CN112362731A - 一种橄榄油品质检测系统及方法 - Google Patents
一种橄榄油品质检测系统及方法 Download PDFInfo
- Publication number
- CN112362731A CN112362731A CN202011245184.XA CN202011245184A CN112362731A CN 112362731 A CN112362731 A CN 112362731A CN 202011245184 A CN202011245184 A CN 202011245184A CN 112362731 A CN112362731 A CN 112362731A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- circuit
- olive oil
- oil sample
- color space
- 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
- 239000004006 olive oil Substances 0.000 title claims abstract description 135
- 235000008390 olive oil Nutrition 0.000 title claims abstract description 132
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000006835 compression Effects 0.000 claims abstract description 27
- 238000007906 compression Methods 0.000 claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 17
- 230000008878 coupling Effects 0.000 claims description 15
- 238000010168 coupling process Methods 0.000 claims description 15
- 238000005859 coupling reaction Methods 0.000 claims description 15
- 230000003287 optical effect Effects 0.000 claims description 15
- 230000002068 genetic effect Effects 0.000 claims description 11
- 239000002253 acid Substances 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 150000002978 peroxides Chemical class 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000002592 echocardiography Methods 0.000 claims description 4
- 229910001220 stainless steel Inorganic materials 0.000 claims description 4
- 239000010935 stainless steel Substances 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 23
- 210000002569 neuron Anatomy 0.000 description 21
- 238000013528 artificial neural network Methods 0.000 description 14
- 210000004027 cell Anatomy 0.000 description 12
- 230000002093 peripheral effect Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 230000035772 mutation Effects 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000013078 crystal Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 3
- 240000007817 Olea europaea Species 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 230000005669 field effect Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- YYGNTYWPHWGJRM-UHFFFAOYSA-N (6E,10E,14E,18E)-2,6,10,15,19,23-hexamethyltetracosa-2,6,10,14,18,22-hexaene Chemical compound CC(C)=CCCC(C)=CCCC(C)=CCCC=C(C)CCC=C(C)CCC=C(C)C YYGNTYWPHWGJRM-UHFFFAOYSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000019487 Hazelnut oil Nutrition 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 235000019483 Peanut oil Nutrition 0.000 description 1
- 235000019484 Rapeseed oil Nutrition 0.000 description 1
- 235000019486 Sunflower oil Nutrition 0.000 description 1
- BHEOSNUKNHRBNM-UHFFFAOYSA-N Tetramethylsqualene Natural products CC(=C)C(C)CCC(=C)C(C)CCC(C)=CCCC=C(C)CCC(C)C(=C)CCC(C)C(C)=C BHEOSNUKNHRBNM-UHFFFAOYSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- PRAKJMSDJKAYCZ-UHFFFAOYSA-N dodecahydrosqualene Natural products CC(C)CCCC(C)CCCC(C)CCCCC(C)CCCC(C)CCCC(C)C PRAKJMSDJKAYCZ-UHFFFAOYSA-N 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000008157 edible vegetable oil Substances 0.000 description 1
- 239000010462 extra virgin olive oil Substances 0.000 description 1
- 235000021010 extra-virgin olive oil Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 239000010468 hazelnut oil Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004811 liquid chromatography Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000000312 peanut oil Substances 0.000 description 1
- 150000008442 polyphenolic compounds Chemical class 0.000 description 1
- 235000013824 polyphenols Nutrition 0.000 description 1
- 239000010465 pomace olive oil Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000003549 soybean oil Substances 0.000 description 1
- 235000012424 soybean oil Nutrition 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 229940031439 squalene Drugs 0.000 description 1
- TUHBEKDERLKLEC-UHFFFAOYSA-N squalene Natural products CC(=CCCC(=CCCC(=CCCC=C(/C)CCC=C(/C)CC=C(C)C)C)C)C TUHBEKDERLKLEC-UHFFFAOYSA-N 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002600 sunflower oil Substances 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 235000021122 unsaturated fatty acids Nutrition 0.000 description 1
- 150000004670 unsaturated fatty acids Chemical class 0.000 description 1
- 235000015112 vegetable and seed oil Nutrition 0.000 description 1
- 239000008158 vegetable oil Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000010463 virgin olive oil Substances 0.000 description 1
- 229940088594 vitamin Drugs 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
- 238000004804 winding Methods 0.000 description 1
Images
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
- G01N29/02—Analysing fluids
-
- 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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- 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
- G01N29/02—Analysing fluids
- G01N29/024—Analysing fluids by measuring propagation velocity or propagation time of acoustic waves
-
- 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
- G01N29/02—Analysing fluids
- G01N29/032—Analysing fluids by measuring attenuation of acoustic waves
-
- 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
- G01N29/22—Details, e.g. general constructional or apparatus details
-
- 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
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
Landscapes
- Physics & Mathematics (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及一种橄榄油检测系统及方法，超声波检测装置向橄榄油样品发射超声波，并接收反射的超声波回波信号，图像获取模块拍摄橄榄油样品的图像，PC端根据超声波回波信号获取超声波的声速和声衰减系数以及橄榄油样品的绝热压缩系数，提取图像的HSV、RGB以及Lab颜色空间信息，并根据声速、声衰减系数、绝热压缩系数、HSV颜色空间信息、RGB颜色空间信息和Lab颜色空间信息确定橄榄油样品的品质参数。本发明通过超声波技术与机器视觉技术的结合，实现了橄榄油品质的检测，克服了现有检测设备的体积大、价格昂贵的缺陷，缩小了检测设备体积。并且本发明的超声波检测装置、图像获取模块和PC端都具有实时性，明显提高了检测效率。
Description
技术领域
本发明涉及品质检测领域，特别是涉及一种橄榄油品质检测系统及方法。
背景技术
橄榄油是指以油橄榄树的果实为原料制取的油脂，含有丰富的不饱和脂肪酸、角鲨烯、多酚、维生素等物质，具有抗氧化、调节胆固醇、预防癌症、美容等功效，被称为“液体黄金”，价格比其他食用植物油高很多，但橄榄油掺假问题一直存在。橄榄油的掺假主要分为两种：一种是在高价橄榄油中掺入其他的低价植物油(如榛子油、葵花油、花生油、菜籽油和大豆油等)；另一种是将低级别种初榨橄榄油或橄榄果渣油添加到特级初榨橄榄油中。
针对现在市场上普遍存在的橄榄油掺假问题，传统的检测方法有光谱检测法、常规理化指标检测法、液相色谱法、气相色谱法和气相色谱-质谱法等，这些方法的缺点是所需的检测设备都存在体积大、价格昂贵的特点，而且对于检测人员的要求较高，检测周期较长。
发明内容
本发明的目的是提供一种橄榄油品质检测系统及方法，以缩小检测设备体积并提高检测效率。
为实现上述目的，本发明提供了如下方案：
一种橄榄油品质检测系统，所述系统包括：样品池、超声波检测装置、图像获取模块和PC端；
所述图像获取模块设置于所述样品池的上方；
所述超声波检测装置的信号输出端和所述图像获取模块的输出端均与所述PC端连接；
所述样品池用于盛放橄榄油样品；所述超声波检测装置用于向所述橄榄油样品发射超声波，接收反射的超声波回波信号，并将所述超声波回波信号传输至所述PC端；所述图像获取模块用于拍摄所述橄榄油样品的图像，并将所述图像传输至所述PC端；
所述PC端用于根据所述超声波回波信号获取超声波的声速和声衰减系数以及橄榄油样品的绝热压缩系数，从所述图像中提取图像的HSV颜色空间信息、RGB颜色空间信息以及Lab颜色空间信息，并根据声速、声衰减系数、绝热压缩系数、HSV颜色空间信息、RGB颜色空间信息和Lab颜色空间信息确定所述橄榄油样品的品质参数，所述品质参数包括含水率、酸值和过氧化值参数信息。
可选的，所述系统还包括：温度传感器、背景光源和支架；
所述温度传感器设置于所述样品池的内壁上，所述温度传感器用于测量所述橄榄油样品的温度；
所述背景光源设置于所述样品池的下方，所述背景光源用于向所述橄榄油样品提供光线，辅助所述图像获取模块的拍摄；
所述支架与所述图像获取模块连接，所述支架用于将所述图像获取模块固定在所述样品池的上方。
可选的，所述超声波检测装置包括：超声波换能器和电路板；
所述超声波换能器设置于所述样品池的内壁上；
所述超声波换能器的驱动端和信号输出端均与所述电路板连接，所述电路板与所述PC端连接；
所述超声波换能器用于在所述电路板的驱动下向所述橄榄油样品发射超声波，接收反射的超声波回波信号，并将所述超声波回波信号传输至所述电路板；所述电路板用于采集并处理所述超声波回波信号，并将处理后的超声波回波信号传输至所述PC端。
可选的，所述电路板包括：超声波换能器驱动电路、超声波回波接收电路和单片机；
所述超声波换能器驱动电路的输入端与所述单片机连接，所述超声波换能器驱动电路的输出端与所述超声波换能器的驱动端连接；所述单片机用于产生控制脉冲信号，并将所述控制脉冲信号传输至所述超声波换能器驱动电路；所述超声波换能器驱动电路用于将所述控制脉冲信号转换为驱动脉冲信号，并将所述驱动脉冲信号传输至所述超声波换能器；所述超声波换能器用于在所述驱动脉冲信号的驱动下向所述橄榄油样品发射超声波；
所述超声波回波接收电路的输入端与所述超声波换能器的信号输出端连接，所述超声波回波接收电路的输出端与所述单片机连接，所述超声波回波接收电路用于接收并处理所述超声波换能器的超声波回波信号，获得处理后的超声波回波信号，并将所述处理后的超声波回波信号传输至所述单片机。
可选的，所述超声波换能器驱动电路包括：光耦电路和脉冲升压电路；
所述光耦电路的输入端与所述单片机连接，所述光耦电路的输出端与所述脉冲升压电路的输入端连接，所述光耦电路用于提升所述单片机产生的控制脉冲信号的电压，获得升压后的控制脉冲信号，并将所述升压后的控制脉冲信号传输至所述脉冲升压电路；
所述脉冲升压电路的输出端与所述超声波换能器的驱动端连接，所述脉冲升压电路用于再次提升所述升压后的控制脉冲信号的电压，获得驱动脉冲信号，并将所述驱动脉冲信号传输至所述超声波换能器。
可选的，所述超声波回波接收电路包括：限幅电路、放大电路、滤波电路、采集电路和存储电路；
所述限幅电路的输入端与所述超声波换能器的信号输出端连接，所述限幅电路的输出端与所述放大电路的输入端连接；所述滤波电路的输入端与所述放大电路的输出端连接，所述滤波电路的输出端与所述采集电路的输入端连接；所述存储电路的输入端与所述采集电路的输出端连接，所述存储电路的输出端与所述单片机连接；
所述限幅电路用于从所述超声波回波信号中获取低压回波信号，并将所述低压回波信号传输至所述放大电路；
所述采集电路用于根据预设频率采集滤波后的低压回波信号，获得处理后的超声波回波信号，并将所述处理后的超声波回波信号传输至所述存储电路；
所述单片机用于采集所述存储电路存储的处理后的超声波回波信号。
一种橄榄油品质检测方法，所述方法包括：
获取超声波检测装置向橄榄油样品发射超声波后接收的超声波回波信号；
根据所述超声波回波信号计算得到超声波的声速和声衰减系数以及所述橄榄油样品的绝热压缩系数；
获取所述橄榄油样品的图像；
从所述图像中提取图像的HSV颜色空间信息、RGB颜色空间信息以及Lab颜色空间信息；
将所述声速、所述声衰减系数、所述绝热压缩系数、所述HSV颜色空间信息、所述RGB颜色空间信息以及所述Lab颜色空间信息进行拼接，获得所述橄榄油样品的特征数据；
将所述特征数据输入橄榄油神经网络模型中，获得所述橄榄油样品的品质参数；所述品质参数包括含水率、酸值和过氧化值。
可选的，所述获取超声波检测装置向橄榄油样品发射超声波后接收的超声波回波信号，具体包括：
利用所述超声波检测装置中的电路板发射多个脉冲信号；
在每个脉冲信号的驱动下，利用所述超声波检测装置中的超声波换能器向橄榄油样品发射超声波并接收反射的超声波回波信号；
根据预设频率采集所有超声波回波信号，并存储采集的超声波回波信号。
可选的，所述根据所述超声波回波信号计算得到超声波的声速和声衰减系数以及所述橄榄油样品的绝热压缩系数，具体包括：
根据所述超声波回波信号，利用公式
计算得到超声波的声速；
根据所述超声波回波信号和所述声速，利用公式
计算得到超声波的声衰减系数；
根据所述超声波回波信号和所述声速，利用公式
计算得到所述橄榄油样品的绝热压缩系数；
其中，c为声速，L为声程，Δt为相邻两次回波间的声时差，α为声衰减系数，A1为一次回波的声波幅值，A2为二次回波的声波幅值，βm为绝热压缩系数，ρm为橄榄油样品的密度，
Zt为超声波换能器的不锈钢反射面的声阻抗，Zt＝44.89×106kg·m-2·s-1，Rm为超声波反射系数。
可选的，所述将所述特征数据输入橄榄油神经网络模型中，获得所述橄榄油样品的品质参数，之前还包括：
获取以橄榄油的特征数据为输入数据，以橄榄油的品质参数为输出数据的训练数据集和测试数据集；
根据所述训练数据集，利用遗传算法对BP神经网络模型进行训练，确定BP神经网络模型的最优参数，获得训练后的BP神经网络模型；
利用所述测试数据集对所述训练后的BP神经网络模型进行测试，获得测试结果；
判断所述测试结果的准确率是否大于准确率阈值，获得判断结果；
若所述判断结果表示是，则输出测试后的BP神经网络模型，将测试后的BP神经网络模型作为橄榄油神经网络模型；
若所述判断结果表示否，则返回步骤“根据所述训练数据集，利用遗传算法对BP神经网络模型进行训练，确定BP神经网络模型的最优参数，获得训练后的BP神经网络模型”。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提出了一种橄榄油检测系统及方法，超声波检测装置向橄榄油样品发射超声波，并接收反射的超声波回波信号，图像获取模块拍摄橄榄油样品的图像，PC端根据超声波回波信号获取超声波的声速和声衰减系数以及橄榄油样品的绝热压缩系数，提取图像的HSV颜色空间信息、RGB颜色空间信息以及Lab颜色空间信息，并根据声速、声衰减系数、绝热压缩系数、HSV颜色空间信息、RGB颜色空间信息和Lab颜色空间信息确定橄榄油样品的品质参数。本发明通过超声波技术与机器视觉技术的结合，实现了橄榄油品质的检测，克服了现有检测设备的体积大、价格昂贵的缺陷，缩小了检测设备体积。并且本发明的超声波检测装置、图像获取模块和PC端都具有实时性，明显提高了检测效率。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种橄榄油品质检测系统的结构图；
图2为本发明提供的一种橄榄油品质检测系统的系统框图；
图3为本发明提供的一种橄榄油品质检测系统的简要系统框图；
图4为本发明提供的光耦电路的电路图；
图5为本发明提供的脉冲升压电路的电路图；
图6为本发明提供的限幅电路的电路图；
图7为本发明提供的放大电路的电路图；
图8为本发明提供的滤波电路的电路图；
图9为本发明提供的采集电路和存储电路的电路图；
图10为本发明提供的温度传感器的电路图；
图11为本发明提供的单片机与外围电路的电路图；图(a)为外围电路中复位电路的电路图，图(b)为外围电路中启动选择电路的电路图，图(c)为外围电路中SWD下载电路的电路图，图(d)为外围电路中晶振电路的电路图，图(e)为单片机STM32F103C8T6芯片图，图(f)为外围电路中USB接口电路的电路图，图(g)为外围电路中电源滤波电路的电路图，图(h)为外围电路中LED电路的电路图，图(i)为外围电路中按键电路的电路图；
图12为本发明提供的电源模块的电路图；
图13为本发明提供的一种橄榄油品质检测方法的流程图；
图14为本发明提供的一种橄榄油品质检测方法的原理图；
图15为本发明提供的超声波回波信号采集流程图；
图16为本发明提供的BP神经网络的结构图；
符号说明：1-超声波检测装置，2-图像获取模块，3-PC端，4-超声波换能器驱动电路，4-1-光耦电路，4-2-脉冲升压电路，5-超声波回波接收电路，5-1-限幅电路，5-2-放大电路，5-3-滤波电路，5-4-采集电路，5-5-存储电路，6-单片机，7-超声波换能器，8-温度传感器，9-样品池，10-背景光源，11-支架。
具体实施方式
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，所描述的实施例仅仅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。
本发明的目的是提供一种橄榄油品质检测系统及方法，以缩小检测设备体积并提高检测效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供了一种橄榄油品质检测系统，如图1-3所示，系统包括：样品池9、超声波检测装置1、图像获取模块2和PC端3。
图像获取模块2设置于样品池9的上方。图像获取模块2为500万像素的彩色CMOS工业相机。
超声波检测装置1的信号输出端和图像获取模块2的输出端均与PC端3连接。
样品池9用于盛放橄榄油样品。超声波检测装置1用于向橄榄油样品发射超声波，接收反射的超声波回波信号，并将超声波回波信号传输至PC端3。图像获取模块2用于拍摄橄榄油样品的图像，并将图像传输至PC端3。
PC端3用于根据超声波回波信号获取超声波的声速和声衰减系数以及橄榄油样品的绝热压缩系数，从图像中提取图像的HSV颜色空间信息、RGB颜色空间信息以及Lab颜色空间信息，并根据声速、声衰减系数、绝热压缩系数、HSV颜色空间信息、RGB颜色空间信息和Lab颜色空间信息确定橄榄油样品的品质参数，品质参数包括含水率、酸值和过氧化值参数信息。
系统还包括：温度传感器8、背景光源10和支架11。
橄榄油的温度对超声波在其中的传播速度等参数会造成一定的影响，因此需要利用温度传感器8测量橄榄油样品的温度，根据测量的温度进行温度补偿，在温度传感器8电路(如图10所示)中选择DS18B20温度传感器8，其测量范围为-55℃—+125℃，精度为±0.5℃。
温度传感器8设置于样品池9的内壁上，温度传感器8用于测量橄榄油样品的温度。温度传感器8为DS18B20温度传感器8。
背景光源10设置于样品池9的下方，背景光源10用于向橄榄油样品提供光线，辅助图像获取模块2的拍摄。
支架11与图像获取模块2连接，支架11用于将图像获取模块2固定在样品池9的上方。
超声波检测装置1包括：超声波换能器7和电路板。
超声波换能器7设置于样品池9的内壁上。
超声波换能器7的驱动端和信号输出端均与电路板连接，电路板与PC端3连接。
超声波换能器7用于在电路板的驱动下向橄榄油样品发射超声波，接收反射的超声波回波信号，并将超声波回波信号传输至电路板。电路板用于采集并处理超声波回波信号，并将处理后的超声波回波信号传输至PC端3。
样品池9、超声波换能器7、图像获取模块2、温度传感器8、背景光源10和支架11放置在一个不透明机箱中，机箱内部的支架11上部固定一个500万像素的彩色CMOS工业相机，相机参数如表1所示。样品池9放置在支架11台下平面上，相机的正下方，外形为一中空石英透明圆柱体，用于盛放橄榄油样品。样品池9内侧壁一侧安装一个18B20温度传感器，另一侧安装一个2MHz收发一体式超声波换能器用于发生超声波，并采集超声波回波信号。在样品池9的下方为一方形白色背景光源10。
表1相机参数
电路板包括：超声波换能器驱动电路4、超声波回波接收电路5和单片机6。
超声波换能器驱动电路4的输入端与单片机6连接，超声波换能器驱动电路4的输出端与超声波换能器7的驱动端连接。单片机6用于产生控制脉冲信号，并将控制脉冲信号传输至超声波换能器驱动电路4。超声波换能器驱动电路4用于将控制脉冲信号转换为驱动脉冲信号，并将驱动脉冲信号传输至超声波换能器7。超声波换能器7用于在驱动脉冲信号的驱动下向橄榄油样品发射超声波。
本发明使用的超声波换能器7为收发一体式压电超声换能器，该换能器的技术指标如表2所述。收发一体式压电超声换能器所需的信号频率为2MHz，为使其达到最佳的驱动效果，利用STM32单片机产生10个周期为2MHz，占空比为20％的PWM信号，由于单片机6产生的PWM信号不足以驱动超声波换能器7发生信号，需要使用驱动电路来提高PWM信号的驱动能力。
表2收发一体式压电超声换能器
超声波换能器驱动电路4包括：光耦电路4-1和脉冲升压电路4-2。
如图4所示，光耦电路4-1的输入端与单片机6连接，光耦电路4-1的输出端与脉冲升压电路4-2的输入端连接，光耦电路4-1用于提升单片机6产生的控制脉冲信号的电压，获得升压后的控制脉冲信号，并将升压后的控制脉冲信号传输至脉冲升压电路4-2。光耦电路4-1选用转换速率为10Mbit/s，压摆率为10Kv/us的6N137光耦隔离芯片，该电路能将STM32单片机6产生的3.3V PWM信号提升至5V，并起到隔离的作用，提高信号带负载能力的同时防止电路中的大电流对单片机6造成影响。
由于超声波换能器7的驱动频率较高，常规MOS管驱动电路无法提高足够的驱动电流，以至于MOS管无法正常导通，需要脉冲升压电路4-2(如图5所示)来提高电路的驱动能力，因此选用了型号UCC27321的MOSFET驱动芯片，其输出峰值电流为9A，完全能够满足MOS管导通要求。MOS管选用IRF630N场效应管，其支持漏极输入最大电压为200V，电流为9A，上升时间为19ns，下降时间为15ns，能够满足驱动信号要求。通过场效应管的通断控制绕组5:15升压变压器的通断，从而实现脉冲信号的升压，最终输出72V脉冲信号。
脉冲升压电路4-2的输出端与超声波换能器7的驱动端连接，脉冲升压电路4-2用于再次提升升压后的控制脉冲信号的电压，获得驱动脉冲信号，并将驱动脉冲信号传输至超声波换能器7。
超声波回波接收电路5的输入端与超声波换能器7的信号输出端连接，超声波回波接收电路5的输出端与单片机6连接，超声波回波接收电路5用于接收并处理超声波换能器7的超声波回波信号，获得处理后的超声波回波信号，并将处理后的超声波回波信号传输至单片机6。
超声波回波接收电路5包括：限幅电路5-1、放大电路5-2、滤波电路5-3(如图8所示)、采集电路5-4和存储电路5-5。
限幅电路5-1的输入端与超声波换能器7的信号输出端连接，限幅电路5-1的输出端与放大电路5-2的输入端连接。滤波电路5-3的输入端与放大电路5-2的输出端连接，滤波电路5-3的输出端与采集电路5-4的输入端连接。存储电路5-5的输入端与采集电路5-4的输出端连接，存储电路5-5的输出端与单片机6连接。
如图6所示，限幅电路5-1用于从超声波回波信号中获取毫伏级的低压回波信号，并将毫伏级的低压回波信号无衰减并且不失真地传输至放大电路5-2。限幅电路5-1还可以防止高压脉冲信号对电路元器件损坏。
放大电路5-2的作用是对毫伏级的低压回波信号进行放大，同时起到阻抗匹配的作用。图7中运算放大器芯片选用MAXIM公司生产的一款高速、宽频带、低噪声、低扰动的MAX4107，放大倍率可以通过调节R11的阻值实现。
滤波电路5-3的作用是滤除信号中杂波信号，只允许通频带内的信号通过，中心频率为f＝2MHz，带宽为1MHz，能够实现对杂波信号的过滤。
由于STM32F103系列单片机6ADC最高采样率为1MHz，而超声波信号频率为2MHz数据，为了数据的准确性，需要对每个数据点采样20次，因此ADC的采样率至少需要40MHz才能满足要求。如图9所示，本设计采样及缓冲存储电路5-5中，AD转换芯片选择型号为ADS830E，其拥有8位分辨率，60MHz采样率。FIFO存储器型号为IDT7205，作为高速数据缓冲器在AD转换器与MCU之间，实现数据的高速采集。
采集电路5-4用于根据预设频率采集滤波后的低压回波信号，获得处理后的超声波回波信号，并将处理后的超声波回波信号传输至存储电路5-5。
单片机6用于采集存储电路5-5存储的处理后的超声波回波信号。单片机6为STM32F103C8T6单片机。超声波换能器7与温度传感器8通过信号线连接STM32F103C8T6单片机为核心的电路板，STM32单片机负责提供2MHz的PWM脉冲信号用以超声波检测模块中的超声波换能器7驱动以及缓存信号的读取，同时读取温度传感器8的数据，并将所有数据通过USB传输给PC端3。
在电路板上还设置了单片机6的外围电路，如图11所示。单片机6的外围电路包含复位电路、使能电路、晶振电路、ST-LINK下载电路以及USB接口电路。图(a)为复位电路，图(b)为启动选择电路，图(c)为SWD下载电路，图(d)为晶振电路，图(e)为STM32F103C8T6芯片，图(f)为USB接口电路，图(g)为电源滤波电路，图(h)为LED电路，图(i)为按键电路。
系统还包括：电源模块。电源模块负责给各个模块提供所需的电源，如图12所示。电源模块中LM2596-5.0芯片功能是将外部24V直流输入转换成+5V输出，为光耦电路、放大电路、滤波电路、采集电路、存储电路和USB接口电路供电；CJ7815芯片功能是将24V输入转换成+15V输出，为脉冲升压电路供电；AMS1117-3.3芯片功能是将+5V输入转换成+3.3V输出，为温度传感器电路和STM32F103C8T6单片机及外围电路供电；TL7660CDR芯片功能是将+5V输入转换成-5V输出，为放大电路、滤波电路供电。
本发明提出的一种橄榄油检测系统，通过超声波技术与机器视觉技术的结合，具有体积小、价格低、操作难度低以及检测速度快的优点。
本发明还提供了一种橄榄油品质检测方法，应用于一种橄榄油品质检测系统，整体思路为：首先对超声波数据进行预处理，超声波数据预处理包括均值滤波和中值滤波，设置阈值为100mV，对超声波信号进行特征提取，保留阈值区间内的有用信号，减少数据量。再利用超声波在橄榄油中的飞行时间、两次回波的峰值以及声时差来计算绝热压缩系数、声速和声衰减系数。机器视觉部分的图像经裁剪和中值滤波预处理后分别提取图像的HSV、RGB以及L*a*b*三种通道的信息。将超声波绝热压缩系数、声速、声衰减系数与机器视觉部分的HSV、RGB、L*a*b*通道的数据相连，得到一个长度为12的特征数据，将融合完成的特征数据输入橄榄油参数预测模型中进行计算，最终输出橄榄油的含水率、酸值和过氧化值参数信息。
具体的，本发明提供得一种橄榄油品质检测方法，如图13-14所示，方法包括：
S101，获取超声波检测装置向橄榄油样品发射超声波后接收的超声波回波信号。
S102，根据超声波回波信号计算得到超声波的声速和声衰减系数以及橄榄油样品的绝热压缩系数。
S103，获取橄榄油样品的图像。
S104，从图像中提取图像的HSV颜色空间信息、RGB颜色空间信息以及Lab颜色空间信息。
S105，将声速、声衰减系数、绝热压缩系数、HSV颜色空间信息、RGB颜色空间信息以及Lab颜色空间信息进行拼接，获得橄榄油样品的特征数据。
S106，将特征数据输入橄榄油神经网络模型中，获得橄榄油样品的品质参数。品质参数包括含水率、酸值和过氧化值。
S101，获取超声波检测装置向橄榄油样品发射超声波后接收的超声波回波信号，具体包括：
利用超声波检测装置中的电路板发射多个脉冲信号；
在每个脉冲信号的驱动下，利用超声波检测装置中的超声波换能器向橄榄油样品发射超声波并接收反射的超声波回波信号；
根据预设频率采集所有超声波回波信号，并存储采集的超声波回波信号。
超声波数据采集流程如图15所示，首先，系统上电后，STM32进行系统初始化，初始化完成后，开始扫描，等待开始按键按下。开始按键按下后，STM32开始发送10个频率为2MHz占空比为20％的PWM脉冲，待脉冲发送完毕，A/D转换芯片开始采样并存储到FIFO存储模块，待FIFO存储完毕，A/D转换芯片采样停止，STM32单片机开始读FIFO中的数据与温度传感器数据，并通过USB接口传输至PC端。
超声波换能器发出的脉冲穿过橄榄油样品到达换能器的不锈钢反射面上，入射波被反射回发射界面，部分被换能器接收称为一次回波；另一部分再次被反射后接收，即二次回波。
S102，根据超声波回波信号计算得到超声波的声速和声衰减系数以及橄榄油样品的绝热压缩系数，具体包括：
根据超声波回波信号，利用公式
计算得到超声波的声速。
根据超声波回波信号和声速，利用公式
计算得到超声波的声衰减系数。
根据超声波回波信号和声速，利用公式
计算得到橄榄油样品的绝热压缩系数。
其中，c为声速，L为声程，Δt为相邻两次回波间的声时差，α为声衰减系数，A1为一次回波的声波幅值，A2为二次回波的声波幅值，βm为绝热压缩系数，ρm为橄榄油样品的密度，
Zt为超声波换能器7的不锈钢反射面的声阻抗，Zt＝44.89×106kg·m-2·s-1，Rm为超声波反射系数。
S106，将特征数据输入橄榄油神经网络模型中，获得橄榄油样品的品质参数，之前还包括：
获取以橄榄油的特征数据为输入数据，以橄榄油的品质参数为输出数据的训练数据集和测试数据集；
根据训练数据集，利用遗传算法对BP神经网络模型进行训练，确定BP神经网络模型的最优参数，获得训练后的BP神经网络模型；
利用测试数据集对训练后的BP神经网络模型进行测试，获得测试结果；
判断测试结果的准确率是否大于准确率阈值，获得判断结果；
若判断结果表示是，则输出测试后的BP神经网络模型，将测试后的BP神经网络模型作为橄榄油神经网络模型；
若判断结果表示否，则返回步骤“根据训练数据集，利用遗传算法对BP神经网络模型进行训练，确定BP神经网络模型的最优参数，获得训练后的BP神经网络模型”。
橄榄油的模型具体建立过程为：将40个不同品牌型号的橄榄油分为两部分，其中30个作为训练集样品，其余10个作为测试集样品，将训练集中每个样品的12维数据输入BP神经网络，利用GA遗传算法对输入的训练集进行BP神经网络最优参数寻优。由GA算法的参数优化程序获得BP神经网络最优结构参数，最终确定隐含层神经元数量为6时，BP神经网络对于酸值、含水率和过氧化值的预测效果最好。
BP神经网络的结构如图16所示，BP神经网络将最小均方根误差作为目标函数。x1～x12为输入变量对应的是12维的输入数据，z1～z3为输出变量对应为橄榄油的含水率、酸值和过氧化值的预测值。
BP神经网络模型采用误差反向传播的方式，三层BP神经网络结构如图16所示，分为输入层、隐含层和输出层，其中输入层节点数为12，隐含层节点数为6，输出层节点数为3，xi为输入层第i个神经元的输入，xj为隐含层第j个神经元的输出，zk为输出层第k个神经元的输出，wij为输入层第i个神经元到隐含层第j个神经元的权值，wjk为隐含层第j个神经元到输出层第k个神经元的权值。
首先将输入输出矩阵输入训练网络，通过算法进行预测，并计算预测值与实际值的差值，再按减少两者误差的方向，从输入层倒叙向输入层改变BP神经网络初始化产生的各层间的权重和阈值参数，重复过程，直到预测值与实际值误差符合要求为止，具体步骤如下：
(1)正向传播
将x1～x12的12维数据输入，则隐含层第j个神经元的输出为：
其中，yj表示隐含层第j个神经元的输出，θj表示隐含层第j个神经元的阈值，n表示输入层神经元的数量。
输出层第k个神经元的输出为：
其中，zk为输出层第k个神经元的输出，θk为输出层第k个神经元的阈值，p为隐含层神经元的数量。
用ok表示输出层第k个神经元的期望误差，则第k个神经元实际输出与期望输出之间的误差为：
ek＝ok-zk
网络输出的总误差为：
其中，E表示网络输出的总误差，q表示输出层神经元的数量。
若总误差E满足神经网络的终止条件，则停止训练；否则，利用误差信号的反向传播来调节网络的权值和阈值，直到总误差E最终达到终止条件。
(2)误差信号的反向传播
误差信号的反向传播，利用梯度下降法调节各个神经元的权值和阈值，目的是使得调节后的神经网络输出的误差更加接近期望误差。若dj表示隐含层第j个神经元的输出误差，则：
输出层的阈值调节为：
θk(k+1)＝θk(k)+η×ek
隐含层的阈值调节为：
θj(k+1)＝θj(k)+η×dj
输出层与隐含层之间的连接权值调节为：
wjk(k+1)＝wjk(k)+η×ek×yj
输入层与隐含层之间的连接权值调节为：
wij(k+1)＝wij(k)+η×dj×xi
其中，η为BP神经网络的学习率，设置为0.1。
遗传算法(GeneticAlgorithm，GA)优化BP神经网络的步骤如下：
(1)种群初始化
由于遗传算法无法识别网络中的参数与候选解，所以需要利用编码的方法把参数和候选解以基因链的形式呈现。系统采用实数编码法，其公式为：
S＝n×m+m×l+m+l
其中，S为编码长度，n表示输入层节点数，m表示隐含层节点数，l表示输出层节点数。将种群规模设置为80，进化80次。
(2)适应度函数
适应度函数设定为样本数据的均方误差，其函数表达式为：
其中，Fi为均方误差，N为样本数，Oi为第i个样本的网络预测输出，yi为第i个样本的实际输出。
(3)选择操作
选择的个体是随机的，但个体的适应度越高，其包含的信息越多，其被选择中的几率越大，但一些适应度较差的个体也可能包含重要的基因信息，因此采用轮盘赌法，可增加个体多样性，有利于交叉与变异操作，个体被选择的概率pi为：
其中，fi为个体的适应度，M为种群规模。
(4)交叉
通过交叉算子可以生成更多含有优良基因的新个体，不断扩大搜索空间，最终达到全局搜索的目的，交叉的概率为pc，pc设置为0.3。系统选择算术交叉法，即将两个父代以线性组合的方式产生子代，具体操作为：
其中，
为两个父代，
为产生的新子代，γ为区间[0,1]的均匀分布随机数。
(5)变异
为了维持种群的多样性，采用变异算子产生新个体，变异对个体以一定的几率pm随机改变染色体上的某些基因位的值。选取第i个个体的第j个基因进行变异，变异操作为：
其中，amax为基因aij的上界，amin为基因aij的下界，f(g)为计算元素改变量的函数，f(g)＝r2(1-g/Gmax)2，r2为一个随机数，g为当前迭代次数，Gmax为最大进化次数，r的取值为[0,1]。
(6)判断
进行终止条件判断，若当前进化迭代次数已经达到设定的最大迭代次数，则结束进化，否则返回继续执行步骤(2)～(6)。
经过遗传算法对BP神经网络参数的优化，利用测试集样品进行验证，对于橄榄油样品的含水率、酸值和过氧化值均能有效预测，且准确率在95％以上。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种橄榄油品质检测系统，其特征在于，所述系统包括：样品池、超声波检测装置、图像获取模块和PC端；
所述图像获取模块设置于所述样品池的上方；
所述超声波检测装置的信号输出端和所述图像获取模块的输出端均与所述PC端连接；
所述样品池用于盛放橄榄油样品；所述超声波检测装置用于向所述橄榄油样品发射超声波，接收反射的超声波回波信号，并将所述超声波回波信号传输至所述PC端；所述图像获取模块用于拍摄所述橄榄油样品的图像，并将所述图像传输至所述PC端；
所述PC端用于根据所述超声波回波信号获取超声波的声速和声衰减系数以及橄榄油样品的绝热压缩系数，从所述图像中提取图像的HSV颜色空间信息、RGB颜色空间信息以及Lab颜色空间信息，并根据声速、声衰减系数、绝热压缩系数、HSV颜色空间信息、RGB颜色空间信息和Lab颜色空间信息确定所述橄榄油样品的品质参数，所述品质参数包括含水率、酸值和过氧化值参数信息。
2.根据权利要求1所述的橄榄油品质检测系统，其特征在于，所述系统还包括：温度传感器、背景光源和支架；
所述温度传感器设置于所述样品池的内壁上，所述温度传感器用于测量所述橄榄油样品的温度；
所述背景光源设置于所述样品池的下方，所述背景光源用于向所述橄榄油样品提供光线，辅助所述图像获取模块的拍摄；
所述支架与所述图像获取模块连接，所述支架用于将所述图像获取模块固定在所述样品池的上方。
3.根据权利要求1所述的橄榄油品质检测系统，其特征在于，所述超声波检测装置包括：超声波换能器和电路板；
所述超声波换能器设置于所述样品池的内壁上；
所述超声波换能器的驱动端和信号输出端均与所述电路板连接，所述电路板与所述PC端连接；
所述超声波换能器用于在所述电路板的驱动下向所述橄榄油样品发射超声波，接收反射的超声波回波信号，并将所述超声波回波信号传输至所述电路板；所述电路板用于采集并处理所述超声波回波信号，并将处理后的超声波回波信号传输至所述PC端。
4.根据权利要求3所述的橄榄油品质检测系统，其特征在于，所述电路板包括：超声波换能器驱动电路、超声波回波接收电路和单片机；
所述超声波换能器驱动电路的输入端与所述单片机连接，所述超声波换能器驱动电路的输出端与所述超声波换能器的驱动端连接；所述单片机用于产生控制脉冲信号，并将所述控制脉冲信号传输至所述超声波换能器驱动电路；所述超声波换能器驱动电路用于将所述控制脉冲信号转换为驱动脉冲信号，并将所述驱动脉冲信号传输至所述超声波换能器；所述超声波换能器用于在所述驱动脉冲信号的驱动下向所述橄榄油样品发射超声波；
所述超声波回波接收电路的输入端与所述超声波换能器的信号输出端连接，所述超声波回波接收电路的输出端与所述单片机连接，所述超声波回波接收电路用于接收并处理所述超声波换能器的超声波回波信号，获得处理后的超声波回波信号，并将所述处理后的超声波回波信号传输至所述单片机。
5.根据权利要求4所述的橄榄油品质检测系统，其特征在于，所述超声波换能器驱动电路包括：光耦电路和脉冲升压电路；
所述光耦电路的输入端与所述单片机连接，所述光耦电路的输出端与所述脉冲升压电路的输入端连接，所述光耦电路用于提升所述单片机产生的控制脉冲信号的电压，获得升压后的控制脉冲信号，并将所述升压后的控制脉冲信号传输至所述脉冲升压电路；
所述脉冲升压电路的输出端与所述超声波换能器的驱动端连接，所述脉冲升压电路用于再次提升所述升压后的控制脉冲信号的电压，获得驱动脉冲信号，并将所述驱动脉冲信号传输至所述超声波换能器。
6.根据权利要求4所述的橄榄油品质检测系统，其特征在于，所述超声波回波接收电路包括：限幅电路、放大电路、滤波电路、采集电路和存储电路；
所述限幅电路的输入端与所述超声波换能器的信号输出端连接，所述限幅电路的输出端与所述放大电路的输入端连接；所述滤波电路的输入端与所述放大电路的输出端连接，所述滤波电路的输出端与所述采集电路的输入端连接；所述存储电路的输入端与所述采集电路的输出端连接，所述存储电路的输出端与所述单片机连接；
所述限幅电路用于从所述超声波回波信号中获取低压回波信号，并将所述低压回波信号传输至所述放大电路；
所述采集电路用于根据预设频率采集滤波后的低压回波信号，获得处理后的超声波回波信号，并将所述处理后的超声波回波信号传输至所述存储电路；
所述单片机用于采集所述存储电路存储的处理后的超声波回波信号。
7.一种橄榄油品质检测方法，其特征在于，所述方法包括：
获取超声波检测装置向橄榄油样品发射超声波后接收的超声波回波信号；
根据所述超声波回波信号计算得到超声波的声速和声衰减系数以及所述橄榄油样品的绝热压缩系数；
获取所述橄榄油样品的图像；
从所述图像中提取图像的HSV颜色空间信息、RGB颜色空间信息以及Lab颜色空间信息；
将所述声速、所述声衰减系数、所述绝热压缩系数、所述HSV颜色空间信息、所述RGB颜色空间信息以及所述Lab颜色空间信息进行拼接，获得所述橄榄油样品的特征数据；
将所述特征数据输入橄榄油神经网络模型中，获得所述橄榄油样品的品质参数；所述品质参数包括含水率、酸值和过氧化值。
8.根据权利要求7所述的橄榄油品质检测方法，其特征在于，所述获取超声波检测装置向橄榄油样品发射超声波后接收的超声波回波信号，具体包括：
利用所述超声波检测装置中的电路板发射多个脉冲信号；
在每个脉冲信号的驱动下，利用所述超声波检测装置中的超声波换能器向橄榄油样品发射超声波并接收反射的超声波回波信号；
根据预设频率采集所有超声波回波信号，并存储采集的超声波回波信号。
9.根据权利要求7所述的橄榄油品质检测方法，其特征在于，所述根据所述超声波回波信号计算得到超声波的声速和声衰减系数以及所述橄榄油样品的绝热压缩系数，具体包括：
根据所述超声波回波信号，利用公式
计算得到超声波的声速；
根据所述超声波回波信号和所述声速，利用公式
计算得到超声波的声衰减系数；
根据所述超声波回波信号和所述声速，利用公式
计算得到所述橄榄油样品的绝热压缩系数；
其中，c为声速，L为声程，Δt为相邻两次回波间的声时差，α为声衰减系数，A1为一次回波的声波幅值，A2为二次回波的声波幅值，βm为绝热压缩系数，ρm为橄榄油样品的密度，
Zt为超声波换能器的不锈钢反射面的声阻抗，Zt＝44.89×106kg·m-2·s-1，Rm为超声波反射系数。
10.根据权利要求7所述的橄榄油品质检测方法，其特征在于，所述将所述特征数据输入橄榄油神经网络模型中，获得所述橄榄油样品的品质参数，之前还包括：
获取以橄榄油的特征数据为输入数据，以橄榄油的品质参数为输出数据的训练数据集和测试数据集；
根据所述训练数据集，利用遗传算法对BP神经网络模型进行训练，确定BP神经网络模型的最优参数，获得训练后的BP神经网络模型；
利用所述测试数据集对所述训练后的BP神经网络模型进行测试，获得测试结果；
判断所述测试结果的准确率是否大于准确率阈值，获得判断结果；
若所述判断结果表示是，则输出测试后的BP神经网络模型，将测试后的BP神经网络模型作为橄榄油神经网络模型；
若所述判断结果表示否，则返回步骤“根据所述训练数据集，利用遗传算法对BP神经网络模型进行训练，确定BP神经网络模型的最优参数，获得训练后的BP神经网络模型”。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011245184.XA CN112362731A (zh) | 2020-11-10 | 2020-11-10 | 一种橄榄油品质检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011245184.XA CN112362731A (zh) | 2020-11-10 | 2020-11-10 | 一种橄榄油品质检测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112362731A true CN112362731A (zh) | 2021-02-12 |
Family
ID=74509142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011245184.XA Pending CN112362731A (zh) | 2020-11-10 | 2020-11-10 | 一种橄榄油品质检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112362731A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113206667A (zh) * | 2021-04-30 | 2021-08-03 | 国家石油天然气管网集团有限公司华南分公司 | 一种用于油品界面智能检测仪的接口电路及信号处理方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101071123A (zh) * | 2007-04-29 | 2007-11-14 | 天津大学 | 提高牛奶质量超声检测精度的方法及检测仪器 |
| CN110726775A (zh) * | 2019-11-14 | 2020-01-24 | 四川省食品药品检验检测院(四川省药品质量研究所、四川省医疗器械检测中心) | 声速与声衰减系数测量装置及方法 |
-
2020
- 2020-11-10 CN CN202011245184.XA patent/CN112362731A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101071123A (zh) * | 2007-04-29 | 2007-11-14 | 天津大学 | 提高牛奶质量超声检测精度的方法及检测仪器 |
| CN110726775A (zh) * | 2019-11-14 | 2020-01-24 | 四川省食品药品检验检测院(四川省药品质量研究所、四川省医疗器械检测中心) | 声速与声衰减系数测量装置及方法 |
Non-Patent Citations (8)
| Title |
|---|
| A. GILA, M.A. BEJAOUI, G. BELTRÁN, A. JIMÉNEZ: "Rapid method based on computer vision to determine the moisture and insoluble impurities content in virgin olive oils", FOOD CONTROL, vol. 113, pages 107210 * |
| ALIREZA SANAEIFAR, ABDOLABBAS JAFARI, MOHAMMAD-TAGHI GOLMAKANI: "Fusion of dielectric spectroscopy and computer vision for quality characterization of olive oil during storage", COMPUTERS AND ELECTRONICS IN AGRICULTURE, vol. 145, pages 142 - 152, XP085343174, DOI: 10.1016/j.compag.2017.12.035 * |
| D.M. MARTÍNEZ GILA, P. CANO MARCHAL, J. GÁMEZ GARCÍA, J. GÓMEZ ORTEGA: "On-line system based on hyperspectral information to estimate acidity, moisture and peroxides in olive oil samples", COMPUTERS AND ELECTRONICS IN AGRICULTURE, vol. 116, pages 1 - 7 * |
| P. CANO MARCHAL, D. MARTÍNEZ GILA, J. GÁMEZ GARCÍA, J. GÓMEZ ORTEGA: "Expert system based on computer vision to estimate the content of impurities in olive oil samples", JOURNAL OF FOOD ENGINEERING, vol. 119, no. 2, pages 220 - 228 * |
| 何思凡, 王伟, 关荣发, 张玉, 王君虹, 李雪, 朱作艺, 景凤强: "机器视觉在食用植物油掺伪鉴别中的研究进展", 食品科技, vol. 45, no. 09, pages 305 - 311 * |
| 何鹏, 万晓青, 焦瑛璞: "基于图像纹理分析技术检测食用植物油中动物油的掺伪", 中国油脂, vol. 39, no. 03, pages 42 - 46 * |
| 王旭;生西奎;慕锟;王昕;: "基于多频超声波技术和GWO-BP算法的变压器油电气性能检测方法研究", 高压电器, no. 08, pages 114 - 120 * |
| 龚智方, 苏明旭, 蔡小舒, 韩晓林: "食用油掺假的超声波参数快速检测", 声学技术, vol. 29, no. 6, pages 406 - 407 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113206667A (zh) * | 2021-04-30 | 2021-08-03 | 国家石油天然气管网集团有限公司华南分公司 | 一种用于油品界面智能检测仪的接口电路及信号处理方法 |
| CN113206667B (zh) * | 2021-04-30 | 2023-08-15 | 国家石油天然气管网集团有限公司华南分公司 | 一种用于油品界面智能检测仪的接口电路及信号处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110827837B (zh) | 一种基于深度学习的鲸鱼活动音频分类方法 | |
| US11183177B2 (en) | Real-time voice recognition apparatus equipped with ASIC chip and smartphone | |
| CN101335573B (zh) | 一种水声信号发射机宽带自适应匹配方法及其装置 | |
| CN112362731A (zh) | 一种橄榄油品质检测系统及方法 | |
| CN108091348A (zh) | 言语测听响应识别测试装置和方法 | |
| CN115294994A (zh) | 一种真实环境中的鸟类鸣声自动识别系统 | |
| Shen et al. | Improved auditory inspired convolutional neural networks for ship type classification | |
| CN117423346A (zh) | 基于tbta网络的海洋哺乳动物叫声识别分类方法 | |
| CN109902712A (zh) | 基于无人机巡检的输电线路驱鸟方法 | |
| CN111121951A (zh) | 一种二维MXene基声音探测器及其制备方法和应用 | |
| Borie et al. | Disturbance calls of five migratory Characiformes species and advertisement choruses in Amazon spawning sites | |
| CN104034665A (zh) | 一种手持式食品安全检测装置及方法 | |
| CN117635461B (zh) | 一种蔬菜水果硬度预测模型的建模方法 | |
| CN112666393A (zh) | 一种超声波换能器谐振频率检测方法、系统和装置 | |
| CN213189711U (zh) | 一种便携式超声成像前端系统 | |
| CN202126261U (zh) | 水文综合测量探测装置 | |
| CN117440183A (zh) | 一种基于现有视频反向生成视频脚本的方法、装置 | |
| CN109632970A (zh) | 一种用于编码超声的单通道超声脉冲发射与回波放大系统 | |
| CN105676225B (zh) | 不透明浑浊液体中的超声测距系统和方法 | |
| CN206362743U (zh) | 一种超声波混凝土检测装置 | |
| CN106802410A (zh) | 一种基于dsp和fpga架构的超声波飞行时间测量装置及方法 | |
| CN110322894B (zh) | 一种基于声音的波形图生成及大熊猫检测方法 | |
| CN102426839B (zh) | 一种听障人群的语音辨识方法 | |
| Rossi-Santos et al. | Descriptive parameters of pulsed calls for the spinner dolphin, Stenella longirostris, in the Fernando de Noronha Archipelago, Brazil | |
| CN112379432A (zh) | 小道数轻便式水听器阵列采集系统 |
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 |