一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统技术方案

本发明专利技术涉及一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统，包括步骤：获取源域光谱数据与目标域光谱数据，并构建训练数据集；构建Aug

【技术实现步骤摘要】
一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统


[0001]本专利技术涉及光谱分析
，特别是一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统。

技术介绍

[0002]在农产品加工过程中，农产品品质在实时变化，不同工序的工艺参数必须与农产品品质相匹配，这样才能保证最后农产品的质量。光谱技术由于其快速、无损等特点，在农产品品质无损检测中被普遍应用。
[0003]由于仪器的差异、周围环境的影响和样品本身品质的差异，不同批次农产品的光谱数据建立的多元校正模型，在另一批次的样本下预测结果会发生较大的偏差，甚至会出现校正模型完全不适用的情况，很难实现跨域光谱信息的回归建模与预测分析，模型没有泛化性。传统的跨域光谱分析方法能够解决不同仪器间的模型传递，不过还需要不同仪器的标准化样品进行校正；并且传统的跨域光谱分析方法目前没有能够有效解决不同批次和不同环境条件下数据分布差异问题的方法，另外目前已有的光谱回归模型缺少泛化性。

技术实现思路

[0004]有鉴于此，本专利技术的目的是提出一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统，同时提升了模型在源域和目标域数据上的泛化性能，较大幅度提升了模型的预测准确率。
[0005]本专利技术采用以下方案实现：一种基于跨域光谱信息的农产品品质无损检测方法，具体包括以下步骤：
[0006]获取源域光谱数据与目标域光谱数据，并构建训练数据集；
[0007]构建Aug
‑
TrAdaBoost.R2模型，所述Aug
‑
TrAdaBoost.R2模型包括三个子模型，分别为回归预测模型、源域结果校正模型以及目标域结果校正模型；
[0008]训练所述Aug
‑
TrAdaBoost.R2模型，并利用训练好的模型对源域光谱数据与目标域光谱数据进行预测。
[0009]进一步地，还包括步骤：对所述源域光谱数据与目标域光谱数据进行预处理。
[0010]进一步地，所述预处理包括平滑处理、多元散射校正处理、标准正态变量处理、去趋势处理、标准化处理、基线偏移处理、二阶或一阶求导处理中的任意一种或多种的组合。
[0011]进一步地，所述训练所述Aug
‑
TrAdaBoost.R2模型具体包括以下步骤：
[0012]首先对回归预测模型基于全部训练数据进行训练建模；
[0013]将训练数据集中的源域光谱数据X
source_train
输入回归预测模型，得到对应的源域光谱数据的品质参数预测值Y
’
source_train
，将Y
’
source_train
作为自变量，将X
source_train
对应的真值标签Y
source_train
作为因变量，带入源域结果校正模型进行训练建模；
[0014]将训练数据集中的目标域光谱数据X
target_train
输入回归预测模型，得到对应的目
标域光谱数据的品质参数预测值Y
’
target_train
，将Y
’
target_train
作为自变量，将X
target_train
对应的真值标签Y
target_train
作为因变量，带入目标域结果校正模型进行训练建模。
[0015]进一步地，所述利用训练好的模型对源域光谱数据与目标域光谱数据进行预测具体为：
[0016]若输入的数据为源域光谱数据，则将源域光谱数据X
source_test
输入回归预测模型，得到的对应X
source_test
的结果Y
’
source_test
，将Y
’
source_test
输入源域结果校正模型，最终得到预测值输出Y
source_test_predicted
；
[0017]若样本为目标域数据，则将光谱数据X
target_test
输入回归预测模型，得到对应X
target_test
的结果Y
’
target_test
，将Y
’
target_test
输入目标域结果校正模型，最终得到预测值输出Y
target_test_predicted
。
[0018]进一步地，所述回归预测模型采用两阶段的TrAdaBoost.R2。
[0019]进一步地，所述源域结果校正模型为线性回归、岭回归、拉索回归、偏最小二乘回归、决策树回归、K近邻回归、神经网络中的任意一种。
[0020]进一步地，所述目标域结果校正模型为线性回归、岭回归、拉索回归、偏最小二乘回归、决策树回归、K近邻回归、神经网络中的任意一种。
[0021]进一步地，所述光谱数据为近红外光谱、中红外光谱、拉曼光谱、及紫外
‑
可见光谱中的任意一种。
[0022]本专利技术还提供了一种基于跨域光谱信息的农产品品质无损检测可泛化系统，包括存储器、处理器以及存储在存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，实现如上文所述的方法步骤。
[0023]与现有技术相比，本专利技术有以下有益效果：本专利技术通过将结果校正的思想与模型集成的方法相结合，来创新传统的迁移学习模型，原创地提出了基于跨域光谱信息的农产品品质无损检测可泛化模型Aug
‑
TrAdaBoost.R2；该模型在光谱建模领域有很强的适应性，并且在农产品光谱分析领域，将跨域光谱建模的前提从跨设备(DS算法等)拓展到了跨检测环境、跨农产品批次、跨农产品品种与跨农产品类别，实现了不同数据分布的农产品光谱数据之间的跨域联合建模，在源域和目标域都达到较高的预测准确率。
附图说明
[0024]图1为本专利技术实施例的Aug
‑
TrAdaBoost.R2模型训练建模示意图。
[0025]图2为本专利技术实施例的Aug
‑
TrAdaBoost.R2模型预测推理示意图。
[0026]图3为本专利技术实施例的Aug
‑
TrAdaBoost.R2与传统跨域分析方法S/B算法(模型传递方法的一种)通过绿茶数据集建模预测红茶数据集的预测值与实测值比较。
具体实施方式
[0027]下面结合附图及实施例对本专利技术做进一步说明。
[0028]应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。
[0029]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根
据本申请的示例性实施方式。如在这里所使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于跨域光谱信息的农产品品质无损检测方法，其特征在于，包括以下步骤：获取源域光谱数据与目标域光谱数据，并构建训练数据集；构建Aug
‑
TrAdaBoost.R2模型，所述Aug
‑
TrAdaBoost.R2模型包括三个子模型，分别为回归预测模型、源域结果校正模型以及目标域结果校正模型；训练所述Aug
‑
TrAdaBoost.R2模型，并利用训练好的模型对源域光谱数据与目标域光谱数据进行预测。2.根据权利要求1所述的一种基于跨域光谱信息的农产品品质无损检测方法，其特征在于，还包括步骤：对所述源域光谱数据与目标域光谱数据进行预处理。3.根据权利要求2所述的一种基于跨域光谱信息的农产品品质无损检测方法，其特征在于，所述预处理包括平滑处理、多元散射校正处理、标准正态变量处理、去趋势处理、标准化处理、基线偏移处理、二阶或一阶求导处理中的任意一种或多种的组合。4.根据权利要求1所述的一种基于跨域光谱信息的农产品品质无损检测方法，其特征在于，所述训练所述Aug
‑
TrAdaBoost.R2模型具体包括以下步骤：首先对回归预测模型基于全部训练数据进行训练建模；将训练数据集中的源域光谱数据X
source_train
输入回归预测模型，得到对应的源域光谱数据的品质参数预测值Y
’
source_train
，将Y
’
source_train
作为自变量，将X
source_train
对应的真值标签Y
source_train
作为因变量，带入源域结果校正模型进行训练建模；将训练数据集中的目标域光谱数据X
target_train
输入回归预测模型，得到对应的目标域光谱数据的品质参数预测值Y
’
target_train
，将Y
’
target_train
作为自变量，将X
target_train
对应的真值标签Y
target_train
作为因变量，带入目标域结果校正模型进行训练建模。5.根据权利要求1所述的一种基于跨域光谱信息的农...

【专利技术属性】
技术研发人员：李晓丽，李则熹，何勇，苏鸿，
申请(专利权)人：浙江大学，
类型：发明
国别省市：