[发明专利]基于小波包分析的近红外光谱信号处理方法及系统

说明书

本公开提供了一种基于小波包分析的近红外光谱信号处理方法及系统，先采集样品光谱，然后运用小波包阈值去噪法对原始光谱矩阵处理，运用马氏距离计算离群样本并剔除，运用小波包分解对每个频段的光谱信息进行离散度分析找出无关变量并剔除，最后通过偏最小二乘法计算光谱的主成分，对光谱进行小波包分解计算底层结点小波包系数的重构系数方差，主成分与方差组合作为光谱特征，运用特征进行建模。本公开减少了冗余变量，提高了建模速度与精度。

技术领域

本公开涉及一种基于小波包分析的近红外光谱信号处理方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

近年来近红外无损检测凭借其快速、高效、简便、无损伤及准确性高等特点在水果内部无损检测等方面得到广泛应用，因此，运用近红外技术对红富士苹果内部品质检测具有可行性。

在快速无损检测中，由于仪器扫描速度快、外部环境等对光源、机器的使得所得的近红外光谱混有噪声干扰，并由于检测环境或检测仪器的影响存在异常样本，又因为波长变量繁多，部分波长与可溶性固形物含量没有线性关系，以上原因大大影响了光谱数据分析的准确性，因此需要对光谱数据进行预处理、提取光谱特征以提高建模精度。选择合适有效的方法对光谱进行预处理对数据模型的建立至关重要。现国内外对的可溶性固形物含量的预测研究并没有针对水果，因此对水果的糖度含量的预测不具备通用性。

发明内容

本公开为了解决上述问题，提出了一种基于小波包分析的近红外光谱信号处理方法及系统，本公开特别面向于水果,克服了由于检测环境、检测仪器自身等其他原因产生的光谱干扰，剔除了无关光谱变量，提取光谱特征值使得建模效果达到了较高的水平。

根据一些实施例，本公开采用如下技术方案：

一种基于小波包分析的近红外光谱信号处理方法,采集样品光谱，然后运用小波包阈值去噪法对原始光谱矩阵处理，运用马氏距离计算离群样本并剔除，运用小波包分解对每个频段的光谱信息进行离散度分析找出无关变量并剔除，最后通过偏最小二乘法计算光谱的主成分，对光谱进行小波包分解计算底层结点小波包系数的重构系数方差，主成分与方差组合作为光谱特征，运用特征进行建模。

一种基于小波包分析的近红外光谱信号处理方法,包括以下步骤:

(1)分别采集多次水果赤道的不同位置的光谱，并取平均光谱，得到光谱矩阵，获取对应水果的可溶性固形物含量，得到可溶性固形物含量矩阵；

(2)选择p组可溶性固形物含量相同的光谱，分别进行小波包分解，得到多频带的光谱信息，对每个频带的小波系数进行重构，对各组数据在每个频带进行离散度分析；

(3)选择m组可溶性固形物含量不同的平均光谱，对m组光谱数据进行小波包分解，对各个频带内的光谱进行离散度分析；

(4)提取步骤(2)和步骤(3)中离散后的波长中的重复波长，将样品光谱对应重复波长中的波长剔除；

(5)运用偏最小二乘回归法计算剔除了重复波长的光谱矩阵中前z个成分得到成分矩阵g，对每一条光谱进行小波包分解，并对底层节点进行系数重构，计算重构系数的方差，得到特征矩阵；

(6)运用偏最小二乘,通过特征矩阵与可溶性固形物含量矩阵，建立水果可溶性固形物含量预测模型。

作为进一步的限定，所述步骤(1)中，对每条光谱数据进行小波包阈值去噪，得到经过去噪处理的光谱矩阵,利用马氏距离计算离群样本并剔除算得的异常样本。

作为进一步的限定，所述步骤(2)中，对每个频带的小波系数进行重构，对p组数据在每个频带进行离散度分析，即计算p组数据在每一频带的标准差，取各频带标准差最大的点所对应的波长，得到2^n个波长。