基于多信息融合的小麦品质检测方法技术

本发明专利技术公开了一种基于多信息融合的小麦品质检测方法，其包括以下步骤：步骤一，采用太赫兹时域光谱技术THz‑TDS，分析霉变、虫蛀、发芽以及正常的小麦样品在0.2‑1.6THz波段的光学与光谱特性，计算获得小麦样品的吸收光谱和折射率光谱；步骤二，采用PCA主成分分析方法对小麦样品吸收光谱和折射率光谱进行特征提取，将特征值按照大小进行排序；步骤三，选择前8个主成分特征组合为小麦样品吸收光谱特征集，选择前10个主成分特征组合为小麦品质折射率光谱特征集；步骤四，建模，并对建模结果进行验证。本发明专利技术将不同品质小麦样品的吸收光谱和折射率光谱信息进行融合，提高小麦样品的识别率。

Wheat quality detection method based on multi information fusion

The invention discloses a multi information fusion based on the wheat quality detection method, which comprises the following steps: 1, the terahertz time-domain spectroscopy THz TDS analysis, mildew, moth, germination and normal wheat samples in 0.2 1.6THz band optical and spectral characteristics, obtained the absorption spectrum and the samples of wheat the refractive index spectra; step two, using the PCA method of principal component analysis on wheat sample absorption and refraction of spectral feature extraction rate, feature values are sorted according to size; step three, select the first 8 principal component feature combination absorption spectrum feature set for wheat samples, select the first 10 principal component feature combination rate of spectral features set for wheat quality refraction; step four, modeling, and verify the modeling results. The invention combines the absorption spectrum and the refractive index spectrum information of different quality wheat samples so as to improve the recognition rate of the wheat samples.

【技术实现步骤摘要】
基于多信息融合的小麦品质检测方法
本专利技术涉及一种小麦品质的检测方法。更具体地说，本专利技术涉及一种基于多信息融合的小麦品质检测方法。
技术介绍
国内外对仓储小麦品质的检测方法的报道主要有：化学方法(测量主要成分)、电子鼻、机器视觉、光谱检测(红外光谱)等方法，这些方法费时费力，对样品和试剂消耗大，检测能力有限。THz(太赫兹)由于其单光子能量低和谱“指纹性”等独特优势，是一种有效的分析物质内部组成信息的非接触测量手段。THz-TDS是目前最具有代表性的THz技术，在生物医学、材料科学、国防安全和质量控制等领域具有重要应用。THz波在物质的定性与定量分析方面，许多学者围绕着物质在THz波段的光学与光谱特征，开展了物质的THz吸收系数、折射率系数的测量与单光学参数的分析工作。现有技术结合THz光谱和化学计量学方法(主成分分析、偏最小二乘、支持向量机等)实现对物质的定量分析，同时也取得了较好的结果。另外研究人员采用THz-TDS技术获得不同小麦样品的THz光学参数，利用PCR、PLS、BP神经网络和PCA-SVM模型对样品进行了识别，使用小麦样品THz吸收光谱建立小麦品质识别模型对不同品质小麦的识别率为分别为50％、58.33％、83.33％和93.33％。正常小麦和发芽小麦的识别率相对比较高，而误判断的样品中大多为发霉小麦和虫蚀小麦，不同模型进行分类识别率差别较大。
技术实现思路
本专利技术的一个目的是解决至少上述问题，并提供至少后面将说明的优点。本专利技术还有一个目的是提供一种基于多信息融合的小麦品质检测方法，其能够结合吸收光谱和折射率光谱联合构建的多源信息融合模型，大大提高了小麦样品的识别率，其总体识别率均达到了95％以上。为了实现根据本专利技术的这些目的和其它优点，提供了一种基于多信息融合的小麦品质检测方法，其包括以下步骤：步骤一，采用太赫兹时域光谱技术THz-TDS，分析霉变、虫蛀、发芽以及正常的小麦样品在0.2～1.6THz波段的光学与光谱特性，并计算获得小麦样品的吸收光谱和折射率光谱；步骤二，采用PCA主成分分析方法对不同品质小麦样品吸收光谱和折射率光谱进行特征提取，将特征值按照大小进行排序；步骤三，选择前8个主成分特征组合为小麦样品吸收光谱特征集，选择前10个主成分特征组合为小麦品质折射率光谱特征集；步骤四，建模，并对建模结果进行验证。优选的是，所述步骤五中的建模为建立基于AdaBoost的小麦分类融合模型，具体步骤如下：1)将所述步骤一计算得到的小麦样品光谱信息随机按照2：1分成训练集和测试集；2)建立4个AdaBoost小麦二分类器：将所述训练集按照1：1的比例随机分为校正集和预测集，利用校正集分别建立正常小麦分类器、发芽小麦分类器、发霉小麦分类器和虫蚀小麦分类器4个AdaBoost二分类器；其中，设置AdaBoost二分类器的迭代次数为100-200次；3)根据4个AdaBoost二分类器的输出结果对小麦样品进行判定分类，若输出结果大于等于0，则将为正样本，反之则为负样本，并且输出结果绝对值越大，信任度就最高。4)结合霉变、虫蛀、发芽以及正常的小麦样品的THz吸收光谱和折射率光谱，建立基于AdaBoost小麦分类决策层融合模型；采用建立的基于AdaBoost小麦分类决策层融合模型对测试集中的样本进行识别，并将测试数据输入AdaBoost二分类器进行鉴别并计算出分类结果的正确率。优选的是，所述步骤五中的建模为建立SVM小麦分类融合模型，具体步骤如下：(1)建立小麦样品的训练样本和测试样本集：将所述步骤一计算得到的小麦样品的吸收光谱和折射率光谱随机按照2：1分成训练集和测试集；(2)选择前8个主成分特征组合为小麦样品吸收光谱特征集，选择前10个主成分特征组合为小麦品质折射率光谱特征集，采用RBF核函数进行建模，将折射率系数和吸收系数分别作为RBF核函数构建支持向量机进行训练，完成支持向量机的建模；(3)采用建立的SVM模型对测试集中的样本进行识别，将测试数据输入支持向量机进行鉴别并计算出分类结果的正确率。优选的是，所述步骤(2)中选用RBF核函数为融合模型的核函数，同时核函数最优参数γ,c的选择通过网格搜索优化算法计算实现。优选的是，所述RBF核函数，表示为：需通过反复试验，分析误差来调节核函数参数C,γ，寻找出最优值；用均方根误差(RMSE)来评估最终回归模型的预测精度。RMSE可表示为：其中，N″表示训练集样品的数量；Yi和分别表示ith样品在数据集中实际值和ith样品在构建的回归模型中预测值。优选的是，所述步骤3)中根据4个AdaBoost二分类器的输出结果对小麦样品进行判定分类具体步骤为：a，设A1,A2,A3,A4分别为4个AdaBoost二分类器的输出；b，对于不同品质小麦样本Xi，其中1＜i＜N，N表示小麦样本的数量，根据建立的AdaBoost二分类器进行判别，得到4个分类器输出，分别表示为A1(Xi),A2(Xi),A3(Xi),A4(Xi)；c，比较Aj(Xi)的值，获得输出值最大时的分类器号jmax＝MAX{Aj(Xi),1≤j≤4}，则可将Xi为jmax类样本；d，遍历所有样本，获得所有样本的分类结果。优选的是，Adaboost二分类器通过如下步骤实现：a，假设X表示样本空间，Y为样本类别标识集合，则样本训练集为S＝{(xi,yi|i＝1,2,…,m)},xi∈X,yi∈Yb，初始化m个训练样本的权值，初始样本权值分布为：D1(i)＝1/m，c，在给定训练样本的概率分布Dt(i)下，训练弱分类器ht；计算弱分类器的加权错误率Dt(i)表示第t次迭代中赋予样本的权值，t表示迭代次数；更新公式为更新训练样本集的权值分布，用于下一次迭代其中Zt是归一化因子，d，强分类器预测输出结果。优选的是，所述步骤一中，获得小麦样品在0.2～1.6THz波段的光学与光谱特性后，采用傅里叶变换得到被测样品的频域光谱，并计算获得THz吸收系数和折射率，建立小麦样品的吸收光谱和折射率光谱。优选的是，所述基于多信息融合的小麦品质检测方法包括以下步骤：步骤一，采用太赫兹时域光谱技术THz-TDS，分析霉变、虫蛀、发芽以及正常的小麦样品在0.2～1.6THz波段的光学与光谱特性，并计算获得小麦样品的光谱信息，所述光谱信息包括吸收光谱和折射率光谱；步骤二，采用PCA主成分分析方法对不同品质小麦样品吸收光谱和折射率光谱进行特征提取，将特征值按照大小进行排序；步骤三，选择前8个主成分特征组合为小麦样品吸收光谱特征集，选择前10个主成分特征组合为小麦品质折射率光谱特征集；步骤四，采用RBF核函数进行建模，将折射率系数和吸收系数分别作为RBF核函数构建支持向量机进行训练，完成支持向量机的建模；采用建立的SVM模型对测试集中的样本进行识别，将测试数据输入支持向量机进行鉴别并计算出分类结果的正确率。本专利技术至少包括以下有益效果：本专利技术所述基于多信息融合的小麦品质检测方法，选用小麦品种的吸收光谱和折射率光谱进行分类检测融合模型的构建。分别建立了SVM小麦分类融合模型和AdaBoost融合模型对小麦样品进行识别。首次选用多项光谱指标进行建模，大大提高了小麦样品的识别率，其总体识别率均达到了95％以上。本专利技术小麦品种的吸收光谱本文档来自技高网...

【技术保护点】
一种基于多信息融合的小麦品质检测方法，其特征在于，包括以下步骤：步骤一，采用太赫兹时域光谱技术THz‑TDS，分析霉变、虫蛀、发芽以及正常的小麦样品在0.2～1.6THz波段的光学与光谱特性，并计算获得小麦样品的吸收光谱和折射率光谱；步骤二，采用PCA主成分分析方法对不同品质小麦样品吸收光谱和折射率光谱进行特征提取，将特征值按照大小进行排序；步骤三，选择前8个主成分特征组合为小麦样品吸收光谱特征集，选择前10个主成分特征组合为小麦品质折射率光谱特征集；步骤四，建模，并对建模结果进行验证。

【技术特征摘要】
1.一种基于多信息融合的小麦品质检测方法，其特征在于，包括以下步骤：步骤一，采用太赫兹时域光谱技术THz-TDS，分析霉变、虫蛀、发芽以及正常的小麦样品在0.2～1.6THz波段的光学与光谱特性，并计算获得小麦样品的吸收光谱和折射率光谱；步骤二，采用PCA主成分分析方法对不同品质小麦样品吸收光谱和折射率光谱进行特征提取，将特征值按照大小进行排序；步骤三，选择前8个主成分特征组合为小麦样品吸收光谱特征集，选择前10个主成分特征组合为小麦品质折射率光谱特征集；步骤四，建模，并对建模结果进行验证。2.如权利要求1所述的基于多信息融合的小麦品质检测方法，其特征在于，所述步骤四中的建模为建立基于AdaBoost的小麦分类融合模型，具体步骤如下：1)将所述步骤一计算得到的小麦样品光谱信息随机按照2：1分成训练集和测试集；2)建立4个AdaBoost小麦二分类器：将所述训练集按照1：1的比例随机分为校正集和预测集，利用校正集分别建立正常小麦分类器、发芽小麦分类器、发霉小麦分类器和虫蚀小麦分类器4个AdaBoost二分类器；其中，设置AdaBoost二分类器的迭代次数为100-200次；3)根据4个AdaBoost二分类器的输出结果对小麦样品进行判定分类，若输出结果大于等于0，则将为正样本，反之则为负样本，并且输出结果绝对值越大，信任度就最高。4)结合霉变、虫蛀、发芽以及正常的小麦样品的THz吸收光谱和折射率光谱，建立基于AdaBoost小麦分类决策层融合模型；采用建立的基于AdaBoost小麦分类决策层融合模型对测试集中的样本进行识别，并将测试数据输入AdaBoost二分类器进行鉴别并计算出分类结果的正确率。3.如权利要求1所述的基于多信息融合的小麦品质检测方法，其特征在于，所述步骤四中的建模为建立SVM小麦分类融合模型，具体步骤如下：(1)建立小麦样品的训练样本和测试样本集：将所述步骤一计算得到的小麦样品的吸收光谱和折射率光谱随机按照2：1分成训练集和测试集；(2)选择前8个主成分特征组合为小麦样品吸收光谱特征集，选择前10个主成分特征组合为小麦品质折射率光谱特征集，采用RBF核函数进行建模，将折射率系数和吸收系数分别作为RBF核函数构建支持向量机进行训练，完成支持向量机的建模；(3)采用建立的SVM模型对测试集中的样本进行识别，将测试数据输入支持向量机进行鉴别并计算出分类结果的正确率。4.如权利要求3所述的基于多信息融合的小麦品质检测方法，其特征在于，所述步骤(2)中选用RBF核函数为融合模型的核函数，同时核函数最优参数γ,c的选择通过网格搜索优化算法计算实现。5.如权利要求4所述的基于多信息融合的小麦品质检测方法，其特征在于，所述RBF核函数，表示为：需通过反复试验，分析误差来调节核函数参数C...

【专利技术属性】
技术研发人员：蒋玉英，葛宏义，张元，廉飞宇，李智，管爱红，李鹏鹏，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：河南,41