[发明专利]高光谱成像叶用银杏叶总黄酮含量检测方法

权利要求书

1.一种高光谱成像叶用银杏叶总黄酮含量检测方法，其特征是步骤包括：

1)先采集银杏叶片的光谱图像；

2)然后对光谱图像进行处理；

3)最后采用叶总黄酮含量预测模型通过叶片的光谱图像，对叶片进行总黄酮含量检测；

预测模型是采用偏最小二乘回归法PLSR和支持向量回归法SVR，分别基于全波段和特征波段建立的预测模型；

在预测模型的建立过程中，模型评价是使用均方根误差RMSE和决定系数R²作为评价模型性能的指标，使用训练集的均方根误差作为模型损失函数；RMSE越小，预测值和实际值的总体偏差越小；R²越大，预测值和实际值的拟合程度越高；

预测模型的建立和评价步骤包括：

3.1)全波段预测模型以及评价

采用偏最小二乘回归法PLSR和支持向量回归法SVR，分别在可见近红外和短波近红外的光谱数据上建立总黄酮含量预测模型；

a、PLSR预测模型

在建模过程中，采用k折交叉验证的方式对训练集进行验证，设置交叉验证次数为5；建立主成分数从1到50的PLSR预测模型，通过对比不同主成分数模型的性能，选取最佳结果；

在可见近红外波段下，随主成分数增大，PLSR预测模型的训练集拟合效果逐渐提升，在测试集上RMSE_p先提高再降低；在主成分数为4时，PLSR模型的性能提到最高，则在可见近红外波段选择的最优模型主成分数是4，获得训练集的和RMSE_c以及测试集的和RMSE_p；

在短波近红外波段下，采用与可见近红外波段下相同的方法选取最佳主成分数，最优模型的主成分数是10，获得训练集的和RMSE_c以及测试集的和RMSE_p；

经分析比较：

在可见近红外波段上，PLSR预测模型在主成分数为4达到最佳，当主成分数进一步增加时，PLSR预测模型逐渐开始趋于过拟合，PLSR预测模型在初始阶段便进入过拟合状态表明该模型在可见近红外波段较难预测出总黄酮含量；

在短波近红外波段上，PLSR预测模型在主成分数为13时达到最佳，相对来说，PLSR预测模型提取出更多的主成分，建立模型时得以应用更多的光谱信息；

结论为：短波近红外波段的光谱数据更适合建立总黄酮含量的PLSR模型；

b、SVR预测模型

在建模过程中，采用网格搜索的方式获得最佳性能模型参数；

在可见近红外波段下，获得训练集的和RMSE_c以及测试集的和RMSE_p；

在短波近红外波段下，获得训练集的和RMSE_c以及测试集的和RMSE_p；

经分析比较：SVR预测模型在短波近红外波段预测模型具有更高的精度；

而在可见近红外和短波近红外波段，PLSR预测模型性能均优于SVR预测模型，采PLSR预测模型更适合总黄酮含量的预测；同时，短波近红外波段预测叶用银杏的黄酮含量性能优于可见近红外波段；

3.2)基于特征波长的预测模型

由步骤3.1)选择基于最小二乘法PLSR，建立基于特征波长的预测模型；

在短波近红外波段，设定指定波长为60，基于GA和SPA方法分别筛选特征波长，分别选取特征波长数为20、30、40、50、60时建立PLSR预测模型，基于GA和SPA方法筛选特征波长建立的PLSR和SVR预测模型分别定义为SPA-PLSR预测模型和GA-PLSR预测模型；获得各个预测模型的训练集的和RMSE_c，测试集的和RMSE_p；

经分析比较：5种特征波长数下的SPA-PLSR模型的性能优于PLSR模型；而采用特征波长数为40的SPA-PLSR模型性能最优；

采用GA算法选取特征波长并建立PLSR模型得到GA-PLSR预测模型，在每次迭代过程中选取步骤2.3.1)中最佳主成分的PLSR模型的RMSE作为代价函数；

经比较分析：当特征波长数为20时GA-PLSR预测模型性能最差，随着特征波长数增加，模型性能逐渐提升，特征波长数为50时达到最佳；相比较来说GA-PLSR模型性能大幅度提升；GA-PLSR预测模型随遗传进化的测试集RMSE_p的变化，模型的精度随迭代次数的增加不断提升，直至稳定；对于GA-PLSR预测模型所选取的特征波段在1100～1200nm和1400～1500nm范围内光谱数据，预测银杏叶总黄酮的效果最优。