[发明专利]一种农产品品质识别检测标准的建立方法

说明书

技术领域

    本发明涉及一种农产品品质识别检测标准的建立方法，属于品质鉴别技术领域。 

背景技术

随着我国农产品市场的增大，农产品的品质也越来越受到人们的关注。农产品的品质直接决定其口感，因此，对农产品的品质检测研究有着十分重要的意义。以往对农产品品质的检测都是采用单一的检测方法，而农产品品质的检测指标是多方面的，例如颜色、气味、PH值及其它特性等，单一的检测不能包括全方面的信息，对识别结果的认识存在局限性，并可能产生误差。多传感器信息融合技术，利用各种传感器在性能上的差异和互补性弥补单一检测方法的缺陷，克服单一检测方法的局限性，使系统获得更加充分的信息，从而实现对被测对象的全面准确的了解。 

同时，农产品品质标准体系建设关系到农村经济发展、食品安全、人们生活质量的提高等问题。我国农产品品质标准化基础薄弱, 现有标准不齐全, 特别是缺少在国际上有影响力的标准, 涉及十大类主导农产品品质标准及其配套标准、规范等,综合标准体系尚未形成, 具有地方特色的农产品缺乏完整细致的地方标准；农产品质量检测体系不健全, 农产品安全管理不规范等都是当前较为突出的问题。因此，建立农产品品质判别标准及其检测的方法显得很有必要。 

发明内容

针对现有问题的不足，本发明提供一种农产品品质识别检测标准的建立方法，本方法基于多传感器信息融合技术，这种多传感器信息融合技术可以使系统获得更加充分的信息，从而实现对被测对象的全面准确的了解，使得建立的判别标准更加准确，检测结果更加精确。 

本发明采用的技术方案是：农产品品质判别标准的建立按照下面步骤进行： 

第一步、数据采集；

根据待测农产品自身的特征选取特征传感器，利用特征传感器采集特征信息，将采集到的信息在LabVIEW可视化界面中显示出来；

第二步、数据预处理；

将采集到的信息首先进行野点剔除处理、然后通过SPSS软件，利用主成分分析特征提取公式

和对信息进行特征提取，其中，n表示传感器的个数，m表示提取的主成分个数，表示各个传感器对应的各主成分的负荷因子，表示提出的各主成分的特征值，表示各个传感器的响应值，表示各主成分对应各个传感器响应值的系数，选取能够表现所有传感器绝大部分信息的主成分作为第一主成分，将第一主成分的值作为特征信息，最后采用的公式：对特征数据进行归一化处理，其中表示第i个传感器的信息，表示全部i个传感器的所有信息中的最小值，表示全部i个传感器的所有信息中的最大值；

第三步、特征融合；

将归一化的特征数据利用BP人工神经网络、通过Matlab软件进行特征层融合，得到融合结果；

第四步、建立标准、专家系统；

多次对同一农产品特征信息进行采样，并求得每次特征层融合的结果，根据多次采样的融合结果建立品质判别标准，根据建立的标准建立专家系统。

选取的特征传感器是气味传感器阵列或者其他特征传感器，选取的特征传感器可以是一种或几种。 

采用的野点剔除方法具体为首先对每个传感器采集到的信息进行求均值，然后将采集到的各个值与均值的进行比较，把那些偏离均值较大的信息进行剔除，对每个传感器的信息均进行野点剔除处理。 

BP人工神经网络根据Kolmogorov定理采用一个N(2N+1)M的3层BP网络，其中N表示输入层的样本数，根据选取的特征数目确定；M表示输出层经过神经网络训练的样本数，根据农产品的等级确定，将检测到的信息分训练集和测试集代入网络进行模拟训练，经过训练，通过输出结果就能对品质等级进行区分。 

中间层神经元的传递函数选择S型正切函数,输出层神经元的传递函数选择S对数函数,选择误差目标为0.001，设定进行5000步训练，学习因子设为0.01，动量因子设定为0.9。 

选取的特征传感器可以是气味传感器阵列、特征（非气味）传感器等，选取的特征传感器可以是一种或几种。 

采用的野点剔除方法具体为首先对每个传感器采集到的信息进行求均值，然后将采集到的各个值与均值的进行比较，把那些偏离均值较大的信息进行剔除，对每个传感器的信息均进行野点剔除处理。 

BP人工神经网络根据Kolmogorov定理采用一个N(2N+1)M的3层BP网络，其中N表示输入层的样本数，根据选取的特征数目确定；M表示输出层经过神经网络训练的样本数，根据农产品的等级确定，将检测到的信息分训练集和测试集代入网络进行模拟训练，经过训练，通过输出结果就能对品质等级进行区分。