[發明專利]一種基于跨域光譜信息的農產品品質無損檢測方法及可泛化系統

有效

• 申請號: 202011504704.4
• 申請日: 2020-12-18
• 公開（公告）號: CN112651173B
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 李曉麗;李則熹;何勇;蘇鴻
• 申請（專利權）人: 浙江大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F17/18;G01N21/25
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 錢莉;蔡學俊

1.一種基于跨域光譜信息的農產品品質無損檢測方法，其特征在于，包括以下步驟：

獲取源域光譜數據與目標域光譜數據，并構建訓練數據集；

構建Aug-TrAdaBoost.R2模型，所述Aug-TrAdaBoost.R2模型包括三個子模型，分別為回歸預測模型、源域結果校正模型以及目標域結果校正模型；

訓練所述Aug-TrAdaBoost.R2模型，并利用訓練好的模型對源域光譜數據與目標域光譜數據進行預測；

所述訓練所述Aug-TrAdaBoost.R2模型具體包括以下步驟：

首先對回歸預測模型基于全部訓練數據進行訓練建模；

將訓練數據集中的源域光譜數據X_{source_train}輸入回歸預測模型，得到對應的源域光譜數據的品質參數預測值Y^’_{source_train}，將Y^’_{source_train}作為自變量，將X_{source_train}對應的真值標簽Y_{source_train}作為因變量，帶入源域結果校正模型進行訓練建模；

將訓練數據集中的目標域光譜數據X_{target_train}輸入回歸預測模型，得到對應的目標域光譜數據的品質參數預測值Y^’_{target_train}，將Y^’_{target_train}作為自變量，將X_{target_train}對應的真值標簽Y_{target_train}作為因變量，帶入目標域結果校正模型進行訓練建模；

所述利用訓練好的模型對源域光譜數據與目標域光譜數據進行預測具體為：

若輸入的數據為源域光譜數據，則將源域光譜數據X_{source_test}輸入回歸預測模型，得到的對應X_{source_test}的結果Y^’_{source_test}，將Y^’_{source_test}輸入源域結果校正模型，最終得到預測值輸出Y_{source_test_predicted}；

若樣本為目標域數據，則將光譜數據X_{target_test}輸入回歸預測模型，得到對應X_{target_test}的結果Y^’_{target_test}，將Y^’_{target_test}輸入目標域結果校正模型，最終得到預測值輸出Y_{target_test_predicted}。

2.根據權利要求1所述的一種基于跨域光譜信息的農產品品質無損檢測方法，其特征在于，還包括步驟：對所述源域光譜數據與目標域光譜數據進行預處理。

3.根據權利要求2所述的一種基于跨域光譜信息的農產品品質無損檢測方法，其特征在于，所述預處理包括平滑處理、多元散射校正處理、標準正態變量處理、去趨勢處理、標準化處理、基線偏移處理、二階或一階求導處理中的任意一種或多種的組合。

4.根據權利要求1-3任一項所述的基于跨域光譜信息的農產品品質無損檢測方法，其特征在于，所述回歸預測模型采用兩階段的TrAdaBoost.R2。

5.根據權利要求1-3任一項所述的基于跨域光譜信息的農產品品質無損檢測方法，其特征在于，所述源域結果校正模型為線性回歸、嶺回歸、拉索回歸、偏最小二乘回歸、決策樹回歸、K近鄰回歸、神經網絡中的任意一種。

6.根據權利要求1-3任一項所述的基于跨域光譜信息的農產品品質無損檢測方法，其特征在于，所述目標域結果校正模型為線性回歸、嶺回歸、拉索回歸、偏最小二乘回歸、決策樹回歸、K近鄰回歸、神經網絡中的任意一種。