[發明專利]一種基于近紅外高光譜的單粒玉米種子水分含量檢測方法

有效

• 申請號: 202110286296.8
• 申請日: 2021-03-17
• 公開（公告）號: CN113049530B
• 公開（公告）日: 2022-07-26
• 發明（設計）人: 吳靜珠;張樂;李江波;劉翠玲;于重重;余樂;孫曉榮
• 申請（專利權）人: 北京工商大學;北京農業智能裝備技術研究中心
• 主分類號: G01N21/359
• 分類號: G01N21/359;G06F17/16;G06F30/20
• 代理公司: 重慶市嘉允啟行專利代理事務所(普通合伙) 50243
• 代理人: 胡柯

1.一種基于近紅外高光譜的單粒玉米種子水分含量檢測方法，其特征在于，具體步驟如下：

1)數據采集：同批次采集不同水分含量的玉米種子樣本，去掉蟲蛀孔洞顆粒、霉變顆粒、破損顆粒獲得N個玉米種子樣本，對N個玉米種子樣本進行水分測定，得到水分含量數據y_i，利用高光譜成像系統采集玉米種子樣本的高光譜圖像數據x_i；

2)數據處理：采用多元散射校正MSC方法消除步驟1)中高光譜圖像數據x_i的光散射、基線漂移和光程變化的干擾，得到預處理光譜圖像數據x′_i；

3)特征提取：采用去噪自編碼器DAE提取步驟2)中預處理光譜圖像數據x′_i的特征光譜，采用灰度共生矩陣提取特征波長下的高光譜圖像數據x_i的紋理特征，所述紋理特征包括對比度、能量、熵、逆方差、相關性；將提取出的特征光譜和紋理特征拼接進行特征層融合，得到光譜圖像融合矩陣P_i；

4)構建模型：采用SPXY算法及玉米種子樣本的光譜圖像融合矩陣P_i、水分含量數據y_i將玉米種子樣本集劃分為訓練集與測試集，利用基于集成策略的隨機森林算法構建水分預測模型；

5)待測樣本預測：根據步驟4)中構建的隨機森林模型對待測樣本的水分含量進行自適應加權預測；

步驟5)中對待測樣本進行預測的具體步驟如下：

5-1)首先根據歐式距離公式計算待測樣本與隨機森林模型中第i棵決策樹樣本集中心的距離d_i：

式(3)中，P_X為待測樣本的光譜圖像融合信息，為第i棵決策樹中新樣本集的平均光譜的光譜圖像融合信息；

5-2)根據步驟5-1)中的歐式距離確定在待測樣本時每棵決策樹的權重；第i棵決策樹的權重a_i：

式(4)中，i∈N；

5-3)對步驟5-2)的每棵決策樹的權重進行加權，輸出待預測樣本水分的預測值Y：

2.如權利要求1所述的一種基于近紅外高光譜的單粒玉米種子水分含量檢測方法，其特征在于，步驟1)中數據采集的具體步驟為：

1-1)同批次采集不同水分含量的玉米種子樣本，對種子進行初步的篩選去掉蟲蛀孔洞顆粒、霉變顆粒、破損顆粒獲得N個玉米種子樣本；

1-2)利用高光譜成像系統，將N個玉米種子樣本排列整齊，胚朝上、胚朝下各掃描一次，采集高光譜圖像數據x_i，并進行黑白板校正，采用主成分分析確定感興趣區域；

1-3)對N個玉米種子樣本進行水分測定。

3.如權利要求1所述的一種基于近紅外高光譜的單粒玉米種子水分含量檢測方法，其特征在于，步驟3)特征提取的具體步驟如下：

3-1)采用去噪自編碼器DAE提取步驟2)中預處理光譜圖像數據x′_i的特征光譜；

3-2)提取特征波長下的高光譜圖像數據x_i的灰度圖像，將灰度圖像進行直方圖均衡化的處理，計算圖像特征值的步距和方向，步距選擇d＝1，將中心像素與其相鄰像素點心與其相鄰像素點直接做比較運算，灰度共生矩陣的方向選擇為0°、45°、90°、135°四個方向，并求出這四個方向特征值的平均值作為最終特征值的共生矩陣，將共生矩陣歸一化后，通過計算對比度、能量、熵、逆方差、相關性參數來表征圖像紋理特征；

3-3)將提取出的特征光譜和紋理特征拼接進行特征層融合，得到光譜圖像融合矩陣P_i。

4.如權利要求1所述的一種基于近紅外高光譜的單粒玉米種子水分含量檢測方法，其特征在于，步驟4)中構建模型的具體步驟為：

4-1)采用SPXY算法及玉米種子樣本的光譜圖像融合矩陣P_i、水分含量數據y_i將玉米種子樣本按照3:1的比例劃分為訓練集與測試集；

4-2)對于訓練集D＝{(y₁,P₁),(y₂,P₂),...,(y_i,P_i)},利用Bootstrap方法從訓練集中采取隨機有放回的抽取N個子訓練集，抽取的子訓練集個數與隨機森林中樹模型數量相同；

4-3)對單個子訓練集應用決策樹的計算方法，即從數據的n維特征波長中無放回的隨機抽取mtry維特征波長，即用于二叉樹的特征波長個數；

4-4)對于一個特征值序列進行各個點位的二分，計算每一次二分之后的兩個點位的殘差平方和：

式(1)中，j為特征波長，s為分割點，c₁和c₂為葉子節點的樣本值，R₁和R₂為分割后的子區域，x_i為樣本在每個特征波長下的吸光度，y_i為樣本的水分值；

選擇最小的那個特征值作為候選分割點,在針對候選的分割點的選出殘差平方和最小的作為二叉樹當前層的節點,然后提出到選定的特征，再從兩個子區域中繼續該操作分別獲得新的子節點，繼續分割，直至滿足預設停止條件；

4-5)重復步驟4-3)至步驟4-4)，最后將輸入空間劃分為M個區域R₁ R₂…R_M，生成N棵決策樹，構成隨機森林預測模型：

式(2)中，為所在區域的輸出值的平均值，I為指示函數，