[发明专利]一种基于神经网络与近红外光谱的梨无损检测方法

权利要求书

1.一种基于神经网络与近红外光谱的梨无损检测方法，其特征在于，具体按照以下步骤实施：

步骤1、在实际的分选线运作过程中，根据近红外光谱的平均光谱强度的变化，获取对于每一个样本而言最具有代表性的近红外光谱，使用这种方法对800个样品梨进行20次光谱采集，并且测量梨中的糖度与霉心病信息，构建初始数据集；

步骤2、使用光谱分析领域所常用的数据去噪与特征提取方式对步骤1得到的初始数据集进行预处理；

步骤3、使用区间选择、波长选择组合的方式根据步骤2中处理后得到的数据集对整个光谱波长区间进行特征选择，并根据选择结果构建特征数据集；

步骤4、将步骤3中处理得到的特征数据集，按照K折检验法多次划分，得到多组训练、测试数据集，训练、测试数据集的输入特征为特征数据集中处理后的光谱数据，标签为糖度与是否含有霉心病；

步骤5、构建两个神经网络模型，使用步骤4中得到的多组训练、测试数据集分别训练两个神经网络模型，综合多组训练、测试数据集的效果寻找最佳的参数设置，并得到最终的两个分别用于预测糖度与是否患有霉心病的模型用于后续实际检测，以达到无损品质检测的目的。

2.根据权利要求1所述的一种基于神经网络与近红外光谱的梨无损检测方法，其特征在于，所述步骤1具体如下：

步骤1.1、在分选线传送带的光谱检测处架设金属黑箱，保证除传送带经过处之外其他位置不允许光源射入，并且在传送带的入口与出口位置加上黑帘，目的是减少外界光源的干扰，以免对检测结果产生影响，在黑箱内部的传送带两侧，放置光源与近红外光谱仪检测探头，并保持其处于同一直线上，光源选择使用四盏1500w卤钨灯，光谱仪选择AvaSpec-ULS4096CL-EVO，目的是使光源多角度的穿透样本，保证检测结果的准确性；

步骤1.2、采用AvaSpec-ULS4096CL-EVO近红外光谱仪采集波长位于200-1100nm区间的光谱，采集速度为0.70ms/scan，选择对单个样本采集的所有光谱中平均光谱强度最低的光谱作为样本的代表光谱。

3.根据权利要求2所述的一种基于神经网络与近红外光谱的梨无损检测方法，其特征在于，所述步骤1.2具体如下：

步骤1.2.1、在分选线运行过程中，保持光谱仪的持续运行，并且在系统中实时监控光谱仪得到的光谱数据，对于每一条光谱，计算其平均强度，并基于平均强度用阈值法判断此时红外光谱探头处是否有样品通过，如果有，将系统切换到数据采集状态；

步骤1.2.2、在数据采集状态中，系统会将每一个光谱仪返回的红外光谱与其光谱平均强度绑定，一起存入系统内存，并且继续保持数据采集状态；当计算得到的光谱平均强度回到曝光水平时，说明此样本已经完全经过红外光谱探头，此时停止数据采集状态，并进行下一步；

步骤1.2.3、遍历内存中所有的光谱平均强度数据，并选择其中的最低值，将与其绑定的红外光谱作为样本的代表光谱送入步骤2，之后清空内存中所有储存的光谱信息。

4.根据权利要求3所述的一种基于神经网络与近红外光谱的梨无损检测方法，其特征在于，所述步骤2具体如下：

步骤2.1、数据平滑处理：选择S-G平滑滤波；

步骤2.2、光谱特征预处理：选择标准正太变换SNV与一阶梯度作为近红外光谱的预处理方法对光谱特征进行预处理。

5.根据权利要求4所述的一种基于神经网络与近红外光谱的梨无损检测方法，其特征在于，所述步骤3具体如下：

步骤3.1、区间选择：将近红外光谱的数据等间隔的分为10个区间，进行多次区间选择以遍历所有的组合方案，每次将选取几个区间组合在一起形成特征向量，在此基础上使用支持向量机SVM进行模型拟合，并在测试数据集中计算模型预测的误差，在所有的组合方案中，选择误差最小的组合方案，以此作为近红外光谱数据的特征波长区域；

步骤3.2、波长选择：选择遗传算法GA进行进一步的筛选，遗传算法GA的主要参数设置：最大繁衍代数为100，交叉概率为0.5，变异概率为0.01，计算10次以消除影响；

经过光谱的区间选择与波长选择之后，大幅度的降低光谱的维度，能够有效的克服光谱数据的共线性和冗余，减少建模变量，降低模型复杂度。

6.根据权利要求5所述的一种基于神经网络与近红外光谱的梨无损检测方法，其特征在于，所述步骤5具体如下：

步骤5.1、设计神经网络结构，包括输入层、隐藏层、输出层，输入层维度与步骤3中提取的特征维度保持一致；隐藏层一共两层，每一层包括N个神经元节点；输出层根据糖度预测任务与霉心病预测任务的不同而有所区别，糖度的预测模型神经网络输出层为1个节点，霉心病的预测模型神经网络的输出层为2个节点，代表是否有霉心病，并且使用Softmax函数作为模型的分类函数，模型层与层之间的激活函数选择Tanh函数，将学习率设置为衰减式学习率，采用Adam算法对网络进行优化，增加模型的鲁棒性，避免陷入局部最优解的局面，在训练过程中采用批量数据训练的方法，批量大小设为64；

步骤5.2、神经网络训练：参数设置包括初始学习率、正则项系数、以及步骤5.1构建过程中的隐藏层节点数N，对于每一中参数设置进行训练。使用步骤4中得到的多组训练、测试数据集，每一组数据进行一次拟合，训练数据集作为训练样本输入步骤5.1设计的神经网络模型中进行训练，使用测试数据集对模型进行评估，综合所有组数据的评估结果得到一个总体的对于当前参数设置的评估结果，最终得到最合适的参数设置方案；

步骤5.3、在霉心病的模型训练过程中，由于实际数据采集过程中，霉心病样本明显少于非霉心病样本，所以将训练的损失函数改为加权交叉熵，以解决样本不均衡的问题，最终得到可以很好的预测糖度与霉心病的两个神经网络模型用于无损品质检测。