[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

说明书

本发明公开了一种基于神经网络与近红外光谱的梨无损检测方法，首先在实际的分选线运作过程中，获取对于每一个样本而言最具有代表性的近红外光谱，构建初始数据集；并进行预处理；然后使用区间选择、波长选择组合的方式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；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；最后构建两个神经网络模型，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，本发明以较高的准确度检测糖度与霉心病，为分选线的品质筛选提供强有力的依据，为农业产品的销售提供极大的便利。

技术领域

本发明属于农业产品智能分选技术领域，具体涉及一种基于神经网络与近红外光谱的梨无损检测方法。

背景技术

中国是农业大国，农业产品的好坏直接影响食用口感，进而影响到出口及中国国内的销售情况。因此，对农产品的品质检测与智能分选，一直是农业从业人员、科研人员重要的研究方向。例如，在梨的品质检测中，梨的糖度、硬度以及含水量等都是衡量品质的重要化学指标。传统的检测方法例如抽样检测，存在检测代价高、检测时间长、检测结果不准确以及需要损坏样本的问题。

近红外光谱检测技术结合了光谱测量技术、计算机技术、数据分析技术，可以利用有机物质在近红外光谱区的振动吸收从而快速测定样本中多种化学成分含量的。近红外光谱的主要信息来自与含氢基团O-H、N-H、C-H的倍频和组合频，可溶性固形物的光谱鉴定依据的是其在光谱特征空间分布的特征，国内外学者在近红外光谱可溶性固形物检测领域开展了诸多研究。由于样品的状态、浓度、角度等因素对光谱会产生非线性影响，因此常规线性数据分析方法不能使用在实际工业流水线上。而神经网络，对于非线性问题的处理有着自己独特的优势，并且随着它的理论成熟逐渐的应用到各个领域。本发明将近红外光谱分析与神经网络模型结合，通过对损失函数的改进来应对样本不均衡的问题，并且对近红外光谱数据进行了十分完备的预处理，提供了一套梨智慧分选线中的糖度与霉心病的自动无损检测系统。

发明内容

本发明的目的是提供一种基于神经网络与近红外光谱的梨无损检测方法，以较高的准确度检测糖度与霉心病，为分选线的品质筛选提供强有力的依据，为农业产品的销售提供极大的便利。

本发明所采用的技术方案是，一种基于神经网络与近红外光谱的梨无损检测方法，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。

本发明的特点还在于，

步骤1具体如下：