CN115049206A - 一种实时无损检测水果内部品质的方法及*** - Google Patents
一种实时无损检测水果内部品质的方法及*** Download PDFInfo
- Publication number
- CN115049206A CN115049206A CN202210467092.9A CN202210467092A CN115049206A CN 115049206 A CN115049206 A CN 115049206A CN 202210467092 A CN202210467092 A CN 202210467092A CN 115049206 A CN115049206 A CN 115049206A
- Authority
- CN
- China
- Prior art keywords
- quality index
- quality
- fruit
- model
- elm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 title claims description 43
- 238000005259 measurement Methods 0.000 claims abstract description 42
- 238000001228 spectrum Methods 0.000 claims abstract description 33
- 238000001453 impedance spectrum Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 claims description 14
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 claims description 14
- 238000009659 non-destructive testing Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 8
- 230000005477 standard model Effects 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- STUSTWKEFDQFFZ-UHFFFAOYSA-N Chlordimeform Chemical compound CN(C)C=NC1=CC=C(Cl)C=C1C STUSTWKEFDQFFZ-UHFFFAOYSA-N 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 3
- 230000002085 persistent effect Effects 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims 2
- 239000000523 sample Substances 0.000 description 55
- 238000012360 testing method Methods 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000011160 research Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000001035 drying Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 239000008367 deionised water Substances 0.000 description 2
- 229910021641 deionized water Inorganic materials 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007602 hot air drying Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000219109 Citrullus Species 0.000 description 1
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 1
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 description 1
- 229930091371 Fructose Natural products 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000004164 analytical calibration Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 229960002737 fructose Drugs 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007542 hardness measurement Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/025—Fruits or vegetables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Food Science & Technology (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本申请实施例公开了一种实时无损检测水果内部品质的方法及***,用于检测的准确性。本申请实施例方法包括:获取水果样品的原始介电频谱信息;获取水果样品的品质指标,所述水果样品包含至少一个所述品质指标;获取所述品质指标的测量参数;对所述原始频谱信息进行预处理;将经过预处理的所述原始频谱信息和所述品质指标的测量参数输入所述品质指标ELM模型;使用所述品质指标ELM模型对水果进行检测。
Description
技术领域
本申请实施例涉及生物技术领域,尤其涉及一种实时无损检测水果内部品质的方法。
背景技术
随着人们生活质量的提高,对水果品质的要求也越来越高,除了外部指标外,大家更注重水果的内在品质。根据水果种类不同,对水果的糖度、硬度、含水率、口感与风味等内部品质,提出了更高、更细致的要求。与外部品质相比,水果的内部品质因为结构、组分的不同,表现出来的特性也更复杂。除了品种、产地的差异,水果生长过程的自然条件变化、常规化管理手段、果实的采收时间、不同的储运方式等,都会影响生长期水果和采后水果的品质,最终影响到消费者的消费体验。因此,针对水果内部品质方面的研究,方法和技术方面都要求更高。
目前水果内部品质无损检测方面的研究,大多是集中在对某类水果应用某种检测方法展开,较少将多种水果集中起来应用多种检测方法做对比研究。另外,研究重心多集中于采后及储存期水果,较少关注生长期水果的品质变化规律研究及水果生长过程品质参数的动态检测。另一方面,相比现代检测技术,传统的水果品质检测方法一般属于破坏性检测,工作量大,实验周期长且过程复杂,较难保证检测的准确性。
发明内容
本申请实施例提供了一种实时无损检测水果内部品质的方法及***,用于检测的准确性。
本申请第一方面提供了一种实时无损检测水果内部品质的方法,包括:
获取水果样品的原始介电频谱信息;
获取水果样品的品质指标,所述水果样品包含至少一个所述品质指标;
获取所述品质指标的测量参数;
对所述原始频谱信息进行预处理;
将经过预处理的所述原始频谱信息和所述品质指标的测量参数输入所述品质指标ELM模型;
使用所述品质指标ELM模型对水果进行检测。
可选的,所述对所述原始频谱信息进行预处理包括:
通过SPA对所述原始介电频谱信息进行变量优选。
可选的,所述通过SPA对所述原始介电频谱信息进行变量优选包括:
设置SPA无信息变量数的取值范围;
在所述取值范围内根据循环过程多元线性回归模型确定无信息变量数;
根据PLS交互验证模型的均方根误差的最小值和所述无信息变量数确定品质指标ELM标模型对应的因子数。
可选的,在所述根据PLS交互验证模型的均方根误差的最小值确定品质指标ELM标模型对应的最佳因子数之后,所述方法还包括:
根据所述因子数确定所述品质指标ELM模型的稳定系数分布曲线。
可选的,所述根据所述因子数确定所述品质指标ELM模型的稳定系数分布曲线包括:
根据留一交互原则和所述均方根误差的最小值确定所述稳定系数分布曲线的最佳核宽度σ2和调整系数γ;
根据所述最佳核宽度σ2和所述调整系数γ确定所述品质指标ELM模型的稳定系数分布曲线。
可选的,在所述将经过预处理的所述原始频谱信息和所述品质指标的测量参数输入品质指标ELM模型之前,所述方法还包括:
将所述品质指标的测量参数进行重复训练后得到隐含层节点数的目标值。
本申请第二方面提供了一种实时无损检测水果内部品质的***,包括:
第一获取单元,用于获取水果样品的原始介电频谱信息;
第二获取单元,用于获取水果样品的品质指标,所述水果样品包含至少一个所述品质指标;
第三获取单元,用于获取所述品质指标的测量参数;
处理单元,用于对所述原始频谱信息进行预处理;
输入单元,用于将经过预处理的所述原始频谱信息和所述品质指标的测量参数输入品质指标ELM模型;
检测单元,用于使用所述品质指标ELM模型对水果进行检测。
可选的,所述处理单元包括:
所述优选子单元用于通过SPA对所述原始介电频谱信息进行变量优选。
可选的,所述优选子单元包括:
设置模块,用于设置SPA无信息变量数的取值范围;
第一确定模块,用于在所述取值范围内根据循环过程多元线性回归模型确定无信息变量数;
第二确定模块,用于根据PLS交互验证模型的均方根误差的最小值和所述无信息变量数确定品质指标ELM标模型对应的因子数。
可选的,所述***还包括:
第一确定单元,用于根据所述因子数确定所述品质指标ELM模型的稳定系数分布曲线。
可选的,所述***还包括:
第二确定单元,用于根据留一交互原则和所述均方根误差的最小值确定所述稳定系数分布曲线的最佳核宽度σ2和调整系数γ;
第三确定单元,用于根据所述最佳核宽度σ2和所述调整系数γ确定所述品质指标ELM模型的稳定系数分布曲线。
可选的,所述***还包括:
训练单元,用于将所述品质指标的测量参数进行重复训练后得到隐含层节点数的目标值。
本申请第三方面提供了一种实时无损检测水果内部品质的***,包括:
中央处理器,存储器,输入输出接口,有线或无线网络接口以及电源;
所述存储器为短暂存储器或持久存储存储器;
所述中央处理器配置为所述存储器通信,并执行所述存储器中的指令操作以执行前述方法。
本申请提供了一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使得计算机执行前述方法。
从以上技术方案可以看出,本申请实施例具有以下优点:本方案本方法基于介电频谱技术其内部品质检测模型的构建,获取获取水果样品的原始介电频谱信息、获取水果样品的品质指标以及获取品质指标的测量参数后,对原始频谱信息进行预处理,将经过预处理的原始频谱信息和品质指标的测量参数输入品质指标ELM模型后得到用于检测水果品质指标的模型。品质指标ELM模型能够动态监测水果在生长过程中的品质,减少工作时间和程序,提高检测的准确性。
附图说明
图1为本申请中实时无损检测水果内部品质的方法一个示意图;
图2为本申请中实时无损检测水果内部品质的方法另一示意图;
图3为本申请中实时无损检测水果内部品质的方法另一示意图;
图4为本申请中实时无损检测水果内部品质的***一个示意图;
图5为本申请中实时无损检测水果内部品质的***另一示意图。
具体实施方式
为了更清楚地说明本申请中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
本申请实施例提供了一种实时检测水果品质的方法,用于提高检测效率。本实施例中,通过获取水果的原始介电频谱信息建立水果检测模型,达到无损检测水果品质的目的,本实施例以***为执行主体进行举例说明。
请参阅图1,下面对本申请实施例提供一种实时检测水果品质的方法实施例进行介绍:
101、获取水果样品的原始介电频谱信息;
本实施例中,***连接介电频谱测试装置,该介电频谱测试装置用于获取水果样品的原始介电频谱信息。具体的,使用之前,需要对介电频谱测试装置进行相关校准及参数设定,该装置包括网络分析仪、同轴探头。首先,打开电源让网络分析仪预热1h,分别用开路、短路及50Ω负载对仪器进行校准。基本校准完成后,连接同轴探头并启动检测软件。仪器校准及准备完成后设定测试频率范围为20MHz至4500MHz,线性扫描点数201个。参数设定完成后,依次用空气、短路子和25℃去离子水对同轴探头进行校准,通过测量25℃去离子水的介电参数,并与已知数据进行比较,来确定校准是否完成。试验中测点位置选择赤道部位90°间隔的4点位置进行介电谱及光谱数据的采集。测量4点处水果样品的介电频谱(即相对介电常数e'和介质损耗因数e”在不同频率点的数值),以4次测量结果的平均值作为该样品的介电频谱最终测定结果。
102、获取水果样品的品质指标;
本实施例中,该水果样品至少包含一个品质指标,例如糖度、硬度、pH值以及含水量。一般的,水果样品的糖度通过糖度仪检测;水果样品的硬度硬度仪检测;水果样品的pH值通过pH计检测。而水果样品的含水量则电子天平、热风干燥箱结合检测所得,具体的,从水果样品测试点附近取少量果肉,装在已测质量的小铝盒中用型电子天平称重,记录烘干前质量。记录编号后,将果肉放入热风干燥箱中烘干烘干24小时后取出置入干燥容器中冷却至室温后再次称重,记录烘干后质量。根据干燥前后样品果肉的质量变化计算出该样品的湿基含水率。例如当水果样品为苹果时,所需获取的品质指标为糖度、硬度、pH值以及含水量;当水果样品为西瓜,所需获取的品质指标为糖度、硬度以及含水量;则***根据该水果品质获取相应的品质指标。
103、获取品质指标的测量参数;
本实施例中,为使获取的品质指标更准确,可以通过多次检测对比的方法确定水果样品的目标品质指标参数,可以将样品按照约3:1的比例划分为校正集与测试集,将校正集与测试集中水果样品所测量的品质指标按照比例划分后,将较优值确定为目标测量参数,以供后续操作。
在实际场景中,水果样品为苹果时,需要获取的品质指标包括糖度、硬度、pH值以及含水量。以苹果的糖度为例,所有需要进行品质指标的苹果样品集有若干个,待检测完毕后,将样品集根据检测结果按照3:1的比例划分为校正集和测试集,其中校正集为所得的检测结果为可用区间,也可以取校正集检测结果的平均值为目标检测参数,例如校正集检测结果的平均值显示苹果硬度为16%,则苹果品质指标中硬度的测量参数为16%。
104、对原始频谱信息进行预处理;
本实施例中,为了减小大量误差、干扰等信息对模型精度的影响,建模分析前需要对原始介电频谱信息进行数据降维或变量优选。基于Matlab平台,可以分别应用主成分分析(PCA)、连续投影算法(SPA)及无信息变量消除(UVE)方法对水果样品的原始介电谱数据的变量进行优选处理,为后期定量检测模型设计提供可靠的输入数据。
使用PCA处理原始频谱信息是基于Unscrambler10.2平台对样品原始介电频谱进行PCA处理,提取到的前10个主成分的贡献率及累积贡献率。计算贡献率的作用是查看数据的波动情况。通过分析研究不同来源的变异对总变异的贡献大小,从而确定可控因素对研究结果影响力的大小。方差反映数据的波动程度,又称累积贡献大说明数据稳定性差,偏离平均数的多。从而根据累积贡献率能确定较优的数值。
105、将经过预处理的原始频谱信息和品质指标的测量参数输入品质指标ELM模型;
本实施例中,***对原始频谱信息进行预处理之后,需要将经过预处理的原始频谱信息和品质指标的测量参数输入品质指标ELM模型。针对水果样品不同的品质指标,分别将经过预处理的原始频谱信息和品质指标的测量参数输入品质指标ELM模型。具体的,将经过预处理的原始频谱信息和糖度测量参数输入品质指标ELM模型,设计生长期水果糖度检测定量模型;将经过预处理的原始频谱信息和硬度测量参数输入品质指标ELM模型,设计生长期水果硬度检测定量模型;将经过预处理的原始频谱信息和pH值测量参数输入品质指标ELM模型,设计生长期水果pH值检测定量模型;将经过预处理的原始频谱信息和含水量测量参数输入品质指标ELM模型,设计生长期水果含水量检测定量模型。
106、使用品质指标ELM模型对水果进行检测。
本实施例中,***将经过预处理的原始频谱信息和品质指标的测量参数输入品质指标ELM模型之后,分别得到生长期水果糖度检测定量模型、生长期水果硬度检测定量模型、生长期水果pH值检测定量模型以及生长期水果含水量检测定量模型。将待检测品质的水果输入不同品质指标ELM模型,得到待检测水果的各指标检测值。
本实施例中,基于介电频谱技术其内部品质检测模型的构建,获取获取水果样品的原始介电频谱信息、获取水果样品的品质指标以及获取品质指标的测量参数后,对原始频谱信息进行预处理,将经过预处理的原始频谱信息和品质指标的测量参数输入品质指标ELM模型后得到用于检测水果品质指标的模型。品质指标ELM模型能够动态监测水果在生长过程中的品质,减少工作时间和程序,提高其检测的准确性。
请参阅图2,下面对本申请实施例提供一种实时检测水果品质的方法实施例进行介绍:
201、获取水果样品的原始介电频谱信息;
202、获取水果样品的品质指标;
203、获取品质指标的测量参数;
本实施例中的步骤201至203与前述图1所示实施例中步骤101至103类似,具体此处不再赘述。
204、设置SPA无信息变量数的取值范围;
205、在取值范围内根据循环过程多元线性回归模型确定无信息变量数;
本实施例中,***获取操作人员设置的SPA无信息变量数的取值范围,该取值范围在1至20之间。多元线性回归模型是一个主要影响因素作为自变量来解释因变量的变化,在现实问题研究中,因变量的变化往往受几个重要因素的影响,此时就需要用两个或两个以上的影响因素作为自变量来解释因变量的变化,这就是多元回归亦称多重回归。当多个自变量与因变量之间是线性关系时,所进行的回归分析就是多元线性回归。
多元线性模型的主要通过建模来拟合所提供的或是收集到的因变量和自变量的数据,收集到的数据拟合之后来进行参数估计。参数估计的目的主要是来估计出模型的偏回归系数的值。从而收集新的自变量的数据去进行预测,也称为样本量。最后通过循环过程多元线性回归模型计算因变量和自变量确定无信息变量数。
206、根据PLS交互验证模型的均方根误差的最小值和无信息变量数确定品质指标ELM标模型对应的因子数;
本实施例中,PLS交互验证又为交叉验证是一种用来评价一个训练出的模型是否可以推广到另一个数据结构相同的数据集上的方法。主要用于PCR、PLS回归建模等建模应用中。一个交叉验证将样本数据集分成两个互补的子集,一个子集用于训练分类器或模型,被称为训练集(training set);另一个子集用于验证训练出的分类器或模型是否有效,被称为测试集(testing set)。测试结果作为分类器或模型的性能指标。而我们的目的是得到高度预测精确度和低的预测误差。为了保证交叉验证结果的稳定性,对一个样本数据集需要多次不同的划分,得到不同的互补子集,进行多次交叉验证。取多次验证的平均值作为验证结果。
该品质指标ELM标模型对应的因子数指最佳因子数,最佳因子数可以减少信息冗余,对数据进行降维,建立最优波段特征组合。图像中所涵盖的信息量与其标准差成正比,标准差越大,信息量就越多;图像的独立性与波段间的相关系数成反比,其相关系数越低,信息冗余度越小,其独立性越好。
交叉验证有时也称为交叉比对,如:10折交叉比对。主要用于估计一个预测模型在实际数据应用中的准确度。它是一种统计学上将数据样本切割成较小子集的实用方法。首先在一个子集上做训练,而其它子集则用来做后续对此分析的确认及验证。
207、根据留一交互原则和均方根误差的最小值确定稳定系数分布曲线的最佳核宽度σ2和调整系数γ;
本实施例中,留一交互原则为每次从样本集中取出一个样本,用余下的样本来建立模型,用建好的模型来预测之前取出在这个样本,直到样本集中每个样本都被取出过一次。具体的,设样本集中有n个样本,设每次从样本中取出一个样本,用余下的n-1个样本构建模型,用建好的模型去预测被取出的那个样本,得到样本的真实值和预测值,重复这个过程直到以1递增到n,得到各个样本的验证预测值。
均方根误差又叫标准误差,是观测值与直值偏差的平方和观测次数n比值的平方根。在实际测量中,观测次数n总是有限的,真值只能用最可信赖(最佳)值来代替标准误差对一组测量中的特大或特小误差反映非常敏感,因此标准误差能够很好地反映出测量的精密度。
稳定系数分布曲线是指测时数列中最大数值和最小数值之比的数值连接起来的曲线,它反映测时时所测定的操作,平均延续时间的准确、可靠程度。其计算公式为:稳定系数的大小。稳定系数越接近1,说明测时数列波动小,比较可靠;相反则说明数列波动性大,可靠性小。稳定系数超过规定的限度,就需要重新测定。最佳核宽度σ2即为最接近1的数值。此外,调节系数γ越大,调节幅度越大,调节的结果让检测值同设定值吻合,即当检测值低于设定值时,积分调节让检测值升高。最后,***根据留一交互原则和均方根误差的最小值确定稳定系数分布曲线的最佳核宽度σ2和调整系数γ。
208、根据最佳核宽度σ2和调整系数γ确定品质指标ELM模型的稳定系数分布曲线;
本实施例中,稳定系数是指测时数列中最大数值和最小数值之比,它反映测时时所测定的操作,平均延续时间的准确、可靠程度。稳定系数的大小,受生产类型、操作性质和操作时间长短等因素的影响。稳定系数越接近1,说明测时数列波动小,比较可靠;相反则说明数列波动性大,可靠性小。稳定系数超过规定的限度,就需要重新测定。具体通过微分方程来建立稳定系数曲线,建立的曲线能够看出水果在时间变化过程中得到的最佳变量是否稳定。
调节系数γ越大,调节幅度越大,调节的结果让检测值同设定值吻合,即当检测值低于设定值时,积分调节让检测值升高;当检测值高于设定值时,积分调节让检测值下降,检测值同设定值的偏差在允许的范围内时,调节的输出为0。***根据留一交互原则和均方根误差的最小值确定稳定系数分布曲线的最佳核宽度σ2和调整系数γ之后,通过最佳核宽度σ2和调整系数γ确定品质指标ELM模型的稳定系数分布曲线。
209、将品质指标的测量参数进行重复训练后得到隐含层节点数的目标值;
本实施例中,隐层节点数的确定是建模中非常重要的一个环节,一个具有无限隐层节点的两层BP网络可以实现任意从输入到输出的非线性映射。但对于有限个输入到输出的映射,并不需要无限个隐层节点,这就涉及到如何选择隐层节点数的问题,隐层节点数往往根据设计所得的经验已完成的试验来确定,在实际操作中可以根据既往历史设置。一般认为,隐层节点数与求解问题的要求、输入输出单元数有直接的关系。此外,隐层节点数过少,则无法产生足够的连接权组合数来满足若干样本的学习;隐层节点数过多,则学习以后网络的泛化能力变差。
具体的,确定隐层的节点数有如下几种方法:1)若要求逼近的样函数变化剧烈、波动很大,则要求可调整地连接权数多,从而隐层的节点数应增多;
2)若规定的逼近精度高,则隐含层单元数应增多;3)考虑开始时放入较少的隐含层单元,根据的学习情况逐渐增加;此外,还可以开始时加入足够多的隐层节点,通过学习把作用小的连接权和隐层节点删去。如此得到更多的点即能构成模型图。
210、将经过预处理的原始频谱信息和品质指标的测量参数输入品质指标ELM模型;
211、使用品质指标ELM模型对水果进行检测。
本实施例中的步骤210至211与前述图1所示实施例中步骤105至106类似,具体此处不再赘述。
请参阅图3,下面对本申请实施例提供一种实时无损检测水果内部品质的***包括:
第一获取单元301,用于获取水果样品的原始介电频谱信息;
第二获取单元302,用于获取水果样品的品质指标,所述水果样品包含至少一个所述品质指标;
第三获取单元303,用于获取所述品质指标的测量参数;
处理单元304,用于对所述原始频谱信息进行预处理;
输入单元305,用于将经过预处理的所述原始频谱信息和所述品质指标的测量参数输入品质指标ELM模型;
检测单元306,用于使用所述品质指标ELM模型对水果进行检测。
请参阅图4,下面对本申请实施例提供一种实时无损检测水果内部品质的方法包括:
第一获取单元401,用于获取水果样品的原始介电频谱信息;
第二获取单元402,用于获取水果样品的品质指标,所述水果样品包含至少一个所述品质指标;
第三获取单元403,用于获取所述品质指标的测量参数;
处理单元404,用于对所述原始频谱信息进行预处理;
所述处理单元404包括:
优选子单元4041,用于通过SPA对所述原始介电频谱信息进行变量优选;
所述优选子单元包括:
设置模块40411,用于设置SPA无信息变量数的取值范围;
第一确定模块40412,用于在所述取值范围内根据循环过程多元线性回归模型确定无信息变量数;
第二确定模块40413,用于根据PLS交互验证模型的均方根误差的最小值和所述无信息变量数确定品质指标ELM标模型对应的因子数;
第一确定单元405,与根据留一交互原则和所述均方根误差的最小值确定所述稳定系数分布曲线的最佳核宽度σ2和调整系数γ;
第二确定单元406,用于根据所述最佳核宽度σ2和所述调整系数γ确定所述品质指标ELM模型的稳定系数分布曲线;
训练单元407,用于将所述品质指标的测量参数进行重复训练后得到隐含层节点数的目标值;
输入单元408,用于将经过预处理的所述原始频谱信息和所述品质指标的测量参数输入品质指标ELM模型;
检测单元409,用于使用所述品质指标ELM模型对水果进行检测。
请参阅图5,下面对本申请实施例提供一种实时无损检测水果内部品质的***包括:
中央处理器502,存储器501,输入输出接口503,有线或无线网络接口504以及电源505;
存储器501为短暂存储存储器或持久存储存储器;
中央处理器502配置为与存储器501通信,并执行存储器501中的指令操作以执行前述图1至图2所示实施例中的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,read-onlymemory)、随机存取存储器(RAM,random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种实时检测水果品质的方法,其特征在于,包括:
获取水果样品的原始介电频谱信息;
获取水果样品的品质指标,所述水果样品包含至少一个所述品质指标;
获取所述品质指标的测量参数;
对所述原始频谱信息进行预处理;
将经过预处理的所述原始频谱信息和所述品质指标的测量参数输入所述品质指标ELM模型;
使用所述品质指标ELM模型对水果进行检测。
2.根据权利要求1所述的方法,其特征在于,所述对所述原始频谱信息进行预处理包括:
通过SPA对所述原始介电频谱信息进行变量优选。
3.根据权利要求2所述的方法,其特征在于,所述通过SPA对所述原始介电频谱信息进行变量优选包括:
设置SPA无信息变量数的取值范围;
在所述取值范围内根据循环过程多元线性回归模型确定无信息变量数;
根据PLS交互验证模型的均方根误差的最小值和所述无信息变量数确定品质指标ELM标模型对应的因子数。
4.根据权利要求3所述的方法,其特征在于,在所述根据PLS交互验证模型的均方根误差的最小值确定品质指标ELM标模型对应的最佳因子数之后,所述方法还包括:
根据所述因子数确定所述品质指标ELM模型的稳定系数分布曲线。
5.根据权利要求4所述的方法,其特征在于,所述根据所述因子数确定所述品质指标ELM模型的稳定系数分布曲线包括:
根据留一交互原则和所述均方根误差的最小值确定所述稳定系数分布曲线的最佳核宽度σ2和调整系数γ;
根据所述最佳核宽度σ2和所述调整系数γ确定所述品质指标ELM模型的稳定系数分布曲线。
6.根据权利要求1所述的方法,其特征在于,在所述将经过预处理的所述原始频谱信息和所述品质指标的测量参数输入品质指标ELM模型之前,所述方法还包括:
将所述品质指标的测量参数进行重复训练后得到隐含层节点数的目标值。
7.一种实时无损检测水果内部品质的***,其特征在于,包括:
第一获取单元,用于获取水果样品的原始介电频谱信息;
第二获取单元,用于获取水果样品的品质指标,所述水果样品包含至少一个所述品质指标;
第三获取单元,用于获取所述品质指标的测量参数;
处理单元,用于对所述原始频谱信息进行预处理;
输入单元,用于将经过预处理的所述原始频谱信息和所述品质指标的测量参数输入品质指标ELM模型;
检测单元,用于使用所述品质指标ELM模型对水果进行检测。
8.根据权利要求7所述的***,其特征在于,所述处理单元包括:
优选子单元,用于通过SPA对所述原始介电频谱信息进行变量优选。
9.根据权利要求8所述的***,其特征在于,所述优选子单元包括:
设置模块,用于设置SPA无信息变量数的取值范围;
第一确定模块,用于在所述取值范围内根据循环过程多元线性回归模型确定无信息变量数;
第二确定模块,用于根据PLS交互验证模型的均方根误差的最小值和所述无信息变量数确定品质指标ELM标模型对应的因子数。
10.一种实时无损检测水果内部品质的***,其特征在于,包括:
中央处理器,存储器,输入输出接口,有线或无线网络接口以及电源;
所述存储器为短暂存储存储器或持久存储存储器;
所述中央处理器配置为与所述存储器通信,并执行所述存储器中的指令操作以执行权利要求1至6中任意一项所述的实时无损检测水果内部品质的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210467092.9A CN115049206A (zh) | 2022-04-29 | 2022-04-29 | 一种实时无损检测水果内部品质的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210467092.9A CN115049206A (zh) | 2022-04-29 | 2022-04-29 | 一种实时无损检测水果内部品质的方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115049206A true CN115049206A (zh) | 2022-09-13 |
Family
ID=83158326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210467092.9A Pending CN115049206A (zh) | 2022-04-29 | 2022-04-29 | 一种实时无损检测水果内部品质的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049206A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106841103A (zh) * | 2017-03-01 | 2017-06-13 | 沈阳农业大学 | 近红外光谱检测水果内部品质方法及专用检测*** |
CN108956545A (zh) * | 2018-06-15 | 2018-12-07 | 北京农业智能装备技术研究中心 | 一种水果内部品质无损检测模型建立方法及*** |
CN111693487A (zh) * | 2020-05-28 | 2020-09-22 | 济南大学 | 基于遗传算法和极限学习机的水果糖度检测方法及*** |
CN111968080A (zh) * | 2020-07-21 | 2020-11-20 | 山东农业大学 | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 |
CN113496486A (zh) * | 2021-07-08 | 2021-10-12 | 四川农业大学 | 基于高光谱成像技术的猕猴桃货架期快速判别方法 |
-
2022
- 2022-04-29 CN CN202210467092.9A patent/CN115049206A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106841103A (zh) * | 2017-03-01 | 2017-06-13 | 沈阳农业大学 | 近红外光谱检测水果内部品质方法及专用检测*** |
CN108956545A (zh) * | 2018-06-15 | 2018-12-07 | 北京农业智能装备技术研究中心 | 一种水果内部品质无损检测模型建立方法及*** |
CN111693487A (zh) * | 2020-05-28 | 2020-09-22 | 济南大学 | 基于遗传算法和极限学习机的水果糖度检测方法及*** |
CN111968080A (zh) * | 2020-07-21 | 2020-11-20 | 山东农业大学 | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 |
CN113496486A (zh) * | 2021-07-08 | 2021-10-12 | 四川农业大学 | 基于高光谱成像技术的猕猴桃货架期快速判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105300923B (zh) | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 | |
CN103854305B (zh) | 一种基于多尺度建模的模型传递方法 | |
CN106248746B (zh) | 一种基于介电频谱技术的牛乳蛋白质含量快速检测方法 | |
CN104949936A (zh) | 基于优化偏最小二乘回归模型的样品成份测定方法 | |
CN108680515B (zh) | 一种单粒水稻直链淀粉定量分析模型构建及其检测方法 | |
CN104990895B (zh) | 一种基于局部区域的近红外光谱信号标准正态校正方法 | |
CN105486658A (zh) | 一种具有无测点温度补偿功能的近红外物性参数测量方法 | |
CN105181678A (zh) | 基于激光诱导击穿光谱的水稻品种鉴别方法 | |
Shen et al. | Rapid and real-time detection of moisture in black tea during withering using micro-near-infrared spectroscopy | |
CN105699239A (zh) | 采用近红外光谱模型分析烟草、烟草制品保润性能的方法 | |
CN108846200B (zh) | 一种基于迭代法的准静态桥梁影响线识别方法 | |
CN113624694A (zh) | 一种大气甲烷浓度的反演方法和装置 | |
CN112229757A (zh) | 卷烟与滤棒压降的快速符合性评价方法 | |
CN106841053A (zh) | 一种红枣品种快速鉴定方法 | |
CN115809427A (zh) | 基于混合策略优化bp神经网络的混合气体识别方法 | |
CN114527082A (zh) | 甜玉米种子萌发预测方法及装置 | |
CN115049206A (zh) | 一种实时无损检测水果内部品质的方法及*** | |
CN113076692A (zh) | 一种反演叶片氮素含量的方法 | |
CN111122635B (zh) | 一种食用菌干燥状态在线评估方法及*** | |
CN112945901A (zh) | 一种基于近红外光谱的青贮大豆品质检测方法 | |
CN105092509B (zh) | 一种基于pcr‑elm算法的样品成份测定方法 | |
CN116519206A (zh) | 基于深度学习的压力传感器校准***及方法 | |
CN109520964A (zh) | 基于nirs的种子活力测定方法、***及存储介质 | |
CN115855860A (zh) | 一种茶叶干燥过程中的水分含量预测方法及处理终端 | |
CN113984708B (zh) | 一种化学指标检测模型的维护方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |