CN109001134A - 非接触式多通道水果内部缺陷检测系统及方法 - Google Patents
非接触式多通道水果内部缺陷检测系统及方法 Download PDFInfo
- Publication number
- CN109001134A CN109001134A CN201811077012.9A CN201811077012A CN109001134A CN 109001134 A CN109001134 A CN 109001134A CN 201811077012 A CN201811077012 A CN 201811077012A CN 109001134 A CN109001134 A CN 109001134A
- Authority
- CN
- China
- Prior art keywords
- fruit
- spectrum
- apple
- detection
- land
- 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.)
- Pending
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 85
- 230000007547 defect Effects 0.000 title claims abstract description 65
- 238000012360 testing method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 94
- 238000001228 spectrum Methods 0.000 claims abstract description 82
- 239000013307 optical fiber Substances 0.000 claims abstract description 20
- 238000003384 imaging method Methods 0.000 claims abstract description 18
- 239000000835 fiber Substances 0.000 claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 238000010239 partial least squares discriminant analysis Methods 0.000 claims description 14
- 241001164374 Calyx Species 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 7
- 238000009940 knitting Methods 0.000 claims 1
- 230000008520 organization Effects 0.000 abstract description 3
- 239000000203 mixture Substances 0.000 abstract description 2
- 241000220225 Malus Species 0.000 description 134
- 239000000523 sample Substances 0.000 description 21
- 230000003595 spectral effect Effects 0.000 description 17
- 238000012549 training Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000010521 absorption reaction Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000031700 light absorption Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- -1 carrotene Chemical compound 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229910052736 halogen Inorganic materials 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 239000010453 quartz Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 229910052721 tungsten Inorganic materials 0.000 description 2
- 239000010937 tungsten Substances 0.000 description 2
- FPIPGXGPPPQFEQ-UHFFFAOYSA-N 13-cis retinol Natural products OCC=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-UHFFFAOYSA-N 0.000 description 1
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 1
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- FPIPGXGPPPQFEQ-BOOMUCAASA-N Vitamin A Natural products OC/C=C(/C)\C=C\C=C(\C)/C=C/C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-BOOMUCAASA-N 0.000 description 1
- 229930003268 Vitamin C Natural products 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- FPIPGXGPPPQFEQ-OVSJKPMPSA-N all-trans-retinol Chemical compound OC\C=C(/C)\C=C\C=C(/C)\C=C\C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-OVSJKPMPSA-N 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002235 transmission spectroscopy Methods 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 235000019155 vitamin A Nutrition 0.000 description 1
- 239000011719 vitamin A Substances 0.000 description 1
- 235000019154 vitamin C Nutrition 0.000 description 1
- 239000011718 vitamin C Substances 0.000 description 1
- 229940045997 vitamin a Drugs 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
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
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
本发明提供一种能够采用多个通道对水果360°进行检测，并以各通道光谱的平均光谱对水果内部缺陷进行分类评估，提高检测的准确性的非接触式多通道水果内部缺陷检测系统及方法。该系统包括成像光谱仪，光源和聚焦镜组成的光源控制系统、同轴的环台和空心圆柱组成的检测平台；环台侧壁上开有多个光纤插孔；成像光谱仪以多根光纤作为入射光传输通道。该方法是，光源发出的光经聚焦镜会聚在水果上，经水果透射后通过光纤入射到狭缝上，通过成像光谱仪得到反映水果内部组织状况的各个通道的光谱，将被测水果各个通道的光谱进行平均后得到平均光谱，将被测水果的平均光谱与正常水果的平均光谱比较判断被测水果内部是否存在缺陷。
Description
技术领域
本技术涉及水果内部缺陷检测装置和检测方法，具体地说，是一种非接触无损检测水果内部缺陷的检测系统及方法。
背景技术
苹果富含多种人体所需的维生素和矿物质，如维生素C、维生素A、胡萝卜素、钙、铁、钾等，已成为世界上消费量最大的水果之一。苹果的品质将直接决定消费者的购买力度。由于有内部缺陷(比如组织褐变，水心，果肉腐烂等)的苹果很难识别出来，因此，在销售前无法将其剔除，这会给消费者造成一定的经济损失，对苹果的销售产生不良影响。目前，对有内部缺陷的苹果的常用检测方法是将苹果切开两半，目视观察横截面有无缺陷。这种人工检查不仅费时费力，还需破坏所测样品才能得知有无内部缺陷，且在评判过程中存在一定的主观性。为了解决这一问题，无损传感技术被应用到水果和蔬菜的分级和分类中，其中以光谱和图像技术最为常见。一些学者已经成功运用X射线和核磁共振成像技术检测内部缺陷苹果，根据所获得的图像对苹果样品进行分类。然而，由于这种检测方法所用仪器价格昂贵，检测速度较慢，因此，X射线和核磁共振成像技术在检测内部缺陷苹果实际应用中存在一定困难。
苹果的内部缺陷将会导致其组织成分和物理结构发生一定程度的改变，从而引起相应光学特性的变化，进而表现为检测光信号的变化。因此，可见/近红外光谱技术在苹果内部品质检测中具有一定的潜力。早在20世纪60年代，一些学者运用波长点的光学密度差异和吸光度差异检测内部褐变和水心苹果。之后，Upchurch等人运用相似的方法，将720nm和810nm透射率的比值作为评判缺陷苹果的指标，并发现随着苹果组织褐变的增加，比值逐渐减小。Vanoli等人通过使用时域反射光谱技术对内部缺陷苹果检测，发现与正常苹果相比，在波长750nm处，内部褐变苹果的吸收系数会增加，约化散射系数降低；而对于水心苹果，在波长790nm处，吸收系数要比正常苹果高很多，而约化散射系数则相应降低。进一步研究中，Vanoli等人通过线性判别分析，发现在780nm处吸收和约化散射系数可获得较好的分类准确性，对正常苹果的分类准确性为90％，内部褐变苹果分类准确性为71％。随着可见/近红外光谱技术和化学计量学的发展，有学者开始用光谱特征与内部缺陷苹果的关系建立数学模型对缺陷苹果进行识别评估。Khatiwada和McGlone等人建立苹果内部缺陷与可见/近红外透射光谱偏最小二乘(PLS)回归模型，预测相关系数可达到0.9以上。Torres等人通过建立可见/短波近红外光谱与苹果组织的褐变主成分分析(PCA)和偏最小二乘判别(PLSDA)模型，对缺陷苹果识别率可达到80％以上。上述研究表明，可见/近红外光谱透射测量可有效的区分内部缺陷苹果和正常苹果。然而，全透射测量需要检测器获得光穿透整个苹果后的信号，这就要求较强的光源信号，否则检测器获得的信号可能会很微弱而导致信噪比降低。为了解决这一问题，一些学者通过半透射测量来检测内部缺陷水果，以避免光强较弱问题。
目前利用透射测量来检测内部缺陷苹果的研究通常都采用单点检测，由于内部缺陷可能分布在苹果组织的任何部位，单点检测在准确评估苹果内部缺陷有很大的局限性。
发明内容
本技术的目的的是提供一种能够采用多个通道对水果360°进行检测，并以各通道光谱的平均光谱对水果内部缺陷进行分类评估，提高检测的准确性的非接触式多通道水果内部缺陷检测系统。
本专利所述的非接触式多通道水果内部缺陷检测系统，包括成像光谱仪，光源控制系统、检测平台；所述光源控制系统包括光源、聚焦镜；所述检测平台包括同轴的环台和空心圆柱；空心圆柱的上端穿过环台底板并与环台底板相连，下端与光源控制系统中聚焦镜镜筒相连；环台侧壁上开有多个光纤插孔；所述成像光谱仪以多根光纤作为入射光传输通道，每根光纤的一端插入到环台侧壁上所开的不同插孔内，另一端与成像光谱仪中的狭缝相对；
对水果内部缺陷检测时，光源发出的光经聚焦镜会聚在位于环台内、且在空心圆柱上方的水果上，经水果透射后通过光纤入射到狭缝上，通过成像光谱仪得到反映水果内部组织状况的各个通道的光谱。
作为改进，在环台侧壁内侧贴附黑色材料。为了避免环台本身的材料对光的反射，在环台内侧壁贴上光吸收黑色材料。
作为改进，光纤为6根，6个相应的插孔均匀分布环台侧壁上。两两光纤夹角为60°，从而实现360°全方位检测水果光谱信息。
作为改进，环台底板上表面具有与空心圆柱同轴的沉孔。为了保证每根光纤每次采集参比光谱时所获得的透射率一致，参比圆柱块需放置在该沉孔位置。
作为改进，空心圆柱上设有用于调节和固定空心圆柱相对于聚焦镜镜筒轴向位置的紧定螺钉。拧紧紧定螺钉，空心圆柱及环台相对于聚焦镜镜筒轴向位置固定，松开紧定螺钉，可以调节空心圆柱相对于聚焦镜镜筒的轴线位置。
本技术同时通过了一种采用多个通道对水果360°进行检测，并以各通道光谱的平均光谱对水果内部缺陷进行分类评估，提高检测的准确性的水果内部缺陷检测方法。
本专利所述的水果内部缺陷检测方法，采用上述的非接触式多通道水果内部缺陷检测系统，光源发出的光经聚焦镜会聚在放置位于环台内、且在空心圆柱上方的水果上，经水果透射后通过光纤入射到狭缝上，通过成像光谱仪得到反映水果内部组织状况的各个通道的光谱，将被测水果各个通道的光谱进行平均后得到平均光谱，将被测水果的平均光谱与正常水果的平均光谱比较判断被测水果内部是否存在缺陷。
作为改进，水果的果梗和果萼连线与环台轴线垂直。当水果的果梗和果萼连线与环台轴线垂直时，可以进一步提高检测的准确性。
作为改进，将被测水果的平均光谱建立偏最小二乘判别分析模型判断被测水果内部是否存在缺陷。
本专利的有益效果：本技术采用多根环绕在水果周边的光纤作为入射光传输通道，对水果进行非接触式全方位半透射多通道检测，以各个通道的平均光谱与正常水果的平均光谱比较判断被测水果内部是否存在缺陷，提高了检测的准确性。
以对苹果的检测为例。检测时，苹果放置位置有三种。检测方位A：放置在环台内的苹果果梗和果萼连线处于与环台轴线平行或重合位置，且果梗在下。检测方位B：放置在环台内的苹果果梗和果萼连线处于与环台轴线平行或重合位置，且果梗在上。检测方位C：放置在环台内的苹果果梗和果萼连线处于与环台轴线垂直位置，或者说，果梗和果萼连线处于水平位置。
检测方位A训练集和测试集中各通道平均分类准确性为90.0％和88.1％，检测方位B为89.9％和86.6％，而检测方位C各通道总体分类性能最好，训练集和测试集平均分类准确性在92.0％和90.9％。
检测方位C平均光谱建立的PLSDA模型不管在训练集还是在测试集对苹果的总体分类准确性均最高，分别为97.3％和93.1％，相应比检测方位A平均光谱分类率提高了4.6％和1.7％，而比检测方位B平均光谱分类准确性提高了6.9％和4.3％。
附图说明
图1是非接触式多通道水果内部缺陷检测系统在检测方位A时的示意图；
图2是检测方位B示意图；
图3是检测方位C示意图；
图4是多通道高光谱成像光谱仪示意图；
图5是成像光谱仪中的狭缝与光纤相对的状态示意图；
图6是检测平台示意图；
图7是检测平台另一个示意图；
图8是苹果外观示意图；
图9是正常苹果纵剖示意图；
图10是内部缺陷苹果纵剖示意图；
图11是内部缺陷苹果横剖示意图；
图12是正常苹果的不同通道光谱图；
图13是小缺陷苹果的不同通道光谱图；
图14是大缺陷苹果的不同通道光谱图；
图15由通道6从检测方位A获取的正常苹果和缺陷苹果的平均光谱图；
图16由通道6从检测方位B获取的正常苹果和缺陷苹果的平均光谱图；
图17由通道6从检测方位C获取的正常苹果和缺陷苹果的平均光谱图。
图中，多通道高光谱成像光谱仪100，检测平台200，光源控制系统300，
光纤1，2，3，4，5，6，33，34，35；
环台21，空心圆柱22，光纤插孔23，黑色材料24，沉孔25。
聚焦镜镜筒31，
检测方位A，B，C。
具体实施方式
下面结合附图对本专利详细说明。
1非接触式多通道水果内部缺陷检测系统
参见图1所示的非接触式全方位半透射多通道水果内部缺陷检测系统，由三部分组成，分别为光源控制系统300，多通道高光谱成像光谱仪100和检测平台200组成。
检测平台200主要用于支撑样品，连接多通道高光谱成像光谱仪和光源控制系统。所述检测平台200包括同轴的环台21和空心圆柱22。空心圆柱22的上端穿过环台底板并与环台底板相连，下端与光源控制系统300中的聚焦镜镜筒31相连。空心圆柱的下端沿径向方向设置有用于调节和固定空心圆柱相对于聚焦镜镜筒轴向位置的紧定螺钉(未示出)。环台侧壁上开有6个光纤插孔23；在环台侧壁内侧贴附黑色材料24。环台底板上表面具有与空心圆柱同轴的沉孔25。
在本研究中，多通道高光谱成像光谱仪仅作为构建空间分辨光谱检测系统的平台。成像光谱仪选用凸入式像差校正光栅设计，入射狭缝宽度为25μm,长度为9mm，如图5。其相机选用229×320像素的高性能Vis-InGaAs检测器，覆盖550-1650nm光谱范围，光谱分辨率为4.85nm，采用14帧采集器。常规高光谱成像光谱仪利用物镜将采集到的光聚焦到狭缝上，与其不同的是，多通道高光谱成像光谱仪用光纤替代物镜，将35根直径为200μm，数值孔径为0.22的接收光纤排成一列，放置在狭缝前面，如图4、5(本专利只使用其中的6根光纤1-6作为入射光传输通道)。从样品中反射回来的光线被光纤获取后，会聚焦到狭缝上，通过成像光谱仪将其分散到不同的波长，然后映射到成像光谱仪中相机的二维检测器阵列上。
多通道高光谱成像光谱仪的六根检测光纤插入外径140mm，内径130mm环台外壁上的六个直径为3mm光纤插孔中，其中光纤头直径与光纤插孔孔径相同，两两光纤夹角为60°，从而实现360°全方位检测样品光谱信息。为了避免环台本身的铝合金材料对光的反射，在环台内侧圆柱壁贴上光吸收黑色材料。此外，为了保证每根光纤每次采集参比光谱时所获得的透射率一致，参比圆柱块需放置在中心位置，因此，在检测平台中心有2mm、直径为80mm的沉孔。检测平台的下半部分用于连接光源控制系统，其为外径为70mm，内径为58mm的空心圆柱，将其直接安装在光源控制系统的聚焦镜镜筒上，并通过外径为70mm的空心圆柱壁上的两个紧定螺栓来调整检测平台的高度位置。
光源控制系统300采用石英卤钨灯光源控制系统，属于现有技术，包括光源31、将光源发出的光会聚的聚焦镜32等等。
2材料与方法
2.1苹果样品
实验所用的430个苹果样品收获后放在冷库存储室约5个月。所有苹果样品无任何外部缺陷，且外观均匀一致，见图8。实验前用抹布将苹果擦拭干净，光谱采集后，将苹果切开，通过视觉观察，将苹果分为正常苹果和内部缺陷苹果(内部褐变)，其中正常苹果243个，内部缺陷苹果187个，见图9-11。
2.2光谱采集
如图1-3所示，采集样品光谱时，将苹果样本放在检测平台中心位置。实验中，石英卤钨灯光源控制系统功率设置为240W，经由聚焦镜从垂直方向直接照射在样品上。为了避免检测光纤信号饱和，采集参比样本光谱时，将参比圆柱体直接放在检测平台的2mm沉孔中，多通道高光谱成像光谱仪的曝光时间设置为15ms，六根检测光纤采集参比圆柱体圆柱表面的透射率作为参比光谱。采集样品光谱时，多通道高光谱成像光谱仪的曝光时间设置为60ms，以保证各检测光纤能获取到足够强的信号。分别采集两种曝光时间下的暗场光谱，用于试验样品的光谱校正。每个样本放置三个不同的方向，分别以检测方位A(果梗和果萼连线处于垂直位置，果梗在下),检测方位B(果梗和果萼连线处于垂直位置，果梗在上)和检测方位C(果梗和果萼连线处于水平位置)表示，采集三个不同方位的光谱，用于分析不同方位对检测结果的影响。
2.3光谱处理与建模方法
通过以下公式对六组样品光谱进行校正，从而减少仪器自身的误差。
其中Sa和Da分别为60ms曝光时间下采集的样品原始光谱和暗场光谱，Rb和Db为15ms曝光时间下采集的参比光谱。每一个通道光谱在不同的样品检测方位(A,B和C)分别建立偏最小二乘判别分析(PLSDA)模型。然后，将相同样品检测方位(如检测方位A)的六个样品光谱平均，获得三个不同样品检测方位的光谱组合(即平均光谱)。
430个外观一致的苹果被随机分成含有300个样本的训练集和含有130个样本的预测集，利用MATLAB R2016b结合PLS Toolbox 8.2来建立内部缺陷苹果识别的偏最小二乘判别分析(PLSDA)模型，用威尼斯百叶窗交叉验证法，并根据最小交叉验证的分类误差平均值或随着因子数增加分类结果没有提高来确定最佳潜在变量数量。
3结果与讨论
3.1光谱分析
图12-14显示了正常苹果，小缺陷苹果(缺陷面积低于40％)和大缺陷苹果(缺陷面积大于40％)六个通道的光谱差异。对于正常苹果和大缺陷苹果，由于组织相对较均匀一致，因此，六个通道表现出较为一致的光谱形状，但仍可发现，各通道间存在较小差异，如图12所示。
而对于小缺陷苹果的检测，由于缺陷位置分布不均匀，通道采集到的光谱有可能是正常组织透射出来的光，也有可能是缺陷组织透射出来的光，如图13所示，通道1，2和6采集的光谱与正常苹果光谱相似，而其余3个通道光谱与图15中缺陷苹果平均光谱相似，这说明单点检测很难准确评估内部缺陷苹果，也从另一方面说明，非接触式全方位半透射多通道高光谱系统在检测内部缺陷苹果的优越性。对于大缺陷苹果，如图14所示，六个通道的光谱形状比较一致，但与正常苹果光谱形状差异明显，说明正常苹果与大缺陷苹果在光谱特征上较为容易区分。
根据图15-17可知，正常苹果与缺陷苹果的平均光谱间是有差异的，在600nm,700nm，800nm和1060nm四个波峰处尤其明显。光与苹果样品经过散射和吸收等相互作用，再反射到检测光纤，其反射率与苹果样品的结构和化学成分相关。有人曾报道光的散射取决于样品组织的细胞尺寸和细胞内的基质。正常苹果的组织颜色较为鲜亮，而苹果有缺陷的组织颜色较深，发生褐变，使得光吸收更明显，因此，内部缺陷苹果的光谱反射率比正常苹果的低。从图中还可发现，在675nm和750nm处有波谷，分别为叶绿素吸收峰和水分吸收峰。由于该苹果本身的叶绿素含量较低，因此在675nm处正常苹果与内部缺陷苹果差异不明显。内部缺陷苹果的组织成分和细胞均发生变化或破坏，细胞的破坏可能释放出更多的水分而导致其水分吸收峰比正常苹果更明显。从图15-17还可观察到，苹果不同的检测位置，所获得的光谱也各不相同，其中检测方位C中，正常苹果与内部缺陷苹果的光谱差异更显著，说明在进行苹果检测时，利用合适的检测方位可能获得更精确的检测结果。
3.2基于单通道的苹果内部缺陷分类识别
由表1可知，相同检测方位，不同通道的分类结果各不相同，比如在检测方位A中，通道2对测试集缺陷苹果的分类准确率最高为90％，而通道6和4分别为检测方位B和C的最佳单通道，分类准确率分别为88.5％和92.3％。由于光谱检测时，无法确定苹果内部缺陷组织的具体方位，这可能是造成各通道分类结果差异的主要原因，这也从另一方面说明，单点检测方法在内部缺陷苹果的评估中存在一定局限。
进一步观察可知，不同的检测方位，各通道的总体分类性能也有所不同，检测方位A训练集和测试集中各通道平均分类准确性为90.0％和88.1％，检测方位B为89.9％和86.6％，而检测方位C各通道总体分类性能最好，训练集和测试集平均分类准确性在92.0％和90.9％。此外，从图12中也可发现，检测方位C中，正常苹果与内部缺陷苹果的平均光谱差异最大，这也可从另一方面解释检测方位C能获得更优的分类准确率。
以上结果说明在对样品检测时，合适的检测方位更有利于内部缺陷苹果的评估。
更深一步分析，将每个检测方位的各通道进行组合，平均6个通道的光谱数据，发现可进一步提升分类准确性，且通道组合平均后光谱均比其对应的检测方位最佳单通道分类结果好。这说明多通道检测系统在评估内部缺陷苹果中具有更大的潜力。
从表1中可知，检测方位C平均光谱建立的PLSDA模型不管在训练集还是在测试集对缺陷苹果的分类准确性均最高，分别为97.3％和93.1％，相应比检测方位A平均光谱分类率提高了4.6％和1.7％，而比检测方位B平均光谱分类准确性提高了6.9％和4.3％。
各通道平均分类准确性是指以各通道(本实施例是6个通道)光谱分别采用偏最小二乘回归建立判别分析模型，判断被测水果内部是否存在缺陷的准确性的平均值；而不是将各通道的光谱进行平均后得到平均光谱，以平均光谱采用偏最小二乘回归建立判别分析模型，判断被测水果内部是否存在缺陷的准确性。
表1基于PLSDA模型的苹果样品总体分类准确率
3.3基于组合通道的苹果内部缺陷分类识别
表2进一步详细分析了各检测方位组合通道平均光谱对正常苹果和缺陷苹果的分类准确性。从中可知，不管是训练集或测试集，PLSDA模型对正常苹果的分类准确性均高于内部缺陷苹果的。正常苹果的组织相对比较一致，组织密度也比较统一，因此，具有较高的分类准确性，而有内部缺陷的苹果可能只有部分组织被破坏或褐变，其余组织与正常苹果较相近，检测器在采集光谱时，便容易将其判错。
训练集中，检测方位C正常苹果和内部缺陷苹果的分类准确率较一致，均在90％以上，而检测方位A和B对内部缺陷苹果的分类准确率不高，在87％左右，但对正常苹果的分类准确性与检测范围C还是有可比性的。
测试集中，检测方位C对正常苹果和内部缺陷苹果的分类准确性为95.7％和90％，且均高于其他两个检测方位的结果，可将检测方位A正常苹果分类准确率提高3.0％，检测方位B正常苹果和内部缺陷苹果分类准确率提高4.7％和3.8％。检测方位B在三个方位中显示较差的分类结果，尤其是对内部缺陷苹果的分类，60个样本中有8个样本判错，分类准确率只有86.7％。
表2基于检测方位A，B和C平均光谱建立的PLSDA模型分类准确率
注：173:173个正常苹果样本(训练集)；127:127个内部缺陷苹果样本(训练集)；70:70个正常苹果样本(测试集)；60:60个内部缺陷苹果样本(测试集)
本专利是一种新型非接触式全方位半透射多通道检测系统，应用该系统对内部缺陷苹果进行分类检测，通过建立PLSDA模型来评估各通道，各检测方位以及通道组合对内部缺陷苹果的分类效果。
(1)对于相同检测方位，由于内部缺陷组织分布不均匀，6个通道的分类结果各不相同，这表明基于常规的单通道检测方法不易达到高检测准确度。
(2)基于三个不同检测方位，各通道得到的整体分类准确率有所不同，检测方位C获得较优分类结果。因此，在实际应用时有必要考虑苹果的检测方位，以达到高检测准确率。
(3)利用6个通道的平均光谱建立的PLSDA模型可进一步提高内部缺陷苹果的分类准确率，检测侧方位C对正常苹果与内部缺陷苹果的分类准确率分别为95.7％和90.0％。
(4)总体来说，PLSDA模型对正常苹果的识别要优于内部缺陷苹果的。
Claims (8)
1.非接触式多通道水果内部缺陷检测系统，包括成像光谱仪，光源控制系统、检测平台；所述光源控制系统包括光源、聚焦镜；其特征是：所述检测平台包括同轴的环台和空心圆柱；空心圆柱的上端穿过环台底板并与环台底板相连，下端与光源控制系统中聚焦镜镜筒相连；环台侧壁上开有多个光纤插孔；所述成像光谱仪以多根光纤作为入射光传输通道，每根光纤的一端插入到环台侧壁上所开的不同插孔内，另一端与成像光谱仪中的狭缝相对；
对水果内部缺陷检测时，光源发出的光经聚焦镜会聚在位于环台内、且在空心圆柱上方的水果上，经水果透射后通过光纤入射到狭缝上，通过成像光谱仪得到反映水果内部组织状况的各个通道的光谱。
2.如权利要求1所述的非接触式多通道水果内部缺陷检测系统，其特征是：在环台侧壁内侧贴附黑色材料。
3.如权利要求1所述的非接触式多通道水果内部缺陷检测系统，其特征是：光纤为6根，6个相应的插孔均匀分布环台侧壁上。
4.如权利要求1所述的非接触式多通道水果内部缺陷检测系统，其特征是：环台底板上表面具有与空心圆柱同轴的沉孔。
5.如权利要求1所述的非接触式多通道水果内部缺陷检测系统，其特征是：空心圆柱上设有用于调节和固定空心圆柱相对于聚焦镜镜筒轴向位置的紧定螺钉。
6.水果内部缺陷检测方法，其特征是：采用任一项权利要求1-5所述的非接触式多通道水果内部缺陷检测系统，光源发出的光经聚焦镜会聚在放置位于环台内、且在空心圆柱上方的水果上，经水果透射后通过光纤入射到狭缝上，通过成像光谱仪得到反映水果内部组织状况的各个通道的光谱，将被测水果各个通道的光谱进行平均后得到平均光谱，将被测水果的平均光谱与正常水果的平均光谱比较判断被测水果内部是否存在缺陷。
7.如权利要求6所述的水果内部缺陷检测方法，其特征是：水果的果梗和果萼连线与环台轴线垂直。
8.如权利要求6所述的水果内部缺陷检测方法，其特征是：将被测水果的平均光谱建立偏最小二乘判别分析模型判断被测水果内部是否存在缺陷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811077012.9A CN109001134A (zh) | 2018-09-14 | 2018-09-14 | 非接触式多通道水果内部缺陷检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811077012.9A CN109001134A (zh) | 2018-09-14 | 2018-09-14 | 非接触式多通道水果内部缺陷检测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109001134A true CN109001134A (zh) | 2018-12-14 |
Family
ID=64591754
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811077012.9A Pending CN109001134A (zh) | 2018-09-14 | 2018-09-14 | 非接触式多通道水果内部缺陷检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109001134A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110132857A (zh) * | 2019-05-20 | 2019-08-16 | 南京林业大学 | 脐橙全方位成像的内部检测方法 |
| CN110389104A (zh) * | 2019-08-01 | 2019-10-29 | 南京林业大学 | 基于光谱差分组合消除果皮影响的水果品质检测方法 |
| CN110991469A (zh) * | 2019-12-30 | 2020-04-10 | 西南大学 | 一种水果可溶性固形物在线检测方法及系统 |
| CN113655020A (zh) * | 2021-08-12 | 2021-11-16 | 河南工业大学 | 一种检测空壳核桃的方法 |
| CN115261996A (zh) * | 2022-05-26 | 2022-11-01 | 陈永安 | 一种莲纤维的智能抽取方法及莲纤维和纱线 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020011567A1 (en) * | 2000-03-13 | 2002-01-31 | Ozanich Richard M. | Apparatus and method and techniques for measuring and correlating characteristics of fruit with visible/near infra-red spectrum |
| CN101008621A (zh) * | 2007-01-12 | 2007-08-01 | 浙江大学 | 基于多传感器信息融合的水果缺陷检测方法和装置 |
| CN101539514A (zh) * | 2009-04-02 | 2009-09-23 | 浙江大学 | 农畜产品品质近红外光谱便携式检测方法和装置 |
| KR20090109027A (ko) * | 2008-04-14 | 2009-10-19 | 주식회사 앨텍 | 다채널 과일 내부 품질 측정 방법 과 장치 |
| CN103439270A (zh) * | 2013-09-11 | 2013-12-11 | 南京农业大学 | 一种高光谱图像检测桃果实冷害的装置和方法 |
| CN104251837A (zh) * | 2014-10-17 | 2014-12-31 | 北京农业智能装备技术研究中心 | 水果内部品质近红外透射光谱在线检测系统及方法 |
| CN104990626A (zh) * | 2015-07-01 | 2015-10-21 | 天津大学 | 一种利用光纤束实现图像切割的快照式高光谱成像系统 |
| CN105044020A (zh) * | 2015-06-08 | 2015-11-11 | 浙江大学 | 光斑可调的便携式近红外水果内部品质检测装置 |
| CN106525237A (zh) * | 2016-10-24 | 2017-03-22 | 中国科学院国家空间科学中心 | 一种交叉车尼尔特纳结构多狭缝多光谱系统 |
| CN107976254A (zh) * | 2017-11-15 | 2018-05-01 | 中国科学院长春光学精密机械与物理研究所 | 一种光纤光谱仪及多通道光纤光谱仪装置 |
| CN208736794U (zh) * | 2018-09-14 | 2019-04-12 | 南京林业大学 | 非接触式多通道水果内部缺陷检测系统 |
-
2018
- 2018-09-14 CN CN201811077012.9A patent/CN109001134A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020011567A1 (en) * | 2000-03-13 | 2002-01-31 | Ozanich Richard M. | Apparatus and method and techniques for measuring and correlating characteristics of fruit with visible/near infra-red spectrum |
| CN101008621A (zh) * | 2007-01-12 | 2007-08-01 | 浙江大学 | 基于多传感器信息融合的水果缺陷检测方法和装置 |
| KR20090109027A (ko) * | 2008-04-14 | 2009-10-19 | 주식회사 앨텍 | 다채널 과일 내부 품질 측정 방법 과 장치 |
| CN101539514A (zh) * | 2009-04-02 | 2009-09-23 | 浙江大学 | 农畜产品品质近红外光谱便携式检测方法和装置 |
| CN103439270A (zh) * | 2013-09-11 | 2013-12-11 | 南京农业大学 | 一种高光谱图像检测桃果实冷害的装置和方法 |
| CN104251837A (zh) * | 2014-10-17 | 2014-12-31 | 北京农业智能装备技术研究中心 | 水果内部品质近红外透射光谱在线检测系统及方法 |
| CN105044020A (zh) * | 2015-06-08 | 2015-11-11 | 浙江大学 | 光斑可调的便携式近红外水果内部品质检测装置 |
| CN104990626A (zh) * | 2015-07-01 | 2015-10-21 | 天津大学 | 一种利用光纤束实现图像切割的快照式高光谱成像系统 |
| CN106525237A (zh) * | 2016-10-24 | 2017-03-22 | 中国科学院国家空间科学中心 | 一种交叉车尼尔特纳结构多狭缝多光谱系统 |
| CN107976254A (zh) * | 2017-11-15 | 2018-05-01 | 中国科学院长春光学精密机械与物理研究所 | 一种光纤光谱仪及多通道光纤光谱仪装置 |
| CN208736794U (zh) * | 2018-09-14 | 2019-04-12 | 南京林业大学 | 非接触式多通道水果内部缺陷检测系统 |
Non-Patent Citations (2)
| Title |
|---|
| YUPING HUANG 等: "Development of a multichannel hyperspectral imaging probe for food property and quality Assessment", PROC. OF SPIE, vol. 10217, 31 December 2017 (2017-12-31), pages 102170 * |
| 郭志明 等: "苹果腐心病的透射光谱在线检测系统设计及试验", 农业工程学报, vol. 32, no. 06, 31 March 2016 (2016-03-31), pages 283 - 288 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110132857A (zh) * | 2019-05-20 | 2019-08-16 | 南京林业大学 | 脐橙全方位成像的内部检测方法 |
| CN110132857B (zh) * | 2019-05-20 | 2021-09-07 | 南京林业大学 | 脐橙全方位成像的内部检测方法 |
| CN110389104A (zh) * | 2019-08-01 | 2019-10-29 | 南京林业大学 | 基于光谱差分组合消除果皮影响的水果品质检测方法 |
| CN110991469A (zh) * | 2019-12-30 | 2020-04-10 | 西南大学 | 一种水果可溶性固形物在线检测方法及系统 |
| CN110991469B (zh) * | 2019-12-30 | 2022-08-12 | 西南大学 | 一种水果可溶性固形物在线检测方法及系统 |
| CN113655020A (zh) * | 2021-08-12 | 2021-11-16 | 河南工业大学 | 一种检测空壳核桃的方法 |
| CN113655020B (zh) * | 2021-08-12 | 2024-05-24 | 河南工业大学 | 一种检测空壳核桃的方法 |
| CN115261996A (zh) * | 2022-05-26 | 2022-11-01 | 陈永安 | 一种莲纤维的智能抽取方法及莲纤维和纱线 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109001134A (zh) | 非接触式多通道水果内部缺陷检测系统及方法 | |
| Cayuela | Vis/NIR soluble solids prediction in intact oranges (Citrus sinensis L.) cv. Valencia Late by reflectance | |
| US8072605B2 (en) | Method and apparatus for determining quality of fruit and vegetable products | |
| Fan et al. | Determination of soluble solids and firmness of apples by Vis/NIR transmittance | |
| Peng et al. | Analysis of spatially resolved hyperspectral scattering images for assessing apple fruit firmness and soluble solids content | |
| Xing et al. | Bruise detection on ‘Golden Delicious’ apples by vis/NIR spectroscopy | |
| Magwaza et al. | Evaluation of Fourier transform-NIR spectroscopy for integrated external and internal quality assessment of Valencia oranges | |
| Shenderey et al. | NIRS detection of moldy core in apples | |
| NZ521919A (en) | Apparatus and method for measuring and correlating characteristics of fruit with visible/near infra-red spectrum | |
| 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 | |
| Khodabakhshian et al. | A comparative study of reflectance and transmittance modes of Vis/NIR spectroscopy used in determining internal quality attributes in pomegranate fruits | |
| CN107064044B (zh) | 一种茶提取液中多酚含量的快速检测方法及装置 | |
| Zude | Non-destructive prediction of banana fruit quality using VIS/NIR spectroscopy | |
| Sun et al. | Non-destructive detection of blackheart and soluble solids content of intact pear by online NIR spectroscopy | |
| CN208736794U (zh) | 非接触式多通道水果内部缺陷检测系统 | |
| CN107132197B (zh) | 一种食醋总酸含量的检测方法及装置 | |
| Kim et al. | Defect and ripeness inspection of citrus using NIR transmission spectrum | |
| Wang et al. | Differences in optical properties of fruit tissues between stone fruits and citrus fruits | |
| Xing et al. | Wavelength selection for surface defects detection on tomatoes by means of a hyperspectral imaging system | |
| Wang et al. | Application of visible/near-infrared spectroscopy combined with machine vision technique to evaluate the ripeness of melons (Cucumis melo L.) | |
| CA3015575A1 (en) | A method and apparatus for the detection of the presence of mycotoxins in cereals. | |
| Meulebroeck et al. | Photonics enhanced sensors for food monitoring: Part 3 | |
| CN112858187A (zh) | 一种基于光谱技术的茄子花青素测量系统及方法 | |
| Greensill et al. | An experimental comparison of simple NIR spectrometers for fruit grading applications by CV Greensill, DS Newman | |
| JP2021185876A (ja) | 海苔の品質評価方法、および海苔の品質評価装置 |
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 |