可见-近红外光谱的鸭梨黑心缺陷在线检测AdaBoost集成模型研究

摘要

黑心病是鸭梨贮藏期间发生的生理病害,其病变初期表现在内部果核处出现褐色斑块,而在果实外观上与正常果几乎没有任何差异,严重影响鸭梨的贮藏时间和品质,亟需一种快速无损的检测方法为鸭梨质量保驾护航.采用可见-近红外光谱法对鸭梨黑心缺陷进行在线检测和识别,结合平滑(Smoothing)、标准正态变量变换(SNV)、多元散射校正(MSC)、SG一阶导数(SG 1st-Der)以及小波变换(WT)预处理方法和主成分分析(PCA)、k近邻(kNN)、朴素贝叶斯(NBC)、支持向量机(SVM)以及基于Adaboost的集成学习等方法对鸭梨黑心病进行判别研究.Adaboost集成了kNN、NBC和SVM三个独立学习器.将120个健康鸭梨和165个黑心鸭梨共计285个样品划分为训练集和测试集进行模型的构建和评价,采用训练集的查准率/查全率的调和平均值(F-measure)和正确识别率(Accuracy)对分类模型进行优化和评价.研究结果表明:不同属性(正常和黑心)鸭梨样品光谱的前三主成分分布图相互交错,很难直观地对黑心鸭梨进行区分.样品光谱经小波变换(小波基为"Haar")预处理的kNN模型训练集的F-measure和Accuracy分别为78.98％ 和82.62％;经过SG一阶导数预处理后的NBC模型训练集的F-measure和Accuracy分别为80.90％ 和82.11％;经过小波变换预处理后的SVM模型训练集的F-measure和Accuracy分别为90.24％ 和91.58％;经小波变换预处理的AdaBoost模型训练集的F-measure和Accuracy分别为91.46％ 和92.63％.通过测试集对模型进行验证可知:光谱经小波变换预处理后建立的Adaboost分类模型最优,分类的F-measure达到90.91％,较WT-kNN,SG 1st-Der-NBC和WT-SVM模型分别提高了11.39％,15.23％ 和2.30％;Accura-cy达到92.63％,分别提高了10.52％,11.58％ 和2.10％;模型对测试集样品预测时的计算时间约为0.12s,满足在线分选要求.可见-近红外光谱结合AdaBoost分类方法,可以为鸭梨黑心病的在线检测提供一种快速简便的分析方法.