基于融合特征波长选择算法的苹果酸度近红外无损检测方法技术

本发明专利技术公开了一种基于融合特征波长选择算法的苹果酸度近红外无损检测方法，其步骤包括：1采集苹果样本标记点区域的光谱信息，测量苹果样本标记点区域的酸度数据；2对采集到的光谱进行预处理；3分别利用连续投影算法SPA与竞争自适应重加权采样算法CARS进行特征波长选择，并将二者所选择的特征波长进行融合；4根据融合后的特征波长对应的光谱与酸度数据，在校正集上建立苹果酸度的偏最小二乘PLS预测模型，并在预测集上对模型结果进行评估。本发明专利技术能兼顾选取的波长变量数目与建立的模型准确性，模型简单、检测效率高、实用性强，可为快速无损检测苹果的酸度提供重要手段，降低特定用途便携式近红外仪器的开发成本。

【技术实现步骤摘要】
基于融合特征波长选择算法的苹果酸度近红外无损检测方法
本专利技术实施例涉及苹果品质检测
，具体涉及一种基于融合特征波长选择算法的苹果酸度近红外无损检测方法。
技术介绍
酸度是衡量苹果内部品质的重要指标之一，影响着消费者的购买意愿。传统的苹果酸度测量方法是破坏式的，且费时费力。近红外光谱技术以其快速无损的优势在苹果内部品质检测方面得到了广泛应用，但较少将其运用于对酸度的检测。在对基于近红外光谱的无损检测模型的建立过程中，波长变量选择是重要的一环。通过特定方法筛选特征波长或波长区间，一方面可以简化模型，另一方面由于不相关或非线性变量的剔除，可以得到预测能力强、稳健性好的校正模型。在特征波长选择领域，最常使用的是连续投影算法SPA与竞争自适应重加权采样算法CARS，这两种方法各有优缺点。通过SPA算法选出的波长变量数目较少，但最终建立的模型准确性欠佳；通过CARS算法进行特征波长选择后最终建立的模型准确性较高，然而选出的波长变量数目也很多；若将二者联合使用，组成CARS-SPA算法，波长变量数目可以有效减少，但模型准确性也随之大本文档来自技高网...

【技术保护点】
1.一种基于融合特征波长选择算法的苹果酸度近红外无损检测方法，其特征在于，步骤如下：/n步骤一、采集苹果样本标记点区域的原始近红外反射率光谱；/n步骤二、测量所述苹果样本标记点区域的酸度数据；/n步骤三、对所述原始近红外反射率光谱进行预处理，得到预处理后的光谱；所述预处理包括：选取波长范围、将反射率光谱转换为吸光度光谱、对吸光度光谱进行归一化、平滑、散射校正的处理；/n步骤四、利用连续投影算法与竞争自适应重加权采样算法分别对预处理后的光谱进行特征波长选择，并得到SPA特征波长集合S和CARS特征波长集合C；/n步骤五、将SPA特征波长集合S和CARS特征波长集合C进行特征波长的融合，得到融合后...

【技术特征摘要】
1.一种基于融合特征波长选择算法的苹果酸度近红外无损检测方法，其特征在于，步骤如下：
步骤一、采集苹果样本标记点区域的原始近红外反射率光谱；
步骤二、测量所述苹果样本标记点区域的酸度数据；
步骤三、对所述原始近红外反射率光谱进行预处理，得到预处理后的光谱；所述预处理包括：选取波长范围、将反射率光谱转换为吸光度光谱、对吸光度光谱进行归一化、平滑、散射校正的处理；
步骤四、利用连续投影算法与竞争自适应重加权采样算法分别对预处理后的光谱进行特征波长选择，并得到SPA特征波长集合S和CARS特征波长集合C；
步骤五、将SPA特征波长集合S和CARS特征波长集合C进行特征波长的融合，得到融合后的特征波长；
步骤六、以所述融合后的特征波长所对应的预处理后的光谱作为模型的输入，以所述酸度数据作为模型的输出，建立苹果酸度预测模型，从而用于苹果酸度的无损检测。


2.根据权利要求1所述的苹果酸度近红外无损检测方法，其特征在于：所述步骤五是按如下过程进行：
(1)令建模波长集合A＝S，令剩余波长集合B＝C–S，即集合C与集合S的差集；定义数组r，定义变量i，定义阈值ΔR；
(2)用...

【专利技术属性】
技术研发人员：崔超远，严曙，胡晓波，张云琪，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：安徽;34