[發明專利]蘋果身份識別模型建立方法及系統、身份識別方法及系統

在審

• 申請號: 202010932453.3
• 申請日: 2020-09-08
• 公開（公告）號: CN112285054A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 張曉;張楠楠
• 申請（專利權）人: 塔里木大學
• 主分類號: G01N21/359
• 分類號: G01N21/359;G01N21/31
• 代理公司: 深圳市瑞方達知識產權事務所(普通合伙) 44314
• 代理人: 林儉良;張亞菊

1.一種蘋果身份識別模型建立方法，其特征在于，包括：

A1、選取樣本并獲取樣本表面的初始光譜信息；

A2、預處理所述初始光譜信息以提取所述樣本對應的有用光譜信息；

A3、提取所述有用光譜信息中滿足預設要求的光譜特征參數為有效光譜特征參數；

A4、建立初始利用粒子群優化支持向量機PSO-SVM模型，并任選部分有效光譜特征參數；

A5、通過所述部分有效光譜特征參數對該初始PSO-SVM模型進行訓練，并根據訓練結果獲取懲罰參數c和核參數g的最佳參數值，根據所述最佳參數值獲取初始預測模型；

A6、通過所述初始預測模型對剩余有效光譜特征參數進行預測以獲取預測結果，判斷所述預測結果是否準確，若是，則執行步驟A7，若否，則執行步驟A5；

A7、將所述初始預測模型作為最終預測模型以用于對待測樣品進行識別。

2.根據權利要求1所述的蘋果身份識別模型建立方法，其特征在于，在所述步驟A1中，所述樣本包括：

與目標身份一致的第一樣本和/或與所述目標身份不一致的第二樣本；和/或

所述步驟A2中，所述預處理所述初始光譜信息以提取所述樣本對應的有用光譜信息包括：

通過標準正態變量變換算法SNV處理所述初始光譜信息以得到所述有用光譜信息。

3.根據權利要求1所述的蘋果身份識別模型建立方法，其特征在于，在所述步驟A1中，所述獲取樣本表面的初始光譜信息包括：

獲取每一所述樣品表面的的高光譜圖像，

基于所述高光譜圖像對每一所述樣本表面均選取若干ROI區域以分別獲取所述ROI區域的高光譜信息；

獲取同一所述樣本表面的所有ROI區域對應的高光譜信息的平均值為所述樣本表面的初始光譜信息。

4.根據權利要求3所述的蘋果身份識別模型建立方法，其特征在于，所述方法還包括：

對所述高光譜圖像進行黑白校正。

5.根據權利要求1所述的蘋果身份識別模型建立方法，其特征在于，在所述步驟A2中，所述提取所述有用光譜信息中滿足預設要求的光譜特征參數為有效光譜特征參數；包括：

通過連續投影算法SPA對所述有用光譜信息的全波段進行迭代計算，以減少所述全波段中的冗余信息，獲取冗余信息減少至滿足預設要求的特定波長為所述有效光譜特征參數。

6.根據權利要求5所述的蘋果身份識別模型建立方法，其特征在于，所述特定波長的個數獲取方法包括：

在通過所述SPA的迭代計算過程中，建立所述特定波長的多元線性回歸模型，并獲取該多元線性回歸模型的均方根誤差RMSE；

獲取所述RMSE滿足預設值時對應的所述特定波長的個數，并基于所述特定波長的個數獲取對應的所述特定波長。

7.根據權利要求1所述的蘋果身份識別模型建立方法，其特征在于，所述訓練結果包括：與所述樣本分別對應的判斷準確率、查全率、查準率和評價模型結果；

在所述步驟A5中，通過所述部分有效光譜特征參數對該初始PSO-SVM模型進行訓練，并根據訓練結果獲取懲罰參數c和核參數g的最佳參數值，包括：

分別設定所述懲罰參數c的搜索范圍和所述核參數g的搜索范圍，以及所述PSO-SVM模型的粒子群最大優化迭代次數；

依照預設步進分別調整所述懲罰參數c和所述核參數g并分別進行所述最大優化迭代次數的訓練以獲取所述訓練結果；

獲取所述判斷準確率最大時所對應的懲罰參數c和核參數g為所述最佳參數值；和/或

所述初始PSO-SVM模型的核函數為sigmoid。