本發(fā)明涉及一種紅棗品種鑒定方法，具體涉及一種紅棗品種快速鑒定方法。
背景技術(shù)：
紅棗是一種具有極高的營(yíng)養(yǎng)保健價(jià)值及藥用價(jià)值的植物果實(shí)，是集藥、食、補(bǔ)三大功能為一體的保健果品。新疆是我國(guó)紅棗主要產(chǎn)區(qū)之一，其紅棗資源非常豐富，且樣本種類繁多。隨著多年來(lái)不斷地進(jìn)行品種選育，不同品種甚至同一品種間紅棗品質(zhì)有較大差異，表征紅棗品質(zhì)的信息量很大。
現(xiàn)有技術(shù)很難對(duì)其做到快速有效識(shí)別。另外，由于紅棗成分復(fù)雜，相應(yīng)的品質(zhì)特征影響因子較多，表征數(shù)據(jù)量大，亟需研發(fā)一種滿足工業(yè)在線實(shí)時(shí)處理的要求，可以無(wú)損、快速、準(zhǔn)確識(shí)別紅棗品質(zhì)的智能化識(shí)別設(shè)備。
技術(shù)實(shí)現(xiàn)要素：
為解決上述問題，本發(fā)明提供了一種紅棗品種快速鑒定方法。
為實(shí)現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案為：
一種紅棗品種快速鑒定方法，包括如下步驟：
S1、對(duì)每一個(gè)紅棗分別選取上、下、左、右、中5個(gè)感興趣區(qū)域的高光譜數(shù)據(jù)，然后求5個(gè)感興趣區(qū)域的平均光譜作為該樣本的光譜數(shù)據(jù)；
S2、經(jīng)MYD64A1測(cè)量光幕對(duì)紅棗長(zhǎng)、寬、高的最大尺寸進(jìn)行測(cè)量，得紅棗的近似體積；
S3、采用Kennard-Stone算法對(duì)步驟S1采集的光譜進(jìn)行優(yōu)選，剔除掉樣品光譜中異常樣品光譜；
S4、生成步驟S3采集所得光譜的二維相關(guān)光譜；
S5、結(jié)合二維小波變換和二維相關(guān)光譜的特性，選擇最佳小波基對(duì)二維相關(guān)光譜進(jìn)行二維小波多尺度分解，得二維小波系數(shù)；
S6、對(duì)步驟S5所得的二維小波系數(shù)進(jìn)行圖像重構(gòu)，然后選擇并設(shè)定訓(xùn)練集和測(cè)試集；
S7、使用訓(xùn)練集的光譜與步驟S2采集的紅棗的近似體積，建立基于偏最小二乘法和留一法交叉驗(yàn)證的預(yù)測(cè)模型，然后將測(cè)試集的光譜輸入該模型得到預(yù)測(cè)結(jié)果，并得到每個(gè)預(yù)測(cè)模型的交叉驗(yàn)證均方根誤差RMSECV；
S8、通過(guò)交叉驗(yàn)證均方根誤差計(jì)算步驟S7所得的預(yù)測(cè)模型的權(quán)值，使用權(quán)值將所有的步驟S7所得的預(yù)測(cè)模型進(jìn)行模型融合，并計(jì)算RMSEP值和相關(guān)系數(shù)來(lái)評(píng)價(jià)模型傳遞效果。
其中，所述步驟S4中的二維相關(guān)光譜由以下公式生成：
式中：y(v)為輸入光譜矩陣，Φ(v1，v2)為生成的同步相關(guān)光譜圖像矩陣，Ψ(v1，v2)為生成的異步相關(guān)光譜圖像矩陣。
其中，所述步驟S6中所述的重構(gòu)是對(duì)不同儀器的光譜的分解后的每一層小波系數(shù)分別進(jìn)行重構(gòu)。
其中，所述步驟S7所述的交叉驗(yàn)證均方根誤差為RMSECV，其公式如下：
式中：CNIR是樣品的某一實(shí)際屬性；CREF為預(yù)測(cè)出的樣品屬性。
其中，所述步驟S6中所述的RMSEP表示模型預(yù)測(cè)值與紅棗的近似體積的偏差，公式如下：
式中：n是測(cè)試集樣品數(shù)，CNIR是樣品的某一實(shí)際屬性矩陣；CREF為預(yù)測(cè)出的樣品屬性矩陣。
其中，所述步驟S6中所述的相關(guān)系數(shù)，表示模型預(yù)測(cè)值與紅棗的近似體積之間的相關(guān)程度，公式如下：
式中：n是測(cè)試集樣品數(shù)，CNIR是樣品的某一實(shí)際屬性矩陣；CREF為預(yù)測(cè)出的樣品屬性矩陣。
其中，所述步驟S8所述權(quán)值由以下公式獲得：
其中，RMSECVi是第i個(gè)子模型交叉驗(yàn)證后的預(yù)測(cè)均方根誤差。
其中，所述步驟S8中所述的模型融合的公式如下：
其中，CiREF是預(yù)測(cè)模型的預(yù)測(cè)結(jié)果，m是分解的尺度，C為預(yù)測(cè)模型融合后的預(yù)測(cè)結(jié)果，即最終的模型傳遞結(jié)果。
本發(fā)明具有以下有益效果：
本發(fā)明通過(guò)光譜以及紅棗的近似體積實(shí)現(xiàn)了紅棗品種的快速識(shí)別，首先選擇最佳二維小波基對(duì)二維相關(guān)光譜進(jìn)行多尺度分解并各層分別重構(gòu)；其次應(yīng)用NPLS對(duì)重構(gòu)的每一層相關(guān)光譜進(jìn)行建模預(yù)測(cè)并得到交叉驗(yàn)證的均方根誤差；接著通過(guò)計(jì)算出的權(quán)值進(jìn)行子模型融合；最后通過(guò)預(yù)測(cè)均方根誤差和相關(guān)系數(shù)對(duì)多尺度-二維相關(guān)光譜模型的結(jié)果和性能進(jìn)行評(píng)價(jià)。本方法相較于常規(guī)模型，顯著提升常規(guī)拉曼光譜分析模型的精度和可靠性，不僅提挖掘出了樣品光譜中新的表征信息，而且避免了信息的丟失，使得拉曼光譜分析更加簡(jiǎn)單，可靠。
具體實(shí)施方式
為了使本發(fā)明的目的及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合實(shí)施例對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
本發(fā)明實(shí)施例提供了一種紅棗品種快速鑒定方法，包括如下步驟：
S1、對(duì)每一個(gè)紅棗分別選取上、下、左、右、中5個(gè)感興趣區(qū)域的高光譜數(shù)據(jù)，然后求5個(gè)感興趣區(qū)域的平均光譜作為該樣本的光譜數(shù)據(jù)；
S2、經(jīng)MYD64A1測(cè)量光幕對(duì)紅棗長(zhǎng)、寬、高的最大尺寸進(jìn)行測(cè)量，得紅棗的近似體積；
S3、采用Kennard-Stone算法對(duì)步驟S1采集的光譜進(jìn)行優(yōu)選，剔除掉樣品光譜中異常樣品光譜；
S4、生成步驟S3采集所得光譜的二維相關(guān)光譜；
S5、結(jié)合二維小波變換和二維相關(guān)光譜的特性，選擇最佳小波基對(duì)二維相關(guān)光譜進(jìn)行二維小波多尺度分解，得二維小波系數(shù)；
S6、對(duì)步驟S5所得的二維小波系數(shù)進(jìn)行圖像重構(gòu)，然后選擇并設(shè)定訓(xùn)練集和測(cè)試集；
S7、使用訓(xùn)練集的光譜與步驟S2采集的紅棗的近似體積，建立基于偏最小二乘法和留一法交叉驗(yàn)證的預(yù)測(cè)模型，然后將測(cè)試集的光譜輸入該模型得到預(yù)測(cè)結(jié)果，并得到每個(gè)預(yù)測(cè)模型的交叉驗(yàn)證均方根誤差RMSECV；
S8、通過(guò)交叉驗(yàn)證均方根誤差計(jì)算步驟S7所得的預(yù)測(cè)模型的權(quán)值，使用權(quán)值將所有的步驟S7所得的預(yù)測(cè)模型進(jìn)行模型融合，并計(jì)算RMSEP值和相關(guān)系數(shù)來(lái)評(píng)價(jià)模型傳遞效果。
其中，所述步驟S4中的二維相關(guān)光譜由以下公式生成：
式中：y(v)為輸入光譜矩陣，Φ(v1，v2)為生成的同步相關(guān)光譜圖像矩陣，Ψ(v1，v2)為生成的異步相關(guān)光譜圖像矩陣。
所述步驟S6中所述的重構(gòu)是對(duì)不同儀器的光譜的分解后的每一層小波系數(shù)分別進(jìn)行重構(gòu)。
所述步驟S7所述的交叉驗(yàn)證均方根誤差為RMSECV，其公式如下：
式中：CNIR是樣品的某一實(shí)際屬性；CREF為預(yù)測(cè)出的樣品屬性。
所述步驟S6中所述的RMSEP表示模型預(yù)測(cè)值與紅棗的近似體積的偏差，公式如下：
式中：n是測(cè)試集樣品數(shù)，CNIR是樣品的某一實(shí)際屬性矩陣；CREF為預(yù)測(cè)出的樣品屬性矩陣。
所述步驟S6中所述的相關(guān)系數(shù)，表示模型預(yù)測(cè)值與紅棗的近似體積之間的相關(guān)程度，公式如下：
式中：n是測(cè)試集樣品數(shù)，CNIR是樣品的某一實(shí)際屬性矩陣；CREF為預(yù)測(cè)出的樣品屬性矩陣。
所述步驟S8所述權(quán)值由以下公式獲得：
其中，RMSECVi是第i個(gè)子模型交叉驗(yàn)證后的預(yù)測(cè)均方根誤差。
所述步驟S8中所述的模型融合的公式如下：
其中，CiREF是預(yù)測(cè)模型的預(yù)測(cè)結(jié)果，m是分解的尺度，C為預(yù)測(cè)模型融合后的預(yù)測(cè)結(jié)果，即最終的模型傳遞結(jié)果。
本具體實(shí)施基于光幕法實(shí)現(xiàn)了對(duì)紅棗長(zhǎng)、寬、高的最大尺寸進(jìn)行測(cè)量，并利用其體積差異和光譜數(shù)據(jù)的差異，實(shí)現(xiàn)了紅棗品種的快速識(shí)別。
以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以作出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為本發(fā)明的保護(hù)范圍。