CN108037081B - 一种酿酒葡萄成熟度监测方法和系统 - Google Patents
一种酿酒葡萄成熟度监测方法和系统 Download PDFInfo
- Publication number
- CN108037081B CN108037081B CN201710985064.5A CN201710985064A CN108037081B CN 108037081 B CN108037081 B CN 108037081B CN 201710985064 A CN201710985064 A CN 201710985064A CN 108037081 B CN108037081 B CN 108037081B
- Authority
- CN
- China
- Prior art keywords
- maturity
- grape
- grapes
- physicochemical
- value
- 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.)
- Active
Links
- 235000014787 Vitis vinifera Nutrition 0.000 title claims abstract description 105
- 240000006365 Vitis vinifera Species 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 230000003595 spectral effect Effects 0.000 claims abstract description 60
- 241000219095 Vitis Species 0.000 claims abstract description 54
- 235000009754 Vitis X bourquina Nutrition 0.000 claims abstract description 54
- 235000012333 Vitis X labruscana Nutrition 0.000 claims abstract description 54
- 241000219094 Vitaceae Species 0.000 claims abstract description 53
- 235000021021 grapes Nutrition 0.000 claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000013508 migration Methods 0.000 claims abstract description 8
- 230000005012 migration Effects 0.000 claims abstract description 8
- 239000000126 substance Substances 0.000 claims description 50
- 238000005070 sampling Methods 0.000 claims description 14
- 239000007787 solid Substances 0.000 claims description 14
- 239000002253 acid Substances 0.000 claims description 13
- 235000013399 edible fruits Nutrition 0.000 claims description 10
- 238000003306 harvesting Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 238000002329 infrared spectrum Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 230000001953 sensory effect Effects 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 12
- 238000009499 grossing Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 230000035800 maturation Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013124 brewing process Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000855 fermentation Methods 0.000 description 2
- 230000004151 fermentation Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N phenol group Chemical group C1(=CC=CC=C1)O ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 description 2
- 101150061025 rseP gene Proteins 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001476 alcoholic effect Effects 0.000 description 1
- 239000003963 antioxidant agent Substances 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000004448 titration Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Abstract
本发明提供一种酿酒葡萄成熟度监测方法和系统，所述方法包括：S1、基于葡萄生长阶段内的光谱图像信息与各理化指标值对应关系，预测葡萄当前各理化指标预测值；S2、基于各理化指标值随葡萄成熟度的迁移关系，得到葡萄的成熟度参数。基于葡萄光谱图像信息与理化指标值的对应关系、理化指标值与成熟度参数的关系，建立葡萄成熟度参数的计算模型，通过采集葡萄的光谱图像信息，利用可靠的预测模型对真实值进行预测，根据不同理化指标的含量反馈出酿酒葡萄的成熟程度，并根据采集的数据和检测模型的更新维护方法定期对可靠的预测模型进行扩充和更新，最终达到酿酒葡萄成熟度的实时监测的目的。
Description
技术领域
本发明涉及种植技术领域，更具体地，涉及一种酿酒葡萄成熟度监测方法和系统。
背景技术
葡萄酒抗氧化物质含量丰富，具有消除自由基预防癌症的保健效果，是极具发展潜力的饮品。一款葡萄酒的品质最主要取决于酿酒葡萄的品质及成熟程度，我国葡萄酒产业正处于快速发展的时期，作为新世界刚刚起步的一大产区，我国葡萄酒产业发展前景一片大好。
酿酒葡萄的成熟度作为影响葡萄酒品质的重要因素目前还没有一种大规模无损的实时监测系统来对其进行评判，这导致大量成熟度不佳的葡萄投入到葡萄酒的酿造过程中，使葡萄酒在酿造过程中出现糖分不足酒精度难以到达预定值、发酵过程缓慢发酵期延长等问题，这极大的影响了葡萄酒的感官品质和价值，阻碍了葡萄酒产业的发展。因此亟需通过现代信息手段对酿酒葡萄成熟度进行无损实时监测，从而推动我国葡萄酒产业的快速发展。
目前的酿酒葡萄成熟度监测的主要方式还是采用传统的理化指标检测方法，需要对葡萄园进行逐一的采样，随后进行破坏性检测，这样的方法效率低、工作量大，且难以进行大面积的实时监测，随着物流技术的进步，传统方式已不能满足高品质葡萄酒酿造的需要，迫切需要应用光谱无损检测技术对整个酒庄葡萄园进行实时监测，以保证对酿酒葡萄的有效管理。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的一种酿酒葡萄成熟度监测方法和系统，解决了现有技术中无法对葡萄成熟度进行大面积监测的问题。
根据本发明的一个方面，提供一种酿酒葡萄成熟度监测方法，包括：
S1、基于葡萄生长阶段内的光谱图像信息与各理化指标值对应关系，预测葡萄当前各理化指标预测值；
S2、基于各理化指标值随葡萄成熟度的迁移关系，得到葡萄的成熟度参数。
作为优选的，所述步骤S1中，还包括建立理化指标预测模型：
获取葡萄样本在各个生长阶段内的各项理化指标值，并采集对应的光谱图像信息；
对光谱图像信息和理化指标的进行相关性分析，获取各理化指标对应的特征波段和波峰位置，训练得到理化指标预测模型。
作为优选的，获取葡萄样本在各个生长阶段内的各项理化指标值具体包括：
获取均匀分布在葡萄园内各个采样点处的葡萄，包括采样点处阴面、阳面的两穗葡萄；
分别取两穗葡萄上中下三个部位的果实作为样本，混合榨汁后检测各理化指标值。
作为优选的，建立理化指标预测模型时，采集对应的光谱图像信息具体包括：
分别通过多光谱仪和近红外光谱仪对整穗葡萄进行图像采集，每穗葡萄采集三次；
对图像平滑取平均后求导，并通过多元散射校正消除光谱图像中基线的平移和漂移。
作为优选的，所述步骤S1还包括：
基于多光谱图像和红外光谱图像分别建立理化指标预测模型；
通过分析误差的标准差确定各理化指标预测模型的预测值及样本真实值之间的符合程度；
基于相对标准差确定不同测量理化指标的预测效果，选取最优理化指标预测模型。
作为优选的，所述步骤S2具体包括：
基于葡萄质构检测及感官评价所得的成熟度信息，进行主成分分析，得到各种理化指标对葡萄成熟度的决定系数；
提取决定系数高的多个指标作为预测特征指标，建立由特征指标和决定系数组成的成熟度系数计算公式。
作为优选的，所述步骤S2进一步包括：
基于待测葡萄的理化指标预测值，计算葡萄的成熟度系数，并与葡萄成熟度标准判别值对比；
若计算得到成熟度大于标准判别值，则判断以达到最佳采收期；若小于标准判别值，则基于理化指标值预测下次检测时间。
一种酿酒葡萄成熟度监测系统，包括：
光谱图像采集模块，用于采集葡萄生长阶段内的光谱图像信息；
成熟度检测模块，用于基于光谱图像信息对葡萄成熟度进行检测。
作为优选的，所述光谱图像采集模块包括无人机和图像采集装置；所述图像采集装置设于所述无人机上；所述无人机用于按设定高度和轨迹在葡萄园内飞行，所述图像采集装置用于在飞行过程中采集葡萄的光谱图像信息。
作为优选的，所述成熟度检测模块包括理化指标预测单元和成熟度计算单元；
所述理化指标预测单元用于基于葡萄生长阶段内的光谱图像信息与各理化指标值对应关系，预测葡萄当前各理化指标预测值；
所述成熟度计算单元用于基于各理化指标值随葡萄成熟度的迁移关系，计算葡萄的成熟度参数。
本发明提出一种酿酒葡萄成熟度监测方法和系统，基于葡萄光谱图像信息与理化指标值的对应关系、理化指标值与成熟度参数的关系，建立葡萄成熟度参数的计算模型，通过采集葡萄的光谱图像信息，利用可靠的预测模型对真实值进行预测，根据不同理化指标的含量反馈出酿酒葡萄的成熟程度，并根据采集的数据和检测模型的更新维护方法定期对可靠的预测模型进行扩充和更新，最终达到酿酒葡萄成熟度的实时监测的目的。
附图说明
图1为根据本发明实施例的酿酒葡萄成熟度监测方法流程框图；
图2为根据本发明实施例的理化指标模型建模流程示意图；
图3为根据本发明实施例的酿酒葡萄成熟度监测流程示意图；
图4为根据本发明实施例的酿酒葡萄成熟度监测系统结构框图；
图5为根据本发明实施例的图像采集装置结构框图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
一种酿酒葡萄成熟度监测方法，包括：
S1、基于葡萄生长阶段内的光谱图像信息与各理化指标值对应关系，预测葡萄当前各理化指标预测值；
S2、基于各理化指标值随葡萄成熟度的迁移关系，得到葡萄的成熟度参数。
在本实施例的上述步骤S1中，在对各理化指标进行预测前，还包括建立理化指标预测模型：
获取葡萄样本在各个生长阶段内的各项理化指标值，并采集对应的光谱图像信息；
对光谱图像信息和理化指标的进行相关性分析，获取各理化指标对应的特征波段和波峰位置，训练得到理化指标预测模型。
葡萄的理化指标包括还原糖、可溶性固形物、总糖、总酸、挥发酸、酚类物质，PH等，在本实施例中，为了简便程序，选择了三个相关性最强的理化指标进行进一步的监测分析，通过预实验确定了三个建模可靠程度较高的理化指标分别是：可溶性固形物、PH和总酸含量。
在本实施例中，获取葡萄样本在各个生长阶段内的各项理化指标值具体包括：
获取均匀分布在葡萄园内各个采样点处的葡萄，包括采样点处阴面、阳面的两穗葡萄；
分别取两穗葡萄上中下三个部位的果实作为样本，混合榨汁后检测各理化指标值。
在本实施例中，具体的，对单一品种的葡萄园进行均分，其中取长边的四个五分之一分位点，取短边的三个四分之一分位点，各个分为点的交点作为取样点，因此对于每块葡萄园均设置了12个均匀取样点，对12个点的葡萄进行理化指标的检测，采样时选取阴面阳面个两穗葡萄，分别取上中下三个部位的五粒果实(根据果实的出汁率而定，粒数相同、方便检测即可)混合后榨汁检测理化指标，其中，可溶性固形物采用手持式折光仪测量，PH值使用传统PH仪检测，总酸含量采用传统的滴定法进行测量，这里我们不对使用的仪器做明确的规定，每个理化指标均测量三次后取平均值。需要特别注意的是，检测过程理化指标的测定过程要严格把握操作的规范性、熟练性。
在本实施例中，建立理化指标预测模型时，采集对应的光谱图像信息具体包括：
分别通过多光谱仪和近红外光谱仪对整穗葡萄进行图像采集，每穗葡萄采集三次；
对图像平滑取平均后求导，并通过多元散射校正消除光谱图像中基线的平移和漂移。
具体的，在光谱图像采集过程中，还包括光谱数据采集过程中的波长范围选择，光谱仪类型选择，光谱的采集形式以及分辨率、积分时间、信噪比和灵敏度等关键因素的确定；
本实施例中采用了两种光谱仪进行光谱数据采集，分别是多光谱相机和近红外光谱仪，其中多光谱相机的组要采集原始图像、红光波段、绿光波段、近红外光以及Ndvi图像，并反映几种图像的特征参数；近红外光谱仪采用波长400-1100nm，
应用于建模过程的图像采集需要和理化指标一一对应，因此图像采集的过程应和S1理化指标同步进行，样品同样采用S1中所述的采样位点相同的葡萄穗，在进行果粒采集前分别使用多光谱相机和近红外光谱仪对整穗葡萄进行图像采集，每穗采集三次图像。
对采集光谱图像进行平滑、积分等预处理后，对应相应的各项理化指标进行相关性分析，确定2-3个相关性强、预测能力较好地理化指标作为模型参数，并找出理化指标多对应的波段位置、吸收峰位置。
具体的，图像采集完成后的图像预处理过程主要包括中心化变换、SG平滑、取平均处理、归一化处理、变量标准化、多元散射校正以及一、二阶导处理。首先对采集的三次图像进行平滑后取平均处理，通过多次测量取平均的方法可以降低噪声提高信噪比，平滑方式采用S-G平滑，波长k处经平滑后的均值为：
式中，H为归一化因子，hi为平滑系数，每次测量乘平滑系数以尽可能的减小平滑对有用信息的影响，通过求导的方法可以强化谱带的特征，客服谱带的重叠，得到更清晰的轮廓，其中一阶导数和二阶导数分别用于消除光谱中极限的平移和漂移。
具体的，一阶导数离散化形式：
二阶导数离散化形式：
式中，g为微分窗口宽度；x为求导数前的光谱值；X为求导数后的光谱值。
通过多元散射校正可以有效消除样品间散射影响所导致的基线平移和偏移现象，首先计算所需校正光谱的平均光谱：
其次，对平均光谱作回归：
式中，
为校正后的光谱；bi为第i个样品线性回归方程的常数项；mi为第i个样品线性回归方程的一次项系数。
在本实施例中，所述步骤S1还包括：
基于多光谱图像和红外光谱图像分别建立理化指标预测模型；
通过分析误差的标准差确定各理化指标预测模型的预测值及样本真实值之间的符合程度；
基于相对标准差确定不同测量理化指标的预测效果，选取最优理化指标预测模型。
在本实施例中，主要采集了多光谱图像和近红外光谱图像，通过两种不同光谱仪所提供的局部观察量综合，消除信息之间的冗余和矛盾，利用信息互补，形成对待检测样品的相对完整一致的感知描述，从而提高智能系统决策的快速性和正确性，以及规划的科学性，通过多信息融合技术可以避免单一光谱仪的局限性，可以获取更多信息，由此建立的系统模型具有更好的可靠性和鲁棒性，增强了数据的可靠性和系统的分辨能力。
在多元线性回归分析和主成分分析的基础之上，并且结合了酿酒葡萄采集光谱的实际情况和酿酒葡萄理化指标随成熟度的迁移，进行了创新性的优化改进，通过对系统中的数据信息进行分解和筛选的方式，提取对因变量的解释性最强的综合变量，辨识系统中的信息与噪声，防止模型过度拟合，建立的模型具有更加优秀的适应性和准确度。如图2所示，具体的建模过程如下：
假定X0为n×p维自变量矩阵：
Y0为n×q维自变量矩阵：
上式中，其中p，q分别为光谱图像数据的变量个数和理化指标个数，n为待测样品数。
首先，求X0组变量的第一主成分t1，w1第一主成分的系数向量，w1是一个单位向量：
t1＝X0w1
求Y0组变量的第一主成分u1，c1为第一主成分的系数向量，c1是一个单位向量：
u1＝Y0c1
根据PCA(Principal Component Analysis，主成分分析)方法的思想，我们要求t1，u1各自的方差达到最大：
Var(t1)＝max
Var(u2)＝max
Cov(t1,u1)＝max
经过化简后我们得到如下形式：
w′1w1＝1
w′1w1＝1
进一步采用拉格朗日数乘法，来讨论极值问题：
δ＝w′1X0Y′0c1-λ1(w1w′1-1)-λ2(c1c′1-1)
对δ分别求c1，w1，λ1，λ2的偏导并令之为零
同理可求c1，λ1，λ2。
推出w′1X′0Y0c1-2λ1w′1w1＝0
c′1F′0X0w1-2λ2c′1c1＝0
进一步w′1X′0Y0c1＝2λ1＝2λ2
记作θ1＝2λ1＝2λ2＝w′1X′0Y0c1
X′0Y0c1-θ1w1＝0
Y′0X0w1-θ1w1＝0
可得
可见,w1是矩阵的X′0Y0Y′0X0特征向量,对应的特征值为
所以w1是对应于矩阵X′0Y0Y′0X0最大特征值
的单位特征向量。而另一方面,c1是对应于Y′0X0X′0Y0矩阵最大特征值
的单位特征向量c1。
t1＝X0w1
u1＝Y0c1
注意这里t1和u1分别为n维向量，是n个个案在两组变量的主成分的取值。
接下来建立回归方程
分别求X0和Y0对t1和u1的两个回归方程
X0＝t1α′1+E1
Y0＝t1β′1+F1
根据最小二乘估计的原理
由于第一对主成分并未将相关的信息提取完，所以需要再重复第一步工作，在残差矩阵E0和F0中再提取第二对主成分。
t2＝E1w2 u2＝F1c2
分别求E1和F1对t2和u2的两个回归方程，即：
E1＝t2α′2+E2
F1＝t2β′2+F2
根据最小二乘估计的原理
进而
X0＝t1α′1+t2α′2+E2
Y0＝t1β′1+t2β′2+F2
设n×p数据观测矩阵的秩为r＝min(n，p)，则存在r个成分t1，t2，...，tr，使得
X0＝t1α′1+t2α′2+...+Er (1)
Y0＝t1β′1+t2β′2+...+Fr (2)
tk＝wk1X1+wk2X2+...+wkpXp,p＝1,2,...,r (3)
将(3)式代入(2)式，并合并同类项
因此，非标准化的偏最小二乘回归方程为：
在本实施例中，还包括对建立的模型用未知样本进行外部验证，检验模型的预测性能，并对比单一光谱仪及多光谱信息融合后的光谱，确定最优模型。
通过采集位置样品的光谱，代入成熟度模型中，预测相关理化指标的化学值，通过测量样品理化指标的真实值，鉴定预测值与真实值的相关性，以此检验模型的预测能力。
通过评价模型的预测能力，并且为日后的模型扩充提供了可靠地依据。评价方法主要包括以下几步：
1、通过分析误差的标准差来确定模型预测值与样本真实值之间相符合的程度；
2、通过分析的相对标准差来确定不同测量理化指标的建模效果，选取最优理化指标；
3、评价模型的稳健性，确定样本量大小；
4、通过引入指标性参数最终确定模型的判别能力。
具体的，在通过分析误差的标准差时，主要包括了分析误差标准差的计算和近红外光谱精确度的保证，首先计算分析样本标准差SEP和样本标准差SD，计算过程如下：
其中，N为样本数量，yi为样本得真实值，
为近红外预测值，ym为样本真值的平均值，通过分析样本标准差SEP确定预测值与真实值的离散程度，从而确定模型预测的准确度。预测模型的精确度主要由分析仪器的质量决定，通常来说合格的近红外分析仪精确度标准差＜0.5*SEP，即重复性标准大约占SEP的1/2。
具体的，在分析的相对标准差来确定不同测量理化指标的建模效果，选取最优理化指标时，主要针对不同的理化指标建模结果优劣的区分，分析样本标准差的值与待测量指标使用的单位有关，因此在评价不同指标的建模准确度时有失妥当，因此我们引入分析相对标准差RSEP来评价不同的理化指标建模结果优劣，分析的相对标准差计算方法如下：
通过比较几种理化指标的分析相对标准差RSEP来评价几种理化指标的建模结果优劣，并选择其中的最优结果作为监测模型。
具体的，在评价模型的稳健性时，由于我们在建立模型的过程中可能因为采样覆盖面积小，代表性不强而导致模型具有欺骗性，稳健性不足，虽然预测结果良好，但应用于实际生产之后容易出现准确度降低的现象，因此，我们需要评价模型的稳健性，以应对葡萄酒庄园大范围的酿酒葡萄成熟度检测需要，模型的稳健性可以通过SEP/SEC来确定，模型的校正标准差SEC表征了建模样本范围之内分析的误差，因此一般SEP大于SEC，但当SEP值可接受而SEP超出SEC过多时(一般比值小于1.2)，则证明模型的稳健性不够，应扩大建模样本量并增加样本的代表性。
具体的，在引入指标性参数时，在本实施例中引入的指标性参数具体来讲是指范围误差比(RPD)，该指标的计算方法如下：
范围误差比是以建模样品集中样品的分布标准差SD表征样品参比值的范围，其表示了近红外分析将SD范围之内的样品分级的数目，是独立于模型稳健型的、评价模型分辨能力的参数指标，对于不同分析目的，其相应的评价指标是：RPD≥2.5(5,10)。
对应与之相关的：
因此，
R2和RPD存在密切的关系，因此一般认为R2≥0.75，即RPD≥2时模型效果已经可以接受，当R2＝0.96时，RPD＝5，此时模型预测结果可以认为非常优秀。
在本实施例中，所述步骤S2具体包括：
基于葡萄质构检测及感官评价所得的成熟度信息，进行主成分分析，得到各种理化指标对葡萄成熟度的决定系数；
提取决定系数高的多个指标作为预测特征指标，建立由特征指标和决定系数组成的成熟度系数计算公式。
在本实施例中，主成分分析方法与上述方法相同，通过对可溶性固形物、可滴定酸、总糖、酚类物质等理化指标进行成熟期定期数据采集，并结合酿酒葡萄质构检测和感官评价所得的成熟度信息，进行主成分分析，得到各种理化指标对酿酒葡萄成熟度的决定系数，提取决定系数较高的几个指标作为预测特征指标，并建立由特征指标和决定系数组成的成熟度系数F计算公式。
在本实施例中，所述步骤S2进一步包括：
基于待测葡萄的理化指标预测值，计算葡萄的成熟度系数，并与葡萄成熟度标准判别值对比；
若计算得到成熟度大于标准判别值，则判断以达到最佳采收期；若小于标准判别值，则基于理化指标值预测下次检测时间。
在测量了n种理化指标之后提取其中最具有代表性的几种，并根据这几种理化指标的的贡献率得出决定系数，来建立成熟度与几种具有代表性的理化指标的特征方程。
如图3所示，再具体实时过程中，采集需要监测品种的酿酒葡萄的近红外光谱图像、多光谱图像；并对采集到的酿酒葡萄近红外光谱图像、多光谱图像进行预处理，预处理过程与上述方法中介绍的相同。采用了两种光谱仪进行光谱数据采集，分别是多光谱相机和近红外光谱仪，其中多光谱相机的组要采集原始图像、红光波段、绿光波段、近红外光以及Ndvi图像，并反映几种图像的特征参数；近红外光谱仪采用波长400-1100nm。
判断预处理后的光谱图像信息是否满足理化指标预测模型的需求，若不满足则重新采集近红外光谱图像、多光谱图像，若满足需求则进一步通过理化指标预测模型预测酿酒葡萄的各项理化指标值。
具体的，判断采集到的光谱图像是否存在异常值，
若不存在，则保留当前周期采集到的相应数据；
否则，再次对该区域的酿酒葡萄进行近红外光谱图像采集两次，判断两次图像是否符合图像采集要求，
若符合，则对两次图像取平均光谱并保存，删除第一次异常光谱；
否则，判定存在系统异常，需停止扫描对光谱仪进行维护检查。
在本实施例中，通过预实验确定了三个建模可靠程度较高的理化指标分别是：可溶性固形物、PH和总酸含量，因此在本实施例中，采集上述三种指标。
对采集后的图像进行预处理，并将处理后的光谱图像代入模型中，预测酿酒葡萄的可溶性固形物含量、可滴定酸含量和PH值。
将预测出的可溶性固形物含量与酿酒所需最低标准进行比较，是否大于最低标准，
若否，则根据模型预测可溶性固形物含量达到最低标准的时间，并进行下一次的图像采集；
若是，则继续比对可滴定酸含量是否符合标准要求，
若否，则根据模型预测可滴定酸含量达到最低标准的时间，并进行下一次的图像采集；
若是，则继续比对PH值是否符合标准要求，
若否，则根据模型预测PH值达到最低标准的时间，并进行下一次的图像采集；
若是，则判定理化指标符合要求，酿酒葡萄已经到达成熟期。
根据理化指标预测值值结合相应的决定系数，计算酿酒葡萄的成熟度系数F，并与特定酿酒葡萄成熟度标准判别值F0进行比对；
若该片区域酿酒葡萄成熟度系数F大于标准判别值F0，则判断该区域已经达到最佳采收期；
若成熟度系数F未达到标准判别值，则判断该片区域葡萄虽然已经成熟，但仍未达到最佳采收期，则预测进一步预测该片区域葡萄达到最佳采收期时间，并进行光谱图像采集。
本实施例中还示出了一种酿酒葡萄成熟度监测系统，如图4所示，具体包括：
光谱图像采集模块，用于采集葡萄生长阶段内的光谱图像信息；
成熟度检测模块，用于基于光谱图像信息对葡萄成熟度进行检测。
在本实施例中，所述光谱图像采集模块包括无人机和图像采集装置；所述图像采集装置设于所述无人机上；所述无人机用于按设定高度和轨迹在葡萄园内飞行，所述图像采集装置用于在飞行过程中采集葡萄的光谱图像信息。
具体的，图像采集装置针对酿酒葡萄成熟度判别所需的理化指标，采用特定波段的发光器，并采用内环发射外环接收的形式采集较大范围的光谱图像。
具体的，如图5所示，图像采集装置包括发光系统、准直镜、色散系统、成像镜和接收系统，采用如图中的光谱仪实现；
所述的发光系统拟采用发光二极管阵列作为光源，选取针对酿酒葡萄特征峰波段的发光二极管阵列，其发光强度均一，体积小，非常适合作为便携式机载近红外光谱仪的光源；
所述的准直系统，其作用是将光源发出的光通过狭缝后校正为平行的准直光，直接照射检测样品；
所述的色散系统拟采用旋转光栅作为分光器件，通过旋转光栅将发光二极管阵列所发出波段的近红外光按波长顺序以不同的角度分解成单色光，从而检测全波段光谱；
所述的成像镜将窄间上色散开的各波长的光束汇聚在成像物镜的焦平面上，成像物镜可为球面镜，形成一系列的按波长排列的狭缝的单色像；
所述的接收系统拟采用光电二极管阵列作为光敏检测原件，将接收到的光信号转换为电信号，并经过A/D转换器最终形成可在PC终端审阅的系统信号。
在本实施例中，所述成熟度检测模块包括理化指标预测单元和成熟度计算单元；
所述理化指标预测单元用于基于葡萄生长阶段内的光谱图像信息与各理化指标值对应关系，预测葡萄当前各理化指标预测值；
所述成熟度计算单元用于基于各理化指标值随葡萄成熟度的迁移关系，计算葡萄的成熟度参数。
具体的，在本实施例中，还包括远程通信模块、控制模块、监控模块。
监控模块主要包含酿酒葡萄数据库的PC终端，以及执行的专业操作人员，该模块为一总控制平台，可以直观的向办公楼工作人员显示系统的运行情况，工作人员也可以通过该总控制平台将控制指令传送给现场控制装置。该控制平台可具有良好的人机交互界面，并可采用Web网页的形式实现显示功能。当然，通过建立局域网的方式，还可以实现智能手机、平板电脑、个人计算机等访问服务平台实现监测与控制。该模块主要进行数据的处理和储存，当信息传递到应用模块时，便由既定程序导入可靠的预测模型进行真实值预测，一方面可以实时反馈真实值的数值，同时可以将真实值与设定阈值相比对，仅反馈酿酒葡萄成熟程度。完成真实值、成熟度的预测后将光谱图像和预测数值导入数据库中进行储存，用于对预测模型进行评价和补充。
远程通信模块主要包括GPRS信息传递系统、GSM基站、以及云端服务器处理系统，其中通过GPRS信息传递系统和GSM基站实现光谱信息在光谱仪与云端服务器之前的传输，云端服务器处理系统对图像进行预处理并对杂乱光谱数据进行剔除。
控制模块用于根据评价处理后的光谱是否出现异常；在判定光谱出现异常时，根据处理后的光谱数据的光谱采集位置、光谱仪的分辨率、积分时间等影响因素，分析光谱采集的最佳参数，并生成控制指令通过执行模块调整光谱仪的采集参数。无人机载光谱仪装置可预先设置飞行路径、停留时间等行动参数，根据现场的风速等外部条件自行调节飞行速度，不需要人工巡检查看无人机的工作状态，减少了管理成本。由于无人机载光谱仪装置打在了远程通信模块，因此可以快速的将采集到的光谱信息通过无线网络快速传送至远程监控终端，该终端配备有本发明独创的酿酒葡萄成熟度预测模型来评价酿酒葡萄成熟度，而并非通过人工经验判断，因此具有较高的准确性。在采集到的光谱信息出现异常时时，光谱预处理模块可以很快地发现异常光谱，并确定异常光谱的采集位置，进而调节无人机的运行，对光谱信息进行再次采集，避免了信息的缺失和重复性采集，因此对异常的响应实时性好。
控制模块作为该系统的中枢模块，承接来自图像处理模块所发出的指令，根据采集图像的可靠程度决定是否需要对图像进行再次采集，其决策结果将直接反馈到通信模块或执行模块，其中，如图像信息合格反馈到通信模块，则对图像信息传递至PC终端，进行下一步的判别处理；如图像信息不合格，则反馈到执行模块，该模块通过控制无人机的轨迹和光谱仪进行图像的再次采集。
在本实施例中，利用无人机载光谱仪采集现场有关的数据，然后利用光谱数据处理系统对这些数据进行预处理，随后将处理后的光谱数据传输至PC终端，利用可靠的预测模型对真实值进行预测，根据不同理化指标的含量反馈出酿酒葡萄的成熟程度，并根据采集的数据和检测模型的更新维护方法定期对可靠的预测模型进行扩充和更新，最终达到酿酒葡萄成熟度的实时监测的目的。
本发明提出一种酿酒葡萄成熟度监测方法和系统，基于葡萄光谱图像信息与理化指标值的对应关系、理化指标值与成熟度参数的关系，建立葡萄成熟度参数的计算模型，通过采集葡萄的光谱图像信息，利用可靠的预测模型对真实值进行预测，根据不同理化指标的含量反馈出酿酒葡萄的成熟程度，并根据采集的数据和检测模型的更新维护方法定期对可靠的预测模型进行扩充和更新，最终达到酿酒葡萄成熟度的实时监测的目的。
最后，本发明的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种酿酒葡萄成熟度监测方法，其特征在于，包括：
S1、基于葡萄生长阶段内的光谱图像信息与各理化指标值对应关系，预测葡萄当前各理化指标预测值；
S2、基于各理化指标值随葡萄成熟度的迁移关系，得到葡萄的成熟度参数；
所述步骤S1中，还包括建立理化指标预测模型：
获取葡萄样本在各个生长阶段内的各项理化指标值，并采集对应的光谱图像信息；
对光谱图像信息和理化指标的进行相关性分析，获取各理化指标对应的特征波段和波峰位置，训练得到理化指标预测模型；
所获取的葡萄样本在各个生长阶段内的各项理化指标值包括可溶性固形物、PH和总酸含量；
获取葡萄样本在各个生长阶段内的各项理化指标值具体包括：
获取均匀分布在葡萄园内各个采样点处的葡萄，包括采样点处阴面、阳面的两穗葡萄；
分别取两穗葡萄上中下三个部位的果实作为样本，混合榨汁后检测各理化指标值；
建立理化指标预测模型时，采集对应的光谱图像信息具体包括：
分别通过多光谱仪和近红外光谱仪对整穗葡萄进行图像采集，每穗葡萄采集三次；
对图像平滑取平均后求导，并通过多元散射校正消除光谱图像中基线的平移和漂移；
所述步骤S1还包括：
基于多光谱图像和红外光谱图像分别建立理化指标预测模型；
通过分析误差的标准差确定各理化指标预测模型的预测值及样本真实值之间的符合程度；
基于相对标准差确定不同测量理化指标的预测效果，选取最优理化指标预测模型；
所述步骤S2具体包括：
基于葡萄质构检测及感官评价所得的成熟度信息，进行主成分分析，得到各种理化指标对葡萄成熟度的决定系数；
提取决定系数高的多个指标作为预测特征指标，建立由特征指标和决定系数组成的成熟度系数计算公式；
所述步骤S2进一步包括：
基于待测葡萄的理化指标预测值，计算葡萄的成熟度系数，并与葡萄成熟度标准判别值对比；
若计算得到成熟度大于标准判别值，则判断已达到最佳采收期；若小于标准判别值，则基于理化指标值预测下次检测时间；
还包括图像采样频次的动态判定：
将预测出的可溶性固形物含量与酿酒所需最低标准进行比较，是否大于最低标准，
若否，则根据模型预测可溶性固形物含量达到最低标准的时间，并进行下一次的图像采集，
若是，则继续比对可滴定酸含量是否符合标准要求，
若否，则根据模型预测可滴定酸含量达到最低标准的时间，并进行下一次的图像采集，
若是，则继续比对PH值是否符合标准要求，
若否，则根据模型预测PH值达到最低标准的时间，并进行下一次的图像采集；
还包括最佳采收期判断规则：
根据理化指标预测值结合相应的决定系数，计算酿酒葡萄的成熟度系数F，并与特定酿酒葡萄成熟度标准判别值F0进行比对，
若该片区域酿酒葡萄成熟度系数F大于标准判别值F0，则判断该区域已经达到最佳采收期，
若成熟度系数F未达到标准判别值，则判断该片区域葡萄虽然已经成熟，但仍未达到最佳采收期，则进一步预测该片区域葡萄达到最佳采收期时间，并进行光谱图像采集。
2.一种采用权利要求1所述的酿酒葡萄成熟度监测方法的系统，其特征在于，包括：
光谱图像采集模块，用于采集葡萄生长阶段内的光谱图像信息；
成熟度检测模块，用于基于光谱图像信息对葡萄成熟度进行检测；
所述成熟度检测模块包括理化指标预测单元和成熟度计算单元；
所述理化指标预测单元，用于基于葡萄生长阶段内的光谱图像信息与各理化指标值对应关系，预测葡萄当前各理化指标预测值；
所述成熟度计算单元，用于基于各理化指标值随葡萄成熟度的迁移关系，计算葡萄的成熟度参数；
所述理化指标预测单元，还用于建立理化指标预测模型：
获取葡萄样本在各个生长阶段内的各项理化指标值，并采集对应的光谱图像信息；
对光谱图像信息和理化指标的进行相关性分析，获取各理化指标对应的特征波段和波峰位置，训练得到理化指标预测模型；
所获取的葡萄样本在各个生长阶段内的各项理化指标值包括可溶性固形物、PH和总酸含量，
获取葡萄样本在各个生长阶段内的各项理化指标值，具体包括：
获取均匀分布在葡萄园内各个采样点处的葡萄，包括采样点处阴面、阳面的两穗葡萄；
分别取两穗葡萄上中下三个部位的果实作为样本，混合榨汁后检测各理化指标值；
建立理化指标预测模型时，采集对应的光谱图像信息，具体包括：
分别通过多光谱仪和近红外光谱仪对整穗葡萄进行图像采集，每穗葡萄采集三次；
对图像平滑取平均后求导，并通过多元散射校正消除光谱图像中基线的平移和漂移；
所述光谱图像采集模块包括无人机和图像采集装置；所述图像采集装置设于所述无人机上；所述无人机用于按设定高度和轨迹在葡萄园内飞行，所述图像采集装置用于在飞行过程中采集葡萄的光谱图像信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710985064.5A CN108037081B (zh) | 2017-10-20 | 2017-10-20 | 一种酿酒葡萄成熟度监测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710985064.5A CN108037081B (zh) | 2017-10-20 | 2017-10-20 | 一种酿酒葡萄成熟度监测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108037081A CN108037081A (zh) | 2018-05-15 |
| CN108037081B true CN108037081B (zh) | 2020-07-28 |
Family
ID=62093129
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710985064.5A Active CN108037081B (zh) | 2017-10-20 | 2017-10-20 | 一种酿酒葡萄成熟度监测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108037081B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108901366B (zh) * | 2018-06-19 | 2021-03-02 | 华中农业大学 | 一种天地一体化柑橘采摘方法 |
| CN111199192A (zh) * | 2019-12-23 | 2020-05-26 | 中国农业大学 | 一种采用平行线取样的田间红提葡萄整体成熟度检测方法 |
| CN113340823B (zh) * | 2021-06-02 | 2023-06-27 | 浙江德菲洛智能机械制造有限公司 | 一种草莓糖分的快速无损检测工艺 |
| CN116268357A (zh) * | 2023-03-03 | 2023-06-23 | 华南农业大学 | 一种高盐稀态酱油酿造过程监控方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105510242A (zh) * | 2015-12-28 | 2016-04-20 | 南京农业大学 | 一种基于多旋翼无人机平台的作物生长监测方法及装置 |
| CN106596412A (zh) * | 2016-12-31 | 2017-04-26 | 上海复展智能科技股份有限公司 | 利用无人机携带多光谱光源进行植物生长监测的方法 |
| CN107084759A (zh) * | 2017-05-03 | 2017-08-22 | 无锡新人居科贸有限公司 | 一种生态环境自动监测系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102818777B (zh) * | 2012-08-24 | 2015-03-18 | 北京农业智能装备技术研究中心 | 一种基于光谱和颜色测量的水果成熟度评价方法 |
| CN105044021B (zh) * | 2015-07-08 | 2018-07-17 | 湖南环境生物职业技术学院 | 一种中秋酥脆枣糖度无损检测方法 |
-
2017
- 2017-10-20 CN CN201710985064.5A patent/CN108037081B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105510242A (zh) * | 2015-12-28 | 2016-04-20 | 南京农业大学 | 一种基于多旋翼无人机平台的作物生长监测方法及装置 |
| CN106596412A (zh) * | 2016-12-31 | 2017-04-26 | 上海复展智能科技股份有限公司 | 利用无人机携带多光谱光源进行植物生长监测的方法 |
| CN107084759A (zh) * | 2017-05-03 | 2017-08-22 | 无锡新人居科贸有限公司 | 一种生态环境自动监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108037081A (zh) | 2018-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108037081B (zh) | 一种酿酒葡萄成熟度监测方法和系统 | |
| CN104897607B (zh) | 便携式近红外光谱食品建模与快速检测一体化方法和系统 | |
| Xiaobo et al. | In vivo noninvasive detection of chlorophyll distribution in cucumber (Cucumis sativus) leaves by indices based on hyperspectral imaging | |
| CN109100323B (zh) | 一种苹果水心病的透射光谱无损定量评价方法 | |
| Gutiérrez et al. | On‐the‐go hyperspectral imaging for the in‐field estimation of grape berry soluble solids and anthocyanin concentration | |
| CN111504915B (zh) | 反演水体叶绿素浓度的方法、装置、设备及存储介质 | |
| CN104697943A (zh) | 一种油菜水分胁迫的无损检测方法 | |
| CN105300954A (zh) | 一种锑矿浮选非均质泡沫层矿物的拉曼光谱表征方法 | |
| KR102502154B1 (ko) | 이산화탄소 포집량 예측 시스템 | |
| CN111537469A (zh) | 一种基于近红外技术的苹果品质快速无损检测方法 | |
| US11594015B1 (en) | Detecting changes in forest composition | |
| CN115494008A (zh) | 近红外光谱仪与机器视觉结合的烟叶质量检测方法及系统 | |
| Wang et al. | Rapid detection of chlorophyll content and distribution in citrus orchards based on low-altitude remote sensing and bio-sensors | |
| CN102353648A (zh) | 化肥成分检测方法 | |
| Páscoa | In situ visible and near-infrared spectroscopy applied to vineyards as a tool for precision viticulture | |
| CN105841820A (zh) | 一种轧件温度在线监测系统 | |
| CN106442400B (zh) | 一种近红外光谱快速判定不同土壤类型茶鲜叶的方法 | |
| CN115266720A (zh) | 多尺度光谱成像的玉米生长期养分信息检测方法 | |
| CN104181125A (zh) | 快速测定啤酒麦芽中库尔巴哈值的方法 | |
| Itoh et al. | Measurement of nitrate concentration distribution in vegetables by near-infrared hyperspectral imaging | |
| CN114252406A (zh) | 一种小麦生长期养分信息检测方法 | |
| Gao et al. | Detection of Powdery Mildew of Bitter Gourd Based on NIR/Fluorescence Spectra | |
| CN105841822A (zh) | 一种斯太尔摩控制冷却线散卷轧件温度在线监测方法 | |
| Peng et al. | SPXY sample classification method and successive projections algorithm combined with near-infrared spectroscopy for the determination of total sugar content of southern xinjiang jujube | |
| Xu et al. | Detection of Cucumber Powdery Mildew Based on Spectral and Image Information |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231122 Address after: 265700 LAN Gao Zhen Lu Jia Cun, Longkou City, Yantai City, Shandong Province Patentee after: LONGKOU SIPING CO.,LTD. Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee before: Dragon totem Technology (Hefei) Co.,Ltd. Effective date of registration: 20231122 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: 100193 No. 2 Old Summer Palace West Road, Beijing, Haidian District Patentee before: CHINA AGRICULTURAL University |