基于多信息融合的小麦品质检测方法与流程

技术特征：

1.一种基于多信息融合的小麦品质检测方法，其特征在于，包括以下步骤：

步骤一，采用太赫兹时域光谱技术THz-TDS，分析霉变、虫蛀、发芽以及正常的小麦样品在0.2～1.6THz波段的光学与光谱特性，并计算获得小麦样品的吸收光谱和折射率光谱；

步骤二，采用PCA主成分分析方法对不同品质小麦样品吸收光谱和折射率光谱进行特征提取，将特征值按照大小进行排序；

步骤三，选择前8个主成分特征组合为小麦样品吸收光谱特征集，选择前10个主成分特征组合为小麦品质折射率光谱特征集；

步骤四，建模，并对建模结果进行验证。

2.如权利要求1所述的基于多信息融合的小麦品质检测方法，其特征在于，所述步骤四中的建模为建立基于AdaBoost的小麦分类融合模型，具体步骤如下：

1)将所述步骤一计算得到的小麦样品光谱信息随机按照2：1分成训练集和测试集；

2)建立4个AdaBoost小麦二分类器：将所述训练集按照1：1的比例随机分为校正集和预测集，利用校正集分别建立正常小麦分类器、发芽小麦分类器、发霉小麦分类器和虫蚀小麦分类器4个AdaBoost二分类器；其中，设置AdaBoost二分类器的迭代次数为100-200次；

3)根据4个AdaBoost二分类器的输出结果对小麦样品进行判定分类，若输出结果大于等于0，则将为正样本，反之则为负样本，并且输出结果绝对值越大，信任度就最高。

4)结合霉变、虫蛀、发芽以及正常的小麦样品的THz吸收光谱和折射率光谱，建立基于AdaBoost小麦分类决策层融合模型；采用建立的基于AdaBoost小麦分类决策层融合模型对测试集中的样本进行识别，并将测试数据输入AdaBoost二分类器进行鉴别并计算出分类结果的正确率。

3.如权利要求1所述的基于多信息融合的小麦品质检测方法，其特征在于，所述步骤四中的建模为建立SVM小麦分类融合模型，具体步骤如下：

(1)建立小麦样品的训练样本和测试样本集：将所述步骤一计算得到的小麦样品的吸收光谱和折射率光谱随机按照2：1分成训练集和测试集；

(2)选择前8个主成分特征组合为小麦样品吸收光谱特征集，选择前10个主成分特征组合为小麦品质折射率光谱特征集，采用RBF核函数进行建模，将折射率系数和吸收系数分别作为RBF核函数构建支持向量机进行训练，完成支持向量机的建模；

(3)采用建立的SVM模型对测试集中的样本进行识别，将测试数据输入支持向量机进行鉴别并计算出分类结果的正确率。

4.如权利要求3所述的基于多信息融合的小麦品质检测方法，其特征在于，所述步骤(2)中选用RBF核函数为融合模型的核函数，同时核函数最优参数γ,c的选择通过网格搜索优化算法计算实现。

5.如权利要求4所述的基于多信息融合的小麦品质检测方法，其特征在于，所述RBF核函数，表示为：

$k(x_i,y_i)=\exp (-\frac{\left|\right|x_i-y_i|{|}^2}{{\mathrm{\γ}}^2})$

需通过反复试验，分析误差来调节核函数参数C,γ，寻找出最优值；用均方根误差(RMSE)来评估最终回归模型的预测精度。RMSE可表示为：

$RMSE=\sqrt{\frac{\underset{i=1}{\overset{N}{\Σ}}{(Y_i-{\hat{Y}}_i)}^2}{N^{\′\′}}}$

其中，N″表示训练集样品的数量；Y_i和分别表示ith样品在数据集中实际值和ith样品在构建的回归模型中预测值。

6.如权利要求2所述的基于多信息融合的小麦品质检测方法，其特征在于，所述步骤3)中根据4个AdaBoost二分类器的输出结果对小麦样品进行判定分类具体步骤为：

a，设A₁,A₂,A₃,A₄分别为4个AdaBoost二分类器的输出；

b，对于不同品质小麦样本X_i，其中1＜i＜N，N表示小麦样本的数量，根据建立的AdaBoost二分类器进行判别，得到4个分类器输出，分别表示为A₁(X_i),A₂(X_i),A₃(X_i),A₄(X_i)；

c，比较A_j(X_i)的值，获得输出值最大时的分类器号j_max＝MAX{A_j(X_i),1≤j≤4}，则可将X_i为j_max类样本；

d，遍历所有样本，获得所有样本的分类结果。

7.如权利要求6所述的基于多信息融合的小麦品质检测方法，其特征在于，Adaboost二分类器通过如下步骤实现：

a，假设X表示样本空间，Y为样本类别标识集合，则样本训练集为S＝{(x_i,y_i|i＝1,2,…,m)},x_i∈X,y_i∈Y

b，初始化m个训练样本的权值，初始样本权值分布为：D_1(i)＝1/m，

c，在给定训练样本的概率分布D_t(i)下，训练弱分类器h_t；

计算弱分类器的加权错误率D_t(i)表示第t次迭代中赋予样本的权值，t表示迭代次数；

更新公式为

更新训练样本集的权值分布，用于下一次迭代

其中Z_t是归一化因子，

d，强分类器预测输出结果。

8.如权利要求1所述的基于多信息融合的小麦品质检测方法，其特征在于，所述步骤一中，获得小麦样品在0.2～1.6THz波段的光学与光谱特性后，采用傅里叶变换得到被测样品的频域光谱，并计算获得THz吸收系数和折射率，建立小麦样品的吸收光谱和折射率光谱。

9.如权利要求1所述的基于多信息融合的小麦品质检测方法，其特征在于，包括以下步骤：

步骤一，采用太赫兹时域光谱技术THz-TDS，分析霉变、虫蛀、发芽以及正常的小麦样品在0.2～1.6THz波段的光学与光谱特性，并计算获得小麦样品的光谱信息，所述光谱信息包括吸收光谱和折射率光谱；

步骤二，采用PCA主成分分析方法对不同品质小麦样品吸收光谱和折射率光谱进行特征提取，将特征值按照大小进行排序；

步骤三，选择前8个主成分特征组合为小麦样品吸收光谱特征集，选择前10个主成分特征组合为小麦品质折射率光谱特征集；

步骤四，采用RBF核函数进行建模，将折射率系数和吸收系数分别作为RBF核函数构建支持向量机进行训练，完成支持向量机的建模；采用建立的SVM模型对测试集中的样本进行识别，将测试数据输入支持向量机进行鉴别并计算出分类结果的正确率。