一种苹果味觉图谱信息可视化方法转让专利
申请号 : CN201810435827.3
文献号 : CN108760655B
文献日 : 2021-03-30
发明人 : 刘晶晶 , 刘付龙 , 王晴晴 , 韩晓菊 , 门洪
申请人 : 东北电力大学
摘要 :
权利要求 :
1.一种苹果味觉图谱信息可视化方法,其特征在于,包括如下步骤:S1、基于电子舌苹果样本味觉数据的获取S11、选取同一批次、同一地点采摘的果形正、大小均匀、无缺陷或污染物的苹果,按国标GB/T10651‑2008选出90个优等果品;
S12、将样品编号后置于常温20±2℃,相对湿度55±5%贮藏24小时,保持温湿度不变;
S13、将每个苹果样本清洗、削皮、榨汁、过滤取上层清液40mL分别置于2个纯净测量杯中,按编号顺序依次经电子舌的检测得到30秒处90×3维糖度、酸味、成味三种味觉数据;测试开始前,传感器先在正负极清洗溶液中清洗90s,结束后在参比溶液中清洗120s,在另一种参比溶液中继续清洗120s,传感器平衡归零30s;达到平衡后,开始进行检测,测试时间为
30s,每次测量结束后自动进入清洗步骤;
S2、基于高光谱技术苹果样本数据的获取与预处理S21、通过下式采用黑白标定方法对高光谱图像进行校正,以消除噪声的影响:式中,Rd‑暗图像,Rw‑白板的漫反射图像,RS‑苹果样本原始的漫反射光谱图像,R‑校正后的漫反射光谱图;
S22、对黑白标定后的图像进行矢量化处理,获得图像描述曲线,圈定目标图像后,生成特定感兴趣掩膜图像,控制样本影像处理区域;
S23、对掩膜处理后的图像进行影像裁剪,掩膜后的光谱区域除感兴趣处外其他光谱数值均为0;
S24、获取预处理后的90个苹果光谱图像,其中,由于苹果为类球形水果,故在用高光谱分选仪进行照射样品时将一个苹果样本划分为4个面,并在每个面上分别取编号1‑5的5个感兴趣区域,每个感兴趣区域大小为300像素点,求取每个样品5个表面整体的光谱均值,最终得到90×256维的苹果数据;
S3、特征波段的选取
分别选取甜、酸、咸3种基础味觉相对应的敏感波段,采用变异系数确定最佳敏感波段数量,然后采用灰色关联度(GRA)的方法确定苹果样品的味觉信息与光谱图像之间的关联程度;
S4、苹果味觉可视化模型的构建
采用SVM预测各个味觉信息离散点的浓度值,其中超平面函数、RBF核函数及回归函数公式(2)、(3)、(4)分别如下:2
K(x,x′)=exp(g Px‑x′P) (2)f(x)=ωφ(x)+b (3)式中,w‑超平面的法向向量,φ(x)‑非线性映射函数,b‑偏置量,g‑宽度系数;
S5、味觉可视化呈现
在GS‑SVM模型建立之后,将10个波段下的预测光谱值按点输入,求出各点光谱值下的味觉预测输出值记为K(i,j),将味觉值转化为对应的实际色彩值,将苹果味觉信息可视化呈现。
2.如权利要求1所述的一种苹果味觉图谱信息可视化方法,其特征在于,所述灰色关联度法具体包括如下步骤:首先,将多量纲数据转化成统一的无量纲形式,定义参考数列为个味觉信息数列,比较数列为380‑1038nm各波段下的光谱信息数列来进行无量纲处理,以此消除味觉与光谱信息量纲的差异;然后,求取各单一味觉信息数列与全波段下的光谱信息数列的灰色关联系数;最后,求取各波段的灰色关联度。
3.如权利要求1所述的一种苹果味觉图谱信息可视化方法,其特征在于,所述步骤S4基于遗传算法(GA)和网格式搜索(GS)的方法来对参数c和g进行寻优,在遗传算法中,最大的遗传代数为100,初始种群数为20,参数c的搜索范围是0到100,g为0到100;在网格式搜索方‑10 10
法中,以0.5为间隔进行参数寻优,参数c和g的搜索范围是2 到2 。
4.如权利要求1所述的一种苹果味觉图谱信息可视化方法,其特征在于,所述步骤S4中在建立模型的过程中,在进行光谱数据和味觉信息映射时,将每个波段下的光谱值进行均值求取后再进行模型的建立;其中利用Kennard‑Stone方法将2/3个光谱数据样本选为训练集,1/3个光谱数据选为预测集,基于GS‑SVM和GA‑SVM实现光谱‑味觉信息的可视化分析。
说明书 :
一种苹果味觉图谱信息可视化方法
技术领域
背景技术
息作为反映其品质的重要因素之一,它影响着大多数消费者是否购买时的选择,准确、高效
的检测并表征味觉信息对苹果的育种、种植、储存等具有现实指导意义。传统的理化检测方
法无法反映苹果的味觉感官信息,而由于鉴评员心理及周围环境等因素影响导致最常用的
人工感官鉴评结果不够客观。基于此,SA‑402B型电子舌作为单味觉智能仿生检测系统以其
客观、精准等优点逐渐取代传统检测方法在味觉信息方面的应用。对苹果样本进行抽样检
测、批次处理,实现样本整体味觉信息的检测,并不能反映出各种味觉信息在样本空间上的
分布情况。
发明内容
据;测试开始前,传感器先在正负极清洗溶液中清洗90s,结束后在参比溶液中清洗120s,在
另一种参比溶液中继续清洗120s,传感器平衡归零30s;达到平衡后,开始进行检测,测试时
间为30s,每次测量结束后自动进入清洗步骤;
5个感兴趣区域,每个感兴趣区域大小为300像素点,求取每个样品5个表面整体的光谱均
值,最终得到90×256维的苹果数据;
关联程度;
视化呈现。
息数列来进行无量纲处理,以此消除味觉与光谱信息量纲的差异;然后,求取各单一味觉信
息数列与全波段下的光谱信息数列的灰色关联系数;最后,求取各波段的灰色关联度。
100,g为0到100;在网格式搜索方法中,以0.5为间隔进行参数寻优,参数c和g的搜索范围是
‑10 10
2 到2 。
将2/3个光谱数据样本选为训练集,1/3个光谱数据选为预测集,基于GS‑SVM和GA‑SVM实现
光谱‑味觉信息的可视化分析。
准确的分析方法。
附图说明
具体实施方式
明。
层清液40mL分别置于2个纯净测量杯中待测。测试开始前,传感器先在正负极清洗溶液中清
洗90s,结束后在参比溶液中清洗120s,在另一种参比溶液中继续清洗120s,传感器平衡归
零30s。达到平衡后,开始进行检测,测试时间为30s,每次测量结束后自动进入清洗步骤。经
电子舌的检测得到30秒处90×3维三种味觉(糖度、酸味、咸味)数据。
像定性或定量分析模型的精度和稳定性。因此采用黑白标定方法对高光谱图像进行校正,
以消除噪声的影响,公式(1)所示。
包含较多的光谱噪声会增加后期数据处理难度,故对掩膜处理后的图像进行影像裁剪,掩
膜后的光谱区域除感兴趣处外其他光谱数值均为0。
感兴趣区域(每个感兴趣区域大小大约为300像素点)。每个截面上5个感兴趣区域的平均光
谱值如图3所示,求取每个样品5个表面整体的光谱均值,最终得到90×256维的苹果数据。
S3、特征波段的选取
3种基础味觉相对应的敏感波段。在进行灰色关联分析之前,采用变异系数确定最佳敏感波
段数量。综合变异系数越大表明变量间的相关性越低,研究以2为间隔的特征波段个数对变
异系数的影响,由图4可以看出所示,特征波段个数在10处取得了最高的变异系数。其中灰
色关联度法中,首先,将多量纲数据转化成统一的无量纲形式,定义参考数列为个味觉信息
数列,比较数列为380‑1038nm各波段下的光谱信息数列来进行无量纲处理,以此消除味觉
与光谱信息量纲的差异。然后,求取各单一味觉信息数列与全波段下的光谱信息数列的灰
色关联系数。最后,求取各波段的灰色关联度。结果如表1所示,各单一味觉信息前10个关联
度值较高的特征波段。
其尽可能线性,以解决原始数据的局部非线性,最终使集合中所有数据到超平面的距离最
近。基于此本文采用SVM预测各个味觉信息离散点的浓度值,其中超平面函数、RBF核函数及
回归函数公式(2)、(3)、(4)分别如下。SVR建模过程结果依赖于参数c和g,正确有效的参数
选择对支持向量机具有良好的回归性能。因此,本文基于遗传算法(GA)和网格式搜索(GS)
的方法来对参数c和g进行寻优,如图5所示。在遗传算法中,最大的遗传代数为100,初始种
群数为20,参数c的搜索范围是0到100,g为0到100。在网格式搜索方法中,以0.5为间隔进行
‑10 10
参数寻优,参数c和g的搜索范围是2 到2 。在建立模型的过程中,因实验所检测为整体样
品的味觉值,故在进行光谱数据和味觉信息映射时,将每个波段下的光谱值进行均值求取
后再进行模型的建立。其中利用Kennard‑Stone方法将2/3个光谱数据样本选为训练集,1/3
个光谱数据选为预测集,基于GS‑SVM和GA‑SVM实现光谱‑味觉信息的可视化分析。结果如表
2显示GA‑SVM的参数寻优过程,遗传算法快速的在达到最佳的适应度Mse为0.01667条件下
筛选出了建模最优参数c为6.3859,g为83.0159,GS‑SVM的参数寻优过程,网格式搜索在达
到最佳的适应度Mse为0.0037346条件下筛选出了建模最优参数c为22.6274,g为
0.0019531,因此选择GS‑SVM作为苹果味觉值求取的模型。
视化呈现,图6为甜味、酸味、咸味单点味觉分布图,图例从深蓝色到砖红色味道逐渐变浓。
由图可以看出,阿克苏糖心苹果主要以甜味、酸味为主,咸味很淡,且甜味最浓且分布最广。
甜味主要分布在赤道线两侧,且中轴线部分较甜;酸味的分布位置与甜味相似;咸味则是在
赤道截面较为均匀且分布更为广泛。
视为本发明的保护范围。