申请/专利权人：四川轻化工大学

申请日：2023-11-23

公开（公告）日：2024-04-02

公开（公告）号：CN117288692B

主分类号：G01N21/25

分类号：G01N21/25;G01N21/359;G01N21/3563;G01N31/16;G06V10/25;G06V10/766

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2024.01.12#实质审查的生效;2023.12.26#公开

摘要：本发明提供了一种酿酒粮食中单宁含量的检测方法。采用高光谱成像技术对酿酒粮食中单宁含量进行快速检测，将待测样本的光谱数据输入到最佳检测模型中，获得单宁含量预测值，并根据射流色度带原理生成相应指标含量的可视化云图，实现对粮食颗粒中单宁含量分布的可视化检测。本发明通过采用去趋势化对光谱进行预处理，可以有效去除传感器获取数据时产生的偏移，将数据分析集中在波动上；IVSO与VIP相结合的算法来提取特征波长，能有效减少重要变量丢失的风险，高效去除冗余信息，提高模型运算速度；采用多粒度级联森林模型来预测酿酒粮食中单宁的含量，该模型自适应能力强，预测准确度高。为固态智能酿造提供了一种新的技术途径。

主权项：1.一种酿酒粮食中单宁含量的检测方法，其特征在于，包括以下具体步骤：S1、利用高光谱成像系统通过推扫帚线性扫描采集粮食样本可见光图像和短波近红外区域的高光谱图像，并进行黑白校正处理；所述短波近红外区域的波段为397~1004.5nm；S2、采用络合滴定法测定粮食样本中单宁含量；S3、对步骤S1中采集到的粮食样本图像划定感兴趣区域，提取感兴趣区域内粮食样本的光谱数据；S4、对步骤S3中获得的光谱数据进行预处理提取特征波段，具体过程为：S41、采用去趋势DT方法对步骤S3得到的平均光谱数据进行预处理；S42、通过使用迭代变量子集优化算法IVSO与变量投影重要性分析算法VIP相结合的数据降维处理方法，从步骤S41得到的光谱数据中去除冗余信息，筛选出具有代表性的特征波段；所述的去除冗余信息包括以下步骤：S421、以偏最小二乘回归系数PLS的大小代表变量的重要性，再采用加权二进制矩阵采样和顺序加法两种方法以竞争的方式逐渐地消除无用信息变量；S422、创建N个PLS子模型，计算回归系数矩阵B，B=[b1,b2,…bn]T，将矩阵B的每一行归一化，生成矩阵C，创建PLS模型计算公式如下式： 其中，为PLS回归系数的向量，为分数矩阵，为输入待测矩阵，为PLS模型通过待测矩阵建立的关系结果，是组合系数，为对的最小二乘回归系数，为模型无法解释的残差向量；S423、将矩阵C的每一列求和，作为对应变量的判据，用S向量表示；S424、通过对加权二进制矩阵采样的变量数，即L1变量按判据顺序相加，构建L1子模型，然后将得到的L1变量交叉验证均方根误差值最低的L1子模型中的变量子集作为本轮迭代的目标变量子集L2，并记录RMSECV值R和变量子集L2的长度；S425、将向量S归一化，计算权重，计算公式如下式所示： 其中，表示第j个子模型中第i个变量的回归系数，表示行向量的最大值，由所有组成的归一化回归系数矩阵用C表示，C中的元素取值范围为0~1；S426、重复步骤S421-S425，直到L1等于L2，选取R值最小的变量子集作为算法的最终变量子集；S427、利用变量投影重要性分析算法对迭代变量子集优化算法提取的特征波长进行再次筛选，并以1为分数界限，提取VIP分数值大于1的变量，所述的VIP分数值计算公式如下式所示： 其中，是指每个自变量所获得的分数值，为自变量维数，为第成分，为模型中选取的成分数，为轴h对应自变量的分量，表示Y由成分ah所解释的变异，而则表示Y由a1～ai解释的累计变异精度；S5、建立基于全波段和特征波段的单宁含量检测模型；采用联合X-Y距离算法将波段数据划分为校正集与测试集，随后利用IVSO-VIP提取的特征波段与全波段的光谱数据值分别与步骤S2得到的单宁含量对应，将校正集波段数据与对应单宁含量输入gcForest检测模型确定模型权重参数，并随后将测试集波段数据与对应单宁含量输入建立的gcForest检测模型，确定所述gcForest检测模型的性能；S6、将待检测样本光谱数据输入到所述的检测模型中，得到检测结果，生成单宁含量可视化云图。

全文数据：

权利要求：

百度查询： 四川轻化工大学 一种酿酒粮食中单宁含量的检测方法

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