CN109932333B - 声学振动和近红外光谱融合的水果坚实度测量系统和方法 - Google Patents

Abstract

本发明公开了一种声学振动和近红外光谱融合的水果坚实度测量系统和方法。传输带上放置果杯，果杯中放置水果，顶升气缸的气缸杆朝上用于承托果杯底部，压力传感器安装于顶升气缸的气缸杆顶部；传输带的入口侧两侧方设有用于检测水果是否到达的光电传感器，顶升气缸的两侧分别设有扬声器激励装置、激光多普勒测振装置，传输带的出口侧上方设有近红外光谱检测装置；水果置于果杯中，并沿传输带依次经过光电传感器、激光多普勒测振装置和近红外光谱检测装置。本发明对多传感器数据进行了融合处理，发现了果皮厚度对共振频率的影响，建立了基于光谱主成份分析预测果皮厚度的模型，还建立共振频率校正模型，提升水果坚实度的预测检测精度。

Description

声学振动和近红外光谱融合的水果坚实度测量系统和方法

技术领域

本发明涉及了一种厚皮水果坚实度检测优化方法，特别涉及了一种基于声学振动响应谱和近红外光谱数据融合的厚皮水果坚实度检测优化方法。

背景技术

随着全球人口的快速增长，人们对食物的需求也不断增加。然而，每年约有三分之一的粮食被损失或浪费。对于水果来说，选择合适的水果加工方法和有效的管理策略是减少水果损失和浪费的有效方法。近三十年来，一些无损检测技术得到了广泛得发展并应用于实际生产中，其中声学振动检测技术由于其较强的评估坚实度(一种衡量水果品质的重要指标)的能力而受到了学术界的广泛关注。

激光多普勒振动检测技术作为一种非接触式测量方法，具有灵敏度高、动态响应快、测量范围大等优点，可以通过分析获得的振动响应曲线可以获得水果的硬度信息。然而，由于水果果皮与果肉组织形状差异明显，具有不同的物理特性，因此对于厚皮水果而言，其果皮厚度对于共振频率的影响不能忽略，并需要其他手段对其共振频率进行校正优化。

发明内容

为了解决背景技术中提到的问题，本发明提出了一种基于声学振动响应谱和近红外光谱数据融合分析的厚皮水果坚实度检测方法。

为实现上述功能，本发明采用以下技术方案：

一、一种声学振动和近红外光谱融合的水果坚实度测量系统：

系统包括压力传感器、扬声器激励装置、激光多普勒测振装置和近红外光谱检测装置；传输带上放置果杯，果杯中放置水果，顶升气缸的气缸杆朝上用于承托果杯底部，压力传感器安装于顶升气缸的气缸杆顶部；传输带的入口侧两侧方设有用于检测水果是否到达的光电传感器，顶升气缸的两侧分别设有扬声器激励装置、激光多普勒测振装置，传输带的出口侧上方设有近红外光谱检测装置；水果置于果杯中，并沿传输带依次经过光电传感器、激光多普勒测振装置和近红外光谱检测装置。

所述的近红外光谱检测装置内设有卤素灯和光谱仪，光谱仪至于黑箱中心，多个卤素灯置于光谱仪周围间隔均布，卤素灯发出光照射到果杯的水果上，通过光谱仪探测采集光谱信号。

所述的传输带其中一端的传动轴经皮带和步进电机的输出轴连接。

所述的扬声器激励装置和激光多普勒测振装置分别安装于传输带中端前后两侧，其中心处于同一条直线上。

所述的近红外光谱检测装置安装于传输带尾端上部。

还包括PLC控制器，光电传感器、扬声器激励装置、近红外光谱检测装置、激光多普勒测振装置、顶升气缸均与PLC控制器相连。

所述的厚皮水果通常是指厚度为1厘米以上的水果，例如西瓜、甜瓜、柚子等。

二、一种声学振动和近红外光谱融合的水果坚实度测量优化方法，方法包括以下步骤：

S1.采用水果坚实度在线检测系统；

S2.对厚皮水果进行在线检测，通过各传感器采集获得含有多传感数据的原始测量数据，原始测量数据包括重量信号、声学振动响应信号和近红外光谱信号；

S3.对原始测量数据进行多传感数据融合处理获得水果坚实度。

所述步骤S3具体为：

S3.1.先对近红外光谱信号进行标准归一化处理，然后进行主成份分析，得到能够预测水果果皮厚度数据的前四个主成份，其累计贡献率大于95％，利用前四个主成份训练建立预测果皮厚度的支持向量机模型，具体是将已知果皮厚度的水果样本处理获得前四个主成份后，将各个水果样本的前四个主成份和已知果皮厚度输入到支持向量机模型中训练；

S3.2.利用训练后的支持向量机模型对待测水果预测处理获得果皮厚度，待测水果处理获得前四个主成份，然后输入到训练后的支持向量机模型输出获得果皮厚度；

S3.2.由声学振动响应信号处理提取声学振动谱的第二共振频率，建立厚皮水果共振频率的线性校正模型并利用果皮厚度厚度对共振频率进行校正处理，获得校正后的共振频率，即厚皮水果共振频率的线性校正模型如下为：

f₂＝f₁+1.1h

其中，f₂为校正后的第二共振频率，f₁为由声学振动响应信号处理提取到的第二共振频率，h为果皮厚度；

水果具有多个共振频率，第二共振频率为水果的所有共振频率从小到大排序后的第二个共振频率。

S3.3.利用校正后的第二共振频率结合重量信号采用以下公式处理获得待测水果的坚实度，由此能够提高水果坚实度的预测检测精度：

其中，f₂为校正后的第二共振频率，m为待测水果的重量。

所述步骤S2具体如下：当装有待测水果的果杯被传输带输送到顶升气缸处，顶升气缸气缸杆向上伸出抬升果杯声学振动检测工位，通过顶升气缸顶部的压力传感器采集待测水果的重量信号，待示数稳定后，读取待测水果的重量；扬声器激励装置朝向果杯中的待测水果发出0-1000Hz的正弦扫频信号来激励果杯的待测水果振动，并由激光多普勒测振装置检测获得声学振动响应信号；近红外光谱检测装置发出卤素光照射到果杯的待测水果上，通过光谱仪探测采集光谱信号。

本发明方法通过近红外光谱数据有效预测厚皮水果果皮厚度，并据所得的共振频率校正模型优化共振频率大小，然后再结合水果的质量信息并计算坚实度指数，以此达到优化厚皮水果坚实度模型的目的。

此优化方法不仅有效地提高了坚实度模型的预测精度，而且该方法经过稍微调整，就可以广泛应用于多种厚皮水果的坚实度预测模型中。

与现有的技术与方法相比，本发明具有以下优点和优势：

本发明结合了声学振动法和近红外光谱检测水果品质的优势，相比单一检测手段，该数据融合方法不仅能预测水果的果皮厚度，还能优化坚实度指数，充分提高了模型的预测精度。

本发明实验分析发现了果皮厚度对水果共振频率的影响，并根据果皮参数建立厚皮水果共振频率的校正模型，以减小厚果皮对共振频率的影响。

本发明操作过程简单，并且可以应用于其他厚果皮水果中。

附图说明

图1是本发明整体结构示意图。

图2是近红外光谱检测装置内部结构示意图。

图3是西瓜内果皮厚度与各阶共振频率的结果图。

附图中各部件的标记如下：100、传输带，200、光电传感器，300、果杯，400、扬声器激励装置，500、近红外光谱检测装置，501、卤素灯，502、光谱仪，600、传动轴，700、步进电机，800、激光多普勒测振装置，900、顶升气缸。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

如图1所示，具体实施采用以下测量系统，系统包括压力传感器、扬声器激励装置400、激光多普勒测振装置800和近红外光谱检测装置500；还包括PLC控制器，光电传感器200、扬声器激励装置400、近红外光谱检测装置500的光谱仪502、激光多普勒测振装置800、顶升气缸900均与PLC控制器相连。

传输带100通过机架置于地面上，传输带100上放置果杯300，果杯300中放置水果，具体实施的传输带100为分布于水果输送方向两侧的传送带，传输带100其中一端的传动轴600经皮带和步进电机700的输出轴连接，步进电机700固定于机架。

顶升气缸900置于地面上，顶升气缸900的气缸杆朝上用于承托果杯300底部，压力传感器安装于顶升气缸900的气缸杆顶部，用于测量水果的重量；传输带100的入口侧两侧方设有用于检测水果是否到达的光电传感器200，顶升气缸900的两侧分别设有扬声器激励装置400、激光多普勒测振装置800，传输带100的出口侧上方设有近红外光谱检测装置500；水果置于果杯300中，并沿传输带100依次经过光电传感器200、激光多普勒测振装置800和近红外光谱检测装置500。

如图2所示，近红外光谱检测装置500内设有卤素灯501和光谱仪502，光谱仪502至于黑箱中心，多个卤素灯501置于光谱仪502周围间隔均布，卤素灯501发出光照射到果杯300的水果上，通过光谱仪502探测采集光谱信号。

待测水果和果杯300被传输带100输送，通过光电传感器200检测果杯300到达后，传输带100输送固定距离到顶升气缸900、扬声器激励装置400和激光多普勒测振装置800处，顶升气缸900工作将果杯300顶升，通过扬声器激励装置400和激光多普勒测振装置800配合采集到待测水果的声学振动响应信号，同时通过压力传感器采集获得待测水果的重量信号；接着将水果输送到近红外光谱检测装置500处，通过近红外光谱检测装置500内部的近红外光谱探头检测获得待测水果的近红外光谱信号。

本发明具体实施例如下：

具体实施过程中，将待测水果平稳放入果杯300中并置于传输带100上，当果杯300从左往右运输经过光电传感器200时，将其位置信号传递给PLC控制器，然后由PLC控制器控制顶升气缸900在果杯300运行到声学振动检测工位时顶起果杯300。随后安装于顶升气缸900气缸杆顶部的压力传感器检测整体果杯的质量信号，并据此计算水果的质量参数。随后，由上位机控制扬声器发出0-1000Hz的正弦扫频信号，扫频速度为1000Hz/s，重复三次，同时由激光多普勒测振装置800检测振动响应信号。检测完毕，顶升气缸900复位，果杯300回落至传输带100上，随后进入近红外光谱检测装置500。由海洋光学光谱仪QE65 Pro连接光谱仪502采集水果的投射光谱。

本实施例选择西瓜作为实验对象，并将西瓜分为三层组织，忽略西瓜籽对实验的影响。最外层西瓜果皮厚度不大，且西瓜不同个体之间差异较小。

S1.采用水果坚实度在线检测系统

S2.对厚皮水果进行在线检测，通过各传感器采集获得含有多传感数据的原始测量数据，原始测量数据包括重量信号、声学振动响应信号和近红外光谱信号；

当装有待测水果的果杯300被传输带100输送到顶升气缸900处，顶升气缸900气缸杆向上伸出抬升果杯300声学振动检测工位，通过顶升气缸900顶部的压力传感器采集待测水果的重量信号，待示数稳定后，读取待测水果的重量；

扬声器激励装置400朝向果杯300中的待测水果发出0-1000Hz的正弦扫频信号来激励果杯300的待测水果振动，并由激光多普勒测振装置800检测获得声学振动响应信号；

近红外光谱检测装置500发出卤素光照射到果杯300的待测水果上，通过光谱仪探测采集光谱信号。

S3.对原始测量数据进行多传感数据融合处理获得水果坚实度。

S3.1.先对近红外光谱信号进行标准归一化处理，然后进行主成份分析，得到能够预测水果果皮厚度数据的前四个主成份，其累计贡献率大于95％，利用前四个主成份训练建立预测果皮厚度的支持向量机模型，具体是将已知果皮厚度的水果样本处理获得前四个主成份后，将各个水果样本的前四个主成份和已知果皮厚度输入到支持向量机模型中训练；

支持向量机模型SVM设置为e-SVR的SVM类型，核函数类型为RBF函数，惩罚系数为2.2，核函数中的gamma参数设置为2.8，不敏感损失函数的参数值为0.01。

S3.2.利用训练后的支持向量机模型对待测水果预测处理获得果皮厚度，待测水果处理获得前四个主成份，然后输入到训练后的支持向量机模型输出获得果皮厚度；

根据所得近红外光谱数据，先对光谱数据进行标准归一化处理，然后在进行主成份分析，使得累积贡献率大于95％，得到预测果皮厚度数据的前四个主成份，并基于前四个光谱主成份建立预测果皮厚度的支持向量机模型。为了比较该预测模型的精度，选择数据集总数为95，利用spxy算法选取原始数据集的30％的数据作为验证集，剩余数据为训练集。

在本实例中，将果皮厚度的预测量与相应的真实值进行比较，得到决定系数和均方根误差如下表所示：

表1

从表1可以看出，实验结果的均方根误差较小，且预测集的决定系数达到了0.7693，实验结果可靠。以上实验结果可靠，据此方法来预测果皮厚度具有较大的优势。

S3.2.由声学振动响应信号处理提取声学振动谱的第二共振频率，具体由DASP软件分析获得。

具体实施中，西瓜果肉半径均为50mm，内果皮厚度变化范围为10mm至20mm，外果皮厚度为2mm，其弹性模量分别为396kPa，1.2MPa和5.36MPa，且泊松比均为0.3。如图3所示，各阶共振频率随着内果皮厚度的增加而近似线性增加，在本实施例中记录第二共振频率的变化情况。设定果肉标准的第二共振频率为f₀，果皮影响因子为λ。当果皮厚度为h₁时，第二共振频率变化为f₁，而当果皮厚度为h₂时，第二共振频率变化为f₂。得如下关系式：

f₁＝f₀+λh₁

f₂＝f₀+λh₂

带入两组数据获得λ＝-1.1，建立厚皮水果共振频率的线性校正模型并利用果皮厚度厚度对共振频率进行校正处理，获得校正后的共振频率，即厚皮水果共振频率的线性校正模型如下为：

f₂＝f₁+1.1h

其中，f₂为校正后的第二共振频率，f₁为由声学振动响应信号处理提取到的第二共振频率，h为果皮厚度；

S3.3.根据上述预测的果皮厚度代入共振频率的线性校正模型，求得校正后的第二共振频率。为了验证校正前共振频率与校正后共振频率的优劣，利用校正后的第二共振频率结合重量信号采用以下公式处理获得待测水果的坚实度：

其中，f₂为校正后的第二共振频率，m为待测水果的重量。

并分别与标准穿刺实验得到的果肉硬度参数建立支持向量机回归模型，得到决定系数和均方根误差如下表3所示：

表2

从表2可以看出，无论是在测试集还是验证集，经过果皮厚度校正后的共振频率计算得到的坚实度指数与标准穿刺实验的果肉硬度参数具有更好的相关性，表明本方法相比传统非校正的方法具有较大优势。

本实例首先利用了近红外光谱数据预测厚皮水果的果皮厚度，采用声学振动响应谱和近红外光谱数据融合分析，实验处理建立了共振频率校正模型，以消除或者减弱内果皮厚度对其共振频率的影响。

相比于传统的、单一的声学振动检测方法，本发明对多传感器数据进行了融合处理，发现了果皮厚度对共振频率的影响，建立了基于光谱主成份分析预测果皮厚度的模型，还建立共振频率校正模型，提升水果坚实度的预测检测精度，提高了准确性。

Claims (2)

1.一种声学振动和近红外光谱融合的水果坚实度测量优化方法，其特征在于，方法采用一种声学振动和近红外光谱融合的水果坚实度在线检测系统，所述水果坚实度在线检测系统包括压力传感器、扬声器激励装置(400)、激光多普勒测振装置(800)和近红外光谱检测装置(500)；传输带(100)上放置果杯(300)，果杯(300)中放置水果，顶升气缸(900)的气缸杆朝上用于承托果杯(300)底部，压力传感器安装于顶升气缸(900)的气缸杆顶部；传输带(100)的入口侧两侧方设有用于检测水果是否到达的光电传感器(200)，扬声器激励装置(400)、激光多普勒测振装置(800)分别设置在顶升气缸(900)的两侧，近红外光谱检测装置(500)设置在传输带(100)的出口侧上方；

顶升气缸(900)的两侧分别设有扬声器激励装置(400)、激光多普勒测振装置(800)，传输带(100)的出口侧上方设有近红外光谱检测装置(500)；水果置于果杯(300)中，并沿传输带(100)依次经过光电传感器(200)、激光多普勒测振装置(800)和近红外光谱检测装置(500)；

方法包括以下步骤：

S1.采用水果坚实度在线检测系统；

S2.对厚皮水果进行在线检测，通过各传感器采集获得含有多传感数据的原始测量数据，原始测量数据包括重量信号、声学振动响应信号和近红外光谱信号；

S3.对原始测量数据进行多传感数据融合处理获得水果坚实度；

所述步骤S3具体为：

S3.1.先对近红外光谱信号进行标准归一化处理，然后进行主成份分析，得到能够预测水果果皮厚度数据的前四个主成份，其累计贡献率大于95％，利用前四个主成份训练建立预测果皮厚度的支持向量机模型，具体是将已知果皮厚度的水果样本处理获得前四个主成份后，将各个水果样本的前四个主成份和已知果皮厚度输入到支持向量机模型中训练；

S3.2.利用训练后的支持向量机模型对待测水果预测处理获得果皮厚度：待测水果处理获得前四个主成份，然后输入到训练后的支持向量机模型输出获得果皮厚度；

S3.3.由声学振动响应信号处理提取第二共振频率，建立厚皮水果共振频率的线性校正模型并利用果皮厚度对共振频率进行校正处理，获得校正后的共振频率：

f₂＝f₁+1.1h

其中，f₂为校正后的第二共振频率，f₁为由声学振动响应信号处理提取到的第二共振频率，h为果皮厚度；

S3.4.利用校正后的第二共振频率结合重量信号采用以下公式处理获得待测水果的坚实度：

其中，f₂为校正后的第二共振频率，m为待测水果的重量。

2.根据权利要求1所述的一种声学振动和近红外光谱融合的水果坚实度测量优化方法，其特征在于：所述步骤S2具体如下：当装有待测水果的果杯(300)被传输带(100)输送到顶升气缸(900)处，顶升气缸(900)气缸杆向上伸出抬升果杯(300)，通过顶升气缸(900)顶部的压力传感器采集待测水果的重量信号，待示数稳定后，读取待测水果的重量；扬声器激励装置(400)朝向果杯(300)中的待测水果发出0-1000Hz的正弦扫频信号来激励果杯(300)的待测水果振动，并由激光多普勒测振装置(800)检测获得声学振动响应信号；近红外光谱检测装置(500)发出卤素光照射到果杯(300)的待测水果上，通过光谱仪探测采集光谱信号。

Images