一种基于近红外光谱的苹果分类方法技术

本发明专利技术是一种基于近红外光谱的苹果分类方法，其包括以下步骤：第一步，苹果近红外光谱的采集；第二步，用主成分分析方法对苹果的近红外光谱数据进行降维处理；第三步，记录苹果种类的标签值；第四步，利用处理后的近红外光谱数据、苹果种类的标签值结合支持向量机算法建立苹果品种分类模型，进而实现对苹果品种的分类和识别。本发明专利技术解决了苹果分类工作中消耗人力资源、时间较多的问题，并能够有效解决高质量苹果市场中以次充好的问题。本发明专利技术具有检测速度快，分类准确率高，分类效率高，无损检测等优点，可实现不同品种苹果的有效分类，给出测试苹果所属的类别。

【技术实现步骤摘要】
一种基于近红外光谱的苹果分类方法
：本专利技术涉及水果的近红外无损检测
，具体涉及一种基于近红外光谱技术的苹果分类方法。
技术介绍
：苹果是世界四大水果之一，也是中国第一大水果，我国苹果的总产量、栽培面积、人均占有量与出口量均居世界第一，已成为世界上最大的苹果生产和消费国，在果品的生成、消费和对外贸易中占有举足轻重的地位。苹果的采后处理、品质判断以及检测一直是农产品加工研究的重要课题。随着生活水平的日益提升，消费者对优秀品种的苹果需求越来越大，但市场上以次充好的现象屡禁不止，苹果品种的鉴别变得越来越重要。所以，研究一种快速、非破坏的苹果品种鉴别方法是非常必要的。近红外光谱区是指波长在780-2526nm范围内的电磁波，是分子振动光谱倍频和合频吸收谱。近红外光谱主要是由于分子振动的非谐振性使得分子振动从基态向高能级跃迁时产生的，记录的主要是含氢基团振动的倍频和合频吸收。不同基团(如甲基、苯环等)或统一基团在不同化学环境中的近红外吸收波长与强度都有明显差别，近红外光谱具有丰富的结构和组成信息，非常适合用于碳氢有机物质的组成与性质的测量。支持向量机是一种有监督的机器学习算法(VapnikVN,VapnikV.Statisticallearningtheory[M].NewYork:Wiley,1998.)，可用于模式分类和非线性回归。支持向量机的主要思想是建立一个分类超平面作为决策曲面，使得正例和反例之间的隔离边缘被最大化；支持向量机的理论基础是统计学习理论，更精确地说，支持向量机是结构风险最小化的近似实现。目前，大多数水果内部品质的质量检测仍然沿用化学分析方法。化学分析方法具有较高的准确度与可靠性，但是，该类方法属于破坏性检测，消耗大量的人力且检测时间较长。
技术实现思路
：为了解决上述存在的问题，本专利技术提供了一种基于近红外光谱的苹果分类方法。该方法利用USB2000+VIS-NIR-ES微型光谱仪和OceanView光谱采集软件，在340-1022nm特征波段范围内，采用漫反射的模式，随机选取每个苹果样品的环赤道面上的15个点进行光谱采集，对每一个样本的15个采集点采集到的光谱数据求平均值，用主成分分析方法对平均之后的光谱数据进行降维处理。对于相同种类的苹果标记同一标签值，对于不同种类的苹果标记不同的标签值。利用处理后的光谱数据、苹果种类标签值以及支持向量机学习算法建立苹果品种的分类模型。本专利技术属于有监督学习方法，需要一定的学习样本，能够快速、无损地分类苹果。本专利技术依据的原理：研究表明，苹果的近红外漫反射光谱中包含了苹果内部的物理化学性质的信息，例如：酸度、可溶性固形物等。品种不同的苹果所对应的近红外漫反射光谱也不同。利用一些样本信息以及支持向量机算法建立的模型能够有效实现不同苹果品种的分类。根据上述原理，采用的技术方案包括一下步骤：步骤1、物料准备：准备一批由不同种类的苹果组成的待测样品，需要保证样品中同一种类的苹果大小尺寸近似，并且确保苹果样品表面没有明显腐烂或霉变的现象发生。随机从每一个品种的苹果样本中挑选少量样品作为测试集，其余的苹果样品作为训练集。步骤2、在室温环境(23-25℃)下，苹果样本近红外光谱的采集：针对不同品种的苹果样本，利用近红外光谱仪对苹果样品进行测量，通过OceanView软件获得苹果样本的近红外漫反射光谱数据。步骤3、对苹果样本近红外光谱数据进行预处理：将得到的光谱文本数据统一整理输入MatlabR2014b软件，为了减少误差，需要随机测量苹果环赤道面上15个点的光谱数据，并对15组光谱数据求平均值，然后利用主成分分析方法(PCA)对平均光谱数据进行降维处理，并保存这些数据。步骤4、获取不同种类苹果的标签值：对不同种类的苹果样品标记不同的标签值，对同一种类的苹果样品标记相同的标签值，记录所有苹果样品的标签值。步骤5、分类模型的建立：利用经过预处理的训练集苹果样品的近红外光谱数据，训练集苹果样品的标签值以及支持向量机算法，建立苹果品种分类模型，利用该模型可以对不同品种的苹果进行分类。所述步骤2中近红外漫反射光谱信息是指光谱范围为340-1022nm，采集到的每个苹果样本的光谱是2047维的数据。所述步骤3中用主成分分析方法进行降维时，在满足主成份的累计可信度≥95％的条件下选取主成分个数。本专利技术具有如下优点：利用近红外光谱技术实现了对于不同种类苹果的快速无损分类，通过测试集对苹果分类模型进行检验，分类准确率达到了96.67％。该试验平台操作方法简答、易于控制、检测精度高。本专利技术可用于苹果的在线分类检测。附图说明：通过参考附图能够更加清楚地了解本专利技术的特征，附图是示意性的而不应理解为对本专利技术进行任何限制，在附图中：图1是本专利技术的流程图；图2是苹果样本的近红外光谱图；具体实施方式：下面对本专利技术技术方案进行详细说明，但是本专利技术的保护范围不局限于所述实施例。所述方法如无特别说明均为常规方法。所述原料如无特别说明均能从公开商业途径获得。下述实施例每步骤的数据处理均通过美国MathWorks公司出售的科学计算软件MATLABR2014b编程处理，光谱数据的获取通过美国海洋光学公司出售的软件OceanView获取并转换出.txt格式的光谱数据。本专利技术适用于不同种类苹果的品种分类，实施流程如图1所示，具体实施如下：步骤一、物料准备：在当地市场购买富士、嘎啦、澳洲青苹以及国光等4个不同种类的苹果共213个，其中富士苹果57个，嘎啦苹果30个，国光苹果35个，澳洲青苹89个，购买时需要确保同一个种类中的样品大小尺寸接近，并且所有苹果样品的表面无明显的腐烂或霉变的现象发生。随机挑选嘎啦苹果5个，国光苹果5个，富士苹果10个，澳洲青苹10个共30个苹果作为测试集，其余苹果样本作为训练集。步骤二、苹果样本近红外光谱的采集：在恒温恒湿的环境下，将近红外光谱检测设备连接，接通电源，将光源预热30分钟，待光源温度稳定后，采用漫反射模式采集所有苹果样品的近红外光谱，光谱范围为340-1022nm，采集到的每个样品的光谱是2047维的数据。对于每一个苹果样品，为减少误差，随机选择苹果环赤道面上的15个点进行扫描，获取这15个点的光谱数据后，取其平均值作为最终的实验数据，如表1。表1、经过求平均值处理后的苹果样品近红外光谱数据表步骤三、苹果样本近红外光谱数据的降维处理：采用主成分分析法将苹果样本的近红外光谱数据从2047维降到容易处理的低维数据。通过计算可知，近红外光谱数据经过处理后，前i个主成分的累计可信度如表2所示(累计可信度＝前i个主成分特征值除以总的特征值之和)。若取前2个主成分，则累计可信度可达％；若取前个主成分，则累计可信度可达100％。表2、主成分累计可信度步骤四、获取苹果样品的种类标签值：人工标记苹果样品的种类标签值，对于不同种类的苹果样品标记不同的标签值，对于同一种类的苹果样品标记相同的标签值，并且记录所有苹果样品的标签值。步骤五、苹果分类模型的建立：利用经过预处理的训练集苹果样品近红外光谱数据以及训练集苹果样品的标签数据作为实验数据，结合支持向量机算法，建立苹果分类模型。在本例中，支持向量机中的核函数使用径向基核函数，其余参数均使用默认值。对待测样本的近红外光谱数据预处理办法务必与本文档来自技高网...

【技术保护点】
一种基于近红外光谱的苹果分类方法，其特征在于：需要保证样品中同一种类的苹果大小尺寸近似，并且确保苹果样品表面没有明显腐烂或霉变的现象发生。

【技术特征摘要】
1.一种基于近红外光谱的苹果分类方法，其特征在于：需要保证样品中同一种类的苹果大小尺寸近似，并且确保苹果样品表面没有明显腐烂或霉变的现象发生。2.如权利要求1所述的一种基于近红外光谱的苹果分类方法，其特征在于：在恒温恒湿的环境下，采用漫反射模式采集所有苹果样品的近红外光谱，光谱范围为340-1022nm，对于每一个苹果样品，为减少误差，随机选择苹果样品环赤道面上的15个点进行扫描，获取这15个点的光谱数据后，取其平均值作为最终的实验数据。3.如权利要求2所述的一种基于近红外光谱的苹果分类方法，其特征在于：将得到的光谱数据统一整理输入MATLABR2014b软件，采用主成分分析方法对苹果样品近红外漫反射光谱信息进行降维处理，在满足主成分累计可信度≥...

【专利技术属性】
技术研发人员：邬渊，李玲玲，黄炳清，杨裔，李廉，
申请(专利权)人：兰州大学，
类型：发明
国别省市：甘肃,62