CN116994675A - 基于近红外数据的锦灯笼宿萼表皮检测方法 - Google Patents
基于近红外数据的锦灯笼宿萼表皮检测方法 Download PDFInfo
- Publication number
- CN116994675A CN116994675A CN202311266102.3A CN202311266102A CN116994675A CN 116994675 A CN116994675 A CN 116994675A CN 202311266102 A CN202311266102 A CN 202311266102A CN 116994675 A CN116994675 A CN 116994675A
- Authority
- CN
- China
- Prior art keywords
- sampling points
- similarity
- spectrum data
- value
- calyx
- 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.)
- Granted
Links
- 241001164374 Calyx Species 0.000 title claims abstract description 118
- 210000002615 epidermis Anatomy 0.000 title claims abstract description 62
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000005070 sampling Methods 0.000 claims abstract description 365
- 238000001228 spectrum Methods 0.000 claims abstract description 195
- 238000000034 method Methods 0.000 claims abstract description 53
- 230000003595 spectral effect Effects 0.000 claims abstract description 32
- 244000064622 Physalis edulis Species 0.000 claims abstract description 26
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims description 43
- 238000010521 absorption reaction Methods 0.000 claims description 28
- 210000003491 skin Anatomy 0.000 claims description 26
- 239000000126 substance Substances 0.000 claims description 23
- 230000000875 corresponding effect Effects 0.000 claims description 14
- 230000007547 defect Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 230000002596 correlated effect Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- 230000002950 deficient Effects 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 claims 1
- 239000003814 drug Substances 0.000 abstract description 9
- 238000002329 infrared spectrum Methods 0.000 abstract description 6
- 239000004677 Nylon Substances 0.000 abstract 1
- 229920001778 nylon Polymers 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 22
- 210000003462 vein Anatomy 0.000 description 8
- 241000196324 Embryophyta Species 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- -1 moisture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011321 prophylaxis Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Immunology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及近红外光谱分析检测技术领域,具体涉及一种基于近红外数据的锦灯笼宿萼表皮检测方法。本发明对锦灯笼宿萼表皮各采样点的初始光谱数据进行划分,获得区间光谱数据;进而将区间光谱数据的划分相似性与区间光谱数据的吸收率的差异相结合,获得采样点的初始相似值,基于采样点的临近采样点的初始相似值获得最终相似值;根据最终相似值与采样点之间的距离值获得距离度量,从而获得准确的聚类结果,进而提高了依据聚类结果进行表皮检测的准确性。本发明实施例通过对锦灯笼宿萼表皮各采样点的光谱数据进行分析,结合采样点的位置分布对聚类的距离度量进行改进,获得准确的聚类结果,提高了锦灯笼宿萼表皮检测结果的准确性。
Description
技术领域
本发明涉及近红外光谱分析检测技术领域,具体涉及一种基于近红外数据的锦灯笼宿萼表皮检测方法。
背景技术
近红外光谱技术在农业中被广泛应用,用于快速分析和检测植物的化学成分。通过近红外光谱对植物表皮进行检测,可以获得关于水分、纤维素、蛋白质等不同物质含量的信息,以及检测植物表皮中的化学成分变化,帮助及早发现病虫害的迹象,从而采取有效的防治措施,减少产量损失。
在锦灯笼宿萼表皮中,由于不同位置的物质含量不同,因此对应的近红外光谱数据也各不相同,在对锦灯笼宿萼表皮进行检测时,现有技术中通常采用聚类的思想对锦灯笼宿萼表皮中的各个采样点进行聚类分析,但是采用的距离度量为波段的吸收率以及采样点的空间位置,不能体现不同位置含量成分的变化,因此会导致聚类结果不准确,进而影响锦灯笼宿萼表皮的检测结果的准确性。
发明内容
为了解决现有技术中聚类时的距离度量为波段的吸收率以及采样点的空间位置,不能体现不同位置含量成分的变化,会导致聚类结果不准确,进而影响锦灯笼宿萼表皮检测结果的准确性的技术问题,本发明的目的在于提供一种基于近红外数据的锦灯笼宿萼表皮检测方法,所采用的技术方案具体如下:
本发明提出了一种基于近红外数据的锦灯笼宿萼表皮检测方法,所述方法包括:
获取锦灯笼宿萼表皮中每个采样点的初始光谱数据;
根据每个所述初始光谱数据中波段的吸收率的变化特征对所述初始光谱数据进行划分,获得区间光谱数据;
以任意两个采样点作为两个待测采样点;根据两个待测采样点的区间光谱数据的波长范围获得划分相似性;根据两个待测采样点的区间光谱数据包含的波段数和相同波段的吸收率的差异获得两个待测采样点的相似程度;根据所述划分相似性和所述相似程度获得两个待测采样点的初始相似值;
将与每个待测采样点最近的预设数量个采样点作为临近采样点,获取任意两个临近采样点之间的初始相似值,根据两个待测采样点的所有临近采样点之间的初始相似值获得修正参数;根据两个待测采样点的初始相似值和对应的修正参数获得两个待测采样点的最终相似值;
根据所有采样点之间的位置分布和最终相似值对所有采样点进行聚类,获得聚类结果;根据所述聚类结果进行锦灯笼宿萼表皮检测;
所述聚类结果的获取方法包括:
根据采样点的位置分布获取采样点之间的距离值;
根据采样点之间的距离值和最终相似值获得距离度量;所述距离度量和所述距离值呈正相关,所述距离度量和所述最终相似值呈负相关;
基于DBSCAN聚类算法根据所述距离度量对所有采样点进行聚类,获得聚类结果;其中,聚类半径和半径内的最少采样点数均为预设值;
所述修正参数的获取方法包括:
基于K-means聚类算法对两个待测采样点的临近采样点的初始相似值进行聚类,获得两个聚类簇;将两个聚类簇中初始相似值的均值较小的聚类簇作为第一聚类簇,将两个聚类簇中初始相似值的均值较大的聚类簇作为第二聚类簇;
将所述第二聚类簇中所有初始相似值的均值作为相似值均值,将所述相似值均值与两个待测采样点的初始相似值的差值作为相似值差值;
将所述第一聚类簇中所有初始相似值的标准差进行负相关映射并归一化后与所述相似值差值的乘积,作为所述修正参数;
所述最终相似值的获取方法包括:
将两个待测采样点的初始相似值和对应的修正参数相加后的值,作为两个待测采样点的所述最终相似值。
进一步地,所述区间光谱数据的获取方法包括:
对每个采样点的所述初始光谱数据根据预设长度进行划分,获得光谱数据段;
对每个所述光谱数据段中波段的吸收率进行线性拟合获得拟合直线,获取所述拟合直线的斜率;将每个光谱数据段与相邻的光谱数据段的拟合直线的斜率的差异作为吸收率差异;
根据每个光谱数据段中所有波段的吸收率获得每个光谱数据段的吸收率序列,获得所述吸收率序列的差分序列,将每个差分序列中除第一个数据外的最大值与最小值的差值作为差分极差;
将每个光谱数据段的吸收率差异和所述差分极差的和值进行负相关映射,作为每个光谱数据段与相邻的光谱数据段的合并指数;
将所述合并指数大于预设合并阈值的相邻两个光谱数据段作为一个区间光谱数据。
进一步地,所述划分相似性的获取方法包括:
获取两个待测采样点的所有区间光谱数据的左端点的波长;
基于DTW算法获取两个待测采样点的所有所述左端点的波长的DTW距离;将所述DTW距离进行负相关映射并归一化后作为两个待测采样点的区间光谱数据的所述划分相似性。
进一步地,所述两个待测采样点的相似程度的获取方法包括:
依次将两个待测采样点中每一个作为基准采样点,另一个作为对比采样点;
对所述基准采样点和对比采样点的光谱数据进行光谱相似度分析,获得光谱相似度;将所述光谱相似度中的最大值作为所述两个待测采样点的相似程度。
进一步地,所述对所述基准采样点和对比采样点的光谱数据进行光谱相似度分析,获得光谱相似度,包括:
获取基准采样点的初始光谱数据的波段总数和每个区间光谱数据包含的波段数;将所述基准采样点的每个区间光谱数据包含的波段数与所述波段总数的比值作为波段比值;
将基准采样点的每个区间光谱数据中每个波段的吸收率与对比采样点相同波段的吸收率的比值,作为波段吸收率比值;将基准采样点的每个区间光谱数据的所有波段吸收率比值的标准差作为比值标准差;
根据基准采样点的每个区间光谱数据的比值标准差和波段比值获得区间相似值;所述区间相似值与所述比值标准差呈负相关,所述区间相似值与所述波段比值呈正相关;
将基准采样点的所有区间光谱数据的所述区间相似值累加后的值作为基准采样点和对比采样点的光谱相似度。
进一步地,所述两个待测采样点的初始相似值的获取方法包括:
将两个待测采样点的所述划分相似性的值与所述相似程度的值相乘,作为所述两个待测采样点的初始相似值。
进一步地,所述根据所述聚类结果进行锦灯笼宿萼表皮检测包括:
将所述聚类结果中采样点数量最多的一个聚类簇作为目标聚类簇;
所述表皮检测包括表皮缺陷检测和物质含量检测;
所述表皮缺陷检测包括:当所述目标聚类簇中采样点数量与锦灯笼宿萼表皮中采样点总数的比值小于预设判断阈值时,则锦灯笼宿萼表皮存在缺陷;
所述物质含量检测包括:根据所述目标聚类簇中所有采样点的初始光谱数据中各个波段吸收率的均值获得均值光谱数据,根据所述均值光谱数据获取各种物质含量。
本发明具有如下有益效果:
本发明的目的在于优化聚类的距离度量,获得更加精确的聚类结果,进而提高锦灯笼宿萼表皮检测结果的准确性;首先获取锦灯笼宿萼表皮每个采样点的初始光谱数据;然后从局部进行分析,由于表皮中物质含量的复杂性,所以基于吸收率随波段变化的变化特征对初始光谱数据进行划分,获得区间光谱数据,此时的区间光谱数据可以更加准确的表征每类物质含量,所以各采样点之间区间光谱数据的划分相似性就可以作为表征采样点的初始相似值的指标之一;然后通过采样点的区间光谱数据中各波段吸收率的差异作为表征采样点初始相似值的另一指标,进而将两个指标进行结合即可获得采样点之间的初始相似值;由于宿萼表皮中存在脉络纹理特征以及可能出现的虫蛀缺陷等,所以需要对初始相似值进行修正以获得准确的最终相似值,修正参数可基于各采样点空间位置上的临近采样点之间的初始相似值获得;然后将各采样点的最终相似值和位置分布信息相结合从而对聚类的距离度量进行改进,然后进行聚类获得更加准确的聚类结果,故根据此时的聚类结果进行锦灯笼宿萼表皮检测可以提高检测结果的准确性。本发明通过从采样点初始光谱数据的局部进行分析,获取初始相似值,然后利用各采样点的临近采样点的相似信息对初始相似值进行修正,获取准确的最终相似值,进而将最终相似值与采样点的位置信息进行结合完成对距离度量的改进,获得准确的聚类结果,提高了最终依据聚类结果获得的锦灯笼宿萼表皮检测结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一个实施例所提供的一种基于近红外数据的锦灯笼宿萼表皮检测方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于近红外数据的锦灯笼宿萼表皮检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
基于近红外数据的锦灯笼宿萼表皮检测方法实施例:
下面结合附图具体的说明本发明所提供的一种基于近红外数据的锦灯笼宿萼表皮检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于近红外数据的锦灯笼宿萼表皮检测方法的方法流程图,该方法包括以下步骤:
步骤S1:获取锦灯笼宿萼表皮中每个采样点的初始光谱数据。
在本发明实施例中,通过对锦灯笼宿萼表皮各个采样点的初始光谱数据进行分析,获取到各个采样点的相似值,进而将相似值与采样点的位置信息进行结合完成聚类时距离度量的优化,获得更加准确的聚类结果,进而提高锦灯笼宿萼表皮检测结果的准确性。
首先利用高光谱仪获取锦灯笼宿萼表皮中各个采样点的近红外光谱数据,作为初始光谱数据。记采样点的总个数为,那么即获得了/>个采样点对应的初始光谱数据,其中,各采样点的初始光谱数据的横坐标为波长,纵坐标为吸收率。
步骤S2:根据每个初始光谱数据中波段的吸收率的变化特征对初始光谱数据进行划分,获得区间光谱数据。
在获取到锦灯笼宿萼表皮各个采样点对应的初始光谱数据之后,由于锦灯笼宿萼表皮中不同物质含量的复杂性,以及不同物质在初始光谱数据中所占据的波段各不相同,因此可从初始光谱数据的局部出发,根据初始光谱数据中各波段的吸收率的变化特征对初始光谱数据进行划分,获得区间光谱数据,便于后续通过对区间光谱数据进行分析获得采样点之间的相似值。
优选地,本发明一个实施例中区间光谱数据的获取方法包括:
首先可对各采样点的初始光谱数据根据预设长度进行划分,获得光谱数据段;由于光谱数据段是根据预设长度进行划分的,因此每个光谱数据段不足以代表锦灯笼宿萼表皮中不同物质的含量,所以为了后续分析能够获得更加准确的结果,可根据光谱数据段中吸收率随波段变化的变化特征对相邻的光谱数据段进行合并,获得能够准确表示各物质含量的区间光谱数据。
对每个光谱数据段进行分析,将光谱数据段中波段的吸收率进行线性拟合,获得每个光谱数据段对应的拟合直线,然后获取拟合直线的斜率,将每个光谱数据段与相邻的光谱数据段的拟合直线的斜率的差异作为吸收率差异。然后将每个光谱数据段中各个波段的吸收率组成吸收率序列,获取吸收率序列的差分序列,然后将差分序列中除第一个数据之外的其他数据中的最大值与最小值的差值作为差分极差。
然后将每个光谱数据段的差分极差和该光谱数据段与相邻的光谱数据段的吸收率差异进行相加,将相加的和值进行负相关映射后作为该光谱数据段与相邻的光谱数据段的合并指数;最后将合并指数大于预设合并阈值的相邻两个光谱数据段进行合并,作为一个区间光谱数据。以第个光谱数据段和第/>个光谱数据段为例,合并指数的公式模型具体可以例如为:
其中,表示第/>个光谱数据段和第/>个光谱数据段的合并指数,/>表示第/>个光谱数据段的拟合直线的斜率,/>表示第/>个光谱数据段的拟合直线的斜率,/>表示第/>个光谱数据段的差分极差,/>表示第一调参因子。
在合并指数的公式模型中,考虑到相邻两个光谱数据段进行合并的条件,当第个光谱数据段内出现吸收率随波长变化极大时,则该光谱数据段对应的差分极差/>较大,同时说明该光谱数据段中出现某一物质的概率较高,此时该光谱数据段就应与相邻的光谱数据段加以区分,就不应该进行合并;当相邻两个光谱数据段的拟合直线的斜率的差异,即吸收率差异/>较大时,说明这两个光谱数据段内吸收率的差异较大,那么为不同物质的概率就高,因此也需要将两个光谱数据段进行区分,不应该进行合并。故当差分极差越大,同时相邻两个光谱数据段的吸收率差异越大时,合并指数应该越小,故将进行负相关映射,完成逻辑关系矫正。
对相邻两个光谱数据段合并过程举例说明:以光谱数据段作为起始光谱数据段,分别计算/>与/>,/>与/>,…各相邻两个光谱数据段对应的合并指数,当合并指数大于预设合并阈值时,将相邻两个光谱数据段进行合并,如果/>与/>需要合并,同时/>与/>也需要合并时,则最终三个光谱数据段合并为一个区间光谱数据即可。需要说明的是,预设长度为10个波段的长度;预设合并阈值为5;第一调参因子目的在于避免分母为0,可设置为0.01;预设长度、预设合并阈值以及第一调参因子具体数值的大小,实施者可根据具体实施场景进行调整,在此不做限定;获取拟合直线的线性拟合算法可选择最小二乘法、梯度下降法或者线性回归等方法,皆为本领域技术人员熟知的技术手段,在此不做限定及赘述。
至此,可以完成锦灯笼宿萼表皮中每个采样点的初始光谱数据的划分,获得区间光谱数据,后续可对采样点的区间光谱数据进行分析获取采样点之间的相似值。
步骤S3:以任意两个采样点作为两个待测采样点;根据两个待测采样点的区间光谱数据的波长范围获得划分相似性;根据两个待测采样点的区间光谱数据包含的波段数和相同波段的吸收率的差异获得两个待测采样点的相似程度;根据划分相似性和相似程度获得两个待测采样点的初始相似值。
在步骤S2中完成各采样点的初始光谱数据的划分之后,即可对区间光谱数据进行分析获取采样点的相似值。
由于各采样点的区间光谱数据是基于吸收率随波段的变化特征进行划分的,且可以准确的反映出各种物质的含量信息,因此可根据采样点之间的区间光谱数据的划分获取评价采样点相似值的指标之一,即获取划分相似性。以任意两个不同的采样点为例,如第个采样点和第/>个采样点,将其作为待测采样点。
优选地,本发明一个实施例中划分相似性的获取方法包括:
首先依次将两个待测采样点的每个区间光谱数据的左端点的波段,也即波长提取出来,此时可以分别获得两个待测采样点的区间光谱数据的左端点的波长组成的波长序列;然后由于各个采样点的区间光谱数据的划分具有不一致性,因此各采样点的波长序列长度可能也不相同,且波长序列中波长的具体数值也不相同,故本实施例基于DTW(DynamicTime Warping-DTW)算法对两个待测采样点的波长序列进行处理,获得DTW距离,然后将DTW距离进行负相关映射并归一化后的值作为两个待测采样点的区间光谱数据的划分相似性。划分相似性的公式模型具体可以例如:
其中,表示第/>个采样点和第/>个采样点的区间光谱数据的划分相似性,且/>,/>表示第/>个采样点和第/>个采样点的波长序列的DTW距离,/>表示归一化函数。
在划分相似性的公式模型中,由于每个采样点的区间光谱数据的划分均会产生对应的差异,由此,本发明实施例不考虑两个采样点的区间光谱数据划分完全相同的情况,也即不可能为0,当第/>个采样点和第/>个采样点的所有左端点的波长的DTW距离的值/>越小,说明这两个采样点的区间光谱数据的划分越相似,也就说明这两个采样点的物质含量越相似,也就说明这两个采样点的相似值就越大。需要说明的是,DTW算法以及归一化操作皆为本领域技术人员熟知的技术手段,在此不做赘述。
在获取到评价采样点相似值的指标之一,即区间光谱数据的划分相似性之后,可继续考虑两个采样点的区间光谱数据之间的吸收率的差异,并与区间光谱数据包含的波段数进行结合,获取评价采样点相似值的第二个指标,即相似程度。
优选地,本发明一个实施例中两个待测采样点的相似程度的获取方法包括:
由于各采样点的区间光谱数据的划分可能不尽相同,故在获取两个采样点的相似程度时,依次以每个采样点为准,具体过程为:依次将两个待测采样点中的每一个作为基准采样点,则另一个作为对比采样点;然后对基准采样点和对比采样点的光谱数据进行光谱相似度分析,即可获得光谱相似度;此时会获取到两个待测采样点之间的两个光谱相似度,将两个光谱相似度中的最大值作为两个待测采样点的相似程度,将两个采样点的相似程度记为。
对基准采样点和对比采样点进行光谱相似度分析,主要是基于采样点的区间光谱数据包含的波段数以及相同波段的吸收率的差异进行分析。
优选地,本发明一个实施例中对基准采样点和对比采样点的光谱数据进行光谱相似度分析,获得光谱相似度,包括:
首先获取基准采样点的初始光谱数据的波段总数以及每个区间光谱数据包含的波段数,然后将每个区间光谱数据包含的波段数与波段总数的比值作为波段比值。
然后将基准采样点的每个区间光谱数据中每个波段的吸收率与对比采样点相同波段的吸收率的比值,作为波段吸收率比值;在获取到基准采样点的每个区间光谱数据中所有的波段吸收率比值后,将所有的波段吸收率比值的标准差作为比值标准差。
然后通过基准采样点的每个区间光谱数据对应的比值标准差以及波段比值获得基准采样点和对比采样点的区间相似值,区间相似值与波段比值呈正相关,与比值标准差呈负相关。然后将基准采样点的所有区间光谱数据的区间相似值累加后的值作为基准采样点和对比采样点的光谱相似度。光谱相似度的公式模型具体可以例如为:
其中,表示基准采样点,/>表示对比采样点,/>表示基准采样点/>和对比采样点的光谱相似度,/>表示基准采样点/>的区间光谱数据的个数,/>基准采样点/>的第/>个区间光谱数据包含的波段数,/>表示初始光谱数据的波段总数,/>表示基准采样点/>的第/>个区间光谱数据的第/>个波段的吸收率,/>表示对比采样点/>中与基准采样点/>的第/>个波段相同的波段的吸收率,/>表示求标准差,/>表示第二调参因子。
在光谱相似度的公式模型中,当基准采样点和对比采样点相似时,那么在不同波段下的吸收率比值应该都近似相等,因此本实施例中获取了比值标准差,因为标准差可以反映出数据的离散程度,当比值标准差越小时,则说明基准采样点和对比采样点在不同波段下的吸收率比值的分布较为集中,那么基准采样点和对比采样点的光谱相似度就越高,所以对比值标准差进行负相关映射,进行逻辑关系矫正,并且分母加上第二调参因子/>,避免分母为0;同时由于不同的区间光谱数据包含的波段数不同,即不同的区间光谱数据的长度不同,因此将波段比值/>作为调节比值标准差的权重。需要说明的是,第二调参因子/>的取值可取0.01,具体数值可进行调整,在此不做限定。
至此,获取到了评价两个采样点相似值的两个指标,划分相似性以及相似程度,然后将二者进行结合获得两个采样点的相似值;但是由于锦灯笼宿萼表皮会存在脉络纹理特征的影响,甚至出现虫蛀等缺陷,因此此时的相似值不能作为准确的相似值,仅能作为两个采样点的初始相似值。
优选地,本发明一个实施例中两个待测采样点的初始相似值的获取方法包括:
将两个待测采样点的划分相似性的值与相似程度的值进行相乘,作为两个待测采样点的初始相似值。初始相似值的公式模型为:
其中,表示第/>个采样点和第/>个采样点的初始相似值,/>表示第/>个采样点和第/>个采样点的区间光谱数据的划分相似性,/>表示第/>个采样点和第/>个采样点的相似程度。
在初始相似值的公式模型中,当两个采样点的区间光谱数据的划分相似性的值越大,同时两个采样点的相似程度的值越大时,那么两个采样点的初始相似值就越大,说明两个采样点就越相似,在后续的聚类过程中,就越可能被归为一类。
至此,可以通过上述方法获得任意两个采样点的初始相似值,便于完成后续对初始相似值的修正以及对采样点的聚类等操作。
步骤S4:将与每个待测采样点最近的预设数量个采样点作为临近采样点,获取任意两个临近采样点之间的初始相似值,根据两个待测采样点的所有临近采样点之间的初始相似值获得修正参数;根据两个待测采样点的初始相似值和对应的修正参数获得两个待测采样点的最终相似值。
由于锦灯笼宿萼表皮中存在许多复杂细小的脉络纹理,所以脉络上的采样点的物质含量与叶肉部分的物质含量会存在一定的差异,故会造成脉络上的采样点与叶肉部分的采样点的初始相似值较小,那么在后续聚类时,会影响到脉络上的采样点和脉络附近采样点的聚类情况,同时,锦灯笼宿萼表皮中还可能出现虫蛀等缺陷情况,因此可根据各采样点临近采样点的初始相似值对采样点之间的初始相似值进行修正,首先获取修正参数。
优选地,本发明一个实施例中修正参数的获取方法包括:
首先将与每个待测采样点最近的预设数量个采样点作为该待测采样点的临近采样点;由于步骤S3中已经说明了获取到任意两个采样点之间的初始相似值,所以此时可以获取两个待测采样点的任意两个临近采样点之间的初始相似值。如果两个待测采样点的临近采样点有重复,则重复的临近采样点之间的初始相似值设置为1。
利用K-means聚类算法对两组临近采样点之间的初始相似值进行聚类,获得两个聚类簇;由于脉络纹理往往为细小的线性分布,即脉络采样点的临近采样点之间会出现相似的可能性较大,故两个待测采样点的临近采样点之间的初始相似值分布情况会出现两个较大的峰值,初始相似值较小的峰值表示脉络采样点与脉络附近叶肉采样点之间相似值的分布,初始相似值较大的峰值表示叶肉采样点与叶肉采样点之间相似值的分布。将两个聚类簇中初始相似值的均值较小的聚类簇作为第一聚类簇,初始相似值的均值较大的聚类簇作为第二聚类簇。需要说明的是,预设数量设置为25,具体数值可根据实施场景进行调整,在此不做限定;K-means聚类算法为本领域技术人员熟知的技术手段,在此不做赘述。
然后将第二聚类簇中所有初始相似值的均值作为相似值均值;将相似值均值与两个待测采样点的初始相似值的差值作为相似值差值。然后将第一聚类簇中所有初始相似值的标准差进行负相关映射并归一化后的值与相似值差值进行相乘,将乘积作为两个待测采样点的初始相似值的修正参数。修正参数的公式模型具体可以例如为:
其中,表示第/>个采样点和第/>个采样点的初始相似值的修正参数,/>表示第一聚类簇中所有初始相似值的标准差,/>表示相似值均值,/>表示第/>个采样点和第/>个采样点的初始相似值,/>表示以自然常数/>为底的指数函数。
在修正参数的公式模型中,以待测采样点的初始相似值为准,将第二聚类簇中所有初始相似值的均值作为相似值均值,然后将相似值均值与待测采样点的初始相似值的差值,即相似值差值作为初步修正参数。然后在第一聚类簇中,当锦灯笼宿萼表皮正常情况无缺陷时,第一聚类簇中的初始相似值会普遍较小且集中分布,那么标准差就小,所以修正参数较大,因为需要将待测采样点的初始相似值调大,而当出现了虫蛀等缺陷时,第一聚类簇中的初始相似值普遍偏小的同时,分布会较为分散,此时的标准差会比正常情况下大,那么修正参数相较于正常情况会变小,那么对于待测采样点的初始相似值而言,调大的程度也会变小,所以可将/>视为初步修正参数的权重,然后将二者相乘,作为待测采样点的修正参数。
在获取到待测采样点的初始相似值的修正参数后,可根据修正参数对初始相似值进行修正,获得待测采样点的最终相似值。
优选地,本发明一个实施例中两个待测采样点的最终相似值的获取方法包括:
将待测采样点的初始相似值和对应的修正参数进行相加,将相加后的值作为待测采样点的最终相似值。最终相似值的公式模型为:
其中,表示第/>个采样点和第/>个采样点的最终相似值,/>表示第/>个采样点和第/>个采样点的初始相似值,/>表示第/>个采样点和第/>个采样点的初始相似值的修正参数。
在最终相似值的公式模型中,通过修正参数对初始相似值进行调整,调整可能为调大或者调小,最终可以获得两个待测采样点的准确的最终相似值。
至此,通过采样点的临近采样点之间的初始相似值获得修正参数,从而对采样点的初始相似值进行调整,获得了采样点之间的准确的最终相似值;通过上述方法可获得任意两个采样点之间的最终相似值,便于完成后续的聚类操作。
步骤S5:根据所有采样点之间的位置分布和最终相似值对所有采样点进行聚类,获得聚类结果;根据聚类结果进行锦灯笼宿萼表皮检测。
基于步骤S4可对各采样点之间的初始相似值都进行修正,获得最终相似值,然后可将采样点之间的最终相似值与采样点之间的位置分布相结合作为聚类的距离度量,完成聚类分析,获得采样点的聚类结果。
优选地,本发明一个实施例中聚类结果的获取方法包括:
以任意两个不同的采样点为例,如第个采样点和第/>个采样点,首先根据采样点的位置分布获取第/>个采样点和第/>个采样点之间的距离值。然后根据距离值以及第/>个采样点和第/>个采样点之间的最终相似值获得后续聚类时的距离度量,且距离度量与采样点之间的距离值呈正相关,与采样点之间的最终相似值呈负相关。距离度量的公式模型具体可以例如为:
其中,表示第/>个采样点和第/>个采样点的距离度量,/>表示第/>个采样点和第/>个采样点之间的距离值,/>表示第/>个采样点和第/>个采样点的最终相似值,/>表示归一化函数。
在距离度量的公式模型中,当两个采样点之间的距离值越小,同时两个采样点的最终相似值越大时,那么这两个采样点之间的距离度量就越小,在后续聚类分析时就越可能被归为一类,提高了后续聚类结果的准确性。
在获取到距离度量之后,基于DBSCAN聚类算法根据距离度量对锦灯笼宿萼表皮所有采样点进行聚类分析,即可获得准确的聚类结果,其中,聚类半径和半径内最少采样点数均为预设值。需要说明的是,DBSCAN聚类算法以及归一化的操作皆为本领域技术人员熟知的技术手段,在此不做赘述;同时,聚类半径可设置为0.9,半径内最少采样点数可设置为20,具体数值可根据实施场景进行调整,在此不做限定。
根据上述聚类过程获取到的准确的聚类结果即可完成锦灯笼宿萼表皮检测。
优选地,本发明一个实施例中根据聚类结果进行锦灯笼宿萼表皮检测包括:
锦灯笼宿萼表皮检测包括表皮缺陷检测以及物质含量检测。
首先选取聚类结果中采样点数量最多的一个聚类簇作为目标聚类簇,原因在于,在正常无缺陷的情况下,各采样点经过修正后的最终相似值都应该近乎相同,所以聚类时聚类簇中的采样点个数应该较多,因此选择一个采样点数量最多的聚类簇作为目标聚类簇,此时的目标聚类簇中的采样点即可具有代表性,通过对目标聚类簇中的采样点分析即可获得准确的表皮检测结果。
表皮缺陷检测过程为:统计目标聚类簇中采样点的数量,当目标聚类簇中采样点的数量与锦灯笼宿萼表皮中采样点总数的比值小于预设判断阈值时,即可认为锦灯笼宿萼表皮存在缺陷,需要及时干预进行预防。需要说明的是,预设判断阈值的大小可设置为0.85,具体数值的大小可根据具体实施场景进行调整,在此不做限定。
物质含量检测过程为:根据目标聚类簇中各采样点各个波段的吸收率获取各个波段吸收率的均值,然后即可获得一个均值光谱数据,此时均值光谱数据具有代表性,因此通过对均值光谱数据进行分析即可获取到准确的各种物质的含量信息。
至此,完成了锦灯笼宿萼表皮检测。
综上所述,本发明实施例首先获取锦灯笼宿萼表皮各采样点的初始光谱数据,然后从初始光谱数据的局部出发,基于初始光谱数据中吸收率随波段的变化特征对初始光谱数据进行划分,获得区间光谱数据;进一步地,由于不同采样点的区间光谱数据的划分可能不尽相同,因此在评价两个采样点是否相似时,可将区间光谱数据的划分相似性作为指标之一;进而再将划分相似性与采样点的区间光谱数据包含的波段数以及相同波段的吸收率的差异相结合,获得两个采样点的相似值,因为锦灯笼宿萼表皮中存在脉络纹理特征以及可能出现虫蛀等缺陷情况,故此时的相似值不够准确,记为初始相似值,需对其进行进一步的修正;修正参数可以基于采样点的临近采样点之间的初始相似值获得,然后根据修正参数对初始相似值进行修正,即可获得准确的最终相似值;进而通过将采样点之间的最终相似值与采样点之间的距离值相结合,作为聚类时的距离度量,即可获得更加准确的聚类结果,进而依据聚类结果进行锦灯笼宿萼表皮检测时可以提高检测结果的准确性;本发明实施例通过对锦灯笼宿萼表皮各采样点的光谱数据进行分析,进而结合采样点的位置分布特征对聚类的距离度量进行改进,获得准确的聚类结果,进而提高了最终锦灯笼宿萼表皮检测结果的准确性。
基于近红外数据的锦灯笼宿萼表皮采样点聚类方法实施例:
近红外光谱技术由于可以在不破坏植物的情况对植物表皮进行分析处理,因此被广泛应用。而在对锦灯笼宿萼表皮进行聚类时,通常会利用聚类算法基于锦灯笼宿萼表皮各个采样点的光谱数据进行分析,但是由于锦灯笼宿萼表皮物质种类复杂,不同位置的物质含量不尽相同,因此现有技术中在利用空间位置以及波段吸收率进行聚类分析时,聚类依据单一,会造成聚类模糊,聚类结果不够准确,因此本实施例提供了一种基于近红外数据的锦灯笼宿萼表皮采样点聚类方法,包括:
步骤S1:获取锦灯笼宿萼表皮中每个采样点的初始光谱数据;
步骤S2:根据每个初始光谱数据中波段的吸收率的变化特征对初始光谱数据进行划分,获得区间光谱数据;
步骤S3:以任意两个采样点作为两个待测采样点;根据两个待测采样点的区间光谱数据的波长范围获得划分相似性;根据两个待测采样点的区间光谱数据包含的波段数和相同波段的吸收率的差异获得两个待测采样点的相似程度;根据划分相似性和相似程度获得两个待测采样点的初始相似值;
步骤S4:将与每个待测采样点最近的预设数量个采样点作为临近采样点,获取任意两个临近采样点之间的初始相似值,根据两个待测采样点的所有临近采样点之间的初始相似值获得修正参数;根据两个待测采样点的初始相似值和对应的修正参数获得两个待测采样点的最终相似值;
步骤S5:根据所有采样点之间的位置分布和最终相似值对所有采样点进行聚类,获得聚类结果。
其中,步骤S1~S5在上述基于近红外数据的锦灯笼宿萼表皮检测方法实施例中已给出了详细说明,在此不再赘述。
本实施例带来的有益效果包括:本发明实施例首先获取锦灯笼宿萼表皮各采样点的初始光谱数据,然后从初始光谱数据的局部出发,基于初始光谱数据中吸收率随波段的变化特征对初始光谱数据进行划分,获得区间光谱数据;进一步地,由于不同采样点的区间光谱数据的划分可能不尽相同,因此在评价两个采样点是否相似时,可将区间光谱数据的划分相似性作为指标之一;进而再将划分相似性与采样点的区间光谱数据包含的波段数以及相同波段的吸收率的差异相结合,获得两个采样点的相似值,因为锦灯笼宿萼表皮中存在脉络纹理特征以及可能出现虫蛀等缺陷情况,故此时的相似值不够准确,记为初始相似值,需对其进行进一步的修正;修正参数可以基于采样点的临近采样点之间的初始相似值获得,然后根据修正参数对初始相似值进行修正,即可获得准确的最终相似值;进而通过将采样点之间的最终相似值与采样点的位置分布相结合,作为聚类时的距离度量,即可获得更加准确的聚类结果;本发明实施例通过对锦灯笼宿萼表皮各采样点的光谱数据进行分析,进而结合采样点的位置分布特征对聚类的距离度量进行改进,避免了聚类时距离度量单一造成聚类模糊,聚类结果不准确的问题,获得了准确的聚类结果。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (7)
1.一种基于近红外数据的锦灯笼宿萼表皮检测方法,其特征在于,所述方法包括:
获取锦灯笼宿萼表皮中每个采样点的初始光谱数据;
根据每个所述初始光谱数据中波段的吸收率的变化特征对所述初始光谱数据进行划分,获得区间光谱数据;
以任意两个采样点作为两个待测采样点;根据两个待测采样点的区间光谱数据的波长范围获得划分相似性;根据两个待测采样点的区间光谱数据包含的波段数和相同波段的吸收率的差异获得两个待测采样点的相似程度;根据所述划分相似性和所述相似程度获得两个待测采样点的初始相似值;
将与每个待测采样点最近的预设数量个采样点作为临近采样点,获取任意两个临近采样点之间的初始相似值,根据两个待测采样点的所有临近采样点之间的初始相似值获得修正参数;根据两个待测采样点的初始相似值和对应的修正参数获得两个待测采样点的最终相似值;
根据所有采样点之间的位置分布和最终相似值对所有采样点进行聚类,获得聚类结果;根据所述聚类结果进行锦灯笼宿萼表皮检测;
所述聚类结果的获取方法包括:
根据采样点的位置分布获取采样点之间的距离值;
根据采样点之间的距离值和最终相似值获得距离度量;所述距离度量和所述距离值呈正相关,所述距离度量和所述最终相似值呈负相关;
基于DBSCAN聚类算法根据所述距离度量对所有采样点进行聚类,获得聚类结果;其中,聚类半径和半径内的最少采样点数均为预设值;
所述修正参数的获取方法包括:
基于K-means聚类算法对两个待测采样点的临近采样点的初始相似值进行聚类,获得两个聚类簇;将两个聚类簇中初始相似值的均值较小的聚类簇作为第一聚类簇,将两个聚类簇中初始相似值的均值较大的聚类簇作为第二聚类簇;
将所述第二聚类簇中所有初始相似值的均值作为相似值均值,将所述相似值均值与两个待测采样点的初始相似值的差值作为相似值差值;
将所述第一聚类簇中所有初始相似值的标准差进行负相关映射并归一化后与所述相似值差值的乘积,作为所述修正参数;
所述最终相似值的获取方法包括:
将两个待测采样点的初始相似值和对应的修正参数相加后的值,作为两个待测采样点的所述最终相似值。
2.根据权利要求1所述的一种基于近红外数据的锦灯笼宿萼表皮检测方法,其特征在于,所述区间光谱数据的获取方法包括:
对每个采样点的所述初始光谱数据根据预设长度进行划分,获得光谱数据段;
对每个所述光谱数据段中波段的吸收率进行线性拟合获得拟合直线,获取所述拟合直线的斜率;将每个光谱数据段与相邻的光谱数据段的拟合直线的斜率的差异作为吸收率差异;
根据每个光谱数据段中所有波段的吸收率获得每个光谱数据段的吸收率序列,获得所述吸收率序列的差分序列,将每个差分序列中除第一个数据外的最大值与最小值的差值作为差分极差;
将每个光谱数据段的吸收率差异和所述差分极差的和值进行负相关映射,作为每个光谱数据段与相邻的光谱数据段的合并指数;
将所述合并指数大于预设合并阈值的相邻两个光谱数据段作为一个区间光谱数据。
3.根据权利要求1所述的一种基于近红外数据的锦灯笼宿萼表皮检测方法,其特征在于,所述划分相似性的获取方法包括:
获取两个待测采样点的所有区间光谱数据的左端点的波长;
基于DTW算法获取两个待测采样点的所有所述左端点的波长的DTW距离;将所述DTW距离进行负相关映射并归一化后作为两个待测采样点的区间光谱数据的所述划分相似性。
4.根据权利要求1所述的一种基于近红外数据的锦灯笼宿萼表皮检测方法,其特征在于,所述两个待测采样点的相似程度的获取方法包括:
依次将两个待测采样点中每一个作为基准采样点,另一个作为对比采样点;
对所述基准采样点和对比采样点的光谱数据进行光谱相似度分析,获得光谱相似度;将所述光谱相似度中的最大值作为所述两个待测采样点的相似程度。
5.根据权利要求4所述的一种基于近红外数据的锦灯笼宿萼表皮检测方法,其特征在于,所述对所述基准采样点和对比采样点的光谱数据进行光谱相似度分析,获得光谱相似度,包括:
获取基准采样点的初始光谱数据的波段总数和每个区间光谱数据包含的波段数;将所述基准采样点的每个区间光谱数据包含的波段数与所述波段总数的比值作为波段比值;
将基准采样点的每个区间光谱数据中每个波段的吸收率与对比采样点相同波段的吸收率的比值,作为波段吸收率比值;将基准采样点的每个区间光谱数据的所有波段吸收率比值的标准差作为比值标准差;
根据基准采样点的每个区间光谱数据的比值标准差和波段比值获得区间相似值;所述区间相似值与所述比值标准差呈负相关,所述区间相似值与所述波段比值呈正相关;
将基准采样点的所有区间光谱数据的所述区间相似值累加后的值作为基准采样点和对比采样点的光谱相似度。
6.根据权利要求1所述的一种基于近红外数据的锦灯笼宿萼表皮检测方法,其特征在于,所述两个待测采样点的初始相似值的获取方法包括:
将两个待测采样点的所述划分相似性的值与所述相似程度的值相乘,作为所述两个待测采样点的初始相似值。
7.根据权利要求1所述的一种基于近红外数据的锦灯笼宿萼表皮检测方法,其特征在于,所述根据所述聚类结果进行锦灯笼宿萼表皮检测包括:
将所述聚类结果中采样点数量最多的一个聚类簇作为目标聚类簇;
所述表皮检测包括表皮缺陷检测和物质含量检测;
所述表皮缺陷检测包括:当所述目标聚类簇中采样点数量与锦灯笼宿萼表皮中采样点总数的比值小于预设判断阈值时,则锦灯笼宿萼表皮存在缺陷;
所述物质含量检测包括:根据所述目标聚类簇中所有采样点的初始光谱数据中各个波段吸收率的均值获得均值光谱数据,根据所述均值光谱数据获取各种物质含量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311266102.3A CN116994675B (zh) | 2023-09-28 | 2023-09-28 | 基于近红外数据的锦灯笼宿萼表皮检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311266102.3A CN116994675B (zh) | 2023-09-28 | 2023-09-28 | 基于近红外数据的锦灯笼宿萼表皮检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116994675A true CN116994675A (zh) | 2023-11-03 |
CN116994675B CN116994675B (zh) | 2023-12-01 |
Family
ID=88528769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311266102.3A Active CN116994675B (zh) | 2023-09-28 | 2023-09-28 | 基于近红外数据的锦灯笼宿萼表皮检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116994675B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105548066A (zh) * | 2015-12-11 | 2016-05-04 | 贵州中烟工业有限责任公司 | 一种胶体种类区分方法及*** |
CN108007912A (zh) * | 2016-10-27 | 2018-05-08 | 中国人民解放军第二军医大学 | 光谱修正分析装置、修正分析方法以及药品真伪判定*** |
WO2021238455A1 (zh) * | 2020-05-29 | 2021-12-02 | 中兴通讯股份有限公司 | 数据处理方法、设备及计算机可读存储介质 |
CN116754511A (zh) * | 2023-08-18 | 2023-09-15 | 天津博霆光电技术有限公司 | 基于光谱技术的吲哚菁绿检测方法及*** |
-
2023
- 2023-09-28 CN CN202311266102.3A patent/CN116994675B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105548066A (zh) * | 2015-12-11 | 2016-05-04 | 贵州中烟工业有限责任公司 | 一种胶体种类区分方法及*** |
CN108007912A (zh) * | 2016-10-27 | 2018-05-08 | 中国人民解放军第二军医大学 | 光谱修正分析装置、修正分析方法以及药品真伪判定*** |
WO2021238455A1 (zh) * | 2020-05-29 | 2021-12-02 | 中兴通讯股份有限公司 | 数据处理方法、设备及计算机可读存储介质 |
CN116754511A (zh) * | 2023-08-18 | 2023-09-15 | 天津博霆光电技术有限公司 | 基于光谱技术的吲哚菁绿检测方法及*** |
Non-Patent Citations (1)
Title |
---|
刘建学, 李守军: "基于余弦相似度的因子分析在食品成分检测中的应用", 食品科学, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN116994675B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11454594B2 (en) | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images | |
CN109100323B (zh) | 一种苹果水心病的透射光谱无损定量评价方法 | |
CN101713731B (zh) | 一种药物制剂包衣质量的鉴别方法 | |
CN108844917A (zh) | 一种基于显著性假设检验和偏最小二乘法的近红外光谱数据分析方法 | |
CN117132778A (zh) | 一种光谱测量校正计算方法及*** | |
CN102072767A (zh) | 基于波长相似性共识回归红外光谱定量分析方法和装置 | |
CN110749565A (zh) | 一种快速鉴别普洱茶存储年份的方法 | |
CN114216877B (zh) | 茶叶近红外光谱分析中谱峰自动检测与重构方法及*** | |
CN107247033B (zh) | 基于快速衰减式淘汰算法和plsda鉴别黄花梨成熟度的方法 | |
CN104990891B (zh) | 一种种子近红外光谱和光谱图像定性分析模型建立方法 | |
CN116994675B (zh) | 基于近红外数据的锦灯笼宿萼表皮检测方法 | |
CN109685099B (zh) | 一种光谱波段优选模糊聚类的苹果品种辨别方法 | |
CN117538287A (zh) | 一种无损检测黄冠梨果磷含量的方法及装置 | |
CN111751295A (zh) | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 | |
Wang et al. | Monitoring model for predicting maize grain moisture at the filling stage using NIRS and a small sample size | |
CN114486761B (zh) | 一种橡胶树叶片镁含量快速估算方法 | |
CN110609011A (zh) | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及*** | |
CN114062305B (zh) | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及*** | |
CN114062306B (zh) | 一种近红外光谱数据分段预处理方法 | |
CN115586159A (zh) | 基于中红外光谱检测技术的白酒陈化缔合程度评定方法 | |
CN114971259A (zh) | 一种利用近红外光谱分析配方产品质量一致性的方法 | |
CN112801173B (zh) | 一种qr模糊鉴别分析的生菜近红外光谱分类方法 | |
CN113324941A (zh) | 原料牛奶保存时间的快速鉴定方法 | |
CN113418889A (zh) | 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法 | |
CN113310933A (zh) | 原料水牛奶保存天数的光谱鉴定方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |