基于多模型证据融合的苹果分类方法

摘要：

水果内部品质是水果分类的重要依据之一,利用近红外光谱技术对苹果内部品质进行快速无损检测研究有着非常重要的意义.为提高近红外技术分类模型的预测精度,针对单一预测模型适用性差以及硬分割导致分类不确定性等问题,该研究以烟台红富士苹果为研究对象,利用自行研发的水果在线无损检测系统采集苹果近红外光谱以及可溶性固形物含量(Soluble Solids Content,SSC),分别采用偏最小二乘(Partial Least Squares,PLS)和极限学习机(Extreme Learning Machine,ELM)法建立苹果预测分类模型,根据SSC的预测值与分类边界的距离提出三角形质量函数生成方法,通过证据理论的Dempster组合规则融合质量函数从而实现2种模型的融合,并探讨基于三角形质量函数的证据理论融合模型对预测精度的影响.研究结果表明:PLS分类模型的准确率为92.25％,ELM分类模型的准确率为93.80％,而提出多模型融合方法的分类准确率达到了95.35％.而且,该研究提出的三角形质量函数生成法与硬分割生成的质量函数相比方法更符合实际,通过PLS、ELM模型和DS融合模型的混淆矩阵可以看出,融合模型实现了苹果SSC处于分类边界值时的准确分类,三类苹果被错误分类的个数均有减小.该研究提出的多模型证据融合方法不仅提高了模型的预测精度,而且更好地表达了关于类标预测的不确定性,为苹果的在线无损检测分类提供研究基础.

关键词：近红外光谱、可溶性固形物含量、证据理论、质量函数、苹果分类

所属期刊栏目：38

分类号：N945.24(系统科学)

资助基金：山东省自然科学基金;山东省农机装备研发创新计划项目

在线出版日期：2022-10-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：141-149