[發明專利]一種無花果采收時間點的預測方法

有效

• 申請號: 202110065325.8
• 申請日: 2021-01-18
• 公開（公告）號: CN112906939B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 韓燕苓;孫銳;余多
• 申請（專利權）人: 齊魯工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02;G06V10/77;G06K9/62;G01N21/359
• 代理公司: 濟南知來知識產權代理事務所(普通合伙) 37276
• 代理人: 曹麗

1.一種無花果采收時間點的預測方法，其特征是，該方法包括以下步驟：

(1)采用隨機森林算法，輸入變量為近紅外光譜矩陣X，變量X構成CART決策樹的特征空間，綜合指標F值向量為輸出變量Y，建立F值預測模型；

其中，近紅外光譜為訓練集中無花果預處理后的近紅外光譜值；

綜合評價值F是通過以下方法計算得到的：

對訓練集中無花果糖度、單果重、橫徑、縱徑和硬度指標進行主成分分析，統計其成分得分系數矩陣和各成分的貢獻率，通過成分得分系數矩陣建立各主成分的計算表達式；

根據綜合評價值函數計算并獲得訓練集中每個無花果的綜合評價值F，其中權數為貢獻率F_i，記主成分為

綜合評價值函數為m為選取的主成分數；

(2)將步驟(1)中的建立方法獲得的F值向量進行最大最小標準化，將F數據范圍化到[0,1]，則為成熟度；計算公式為：

成熟度＝(F-min(F))/(max(F)-min(F))；

(3)基于近紅外光譜預測待測樣品的F值：

測定待測樣品的近紅外光譜，然后對測定的近紅外光譜數據進行預處理，通過步驟(1)中所述的F值預測模型，獲得待測樣品的F值；

(4)計算待測樣品的成熟度：

將步驟(3)中的待測樣品的F值代入步驟(2)中所述成熟度的計算公式，獲得待測樣品的成熟度；

(5)以成熟度為輸入變量X，預設時間點為輸出變量Y，采用多項式擬合方法得出無花果采收時間點預測模型，根據此模型可計算并獲得無花果采收時間點。

2.如權利要求1所述的無花果采收時間點的預測方法，其特征是，步驟(1)中，所述方法基于Python的scikit-learn庫進行建模。

3.如權利要求1所述的無花果采收時間點的預測方法，其特征是，步驟(1)中，隨機森林算法模型中選擇基學習器數量為100，隨機數種子為0。

4.如權利要求1所述的無花果采收時間點的預測方法，其特征是，步驟(1)中，輸入變量為近紅外光譜矩陣X，矩陣X由m個自變量x1,x2,...,xm組成，m為波長數，變量X構成CART決策樹的特征空間；綜合指標F值向量為輸出變量Y，由n個因變量y1,y2,...,yn組成，n為樣本個數；n個樣本作為訓練集數據構成訓練樣本空間，則訓練數據集D為：

D＝{(x₁，y₁)，(x₂，y₂)，...，(x_n，y_n)}。

5.如權利要求1所述的無花果采收時間點的預測方法，其特征是，步驟(1)中，對近紅外光譜預處理的方法包括：未處理、多元散射校正MSC、標準正態變量SNV、Baseline、Baseline+SNV、Smoothing、1階導數和MSC的組合、2階導數和MSC的組合；

進一步的，采用Smoothing對近紅外光譜進行預處理。

6.如權利要求1所述的無花果采收時間點的預測方法，其特征是，步驟(1)中，主成分的計算表達式為其中X1為糖度，X2為單果重，X3為縱徑，X4為橫徑，X5為硬度，輸入數據需要z_score方法標準化；其中a1i,a2i,a3i,a4i,a5i為成分得分系數矩陣。

7.如權利要求1所述的無花果采收時間點的預測方法，其特征是，步驟(5)中，根據每一個樣本的成熟度對每個樣本設立生長時間，經由實驗觀測，果實生長至成熟為d天，則設立生長時間點的范圍在[10，d]，由于成熟度過于低的果實可根據人工判斷，則本預測方法采用成熟度50％的樣本，并采用多項式擬合；

進一步的，d為60。

8.如權利要求1所述的預測方法，其特征是，步驟(5)中，無花果采收時間點預測模型y＝1.0373x-32.187,R²＝0.8963，RMSEP＝3.47。