基于卷积神经网络的桑椹可溶性固形物含量的检测方法技术

本发明专利技术提供了一种基于卷积神经网络的桑椹可溶性固形物含量的检测方法，使用便携式NIR光谱仪获取待测样本的NIR光谱，将NIR光谱经SNV预处理、CARS选择变量后，作为CNN模型的输入，即可获得桑椹的可溶性固形物含量信息。本发明专利技术所述的基于卷积神经网络的桑椹可溶性固形物含量的检测方法，具有无损、绿色、快速和准确的特点；可以对桑椹整个生长期的品质进行监控，为最佳采摘时期的确定提供参考；适合NIR光谱等一维数据的分析；对于后期模型的维护，可以采用迁移学习的方法进行。可以采用迁移学习的方法进行。可以采用迁移学习的方法进行。

【技术实现步骤摘要】
基于卷积神经网络的桑椹可溶性固形物含量的检测方法


[0001]本专利技术涉及水果检测
，具体涉及一种基于卷积神经网络的桑椹可溶性固形物含量的检测方法。

技术介绍

[0002]桑椹是桑属(Morus L.)植物的果实，其多汁，味甜，营养丰富，不仅是风味独特的水果，而且具有补肝、益肾、滋液、乌专利技术目等保健功效，被赞誉为“21世纪的最佳健康食品”。目前，新鲜桑椹及桑椹加工产品均展示出了良好的市场前景，但是摘后贮藏以及销售时果品品质检测的问题限制了其在市场中的表现。另外，桑椹常规果品品质的检测由于具有破坏性，且费时、价格昂贵的特点，已经不适应快速发展的21世纪。因此，在桑果生产、流通及产品加工过程质量控制中建立快速、无损、准确的方法显得意义十分重要。
[0003]近红外(Near infrared,NIR)光谱是一种无损、快速、无需预处理、无污染的现代分析技术，这些特点使得NIR检测被称为评价果品品质的一种重要工具。目前近红外光谱技术已在如梨、芒果、苹果、西红柿等水果的果品品质检测中应用。这些成功的研究表明，近红外光谱在快速、无损评价果品品质中的应用是可行的。但由于实验室级的NIR光谱仪器存在体积大、功耗高，携带不方便的缺点，无法满足众多用户的现场检测需求。近年来，便携式近红外光谱仪的研制已经成为近红外光谱分析领域发展的重要方向之一，这种近红外光谱仪因体积小、质重量轻和方便携带等独特优点，有着广阔的应用前景，尤其适用于个人对农产(食)品品质的检测等。随着个人掌上设备的快速发展，针对个人应用的近红外分析技术也会快速发展，如美国JDSU公司生产的MicroNIR系列掌上近红外光谱仪具有体积小、能耗低等优点，特别适合随身携带用于现场快速检测。
[0004]深度学习是机器学习中一种基于对数据进行表征学习的算法。卷积神经网络(Convolutional neural network,CNN)作为深度学习的一种代表性技术，由于其局部连接、权值共享的特征，已经在医学、环境等领域取得了很大的成功。和传统的深度神经网络相比，CNN具有较少的训练参数，训练不容易过拟合的特点，计算结果更准确。目前暂无利用CNN结合NIR光谱对桑椹的可溶性固形物含量进行预测的技术。开发一种基于CNN的绿色、快速、无损检测桑椹的可溶性固形物含量的检测技术对提升桑椹果品品质和市场竞争力是非常必要的。

技术实现思路

[0005]有鉴于此，本专利技术旨在提出一种基于卷积神经网络的桑椹可溶性固形物含量的检测方法，该方法具有无损、绿色、快速和准确的特点。
[0006]为达到上述目的，本专利技术的技术方案是这样实现的：
[0007]一种基于卷积神经网络的桑椹可溶性固形物含量的检测方法，包括如下步骤：
[0008]步骤一：选择6～9成成熟度桑椹作为样本；
[0009]步骤二：获取样本的NIR光谱；
[0010]步骤三：检测桑椹的可溶性固形物含量；
[0011]步骤四：根据桑椹的可溶性固形物含量值划分数据集，分为校正集和预测集；
[0012]步骤五：对校正集和预测集光谱进行标准正态变量变换(SNV)预处理；
[0013]步骤六：对预处理后的光谱进行竞争自适应加权重采样(CARS)变量选择；
[0014]步骤七：使用经预处理、变量选择后的数据集训练CNN模型，用于检测桑椹的可溶性固形物含量；
[0015]步骤八：对CNN模型的性能进行验证。
[0016]进一步地，步骤二中，获得的光谱区间为891
‑
1669nm；
[0017]每个样本采集光谱多次，以多次光谱的平均值作为最终光谱数据。
[0018]进一步地，步骤三中，采用折光仪测定桑葚的可溶性固形物含量。
[0019]进一步地，步骤四中，根据桑椹可溶性固形物含量的测量值，按从高到低排序，以2:1的比例划分校正集、预测集；
[0020]按实验值从高到低排序，将样本等分3份，其中2份作为校正集，1份作为预测集，预测集的可溶性固形物含量在校正集范围内。
[0021]进一步地，步骤五中，SNV的计算公式为：
[0022][0023]其中，为平均光谱，m为光谱变量数。
[0024]进一步地，步骤六中，CARS的步骤为：
[0025](1)使用蒙特卡罗采样法，随机获取样本n次，每次均随机抽取样本集的80％作为模型的校正集，然后建立PLS模型；
[0026](2)使用指数衰减函数去掉回归系数值相对较小的波长变量；
[0027](3)通过n次蒙特卡罗采样筛选出PLS模型中回归系数值相对较大的波长变量；
[0028](4)用每次新产生的变量子集建立PLS模型，则RMSECV最小的子集为最优子集，根据最优子集选出相应的变量。
[0029]进一步地，步骤七中，CNN模型框架中包含三个卷积层，每个卷积层后面均跟着最大池化层，经Flatten之后与三层全连层相连，节点数分别为32、8、1；
[0030]训练CNN模型的批次样本数为8，损失函数为均方误差(MSE)，优化方法为Adam(学习率为0.0001)，最大迭代次数为20000，训练过程中保存验证误差最小的模型作为最终的模型。
[0031]进一步地，步骤八中，验证的具体方法为：使用训练好的CNN模型对预测集样本的可溶性固形物含量进行检测，将检测值与采用折光仪测得的数值进行回归分析。
[0032]相对于现有技术，本专利技术所述的基于卷积神经网络的桑椹可溶性固形物含量的检测方法具有以下有益效果：
[0033](1)本专利技术所述的一种基于卷积神经网络的桑椹可溶性固形物含量的检测方法，只需要使用便携式NIR光谱仪获取待测样本的NIR光谱，将NIR光谱经SNV预处理、CARS选择变量后，作为CNN模型的输入，即可获得桑椹的可溶性固形物含量信息。具有无损、绿色、快速和准确的特点。
transformation)预处理。SNV的作用主要有两个方面。首先，SNV可以消除样品粒径大小对光谱的影响；然后，SNV可以消除样品表面发生的散射以及测量时光程的改变对光谱的影响。SNV的计算公式为：
[0049][0050]其中，为平均光谱，m为光谱变量数，本工作中m为125。
[0051]步骤六：对预处理后的光谱进行竞争自适应加权重采样(competitive adaptive reweighted sampling,CARS)变量选择。CARS是以达尔文“适者生存”进化理论为基础的一种新的波长优选方法。CARS的步骤为：(1)使用蒙特卡罗采样法，随机获取样本n次，每次均随机抽取样本集的80％作为模型的校正集，然后建立PLS模型；(2)使用指数衰减函数去掉回归系数值相对较小的波长变量；(3)通过n次蒙特卡罗采样筛选出PLS模型中回归系数值相对较大的波长变量；(4)用每次新产生的变量子集建立PLS模型，则RMSECV最小的子集为最优子集，根据最优子集选出相应的变量。
[0052]步骤七：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的桑椹可溶性固形物含量的检测方法，其特征在于，包括如下步骤：步骤一：选择6～9成成熟度桑椹作为样本；步骤二：获取样本的NIR光谱；步骤三：检测桑椹的可溶性固形物含量；步骤四：根据桑椹的可溶性固形物含量值划分数据集，分为校正集和预测集；步骤五：对校正集和预测集光谱进行标准正态变量变换(SNV)预处理；步骤六：对预处理后的光谱进行竞争自适应加权重采样(CARS)变量选择；步骤七：使用经预处理、变量选择后的数据集训练CNN模型，用于检测桑椹的可溶性固形物含量；步骤八：对CNN模型的性能进行验证。2.根据权利要求1所述的基于卷积神经网络的桑椹可溶性固形物含量的检测方法，其特征在于，步骤二中，获得的光谱区间为891
‑
1669nm；每个样本采集光谱多次，以多次光谱的平均值作为最终光谱数据。3.根据权利要求1所述的基于卷积神经网络的桑椹可溶性固形物含量的检测方法，其特征在于，步骤三中，采用折光仪测定桑葚的可溶性固形物含量。4.根据权利要求1所述的基于卷积神经网络的桑椹可溶性固形物含量的检测方法，其特征在于，步骤四中，根据桑椹可溶性固形物含量的测量值，按从高到低排序，以2:1的比例划分校正集、预测集；按实验值从高到低排序，将样本等分3份，其中2份作为校正集，1份作为预测集，预测集的可溶性固形物含量在校正集范围内。5.根据权利要求1所述的基于卷积神经网络的桑椹可...

【专利技术属性】
技术研发人员：韩翠燕，郭成，
申请(专利权)人：江苏医药职业学院，
类型：发明
国别省市：