技術(shù)特征：

1.一種紅棗品種快速鑒定方法，其特征在于，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)來評(píng)價(jià)模型傳遞效果。

2.根據(jù)權(quán)利要求1所述的一種紅棗品種快速鑒定方法，其特征在于，所述步驟S4中的二維相關(guān)光譜由以下公式生成：

$\mathrm{\Φ}(v_1,v_2)=\frac{1}{m-1}y{\left(v_1\right)}^{T}y\left(v_2\right)$

$\mathrm{\Ψ}(v_1,v_2)=\frac{1}{m-1}y{\left(v_1\right)}^{T}Ny\left(v_2\right)$

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。

3.根據(jù)權(quán)利要求1所述的一種紅棗品種快速鑒定方法，其特征在于，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)。

4.根據(jù)權(quán)利要求1所述的一種紅棗品種快速鑒定方法，其特征在于，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：

$RMSECV=\sqrt{\frac{sum{(C_{NIR}-C_{REF})}^2}{{\mathrm{sumC}}_{REF}^2}}$

式中：C_NIR是樣品的某一實(shí)際屬性；C_REF為預(yù)測(cè)出的樣品屬性。

5.根據(jù)權(quán)利要求1所述的一種紅棗品種快速鑒定方法，其特征在于，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：

$RMSEP=\sqrt{\frac{{\mathrm{\Σ}}_1^n{(C_{NIR}-C_{REF})}^2}{n}}$

式中：n是測(cè)試集樣品數(shù)，C_NIR是樣品的某一實(shí)際屬性矩陣；C_REF為預(yù)測(cè)出的樣品屬性矩陣。

6.根據(jù)權(quán)利要求1所述的一種紅棗品種快速鑒定方法，其特征在于，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：

$R=\frac{{\mathrm{\Σ}}_1^n{C}_{NIR}{C}_{REF}-\frac{{\mathrm{\Σ}}_1^n{C}_{NIR}{\mathrm{\Σ}}_1^n{C}_{REF}}{n}}{\sqrt{({\mathrm{\Σ}}_1^n{C_{NIR}}^2-\frac{{\left({\mathrm{\Σ}}_1^n{C}_{NIR}\right)}^2}{n})({\mathrm{\Σ}}_1^n{C_{NIR}}^2-\frac{{\left({\mathrm{\Σ}}_1^n{C}_{REF}\right)}^2}{n})}}$

式中：n是測(cè)試集樣品數(shù)，C_NIR是樣品的某一實(shí)際屬性矩陣；C_REF為預(yù)測(cè)出的樣品屬性矩陣。

7.根據(jù)權(quán)利要求1所述的一種紅棗品種快速鑒定方法，其特征在于，所述步驟S8所述權(quán)值由以下公式獲得：

$W_i=\frac{{\left(\frac{1}{{\mathrm{RMSECV}}_i}\right)}^2}{{\mathrm{\Σ}}_i^m{\left(\frac{1}{{\mathrm{RMSECV}}_i}\right)}^2}$

其中，RMSECV_i是第i個(gè)子模型交叉驗(yàn)證后的預(yù)測(cè)均方根誤差。

8.根據(jù)權(quán)利要求1所述的一種紅棗品種快速鑒定方法，其特征在于，所述步驟S8中所述的模型融合的公式如下：

$C=\underset{i}{\overset{m}{\Σ}}{W}_i\·C_{iREF}$

其中，C_iREF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。