[发明专利]基于高光谱图像的青梅糖酸度预测方法

权利要求书

1.基于高光谱图像的青梅糖酸度预测方法，其特征在于：包括以下步骤：

(1)利用高光谱采集系统采集青梅的光谱信息；同时采集当天系统的暗噪光谱图像和99％反射率的标准反射率标定板光谱图像，对青梅的光谱图像分别进行反射率校准；

(2)选取校准后的光谱图像中的青梅部分，计算其平均光谱反射率，作为青梅样本数据；

(3)利用糖度计和ph计对青梅进行理化检测，得到青梅的糖度值和酸度值；

(4)搭建多层网络结构的DSAE-SPA-PLSR预测模型，所述DSAE-SPA-PLSR预测模型的网络结构包含降噪自编码器DAE、稀疏自编码器SAE1、稀疏自编码器SAE2以及连续投影算法-偏最小二乘回归SPA-PLSR；所述DSAE-SPA-PLSR预测模型的网络结构的输入层是光谱图像中的青梅部分的平均光谱反射率结果，隐含层一是降噪自编码器DAE的隐含层，隐含层二是稀疏自编码器SAE1的隐含层，隐含层三是稀疏自编码器SAE2的隐含层，隐含层四是连续投影算法-偏最小二乘回归SPA-PLSR，输出层是青梅糖度值和酸度值的预测结果；

首先用降噪自编码器DAE对青梅样本中青梅平均光谱反射率进行预训练，训练后将降噪自编码器DAE的隐含层数据传递给稀疏自编码器SAE1，训练稀疏自编码器SAE1，训练后将稀疏自编码器SAE1的隐含层数据传递给稀疏自编码器SAE2，训练稀疏自编码器SAE2；预训练后可以得到降噪自编码器DAE、稀疏自编码器SAE1和稀疏自编码器SAE2的权重和偏置，用其初始化DSAE-SPA-PLSR预测模型的参数；

(5)利用青梅样本数据训练DSAE-SPA-PLSR预测模型，得到训练好的DSAE-SPA-PLSR预测模型，将青梅样本数据中的平均光谱反射率输入到训练好的DSAE-SPA-PLSR预测模型，得到糖度值和酸度值的预测结果Yp；

(6)将预测结果Yp与实际结果Y进行对比，得到预测误差，依据反向调节机制，调整网络结构中隐含层一、隐含层二和隐含层三的权重和偏置，其中隐含层四的权重和偏置通过自身更新；从而最终拟合出接近于真实情况的DSAE-SPA-PLSR预测模型；

(7)将需要进行糖酸度预测的青梅的平均光谱反射率输入到最后得到的DSAE-SPA-PLSR预测模型中，预测出青梅的糖度值和酸度值；

(8)对青梅糖度值预测结果和酸度值预测结果进行可视化表示。

2.根据权利要求1所述的基于高光谱图像的青梅糖酸度预测方法，其特征在于：所述的对青梅的光谱图像进行反射率校准的公式为：

其中，A₀为黑白校准后的青梅光谱反射率数据，A为青梅光谱原始数据，A_D为暗场光谱反射率数据，A_W为99％反射率板的光谱数据。

3.根据权利要求1所述的基于高光谱图像的青梅糖酸度预测方法，其特征在于：所述的步骤(2)具体包括：

对校准后的青梅高光谱图像进行数据提取，使用ENVI5.3软件ROI工具手动选取图像中青梅部分，计算其平均光谱反射率，作为该图像的反射率结果，具体计算方式为：

其中，X_o为平均光谱反射率，X_i为第i个像素点的光谱反射率，n为像素点总数。

4.根据权利要求1所述的基于高光谱图像的青梅糖酸度预测方法，其特征在于：所述的步骤(6)中权重和偏置调整量公式分别为：

其中ΔWⁱ为第i层权重的调整量，ΔBⁱ为第i层偏置的调整量，E为输出结果与实际结果的偏差，Wⁱ为第i层向第i+1层传递的权重，Bⁱ为第i层向第i+1层传递的偏置，Xⁱ为第i层的输入，η为梯度下降比例系数；

隐含层一的权重和偏置调整量公式中的δⁱ⁺¹为：

δⁱ⁺¹＝δⁱ⁺²Wⁱ⁺¹f′(WⁱXⁱ+Bⁱ)；

隐含层二和隐含层三的权重和偏置调整量公式中的δⁱ⁺¹均为：

其中β为稀疏性惩罚因子的权重，ρ为稀疏性参数，为隐含层神经元的平均激活度；

输出层的δ⁵计算公式为：

δ⁵＝-(Y_p-Y)f′(W⁴X⁴+B⁴)；

其中：f′(W⁴X⁴+B⁴)＝1；

对于隐含层一、隐含层二和隐含层三，有：

f′(WⁱXⁱ+Bⁱ)＝(WⁱXⁱ+Bⁱ)(1-(WⁱXⁱ+Bⁱ))。