基于光谱异常剔除与波长分级筛选的猕猴桃糖度检测方法

本发明涉及猕猴桃糖度检测，具体是涉及基于光谱异常剔除与波长分级筛选的猕猴桃糖度检测方法。

背景技术：

1、猕猴桃糖度检测通常采用近红外光谱或高光谱成像技术，通过采集果实光谱数据建立预测模型。传统检测方法存在破坏性，无法实现批量在线检测。光谱技术虽可实现无损检测，但采集过程中易受果实形状、光照角度、设备抖动等因素影响，产生异常光谱样本。这些异常样本会混入有效数据，干扰模型训练，导致检测结果出现偏差，降低糖度预测的稳定性与准确性。

2、公开授权号cn114047147b，该基于光谱技术的猕猴桃品质在线无损检测装置和方法，采用光谱预处理手段，结合随动杂散光消除机构与输送平台定位设计，减少果实形状和光照散射引起的检测误差。通过获取猕猴桃动态漫反射光谱数据，对原始光谱进行降噪、校正等处理，剔除环境与设备带来的干扰信号。同时构建线性预测模型，实现特定输送速度下猕猴桃糖度与硬度的在线检测，提升检测效率与基础准确性。然而，上述技术手段未针对光谱与空间双维度异常样本建立系统性剔除机制。异常样本仍会通过预处理环节进入模型训练阶段，无法实现跨批次快速识别与剔除。对此，我们提出了基于光谱异常剔除与波长分级筛选的猕猴桃糖度检测方法。

技术实现思路

1、为解决上述技术问题，提供基于光谱异常剔除与波长分级筛选的猕猴桃糖度检测方法，用于解决背景技术中所提出的问题。

2、为达到以上目的，本发明采用的技术方案为：基于光谱异常剔除与波长分级筛选的猕猴桃糖度检测方法，具体步骤为：

3、s1、利用高光谱成像系统获取待测猕猴桃的三维高光谱数据立方体，所述数据立方体包含空间维度与光谱维度，同时采用折射仪测量对应猕猴桃样本的真实糖度值作为标签数据；

4、s2、采用蒙特卡洛随机采样结合t检验的奇异样本识别算法，对所述高光谱数据立方体中的异常光谱向量及空间纹理特征进行联合检测，将识别出的异常样本数据保留其光谱-空间联合特征形成历史异常知识库；在后续批次猕猴桃糖度检测时，调用所述历史异常知识库进行光谱角匹配和空间轮廓相似度双重快速比对剔除，同时将本批次新识别的异常数据增量更新至所述历史异常知识库；

5、s3、对筛除异常值后的高光谱数据依次进行多元散射校正、sg平滑滤波、标准正态变换、矢量归一化、自适应小波去噪及黑暗电流校正预处理，消除环境干扰、仪器误差与光谱维度冗余噪声；

6、s4、采用竞争性自适应重加权采样算法结合注意力机制，对预处理后的高光谱特征进行关键波长区域分级筛选，所述分级筛选包括初级筛选模块、次级筛选模块、降级模块和记忆型波长池四个层级，其中：所述初级筛选模块对初级特征明显的波长进行首次筛选，所述次级筛选模块对高级特征明显的波长进行二次筛选，针对特征不够明显的波长由所述降级模块进行降级排列后重新放入初级筛选模块和次级筛选模块进行多次筛选，筛选失败的波长与初级特征不明显的波长一同放入所述记忆型波长池，由所述降级模块分出的具有记忆功能的分级模块对波长池内数据结合空间一致性特征进行多次筛选，最终输出关键波长集；

7、s5、构建包含三维多空卷积模块和通道-光谱双注意力机制的三维卷积神经网络模型，以筛选后的关键波长高光谱数据为输入，建立空间-光谱联合特征与糖度值之间的映射关系并进行模型训练；

8、s6、将待测猕猴桃的高光谱数据输入训练完成的三维卷积神经网络模型，输出糖度预测值及置信度评分。

9、优选地，所述s2中历史异常知识库的存储格式为hdf5或json格式，包含异常光谱特征向量、空间异常掩码、空间纹理标签、采集时间戳和批次编号信息；所述异常光谱特征向量包括波长反射率、吸收深度、基线漂移量和信噪比，所述空间异常掩码标记猕猴桃表面瑕疵区域和噪声像素区域。

10、优选地，所述s2中调用历史异常知识库进行比对时，采用光谱角匹配结合欧氏距离进行特征匹配，相似度阈值设定为0.85-0.95，通过空间异常掩码屏蔽无效像素，比对时间控制在50-200毫秒内；所述增量更新采用增量学习方式，当新异常数据的光谱-空间联合特征与已有特征的相似度低于预设阈值时作为新类别加入知识库，设置容量上限1000-5000条，超出容量时采用先进先出原则更新；对同一批次内重复出现的异常类型进行权重叠加，权重系数为1.2-1.5，用于提高该异常类型在后续检测中的识别优先级。

11、优选地，所述s4中初级筛选模块的特征明显度阈值为0.7-0.85，采用方差贡献率和空间相关性联合评估波长重要性；次级筛选模块的特征明显度阈值为0.85-0.95，采用互信息和光谱角距离联合评估波长相关性。

12、优选地，所述s4中降级模块对特征不够明显的波长进行降级排列的次数为2-5次，采用波长间隔重组策略将相邻波长间隔从1nm调整为3-5nm进行降采样，以及空间区域掩码重组策略按猕猴桃表面纹理分区筛选波长；所述记忆型波长池的容量设定为总波长数的10%-30%，所述分级模块对波长池的筛选轮次为3-8轮，所述分级模块的记忆功能通过记录历史筛选路径实现，包括波长进入波长池的次数、每次筛选的光谱-空间特征得分、筛选失败原因及对应空间位置信息。

13、优选地，所述s4中分级模块根据记忆信息动态调整筛选阈值：对于连续3轮筛选失败的波长类型，自动降低筛选阈值0.05-0.1进行宽松筛选；对于连续2轮筛选成功的波长类型，自动提高筛选阈值0.03-0.05进行严格筛选；同时结合空间特征表现，对纹理均匀区域放宽阈值、对纹理复杂区域收紧阈值。

14、优选地，所述s3和s4之间还包括高光谱特征转换步骤：采用格拉姆角场变换将预处理后的光谱序列转换为图像特征，保留光谱序列的时序相关性；或采用像素级光谱角制图将高光谱数据立方体转换为伪彩色融合图像，集成猕猴桃表面空间分布特征与全波段光谱吸收特征。

15、优选地，所述s5中三维多空卷积模块的空洞率设为2和4，用于扩大感受野并捕获高光谱数据的空间-光谱长距离依赖；所述通道-光谱双注意力机制包括通道注意力模块和光谱注意力模块，所述通道注意力模块强化与糖度相关的光谱通道特征，所述光谱注意力模块突出关键波长对应的空间区域特征；模型训练采用spxy算法划分训练集和测试集，通过交叉验证调优超参数，并引入波段dropout机制抑制过拟合。

16、优选地，所述s6中还包括针对每个像素点生成局部糖度热力图，表征猕猴桃表面糖度分布差异；根据预测糖度值生成猕猴桃整体品质等级分类结果，结合高光谱空间信息生成内部糖分布可视化报告，所述可视化报告包含瑕疵区域掩码与糖度分级热力图。

17、优选地，该方法适用于红阳、海沃德、徐香、翠香、金桃品种中的至少一种猕猴桃的糖度检测，集成于在线高光谱分级分选设备或便携式高光谱检测终端中。

18、与现有技术相比，本发明的有益效果在于：

19、本发明在使用中，通过蒙特卡洛随机采样结合t检验实现光谱与空间双维度异常联合检测，能精准识别异常样本；构建的历史异常知识库可通过光谱角匹配空间轮廓相似度双重比对实现跨批次快速剔除，比对效率控制在毫秒每样本；增量学习方式结合权重叠加规则，可动态更新知识库并提升高频异常识别优先级，有效消除异常样本对后续检测的干扰，保证输入数据的有效性，为糖度检测提供高质量的高光谱数据基础，减少无效数据带来的检测偏差。

20、本发明在使用中，通过初级次级降级波长池迭代的四级筛选流程，结合光谱与空间特征实现关键波长精准筛选，竞争性自适应重加权采样结合注意力机制，可量化评估波长特征重要性与相关性，分级模块的记忆功能与动态阈值调整规则，能避免漏筛高价值波长并剔除冗余波长，将数据维度大幅压缩，减少后续模型的计算量，提升模型训练与糖度预测速度，同时强化有效特征的映射关系，让模型能聚焦关键波长的光谱空间联合特征，提升糖度检测的精准度。