[发明专利]一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统

权利要求书

1.一种基于跨域光谱信息的农产品品质无损检测方法，其特征在于，包括以下步骤：

获取源域光谱数据与目标域光谱数据，并构建训练数据集；

构建Aug-TrAdaBoost.R2模型，所述Aug-TrAdaBoost.R2模型包括三个子模型，分别为回归预测模型、源域结果校正模型以及目标域结果校正模型；

训练所述Aug-TrAdaBoost.R2模型，并利用训练好的模型对源域光谱数据与目标域光谱数据进行预测；

所述训练所述Aug-TrAdaBoost.R2模型具体包括以下步骤：

首先对回归预测模型基于全部训练数据进行训练建模；

将训练数据集中的源域光谱数据X_{source_train}输入回归预测模型，得到对应的源域光谱数据的品质参数预测值Y^’_{source_train}，将Y^’_{source_train}作为自变量，将X_{source_train}对应的真值标签Y_{source_train}作为因变量，带入源域结果校正模型进行训练建模；

将训练数据集中的目标域光谱数据X_{target_train}输入回归预测模型，得到对应的目标域光谱数据的品质参数预测值Y^’_{target_train}，将Y^’_{target_train}作为自变量，将X_{target_train}对应的真值标签Y_{target_train}作为因变量，带入目标域结果校正模型进行训练建模；

所述利用训练好的模型对源域光谱数据与目标域光谱数据进行预测具体为：

若输入的数据为源域光谱数据，则将源域光谱数据X_{source_test}输入回归预测模型，得到的对应X_{source_test}的结果Y^’_{source_test}，将Y^’_{source_test}输入源域结果校正模型，最终得到预测值输出Y_{source_test_predicted}；

若样本为目标域数据，则将光谱数据X_{target_test}输入回归预测模型，得到对应X_{target_test}的结果Y^’_{target_test}，将Y^’_{target_test}输入目标域结果校正模型，最终得到预测值输出Y_{target_test_predicted}。

2.根据权利要求1所述的一种基于跨域光谱信息的农产品品质无损检测方法，其特征在于，还包括步骤：对所述源域光谱数据与目标域光谱数据进行预处理。

3.根据权利要求2所述的一种基于跨域光谱信息的农产品品质无损检测方法，其特征在于，所述预处理包括平滑处理、多元散射校正处理、标准正态变量处理、去趋势处理、标准化处理、基线偏移处理、二阶或一阶求导处理中的任意一种或多种的组合。

4.根据权利要求1-3任一项所述的基于跨域光谱信息的农产品品质无损检测方法，其特征在于，所述回归预测模型采用两阶段的TrAdaBoost.R2。

5.根据权利要求1-3任一项所述的基于跨域光谱信息的农产品品质无损检测方法，其特征在于，所述源域结果校正模型为线性回归、岭回归、拉索回归、偏最小二乘回归、决策树回归、K近邻回归、神经网络中的任意一种。

6.根据权利要求1-3任一项所述的基于跨域光谱信息的农产品品质无损检测方法，其特征在于，所述目标域结果校正模型为线性回归、岭回归、拉索回归、偏最小二乘回归、决策树回归、K近邻回归、神经网络中的任意一种。