水稻镉含量的预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115773990A(43)申请公布日2023.03.10(21)申请号202211490358.8G01N21/3563(2006.01)(22)申请日2022.11.25G01N21/359(2006.01)(71)申请人华南农业大学地址510000广东省广州市天河区五山路483号(72)发明人邓海东罗水洋龙拥兵赵静徐海涛梁瑞清袁雪冯坤盛高世龙邓巍琪(74)专利代理机构广州市时代知识产权代理事务所(普通合伙)44438专利代理师陈惠珠(51)Int.Cl.G01N21/27(2006.01)G06F17/16(2014.01)G01N21/31(2014.01)权利要求书1页说明书6页附图2页(54)发明名称水稻镉含量的预测方法(57)摘要本申请是关于一种水稻镉含量的预测方法。本水稻镉含量的预测方法，通过原始光谱数据建立、原始光谱数据预处理、预测模型建立及预测模型优化等步骤，该方法通过对原始光谱数据预处理与特征降维，并通过联通原始光谱数据、特征降维和预测模型构建的全流程，进行全流程、端到端地模型训练，从而得到优化后的回归预测模型，优化后的回归预测模型在实际应用中不会面对陌生数据失效，提升了回归预测模型整体的泛化能力。CN115773990ACN115773990A权利要求书1/1页1.一种水稻镉含量的预测方法，其特征在于，包括如下步骤：原始光谱数据建立：收集样本地的水稻作为样本集；对所述样本集中的样本进行光谱扫描，得到原始光谱数据；原始光谱数据预处理：对所述原始光谱数据进行预处理，得到初始光谱数据；预测模型建立：基于初始光谱数据与样本实际含镉量利用核岭回归算法建立模型，得到水稻中镉含量的预测模型；所述样本实际含镉量为所述样本通过化学方法测定的含镉量；预测模型优化：利用网络搜索算法优化所述预测模型，得到回归预测模型；通过所述回归预测模型进行镉含量预测。2.根据权利要求1所述的水稻镉含量的预测方法，其特征在于：对所述样本集中的样本进行光谱扫描，得到原始光谱数据包括：利用高光谱成像系统对所述样本集的样本进行光谱扫描，采集范围为402.6～1005.5纳米和900.2～1710.5纳米的可见光高光谱以及402.6～1005.5纳米和900.2～1710.5纳米的近红外高光谱的高光谱数据，得到原始光谱数据。3.根据权利要求1所述的水稻镉含量的预测方法，其特征在于：对所述原始光谱数据进行预处理，得到初始光谱数据包括：对所述原始光谱数据进行反射率校正，并通过阈值分割算法来分割样本和背景的像素，计算得到所述样本集的平均光谱数据。4.根据权利要求3所述的水稻镉含量的预测方法，其特征在于：得到所述样本集的平均光谱数据之后还包括：对所述样本集的平均光谱数据进行卷积平滑预处理，得到预处理光谱数据。5.根据权利要求3所述的水稻镉含量的预测方法，其特征在于：对所述样本集的平均光谱数据进行卷积平滑预处理之后还包括：对所述预处理光谱数据运用截断奇异值分解算法进行特征降维。6.根据权利要求2所述的水稻镉含量的预测方法，其特征在于：所述光谱扫描的条件如下：所述高光谱成像系统的镜头与所述样本的距离为20‑30厘米，所述近红外高光谱的曝光时间为3.5毫秒，所述可见光高光谱的曝光时间为12.5毫秒。7.根据权利要求1所述的水稻镉含量的预测方法，其特征在于：所述样本实际含镉量为利用分光光度计检测方法检测所述样本集中的镉含量。8.根据权利要求1所述的水稻镉含量的预测方法，其特征在于：所述预测模型优化之前还包括：利用管道机制联通所述原始光谱数据预处理及所述预测模型建立。2CN115773990A说明书1/6页水稻镉含量的预测方法技术领域[0001]本申请涉及水稻重金属含量预测技术领域，尤其涉及水稻镉含量的预测方法。背景技术[0002]近年来，随着机器学习算法的发展与改进，机器学习在回归预测问题中的表现已经无限接近基于物理化学检测技术的检测结果与检测精度，然而机器学习模型预测某种样品的元素含量，需要基于大量样品的高通量特征数据来训练获得该预测模型。高光谱成像技术便可以有效获取样品的高通量特征数据，它是一种融合了光谱技术与成像技术的无损检测技术，能够获取待测样品空间维度的面光谱。结合机器学习技术与高光谱成像技术，可以构建待测样品的元素含量无损检测模型，实现低成本、高效率的化学含量检测。[0003]尽管现有技术有利用机器学习与高光谱成像技术结合应用于化学物质含量检测领域，但对于含量极低的化学物质检测中，预测精度难以提升。此外高通量的样品特征数据会严重降低预测效率，也容易引起回归模型过拟合，使得训练好的模型在实际应用中面对陌生数据而失效。[0004]因此本申请提出一种水稻镉含量的预测方法，对样品特征数据预处理与特征