基于浓度残差信息的近红外光谱检测水果品质的方法及系统技术方案

本发明专利技术实施例公开了一种基于浓度残差的近红外光谱检测水果品质方法，首先是将浓度数据已知及未知的水果样本分别为训练样本和预测样本后形成各自对应的光谱矩阵；其次确定迭代次数和浓度矩阵，通过最小二乘法回归算法求出由训练样本光谱矩阵和浓度矩阵共同表示的回归系数后，反向推导出在训练样本光谱矩阵和回归系数下的回归浓度矩阵，进而求出最小二乘法回归的浓度残差矩阵，并以浓度残差矩阵代入浓度矩阵的方式不断迭代运算直至结束，求出最后的回归系数；最后根据预测样本光谱矩阵和最后的回归系数，求出预测样本品质浓度矩阵并取第一列数据为最终结果。本发明专利技术实施例，避免红外光谱数据需要平滑、变量选择的过程，达到快速识别水果品质的目的。

Method and system for detecting fruit quality by near infrared spectrum based on concentration residual information

The embodiment of the invention discloses a near infrared spectral concentration of residual detection method based on fruit quality, the first is the concentration data of known and unknown fruit samples were spectral matrix training samples and prediction samples after the formation of the corresponding; secondly to determine the number of iterations and the concentration matrix, through regression algorithm of least squares method to calculate the regression coefficient the training samples represented by the spectral matrix and concentration matrix, regression concentration matrix inverse derivation in the training sample and the regression coefficients of the spectral matrix, then calculate the concentration of the least squares regression residual difference matrix, and the concentration of residual matrix into the concentration matrix by way of iterative operation until the end of time, calculate the final regression coefficient according to the prediction of the sample spectrum; and finally the regression coefficient matrix, calculated the predicted sample concentration matrix and quality first Column data is the final result. The embodiment of the invention avoids the need of smoothing and variable selection of the infrared spectrum data so as to achieve the purpose of quickly identifying the fruit quality.

【技术实现步骤摘要】
基于浓度残差信息的近红外光谱检测水果品质的方法及系统
本专利技术涉及红外光谱数据分析
和水果检测
，尤其涉及一种基于浓度残差信息的近红外光谱检测水果品质的方法及系统。
技术介绍
红外光谱检测具有快速、安全、低成本、无损的特点，用红外光谱来对物质进行快速检测是一种行之有效的办法。然而，现有采用红外光谱数据的常用模式来识别水果品质的方法或多或少都存在一些缺陷，如偏最小二乘法回归算法(PLS)方法，需要涉及复杂的不直观的空间投影，又如主成份分析法(PCA)，需要确定主成份数或者隐函数因子的大小，对参数的选择有更高的要求。因此，亟需一种基于浓度残差信息的近红外光谱检测水果品质的方法，避免红外光谱数据需要平滑、变量选择的过程，达到快速识别水果品质的目的。
技术实现思路
本专利技术实施例的目的在于提供一种基于浓度残差信息的近红外光谱检测水果品质的方法及系统，避免红外光谱数据需要平滑、变量选择的过程，达到快速识别水果品质的目的。为了解决上述技术问题，本专利技术实施例提供了一种基于浓度残差信息的近红外光谱检测水果品质的方法，所述方法包括：S1、提取已知浓度数据的水果样本为训练样本以及未知浓度数据的水果样本为预测样本，并确定所述训练样本和所述预测样本各自对应的红外光谱数据，且进一步得到由所述训练样本的红外光谱数据形成的训练样本光谱矩阵以及由所述预测样本的红外光谱数据形成的预测样本光谱矩阵；其中，所述训练样本光谱矩阵的行数为训练样本数量、列数为红外光谱数据的固定光谱维度；所述预测样本光谱矩阵的行数为预测样本数量、列数为红外光谱数据的固定光谱维度；S2、设置迭代次数，以及得到由所述训练样本的已知浓度数据形成的行数为训练样本数量、列数为1的浓度矩阵；S3、获取当前迭代次数和当前浓度矩阵；S4、将所述训练样本光谱矩阵与所述当前浓度矩阵构建线性关系并利用最小二乘法回归算法进行求解，得到求解后的当前回归系数，且进一步根据所述求解后的当前回归系数以及所述训练样本光谱矩阵，利用最小二乘法回归算法反向求解出当前回归浓度矩阵；S5、根据所述求解出的当前回归浓度矩阵和所述当前浓度矩阵，得到当前浓度残差矩阵，并将所述得到的当前浓度残差矩阵与所述当前浓度矩阵组合成新浓度矩阵，且将所述当前迭代次数减一；其中，所述当前浓度残差矩阵的行数固定为训练样本数量、列数固定为1；S6、待判定所述当前迭代次数减一后不为0时，返回所述步骤S3继续迭代运算；S7、待判定所述当前迭代次数减一后为0时，结束迭代运算，输出最后求解的回归系数；S8、根据所述预测样本光谱矩阵和所述最后求解的回归系数，利用最小二乘法回归算法进行反向求解，得到预测样本浓度矩阵，并提取所述预测样本浓度矩阵的第一列数据作为预测样本的浓度数据。其中，所述步骤S4具体包括：将所述训练样本光谱矩阵与所述当前浓度矩阵构建线性关系，根据公式得到求解后的当前回归系数其中，A表示所述训练样本光谱矩阵；C表示所述当前浓度矩阵；C+表示所述当前浓度矩阵的伪逆矩阵；将所述求解后的当前回归系数以及所述训练样本光谱矩阵A导入公式中，得到当前回归浓度矩阵其中，所述步骤S5中的“当前浓度残差矩阵”由来实现。其中，所述步骤S5中的“新浓度矩阵”是通过在所述当前浓度矩阵的基础上增加一列来实现，且其所增加的一列数据为对应当前所得浓度残差矩阵的数据。其中，所述步骤S8具体包括：将所述预测样本光谱矩阵和所述最后求解的回归系数导入公式中，得到预测样本浓度矩阵并提取所述预测样本浓度矩阵的第一列数据作为预测样本的浓度数据；其中，At表示所述预测样本光谱矩阵；表示所述最后求解的回归系数。其中，所述浓度数据为水果的甜度值或酸度值。本专利技术实施例还提供了一种基于浓度残差信息的近红外光谱检测水果品质的系统，所述系统包括：第一设置单元，用于提取已知浓度数据的水果样本为训练样本以及未知浓度数据的水果样本为预测样本，并确定所述训练样本和所述预测样本各自对应的红外光谱数据，且进一步得到由所述训练样本的红外光谱数据形成的训练样本光谱矩阵以及由所述预测样本的红外光谱数据形成的预测样本光谱矩阵；其中，所述训练样本光谱矩阵的行数为训练样本数量、列数为红外光谱数据的固定光谱维度；所述预测样本光谱矩阵的行数为预测样本数量、列数为红外光谱数据的固定光谱维度；第二设置单元，用于设置迭代次数，以及得到由所述训练样本的已知浓度数据形成的行数为训练样本数量、列数为1的浓度矩阵；获取单元，用于获取当前迭代次数和当前浓度矩阵；第一计算单元，用于将所述训练样本光谱矩阵与所述当前浓度矩阵构建线性关系并利用最小二乘法回归算法进行求解，得到求解后的当前回归系数，且进一步根据所述求解后的当前回归系数以及所述训练样本光谱矩阵，利用最小二乘法回归算法反向求解出当前回归浓度矩阵；第二计算单元，用于根据所述求解出的当前回归浓度矩阵和所述当前浓度矩阵，得到当前浓度残差矩阵，并将所述得到的当前浓度残差矩阵与所述当前浓度矩阵组合成新浓度矩阵，且将所述当前迭代次数减一；其中，所述当前浓度残差矩阵的行数固定为训练样本数量、列数固定为1；第一判定单元，用于待判定所述当前迭代次数减一后不为0时，返回所述获取单元；第二判定单元，用于待判定所述当前迭代次数减一后为0时，结束迭代运算，输出最后求解的回归系数；预测结果输出单元，用于根据所述预测样本光谱矩阵和所述最后求解的回归系数，利用最小二乘法回归算法进行反向求解，得到预测样本浓度矩阵，并提取所述预测样本浓度矩阵的第一列数据作为预测样本的浓度数据。其中，所述第二计算单元包括：回归系数计算模块，用于将所述训练样本光谱矩阵与所述当前浓度矩阵构建线性关系，根据公式得到求解后的当前回归系数其中，A表示所述训练样本光谱矩阵；C表示所述当前浓度矩阵；C+表示所述当前浓度矩阵的伪逆矩阵；回归浓度矩阵计算模块，用于将所述求解后的当前回归系数以及所述训练样本光谱矩阵A导入公式中，得到当前回归浓度矩阵其中，所述当前浓度残差矩阵由来实现。其中，所述新浓度矩阵是通过在所述当前浓度矩阵的基础上增加一列来实现，且其所增加的一列数据为对应当前所得浓度残差矩阵的数据。实施本专利技术实施例，具有如下有益效果：本专利技术实施例基于简单的最小二乘法框架，以通过不断地迭代优化浓度数据的方式来确定水果的未知浓度数据，能达到快速识别水果品质的目的，该方法不仅避免了光谱数据需要平滑、变量选择的过程，迭代残差矩阵的过程同时也是个收敛的过程，避免了类似参数选择不佳，致使模型过拟合的情况。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本专利技术的范畴。图1为本专利技术实施例提供的基于浓度残差信息的近红外光谱检测水果品质的方法的流程图；图2本专利技术实施例提供的基于浓度残差信息的近红外光谱检测水果品质的系统的结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，本专利技术实施本文档来自技高网...

【技术保护点】
一种基于浓度残差信息的近红外光谱检测水果品质的方法，其特征在于，所述方法包括：S1、提取已知浓度数据的水果样本为训练样本以及未知浓度数据的水果样本为预测样本，并确定所述训练样本和所述预测样本各自对应的红外光谱数据，且进一步得到由所述训练样本的红外光谱数据形成的训练样本光谱矩阵以及由所述预测样本的红外光谱数据形成的预测样本光谱矩阵；其中，所述训练样本光谱矩阵的行数为训练样本数量、列数为红外光谱数据的固定光谱维度；所述预测样本光谱矩阵的行数为预测样本数量、列数为红外光谱数据的固定光谱维度；S2、设置迭代次数，以及得到由所述训练样本的已知浓度数据形成的行数为训练样本数量、列数为1的浓度矩阵；S3、获取当前迭代次数和当前浓度矩阵；S4、将所述训练样本光谱矩阵与所述当前浓度矩阵构建线性关系并利用最小二乘法回归算法进行求解，得到当前求解后的回归系数，且进一步根据所述求解后的当前回归系数以及所述训练样本光谱矩阵，利用最小二乘法回归算法反向求解出当前回归浓度矩阵；S5、根据所述求解出的当前回归浓度矩阵和所述当前浓度矩阵，得到当前浓度残差矩阵，并将所述得到的当前浓度残差矩阵与所述当前浓度矩阵组合成新浓度矩阵，且将所述当前迭代次数减一；其中，所述当前浓度残差矩阵的行数固定为训练样本数量、列数固定为1；S6、待判定所述当前迭代次数减一后不为0时，返回所述步骤S3继续迭代运算；S7、待判定所述当前迭代次数减一后为0时，结束迭代运算，输出最后求解的回归系数；S8、根据所述预测样本光谱矩阵和所述最后求解的回归系数，利用最小二乘法回归算法进行反向求解，得到预测样本浓度矩阵，并提取所述预测样本浓度矩阵的第一列数据作为预测样本的浓度数据。...

【技术特征摘要】
1.一种基于浓度残差信息的近红外光谱检测水果品质的方法，其特征在于，所述方法包括：S1、提取已知浓度数据的水果样本为训练样本以及未知浓度数据的水果样本为预测样本，并确定所述训练样本和所述预测样本各自对应的红外光谱数据，且进一步得到由所述训练样本的红外光谱数据形成的训练样本光谱矩阵以及由所述预测样本的红外光谱数据形成的预测样本光谱矩阵；其中，所述训练样本光谱矩阵的行数为训练样本数量、列数为红外光谱数据的固定光谱维度；所述预测样本光谱矩阵的行数为预测样本数量、列数为红外光谱数据的固定光谱维度；S2、设置迭代次数，以及得到由所述训练样本的已知浓度数据形成的行数为训练样本数量、列数为1的浓度矩阵；S3、获取当前迭代次数和当前浓度矩阵；S4、将所述训练样本光谱矩阵与所述当前浓度矩阵构建线性关系并利用最小二乘法回归算法进行求解，得到当前求解后的回归系数，且进一步根据所述求解后的当前回归系数以及所述训练样本光谱矩阵，利用最小二乘法回归算法反向求解出当前回归浓度矩阵；S5、根据所述求解出的当前回归浓度矩阵和所述当前浓度矩阵，得到当前浓度残差矩阵，并将所述得到的当前浓度残差矩阵与所述当前浓度矩阵组合成新浓度矩阵，且将所述当前迭代次数减一；其中，所述当前浓度残差矩阵的行数固定为训练样本数量、列数固定为1；S6、待判定所述当前迭代次数减一后不为0时，返回所述步骤S3继续迭代运算；S7、待判定所述当前迭代次数减一后为0时，结束迭代运算，输出最后求解的回归系数；S8、根据所述预测样本光谱矩阵和所述最后求解的回归系数，利用最小二乘法回归算法进行反向求解，得到预测样本浓度矩阵，并提取所述预测样本浓度矩阵的第一列数据作为预测样本的浓度数据。2.如权利要求1所述的方法，其特征在于，所述步骤S4具体包括：将所述训练样本光谱矩阵与所述当前浓度矩阵构建线性关系，根据公式得到求解后的当前回归系数其中，A表示所述训练样本光谱矩阵；C表示所述当前浓度矩阵；C+表示所述当前浓度矩阵的伪逆矩阵；将所述求解后的当前回归系数以及所述训练样本光谱矩阵A导入公式中，得到当前回归浓度矩阵3.如权利要求2所述的方法，其特征在于，所述步骤S5中的“当前浓度残差矩阵”由-C来实现。4.如权利要求3所述的方法，其特征在于，所述步骤S5中的“新浓度矩阵”是通过在所述当前浓度矩阵的基础上增加一列来实现，且其所增加的一列数据为对应当前所得浓度残差矩阵的数据。5.如权利要求1所述的方法，其特征在于，所述步骤S8具体包括：将所述预测样本光谱矩阵和所述最后求解的回归系数导入公式中，得到预测样本浓度矩阵并提取所述预测样本浓度矩阵的第一列数据作为预测样本的浓度数据；其中，At表示所述预...

【专利技术属性】
技术研发人员：陈孝敬，袁雷明，户新语，陈熙，施一剑，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江,33