[发明专利]一种用于茶叶外形品质检测的高光谱特征波段优化方法

说明书

本发明公开了一种用于茶叶外形品质检测的高光谱特征波段优化方法，属于农业农产品无损检测与控制领域。该方法主要分为两个阶段，第一阶段是获取可见/近红外光谱数据，通过设计的FWCA算法筛选光谱特征波段，初步压缩高光谱图像数据；第二阶段是对初步压缩压缩后的高光谱图像数据进行PCA，进一步精细优化高光谱特征波段。本发明解决了常规高光谱图像分析数据量大、共线性信息多、计算成本高等问题；具有提升数据压缩率、减少CPU处理时间及保证特征波段选择的稳定性等有益效果。

技术领域

本发明属于农业农产品无损检测与控制领域，具体涉及一种用于茶叶外形品质检测的高光谱特征波段优化方法。

背景技术

茶叶是一种有益于人体健康的天然保健饮料，目前已成为世界上消费量最大的饮料之一。茶叶内含有人体所必需的蛋白质、氨基酸、维生素等多种营养成分，还含有茶多酚、咖啡碱等多种成分。茶叶品质的好坏，直接跟茶叶内这些成分含量及比例有关。而其内部成分的信息可通过高光谱数据中的光谱信息来体现；而其图像信息又能充分反映茶叶的色泽和外形等品质特征。因此，可利用高光谱成像技术对茶叶的内部和外部品质进行客观分析。

随着现代光学精密仪器的发展，高光谱图像数据越来越庞大，一个样本数据甚至高达10GB。如此庞大的数据给高光谱图像的分类、识别带来了很大困难。因此，减少数据量、节省资源的降维处理非常有必要，波段选择和特征提取是高光谱图像的两种主要降维方法，各有利弊。本发明提出一种集成波段选择和特征提取于一体的高光谱图像特征优化新方法，可有效提高茶叶高光谱图像特征提取的效率和准确度。

发明内容

本发明的目的是提供一种用于茶叶外形品质检测的高光谱特征波段优化方法，可用作茶叶高光谱特征图像筛选，以解决常规高光谱图像分析数据量大、共线性信息多、计算成本高等问题。

本发明所采用的技术方案是：一种用于茶叶外形品质检测的高光谱特征波段优化方法包括以下步骤：

步骤1、从茶叶高光谱图像中截取500×500像素图像作为感兴趣区域，从感兴趣区域50×50像素内提取可见/近红外平均光谱，并利用离散小波变换对提取的可见/近红外光谱进行预处理，以消除噪声信息；

步骤2、设计特征波段组合分析(feature wavenumber combination analysis,FWCA)算法筛选可见/近红外光谱的特征波段，再提取优选特征波段下的高光谱图像，实现高光谱图像数据的初步压缩；

步骤3、对初步压缩后的高光谱图像数据进行主成分分析(principal componentanalysis,PCA)，并根据PCA统计结果确定最终高光谱特征波段。

进一步，步骤1中所述离散小波变换，其小波基函数采用db系列(db2-db6)，原始信号分解层次取3层或4层，选用“heursure”软阈值模式对分解后的高频系数进行滤噪，最后利用滤噪后的高频系数结合分解的低频系数进行信号重构，获得离散小波滤噪后的可见/近红外光谱。

进一步，步骤2中所述FWCA算法是以自然对数衰减函数(natural logarithmicdecay function,NLDF)来压缩变量空间，决定每一次迭代后要保留变量个数；在NLDF迭代过程中采用的采样准则为二进制矩阵抽样(binary matrix sampling,BMS)，BMS可以保证所有变量有相同的机会被采样；此外，偏最小二乘判别分析(partial least squaresdiscriminant analysis,PLS-DA)作为FWCA算法优化变量子集的分类器，采用交叉验证(cross-validation,CV)法，以最高分类识别率作为目标函数确定最佳变量子集。

进一步，FWCA算法的具体实现过程如下：

①给定光谱数据集X(m×n，m为样本数、n为变量数)；BMS运行次数p，取100；NLDF运行次数N，取100。