一种基于二维相关谱的农产品代谢物无损检测方法
本申请涉及高光谱,尤其是一种基于二维相关谱的农产品代谢物无损检测方法。
背景技术:
1、农产品中糖类、氨基酸、脂质等关键代谢物的组成与含量是衡量其营养功能、储藏稳定性及加工适用性的重要指标。随着消费市场对优质、功能性农产品需求的升级,建立高效、精准的代谢物检测方法已成为品质评价、种质资源挖掘及智能加工领域的关键技术需求。
2、目前,农产品代谢物分析主要依赖色谱-质谱联用技术(gc-ms/hplc-ms)。该类方法检测灵敏度高,但存在前处理复杂、分析耗时长、试剂成本高昂且具有破坏性等局限,难以满足育种群体大规模筛选及产线在线监测对无损、高通量检测的迫切需求。
3、近年来,高光谱成像技术作为一种快速、无损的检测手段,在农产品品质检测中得到广泛应用。然而,农产品代谢物在近红外区的振动吸收强度弱、谱带严重重叠,致使传统基于全波段或经验波段的一维光谱建模方法检测精度有限。其次,代谢物浓度与光谱响应之间通常呈现显著非线性关系,而传统主成分分析(pca)等线性降维方法仅能保留数据的全局线性结构,难以有效挖掘非线性本质信息,导致特征提取不充分,致使检测模型的泛化能力不足。这导致目前基于高光谱成像的农产品代谢物检测精度和鲁棒性不高。
技术实现思路
1、本申请针对上述问题及技术需求,提出了一种基于二维相关谱的农产品代谢物无损检测方法,本申请的技术方案如下:
2、一种基于二维相关谱的农产品代谢物无损检测方法,该农产品代谢物无损检测方法包括:
3、获取待测农产品的有效光谱数据;
4、分别采用两种不同的光谱预处理方法对有效光谱数据进行预处理作为参考光谱和待测光谱,并利用2t2d-cos方法得到同步二维相关谱和异步二维相关谱;
5、将同步二维相关谱和异步二维相关谱拼接为双通道相关谱图像后输入训练好的深度特征编码模块进行特征编码得到待测农产品的低维深度特征向量;
6、将低维深度特征向量输入训练好的非线性回归预测模型得到待测农产品的代谢物检测结果。
7、其进一步的技术方案为,对有效光谱数据采用的光谱预处理方法为sg平滑、标准正态变量变换snv、多元散射校正msc和一阶导数变换d1中的一种或多种组合处理方式。
8、其进一步的技术方案为,该农产品代谢物无损检测方法还包括:
9、获取农产品样本的样本光谱数据;
10、构建多个不同的光谱预处理方法组合,每个光谱预处理方法组合包括两种不同的光谱预处理方法;
11、利用其中一个光谱预处理方法组合中的两种光谱预处理方法对一组样本光谱数据进行预处理作为参考光谱和待测光谱,并利用2t2d-cos方法得到同步二维相关谱和异步二维相关谱后拼接为双通道相关谱图像;
12、将各个农产品样本的双通道相关谱图像输入卷积自编码器的编码器进行特征编码得到低维深度特征向量,利用卷积自编码器的解码器基于低维深度特征向量得到重构双通道相关谱图像;
13、以各个农产品样本的双通道相关谱图像及对应的重构双通道相关谱图像之间的均方误差作为损失函数训练卷积自编码器,并将训练得到的卷积自编码器中的编码器作为训练得到的深度特征编码模块。
14、其进一步的技术方案为,卷积自编码器中的编码器利用1×1卷积层对输入的双通道相关谱图像实现输入特征通道的信息融合与维度调整,利用多层3×3卷积层进行逐级下采样并逐步增加特征通道数以提取双通道相关谱图像中的局部相关特征和高阶空间特征得到高维特征张量,各卷积层均采用selu激活函数;对高维特征张量通过展平操作转换为高维特征向量,再通过全连接层将高维特征向量映射为低维深度特征向量。
15、其进一步的技术方案为,双通道相关谱图像为510×510×2,深度特征编码模块使用五层3×3卷积层采用步长为2的卷积方式进行逐级下采样,将双通道相关谱图像压缩至16×16×256的高维特征张量,对高维特征张量通过展平操作转换为高维特征向量后,通过全连接层映射至20维潜空间得到待测农产品的低维深度特征向量。
16、其进一步的技术方案为,卷积自编码器中的解码器采用全连接层将编码器输出的低维深度特征向量映射为高维特征向量后,通过重构操作转换为16×16×256的三维特征张量,依次经过五层转置卷积层进行逐级上采样和通道数压缩,最后通过1×1卷积层及尺寸重构操作获得与双通道相关谱图像尺寸一致的重构双通道相关谱图像。
17、其进一步的技术方案为,将同步二维相关谱和异步二维相关谱拼接为双通道相关谱图像还包括:
18、分别对同步二维相关谱和异步二维相关谱进行独立的z-score标准化处理后,再进行通道维度的拼接得到双通道相关谱图像。
19、其进一步的技术方案为,获取待测农产品的有效光谱数据包括:
20、采集待测农产品所在区域的高光谱图像并进行标准化校正处理后,对待测农产品进行目标分割处理并提取感兴趣区域,计算感兴趣区域内各像素的光谱响应值的平均值得到有效光谱数据。
21、其进一步的技术方案为,该非线性回归预测模型采用随机森林回归模型。
22、其进一步的技术方案为,待测农产品为玉米籽粒,得到的待测农产品的代谢物检测结果为玉米籽粒的脂类代谢物,玉米籽粒的脂类代谢物包括9-亚油炔酸、松仁酸、n-棕榈酰乙醇胺、n-硬脂酰乙醇胺、n-油酰乙醇胺及丙酸相关脂质中的至少一种。
23、本申请的有益技术效果是:
24、本申请公开了一种基于二维相关谱的农产品代谢物无损检测方法,该方法通过不同光谱预处理方法对有效光谱数据进行异构预处理,结合2t2d-cos得到同步二维相关谱和异步二维相关谱后输入深度特征编码模块进行特征编码得到待测农产品的低维深度特征向量,在增强弱光谱响应信息的同时保留跨波段相关结构,使得深度特征编码模块能够学习传统pca难以提取的非线性特征,最后输入非线性回归预测模型得到代谢物检测结果,实现对农产品代谢物的无损检测,该方法能够有效提升复杂代谢物的预测精度与模型鲁棒性,实现农产品品质的快速无损检测。
1.一种基于二维相关谱的农产品代谢物无损检测方法,其特征在于,所述农产品代谢物无损检测方法包括:
2.根据权利要求1所述的农产品代谢物无损检测方法,其特征在于,对有效光谱数据采用的光谱预处理方法为sg平滑、标准正态变量变换snv、多元散射校正msc和一阶导数变换d1中的一种或多种组合处理方式。
3.根据权利要求1所述的农产品代谢物无损检测方法,其特征在于,所述农产品代谢物无损检测方法还包括:
4.根据权利要求3所述的农产品代谢物无损检测方法,其特征在于,卷积自编码器中的编码器利用1×1卷积层对输入的双通道相关谱图像实现输入特征通道的信息融合与维度调整,利用多层3×3卷积层进行逐级下采样并逐步增加特征通道数以提取双通道相关谱图像中的局部相关特征和高阶空间特征得到高维特征张量,各卷积层均采用selu激活函数;对高维特征张量通过展平操作转换为高维特征向量,再通过全连接层将所述高维特征向量映射为低维深度特征向量。
5.根据权利要求3所述的农产品代谢物无损检测方法,其特征在于,双通道相关谱图像为510×510×2,深度特征编码模块使用五层3×3卷积层采用步长为2的卷积方式进行逐级下采样,将双通道相关谱图像压缩至16×16×256的高维特征张量,对高维特征张量通过展平操作转换为高维特征向量后,通过全连接层映射至20维潜空间得到待测农产品的低维深度特征向量。
6.根据权利要求5所述的农产品代谢物无损检测方法,其特征在于,卷积自编码器中的解码器采用全连接层将编码器输出的低维深度特征向量映射为高维特征向量后,通过重构操作转换为16×16×256的三维特征张量,依次经过五层转置卷积层进行逐级上采样和通道数压缩,最后通过1×1卷积层及尺寸重构操作获得与双通道相关谱图像尺寸一致的重构双通道相关谱图像。
7.根据权利要求1所述的农产品代谢物无损检测方法,其特征在于,将同步二维相关谱和异步二维相关谱拼接为双通道相关谱图像还包括:
8.根据权利要求1所述的农产品代谢物无损检测方法,其特征在于,获取待测农产品的有效光谱数据包括:
9.根据权利要求1所述的农产品代谢物无损检测方法,其特征在于,所述非线性回归预测模型采用随机森林回归模型。
10.根据权利要求1所述的农产品代谢物无损检测方法,其特征在于,所述待测农产品为玉米籽粒,得到的所述待测农产品的代谢物检测结果为玉米籽粒的脂类代谢物,玉米籽粒的脂类代谢物包括9-亚油炔酸、松仁酸、n-棕榈酰乙醇胺、n-硬脂酰乙醇胺、n-油酰乙醇胺及丙酸相关脂质中的至少一种。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com