CN107064056A - 一种水果无损检测的方法及装置 - Google Patents

一种水果无损检测的方法及装置 Download PDF

Info

Publication number
CN107064056A
CN107064056A CN201710135754.1A CN201710135754A CN107064056A CN 107064056 A CN107064056 A CN 107064056A CN 201710135754 A CN201710135754 A CN 201710135754A CN 107064056 A CN107064056 A CN 107064056A
Authority
CN
China
Prior art keywords
content
reflection spectrum
diffuse reflection
peel
pulp
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710135754.1A
Other languages
English (en)
Other versions
CN107064056B (zh
Inventor
黄文倩
田喜
李江波
王庆艳
樊书祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Research Center of Intelligent Equipment for Agriculture
Original Assignee
Beijing Research Center of Intelligent Equipment for Agriculture
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Research Center of Intelligent Equipment for Agriculture filed Critical Beijing Research Center of Intelligent Equipment for Agriculture
Priority to CN201710135754.1A priority Critical patent/CN107064056B/zh
Publication of CN107064056A publication Critical patent/CN107064056A/zh
Application granted granted Critical
Publication of CN107064056B publication Critical patent/CN107064056B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47Scattering, i.e. diffuse reflection
    • G01N21/4738Diffuse reflection, e.g. also for testing fluids, fibrous materials
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47Scattering, i.e. diffuse reflection
    • G01N21/49Scattering, i.e. diffuse reflection within a body or fluid

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明的实施例公开了一种水果无损检测的方法及装置,该方法获取进行检测的水果的第一全漫反射光谱,从第一全漫反射光谱中提取出用于对果皮中果皮成分含量进行预测的第一漫反射光谱,并去除第一全漫反射光谱中的第一漫反射光谱,得到第二漫反射光谱,从第二漫反射光谱中提取用于对果肉中的果肉成分含量进行预测的第三漫反射光谱。由于第一漫反射光谱仅和果皮中果皮成分相关,第三漫反射光谱仅和果肉中果肉成分相关,因此通过第二漫反射光谱对果皮中果皮成分进行预测避免了果肉中的成分产生的光谱的影响,通过第三漫反射光谱对果肉中果肉成分进行预测也避免了果皮中的成分产生的光谱的影响,从而提高了对水果中成分含量进行预测的准确性。

Description

一种水果无损检测的方法及装置
技术领域
本发明涉及水果检测技术领域,尤其是涉及一种水果无损检测的方法及装置。
背景技术
高光谱成像技术是无损检测水果内部品质一种有效手段,在可溶性固形物、糖、酸、维生素等内部品质含量无损检测方面具有很大的应用潜力。目前,对水果进行检测所用的研究方法更多的是采用全光谱波段或基于全光谱进行变量选择去挑选与果实内部品质指标相关的特征波段,建立果实内部品质的预测模型。然而漫反射光谱是光穿透水果果皮和果肉的后被检测器捕捉的复合信息载体,果皮组织对光谱的吸收作用也在漫反射光谱中,果皮组织对待测物的作用并未研究。
在水果可见近红外光谱无损检测过程中,照射在果实表面96%的辐射光可以穿过果皮表层进入水果组织,其中一部分入射光经过果皮和果肉组织的反射、折射和衍射等过程穿出表皮后,光谱信号被光谱仪检测器采集。果皮是水果自身组织的一部分,主要由色素、果胶和纤维素等成分组成,这些组织成分对光谱也具有一定的吸收作用。以果皮中的色素为例,研究表明,叶绿素在450nm和680nm均具有明显的吸收峰,类胡萝卜素在455nm和480nm具有显著吸收,而花青素对530nm-550nm入射光具有吸收作用,所以,果皮中色素含量的多少会影响漫反射光谱的强度。同时,果实可溶性固形物含量也与果皮中色素含量有一定相关性,但是果实可溶性固形物测定时所用果汁通常取自水果的果肉组织,果皮组织没有或很少参与。
在实现本发明实施例的过程中,发明人发现现有的对水果果实内部品质无损检测中,由于漫反射光谱包含果皮和果肉的双层信息,因此对水果的检测过程中,果皮和果肉的信息相互干扰,影响了检测结果的准确性。
发明内容
本发明所要解决的技术问题是如何解决现有的对水果的检测过程中,果皮和果肉的信息相互干扰,影响检测结果的准确性的问题。
针对以上技术问题,本发明的实施例提供了一种水果无损检测的方法,包括:
获取预设种类的水果的第一全漫反射光谱;
从所述第一全漫反射光谱中提取预先确定的与所述水果的果皮成分相关的第一目标特征波长处的第一漫反射光谱;
从所述第一全漫反射光谱中去除所述第一漫反射光谱,得到第二漫反射光谱,从所述第二漫反射光谱中提取预先确定的与所述水果的果肉成分相关的第二目标特征波长处的第三漫反射光谱;
根据所述第一漫反射光谱,预测所述水果的果皮成分的含量,得到第一预测含量,根据所述第三漫反射光谱,预测所述水果的果肉成分的含量,得到第二预测含量。
可选地,所述预先确定的与所述水果的果皮成分相关的第一目标特征波长的确定方法,包括:
选取若干所述预设种类的水果作为第一样本,获取所述第一样本的第二全漫反射光谱,对所述第一样本的果皮和果肉进行分离,测量所述第一样本的果皮中的果皮成分的含量,得到第一测量含量;
通过变量选择算法从所述第二全漫反射光谱中确定所述第一样本的果皮中的果皮成分的特征波长,得到第一预测特征波长,从所述第二全漫反射光谱中提取所述第一预测特征波长处的漫反射光谱,作为第四漫反射光谱;
根据所述第四漫反射光谱预测所述第一样本的果皮中果皮成分的含量,得到第三预测含量,根据所述第三预测含量和所述第一测量含量的差异,通过变量选择算法对所述第一预测特征波长进行调整,得到所述第一目标特征波长。
可选地,所述预先确定的与所述水果的果肉成分相关的第二目标特征波长的确定方法,包括:
在对所述第一样本的果皮和果肉进行分离后,测量所述第一样本的果肉中果肉成分的含量,得到第二测量含量;
从所述第二全漫反射光谱中去除所述第四漫反射光谱,得到第五漫反射光谱,通过变量选择算法从所述第五漫反射光谱中确定所述第一样本的果肉中果肉成分的特征波长,得到第二预测特征波长,从所述第五漫反射光谱中提取所述第二预测特征波长处的漫反射光谱,作为第六漫反射光谱;
根据所述第六漫反射光谱预测所述第一样本的果肉中果肉成分的含量,得到第四预测含量,根据所述第四预测含量和所述第二测量含量的差异,通过变量选择算法对所述第二预测特征波长进行调整,得到所述第二目标特征波长。
可选地,在得到所述第一目标特征波长后,还包括:
选取若干所述预设种类的水果作为第二样本,获取所述第二样本的第三全漫反射光谱,对所述第二样本的果皮和果肉进行分离,测量所述第二样本的果皮中果皮成分含量,得到第三测量含量;
从所述第三全漫反射光谱中提取所述第一目标特征波长处的漫反射光谱,得到第七漫反射光谱,根据所述第七漫反射光谱预测所述第二样本的果皮中果皮成分的含量,得到第五预测含量;
根据所述第五预测含量和所述第三测量含量的差异,判断所述第一目标特征波长是否需要调整,若是,则对所述第一目标特征波长进行调整。
可选地,在得到所述第二目标特征波长后,还包括:
在对所述第二样本的果皮和果肉进行分离后,测量所述第二样本的果肉中果肉成分的含量,得到第四测量含量;
从所述第三全漫反射光谱中去除所述第七漫反射光谱,得到第八漫反射光谱,根据所述第八漫反射光谱预测所述第二样本中的果肉中果肉成分含量,得到第六预测含量;
根据所述第六预测含量和所述第四测量含量的差异,判断所述第二目标特征波长是否需要调整,若是,则对所述第二目标特征波长进行调整。
可选地,所述根据所述第一漫反射光谱,预测所述水果的果皮成分的含量,得到第一预测含量,根据所述第三漫反射光谱,预测所述水果的果肉成分的含量,得到第二预测含量,包括:
以所述第一漫反射光谱作为最小二乘法的输入变量,预测所述水果的果皮中果皮成分的含量,得到所述第一预测含量,以所述第三漫反射光谱作为最小二乘法的输入变量,预测所述水果的果肉中果肉成分的含量,得到所述第二预测含量。
可选地,还包括:
根据所述第一预测含量和所述第二预测含量对所述预设种类的水果进行分类。
本发明的实施例提供的水果无损检测的方法,获取进行检测的水果的第一全漫反射光谱,然后根据提前设置好的果皮中主要的几种果皮成分(例如,叶绿素、花青素)的特征波长和果肉中主要的几种果肉成分(例如,淀粉)的特征波长,从第一全漫反射光谱中提取出用于对果皮中果皮成分含量进行预测的第一漫反射光谱,并去除第一全漫反射光谱中的第一漫反射光谱,得到第二漫反射光谱,从第二漫反射光谱中提取用于对果肉中的果肉成分含量进行预测的第三漫反射光谱。通过第一漫反射光谱和第三漫反射光谱即可分别对果皮和果肉中的成分的含量进行预测。由于第一漫反射光谱仅和果皮中果皮成分相关,第三漫反射光谱仅和果肉中果肉成分相关,因此通过第二漫反射光谱对果皮中果皮成分进行预测避免了果肉中的成分产生的光谱的影响,通过第三漫反射光谱对果肉中果肉成分进行预测也避免了果皮中的成分产生的光谱的影响,从而提高了对水果中成分的含量进行预测的准确性。
第二方面,本发明的实施例还提供了一种水果无损检测的装置,包括:
获取模块,用于获取预设种类的水果的第一全漫反射光谱;
第一提取模块,用于从所述第一全漫反射光谱中提取预先确定的与所述水果的果皮成分相关的第一目标特征波长处的第一漫反射光谱;
第二提取模块,用于从所述第一全漫反射光谱中去除所述第一漫反射光谱,得到第二漫反射光谱,从所述第二漫反射光谱中提取预先确定的与所述水果的果肉成分相关的第二目标特征波长处的第三漫反射光谱;
预测模块,用于根据所述第一漫反射光谱,预测所述水果的果皮成分的含量,得到第一预测含量,根据所述第三漫反射光谱,预测所述水果的果肉成分的含量,得到第二预测含量。
可选地,所述第一提取模块还包括:
第一选取单元,用于选取若干所述预设种类的水果作为第一样本,获取所述第一样本的第二全漫反射光谱,对所述第一样本的果皮和果肉进行分离,测量所述第一样本的果皮中的果皮成分的含量,得到第一测量含量;
第一提取单元,通过变量选择算法从所述第二全漫反射光谱中确定所述第一样本的果皮中的果皮成分的特征波长,得到第一预测特征波长,从所述第二全漫反射光谱中提取所述第一预测特征波长处的漫反射光谱,作为第四漫反射光谱;
调整单元,用于根据所述第四漫反射光谱预测所述第一样本的果皮中果皮成分的含量,得到第三预测含量,根据所述第三预测含量和所述第一测量含量的差异,通过变量选择算法对所述第一预测特征波长进行调整,得到所述第一目标特征波长。
可选地,所述第一提取模块还用于在对所述第一样本的果皮和果肉进行分离后,测量所述第一样本的果肉中果肉成分的含量,得到第二测量含量;从所述第二全漫反射光谱中去除所述第四漫反射光谱,得到第五漫反射光谱,通过变量选择算法从所述第五漫反射光谱中确定所述第一样本的果肉中果肉成分的特征波长,得到第二预测特征波长,从所述第五漫反射光谱中提取所述第二预测特征波长处的漫反射光谱,作为第六漫反射光谱;根据所述第六漫反射光谱预测所述第一样本的果肉中果肉成分的含量,得到第四预测含量,根据所述第四预测含量和所述第二测量含量的差异,通过变量选择算法对所述第二预测特征波长进行调整,得到所述第二目标特征波长。
可选地,还包括验证模块,包括:
第二选取单元,用于选取若干所述预设种类的水果作为第二样本,获取所述第二样本的第三全漫反射光谱,对所述第二样本的果皮和果肉进行分离,测量所述第二样本的果皮中果皮成分含量,得到第三测量含量;
第二提取单元,用于从所述第三全漫反射光谱中提取所述第一目标特征波长处的漫反射光谱,得到第七漫反射光谱,根据所述第七漫反射光谱预测所述第二样本的果皮中果皮成分的含量,得到第五预测含量;
判断单元,用于根据所述第五预测含量和所述第三测量含量的差异,判断所述第一目标特征波长是否需要调整,若是,则对所述第一目标特征波长进行调整。
可选地,所述验证模块还用于在对所述第二样本的果皮和果肉进行分离后,测量所述第二样本的果肉中果肉成分的含量,得到第四测量含量;从所述第三全漫反射光谱中去除所述第七漫反射光谱,得到第八漫反射光谱,根据所述第八漫反射光谱预测所述第二样本中的果肉中果肉成分含量,得到第六预测含量;根据所述第六预测含量和所述第四测量含量的差异,判断所述第二目标特征波长是否需要调整,若是,则对所述第二目标特征波长进行调整。
可选地,所述预测模块还用于以所述第一漫反射光谱作为最小二乘法的输入变量,预测所述水果的果皮中果皮成分的含量,得到所述第一预测含量,以所述第三漫反射光谱作为最小二乘法的输入变量,预测所述水果的果肉中果肉成分的含量,得到所述第二预测含量。
可选地,所述预测模块还用于根据所述第一预测含量和所述第二预测含量对所述预设种类的水果进行分类
本发明的实施例提供的水果无损检测的装置,获取进行检测的水果的第一全漫反射光谱,然后根据提前设置好的果皮中主要的几种果皮成分(例如,叶绿素、花青素)的特征波长和果肉中主要的几种果肉成分(例如,淀粉)的特征波长,从第一全漫反射光谱中提取出用于对果皮中果皮成分含量进行预测的第一漫反射光谱,并去除第一全漫反射光谱中的第一漫反射光谱,得到第二漫反射光谱,从第二漫反射光谱中提取用于对果肉中的果肉成分含量进行预测的第三漫反射光谱。通过第一漫反射光谱和第三漫反射光谱即可分别对果皮和果肉中的成分的含量进行预测。由于第一漫反射光谱仅和果皮中果皮成分相关,第三漫反射光谱仅和果肉中果肉成分相关,因此通过第二漫反射光谱对果皮中果皮成分进行预测避免了果肉中的成分产生的光谱的影响,通过第三漫反射光谱对果肉中果肉成分进行预测也避免了果皮中的成分产生的光谱的影响,从而提高了对水果中成分的含量进行预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的水果无损检测的方法的流程示意图;
图2是本发明另一个实施例提供的从水果中获取漫反射光谱的流程示意图;
图3是本发明另一个实施例提供的确定第一目标特征波长时,RMSECV的值随蒙特卡洛样本采样次数变化的示意图;
图4是本发明另一个实施例提供的确定第二目标特征波长时,RMSECV的值随蒙特卡洛样本采样次数变化的示意图;
图5是本发明另一个实施例提供的对预测集进行预测的预测值和对预测集进行测量得到的真实值的对比图;
图6是本发明另一个实施例提供的水果无损检测的装置的结构框图;
图7是本发明一个实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本实施例提供的水果无损检测的方法的流程示意图。参见图1,该方法包括:
101:获取预设种类的水果的第一全漫反射光谱;
102:从所述第一全漫反射光谱中提取预先确定的与所述水果的果皮成分相关的第一目标特征波长处的第一漫反射光谱;
103:从所述第一全漫反射光谱中去除所述第一漫反射光谱,得到第二漫反射光谱,从所述第二漫反射光谱中提取预先确定的与所述水果的果肉成分相关的第二目标特征波长处的第三漫反射光谱;
104:根据所述第一漫反射光谱,预测所述水果的果皮成分的含量,得到第一预测含量,根据所述第三漫反射光谱,预测所述水果的果肉成分的含量,得到第二预测含量。
预设种类的水果指的是同一种类的水果,例如,苹果。由于不同种类的水果中,其果皮中所含的主要果皮成分和果肉所含的果肉成分不同,不同种类的水果对应的第一目标特征波长和第二目标特征波长也不相同。因此,需要针对不同种类的水果分别确定第一目标特征波长和第二目标特征波长。第一全漫反射光谱为对水果进行全光谱扫描得到漫反射光谱。
在水果的无损检测中,全漫反射光谱包含果皮和果肉的双层信息,通过移除漫反射光谱中果皮层内对果肉内部品质预测有影响因素的特定物质的特征波长,保留与果肉内部品质最相关的光谱信息,从而筛选到与果皮层特定物质信息无关,而与果肉内部品质指标最相关的特征波长,建立对果皮层特定物质不敏感的果实内部品质指标预测模型,减少来自果皮层特定信息的干扰,克服水果多样性的果皮层特定物质对果实内部品质指标含量预测的影响,增加模型的普适性和稳定性。
本发明的实施例提供的水果无损检测的方法,获取进行检测的水果的第一全漫反射光谱,然后根据提前设置好的果皮中主要的几种果皮成分(例如,叶绿素、类胡萝卜素、花青素)的特征波长和果肉中主要的几种果肉成分(例如,糖、酸、维生素)的特征波长,从第一全漫反射光谱中提取出用于对果皮中果皮成分含量进行预测的第一漫反射光谱,并去除第一全漫反射光谱中的第一漫反射光谱,得到第二漫反射光谱,从第二漫反射光谱中提取用于对果肉中的果肉成分含量进行预测的第三漫反射光谱。通过第一漫反射光谱和第三漫反射光谱即可分别对果皮和果肉中的成分的含量进行预测。由于第一漫反射光谱仅和果皮中果皮成分相关,第三漫反射光谱仅和果肉中果肉成分相关,因此通过第二漫反射光谱对果皮中果皮成分进行预测避免了果肉中的成分产生的光谱的影响,通过第三漫反射光谱对果肉中果肉成分进行预测也避免了果皮中的成分产生的光谱的影响,从而提高了对水果中成分的含量进行预测的准确性。
进一步地,在上述实施例的基础上,所述预先确定的与所述水果的果皮成分相关的第一目标特征波长的确定方法,包括:
选取若干所述预设种类的水果作为第一样本,获取所述第一样本的第二全漫反射光谱,对所述第一样本的果皮和果肉进行分离,测量所述第一样本的果皮中的果皮成分的含量,得到第一测量含量;
通过变量选择算法从所述第二全漫反射光谱中确定所述第一样本的果皮中的果皮成分的特征波长,得到第一预测特征波长,从所述第二全漫反射光谱中提取所述第一预测特征波长处的漫反射光谱,作为第四漫反射光谱;根据所述第四漫反射光谱预测所述第一样本的果皮中果皮成分的含量,得到第三预测含量,根据所述第三预测含量和所述第一测量含量的差异,通过变量选择算法对所述第一预测特征波长进行调整,得到所述第一目标特征波长。
需要说明的是,对特征波长进行筛选过程中所用的变量选择算法本实施例不做具体限制,例如,变量选择算法可以包括CARS(competitive adaptive reweightedsampling,竞争性自适应重加权)、SPA(successive projections algorithm,连续投影算法)和GA(genetic algorithms,遗传算法)等变量选择算法。果皮层中的果皮成分至少包括色素、果胶、纤维、多酚类物质等。果肉中的果肉成分至少包括可溶性固形物、糖、酸、维生素等,果皮成分和果肉成分具体是什么,根据不同的水果种类而定,本实施例不做具体限制。
第二全漫反射光谱是对第一样本中水果进行全扫描得到的漫反射光谱,从该第二全漫反射光谱中确定第一预测特征波长,根据第一预测特征波长处的漫反射光谱对果皮成分的含量进行预测,例如,对苹果中的叶绿素的含量进行预测,找到使得第三预测含量和所述第一测量含量最接近的第一预测特征波长作为第一目标特征波长。
例如,将第一样本的706个光谱变量(光谱变量的个数由设备决定,不做限制)作为CARS变量选择算法的输入变量,三种色素(叶绿素、类胡萝卜素和花青素)含量作为CARS变量选择算法的目标向量。设定最多主成分提取数A=20,最大交叉验证数量K=10,蒙特卡洛样本采样次数(Number of sampling runs)n=50,根据交叉验证均方根误差(RMSECV,rootmean square error of cross–validation,校正集交叉验证均方根误差)变化指数,选择RMSECV值最小时(如图3所示)算法所用变量子集信息,筛选出与苹果叶绿素、类胡萝卜素和花青素含量预测最相关的变量作为其特征波长(第一目标特征波长)。
本实施例提供了一种对水果进行检测的模型中的第一目标特征波长进行训练的过程,通过果皮成分的预测含量和果皮成分的实际含量进行对比,确定出使得第三预测含量和第一测量含量最接近的第一预测特征波长,作为第一目标特征波长。
进一步地,在上述各个实施例的基础上,所述预先确定的与所述水果的果肉成分相关的第二目标特征波长的确定方法,包括:
在对所述第一样本的果皮和果肉进行分离后,测量所述第一样本的果肉中果肉成分的含量,得到第二测量含量;
从所述第二全漫反射光谱中去除所述第四漫反射光谱,得到第五漫反射光谱,通过变量选择算法从所述第五漫反射光谱中确定所述第一样本的果肉中果肉成分的特征波长,得到第二预测特征波长,从所述第五漫反射光谱中提取所述第二预测特征波长处的漫反射光谱,作为第六漫反射光谱;
根据所述第六漫反射光谱预测所述第一样本的果肉中果肉成分的含量,得到第四预测含量,根据所述第四预测含量和所述第二测量含量的差异,通过变量选择算法对所述第二预测特征波长进行调整,得到所述第二目标特征波长。
需要说明的是,对特征波长进行筛选过程中所用的变量选择算法本实施例不做具体限制,例如,变量选择算法可以包括CARS、SPA和GA等变量选择算法。
根据第二预测特征波长处的漫反射光谱对果肉成分的含量进行预测,例如,对苹果中的果肉中可溶性固形物的含量进行预测,找到使得第四预测含量和所述第二测量含量最接近的第二预测特征波长作为第二目标特征波长。
例如,将去除了第二全漫反射光谱中的第四漫反射光谱,得到第五漫反射光谱作为CARS变量选择算法的输入变量,其可溶性固形物(果肉成分)含量作为CARS变量选择算法的目标向量,设定最多主成分提取数A=20,最大交叉验证数量K=10,蒙特卡洛样本采样次数n=50,进行特征波长筛选。
本实施例提供了一种对水果进行检测的模型中的第二目标特征波长进行训练的过程,通过果肉成分的预测含量和果肉成分的实际含量进行对比,确定出使得第三预测含量和第二测量含量最接近的第二预测特征波长,作为第二目标特征波长。
进一步地,在上述各个实施例的基础上,在得到所述第一目标特征波长后,还包括:
选取若干所述预设种类的水果作为第二样本,获取所述第二样本的第三全漫反射光谱,对所述第二样本的果皮和果肉进行分离,测量所述第二样本的果皮中果皮成分含量,得到第三测量含量;
从所述第三全漫反射光谱中提取所述第一目标特征波长处的漫反射光谱,得到第七漫反射光谱,根据所述第七漫反射光谱预测所述第二样本的果皮中果皮成分的含量,得到第五预测含量;
根据所述第五预测含量和所述第三测量含量的差异,判断所述第一目标特征波长是否需要调整,若是,则对所述第一目标特征波长进行调整。
需要说明的是,在判断第五预测含量和第三测量含量的差异时,可以通过Rcal(correlation coefficient of calibration,校正集相关系数),RMSECV,Rpre(correlation coefficient of predictionn,预测集相关系数),RMSEP(root meansquare error of prediction,预测集均方根误差)四个指标进行评价。
本实施例提供了一种对训练出的第一目标特征波长进行验证的方法,通过第二样本对该第一目标特征波长进行验证,保证对果皮成分含量的预测值在一定的误差范围内,否则就需要对第一目标特征波长进行调整。
进一步地,在上述各个实施例的基础上,在得到所述第二目标特征波长后,还包括:
在对所述第二样本的果皮和果肉进行分离后,测量所述第二样本的果肉中果肉成分的含量,得到第四测量含量;
从所述第三全漫反射光谱中去除所述第七漫反射光谱,得到第八漫反射光谱,根据所述第八漫反射光谱预测所述第二样本中的果肉中果肉成分含量,得到第六预测含量;
根据所述第六预测含量和所述第四测量含量的差异,判断所述第二目标特征波长是否需要调整,若是,则对所述第二目标特征波长进行调整。
需要说明的是,在判断第六预测含量和第四测量含量的差异时,可以通过Rcal,RMSECV,Rpre,RMSEP四个指标进行评价。
本实施例提供了一种对训练出的第二目标特征波长进行验证的方法,通过第二样本对该第二目标特征波长进行验证,保证对果肉成分含量的预测值在一定的误差范围内,否则就需要对第二目标特征波长进行调整。
进一步地,在上述各个实施例的基础上,所述根据所述第一漫反射光谱,预测所述水果的果皮成分的含量,得到第一预测含量,根据所述第三漫反射光谱,预测所述水果的果肉成分的含量,得到第二预测含量,包括:
以所述第一漫反射光谱作为最小二乘法的输入变量,预测所述水果的果皮中果皮成分的含量,得到所述第一预测含量,以所述第三漫反射光谱作为最小二乘法的输入变量,预测所述水果的果肉中果肉成分的含量,得到所述第二预测含量。
进一步地,在上述各个实施例的基础上,还包括:
根据所述第一预测含量和所述第二预测含量对所述预设种类的水果进行分类。
根据第一预测含量和第二预测含量可以对该水果的品质进行评估,例如,根据苹果果肉中果糖含量的预测结果,可以对苹果进行分类,区分果糖含量高的苹果和果糖含量低的苹果。根据果皮中的色素的含量可以对该水果的成熟度进行区分。
作为一种具体的实施例,在建立对预设种类的水果——苹果进行检测的模型过程中,针对苹果中果皮颜色分布类型(例如,包括三种分布类型:类型a(偏黄色),类型b(红黄条纹)和类型c(偏红色)),分别获取这三种类型的苹果块(40mm长×30mm宽×30mm高)为60个,80个和60个,采用高光谱图像系统(ImSpector V10E,Spectral Imaging Ltd,Oulu,Finland)获取全部200个苹果块的高光谱图像,提取样本表面所有像素点光谱值做平均运算后,代表本样本的可见近红外漫反射光谱。
考虑到光谱头尾噪声,提取波长范围为450~1000nm(706个变量)漫反射光谱用于分析,最终获得200个苹果块样本的漫反射光谱集合(其中,高光谱采集示意图如图2所示)。然后,用小刀将苹果块的果皮薄层整体削下,并刮去果皮上附着的果肉,果皮用液氮磨碎称重后,采用分光光度计法测定果皮中存在的叶绿素和类胡萝卜素(果皮成分)含量,采用高效液相色谱法测定果皮中存在的花青素(果皮成分)含量。最后,用折光计测定苹果块中全部果肉部分的可溶性固形物含量(果肉成分)。
基于以上获取的苹果漫反射光谱、叶绿素、类胡萝卜素、花青素含量(第一测量含量)和可溶性固形物的含量(第二测量含量)、等信息,通过以下方法确定第一目标特征波长和第二目标特征波长,并对第一目标特征波长和第二目标特征波长进行调整。
A:通过变量选择算法提取苹果果皮中叶绿素、类胡萝卜素和花青素的特征波长。所得叶绿素、类胡萝卜素和花青素的特征波长数量分别为45,82和64个。具体方法如下:
(1)随机选择总样本数量中四分之三的样本,共计150个(类型a,b和c分别为45个,60个和45个)作为校正集(第一样本),其余50个样本(类型a,b和c分别为15个,20个和15个)作为预测集(第二样本);
(2)将A(1)中的校正集样本706个光谱变量作为CARS变量选择算法的输入变量,三种色素(叶绿素、类胡萝卜素和花青素)含量作为CARS变量选择算法的目标向量。设定最多主成分提取数A=20,最大交叉验证数量K=10,蒙特卡洛样本采样次数(Number of samplingruns)n=50,根据交叉验证均方根误差(RMSECV)变化指数,选择RMSECV值最小时(如图3所示)算法所用变量子集信息,筛选出与苹果叶绿素、类胡萝卜素和花青素含量预测最相关的变量作为其特征波长(第一目标特征波长),其中苹果叶绿素、类胡萝卜素和花青素的第一目标特征波长如表1所示;
(3)分别提取校正集中三种色素特征波长位置的漫反射光谱信息,将所提取的漫反射光谱信息作为PLS(Partial least squares,偏最小二乘法)算法的输入变量,三种色素含量作为PLS算法的目标向量,设定PLS中最多主成分提取数A=20,最大交叉验证数量n=10,根据RMSECV变化指数,选择RMSECV值最小时所对应主成分数,从而建立叶绿素、类胡萝卜素和花青素的CARS-PLS预测模型;
(4)分别提取预测集中三种色素特征波长位置的漫反射光谱信息,将所提取的漫反射光谱信息作为A(2)中CARS-PLS预测模型的输入变量,得到三种色素的预测值(如表2所示)。
(5)通过Rcal,RMSECV,Rpre,RMSEP四个指标评价模型的性能。其中,良好的预测模型不仅需要具备较高的预测相关系数R,还要具有较小的RMSECV和RMSEP,而且RMSECV和RMSEP之间的差值应较小。若预测模型效果优良,说明所提取特征波长较好。Rcal,RMSECV,Rpre,RMSEP计算方法如下:
式中ypi为通过所建预测模型所预测的结果;ymi为用标准方法测量的结果;ymean为ypi的平均值。ncal和npre是校正集和预测集的样本数量。
CARS变量选择算法所得叶绿素、类胡萝卜素和花青素特征波长分别为45,82和64,其特征波长位置见表1。三种色素的CARS-PLS预测模型所得预测集Rpre和RMSEP分别为0.9563,0.7529,0.8433和0.3551,0.3016,13.1481,模型的预测效果良好,说明所选择特征波长变量具有代表性。
B:移除全光谱(第二全漫反射光谱)中色素特征波长位置的漫反射光谱信息(第四漫反射光谱),形成无果面色素信息干扰的新的光谱集合(第五漫反射光谱);
C:通过变量选择算法,在新的光谱变量集合中提取与果面色素信息无关,而与苹果可溶性固形物最相关的特征波长的光谱(第六漫反射光谱)。具体方法如下:
(1)将校正集样本中从B步骤所得的新光谱变量,作为CARS变量选择算法的输入变量,其可溶性固形物含量作为CARS变量选择算法的目标向量,设定最多主成分提取数A=20,最大交叉验证数量K=10,蒙特卡洛样本采样次数n=50,进行特征波长筛选;
(2)根据CARS算法中的RMSECV指数变化曲线,当RMSECV最小时(如图4所示),算法所选择的变量子集作为与果面色素信息无关,而与苹果可溶性固形物含量预测最相关的特征波长(第二目标特征波长)变量(如表1所示);
D:基于所提取的可溶性固形物特征波长,建立对苹果果面颜色不敏感的可溶性固形物回归预测模型。具体方法如下:
(1)在校正集新的光谱变量中,提取可溶性固形物特征波长位置的漫反射光谱信息(第六漫反射光谱),将所提取的漫反射光谱信息作为PLS算法的输入变量,可溶性固形物含量作为PLS算法的目标向量,设定PLS中最多主成分提取数A=20,最大交叉验证数量n=10,根据RMSECV变化指数,选择RMSECV值最小时所对应主成分数,从而建立可溶性固形物的CARS-PLS预测模型;
(2)在预测集新的光谱变量(第八漫反射光谱)中,提取可溶性固形物特征波长位置的漫反射光谱信息,将所提取的漫反射光谱信息作为C(2)中CARS-PLS预测模型的输入变量,得到可溶性固形物的预测值(表3)。
(3)通过所选择的特征波长数量,Rcal,RMSECV,Rpre,RMSEP五个指标评价所有基于新的光谱集合建立的可溶性固形物预测模型的性能。由图5可以看出,预测值能很好的反应出真实值,说明该预测模型能够准确的对水果是否损坏进行判断。
如表3所示,所有预测模型预测系数Rp均达到0.95以上,预测效果较好,且预测系数Rpre和RMSEP十分接近。其中,基于移除叶绿素和花青素特征光谱的新光谱变量集,所建立的可溶性固形物预测模型预测结果优良,所用的特征波长数量41个,为最少。
在预测模型中所用光谱数量越少,越有利于提高模型的检测速度,同时可以降低设备的成本。最佳模型的预测方程为:
y=10.89+59.51λ453.07-141.44λ453.81+20.78λ454.56+60.49λ469.5+71.29λ493.52-184.78λ507.86+164.25λ529.08-112.29λ567.99+148.74λ597.95-121.77λ611.83+90.65λ665.36-86.95λ688.76+116.88λ720.86+62.11λ727.14-65.36λ749.93-103.64λ750.71-171.92λ798.01+126.95λ832.01+98.00λ832.8-118.74λ847.05-69.00λ854.18+112.20λ870.82+90.19λ876.37+122.31λ881.92+155.70λ882.71-71.50λ900.95-101.09λ902.53-145.17λ912.85-159.95λ914.43+131.29λ953.3+136.45λ954.89+176.32λ957.27+40.51λ962.82+71.49λ964.41-84.11λ968.37-99.08λ970.75-81.27λ971.54-84.17λ975.51-80.44λ976.3-113.85λ992.16+136.92λ999.29
表1
表2
表3
第二方面,如图6所示,本发明的实施例还提供了一种水果无损检测的装置600,包括获取模块601、第一提取模块602、第二提取模块603和预测模块604,其中,
获取模块601,用于获取预设种类的水果的第一全漫反射光谱;
第一提取模块602,用于从所述第一全漫反射光谱中提取预先确定的与所述水果的果皮成分相关的第一目标特征波长处的第一漫反射光谱;
第二提取模块603,用于从所述第一全漫反射光谱中去除所述第一漫反射光谱,得到第二漫反射光谱,从所述第二漫反射光谱中提取预先确定的与所述水果的果肉成分相关的第二目标特征波长处的第三漫反射光谱;
预测模块604,用于根据所述第一漫反射光谱,预测所述水果的果皮成分的含量,得到第一预测含量,根据所述第三漫反射光谱,预测所述水果的果肉成分的含量,得到第二预测含量。
本发明的实施例提供的水果无损检测的装置600适用于上述实施例中所述的水果无损检测的方法,在此不再赘述。
本发明的实施例提供的水果无损检测的装置,获取进行检测的水果的第一全漫反射光谱,然后根据提前设置好的果皮中主要的几种果皮成分(例如,叶绿素、花青素)的特征波长和果肉中主要的几种果肉成分(例如,淀粉)的特征波长,从第一全漫反射光谱中提取出用于对果皮中果皮成分含量进行预测的第一漫反射光谱,并去除第一全漫反射光谱中的第一漫反射光谱,得到第二漫反射光谱,从第二漫反射光谱中提取用于对果肉中的果肉成分含量进行预测的第三漫反射光谱。通过第一漫反射光谱和第三漫反射光谱即可分别对果皮和果肉中的成分的含量进行预测。由于第一漫反射光谱仅和果皮中果皮成分相关,第三漫反射光谱仅和果肉中果肉成分相关,因此通过第二漫反射光谱对果皮中果皮成分进行预测避免了果肉中的成分产生的光谱的影响,通过第三漫反射光谱对果肉中果肉成分进行预测也避免了果皮中的成分产生的光谱的影响,从而提高了对水果中成分的含量进行预测的准确性。
进一步地,在上述实施例的基础上,所述确定模块还包括:
第一选取单元,用于选取若干所述预设种类的水果作为第一样本,获取所述第一样本的第二全漫反射光谱,对所述第一样本的果皮和果肉进行分离,测量所述第一样本的果皮中的果皮成分的含量,得到第一测量含量;
第一提取单元,通过变量选择算法从所述第二全漫反射光谱中确定所述第一样本的果皮中的果皮成分的特征波长,得到第一预测特征波长,从所述第二全漫反射光谱中提取所述第一预测特征波长处的漫反射光谱,作为第四漫反射光谱;
调整单元,用于根据所述第四漫反射光谱预测所述第一样本的果皮中果皮成分的含量,得到第三预测含量,根据所述第三预测含量和所述第一测量含量的差异,通过变量选择算法对所述第一预测特征波长进行调整,得到所述第一目标特征波长。
进一步地,在上述实施例的基础上,还包括验证模块,包括:
第二选取单元,用于选取若干所述预设种类的水果作为第二样本,获取所述第二样本的第三全漫反射光谱,对所述第二样本的果皮和果肉进行分离,测量所述第二样本的果皮中果皮成分含量,得到第三测量含量;
第二提取单元,用于从所述第三全漫反射光谱中提取所述第一目标特征波长处的漫反射光谱,得到第七漫反射光谱,根据所述第七漫反射光谱预测所述第二样本的果皮中果皮成分的含量,得到第五预测含量;
判断单元,用于根据所述第五预测含量和所述第三测量含量的差异,判断所述第一目标特征波长是否需要调整,若是,则对所述第一目标特征波长进行调整。
图7是本发明实施例提供的电子设备的实体结构示意图,参照图7,包括:至少一个处理器(processor)701;
以及与所述处理器701连接的至少一个存储器(memory)702、总线703;其中,
所述处理器701、存储器702通过所述总线703完成相互间的通信;
所述处理器701用于调用所述存储器702中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取预设种类的水果的第一全漫反射光谱;从所述第一全漫反射光谱中提取预先确定的与所述水果的果皮成分相关的第一目标特征波长处的第一漫反射光谱;从所述第一全漫反射光谱中去除所述第一漫反射光谱,得到第二漫反射光谱,从所述第二漫反射光谱中提取预先确定的与所述水果的果肉成分相关的第二目标特征波长处的第三漫反射光谱;根据所述第一漫反射光谱,预测所述水果的果皮成分的含量,得到第一预测含量,根据所述第三漫反射光谱,预测所述水果的果肉成分的含量,得到第二预测含量。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取预设种类的水果的第一全漫反射光谱;从所述第一全漫反射光谱中提取预先确定的与所述水果的果皮成分相关的第一目标特征波长处的第一漫反射光谱;从所述第一全漫反射光谱中去除所述第一漫反射光谱,得到第二漫反射光谱,从所述第二漫反射光谱中提取预先确定的与所述水果的果肉成分相关的第二目标特征波长处的第三漫反射光谱;根据所述第一漫反射光谱,预测所述水果的果皮成分的含量,得到第一预测含量,根据所述第三漫反射光谱,预测所述水果的果肉成分的含量,得到第二预测含量。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取预设种类的水果的第一全漫反射光谱;从所述第一全漫反射光谱中提取预先确定的与所述水果的果皮成分相关的第一目标特征波长处的第一漫反射光谱;从所述第一全漫反射光谱中去除所述第一漫反射光谱,得到第二漫反射光谱,从所述第二漫反射光谱中提取预先确定的与所述水果的果肉成分相关的第二目标特征波长处的第三漫反射光谱;根据所述第一漫反射光谱,预测所述水果的果皮成分的含量,得到第一预测含量,根据所述第三漫反射光谱,预测所述水果的果肉成分的含量,得到第二预测含量。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上各实施例仅用以说明本发明的实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明的实施例进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。

Claims (10)

1.一种水果无损检测的方法,其特征在于,包括:
获取预设种类的水果的第一全漫反射光谱;
从所述第一全漫反射光谱中提取预先确定的与所述水果的果皮成分相关的第一目标特征波长处的第一漫反射光谱;
从所述第一全漫反射光谱中去除所述第一漫反射光谱,得到第二漫反射光谱,从所述第二漫反射光谱中提取预先确定的与所述水果的果肉成分相关的第二目标特征波长处的第三漫反射光谱;
根据所述第一漫反射光谱,预测所述水果的果皮成分的含量,得到第一预测含量,根据所述第三漫反射光谱,预测所述水果的果肉成分的含量,得到第二预测含量。
2.根据权利要求1中所述的方法,其特征在于,所述预先确定的与所述水果的果皮成分相关的第一目标特征波长的确定方法,包括:
选取若干所述预设种类的水果作为第一样本,获取所述第一样本的第二全漫反射光谱,对所述第一样本的果皮和果肉进行分离,测量所述第一样本的果皮中的果皮成分的含量,得到第一测量含量;
通过变量选择算法从所述第二全漫反射光谱中确定所述第一样本的果皮中的果皮成分的特征波长,得到第一预测特征波长,从所述第二全漫反射光谱中提取所述第一预测特征波长处的漫反射光谱,作为第四漫反射光谱;
根据所述第四漫反射光谱预测所述第一样本的果皮中果皮成分的含量,得到第三预测含量,根据所述第三预测含量和所述第一测量含量的差异,通过变量选择算法对所述第一预测特征波长进行调整,得到所述第一目标特征波长。
3.根据权利要求2中所述的方法,其特征在于,所述预先确定的与所述水果的果肉成分相关的第二目标特征波长的确定方法,包括:
在对所述第一样本的果皮和果肉进行分离后,测量所述第一样本的果肉中果肉成分的含量,得到第二测量含量;
从所述第二全漫反射光谱中去除所述第四漫反射光谱,得到第五漫反射光谱,通过变量选择算法从所述第五漫反射光谱中确定所述第一样本的果肉中果肉成分的特征波长,得到第二预测特征波长,从所述第五漫反射光谱中提取所述第二预测特征波长处的漫反射光谱,作为第六漫反射光谱;
根据所述第六漫反射光谱预测所述第一样本的果肉中果肉成分的含量,得到第四预测含量,根据所述第四预测含量和所述第二测量含量的差异,通过变量选择算法对所述第二预测特征波长进行调整,得到所述第二目标特征波长。
4.根据权利要求3中所述的方法,其特征在于,在得到所述第一目标特征波长后,还包括:
选取若干所述预设种类的水果作为第二样本,获取所述第二样本的第三全漫反射光谱,对所述第二样本的果皮和果肉进行分离,测量所述第二样本的果皮中果皮成分含量,得到第三测量含量;
从所述第三全漫反射光谱中提取所述第一目标特征波长处的漫反射光谱,得到第七漫反射光谱,根据所述第七漫反射光谱预测所述第二样本的果皮中果皮成分的含量,得到第五预测含量;
根据所述第五预测含量和所述第三测量含量的差异,判断所述第一目标特征波长是否需要调整,若是,则对所述第一目标特征波长进行调整。
5.根据权利要求4中所述的方法,其特征在于,在得到所述第二目标特征波长后,还包括:
在对所述第二样本的果皮和果肉进行分离后,测量所述第二样本的果肉中果肉成分的含量,得到第四测量含量;
从所述第三全漫反射光谱中去除所述第七漫反射光谱,得到第八漫反射光谱,根据所述第八漫反射光谱预测所述第二样本中的果肉中果肉成分含量,得到第六预测含量;
根据所述第六预测含量和所述第四测量含量的差异,判断所述第二目标特征波长是否需要调整,若是,则对所述第二目标特征波长进行调整。
6.根据权利要求1中所述的方法,其特征在于,所述根据所述第一漫反射光谱,预测所述水果的果皮成分的含量,得到第一预测含量,根据所述第三漫反射光谱,预测所述水果的果肉成分的含量,得到第二预测含量,包括:
以所述第一漫反射光谱作为最小二乘法的输入变量,预测所述水果的果皮中果皮成分的含量,得到所述第一预测含量,以所述第三漫反射光谱作为最小二乘法的输入变量,预测所述水果的果肉中果肉成分的含量,得到所述第二预测含量。
7.根据权利要求1中所述的方法,其特征在于,还包括:
根据所述第一预测含量和所述第二预测含量对所述预设种类的水果进行分类。
8.一种水果无损检测的装置,其特征在于,包括:
获取模块,用于获取预设种类的水果的第一全漫反射光谱;
第一提取模块,用于从所述第一全漫反射光谱中提取预先确定的与所述水果的果皮成分相关的第一目标特征波长处的第一漫反射光谱;
第二提取模块,用于从所述第一全漫反射光谱中去除所述第一漫反射光谱,得到第二漫反射光谱,从所述第二漫反射光谱中提取预先确定的与所述水果的果肉成分相关的第二目标特征波长处的第三漫反射光谱;
预测模块,用于根据所述第一漫反射光谱,预测所述水果的果皮成分的含量,得到第一预测含量,根据所述第三漫反射光谱,预测所述水果的果肉成分的含量,得到第二预测含量。
9.根据权利要求8中所述的装置,其特征在于,所述确定模块还包括:
第一选取单元,用于选取若干所述预设种类的水果作为第一样本,获取所述第一样本的第二全漫反射光谱,对所述第一样本的果皮和果肉进行分离,测量所述第一样本的果皮中的果皮成分的含量,得到第一测量含量;
第一提取单元,通过变量选择算法从所述第二全漫反射光谱中确定所述第一样本的果皮中的果皮成分的特征波长,得到第一预测特征波长,从所述第二全漫反射光谱中提取所述第一预测特征波长处的漫反射光谱,作为第四漫反射光谱;
调整单元,用于根据所述第四漫反射光谱预测所述第一样本的果皮中果皮成分的含量,得到第三预测含量,根据所述第三预测含量和所述第一测量含量的差异,通过变量选择算法对所述第一预测特征波长进行调整,得到所述第一目标特征波长。
10.根据权利要求9中所述的装置,其特征在于,还包括验证模块,包括:
第二选取单元,用于选取若干所述预设种类的水果作为第二样本,获取所述第二样本的第三全漫反射光谱,对所述第二样本的果皮和果肉进行分离,测量所述第二样本的果皮中果皮成分含量,得到第三测量含量;
第二提取单元,用于从所述第三全漫反射光谱中提取所述第一目标特征波长处的漫反射光谱,得到第七漫反射光谱,根据所述第七漫反射光谱预测所述第二样本的果皮中果皮成分的含量,得到第五预测含量;
判断单元,用于根据所述第五预测含量和所述第三测量含量的差异,判断所述第一目标特征波长是否需要调整,若是,则对所述第一目标特征波长进行调整。
CN201710135754.1A 2017-03-08 2017-03-08 一种水果无损检测的方法及装置 Active CN107064056B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710135754.1A CN107064056B (zh) 2017-03-08 2017-03-08 一种水果无损检测的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710135754.1A CN107064056B (zh) 2017-03-08 2017-03-08 一种水果无损检测的方法及装置

Publications (2)

Publication Number Publication Date
CN107064056A true CN107064056A (zh) 2017-08-18
CN107064056B CN107064056B (zh) 2020-05-22

Family

ID=59622454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710135754.1A Active CN107064056B (zh) 2017-03-08 2017-03-08 一种水果无损检测的方法及装置

Country Status (1)

Country Link
CN (1) CN107064056B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108287144A (zh) * 2017-12-05 2018-07-17 华东理工大学 天然植物近红外模型传递的标准样品制备方法及其应用
CN108906657A (zh) * 2018-07-03 2018-11-30 北京市农林科学院 一种果蔬分选台
CN111044469A (zh) * 2019-12-30 2020-04-21 北京农业智能装备技术研究中心 基于单积分球的水果可溶性固形物检测方法及设备
CN112488998A (zh) * 2020-11-19 2021-03-12 安徽农业大学 一种基于条纹投影的苹果果梗和花萼检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1142205A (zh) * 1994-11-03 1997-02-05 新奇士种植者公司 检测半透明物体表面特征的方法和装置
JP2001289784A (ja) * 2000-04-10 2001-10-19 Mitsui Mining & Smelting Co Ltd 青果物の果皮の質の判定法及びその装置
JP2006238849A (ja) * 2005-03-07 2006-09-14 Iseki & Co Ltd 果実の内成分情報の予測方法及び予測装置
CN101226146A (zh) * 2008-01-25 2008-07-23 中国农业大学 基于多光谱散射图像的苹果硬度预测方法
CN103411973A (zh) * 2013-09-03 2013-11-27 西北农林科技大学 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法
WO2016158820A1 (ja) * 2015-03-31 2016-10-06 三井金属計測機工株式会社 青果物検査装置
CN106323909A (zh) * 2016-09-14 2017-01-11 江苏大学 果蔬品质手持式近红外光谱检测系统及检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1142205A (zh) * 1994-11-03 1997-02-05 新奇士种植者公司 检测半透明物体表面特征的方法和装置
JP2001289784A (ja) * 2000-04-10 2001-10-19 Mitsui Mining & Smelting Co Ltd 青果物の果皮の質の判定法及びその装置
JP2006238849A (ja) * 2005-03-07 2006-09-14 Iseki & Co Ltd 果実の内成分情報の予測方法及び予測装置
CN101226146A (zh) * 2008-01-25 2008-07-23 中国农业大学 基于多光谱散射图像的苹果硬度预测方法
CN103411973A (zh) * 2013-09-03 2013-11-27 西北农林科技大学 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法
WO2016158820A1 (ja) * 2015-03-31 2016-10-06 三井金属計測機工株式会社 青果物検査装置
CN106323909A (zh) * 2016-09-14 2017-01-11 江苏大学 果蔬品质手持式近红外光谱检测系统及检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
史波林等: "应用GA-DOSC算法消除果皮影响近红外漫反射光谱分析苹果硬度的研究", 《光谱学与光谱分析》 *
戚淑叶: "可见/近红外光谱检测水果品质时影响因素的研究", 《中国博士学位论文全文库工程科技Ⅰ辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108287144A (zh) * 2017-12-05 2018-07-17 华东理工大学 天然植物近红外模型传递的标准样品制备方法及其应用
CN108287144B (zh) * 2017-12-05 2020-12-08 华东理工大学 天然植物近红外模型传递的标准样品制备方法及其应用
CN108906657A (zh) * 2018-07-03 2018-11-30 北京市农林科学院 一种果蔬分选台
CN108906657B (zh) * 2018-07-03 2020-07-31 北京市农林科学院 一种果蔬分选台
CN111044469A (zh) * 2019-12-30 2020-04-21 北京农业智能装备技术研究中心 基于单积分球的水果可溶性固形物检测方法及设备
CN112488998A (zh) * 2020-11-19 2021-03-12 安徽农业大学 一种基于条纹投影的苹果果梗和花萼检测方法

Also Published As

Publication number Publication date
CN107064056B (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
Zhang et al. Nondestructive measurement of soluble solids content in apple using near infrared hyperspectral imaging coupled with wavelength selection algorithm
Huang et al. Prediction of firmness parameters of tomatoes by portable visible and near-infrared spectroscopy
Chandrasekaran et al. Potential of near-infrared (NIR) spectroscopy and hyperspectral imaging for quality and safety assessment of fruits: An overview
Esteki et al. Use of spectroscopic methods in combination with linear discriminant analysis for authentication of food products
Malegori et al. Comparing the analytical performances of Micro-NIR and FT-NIR spectrometers in the evaluation of acerola fruit quality, using PLS and SVM regression algorithms
Fan et al. Prediction of soluble solids content of apple using the combination of spectra and textural features of hyperspectral reflectance imaging data
Tan et al. Study on bruising degree classification of apples using hyperspectral imaging and GS-SVM
CN107064056B (zh) 一种水果无损检测的方法及装置
Wang et al. Technology using near infrared spectroscopic and multivariate analysis to determine the soluble solids content of citrus fruit
Tang et al. Multispectral imaging for predicting sugar content of ‘Fuji’apples
Pourdarbani et al. Automatic non-destructive video estimation of maturation levels in Fuji apple (Malus Malus pumila) fruit in orchard based on colour (Vis) and spectral (NIR) data
Moscetti et al. Detection of mold-damaged chestnuts by near-infrared spectroscopy
Sun et al. Detection of internal qualities of hami melons using hyperspectral imaging technology based on variable selection algorithms
Hu et al. Optimization of soluble solids content prediction models in ‘Hami’melons by means of Vis-NIR spectroscopy and chemometric tools
CN108956545B (zh) 一种水果内部品质无损检测模型建立方法及系统
Xiao et al. Prediction of soluble solid content of Agaricus bisporus during ultrasound-assisted osmotic dehydration based on hyperspectral imaging
Nguyen-Do-Trong et al. Cross-polarized VNIR hyperspectral reflectance imaging for non-destructive quality evaluation of dried banana slices, drying process monitoring and control
CN105548070B (zh) 一种苹果可溶性固形物近红外检测部位补偿方法及系统
Yang et al. Rapid detection of browning levels of lychee pericarp as affected by moisture contents using hyperspectral imaging
Sun et al. Detection of moisture content in peanut kernels using hyperspectral imaging technology coupled with chemometrics
Piazzolla et al. Spectra evolution over on-vine holding of Italia table grapes: prediction of maturity and discrimination for harvest times using a Vis-NIR hyperspectral device
Wang et al. Measurement of SSC in processing tomatoes (Lycopersicon esculentum Mill.) by applying Vis‐NIR hyperspectral transmittance imaging and multi‐parameter compensation models
Moomkesh et al. Early detection of freezing damage in sweet lemons using Vis/SWNIR spectroscopy
Wang et al. Identification of mildew degrees in honeysuckle using hyperspectral imaging combined with variable selection
Torres et al. Setting up a methodology to distinguish between green oranges and leaves using hyperspectral imaging

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant