[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

本發明涉及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，包括步驟：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。本發明同時提升了模型在源域和目標域數據上的泛化性能，較大幅度提升了模型的預測準確率。

技術領域

本發明涉及光譜分析技術領域，特別是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。

背景技術

在農產品加工過程中，農產品品質在實時變化，不同工序的工藝參數必須與農產品品質相匹配，這樣才能保證最后農產品的質量。光譜技術由于其快速、無損等特點，在農產品品質無損檢測中被普遍應用。

由于儀器的差異、周圍環境的影響和樣品本身品質的差異，不同批次農產品的光譜數據建立的多元校正模型，在另一批次的樣本下預測結果會發生較大的偏差，甚至會出現校正模型完全不適用的情況，很難實現跨域光譜信息的回歸建模與預測分析，模型沒有泛化性。傳統的跨域光譜分析方法能夠解決不同儀器間的模型傳遞，不過還需要不同儀器的標準化樣品進行校正；并且傳統的跨域光譜分析方法目前沒有能夠有效解決不同批次和不同環境條件下數據分布差異問題的方法，另外目前已有的光譜回歸模型缺少泛化性。

發明內容

有鑒于此，本發明的目的是提出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，同時提升了模型在源域和目標域數據上的泛化性能，較大幅度提升了模型的預測準確率。

本發明采用以下方案實現：一種基于跨域光譜信息的農產品品質無損檢測方法，具體包括以下步驟：

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。

進一步地，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。

進一步地，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。

進一步地，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。

進一步地，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：