[发明专利]一种结合高光谱和支持向量机分类的苎麻品种识别方法

权利要求书

1.一种结合高光谱和支持向量机分类的苎麻品种识别方法，其特征在于：包括以下步骤：

步骤一：样本收集及高光谱测量

收集不同品种的苎麻，作为苎麻样本，然后将苎麻样本采用便携式地物光谱仪和便携式地物光谱仪配套的手持叶夹式叶片光谱探测器在苎麻样本叶片上选择4个采样点测量进行高光谱数据采集，采样点数据做断点校正后再取平均值作为该苎麻样本的叶片高光谱数据；

步骤二：样本集划分

在上述步骤一中不同品种的苎麻样本的叶片高光谱数据采集后，将不同品种的苎麻样本的叶片高光谱数据按照2:1的比例随机分配，依次标记为成建模集和预测集；

步骤三：PCA特征提取

采用PCA提取苎麻样本的叶片特征，选择所有特征值大于1的成分作为PCA主因子或方差累计贡献率达到85%-95%的前n个主因子作为PCA主因子；

步骤四：SVC识别模型建立

在化学计量软件Unscrambler中利用SVC算法将上述步骤三中提取后的PCA主因子特征变量从方差累积贡献率≥85%第n个主因子开始，依次增加PCA主因子个数，然后分别与不同的SVC核函数及核函数的最佳参数进行组合，然后进行分析后建立多个识别苎麻品种的模型，获得最佳特征变量个数、SVC核函数和参数组合；

步骤五：确定最佳模型

将步骤二中的预测集的预测数据代入步骤四建立的各种组合的模型中，评价并识别预测结果，获取最佳参数组合的模型。

2.根据权利要求1所述的一种结合高光谱和支持向量机分类的苎麻品种识别方法，其特征在于：所述步骤一中样本收集采用地方品种、选育品种、不同蔸型、不同成熟期和不同产量的样本，样本收集选择9种苎麻品种，并且在苎麻样本旺长期采集苎麻样本的叶片高光谱数据，每个品种采集162个叶片高光数据，9个品种共生成1458个叶片样本高光谱数据。

3.根据权利要求2所述的一种结合高光谱和支持向量机分类的苎麻品种识别方法，其特征在于：9种所述苎麻品种分别为金沙枸皮麻、毕节圆麻、湘潭鸡骨白、沅江黄壳早、平塘大刀麻、中苎1号、邵阳4号、双峰大叶麻和绥宁青麻。

4.根据权利要求1所述的一种结合高光谱和支持向量机分类的苎麻品种识别方法，其特征在于：所述步骤一中高光谱数据采集时，避开苎麻样本叶片的主叶脉，高光谱数据采集时先将手持叶夹式叶片光谱探测器的叶片夹持器夹紧被测苎麻样本的叶片所测部位，再用手持叶夹式叶片光谱探测器的探头测定苎麻样本的叶片高光谱，苎麻样本的叶片采样点选择在叶片主叶脉两边，叶片主叶脉两边各选择2个采样点，一共选择4个采样点，采样点数据做断点校正后再取平均值作为该苎麻样本的叶片高光谱数据。

5.根据权利要求1所述的一种结合高光谱和支持向量机分类的苎麻品种识别方法，其特征在于：所述步骤一中为了消除苎麻样本的叶片高光谱数据在采集时首端与末端产生的噪音，苎麻样本的叶片高光谱数据采集时选择420nm-2450nm之间的光谱数据进行分析，并且便携式地物光谱仪每半小时做一次OPT优化和白板参比。

6.根据权利要求1所述的一种结合高光谱和支持向量机分类的苎麻品种识别方法，其特征在于：所述步骤二中不同品种的苎麻样本的叶片高光谱数据建模集用于建立品种识别模型，不同品种的苎麻样本的叶片高光谱数据预测集不参与建模，仅用于评测模型的准确率。

7.根据权利要求1所述的一种结合高光谱和支持向量机分类的苎麻品种识别方法，其特征在于：所述步骤三中采用PCA提取苎麻样本的叶片特征时以方差累积贡献率判断结果为基础，适当增加主因子个数，最终通过综合权衡模型预测集的正确率、降维的力度和方差累积贡献率等因素来确定主因子个数。

8.根据权利要求1所述的一种结合高光谱和支持向量机分类的苎麻品种识别方法，其特征在于：所述步骤四中为了避免SVC算法的核函数和参数设置对模型的精度与复杂性产生影响，同时为了找到最佳核函数和参数，需要采用不同的SVC核函数及核函数建立苎麻品种识别模，具体为四种不同的SVC核函数，包括Linear、Polynomial、RBF和Sigmoid核函数。