System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术实施例涉及光谱检测,具体而言,涉及一种农产品中营养物质含量的检测方法、装置、设备及介质。
技术介绍
1、农产品,例如玉米、大豆等,经常被广泛用于家禽等畜牧动物的粮食饲料。农产品中的各种营养物质的含量是衡量饲料品质重要指标之一,对畜牧业有重要的影响,有助于动物生长和发育。但不同类型的畜牧动物对不同营养物质含量的要求各不相同,应根据动物的种类、年龄和生长阶段进行调整。此外,营养物质含量不同的饲料通常具有不同的经济价值。因此,无论是从营养物质还是经济成本方面考虑,能够准确鉴别饲料中营养物质的含量都具有重大的现实意义。
2、相关技术中,农产品中营养物质的含量的测定方法通常是采用化学反应法,以蛋白质为例,蛋白质含量的测定主要依赖kjeldahl(凯氏氮)法还和dumas(杜马斯)法。其中,kjeldahl法是经典的标准方法,由于其测定精度高并且使用与各种类型的样品而被广泛使用,但是设备昂贵,操作复杂,还需要处理有害化学物质。dumas法的准确性与kjeldahl法相当,不需要使用有害化学物质,但其不适用于含水量较高的样品,且仪器和人工成本较高。此外,近红外光谱法(nir)作为近几年新兴的检测方法,由于其非破坏性且快速的优点,可以用于实时监测。但是近红外光谱法分析样品时需要先建立特定的模型,模型的好坏直接影响检测结果的准确性。传统的模型,例如least squares(ls,最小二乘法)、principalcomponent regression(pcr,主成分回归)、partial least squares reg
技术实现思路
1、本专利技术实施例提供一种农产品中营养物质含量的检测方法、装置、设备及介质,在利用便携式光谱仪进行近红外光谱检测时,提高了农产品中营养物质含量的检测精度。
2、第一方面,本专利技术实施提供了一种农产品中营养物质含量的检测方法,包括:
3、对待检农产品进行光谱检测,得到一维近红外光谱数据;
4、对一维近红外光谱数据进行滤波预处理;
5、基于二维相关光谱2d-cos算法,将预处理后的一维近红外光谱数据转换为二维相关光谱图像,该二维相关光谱图像包括二维相关同步谱图像和/或二维相关异步谱图像;
6、将二维相关光谱图像输入到训练完成的目标营养含量预测模型中,得到待检农产品中目标营养物质的含量,其中,目标营养含量预测模型建立了待检农产品对应的二维相关光谱图像与该农产品中目标营养物质的含量之间的关联关系。
7、可选的,目标营养含量预测模型通过如下方式训练得到:
8、对预设数量的农产品样品进行光谱检测,得到各农产品样品的一维近红外光谱数据;
9、对各农产品样品的光谱数据进行滤波预处理;
10、基于2d-cos算法,将预处理后的各农产品样品的光谱数据转换为二维相关光谱图像,并将多个二维相关光谱图像作为样本数据集;
11、利用样本数据集分别对候选神经网络模型进行训练,使得训练完成的各个候选神经网络模型建立农产品样品对应的二维相关光谱图像与农产品样品中目标营养物质含量之间的关联关系;
12、根据模型评价指标,从训练完成的各个候选神经网络模型中确定出目标营养含量预测模型,其中,模型评价指标包括如下任意一项或多项:交叉验证均方差rmsecv,预测均方差rmsep,决定系数和相对预测偏差rdp,其中,
13、
14、
15、
16、
17、其中,表示农产品样品中目标营养物质含量的实际值,表示各农产品样品中目标营养物质含量的平均值,表示候选神经网络模型输出的农产品样品中目标营养物质含量的预测值,n表示样本数据集中样本的数量,i表示第i个样本,表示决定系数,表示在样本数据集中所有实际值的标准偏差,f表示主成分数。
18、可选的,候选神经网络模型包括:自动缩略图生成网络模型cropnet和深度残差网络模型cropresnet,其中,
19、cropnet包括依次连接的输入层、第一卷积层、第一归一化层bn层、、第二卷积层、第二bn层、第二激活层、池化层、平铺层、第一全连接层和第二全连接层,其中,
20、cropnet的输入层,用于接收二维相关光谱图像;
21、cropnet的第一卷积层,包含32个 3×3的卷积核,步长为1,用于提取边缘和纹理特征;
22、cropnet的第一bn层用于对第一卷积层输出的特征信息进行归一化处理;
23、cropnet的第一激活层的激活函数为线性整流函数relu函数;
24、cropnet的第二卷积层,包含64个3×3的卷积核,用于提取深度图像特征,cropnet的第二卷积层之后连接的池化层为最大池化层,该最大池化层的窗口尺寸为2×2,步长为2;
25、cropnet的第二bn层,用于对第二卷积层输出的特征信息进行归一化处理;
26、cropnet的第二激活层的激活函数为线性整流函数relu函数;
27、cropnet的平铺层,用于将第二池化层输出的二维特征展平成一维向量,并输入cropnet的第一全连接层,cropnet的第一全连接层,包含有128个神经元;
28、cropnet的第二全连接层,包含有1个神经元,用于输出目标营养物质含量的预测值;
29、cropresnet包括:依次连接的输入层、第一卷积层、bn层、激活层、最大池化层、四个残差块结构、第二卷积层、平均池化层和输出层。
30、可选的,基于二维相关光谱2d-cos算法,将预处理后的一维近红外光谱数据转换为二维相关光谱图像,包括:
31、按照如下公式,将预处理后的一维近红外光谱数据转换为二维相关光谱数据,并将二维相关光谱数据转换为二维相关光谱图像;
32、
33、
34、
35、其中,m表示光谱个数,表示二维相关同步谱,表示二维相关异步谱,表示不同的波数,n是数学转换矩阵,表示受外部扰动后的动态光谱强度,i和j分别表示矩阵n中的第i行和第j列。
36、可选的,对一维近红外光谱数据进行滤波预处理,包括基于如下任意一项或者多项滤波算法对一维近红外光谱数据进行滤波预处理:
37、基于多元散射校正msc算法消除一维近红外光谱数据中的散射效应;
38、基于标准正态变量变化snv算法将一维近红外光谱数据中每个波长点的本文档来自技高网...
【技术保护点】
1.一种农产品中营养物质含量的检测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述目标营养含量预测模型通过如下方式训练得到:
3.根据权利要求2所述的方法,其特征在于,所述候选神经网络模型包括:自动缩略图生成网络模型CropNet和深度残差网络模型CropResNet,其中,
4.根据权利要求1-3任一所述的方法,其特征在于,所述基于二维相关光谱2D-COS算法,将预处理后的一维近红外光谱数据转换为二维相关光谱图像,包括:
5.根据权利要求1-3任一所述的方法,其特征在于,所述对所述一维近红外光谱数据进行滤波预处理,包括基于如下任意一项或者多项滤波算法对所述一维近红外光谱数据进行滤波预处理:
6.根据权利要求1-3任一所述的方法,其特征在于,在待检农产品为玉米,且待测营养物质为粗蛋白的场景下,所述目标营养含量预测模型为CropResNet模型。
7.一种农产品中营养物质含量的检测装置,其特征在于,包括:
8.根据权利要求7所述的装置,其特征在于,所述目标营养含量预测模型通过
9.一种光谱仪,其特征在于,所述光谱仪包括:
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的农产品中营养物质含量的检测方法。
...【技术特征摘要】
1.一种农产品中营养物质含量的检测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述目标营养含量预测模型通过如下方式训练得到:
3.根据权利要求2所述的方法,其特征在于,所述候选神经网络模型包括:自动缩略图生成网络模型cropnet和深度残差网络模型cropresnet,其中,
4.根据权利要求1-3任一所述的方法,其特征在于,所述基于二维相关光谱2d-cos算法,将预处理后的一维近红外光谱数据转换为二维相关光谱图像,包括:
5.根据权利要求1-3任一所述的方法,其特征在于,所述对所述一维近红外光谱数据进行滤波预处理,包括基于如下任意一项或...
【专利技术属性】
技术研发人员:许静,梁菁,徐晓轩,王斌,韩芳,任兴平,
申请(专利权)人:南开大学云南研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。