[发明专利]一种基于机器学习的水果品质检测方法

说明书

本发明公开了一种基于机器学习的水果品质检测方法，属于大数据技术领域，包括建立传感器单元、采集单元和上位机，上位机根据主成分样本气体数据建立训练集和测试集，上位机对训练集中的主成分样本气体数据进行分析降维，利用KNN算法对训练集进行修剪，利用SVM进行训练，得到训练模型，根据训练模型对测试集中的主成分样本气体数据进行分类，解决了基于机器学习和气体数据的水果品质检测的技术问题，本发明在传感器单元增加了导流板，能够解决气流不稳定问题，本发明运用机器学习方法和嵌入式设备相结合的硬件实物、根据水果气体数据来进行水果品质检测，检测步骤简单，容易安装，适用于多种水果储存环境。

技术领域

本发明属于大数据技术领域，特别涉及一种基于机器学习的水果品质检测方法。

背景技术

当前，我国的近红外检测设备大多数来源于进口，进口的仪器包含两类：

(1)实验室里使用的大型检测设备，这种检测设备一般价格高、体积大，检测操作过程较繁琐，对实验的环境要求也比较高。

(2)在水果加工企业对果品加工时，需要对果品进行品质判定检测设备，微型化的检测设备是近几年才发明的，但是很少见，大部分也是设计为研究人员使用的，不适合低价格的大规模推广。

近年来，为了降低仪器成本，实现仪器微型化、低功耗、响应速度快，基MEMS技术的近红外光谱仪不断被开发出来。国内苏雷龙、叶坤涛等作了相应的设计与研究，但离实际应用还存在一定的距离。近期，美国德州仪器公司开发出了一款基于数字光处理技术的近红外光谱仪DLP NIRScan Nano，采用单点探测器，相较于传统仪器的线性阵列探测器，成本大幅度降低。但便携式光谱仪的光谱分辨率、信噪比、稳定性不如研究型光谱仪高，光谱模型的预测精度也不如研究型光谱仪高。因此，目前多数近红外光谱分析仪器体积大(通常采用光纤光谱仪)、光源功耗高、价格高昂，难以适合现场检测的需求。

发明内容

本发明的目的是提供一种基于机器学习的水果品质检测方法，解决了基于机器学习和气体数据的水果品质检测的技术问题。

为实现上述目的，本发明采用以下技术方案：

一种基于机器学习的水果品质检测方法，包括如下步骤：

步骤1：建立传感器单元、采集单元和上位机；

步骤2：传感器单元包括导气瓶，导气瓶左端设有废气排出口，右端设有进气口，导气瓶内设采集单元、阵列传感器和吸气泵；

吸气泵和阵列传感器均与采集单元电连接；

步骤3：上位机对采集单元上传的样本气体数据进行筛选，得到样本气体数据的主成分样本气体数据；

步骤4：上位机根据主成分样本气体数据建立训练集和测试集，设定训练集中的主成分样本气体数据为x_j，测试集中的主成分样本气体数据为x_i，其中，x为主成分样本气体数据的具体值，i和j均为样本气体数据的编号，i和j的取值均为正整数；

步骤5：对待测样本进行分类时，利用KNN算法对训练集进行修剪，选取k个与待测样本最近邻样本作为新训练集；选取最近邻样本时利用欧式距离公式计算距离值，欧式距离的公式如下：

其中，L为最终计算的样本的距离值，n为测试集中的主成分样本气体数据的总数；

步骤6：若k个样本属于同一类时，则待测样本即属于该类；否则利用SVM对新训练集进行训练，得到新的训练模型，利用新的训练模型来预测样本数据类别，SVM的核函数选取高斯径向核函数，高斯径向核函数的公式如下：

其中，KNN中的k值，SVM中核函数的核宽σ以及误差乘法参数C通过对样本的交叉验证来选取最优值。