CN109541031A - 基于声学和振动特性的水果硬度检测方法 - Google Patents
基于声学和振动特性的水果硬度检测方法 Download PDFInfo
- Publication number
- CN109541031A CN109541031A CN201910071768.0A CN201910071768A CN109541031A CN 109541031 A CN109541031 A CN 109541031A CN 201910071768 A CN201910071768 A CN 201910071768A CN 109541031 A CN109541031 A CN 109541031A
- Authority
- CN
- China
- Prior art keywords
- hardness
- characteristic value
- fruit
- vibration
- signal data
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
Abstract
一种基于声学和振动特性的水果硬度检测方法,采集声音信号数据和振动信号数据传输至计算机中;利用数字信号处理软件对信号数据预处理并提取特征值;经筛选后得到信号数据的精准特征值;建立水果硬度检测模型。这种检测方法可以检测各种水果的硬度,用以判定水果成熟程度,以及水果品质,实现对水果的快速精准分级,有利于合理掌握培育良种,加工时间,收获储存,出口运输,具有良好的经济效益和社会效益,适宜推广使用。
Description
技术领域
本发明涉及到一种基于声学特性与振动特性的硬度快速检测方法,主要应用于水果硬度检测领域。
技术背景
我国果品和蔬菜总产量居世界第一,2006年我国蔬菜和水果的总产量分别为5.82亿吨和1.62亿吨,2015年仅苹果产量近4000万吨。果品蔬菜的贮运保鲜是农业产业链的重要延伸,长期以来,我国农产品采后保鲜技术、装备等比较落后,致使其在采后分级以及商品化远落后于发达国家,尤其是尚无根据水果内在品质进行分级技术和装备,采后附加值得不到体现。
由于水果产地、种植技术、气候等综合因素的影响,水果采后品质难以一致。即使同一产地的同一品种,因不同采收成熟期、树体差异等,果实品质也难以相同。但随着生活水平的提高,人们需要从营养、保健、习惯等方面得到差异化的满足。这要求水果在采后根据糖度、硬度、风味、颜色等必须进行分级,满足人们的需求。
利用声振法对水果进行无损检测是一种有效的检测方法。在外部激振下表现出的声学特性用来测量水果的硬度、水分及含糖量等指标,是果品品质检测中一种常见有效的手段。但是现有的检测技术都比较复杂,最常见的手持式硬度计操作复杂,受人为影响较大,检测速度慢,对水果破坏性大。
发明内容
本发明是针对背景技术中提及的技术缺陷,提供一种基于声学特性与振动特性的硬度快速检测方法。
本发明所采用的技术方案是:一种基于声学和振动特性的水果硬度检测方法,按照以下步骤进行:
(1)、采集待检测硬度目标被击打时发出的声音信号数据和振动信号数据,并将其传输至计算机中;
(2)利用计算机中的数字信号处理软件对采集到的声音信号数据和振动信号数据进行预处理并提取特征值;
(3)经筛选后分别得到声音信号数据和振动信号数据的精准特征值;
(4)建立水果硬度检测模型,对待检测对象的精准特征值进行提取,模型输入待检测对象的精准特征值即可输出检测硬度。
步骤(2)中的预处理是指:把采集到的声音信号进行降噪处理;把采集到的振动信号经自适应滤波处理。
步骤(2)中的特征值的提取方法如下:
(1)利用数字信号处理方法对采集到的声音、振动信号数据进行处理,获得声音、振动信号的时域特性曲线,分析时域信号并提取声音、振动信号的时域特征值;
(2)对信号进行傅立叶变换得到频域特性曲线,分析频域信号并提取声音、振动信号的频域特征值;
步骤(3)中所筛选出的声音精准特征值和振动精准特征值互为补充。
步骤(3)中精准特征值的筛选过程,采用主成分分析方法,分别选取声音特征值和振动特征值中累计贡献率85%以上的主成分作为筛选后的精准特征值。
所述的声音信号数据和振动信号数据均是在待检测目标被击打时通过传感器采取而得。
步骤4中,通过建立水果硬度检测模型对精准特征值进行分析;所述检测苹果硬度检测模型为基于三层BP神经网络的方法,其输入层为精准特征值、隐含层数为输入层的2倍加1、输出层为模型硬度检测结果;
模型建立方法如下:
将大量样本的精准特征值作为模型训练的输入,实际硬度作为输出,建立起水果硬度检测模型;
验证:基于该水果硬度检测模型,对检测出来的硬度和实际硬度进行对比分析,得到待检测硬度目标的分析结果;
最后,模型验证完成后,输入新的待检测硬度目标的精准特征值即可输出检测硬度。
在得到所述待检测硬度的分析结果之后,对水果硬度检测模型进行验证:取新的待测对象分析检测结果与实际硬度作对比验证模型误差,即实际硬度与检测出的硬度作对比,误差越小模型越准确。
与现有技术相比,本发明所公开的这种检测方法是基于同种水果自身的特征性而做出的,根据大量的数据比对和分析所得出的精准检测方法,可以检测各种水果的硬度,用以判定水果成熟程度,以及水果品质,实现对水果的快速精准分级。该方法数值显示直观,检测快速,用来检测各种水果的硬度,用以判定水果的成熟程度,以及水果的品质,有利于合理掌握培育良种,加工时间,收获储存,出口运输,具有良好的经济效益和社会效益,适宜推广使用。
附图说明
图1为本发明的流程框图。
图2为训练回归情况线形图。
图3为训练收敛过程线形图。
图4为训练状态线形图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
本发明所公开的这种检测方法,是基于声学特性与振动特性的硬度快速检测方法。本发明获取设备敲击水果后的声音与振动信号,通过分析不同硬度声学与振动信号的特性差异,建立声学、振动信号与待检测硬度目标间的水果硬度检测模型,通过水果硬度检测模型对其进行分析,得出可信度高的水果硬度检测模型,在实际应用中,输入新的精准特征值,即可得到该目标的检测硬度。通过信号发生设备击打水果时是有要求的,既能够采集到足够强度的声音信号和足够特征值的振动信号,又要保证水果不会受伤。
这种基于声学和振动特性的水果硬度检测方法,按照以下步骤进行。
(1)采集待检测硬度目标被击打时发出的声音信号数据和振动信号数据,并将其传输至计算机中。声音信号数据和振动信号数据均是在待检测目标被击打时通过传感器采取而得。
(2)利用计算机中的数字信号处理软件对采集到的声音信号数据和振动信号数据进行预处理并提取特征值。
在实际处理过程中,常用的数字信号处理软件有很多,以MATLAB2014b为例。
步骤(2)中预处理是指把采集到的声音信号进行降噪处理、采集到的振动信号经自适应滤波处理。
特征值提取方法如下:
a利用数字信号处理方法对声音和振动信号数据进行处理,获得声音和振动信号时域特性曲线,分析时域信号并提取声音和振动信号的时域特征值;
b对信号进行傅立叶变换得到频域特性曲线,分析频域信号并提取声音和振动信号的频域特征值。
(3)经筛选后分别得到声音信号数据和振动信号数据的精准特征值。精准特征值的筛选过程中,采用主成分分析方法,分别选取声音和振动特征值中累计贡献相对较大(一般大于85%左右)的主成分作为筛选后的精准特征值。
在筛选声音和振动特征值时,声音信号和振动信号的特征值互为补充,模型建立和检验时所需要的信号数据由声音信号的精准特征值和振动信号的精准特征值共同确定。
(4)建立水果硬度检测模型,对精准特征值进行分析;待水果硬度检测模型验证完成后,输入新的待检测目标的精准特征值即可输出检测硬度。
通过建立水果硬度检测模型对精准特征值进行分析,检测苹果硬度检测模型为基于三层BP神经网络的方法,其输入层为精准特征值、隐含层数为输入层的2倍加1、输出层为模型硬度检测结果。
模型建立方法如下:
将大量样本的精准特征值作为模型训练的输入,实际硬度作为输出,建立起水果硬度检测模型;输入、输出、训练函数分别为‘tansig',‘logsig',‘trainlm';
首先,将精准特征值作为模型训练的输入,实际硬度(即在建模过程中用硬度计检测出来的硬度,以便检验模型的可信度)作为输出,得到各精准特征值与实际硬度间的关系,建立起水果硬度检测模型;
其次,基于该水果硬度检测模型,对检测出来的硬度和实际硬度进行估算分析,得到待检测硬度目标的分析结果;利用实际硬度确定所述待检测硬度目标的分析结果的可信度值,即实际硬度与检测出的硬度作对比,误差越小模型越准确,若误差较大,则重新筛选精准特征值提高累积贡献率再次训练检测模型,模型验证完成后,即可用于水果硬度检测;
最后,输入新的待检测硬度目标的精准特征值即可输出检测硬度。
水果硬度检测模型是通过神经网络模型检测的;建立模型时输入筛选后的精准特征值,输出实际硬度附图2、3、4为训练中的训练情况图。模型建立后输入新的待检测目标的精准特征值即可输出检测硬度。
同一种类待检测硬度目标所采集的数据中,取多个目标作为样本来采集特征值作为训练样本。根据从多个样本上获取的声音、振动信号经处理后得到的各特征值与目标硬度之间的关系,建立水果硬度检测模型;模型建立之后输入新的检测信号即可得到待检测硬度目标的硬度。
声音信号与振动信号的特征值各包括下述数据至少一项:最大振幅、幅值差、波形对称度、信号强度幅值、频谱最大振幅、频谱幅值差、频谱波形对称度、功率谱峰值、时域均值、时域均方根、时域方差、时域标准差、时域信号能量、频域均值、频域均方根、频域方差、频域标准差、频域信号能量、短时过零率、信号长度、总功率、功率谱能量最大值、时域有效值、频域有效值、基波频率、基波幅值、基波相角等。
具体检测方法如下(以检测苹果硬度为例):
1、麦克风固定在击打点附近2厘米处,振动传感器固定在击打头上,采集声音信号数据与振动信号数据;
2、获取初始信号,在声音采集过程中,基于预设的麦克风增强倍数采集声音信号,同时采集振动信号;
3、对信号进行处理,对声音信号作谱减法降噪处理,得到纯净的声音信号,振动传感器经自适应滤波处理;
4、从声音信号中提取特征值(最大信号强度、最大振幅、波形指标、时域信号能量、功率谱能量、频域信号能量等),从振动信号中提取特征值(提取的特征值包括最大振幅、频域标准差、频域方差、功率谱能量等);
E为信号强度,N为采样点,X(n)声音信号
波形指标
最大振幅
5、检测苹果硬度。
硬度检测模型误差对照表
单位:kgf/cm2
Claims (7)
1.一种基于声学和振动特性的水果硬度检测方法,其特征在于,按照以下步骤进行:
(1)、采集待检测硬度目标被击打时发出的声音信号数据和振动信号数据,并将其传输至计算机中;
(2)利用计算机中的数字信号处理软件对采集到的声音信号数据和振动信号数据进行预处理并提取特征值;
(3)经筛选后分别得到声音信号数据和振动信号数据的精准特征值;
(4)建立水果硬度检测模型,对待检测对象的精准特征值进行提取,模型输入待检测对象的精准特征值即可输出检测硬度。
2.根据权利要求1所述的基于声学和振动特性的水果硬度检测方法,其特征在于,步骤(2)中的预处理是指:把采集到的声音信号进行降噪处理;把采集到的振动信号经自适应滤波处理。
3.根据权利要求1所述的基于声学和振动特性的水果硬度检测方法,其特征在于,步骤(2)中的特征值的提取方法如下:
(1)利用数字信号处理方法对采集到的声音、振动信号数据进行处理,获得声音、振动信号的时域特性曲线,分析时域信号并提取声音、振动信号的时域特征值;
(2)对信号进行傅立叶变换得到频域特性曲线,分析频域信号并提取声音、振动信号的频域特征值。
4.根据权利要求1所述的基于声学和振动特性的水果硬度检测方法,其特征在于,步骤(3)中所筛选出的声音精准特征值和振动精准特征值互为补充。
5.根据权利要求1所述的基于声学和振动特性的水果硬度检测方法,其特征在于,步骤(3)中精准特征值的筛选过程,采用主成分分析方法,分别选取声音特征值和振动特征值中累计贡献率85%以上的主成分作为筛选后的精准特征值。
6.根据权利要求1所述的基于声学和振动特性的水果硬度检测方法,其特征在于,所述的声音信号数据和振动信号数据均是在待检测目标被击打时通过传感器采取而得。
7.根据权利要求1所述的基于声学和振动特性的水果硬度检测方法,其特征在于,步骤4中,通过建立水果硬度检测模型对精准特征值进行分析;所述检测苹果硬度检测模型为基于三层BP神经网络的方法,其输入层为精准特征值、隐含层数为输入层的2倍加1、输出层为模型硬度检测结果;
模型建立方法如下:
将大量样本的精准特征值作为模型训练的输入,实际硬度作为输出,建立起水果硬度检测模型;
验证:基于该水果硬度检测模型,对检测出来的硬度和实际硬度进行对比分析,得到待检测硬度目标的分析结果;
最后,模型验证完成后,输入新的待检测硬度目标的精准特征值即可输出检测硬度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071768.0A CN109541031A (zh) | 2019-01-25 | 2019-01-25 | 基于声学和振动特性的水果硬度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071768.0A CN109541031A (zh) | 2019-01-25 | 2019-01-25 | 基于声学和振动特性的水果硬度检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109541031A true CN109541031A (zh) | 2019-03-29 |
Family
ID=65838719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910071768.0A Pending CN109541031A (zh) | 2019-01-25 | 2019-01-25 | 基于声学和振动特性的水果硬度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109541031A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110441396A (zh) * | 2019-09-10 | 2019-11-12 | 常熟理工学院 | 一种基于振动声音信号的胡萝卜质量评价方法 |
CN111855800A (zh) * | 2020-07-17 | 2020-10-30 | 西南科技大学 | 声学振动快速无损测定水果货架期或最佳食用期的方法 |
JPWO2021059995A1 (zh) * | 2019-09-25 | 2021-04-01 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103424474A (zh) * | 2013-08-06 | 2013-12-04 | 浙江大学 | 水果品质声学无损检测装置 |
CN103713051A (zh) * | 2013-12-17 | 2014-04-09 | 浙江大学 | 一种球形水果质地预测模型的建模方法 |
CN104569154A (zh) * | 2015-01-04 | 2015-04-29 | 浙江大学 | 快速无损水果质地的检测方法及装置 |
CN104597124A (zh) * | 2014-12-05 | 2015-05-06 | 广东省自动化研究所 | 一种基于声音频谱拟合的金属罐装产品质量在线检测方法 |
CN104833724A (zh) * | 2015-04-30 | 2015-08-12 | 江苏大学 | 一种禽蛋蛋壳裂纹检测方法与装置 |
CN105301099A (zh) * | 2015-10-15 | 2016-02-03 | 吉林大学 | 食品脆度检测方法 |
CN105675720A (zh) * | 2016-04-13 | 2016-06-15 | 浙江大学 | 一种水果坚实度信息在线采集系统和方法 |
CN207937262U (zh) * | 2018-03-20 | 2018-10-02 | 山东农业大学 | 一种用于水果硬度检测的声学特性采集装置 |
CN109142534A (zh) * | 2018-10-18 | 2019-01-04 | 吉林化工学院 | 基于振动声音信号对地瓜质量评价的方法 |
CN109142547A (zh) * | 2018-08-08 | 2019-01-04 | 广东省智能制造研究所 | 一种基于卷积神经网络的声学在线无损检测方法 |
-
2019
- 2019-01-25 CN CN201910071768.0A patent/CN109541031A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103424474A (zh) * | 2013-08-06 | 2013-12-04 | 浙江大学 | 水果品质声学无损检测装置 |
CN103713051A (zh) * | 2013-12-17 | 2014-04-09 | 浙江大学 | 一种球形水果质地预测模型的建模方法 |
CN104597124A (zh) * | 2014-12-05 | 2015-05-06 | 广东省自动化研究所 | 一种基于声音频谱拟合的金属罐装产品质量在线检测方法 |
CN104569154A (zh) * | 2015-01-04 | 2015-04-29 | 浙江大学 | 快速无损水果质地的检测方法及装置 |
CN104833724A (zh) * | 2015-04-30 | 2015-08-12 | 江苏大学 | 一种禽蛋蛋壳裂纹检测方法与装置 |
CN105301099A (zh) * | 2015-10-15 | 2016-02-03 | 吉林大学 | 食品脆度检测方法 |
CN105675720A (zh) * | 2016-04-13 | 2016-06-15 | 浙江大学 | 一种水果坚实度信息在线采集系统和方法 |
CN207937262U (zh) * | 2018-03-20 | 2018-10-02 | 山东农业大学 | 一种用于水果硬度检测的声学特性采集装置 |
CN109142547A (zh) * | 2018-08-08 | 2019-01-04 | 广东省智能制造研究所 | 一种基于卷积神经网络的声学在线无损检测方法 |
CN109142534A (zh) * | 2018-10-18 | 2019-01-04 | 吉林化工学院 | 基于振动声音信号对地瓜质量评价的方法 |
Non-Patent Citations (2)
Title |
---|
尹孟等: "基于声振法水果硬度检测仪数据采集系统的设计", 《中国农机化学报》 * |
方旭君: "基于声音和振动的玉米储存中害虫检测方法研究", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110441396A (zh) * | 2019-09-10 | 2019-11-12 | 常熟理工学院 | 一种基于振动声音信号的胡萝卜质量评价方法 |
JPWO2021059995A1 (zh) * | 2019-09-25 | 2021-04-01 | ||
WO2021059995A1 (ja) * | 2019-09-25 | 2021-04-01 | 日本電気株式会社 | 状態推定装置、状態推定方法、及び、記録媒体 |
CN111855800A (zh) * | 2020-07-17 | 2020-10-30 | 西南科技大学 | 声学振动快速无损测定水果货架期或最佳食用期的方法 |
CN111855800B (zh) * | 2020-07-17 | 2022-04-01 | 西南科技大学 | 声学振动快速无损测定水果货架期或最佳食用期的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mao et al. | Firmness prediction and modeling by optimizing acoustic device for watermelons | |
Cho et al. | Detection of surface cracks in shell eggs by acoustic impulse method | |
CN109541031A (zh) | 基于声学和振动特性的水果硬度检测方法 | |
CN102095797B (zh) | 一种基于比较法的超声无损检测水果成熟度的方法与系统 | |
CN101413928A (zh) | 基于声学特性的禽蛋裂纹快速在线无损检测装置及方法 | |
Elbatawi | An acoustic impact method to detect hollow heart of potato tubers | |
CN111141836B (zh) | 一种基于声振多域谱与近红外光谱信息融合的梨果早期内部病害无损检测方法及装置 | |
Lien et al. | Non-destructive impact test for assessment of tomato maturity | |
Khalesi et al. | Detection of walnut varieties using impact acoustics and artificial neural networks (ANNs) | |
CN109635847A (zh) | 一种基于振动和声发射的刀具磨损状态识别方法 | |
Rojas et al. | Wood species identification using stress-wave analysis in the audible range | |
CN105301099A (zh) | 食品脆度检测方法 | |
CN110161119A (zh) | 风电叶片缺陷识别方法 | |
Hou et al. | Prediction of firmness and pH for “golden delicious” apple based on elasticity index from modal analysis | |
CN108801971A (zh) | 基于高光谱成像技术的霉菌侵染板栗的检测方法 | |
CN113033066A (zh) | 一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法 | |
CN102928513B (zh) | 西瓜成熟度超声无损检测装置 | |
Lien et al. | Assessing guava maturity by statistical analyses of dropped fruit impact responses | |
CN104749249B (zh) | 一种基于超声波技术的检测种子净度的方法 | |
CN110376289A (zh) | 一种基于声发射手段的复合材料纤维编织层损伤识别方法 | |
Choe et al. | Maturity assessment of watermelon by acoustic method | |
Fadchar et al. | Design and development of a neural network—based coconut maturity detector using sound signatures | |
CN106610401A (zh) | 一种西瓜监测装置 | |
Diezema Iglesias et al. | Acoustic impulse response for detecting hollow heart in seedless watermelon | |
CN102455327A (zh) | 基于小波变换的粮食及油料声信号特征提取方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190329 |