产品的分类识别方法、分类终端及存储介质技术

本发明专利技术提供一种产品的分类识别方法、分类终端及存储介质。该方法包括：获取目标样本的近红外光谱，并根据近红外光谱提取得到样本特征；将样本特征输入集成分类器，得到目标样本的分类结果；其中，集成分类器包括多个子分类模型；集成分类器用于将各个子分类模型的分类结果加权求和得到目标样本的分类结果。本发明专利技术基于近红外光谱建立集成分类模型，相对于单一模型的性能更优越，分类准确度更高，有效提高了产品的分类识别准确度。了产品的分类识别准确度。了产品的分类识别准确度。

【技术实现步骤摘要】
产品的分类识别方法、分类终端及存储介质


[0001]本专利技术涉及质检
，尤其涉及一种产品的分类识别方法、分类终端及存储介质。

技术介绍

[0002]莜(y
ó
u)面是由莜麦加工而成的面粉，由于莜面的价格较高，因此很多商户在莜面中掺杂土豆淀粉、面粉等，以次充好。近红外光谱具有简便、快速、低成本、无污染、对样品无破坏等有点，能快速实现物品种类的识别，可用于莜面等产品的掺杂检测。
[0003]现有技术中，通常提取待检测样本的近红外光谱，采用单一神经网络模型进行分类识别。由于单一神经网络模型受模型本身限制及训练样本等影响，模型的准确度可能不够高，导致产品的分类识别准确度受影响。

技术实现思路

[0004]本专利技术实施例提供了一种产品的分类识别方法、分类终端及存储介质，以解决采用单一神经网络模型通过近红外光谱识别产品，准确率受影响的问题。
[0005]第一方面，本专利技术实施例提供了一种产品的分类识别方法，包括：
[0006]获取目标样本的近红外光谱，并根据近红外光谱提取得到样本特征；
[0007]将样本特征输入集成分类器，得到目标样本的分类结果；
[0008]其中，集成分类器包括多个子分类模型；集成分类器用于将各个子分类模型的分类结果加权求和得到目标样本的分类结果。
[0009]可选的，在将样本特征输入集成分类器，得到目标样本的分类结果之前，方法还包括：
[0010]获取各个子分类模型的准确率；
[0011]根据各个子分类模型的准确率，确定各个子分类模型的投票权重，得到集成分类器。
[0012]可选的，根据各个子分类模型的准确率，确定各个子分类模型的投票权重，包括：
[0013]针对每个子分类模型，根据该子分类模型的准确率确定该子分类模型的模型价值度；
[0014]将各个子分类模型的模型价值度相加，得到总的模型价值度；
[0015]针对每个子分类模型，将该子分类模型的模型价值度除以总的模型价值度，得到该子分类模型的投票权重。
[0016]可选的，根据该子分类模型的准确率确定该子分类模型的模型价值度，包括：
[0017]根据该子分类模型的准确率，结合第一公式计算得到该子分类模型的模型价值度；
[0018]第一公式为：
[0019][0020]其中，V
i
为第i个子分类模型对应的模型价值度，k为系数，P
i
为第i个子分类模型的准确率；i＝1,2
…
，n，n为子分类模型的个数。
[0021]可选的，
[0022]可选的，各个子分类模型的类型均不同。
[0023]可选的，子分类模型的数量为4个；
[0024]4个子分类模型分别为：SVM模型、KNN模型、决策树模型及CNN模型。
[0025]可选的，在获取各个子分类模型的准确率之前，方法还包括：
[0026]采用训练样本集分别对各个初始子分类模型进行训练，得到各个子分类模型；
[0027]采用测试样本集分别对各个子分类模型进行测试，得到各个子分类模型的准确率。
[0028]第二方面，本专利技术实施例提供了一种分类终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式方法的步骤。
[0029]第三方面，本专利技术实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式方法的步骤。
[0030]本专利技术实施例提供一种产品的分类识别方法、分类终端及存储介质。该方法包括：获取目标样本的近红外光谱，并根据近红外光谱提取得到样本特征；将样本特征输入集成分类器，得到目标样本的分类结果；其中，集成分类器包括多个子分类模型；集成分类器用于将各个子分类模型的分类结果加权求和得到目标样本的分类结果。本专利技术实施例中基于近红外光谱建立集成分类模型。其中，集成分类模型包括多个子分类模型，各个子分类模型加权求和，综合各个子分类模型的优势，相对于单一模型的性能更优越，分类准确度更高，有效提高了产品的分类识别准确度。
附图说明
[0031]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0032]图1是本专利技术实施例提供的一种产品的分类识别方法的实现流程图；
[0033]图2是模型训练损失值变化曲线图；
[0034]图3是集成学习模型的原理示意图；
[0035]图4是集成学习模型的集成学习投票结果示意图；
[0036]图5是本专利技术实施例提供的模型价值度与准确率的关系示意图；
[0037]图6是本专利技术实施例中系数k对集成分类器的准确率的影响示意图；
[0038]图7是本专利技术实施例提供的集成分类器的结构示意图；
[0039]图8是各模型的准确率对比图；
[0040]图9是各模型的精确率对比图；
[0041]图10是各模型的召回率对比图；
[0042]图11是各模型的F1值对比图；
[0043]图12是本专利技术实施例提供的产品的分类识别装置的结构示意图；
[0044]图13是本专利技术实施例提供的分类终端的示意图。
具体实施方式
[0045]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。
[0046]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
[0047]参见图1，其示出了本专利技术实施例提供的产品的分类识别方法的实现流程图，详述如下：
[0048]上述方法包括：
[0049]S101：获取目标样本的近红外光谱，并根据近红外光谱提取得到样本特征；
[0050]近红外光(Near Infrared，NIR)是介于可见光和中红外光之间的电磁波，按ASTM(美国试验和材料检测协会)定义是指波长在780～2526nm范围内的电磁波。红外光谱曲线图是分子能选择性吸收某些波长的红外线，而引起分子中振动能级和转动能级的跃迁，检测红外线被吸收的情况可得到物质的红外吸收光谱，又称分子振动光谱或振转光谱。近红外区域的吸收基本上均为红外区基准振动的倍频或合频振动所引起的，特别是以由氢原子相关联的O
‑
H、N
‑
H、C
‑
H等官能基的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种产品的分类识别方法，其特征在于，包括：获取目标样本的近红外光谱，并根据所述近红外光谱提取得到样本特征；将所述样本特征输入集成分类器，得到所述目标样本的分类结果；其中，所述集成分类器包括多个子分类模型；所述集成分类器用于将各个子分类模型的分类结果加权求和得到所述目标样本的分类结果。2.根据权利要求1所述的产品的分类识别方法，其特征在于，在所述将所述样本特征输入集成分类器，得到所述目标样本的分类结果之前，所述方法还包括：获取各个子分类模型的准确率；根据各个子分类模型的准确率，确定各个子分类模型的投票权重，得到所述集成分类器。3.根据权利要求2所述的产品的分类识别方法，其特征在于，所述根据各个子分类模型的准确率，确定各个子分类模型的投票权重，包括：针对每个子分类模型，根据该子分类模型的准确率确定该子分类模型的模型价值度；将各个子分类模型的模型价值度相加，得到总的模型价值度；针对每个子分类模型，将该子分类模型的模型价值度除以所述总的模型价值度，得到该子分类模型的投票权重。4.根据权利要求3所述的产品的分类识别方法，其特征在于，所述根据该子分类模型的准确率确定该子分类模型的模型价值度，包括：根据该子分类模型的准确率，结合第一公式计算得到该子分类模型的模型价值度；所述第一公式为：其中，V
i
...

【专利技术属性】
技术研发人员：李鸿强，卢海博，武小云，王佐承，葛泰，李子熠，张天宇，张诗欣，冯小东，
申请(专利权)人：河北建筑工程学院，
类型：发明
国别省市：