[發明專利]一種貝類重金屬污染快速檢測方法

在審

• 申請號: 201910129944.1
• 申請日: 2019-02-21
• 公開（公告）號: CN109668842A
• 公開（公告）日: 2019-04-23
• 發明（設計）人: 劉瑤;孟祥麗;李明;王潤濤;王樹文
• 申請（專利權）人: 嶺南師范學院
• 主分類號: G01N21/25
• 分類號: G01N21/25;G06K9/62
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 陳偉斌;劉瑤云

1.一種貝類重金屬污染快速檢測方法，其特征在于，包括以下步驟；

S1：在試驗室內制備樣本，包括無污染樣本、單一污染樣本、復合污染樣本；

S2：對樣本進行高光譜圖像采集及校正，之后進行光譜數據提取及進行預處理；

S3：對預處理后的圖像數據進行基于鄰域證據決策的波段選擇，提取能夠準確檢測貝類正常樣本與重金屬污染樣本的特征波段子集；

S4：建立分類檢測模型，該分類檢測模型包括量子神經網絡分類器和由多個量子神經網絡分類器組成的集成學習分類器，量子神經網絡分類器利用已選波段子集對貝類進行污染與無污染檢測分類，集成學習分類器利用已選波段子集對貝類進行不同種類重金屬污染鑒別分類；

S5：得出樣本的檢測結果。

2.根據權利要求1所述的一種貝類重金屬污染快速檢測方法，其特征在于，所述步驟S2的處理過程為；

S21：對制備的樣本進行高光譜圖像獲取；

S22：對圖像進行黑白校正；

S23：提取任一區域圖像數據；

S24：對該區域圖像數據進行光譜預處理。

3.根據權利要求2所述的一種貝類重金屬污染快速檢測方法，其特征在于，所述步驟S24中的光譜預處理的包括；基線校正、變量標準化、多元散射校正和求導處理。

4.根據權利要求1所述的一種貝類重金屬污染快速檢測方法，其特征在于，所述步驟S3中將鄰域粗糙集的屬性約簡思想應用到高光譜降維中，利用粗糙集理論與證據理論二者之間的互補性，剔除冗余數據，提取能夠準確檢測貝類正常樣本與重金屬污染樣本的特征波段子集，具體過程如下：以每個波段圖像數據為條件屬性，重金屬污染情況作為決策屬性，組成決策屬性表，再通過屬性集約簡算法得出最佳特征波段子集。

5.根據權利要求4所述的一種貝類重金屬污染快速檢測方法，其特征在于，所述屬性集約簡算法包括鄰域證據決策理論，通過鄰域證據決策理論得出最佳特征波段子集的過程如下：

給定鄰域決策系統NDT＝<U,N,D>，D＝{ω₁,ω₂,…,ω_c}，假設是特征分為c類的分類問題，則ω_q為第q個類別(1≤q≤c)，在鄰域δ(x)中，任意樣本x_i均提供一條證據m_i來反映樣本x的隸屬類別，將證據m_i進行融合，并計算最終證據m的BetP_m概率度量，那么鄰域證據決策NED定義為：

其中，證據

式中，BetP_m({ω_q})為屬于ω_q類的樣本的概率度量，d(x,x_i)為不同樣本之間的相似程度的度量，ω_q為樣本x_i所屬類，α為結構參數，0＜α＜1，φ_q為距離的函數；

與BetP_m概率度量相關的錯誤分類0-1損失函數為：

式中，ω(x)為樣本x所屬類；

基于NED的定義函數和0-1損失函數，鄰域證據決策誤差率NEDE定義如下：

式中，n為樣本數，λ(ω(x_i)NED(x_i))為將NED(x_i)誤判為ω(x_i)時的損失；

NEDE是貝葉斯分類誤差的一種估計，通過選擇不同的屬性集使得NEDE達到最小，從而實現基于NEDE的屬性約簡。