基于多信息融合的小麦品质检测方法与流程

本发明涉及一种小麦品质的检测方法。更具体地说，本发明涉及一种基于多信息融合的小麦品质检测方法。

背景技术：

国内外对仓储小麦品质的检测方法的报道主要有：化学方法(测量主要成分)、电子鼻、机器视觉、光谱检测(红外光谱)等方法，这些方法费时费力，对样品和试剂消耗大，检测能力有限。THz(太赫兹)由于其单光子能量低和谱“指纹性”等独特优势，是一种有效的分析物质内部组成信息的非接触测量手段。THz-TDS是目前最具有代表性的THz技术，在生物医学、材料科学、国防安全和质量控制等领域具有重要应用。

THz波在物质的定性与定量分析方面，许多学者围绕着物质在THz波段的光学与光谱特征，开展了物质的THz吸收系数、折射率系数的测量与单光学参数的分析工作。现有技术结合THz光谱和化学计量学方法(主成分分析、偏最小二乘、支持向量机等)实现对物质的定量分析，同时也取得了较好的结果。另外研究人员采用THz-TDS技术获得不同小麦样品的THz光学参数，利用PCR、PLS、BP神经网络和PCA-SVM模型对样品进行了识别，使用小麦样品THz吸收光谱建立小麦品质识别模型对不同品质小麦的识别率为分别为50％、58.33％、83.33％和93.33％。正常小麦和发芽小麦的识别率相对比较高，而误判断的样品中大多为发霉小麦和虫蚀小麦，不同模型进行分类识别率差别较大。

技术实现要素：

本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。

本发明还有一个目的是提供一种基于多信息融合的小麦品质检测方法，其能够结合吸收光谱和折射率光谱联合构建的多源信息融合模型，大大提高了小麦样品的识别率，其总体识别率均达到了95％以上。

为了实现根据本发明的这些目的和其它优点，提供了一种基于多信息融合的小麦品质检测方法，其包括以下步骤：

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。

优选的是，所述步骤五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。

优选的是，所述步骤五中的建模为建立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。

优选的是，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。

优选的是，所述RBF核函数，表示为：

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：

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。

优选的是，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。

优选的是，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。

优选的是，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。

优选的是，所述基于多信息融合的小麦品质检测方法包括以下步骤：

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。

本发明至少包括以下有益效果：本发明所述基于多信息融合的小麦品质检测方法，选用小麦品种的吸收光谱和折射率光谱进行分类检测融合模型的构建。分别建立了SVM小麦分类融合模型和AdaBoost融合模型对小麦样品进行识别。首次选用多项光谱指标进行建模，大大提高了小麦样品的识别率，其总体识别率均达到了95％以上。本发明小麦品种的吸收光谱和折射率光谱等光学参数均利用THz-TDS技术，选择0.2～1.6THz波段的光学与光谱特性作为建模基础。大大提高了SVM小麦分类融合模型和AdaBoost融合模型的识别率。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

图1为本发明所述AdaBoost分类器迭代次数对应预测集分类误差的曲线图；

图2为本发明所述AdaBoost、SVM融合模型和采用PCA-SVM模型的小麦分类识别结果对比图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。

本发明所述基于多信息融合的小麦品质检测方法包括以下步骤：

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。

实施例1

本发明所述基于多信息融合的小麦品质检测方法包括以下步骤：

S101，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；

S102，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；

S103，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；

S104，建模，将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；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200次；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。

S105，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。判定分类方法具体如下：

1)设A₁,A₂,A₃,A₄分别为4个AdaBoost二分类器的输出；

2)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)；

3)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；

4)遍历所有样本，获得所有样本的分类结果。

S106，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。

选择不同的迭代次数，记录四个AdaBoost二分类器的误差变化，结果如图1。由图1可得，随着迭代次数的增加，误差逐渐减小。迭代次数低于100次时，波动也比较明显，误差相对较大；迭代次数在100-150次时，4个分类器的误差基本趋于稳定，其中，超过150次之后，误差线保持一致；当迭代次数太大时，模型复杂度的增大将导致预测性能降低。因此本发明选取迭代200次。并且正常小麦分类器和发芽小麦分类器的误差要比虫蚀小麦类器和发霉小麦分类器的误差要低。

在测试集中小麦样品利用AdaBoost小麦分类决策层融合模型进行识别，小麦样品总体识别率为95％，表1给出了各种小麦样品的识别率和误判断数量。

表1 4种AdaBoost小麦分类融合模型建模结果

由表可得，建立的AdaBoost融合模型对测试集正常小麦样品和发芽小麦样品的识别率较强，分别为100％，同样对发霉小麦样品和虫蚀小麦样品的识别率相对较低，分别为90.48％和91.3％。

实施例2

本发明所述基于多信息融合的小麦品质检测方法包括以下步骤：

S201，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；例如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。

S202，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；

S203，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；

S204，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。

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。所述RBF核函数，表示为：

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：

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。

将测试集中的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。

结果见表2

表2 SVM小麦分类融合模型建模结果

由表可得，建立的SVM融合模型对测试集正常小麦样品、发芽小麦样品、发霉小麦样品和虫蚀小麦样品的识别率分别为100％、100％、95.24％和96.65％。结果表明，SVM融合模型对4种小麦样品的识别率都较高，是一种比较理想的小麦分类融合模型。

对比例1

采用单纯根据吸收光谱建立的PCA-SVM模型对正常小麦、发芽小麦、发霉小麦、虫蚀小麦进行识别。

对正常小麦、发芽小麦、发霉小麦和虫蚀小麦等4种样品的吸收光谱和折射率光谱，分别利用AdaBoost分类器和SVM模型建立的小麦多项光谱指标的分类检测融合模型，两种模型的识别率相当，且比单吸收光谱和折射率光谱建立的PCA-SVM模型的预测精度均有了一定的提高。此外，融合模型能够准确的识别出正常小麦和发芽小麦样品，SVM所建立融合模型对发霉小麦和虫蚀小麦样品识别率略高于AdaBoost融合模型。

由图2可看出，单纯根据吸收光谱建立的PCA-SVM模型对正常小麦、发芽小麦、发霉小麦、虫蚀小麦和总体识别率分别为100％、100％、85.71％、82.61％和92.08％；单纯根据折射率光谱建立的PCA-SVM模型对这4中小麦样品的识别率和总体识别率分别为：100％、100％、80.95％、86.96％和91.98％，而融合模型的总体识别率均达到了95％以上。实验表明，对于不同品质小麦样品的，结合吸收光谱和折射率光谱联合构建的多源信息融合在一定程度上提高了小麦样品的识别率，并且SVM特征层融合的识别率最高，SVM特征层融合为最优的多源信息融合方法。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。