申请/专利权人：河南工业大学

申请日：2017-12-19

公开（公告）日：2020-10-23

公开（公告）号：CN108169165B

主分类号：G01N21/3586(20140101)

分类号：G01N21/3586(20140101)

优先权：

专利状态码：有效-授权

法律状态：2020.10.23#授权;2018.07.13#实质审查的生效;2018.06.15#公开

摘要：本发明公开了一种基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法，步骤包括：1对麦芽糖混合物的光谱和图像样本数据进行特征提取，并将所提取的数据融合；2利用光谱和图像的融合数据建模，对麦芽糖混合物定量分析。本发明的有益效果为：1、本发明的预测精度显著优于采用单一光谱或单一图像的预测精度；2、本发明采用PCA算法对光谱数据和图像数据进行单独特征提取，能够有效地去除噪声，能够较好地提取出于建模相关的特征向量，进而有效地改善多源信息融合模型的预测精度；3、根据结构风险最小化理论提出了一种Boosting迭代终止判断指标，实现了对最小二乘支持向量机基础模型参数的自动优化。

主权项：1.基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法，其特征在于，步骤包括：1采用PCA算法对光谱数据和图像数据进行单独特征提取，并将所提取的数据融合；2利用Boosting-LS-SVM多源信息融合模型对麦芽糖混合物的光谱和图像特征数据进行建模，对麦芽糖混合物定量分析，具体步骤包括：a根据风险最小化理论确定Boosting迭代终止判断条件；b按照迭代终止判断条件对Boosting-LS-SVM多源信息融合模型迭代；c采用相关系数和均方根误差来评价Boosting-LS-SVM多源信息融合模型的预测误差；所述迭代终止判断条件公式为： 其中Cm为第m次迭代后得到的终止指标值，且CmCm-1，m＞1，z表示麦芽糖混合物光谱图像综合特征向量；y表示混合物的浓度值；Fmz表示经过m次Boosting迭代后获得的光谱图像融合模型预测结果；βm表示第m次迭代过程中LS-SVM基础模型的权值；am表示第m次迭代过程中LS-SVM基础模型的参数；n为用于建立融合模型的样本个数。

全文数据：基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法技术领域[0001]本发明涉及一种基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法。背景技术[0002]粮食如果储藏不当，容易发生霉变、芽变、板结、虫蚀、陈化等想象，使得其气味、色泽、组成分含量等都发生变化，近年来涌现了电子鼻、机器视觉、近红外、X射线等众多粮食品质检测方法，但均无法满足精确快速的粮食芽变早期检测需求。粮食在发芽过程中，最主要的化学成分变化是将淀粉转化为用于生长的糖类，而麦芽糖分子在THz波段下存在明显的特征吸收峰，因此可通过对粮食颗粒中麦芽糖分子的定量分析来判别样品的芽变程度，进而实现对粮食的早期检测。[0003]THz波作为一种新的可靠的潜力巨大的无损探测技术，其光谱包含有丰富的物理和化学信息，能够获得其他光谱分析和成像技术所不能得到的信息。由于其独特的特性，THz波及成像技术已经在医学成像、安检、品质检测和质量控制等领域得到了广泛的应用。现有的麦芽糖混合物定量分析方法均采用单一的方法，由于单一的方法信息量不足，造成预测精度值低。发明内容[0004]本发明的目的提供一种基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法，解决单一的方法信息量不足，预测精度值低的技术问题。[0005]针对所提到的问题，本发明提供了一种基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法，步骤包括：[0006]1对麦芽糖混合物的光谱和图像样本数据进行特征提取，并将所提取的数据融合；[0007]2利用光谱和图像的融合数据建模，对麦芽糖混合物定量分析。[0008]优选方案是:步骤1之前还包括获取麦芽糖混合物的光谱和图像的样本数据。[0009]优选方案是:获取麦芽糖混合物的光谱样本数据，步骤包括：[0010]1采用THz-TDS系统对各个浓度麦芽糖混合物进行了测量，得出光谱；[0011]2采用傅里叶变换获得样品的频域光谱；[0012]3计算不同浓度麦芽糖混合物的吸收光谱和折射率。[0013]优选方案是:将不同浓度的麦芽糖混合物薄片放置在THz-TDS系统中的移动平台上，并进行反射成像测量，获得不同浓度麦芽糖混合物的部分THz图像。[0014]优选方案是:采用PCA算法对光谱数据和图像数据进行单独特征提取。[0015]优选方案是：利用Boosting-LS-SVM多源信息融合模型对麦芽糖混合物的光谱和图像特征数据进行预测的具体方法包括为：[0016]1根据风险最小化理论确定Boosting迭代终止判断条件；[0017]2按照迭代终止判断条件对Boosting-LS-SVM多源信息融合模型迭代；[0018]3采用相关系数和均方根误差来评价Boosting-LS-SVM多源信息融合模型的预测误差。[0019]优选方案是：假设有η个样本用于建立融合模型，对于第k个麦芽糖混合物，采用PCA算法样本光谱和图像数据进行特征提取，若一个麦芽糖混合物样品的THz透射光谱样本数据和反射图像样本数据分别为：[0021]其中，Xkl和Xk2分别为第k个麦芽糖混合物的THz透射光谱数据反射图像数据，经过特征提取后的特征向量集分别表示为：[0023]其中，Zkl和Zk2分别为第k个样本光谱数据和图像数据经过特征提取后的特征向量集，将光谱和图像的特征数据相融合，构成信息融合模型的第k个输入向量，表示为：[0025]其中，Zk为第k个样本光谱和图像特征数据融合后的特征向量集。[0026]优选方案是:所述迭代终止判断条件公式为：[0028]其中U为第m次迭代后得到的终止指标值，且UXV1ml，z表示麦芽糖混合物光谱图像综合特征向量;y表示混合物的浓度值;Fmz表示第m次Boosting迭代后得到的基础回归模型，Fmz表示经过m次Boosting迭代后获得的光谱图像融合模型预测结果表示第m次迭代过程中LS-SVM基础模型的权值;am表示第m次迭代过程中LS-SVM基础模型的参数。[0029]优选方案是:Zk的预测值可表示为：[0031]其中Kz，zk为核函数，t为迭代次数，β»表示第m次迭代过程中LS-SVM基础模型的权值;am表示第m次迭代过程中LS-SVM基础模型的参数，Zk为第k个样本光谱和图像特征数据融合后的特征向量集。[0032]本发明的有益效果如下：[0033]1、本发明的预测精度显著优于采用单一光谱或单一图像的预测精度；[0034]2、本发明采用PCA算法对光谱数据和图像数据进行单独特征提取，能够有效地去除噪声，能够较好地提取出于建模相关的特征向量，进而有效地改善多源信息融合模型的预测精度；[0035]3、根据结构风险最小化理论提出了一种Boosting迭代终止判断指标，实现了对最小二乘支持向量机基础模型参数的自动优化。附图说明[0036]图1为麦芽糖THz吸收光谱；[0037]图2为麦芽糖小麦粉混合物THz吸收光谱；[0038]图3a为麦芽糖和聚乙烯混合物不同浓度麦芽糖混合物THz图像；[0039]图3⑹为麦芽糖和小麦粉混合物不同浓度麦芽糖混合物THz图像；[0040]图4为麦芽糖和聚乙烯混合物、麦芽糖和小麦粉混合物预测结果和实际结果相关性散点图。具体实施方式[0041]下面对本发明做进一步的详细说明，以令本领域技术人员参照聚乙烯混合物说明书文字能够据以实施。[0042]应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。[0043]本发明提供了一种基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法，步骤包括：[0044]1对麦芽糖混合物的光谱和图像样本数据进行特征提取，并将所提取的数据融合；[0045]2利用光谱和图像的融合数据建模，对麦芽糖混合物定量分析。[0046]优选方案是:步骤1之前还包括获取麦芽糖混合物的光谱和图像的样本数据。[0047]优选方案是:获取麦芽糖混合物的光谱样本数据，步骤包括：[0048]1采用THz-TDS系统对各个浓度麦芽糖混合物进行了测量，得出光谱；[0049]2采用傅里叶变换获得样品的频域光谱；[0050]3计算不同浓度麦芽糖混合物的吸收光谱和折射率。[0051]优选方案是:将不同浓度的麦芽糖混合物薄片放置在THz-TDS系统中的移动平台上，并进行反射成像测量，获得不同浓度麦芽糖混合物的部分THz图像。[0052]优选方案是:采用PCA算法对光谱数据和图像数据进行单独特征提取。[0053]优选方案是：利用Boosting-LS-SVM多源信息融合模型对麦芽糖混合物的光谱和图像特征数据进行预测的具体方法包括为：[0054]1根据风险最小化理论确定Boosting迭代终止判断条件；[0055]2按照迭代终止判断条件对Boosting-LS-SVM多源信息融合模型迭代；[0056]3采用相关系数和均方根误差来评价Boosting-LS-SVM多源信息融合模型的预测误差。[0057]优选方案是：假设有η个样本用于建立融合模型，对于第k个麦芽糖混合物，采用PCA算法样本光谱和图像数据进行特征提取，若一个麦芽糖混合物样品的THz透射光谱样本数据和反射图像样本数据分别为：[0058]Xkl={xkl,l，Xkl,2,…，Xkl,nl}和Xk2={xk2,l，Xk2,2,…，Xk2,n2}I[0059]其中，XkdPxk2*别为第k个麦芽糖混合物的THz透射光谱数据反射图像数据，经过特征提取后的特征向量集分别表示为：[0060]Zkl={zkl,l，Zkl,2，...Zkl,nl}和Zk2={zk2,l，Zk2,2，...Zk2,n2}2[0061]其中，zkl和zk2分别为第k个样本光谱数据和图像数据经过特征提取后的特征向量集，将光谱和图像的特征数据相融合，构成信息融合模型的第k个输入向量，表示为：[0063]其中，Zk为第k个样本光谱和图像特征数据融合后的特征向量集。[0064]优选方案是:所述迭代终止判断条件公式为：[0066]其中U为第m次迭代后得到的终止指标值，且UXV1ml，z表示麦芽糖混合物光谱图像综合特征向量;y表示混合物的浓度值;Fmz表示第m次Boosting迭代后得到的基础回归模型，Fmz表示经过m次Boosting迭代后获得的光谱图像融合模型预测结果表示第m次迭代过程中LS-SVM基础模型的权值;am表示第m次迭代过程中LS-SVM基础模型的参数。[0067]优选方案是:Zk的预测值可表示为：[0069]其中Kz，zk为核函数，t为迭代次数，表示第m次迭代过程中LS-SVM基础模型的权值;am表示第m次迭代过程中LS-SVM基础模型的参数，Zk为第k个样本光谱和图像特征数据融合后的特征向量集。[0070]1、麦芽糖混合物THz光谱特征[0071]采用THz-TDS系统对各个浓度麦芽糖混合物进行了测量，对每个混合物样品均测量三次，计算其平均光谱，并在测量每两个浓度样品混合物之间先测量一个参考信息，接着采用傅里叶变换获得样品的频域光谱，最后计算不同浓度麦芽糖混合物的吸收光谱和折射率，图1给出了部分麦芽糖与聚乙烯混合物的吸收光谱，图2给出了部分麦芽糖与小麦粉混合物的吸收光谱。[0072]2、麦芽糖混合物THz图像特征[0073]将不同浓度的麦芽糖混合物薄片放置在THz-TDS系统中的移动平台上，并进行反射成像测量。获得不同浓度麦芽糖和聚乙烯混合物的部分THz图像于I.OTHz处如图3a所示，不同浓度麦芽糖和小麦粉混合物的部分THz图像（于I.OTHz处）如图3b所示，图中0%表示纯聚乙烯或小麦粉末。由图可得，随着麦芽糖含量的增加，THz图像之间的发生了明显的变化，说明采用THz成像技术实现对麦芽糖成分的定量检测是现实可行的。[0074]3、基于太赫兹光谱和图像信息融合技术的小麦麦芽糖定量分析建模[0075]1对麦芽糖混合物的光谱和图像样本数据进行特征提取。[0076]假设有η个样本用于建立融合模型，对于第k个麦芽糖混合物，采用PCA算法样本光谱和图像数据进行特征提取，若一个麦芽糖混合物样品的THz透射光谱样本数据和反射图像样本数据分别为：[0077]Xkl={xkl,l，Xkl,2,…，Xkl,nl}和Xk2={xk2,l，Xk2,2,…，Xk2,n2}1[0078]其中，XkdPxk2*别为第k个麦芽糖混合物的THz透射光谱数据反射图像数据，经过特征提取后的特征向量集分别表示为：[0079]Zkl={zkl,l，Zkl,2，...Zkl,nl}和Zk2={zk2,l，Zk2,2，...Zk2,n2}2[0080]其中，Zkl和Zk2分别为第k个样本光谱数据和图像数据经过特征提取后的特征向量集，将光谱和图像的特征数据相融合，构成信息融合模型的第k个输入向量，表示为：[0082]其中，Zk为第k个样本光谱和图像特征数据融合后的特征向量集。[0083]2利用Boosting-LS-SVM多源信息融合模型对麦芽糖混合的光谱和图像特征数据进行预测。[0084]根据迭代终止判断条件公式：[0086]其中U为第m次迭代后得到的终止指标值，且UXV1ml，z表示麦芽糖混合物光谱图像综合特征向量;y表示混合物的浓度值;Fmz表示第m次Boosting迭代后得到的基础回归模型，Fmz表示经过m次Boosting迭代后获得的光谱图像融合模型预测结果表示第m次迭代过程中LS-SVM基础模型的权值;am表示第m次迭代过程中LS-SVM基础模型的参数。计算得到的Boosting-LS-SVM融合模型的最佳迭代次数为t次，前t次迭代中LS-SVM基础模型的权值分别为:βι，02，…βη，基础模型的参数分别为:ai，a2，…Eit和ai，b2，+bt，则获得的组合模型对Zk的预测值可表示为：[0088]其中Kz，Zk为核函数。[0089]为了防止光谱和图像数据信息量不均衡而对信息融合模型预测精度的影响，本方法首先采用PCA算法分别对THz光谱数据样本和图像数据样本进行特征提取，控制每种数据样本的特征信号的数量，选取THz光谱数据中的前4个主成分和图像数据中的前5个主成分作为LS-SVM模型的输入，再对特征数据利用Boosting-LS-SVM算法进行信息融合建模。同时LS-SVM算法采用径向基核函数RBF和网格搜索算法来评价光谱图像组合模型的泛化性能。Boosting-LS-SVM算法中首先需要根据经验值设置基础模型LS-SVM的两个参数C，γ，然后按照上述提到的迭代终止判断条件对LS-SVM基础模型进行Boosting迭代，最后采用相关系数R和均方根误差RMSE来评价模型的预测误差，其计算公式如下：[0091]其中j表示麦芽糖含量的标准测量值，f表示Boosting-LS-SVM融合模型预测值。RMSE值越小，表示融合模型的预测精度越高。[0092]贝IjBoosting-LS-SVM算法中经过m次Boosting迭代后的迭代终止判断指标值Cm可以表示为：[0094]其中Fmz表示经过m次Boosting迭代后获得的光谱图像融合模型预测结果;仏表示第m次迭代过程中LS-SVM基础模型的权值;am表示第m次迭代过程中LS-SVM基础模型的参数。[0095]3建立基于Boosting集成方法的小麦麦芽糖定量分析融合模型[0096]在相应最优特征数据组合下，分别采用单一THz光谱特征数据、单一THz图像特征数据及THz光谱特征数据和图像特征数据相结合进行了Boosting-LS-SVM建模，表1列出了麦芽糖聚乙烯混合物和麦芽糖小麦粉混合物的三种Boosting-LS-SVM融合模型最佳预测结果及相应的参数。[0097]由表1可以看出采用THz光谱特征数据和图像特征数据构建的Boosting-LS-SVM模型的预测精度要显著优于采用单一光谱数据和单一图像数据特征提取后构建的Boosting-LS-SVM模型的最优预测结果。结果证明本文提出的PCA+Boosting-LS-SVM信息融合模型能够有效地去除噪声，能够较好地提取出与建模相关的特征向量，进而有效地改善多源信息融合模型的预测精度。[0098]表1麦芽糖混合物的Boosting-LS-SVM模型预测结果及相应参数[0099][0101]如图4所示，麦芽糖和聚乙烯混合物、麦芽糖和小麦粉混合物，采用PCA方法对光谱数据和图像数据进行单独特征提取后，再用融合特征数据构建的Boosting-LS-SVM信息融合模型的预测结果和实际结果相关性散点图。由图可以看出，本文采用的PCA+Boosting-LS-SVM多源信息融合模型对麦芽糖混合物的预测值能够较好的逼近实际测量值，二者的线性相关度较高，说明本文提出的方法能够显著改进麦芽糖混合物中麦芽糖含量的预测精度，是一种有效地麦芽糖定量检测方法，为粮食芽变早期检测奠定了重要的理论和技术基础，具有重大的应用推广价值。[0102]尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。

权利要求：1.基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法，其特征在于，步骤包括：1对麦芽糖混合物的光谱和图像样本数据进行特征提取，并将所提取的数据融合；2利用光谱和图像的融合数据建模，对麦芽糖混合物定量分析。2.根据权利要求1所述的基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法，其特征在于，步骤1之前还包括获取麦芽糖混合物的光谱和图像的样本数据。3.根据权利要求2所述的基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法，其特征在于，获取麦芽糖混合物的光谱样本数据，步骤包括：1采用THz-TDS系统对各个浓度麦芽糖混合物进行了测量，得出光谱；2采用傅里叶变换获得样品的频域光谱；3计算不同浓度麦芽糖混合物的吸收光谱和折射率。4.根据权利要求2所述的基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法，其特征在于，将不同浓度的麦芽糖混合物薄片放置在THz-TDS系统中的移动平台上，并进行反射成像测量，获得不同浓度麦芽糖混合物的部分THz图像。5.根据权利要求1所述的基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法，其特征在于，采用PCA算法对光谱数据和图像数据进行单独特征提取。6.根据权利要求1所述的基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法，其特征在于，利用Boosting-LS-SVM多源信息融合模型对麦芽糖混合物的光谱和图像特征数据进行定量分析，具体步骤包括：1根据风险最小化理论确定Boosting迭代终止判断条件；2按照迭代终止判断条件对Boosting-LS-SVM多源信息融合模型迭代；3采用相关系数和均方根误差来评价Boosting-LS-SVM多源信息融合模型的预测误差。7.根据权利要求6所述的基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法，其特征在于，假设有η个样本用于建立融合模型，对于第k个麦芽糖混合物，采用PCA算法样本光谱和图像数据进行特征提取，若一个麦芽糖混合物样品的THz透射光谱样本数据和反射图像样本数据分别为：Xkl={xkl,l，Xkl,2,…，Xkl,nl}和Xk2={xk2,l，Xk2,2,…，Xk2,n2}I其中，Xkl和Xk2分别为第k个麦芽糖混合物的THz透射光谱数据反射图像数据，经过特征提取后的特征向量集分别表示为：Zkl={zkl,l，Zkl,2,."Zkl,nl}和Zk2={zk2,l，Zk2,2,."Zk2,n2}2其中，Zkl和Zk2分别为第k个样本光谱数据和图像数据经过特征提取后的特征向量集，将光谱和图像的特征数据相融合，构成信息融合模型的第k个输入向量，表示为：其中，Zk为第k个样本光谱和图像特征数据融合后的特征向量集。8.根据权利要求7所述的基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法，其特征在于，所述迭代终止判断条件公式为：其中U为第m次迭代后得到的终止指标值，且CmXV1mI，Z表示麦芽糖混合物光谱图像综合特征向量;y表示混合物的浓度值;FmZ表示第111次13〇〇81ing迭代后得到的基础回归模型，Fmz表示经过m次Boosting迭代后获得的光谱图像融合模型预测结果表示第m次迭代过程中LS-SVM基础模型的权值;am表示第m次迭代过程中LS-SVM基础模型的参数。9.根据权利要求8所述的基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法，其特征在于，Zk的预测值可表示为：其中Kz，Zk为核函数，t为迭代次数，表示第m次迭代过程中LS-SVM基础模型的权值；am表示第m次迭代过程中LS-SVM基础模型的参数，Zk为第k个样本光谱和图像特征数据融合后的特征向量集。

百度查询： 河南工业大学 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD