[發(fā)明專(zhuān)利]一種基于神經(jīng)網(wǎng)絡(luò)與近紅外光譜的梨無(wú)損檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011230888.X
• 申請(qǐng)日: 2020-11-06
• 公開(kāi)（公告）號(hào): CN112669915A
• 公開(kāi)（公告）日: 2021-04-16
• 發(fā)明（設(shè)計(jì)）人: 趙金偉;王啟舟;邱萬(wàn)力;黑新宏;李涵;徐慶馨;蔡欣華;柳宇;周錦繡;胡一飛
• 申請(qǐng)（專(zhuān)利權(quán)）人: 西安理工大學(xué)
• 主分類(lèi)號(hào): G16C20/70
• 分類(lèi)號(hào): G16C20/70;G16C20/20;G06N3/12;G06N3/04;G06N3/08;G01N21/359
• 代理公司: 西安弘理專(zhuān)利事務(wù)所 61214
• 代理人: 韓玙

本發(fā)明公開(kāi)了一種基于神經(jīng)網(wǎng)絡(luò)與近紅外光譜的梨無(wú)損檢測(cè)方法，首先在實(shí)際的分選線運(yùn)作過(guò)程中，獲取對(duì)于每一個(gè)樣本而言最具有代表性的近紅外光譜，構(gòu)建初始數(shù)據(jù)集；并進(jìn)行預(yù)處理；然后使用區(qū)間選擇、波長(zhǎng)選擇組合的方式對(duì)整個(gè)光譜波長(zhǎng)區(qū)間進(jìn)行特征選擇，并根據(jù)選擇結(jié)果構(gòu)建特征數(shù)據(jù)集；按照K折檢驗(yàn)法多次劃分，得到多組訓(xùn)練、測(cè)試數(shù)據(jù)集，訓(xùn)練、測(cè)試數(shù)據(jù)集的輸入特征為特征數(shù)據(jù)集中處理后的光譜數(shù)據(jù)，標(biāo)簽為糖度與是否含有霉心??；最后構(gòu)建兩個(gè)神經(jīng)網(wǎng)絡(luò)模型，用于預(yù)測(cè)糖度與是否患有霉心病的模型用于后續(xù)實(shí)際檢測(cè)，本發(fā)明以較高的準(zhǔn)確度檢測(cè)糖度與霉心病，為分選線的品質(zhì)篩選提供強(qiáng)有力的依據(jù)，為農(nóng)業(yè)產(chǎn)品的銷(xiāo)售提供極大的便利。

技術(shù)領(lǐng)域

本發(fā)明屬于農(nóng)業(yè)產(chǎn)品智能分選技術(shù)領(lǐng)域，具體涉及一種基于神經(jīng)網(wǎng)絡(luò)與近紅外光譜的梨無(wú)損檢測(cè)方法。

背景技術(shù)

中國(guó)是農(nóng)業(yè)大國(guó)，農(nóng)業(yè)產(chǎn)品的好壞直接影響食用口感，進(jìn)而影響到出口及中國(guó)國(guó)內(nèi)的銷(xiāo)售情況。因此，對(duì)農(nóng)產(chǎn)品的品質(zhì)檢測(cè)與智能分選，一直是農(nóng)業(yè)從業(yè)人員、科研人員重要的研究方向。例如，在梨的品質(zhì)檢測(cè)中，梨的糖度、硬度以及含水量等都是衡量品質(zhì)的重要化學(xué)指標(biāo)。傳統(tǒng)的檢測(cè)方法例如抽樣檢測(cè)，存在檢測(cè)代價(jià)高、檢測(cè)時(shí)間長(zhǎng)、檢測(cè)結(jié)果不準(zhǔn)確以及需要損壞樣本的問(wèn)題。

近紅外光譜檢測(cè)技術(shù)結(jié)合了光譜測(cè)量技術(shù)、計(jì)算機(jī)技術(shù)、數(shù)據(jù)分析技術(shù)，可以利用有機(jī)物質(zhì)在近紅外光譜區(qū)的振動(dòng)吸收從而快速測(cè)定樣本中多種化學(xué)成分含量的。近紅外光譜的主要信息來(lái)自與含氫基團(tuán)O-H、N-H、C-H的倍頻和組合頻，可溶性固形物的光譜鑒定依據(jù)的是其在光譜特征空間分布的特征，國(guó)內(nèi)外學(xué)者在近紅外光譜可溶性固形物檢測(cè)領(lǐng)域開(kāi)展了諸多研究。由于樣品的狀態(tài)、濃度、角度等因素對(duì)光譜會(huì)產(chǎn)生非線性影響，因此常規(guī)線性數(shù)據(jù)分析方法不能使用在實(shí)際工業(yè)流水線上。而神經(jīng)網(wǎng)絡(luò)，對(duì)于非線性問(wèn)題的處理有著自己獨(dú)特的優(yōu)勢(shì)，并且隨著它的理論成熟逐漸的應(yīng)用到各個(gè)領(lǐng)域。本發(fā)明將近紅外光譜分析與神經(jīng)網(wǎng)絡(luò)模型結(jié)合，通過(guò)對(duì)損失函數(shù)的改進(jìn)來(lái)應(yīng)對(duì)樣本不均衡的問(wèn)題，并且對(duì)近紅外光譜數(shù)據(jù)進(jìn)行了十分完備的預(yù)處理，提供了一套梨智慧分選線中的糖度與霉心病的自動(dòng)無(wú)損檢測(cè)系統(tǒng)。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于神經(jīng)網(wǎng)絡(luò)與近紅外光譜的梨無(wú)損檢測(cè)方法，以較高的準(zhǔn)確度檢測(cè)糖度與霉心病，為分選線的品質(zhì)篩選提供強(qiáng)有力的依據(jù)，為農(nóng)業(yè)產(chǎn)品的銷(xiāo)售提供極大的便利。

本發(fā)明所采用的技術(shù)方案是，一種基于神經(jīng)網(wǎng)絡(luò)與近紅外光譜的梨無(wú)損檢測(cè)方法，具體按照以下步驟實(shí)施：

步驟1、在實(shí)際的分選線運(yùn)作過(guò)程中，根據(jù)近紅外光譜的平均光譜強(qiáng)度的變化，獲取對(duì)于每一個(gè)樣本而言最具有代表性的近紅外光譜，使用這種方法對(duì)800個(gè)樣品梨進(jìn)行20次光譜采集，并且測(cè)量梨中的糖度與霉心病信息，構(gòu)建初始數(shù)據(jù)集；

步驟2、使用光譜分析領(lǐng)域所常用的數(shù)據(jù)去噪與特征提取方式對(duì)步驟1得到的初始數(shù)據(jù)集進(jìn)行預(yù)處理；

步驟3、使用區(qū)間選擇、波長(zhǎng)選擇組合的方式根據(jù)步驟2中處理后得到的數(shù)據(jù)集對(duì)整個(gè)光譜波長(zhǎng)區(qū)間進(jìn)行特征選擇，并根據(jù)選擇結(jié)果構(gòu)建特征數(shù)據(jù)集；

步驟4、將步驟3中處理得到的特征數(shù)據(jù)集，按照K折檢驗(yàn)法多次劃分，得到多組訓(xùn)練、測(cè)試數(shù)據(jù)集，訓(xùn)練、測(cè)試數(shù)據(jù)集的輸入特征為特征數(shù)據(jù)集中處理后的光譜數(shù)據(jù)，標(biāo)簽為糖度與是否含有霉心病；

步驟5、構(gòu)建兩個(gè)神經(jīng)網(wǎng)絡(luò)模型，使用步驟4中得到的多組訓(xùn)練、測(cè)試數(shù)據(jù)集分別訓(xùn)練兩個(gè)神經(jīng)網(wǎng)絡(luò)模型，綜合多組訓(xùn)練、測(cè)試數(shù)據(jù)集的效果尋找最佳的參數(shù)設(shè)置，并得到最終的兩個(gè)分別用于預(yù)測(cè)糖度與是否患有霉心病的模型用于后續(xù)實(shí)際檢測(cè)，以達(dá)到無(wú)損品質(zhì)檢測(cè)的目的。

本發(fā)明的特點(diǎn)還在于，

步驟1具體如下：