详情

原文传递苹果轻微损伤分类方法

专利名称：	苹果轻微损伤分类方法
摘要：	本发明公开了一种苹果轻微损伤分类方法。本发明公开了一种苹果轻微损伤分类方法，属于水果的无损检测领域。所述方法本文通过选择特征波段并基于特征波段建立判别分类模型，实现了苹果的正常样本及不同损伤时间样本的识别，并且通过图像处理技术实现了苹果损伤区域的定位。本发明首先通过标准正态变量方法对原始数据进行降噪与平滑，然后划分训练集与测试集。采用mRMR算法选择特征波长，而后进行建模分析。最后用最小噪声分离方法进行苹果损伤区域的定位，进一步验证特征波段有效性。采用上述方法得到的分类结果较好，为未来水果损伤相关仪器或在线检测系统的开发提供了理论依据。
专利类型：	发明专利
国家地区组织代码：	江苏;32
申请人：	江南大学
发明人：	李光辉;朱晓琳
专利状态：	有效
申请日期：	2019-05-30T00:00:00+0800
发布日期：	2019-08-06T00:00:00+0800
申请号：	CN201910465241.6
公开号：	CN110095436A
代理机构：	苏州市中南伟业知识产权代理事务所(普通合伙)
代理人：	杨慧林
分类号：	G01N21/55(2014.01);G;G01;G01N;G01N21
申请人地址：	214122 江苏省苏州市蠡湖大道1800号
主权项：	1.一种苹果轻微损伤分类方法，其特征在于，包括： S1 对获得的高光谱数据进行预处理，并划分为训练集和测试集。 S2 采用最大相关最小冗余方法对高光谱数据进行特征变量排序； S3 利用极限学习机建模，确定最佳特征波长数量； S4 使用极限学习机算法对S2选择出的特征波长集进行建模，算法参数用遗传算法优化； S5 基于特征波长集，应用最小噪声分离方法对高光谱图像数据进行分析，验证特征波长集的有效性。 2.如权利要求1所述的苹果轻微损伤分类方法，其特征在于，所述S1中的预处理包括：使用标准正态变量方法对数据进行降噪与平滑处理，然后用Kennard-Stone方法，按照2：1的比例，划分训练集与测试集。 3.如权利要求1所述的苹果轻微损伤分类方法，其特征在于，所述S1包括： S11 将108个完好苹果作为实验材料，随机挑选54个苹果进行人工轻微损伤模拟实验；在损伤后10分钟、1天、2天、3天、4天各获取一次高光谱图像。另外54个苹果作为对照组样本，只需获取一次高光谱图像；先对其进行黑白校正消除摄像头中暗电流的影响，黑白校正公式如下：样本采集结束后，保持各项系统参数设置不变，扫描参考板得到白标定图像Rw，然后盖上摄像机镜头盖采集黑板校正图像Rd。R0(λ)为原始噪声图像，依据公式(1)计算，得到校正后的高光谱图像R(λ)。 S12 利用感兴趣区域提取工具，获得苹果样本的平均光谱反射率，得到5个数据集，Bruise_10min、Bruise_1day、Bruise_2days、Bruise_3days、Bruise_4days。每个数据集中包含54个完好苹果的高光谱数据和54个损伤苹果的高光谱数据。 S13 分别对数据集进行标准正态变量变换。 S14 将预处理后的数据划分为训练集和测试集。 4.如权利要求1所述的苹果轻微损伤分类方法，其特征在于，S21研究中用互信息表征变量间相关性。计算特征变量xi与目标变量c之间的相关性，计算方法由公式(2)所得：其中MI(xi；c)为xi与c的互信息，p(xi，c)是xi与c的联合概率分布函数，而p(xi)和p(c)分别是xi与c的边缘概率分布函数。 S22 假设已经选择了n-1个特征变量并将其放入到集合Xn-1中，第n个变量通过公式(3)选择：公式(3)表示从待选特征变量子集{X-Xn-1}中，选择出具有最大相关性最小冗余度的变量。其中MI(xi；c)表示特征变量xi与目标变量c的相关性，为特征变量xi与已选择特征变量集合Xn-1中变量的平均冗余度。依据公式(2)和公式(3)进行计算，得到新的特征变量排序。 S23 利用极限学习机建模，根据建模结果，确定最佳特征波长数量。 5.如权利要求1所述的苹果轻微损伤分类方法，其特征在于，所述S3包括：设置ELM神经网络隐含层神经元数量为20，随机初始化输入权重和偏置并得到相应的输出权重。使用Bruise_3days数据集建模，得到最佳特征变量数目opt_num。 6.如权利要求1所述的苹果轻微损伤分类方法，其特征在于，所述S4包括：在S2得到的新的特征变量排序中，选取前opt_num个特征变量数据作为建模输入，用遗传算法对ELM参数进行优化，分别对数据集Bruise_10min、Bruise_1day、Bruise_2days、Bruise_3days、Bruise_4days进行建模分析。 7.如权利要求1所述的苹果轻微损伤分类方法，其特征在于，所述S5包括： S51 对于每一幅高光谱图像，选取波长为811nm的灰度图像建立掩膜，并应用与高光谱图像，消除图像背景信息； S52 对高光谱图像进行最小噪声分离变换，得到一系列主成分图像； S53 选取合适的主成分图像作为待分割图像，使用大津算法分割图像，得到结果。 8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。 9.一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权利要求1到7任一项所述方法的步骤。 10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到7任一项所述的方法。
所属类别：	发明专利