CN101949834B - 水果内部品质检测分级方法 - Google Patents

Abstract

本发明涉及一种基于支持向量机模型和近红外光谱检测技术的水果内部品质检测分级方法。该方法针对水果口感的模糊性，将隶属度概念引入水果的品质分析，在确定水果品质测定隶属度的过程中，同时考虑水果近红外光谱特性和理化测量的品质参数，利用基于支持向量数据域描述的隶属度来对基于糖度和酸度确定的测定隶属度进行修正，从而建立出有效的水果分级的支持向量机模型。本发明的基于支持向量机模型与近红外光谱检测技术的无损检测和分级方法不仅实现了传统方法对水果样本品质的分级，而且可以通过隶属度来衡量样本对于所属品质级别的隶属程度，根据水果样本隶属度的预测值和测定值的差值能够获得更高的分级准确性，从而更好地识别水果内部品质。

Description

水果内部品质检测分级方法

技术领域

本发明涉及一种水果内部品质检测分级方法，具体地，涉及一种基于近红外光谱检测技术和支持向量机模型(即SVM模型)的水果内部品质检测分级方法。

背景技术

水果无损检测是指在不破坏水果外形的前提下，对水果的糖度、酸度、硬度等内部品质参数进行检测，这些指标对水果的分级和定价有着重要影响。水果具有一定的光谱特性，检测并分析其光谱特性(即水果对光的选择、吸收以及反射等性质)是水果无损检测的一个重要方面。

光与水果的相互作用过程为：当一束光射向水果时，水果会对光发生反射、透射、吸收等现象。典型地，通过水果和近红外光线的相互作用，使得水果成分以及内部品质参数等有关信息负载到近红外光线上，并从近红外光线中分析并提取出水果内部品质参数。具体地，水果中的碳水化合物、淀粉、糖分等成分分子属于红外活性分子，当近红外光照射到水果上时，不同水果的内部成分对于不同波长的光学吸收和散射程度不同。随着水果内部成分以及各成分质量分数的不同，其光谱特性(例如近红外光谱特性)也将发生变化，利用这一特性，可以根据近红外光谱分析出水果中的主要成分以及相关的内部品质信息。

随着世界各国对水果品质和食用安全性提出越来越高的要求，近红外光谱(Near Infrared Spectrum，NIRS)检测技术在在水果无损检测中已经得到日益广泛的应用。所谓近红外光谱检测技术，即是利用水果对近红外光线的吸收、散射、反射以及透射等特性来确定水果成分和相关内部品质参数(例如糖度、酸度、硬度等)的一种方法。此外，利用近红外光谱检测技术来确定水果品质的方法在一些论文中也已经进行了公开，这些文献在近红外光线的不同波长范围内，对水果的糖度、酸度、硬度等内部品质的近红外检测进行了研究。

从目前的研究情况来看，研究的焦点主要集中在获得预测精度更高、更稳定的水果内部品质预测模型。但是，在此基础上，依据水果内部品质预测值对水果口感进行分级的研究还很少涉及，目前还没有统一的评价标准可以作为水果口感分级的依据，这是阻碍水果口感分级研究进展的一个重要原因。水果品质如糖度、酸度和硬度所反映的水果口感具有一定的模糊性，即不同的人对同一水果的口感是有所差异的。这种模糊性体现在判定的标准不清晰，即无法使用统一既定的标准来对水果的口感进行明确的分级。同时，这种模糊性也导致使用传统的分级方法来对水果进行口感分级往往很难获得确定性评判结果。

鉴于现有技术的上述缺陷，需要一种新的水果内部品质检测分级方法，以能够有效地对水果进行无损检测，并依据检测值来对水果的品质、尤其是口感进行分级。

发明内容

本发明的目的是要提供一种水果内部品质检测分级方法以克服现有技术的上述缺陷，其不仅能够有效地对水果进行无损检测，并能够依据检测值来对水果的内部品质、尤其是口感进行相对可靠的分级。

为解决上述技术问题，本发明提供一种水果内部品质检测分级方法，该水果内部品质检测分级方法包括如下步骤：

1)水果样本的数据采集步骤：通过近红外光谱检测技术获取所述水果样本的近红外光谱，并通过理化方法获取所述水果样本的内部品质参数信息；

2)水果样本内部品质分级的支持向量机模型建立步骤：

(1)选取l为水果样本的个数，每个水果样本的测试误差之和与水果样本总数的比值为预测平均误差，其中

为水果样本内部品质的预测隶属度，u_i为水果样本内部品质的测定隶属度，并且1≤i≤l；

(2)设定分级规则如下：u_i＞0.55，水果样本属于高品质；0＜|u_i|≤0.55，水果样本属于中品质；u_i＜-0.55，水果样本属于低品质；并且选定一个实数ε，其中0≤ε≤1，对于各个水果样本，若测试误差

则对该水果样本的内部品质分级正确；若测试误差

则对该水果样本的内部

品质分级错误，其中分级正确的样本数量与水果样本总数l的比值为正确率；

3)水果样本内部品质的测定隶属度的确定步骤：基于所述水果样本的内部品质参数信息确定所述水果样本内部品质的测定隶属度u_i；

4)水果样本内部品质的预测隶属度的确定步骤：通过所述近红外光谱建立基于支持向量数据域描述的隶属度函数，通过该隶属度函数预测所述水果样本所对应级别的预测隶属度

5)水果样本内部品质的分级步骤：在上述基础上，将各个水果样本内部品质的预测隶属度

和测定隶属度u_i代入所述支持向量机模型进行分析评判，得到预测平均误差，并且依据所述支持向量机模型的分级规则对各个水果样本进行分级并判断内部品质分级的正确率。

本发明的水果内部品质检测分级方法基于近红外光谱检测技术以及SVM模型(即“支持向量机”模型)，对于水果预测样本的内部品质进行模糊分级，平均误差低，正确率高，可以取得良好的水果品质分级、尤其是口感程度分级的效果。不同于传统分级方法所进行的分类，本发明基于水果内部品质分级的SVM模型，依据规则把苹果样本分成高品质、中品质、低品质三级。一方面，利用口感隶属度的预测值与设定值的差值来进行分级正确与否的评判，降低了作出错误评判所带来的风险。另一方面，通过口感隶属度还可以了解到水果样本对于所属类的口感隶属程度，使得水果样本的内部品质信息更加清晰明了，从而获得优质的分级效果。有关本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

图1是水果的近红外光漫反射检测平台的示意图；

图2是基于支持向量机模型(即SVM模型)的水果品质分级过程。

图中：1光源、2苹果、3密封垫圈、4光纤探头、5检测光纤、6光谱仪、7数据线、8计算机。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。

需要说明的是，本发明的水果内部品质检测分级方法可以适用各种水果，例如苹果、梨、桃子等。下文为描述方便，将使用苹果作为例子进行阐述。但是，本领域技术人员显然能够想到的是，由于苹果与其它水果一般仅是在糖度、酸度、成分存在一定的差异，因此本发明的水果内部品质检测分级方法同样是适用的。

本发明所提供的水果内部品质检测分级方法包括如下步骤：

第一，通过近红外光谱检测技术和理化方法采集水果样本的近红外光谱和内部品质参数。

采用近红外光谱检测技术，例如，可以采用近红外光漫反射检测方式来采集水果样本的内部品质参数信息。图1显示了水果的近红外光漫反射检测平台的示意图，其中，将四个光源1放在被测水果(例如苹果2)的周围，在设计过程中，把检测光纤5集成在一个光纤探头4上，密封垫圈3既对光线的漫反射起到密封的作用，又能起到放置水果样本的作用。工作时，由光源1发出的光透入苹果2内部，经苹果内部组织漫反射后携带相应的组织结构信息的光返回到苹果表皮，再通过检测光纤5进入光谱仪6的检测器，通过数据线7把光谱信息传送到计算机8，以进行进一步的处理。测量光谱时，检测参数可以设置为：测量波长范围为400～1000nm，采样间隔为0.37nm，并可以使用白板作为光谱信息的参比材料。

例如，可以准备四十个水果样本，随机选取30个水果作为训练样本，10个作为测试样本。使用海洋光学公司的USB2000光纤光谱仪采集水果近红外吸收光谱，采集波长范围是400-1000nm，采样间隔为0.37nm，得到每个水果样本的平均原始光谱。对原始光谱进行平滑处理、微分处理以及多元散射校正，然后通过主成分法提取苹果的近红外特征光谱。

此外，可以通过理化方法，例如使用上海雷磁仪器公司的Phsj-4A型PH计测量苹果的有效酸度，上海光学仪器五厂生产的阿贝折射仪测量糖度。

第二，建立水果样本内部品质分级的SVM模型。

SVM模型，即“支持向量机”模型。在此需要说明的是，“支持向量机”(SVM)是一种基于统计学理论的模式识别方法，其主要应用于模式识别领域。“支持向量机”实际是一种算法，而并非实际的“机器”。“支持向量机”已经发展出多个分支，例如模糊支持向量机(FSVM)、最小阶乘支持向量机、加权支持向量机等。需要说明的是，在本发明的水果内部品质检测分级方法中建立的SVM模型主要应用“模糊支持向量机”的原理，其中，“隶属度”是“支持向量机的一个关键概念”，其主要含义是：若对域(即研究的范围)U中的任一元素x，都有一个数A(x)∈[0，1]与之对应，则称A为U上的模糊集，A(x)称为x对A的隶属度。当x在U中变动时，A(x)就是一个函数，称为A的隶属函数。隶属度A(x)越接近于1，表示x属于A的程度越高，A(x)越接近于0表示x属于A的程度越低，从而可以采用取值在区间[0，1]的隶属函数A(x)来表征x属于A的程度高低。

本发明的水果内部品质检测分级方法建立的SVM模型具体如下：

(1)选取l为水果样本的个数，将每个水果样本的测试误差

之和与样本总数l的比值为预测平均误差，平均误差越小，表明模型的识别精度越高。其中

为样本的预测隶属度，u_i为样本的测定隶属度。

(2)设定分级规则如下：u_i＞0.55，水果样本属于高品质；0＜|u_i|≤0.55，水果样本属于中品质；u_i＜-0.55，水果样本属于低品质。依据分级规则把水果样本分成高品质、中品质、低品质三类。选定一个实数ε(0≤ε≤1)，对于每一个水果样本，若误差

则认为对于此水果样本的分级正确；若误差

则认为对于此水果样本的分级错误，分级正确的水果样本数与水果样本总数的比值为正确率。ε取值越小，所作错误分级的风险相对较小，一般而言，ε可以取为0.5以下，以增加预测的准确性。

第三，水果样本内部品质的测定隶属度的确定。

水果样本测定隶属度的确定可以包括：基于支持向量数据域描述的隶属度的确定和基于糖度和酸度得分的隶属度的确定。其中，基于糖度和酸度得分的隶属度是水果样本内部品质的测定隶属度的主要确定方式，而基于支持向量数据域描述的隶属度可以作为对基于糖度和酸度得分的隶属度的修正，以提高水果样本内部品质的测定隶属度的

基于支持向量数据域描述的口感隶属度可以描述为：给定训练样本集X＝{x₁，…，x_i，…x_l}(其中x_i∈Rⁿ为输入空间)，建立样本的数据域描述模型，需要寻找样本的最小包含超球。当输入空间中的样本为非球形分布时，引入映射φ：Rⁿ→F将输入空间中的样本映射到一个高维的特征空间F，然后通过一个二次规划进行口感隶属度的求解，有关支持向量机模型的算法已经比较成熟，对此不再赘述。

基于糖度和酸度得分的测定隶属度的确定可以描述为：例如，就苹果而言，酸度和糖度含量高的苹果，风味才会好，在国际市场上也更具有竞争力。按照中华人民共和国国家标准——鲜苹果(GB/T 10651-2008)的苹果理化指标参考值，苹果糖度的含量通常希望超过10％。通常把高糖度和高酸度的苹果归于高品质，相反低糖度和低酸度的苹果则归于低品质。通过对样本的糖度和酸度值进行打分，得分值高的苹果则隶属于高品质的可能性大，得分值低的苹果则隶属于低品质的可能性较大，以此来确定苹果的测定隶属度。

因为没有糖度和酸度对口感影响的标准，可以设定糖度和酸度内部品质指标的权值相等，即假设糖度和酸度对水果的风味口感影响因素相同，因此水果样本内部品质的测定隶属度则为：以0.5为界限对所对应的水果样本划分为两类，大于0.5的水果样本，对高品质的隶属度较高；小于0.5的水果样本，对低品质的隶属度较高。通过基于糖度和酸度得分的隶属度的大小来反映水果内部品质所属级别及其可信度。

水果样本内部品质测定隶属度的确定以基于糖度和酸度得分的内部品质隶属度为基础，而将水果样本的上述基于数据域描述的隶属度作为对前者的一种修正。通过上述隶属度的定义可知，当基于数据域描述的隶属度值为1或接近1时，即样本x_i满足数据域描述，则基于糖度和酸度得分所确定的内部品质隶属度可以完全信任或充分；当该值小于1时，样本x_i偏离数据域描述，也就是偏离其所在的类总体，则基于糖度和酸度得分所确定的内部品质隶属度的信任程度随着样本的模糊隶属度的减小而降低，需要对其进行修正，降低x_i所属类的隶属度。通过上述过程，最终获得基于数据域描述和品质得分的水果样本内部品质的测定隶属度。

第四，水果样本内部品质的预测隶属度的确定步骤。

在上述基础上，可以通过近红外特征光谱建立基于支持向量数据域描述的隶属度函数，针对上述建立的SVM模型，核函数选择为径向基核函数，通过选择参数优化的置信水平等，以得到最优分类函数的隶属度函数，这涉及到支持向量机模型的公知算法。简而言之，九十通过所述近红外光谱建立基于支持向量数据域描述的隶属度函数，通过该隶属度函数预测所述水果样本所对应级别的预测隶属度

第五，水果样本内部品质的分级

将水果样本输入到SVM模型中，根据水果样本的预测隶属度和测定隶属度的关系，得到预测平均误差，依据规则把水果样本分级，对预测样本的分级并判断其判决正确率。

也就是说，基于SVM模型进行分级效果的评价是根据预测正确率，测试正确的预测样本数与预测样本总数的比值为正确率。对于水果内部品质的分级结果评价，首先需要进行样本的预测隶属度和测定隶属度比较，计算一个预测样本的测试误差其中

为样本的预测隶属度，u_i为样本的测定隶属度。

基于SVM模型的水果内部品质分级模型建立的关键是确定水果样本的测定隶属度。本发明以基于水果样本的内部品质得分的测定隶属度为基础，以基于支持向量数据域描述的隶属度进行修正，得到综合特征光谱数据信息以及内部品质状况的测定隶属度，一方面将特征光谱数据样本映射到一个高维的空间，然后在这个高维空间中寻找其最小包含超球(“支持向量机”模型的基本概念)，并根据样本到超球球心的距离确定其数据域描述的隶属度；另一方面根据样本理化方法测定的糖度和酸度值在整个糖酸度区域内的位置，计算得分值，作为内部品质得分的隶属度。

本发明的水果内部品质检测分级方法通过SVM模型，对于预测样本品质的进行品质分级，其平均误差低，正确率高，可以取得良好的品质分级、尤其是口感分级的效果。本发明的水果内部品质检测分级方法不同于传统分级器进行的二值分类，本发明基于水果品质分级的SVM模型，依据规则把苹果样本分成高品质、中品质、低品质三级。一方面，利用口感隶属度的预测值与设定值的差值来进行分级正确与否的判断，降低了作出错误判定所带来的风险。另一方面，通过隶属度还可以了解样本对于所属类的口感程度，使得样本的品质信息更加清晰明了，从而获得优质的分级效果。

需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，可以通过任何合适的方式进行任意组合，其同样落入本发明所公开的范围之内。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。本发明的保护范围由权利要求限定。

Claims (5)

1.一种水果内部品质检测分级方法，其特征是，包括如下步骤：

1)水果样本的数据采集：通过近红外光谱检测技术获取所述水果样本的近红外光谱，并通过理化方法获取所述水果样本的内部品质参数信息；

2)水果样本内部品质分级的支持向量机模型的建立：

(1)选取l为水果样本的个数，每个水果样本的测试误差 

之和与水果样本总数的比值为预测平均误差，其中 

为水果样本内部品质的预测隶属度，u_i为水果样本内部品质的测定隶属度，并且1≤i≤l；

(2)设定分级规则如下：u_i＞0.55，水果样本属于高品质；0＜|u_i|≤0.55，水果样本属于中品质；u_i＜-0.55，水果样本属于低品质；并且选定一个实数ε，其中0≤ε≤1，对于各个水果样本，若测试误差 

则对该水果样本的品质分级正确；若测试误差 

则对该水果样本的品质分级错误，其中分级正确的样本数量与水果样本总数l的比值为正确率；

3)水果样本内部品质的测定隶属度的确定：基于所述水果样本的内部品质参数信息确定所述水果样本内部品质的测定隶属度u_i；

4)水果样本内部品质的预测隶属度的确定：通过所述近红外光谱建立基于支持向量数据域描述的隶属度函数，通过该隶属度函数预测所述水果样本所对应级别的预测隶属度 

5)水果样本内部品质的分级：在上述基础上，将各个水果样本内部品质的预测隶属度 和测定隶属度u_i代入所述支持向量机模型进行分析评判，得到预测平均误差，并且依据所述支持向量机模型的分级规则对各个水果样本进行分级并判断品质分级的正确率。

2.根据权利要求1所述的水果内部品质检测分级方法，其特征是，在所述水果样本的数据采集步骤中，所述近红外光谱检测技术包括采用近红外光漫反射检测方式获取所述水果样本的近红外光谱。

3.根据权利要求1所述的水果内部品质检测分级方法，其特征是，在所述水果样本的数据采集步骤中，所述理化方法包括采用PH计获取所述水果样本的酸度，采用折射仪获取所述水果样本的糖度。 

4.根据权利要求1所述的水果内部品质检测分级方法，其特征是，在所述水果样本品质分级的支持向量机模型建立步骤中，ε选取为0.5以下。

5.根据权利要求1所述的水果内部品质检测分级方法，其特征是，在所述水果样本内部品质的测定隶属度的确定步骤中，还通过基于所述支持向量数据域描述的隶属度来修正基于所述水果样本的内部品质参数信息所确定的所述水果样本内部品质的测定隶属度u_i。 

Images