越來越重要。所以，研究一種快速、非破壞的蘋果品種鑒別方法是非常必要的。

近紅外光譜區是指波長在780-2526nm范圍內的電磁波，是分子振動光譜倍頻和合頻吸收譜。近紅外光譜主要是由于分子振動的非諧振性使得分子振動從基態向高能級躍遷時產生的，記錄的主要是含氫基團振動的倍頻和合頻吸收。不同基團(如甲基、苯環等)或統一基團在不同化學環境中的近紅外吸收波長與強度都有明顯差別，近紅外光譜具有豐富的結構和組成信息，非常適合用于碳氫有機物質的組成與性質的測量。

支持向量機是一種有監督的機器學習算法(Vapnik V N,Vapnik V.Statistical learning theory[M].New York:Wiley,1998.)，可用于模式分類和非線性回歸。支持向量機的主要思想是建立一個分類超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化；支持向量機的理論基礎是統計學習理論，更精確地說，支持向量機是結構風險最小化的近似實現。

目前，大多數水果內部品質的質量檢測仍然沿用化學分析方法。化學分析方法具有較高的準確度與可靠性，但是，該類方法屬于破壞性檢測，消耗大量的人力且檢測時間較長。

發明內容：

為了解決上述存在的問題，本發明提供了一種基于近紅外光譜的蘋果分類方法。該方法利用USB2000+VIS-NIR-ES微型光譜儀和OceanView光譜采集軟件，在340-1022nm特征波段范圍內，采用漫反射的模式，隨機選取每個蘋果樣品的環赤道面上的15個點進行光譜采集，對每一個樣本的15個采集點采集到的光譜數據求平均值，用主成分分析方法對平均之后的光譜數據進行降維處理。對于相同種類的蘋果標記同一標簽值，對于不同種類的蘋果標記不同的標簽值。利用處理后的光譜數據、蘋果種類標簽值以及支持向量機學習算法建立蘋果品種的分類模型。本發明屬于有監督學習方法，需要一定的學習樣本，能夠快速、無損地分類蘋果。

本發明依據的原理：研究表明，蘋果的近紅外漫反射光譜中包含了蘋果內部的物理化學性質的信息，例如：酸度、可溶性固形物等。品種不同的蘋果所對應的近紅外漫反射光譜也不同。利用一些樣本信息以及支持向量機算法建立的模型能夠有效實現不同蘋果品種的分類。

根據上述原理，采用的技術方案包括一下步驟：

步驟1、物料準備：準備一批由不同種類的蘋果組成的待測樣品，需要保證樣品中同一種類的蘋果大小尺寸近似，并且確保蘋果樣品表面沒有明顯腐爛或霉變的現象發生。隨機從每一個品種的蘋果樣本中挑選少量樣品作為測試集，其余的蘋果樣品作為訓練集。

步驟2、在室溫環境(23-25℃)下，蘋果樣本近紅外光譜的采集：針對不同品種的蘋果樣本，利用近紅外光譜儀對蘋果樣品進行測量，通過OceanView軟件獲得蘋果樣本的近紅外漫反射光譜數據。

步驟3、對蘋果樣本近紅外光譜數據進行預處理：將得到的光譜文本數據統一整理輸入Matlab R2014b軟件，為了減少誤差，需要隨機測量蘋果環赤道面上15個點的光譜數據，并對15組光譜數據求平均值，然后利用主成分分析方法(PCA)對平均光譜數據進行降維處理，并保存這些數據。

步驟4、獲取不同種類蘋果的標簽值：對不同種類的蘋果樣品標記不同的標簽值，對同一種類的蘋果樣品標記相同的標簽值，記錄所有蘋果樣品的標簽值。

步驟5、分類模型的建立：利用經過預處理的訓練集蘋果樣品的近紅外光譜數據，訓練集蘋果樣品的標簽值以及支持向量機算法，建立蘋果品種分類模型，利用該模型可以對不同品種的蘋果進行分類。

所述步驟2中近紅外漫反射光譜信息是指光譜范圍為340-1022nm，采集到的每個蘋果樣本的光譜是2047維的數據。

所述步驟3中用主成分分析方法進行降維時，在滿足主成份的累計可信度≥95％的條件下選取主成分個數。