基于多光谱散射图像的苹果硬度预测方法技术

本发明专利技术属于农产品无损检测的一种基于多光谱散射图像的苹果硬度预测模型更新方法。采用不同的回归方法更新现有模型以用于预测新一组样本。即开发了一种通过增加新样本来更新现有预测模型的回归最小二乘方法；并提出一种能够获得较好的水果硬度预测结果的样本增加方法，使更新后的模型可以有效的预测水果的硬度。最后用同一时间采集但具有不同收后储存时间的两组不同的苹果样本集来测试该模型对苹果的硬度预测效果，所需新样本数少得多。进一步，本研究对更新预测模型的四种样本悬着方式进行了比较，研究结果表明本文的模型更新方法连同多光谱散射技术可以用来对来自不同收获季节和不同地方的苹果的硬度进行实时预测。

【技术实现步骤摘要】

本专利技术属于农产品无损检测领域，特别涉及一种基于多光谱散射图像的苹果硬度预测方法。
技术介绍
硬度是苹果内部属性的一项重要指标，该指标会随着诸如气候状况、文化差异、收获时间或成熟度，以及收后处理方法和实际储藏方式等的不同具有很大的差异。标准的仪器式硬度测量方法在测试过程中会损坏水果样本，因此，不能采用该方法对水果分选和分级。新的无损检测技术的研究能够克服传统方法的缺点，有较大的应用价值。在水果硬度无损检测技术方面已有了大量的研究。多光谱散射图像技术是非破坏性水果硬度测量技术之一。研究表明在水果硬度检测方面，多光谱散射技术是有用的，并优于近红外光谱分析技术。
技术实现思路
本专利技术的目的是提出一种基于多光谱散射图像的苹果硬度预测方法。其特征在于，采用不同的回归方法用于预测一组样本。即开发了一种通过增加新样本来更新现有的最小二乘法预测模型；并提出一种能够获得较好的水果硬度预测结果的样本增加方法，使新模型可以有效的预测水果硬度。最后用同一时间采集但具有不同收后储存时间的两组不同的苹果样本集来测试该模型对苹果的硬度预测效果，并与采用以往预测方法的水果硬度预测结果进行比较。具体步骤如下(1)苹果样本材料的选取试验开始前，需要选取合适苹果样本，并将其放置在室温下至少15小时，试验时将苹果样本分成两组：组I和组II。(2)数据采集与处理数据采集是使用袖珍型、装有液晶可调谐滤波器(LCTF)的多光谱图像系统分别-->采集组I和组II的苹果样本获得其光谱散射图像，获得每个苹果样本在8个波长(650，680，700，740，820，880，910，和990nm)下的8幅散射图像。数据处理，使用修正的洛伦兹分布函数(MLD)来计算每一个散射图像的轮廓参数R=a1+a21+(|z|a3)a4---(1)]]>上式中，R是以CCD灰度数表示的光密度；z是散射距离；a1为光密度不对称值，a2为散射轮廓峰值；a3为半最大峰值对应的满散射宽度(FWHM)；a4为FWHM周围的散射斜坡。采集完光谱散射图像后，使用标准的MT硬度测试仪测量每个水果的硬度值，在与采集图像相同的环绕每个水果赤道的区域，以2mm/s的落下速度将直径为11mm的探针刺入去皮水果9.0mm测量其硬度值。(3)回归预测模型的步骤水果硬度回归预测模型共包含以下5步：1)按组I和组II分为两个独立的样本集，样本按硬度值大小降序排列。每四个苹果中的前三个用于校准，第四个用于验证。该过程最终使从组I和组II分别提取出两个验证集和两个校准集。2)在不同的波长下对每一个样本采用非线性回归分析拟合图像散射轮廓，从而确定方程一中它们的MLD参数。从每个样本可获得一套共32个MLD参数(4参数*8波长)。进一步，将水果样本的MLD参数除以与Teflon参考标准对应的参数，以校正从苹果样本获取散射图像的试验过程中光源波动带来的影响。3)采用多元线性回归(MLR)计算组I校准集和组II校准集中样本MT硬度和MLD硬度两者间的r值和校准标准差(SEC)，采用MLR方法分别建立起组I和组II的8波长预测模型，接着分别用它们各自的验证集对其进行验证。验证结果用作与后-->续所述新的模型更新方法所获模型的验证结果进行比较。组I的水果硬度预测模型可用方程2来表示：F=c0+c1a1+c2a2+···+cnan=Σj=0ncjaj---(2)]]>其中，F为以N表示的MT预测硬度；aj(j＝1，2，...n；n＝32)为MLD参数；下标j表示每一个参数；cj为每个波长下与4个MLD参数中的每个参数相联系的回归系数；c0为以N为单位的截距。4)用从组II校准集选取的样本校正由组I校准集所建预测模型，接着用组II验证集验证该更新模型，更新算法由下列过程导出。加入新样本后预测模型(方程1)的回归系数c将变为cj+Δcj，可表示为：F+ΔF=(c0+Δc0)+(c1+Δc1)a1+(c2+Δc2)a2+···+(cnΔcn)an=Σj=0ncjaj+Σj=0nΔcjaj---(3)]]>其中ΔF为预测硬度的校正值，假定新样本的MLD参数和MT硬度为：a11a12···a1nf1a21a22···a2nf2············am1am2···amnfm---(4)]]>其中fi为新加入样本的MT硬度；(i 1，2，...m)代表每个样本；m为新加入样本的数量。更新的模型必须确保新加入样本的预测值Fi+ΔFi)和参考fi之间的最小差异，即利用方程(5)的最小二乘求取更新预测模型的Δcj值。Σi=1m(Fi+ΔFi-fi)2---(5)]]>根据最小二乘方法，通过求取对Δcj的一阶微分可导出下面的方程：-->a11a12...a1nf1a21a22...a2nf2............am1am2...amnfmΔc0Δc1...Δcn=t0t1...tn---(6)]]>Skj=Σi=1maijaik,tk=Σi=1m(fi-Fi)aik,ai0=1,k=0,1,···,n]]>加入新样本后回归系数cj的校正值Δcj可由方程6导出。将Δcj入方程3可导出更新预测模型。5)从组II校准集选择样本有以下四种方法：a)随机选择，b)仅从‘软’水果组选取；c)仅从‘硬’水果组选取；d)同时从‘软’水果组和‘硬’水果组选取.组II中所有的样本均根据MT硬度值按降序排列。‘软’水果样本从1开始按向前顺序选取；‘硬’水果样本从最后一个样本按向后顺序选取；将按以上四种选择方法选取的样本分别加入到由组I校准集所得预测模型，以更新该预测模型。最后，用组II验证集验证所更新模型。本专利技术的有益效果是采用不同的回归方法更新现有模型以用于预测新一组样本。即开发了一种通过增加新样本来更新现有预测模型的回归最小二乘方法；并提出一种能够获得较好的水果硬度预测结果的样本增加方法，使更新后的模型可以有效的预测水果的硬度。最后用同一时间采集但具有不同收后储存时间的两组不同的苹果样本集来测试该模型对苹果的硬度预测效果，并与采用以往预测方法的水果硬度预测结果进行比较，本文的模型更新方法连同多光谱散射技术可以用来对来自不同收获季节和不同地方的苹果的硬度进行实时预测。附图说明图1为苹果原始径向散射图像轮廓图，图1(a)为一个有代表性的苹果原始散射图像。图1(b)为本文档来自技高网...

【技术保护点】
一种基于多光谱散射图像的苹果硬度预测模型新方法，其特征在于，采用不同的回归方法更新现有模型以用于预测新一组样本，即开发了一种通过增加新样本来更新现有预测模型的回归最小二乘方法；并提出一种能够获得较好的水果硬度预测结果的样本增加方法，使更新后的模型可以有效的预测水果的硬度，最后用同一时间采集但具有不同收后储存时间的两组不同的苹果样本集来测试该模型对苹果的硬度预测效果，并与采用以往预测方法的水果硬度预测结果进行比较。

【技术特征摘要】
1.一种基于多光谱散射图像的苹果硬度预测模型新方法，其特征在于，采用不同的回归方法更新现有模型以用于预测新一组样本，即开发了一种通过增加新样本来更新现有预测模型的回归最小二乘方法；并提出一种能够获得较好的水果硬度预测结果的样本增加方法，使更新后的模型可以有效的预测水果的硬度，最后用同一时间采集但具有不同收后储存时间的两组不同的苹果样本集来测试该模型对苹果的硬度预测效果，并与采用以往预测方法的水果硬度预测结果进行比较。2.根据权利要求1所述基于多光谱散射图像的苹果硬度预测模型更新方法，其特征在于，所述苹果硬度预测模型更新方法具体步骤如下：(1)苹果样本材料的选取试验开始前，需要选取合适苹果样本，并将其放置在室温下至少15小时，试验时选取了两组苹果样本；(2)数据采集与处理数据采集是使用袖珍型、装有液晶可调谐滤波器(LCTF)的多光谱图像系统分别采集组I和组II的苹果样本获得其光谱散射图像，获得每个苹果样本在8个波长下的8幅散射图像；数据处理，使用修正的洛伦兹分布函数(MLD)来计算每一个散射图像的轮廓参数R=a1+a21+(|z|a3)a4---(1)]]>上式中，R是以CCD灰度数表示的光密度；z是散射距离；a1为光密度不对称值，a2为散射轮廓峰值；a3为半最大峰值对应的满散射宽度(FWHM)；a4为FWHM周围的散射斜坡；采集完光谱散射图像后，使用标准的MT硬度测试仪测量每个水果的硬度值，在与采集图像相同的环绕每个水果赤道的区域，以2mm/s的落下速度将直径为11mm的探针刺入去皮水果9.0mm测量其硬度值；(3)回归预测模型的步骤，水果硬度回归预测模型共包含以下5步：1)按组I和组II每组450个苹果样本，各自均被分为两个独立的样本集，样本按硬度值大小降序排列，每四个苹果中的前三个用于校准，第四个用于验证，该过程最终使从组I和组II分别提取出两个验证集和两个校准集；2)在不同的波长下对每一个样本采用非线性回归分析拟合图像散射轮廓，从而确定方程一中它们的MLD参数，从每个样本可获得一套共32个MLD参数＝4参数*8波长；进一步将水果样本的MLD参数除以与Teflon参考标准对应的参数，以校正从苹果样本获取散射图像的试验过程中光源波动带来的影响；3)采用多元线性回归(MLR)计算组I校准集和组II校准集中样本MT硬度和MLD硬度两者间的r值和校准标准差(SEC)，采用MLR方法分别建立起组I和组II的8波长预测模型，接着分别用它们各自的验证集对其进行验证，验证结果用作与后续所述新的模型更新方法所获模型的验证结果进行比较，组I的水果硬度预测模型可用方程(2)来表示：F=c0+c1a1+c2a2+···+cnan=Σj=0ncjaj---(2)]]>其中，F为以N表示的MT预测硬度；aj(j＝1，2，...n；n＝32)为MLD参数；下标j表示每一个参数；cj为每个波长下与4个MLD参数中的每个参数相联系的回归系数；c0为以N为单位的截距；4)用从组II校准集选取的样本校正由组I校准集所建预测模型，接着用组II验证集验证该更新模型，更新算法由下列过程导出，加入新样本后预测模型(方程1)的回归系数c将变为cj+Δcj，可表示为：F+ΔF=(c0+Δc0)+(c1+&Del...

【专利技术属性】
技术研发人员：彭彦昆，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：11[中国|北京]