[发明专利]基于高光谱成像技术的猕猴桃货架期快速判别方法

权利要求书

1.基于高光谱成像技术的猕猴桃货架期快速判别方法，其特征在于：包括以下判别步骤：

S1：取不同货架期的猕猴桃样本，并采集猕猴桃样本的高光谱图像，再对该图像进行黑白校正，获得校正后图像R：

式中，R为校正后图像，R_D为黑标准图像，R_W为白标准图像，R₀为猕猴桃高光谱图像；

S2：对校正后的图像进行降噪处理，获得有效光谱信息

式中，X_i,j为猕猴桃样本在各波长下提取的感兴趣区域内每个像素点的光谱信息值，所述感兴趣区域为校正后图像中选择猕猴桃中间部位85×85像素点的正方形区域，h为感兴趣区域内的像素点数，为猕猴桃样本在各波长点处求取的有效光谱信息值；

S3：采用DOSC处理方法对有效光谱信息进行预处理；

S4：将预处理后的有效光谱信息采用SPA算法提取出特征光谱变量；

S5：建立ELM模型，再将特征光谱变量输入至ELM模型中，获得待测猕

猴桃货架期的判别结果；ELM模型为：

式中，x_j为第j个样本的输入变量，g(·)为隐含层神经元激活函数，b_i为隐含层神经元的偏置，l、L分别为隐含层节点数和样本数，w_i为输入层节点到隐含层节点之间的权值，β_i为隐含层节点到输出层节点之间的权值，f(x_i)是ELM模型的输出值；

所述DOSC处理方法包括以下步骤：

S31：对有效光谱矩阵x(n×m)、真实货架期矩阵Y(n×1)进行均值中心化，其中，n为猕猴桃样本个数，m为有效光谱变量数；

S32：将Y分解成正交部分M和F，其中，M是Y在X上的投影，即M＝X'((X')^-1)Y，F与X正交；

S33：将X分解成2个正交部分，一部分与M同幅值，另一部分与M正交，

即Z＝X-MM^-1X；

S34：对Z×Z'进行奇异值分解，求得Z的得分矩阵T_d；

S35：计算权重矩阵H：H＝X^-1T_d；

S36：计算新的得分矩阵T_d-new:T_d-new＝XH；

S37：计算载荷矩阵Q：Q＝X'T_d-new(T_d-new'T_d-new)^-1；

S38：计算预处理后的光谱信息矩阵X_DOSC：X_DOSC＝X-T_d-newQ'；

所述SPA算法包括以下步骤：

S41：将预处理后的光谱信息X_DOSC标准化处理为X_M×K，其中，K是预处理后的光谱波段数，N为SPA提取出的特征光谱变量个数；

S42：任选一列光谱数据x_j，记为变量x_k(0)(k(0)＝j)；

S43：定义集合代表其余未选中的光谱变量；

S44：计算x_j在S上的投影P_xj:

S45：记录投影向量中最大投影k(n)：k(n)＝arg(max||Px_j||,j∈S)；

S46：令P_xj为下轮迭代的投影向量：x_j＝P_xj,j∈S；

S47：若n＜N，返回步骤S43，继续投影；

在步骤S5中，在特征光谱变量输入至ELM模型之前，需对ELM模型的权值(w_i,β_i)和隐含层偏置b_i采用PSO算法处理，PSO处理步骤如下：

S51：初始化粒子群算法的参数，包括学习因子c₁和c₂、惯性因子初值ω_ini和终值ω_end、隐含层节点数、迭代次数K和粒子种群数，以及粒子的寻优范围；

S52：以ELM实际输出与期望输出的RMSEC为适应值，计算所有粒子的适应值，并从中找出全局最佳适应值和对应的全局最优粒子；

S53：更新各粒子并计算其适应值，并与前一次各自的个体适应值作比较，若此次适应值更接近期望值，则更新粒子及其相应的适应值，否则维持不变；

S54：在各粒子的适应值中找出新的全局最佳适应值和新的全局最优粒子；

S55：若新的全局最佳适应值优于上次的全局最佳适应值，则保留该次全局最佳适应值及相应的全局最优粒子，否则维持不变；

S56：判断当前迭代次数k是否等于迭代次数K，或粒子对应的RMSEC为限值范围内的最小值；若是，则结束对ELM模型的PSO处理；若否，循环执行步骤S52～S55。