[发明专利]一种混合模糊C均值聚类的苹果品种分类方法

说明书

本发明公开了一种混合模糊C均值聚类的苹果品种分类方法，采集苹果样本的近红外光谱；针对不同品种的苹果样本，用近红外光谱仪采集苹果样本的傅里叶近红外漫反射光谱信息，将光谱信息存储在计算机里；对苹果近红外光谱进行降维处理；将苹果样本近红外光谱采用主成分分析方法(PCA)进行压缩降维处理；用混合模糊C均值聚类方法对苹果品种进行分类处理，根据混合模糊C均值聚类方法得到模糊隶属度，对苹果品种进行分类。能够有效实现对苹果检测速度快，分类准确率高，不造成损坏，提高分类苹果品种分类的准确率，且采用近红外光谱技术实现无损检测。

技术领域

本发明属于水果无损检测技术领域,尤其涉及一种混合模糊C均值聚类的苹果品种分类方法。

背景技术

苹果是人们经常食用的水果之一。苹果果实里富含单糖、矿物质、膳食纤维和各种生活性物质。中国是世界最大的苹果生产国。由于品种，产地，生长环境等因素，苹果的品质存在差异。不同品种的苹果其内部的有机物含量不相同，品质也不相同，优良品种苹果的选择和培育是农业科技人员的重要任务。

近红外光谱技术是利用物质对光的吸收、散射、反射和透射等特性来确定其成分含量的一种非破坏性检测技术。近红外光谱技术具有非破坏性检测，检测速度快，可同时检测多种成分等优点。近红外光谱射向苹果后得到漫反射光谱，在不同品种的苹果上获得的漫反射光谱是不同的，利用这个原理，可以将不同品种的苹果区分开来，即实现不同品种苹果的分类。但是，近红外采集过程中光谱数据易混入噪声信号，这给近红外光谱数据的处理带来一定难度。

模糊C均值聚类(FCM)是一种广泛使用的模糊聚类方法，是一种基于中心的迭代聚类方法。其广泛应用于图像处理，模式识别等领域。但是，模糊C均值聚类存在着对噪声敏感的问题。因为模糊C均值聚类建立在可能性约束条件基础上，模糊C均值聚类使数据点在所有类中的隶属度之和为1。可能性约束条件避免了所有隶属度为0的平凡解，但是造成了模糊C均值聚类对噪声敏感。

发明内容

本发明根据现有技术的不足与缺陷，提出了一种混合模糊C均值聚类的苹果品种分类方法，目的在于实现对苹果的快速检测，分类准确率高，不造成损坏。

采用的技术方案包括以下步骤：

步骤1，采集苹果样本的近红外光谱；针对不同品种的苹果样本，用Antaris II傅里叶红外光谱分析仪采集苹果样本的傅里叶近红外漫反射光谱信息，将光谱信息存储在计算机里；

步骤2，对苹果近红外光谱进行降维处理；将苹果样本近红外光谱采用主成分分析方法(PCA)进行压缩降维处理；

步骤3，用混合模糊C均值聚类方法对苹果品种进行分类处理，根据混合模糊C均值聚类方法得到模糊隶属度，对苹果品种进行分类。

进一步，所述步骤2中用主成分分析方法进行降维时，在满足主成分的累计可信度≥98％条件下选取主成分个数。

进一步，所述步骤3中的一种混合模糊C均值聚类方法如下：

步骤3.1，初始化过程：设置权重指数m(m1)，类别数c；设置循环计数r的初始值和最大迭代次数为r_max；设置迭代最大误差参数ε；运行模糊C均值聚类得到的模糊隶属度值u_ik,FCM和类中心值v_i,FCM分别作为初始的模糊隶属度值u_ik⁽⁰⁾和类中心值ν_i⁽⁰⁾；计算参数γ_i：

上式中，m(m1)为权重指数，u_ik,FCM为模糊C均值聚类迭代计算终止后得到的模糊隶属度值，v_i,FCM为模糊C均值聚类迭代计算终止后得到的第i(i＝1,2,3,…,c)个类中心值，x_k为第k个苹果测试样本。