[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

说明书

本发明涉及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，包括步骤：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。本发明同时提升了模型在源域和目标域数据上的泛化性能，较大幅度提升了模型的预测准确率。

技术领域

本发明涉及光谱分析技术领域，特别是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。

背景技术

在农产品加工过程中，农产品品质在实时变化，不同工序的工艺参数必须与农产品品质相匹配，这样才能保证最后农产品的质量。光谱技术由于其快速、无损等特点，在农产品品质无损检测中被普遍应用。

由于仪器的差异、周围环境的影响和样品本身品质的差异，不同批次农产品的光谱数据建立的多元校正模型，在另一批次的样本下预测结果会发生较大的偏差，甚至会出现校正模型完全不适用的情况，很难实现跨域光谱信息的回归建模与预测分析，模型没有泛化性。传统的跨域光谱分析方法能够解决不同仪器间的模型传递，不过还需要不同仪器的标准化样品进行校正；并且传统的跨域光谱分析方法目前没有能够有效解决不同批次和不同环境条件下数据分布差异问题的方法，另外目前已有的光谱回归模型缺少泛化性。

发明内容

有鉴于此，本发明的目的是提出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，同时提升了模型在源域和目标域数据上的泛化性能，较大幅度提升了模型的预测准确率。

本发明采用以下方案实现：一种基于跨域光谱信息的农产品品质无损检测方法，具体包括以下步骤：

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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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：