[发明专利]一种基于高光谱的冷库果蔬冷害检测方法

权利要求书

1.一种基于高光谱的冷库果蔬冷害检测方法，其特征在于：包括以下步骤：

S1，建立神经网络分类检测模型，选取一种果蔬为待检测样本，选取100个受到冷害的果蔬样本为神经网络模型的训练集，再选取15个冷害果蔬样本和15个健康果蔬样本作为测试集；

S2，将待检测的样本置于黑暗环境中，通过可控光源在待检测样本的两侧斜上方进行直线照射，通过高光谱相机进行光谱图像采集；

S3，对采集到的高光谱图像进行预处理，通过图像预处理模块2中的图像去噪单元21去除随机信号噪声，通过黑白校正单元22对图像进行校正；

S4，对高光谱图像进行光谱数据分析，通过主成分分析单元对预处理后高光谱图像进行降维处理，选取感兴趣区域，提取出光谱数据传输到神经网络模型中作为模型的输入，得到检测结果；

S5，将神经网络模型的辨识结果通过检测结果显示模块显示出来。

2.根据权利要求1所述的一种基于高光谱的冷库果蔬冷害检测方法，其特征在意：所述的步骤S3包括：

S3.1，图像去噪方法采用最小噪声分离法进行降噪预处理，检测图像数据的内在维数，分离出数据中的噪声，减少后续处理所需的计算量，增强光谱信息的表达；

S3.2，对高光谱图像进行黑白校正，根据下式对图像进行校正：

其中R表示最终获得的高光谱反射率图像，S表示直接采集得到的原始高光谱样本图像，D表示系统暗电流存在情况下的参考图像，W表示标准白板的参考图像。

3.根据权利要求1所述的一种基于高光谱的冷库果蔬冷害检测方法，其特征在于：所述的步骤S4包括：

S4.1，主成分分析单元对高光谱图像进行降维，去除冗余信息，根据原协方差矩阵S的特征值和特征向量计算主成分的方差贡献率，保留包含绝大部分信息的前两个主成分图像，并从中选取感兴趣区域提取光谱信息；

S4.2，神经网络模型由输入层、隐藏层、输出层组成，输入层输入为主成分图像中提取的高光谱数据，输出层输出为分类检测结果，即该果蔬是否受到冷害；通过训练集100个训练样本对神经网络模型进行训练，训练完成后通过包含15个冷害样本和15个健康样本的测试集对训练结果进行测试，提高辨识度。

4.根据权利要求3所述的一种基于高光谱的冷库果蔬冷害检测方法，其特征在于：

所述的步骤S4.2包括：

S4.2.1，神经网络分类检测模型采用BP神经网络，激活函数f(x)选用sigmod函数；X_i为输入层神经元，b_h为隐藏层神经元，Y_j为输出层神经元；由输入层到隐藏层的权值记为v_ih，由隐藏层到输出层的权值记为w_hj；隐藏层第h个神经元的阈值记为γ_h，输入为β_h，输出层神经元的阈值记为θ_j，输入为α_j；

S4.2.2，分类模型参数更新依据“梯度下降法”反向计算更新参数；

神经网络模型初始参数迭代5000次，步长0.6，精度0.01，权值和阈值初始值为(0，1)之间的随机值；其中误差记为E_k，对模型的参数进行更新时，根据误差逐层调整权值和阈值，一步一步缩小误差，当精度达到要求或迭代次数满5000次停止迭代；

利用下式来调整隐藏层到输出层的权值：

利用下式来调整输出层的阈值：

利用下式来调整输入层到隐藏层的权值：

Δv_ih＝-ηe_hx_i，

利用下式来调整隐藏层的阈值：

Δγ_h＝ηe_h，

其中

5.根据权利要求1所述的一种基于高光谱的冷库果蔬冷害检测方法，其特征在于：所述的步骤S5进包括：

若输入的高光谱数据不存在冷害光谱数据，则输出为Y₁，绿色显示灯亮起；若输入的高光谱数据存在冷害光谱数据，则输出为Y₂，红色显示灯亮起。