CN112465077B - 水果糖度无损检测方法、装置、计算机设备和存储介质 - Google Patents

水果糖度无损检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112465077B
CN112465077B CN202110139425.0A CN202110139425A CN112465077B CN 112465077 B CN112465077 B CN 112465077B CN 202110139425 A CN202110139425 A CN 202110139425A CN 112465077 B CN112465077 B CN 112465077B
Authority
CN
China
Prior art keywords
detected
diffuse reflection
light intensity
reflection light
fruit
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
Application number
CN202110139425.0A
Other languages
English (en)
Other versions
CN112465077A (zh
Inventor
邢中阳
王新宇
黄善旻
邓清辉
李俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110139425.0A priority Critical patent/CN112465077B/zh
Publication of CN112465077A publication Critical patent/CN112465077A/zh
Application granted granted Critical
Publication of CN112465077B publication Critical patent/CN112465077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请涉及一种水果糖度无损检测方法、装置、计算机设备和存储介质。所述方法包括：通过手机摄像头获取近红外光照射待测水果时漫反射形成的待测散射图像，对其进行灰度处理，得到灰度图片，并根据灰度图片获得平均灰度值，根据平均灰度值确定待测漫反射光强度；获取多个同类待测水果的糖度含量及漫反射光强度，利用人工神经网络算法，确定最终糖度预测模型；将待测漫反射光强度输入到该模型中得到待测水果的糖度含量。该方法通过手机摄像头获取散射图像，利用智能手机的摄像功能实现水果糖度检测，提高检测设备的集成化与便携化；采用人工神经网络算法进行糖度含量预测，提高水果糖度测量结果的普适性和准确度。

Description

水果糖度无损检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及水果检测技术领域，特别是涉及一种水果糖度无损检测方法、装置、计算机设备和存储介质。
背景技术
水果糖度含量不仅是评价水果食用品质的一个重要指标，同时也是检验水果成熟度的重要指标，在农业研究和农业生产以及水果贮藏环境下，水果糖度是确定采摘、运输、储藏的重要依据之一。目前使用的糖度检测产品大多为较为常规的折光仪，即利用液体的折射率测量糖度，这种测量方法在测量水果糖度时需要将其榨汁，会损坏水果，不易在水果成长的阶段进行糖度测量，而且在精度方面的误差较大，不适合大规模的测量，效率低下。
利用近红外光谱测量水果糖度的研究相对较多，目前非破坏式糖度测量方法基本都采用了光谱分析的方式，由于所得的光谱结果常常混有噪声干扰，存在检测结果精度不高的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高水果糖度无损检测精度的水果糖度无损检测方法、装置、计算机设备和存储介质。
一种水果糖度无损检测方法，所述方法包括：
通过手机摄像头获取近红外光照射待测水果时漫反射形成的待测散射图像。
对所述待测散射图像进行灰度化处理，获得待测灰度图片；根据所述待测灰度图片获得每个弥散斑的待测平均灰度值。
根据所述待测平均灰度值计算得到待测漫反射光强度。
获取多个与所述待测水果种类相同的水果的糖度含量及与所述糖度含量对应的漫反射光强度。
根据所述糖度含量、所述漫反射光强度以及人工神经网络算法，得到最终糖度预测模型。
根据所述待测漫反射光强度和所述最终糖度预测模型，得到所述待测水果的糖度含量。
在其中一个实施例中，对所述待测散射图像进行灰度化处理，获得待测灰度图片；根据所述待测灰度图片获得每个弥散斑的待测平均灰度值，还包括：
对所述待测散射图像进行灰度化处理，获得待测灰度图片。
根据所述待测灰度图片，利用编程计算的方法获得每个弥散斑的待测平均灰度值。
在其中一个实施例中，获取多个与所述待测水果种类相同的水果的糖度含量及与所述糖度含量对应的漫反射光强度，还包括：
选取多个与待测水果种类相同的水果，组成样本集，将所述样本集分为训练集和测试集。通过手机摄像头获取近红外光照射所述训练集和所述测试集时漫反射形成的散射图像，得到训练集散射图像和测试集散射图像。
对所述训练集散射图像和所述测试集散射图像进行灰度化处理，得到训练集灰度图片和测试集灰度图片。
根据所述训练集灰度图片和所述测试集灰度图片，得到训练集平均灰度值和测试集平均灰度值。
根据所述训练集平均灰度值计算得到训练集的漫反射光强度。
根据所述测试集平均灰度值计算得到测试集的漫反射光强度。
利用化学分析法测定所述训练集和所述测试集的糖度含量，得到训练集的糖度含量和测试集的糖度含量。
在其中一个实施例中，所述糖度含量是样本集的糖度含量，包括所述训练集的糖度含量和所述测试集的糖度含量；所述漫反射光强度是样本集的漫反射光强度，包括所述训练集的漫反射光强度和所述测试集的漫反射光强度；根据所述糖度含量、所述漫反射光强度以及人工神经网络算法，得到最终糖度预测模型，还包括：
将所述训练集的漫反射光强度作为人工神经网络的输入，将训练集的糖度含量作为人工神经网络的输出，对所述人工神经网络进行训练获得预测模型。
将所述测试集的漫反射光强度和所述测试集的糖度含量作为测试数据；利用所述测试数据对所述预测模型进行测试，得到最终糖度预测模型。
在其中一个实施例中，还包括，所述人工神经网络算法为MATLAB人工神经网络算法。
在其中一个实施例中，根据所述待测漫反射光强度和所述最终糖度预测模型，得到所述待测水果的糖度含量，还包括：
将所述待测漫反射光强度输入到所述最终糖度预测模型，得到所述待测水果的糖度含量。
一种水果糖度无损检测装置，所述装置包括：
散射图像获取模块，用于通过手机摄像头获取近红外光照射待测水果时漫反射形成的待测散射图像。
平均灰度值确定模块，用于对所述待测散射图像进行灰度化处理，获得待测灰度图片；根据所述待测灰度图片获得每个弥散斑的待测平均灰度值。
漫反射光强度确定模块，用于根据所述待测平均灰度值计算得到待测漫反射光强度。
样本数据获取模块，用于获取多个与所述待测水果种类相同的水果的糖度含量及与所述糖度含量对应的漫反射光强度。
糖度预测模型确定模块，用于根据所述糖度含量、所述漫反射光强度以及人工神经网络算法，得到最终糖度预测模型。
糖度含量确定模块，用于根据所述待测漫反射光强度和所述最终糖度预测模型，得到所述待测水果的糖度含量。
在其中一个实施例中，平均灰度值确定模块还用于对所述待测散射图像进行灰度化处理，获得待测灰度图片；根据所述待测灰度图片，利用编程计算的方法获得每个弥散斑的待测平均灰度值。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
通过手机摄像头获取近红外光照射待测水果时漫反射形成的待测散射图像。
对所述待测散射图像进行灰度化处理，获得待测灰度图片；根据所述待测灰度图片获得每个弥散斑的待测平均灰度值。
根据所述待测平均灰度值计算得到待测漫反射光强度。
获取多个与所述待测水果种类相同的水果的糖度含量及与所述糖度含量对应的漫反射光强度。
根据所述糖度含量、所述漫反射光强度以及人工神经网络算法，得到最终糖度预测模型。
根据所述待测漫反射光强度和所述最终糖度预测模型，得到所述待测水果的糖度含量。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
通过手机摄像头获取近红外光照射待测水果时漫反射形成的待测散射图像。
对所述待测散射图像进行灰度化处理，获得待测灰度图片；根据所述待测灰度图片获得每个弥散斑的待测平均灰度值。
根据所述待测平均灰度值计算得到待测漫反射光强度。
获取多个与所述待测水果种类相同的水果的糖度含量及与所述糖度含量对应的漫反射光强度。
根据所述糖度含量、所述漫反射光强度以及人工神经网络算法，得到最终糖度预测模型。
根据所述待测漫反射光强度和所述最终糖度预测模型，得到所述待测水果的糖度含量。
上述水果糖度无损检测方法、装置、计算机设备和存储介质，该方法通过手机摄像头获取近红外光照射待测水果时漫反射形成的待测散射图像，对该散射图像进行灰度处理，根据灰度处理后的图片获得每个弥散斑的平均灰度值，根据平均灰度值确定待测漫反射光强度，获取多个待测水果的糖度含量及反射光强度数据，根据这些数据和人工神经网络算法，确定最终糖度预测模型，将待测漫反射光强度输入到最终糖度预测模型中得到待测水果的糖度含量。该方法通过手机摄像头获取漫反射形成的散射图像，利用智能手机的摄像功能实现水果糖度检测，提高检测设备的集成化与便携化；采用图像灰度处理技术获得漫反射光强度，结合人工神经网络算法，提高水果糖度测量结果的普适性和准确度。
附图说明
图1为一个实施例中水果糖度无损检测方法的流程示意图；
图2为另一个实施例中人工神经网络训练流程示意图；
图3为一个实施例中水果糖度无损检测装置的结构框图；
图4为一个实施例中水果糖度无损检测系统的组成框图；
图5为一个实施例中仿真试验中光束分光效果示意图，其中：图5（a）是横向分光效果示意图，图5（b）是纵向分光效果示意图；
图6为一个实施例中仿真试验中分光装置示意图；
图7为一个实施例中仿真试验中三维空间呈现的效果图；
图8为一个实施例中仿真试验中ZAMX仿真点列图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种水果糖度无损检测方法，包括以下步骤：
步骤100，通过手机摄像头获取近红外光照射待测水果时漫反射形成的待测散射图像。
近红外光是介于可见光和中红外光之间的电磁波。
基于近红外光技术，根据水果内部物质对红外光谱的吸收程度不同，用特定波段的红外线照射水果，经文献的调研和实验测定，最终确定水果糖度的红外特征谱段有838nm，881nm，913nm，978nm，1005nm，其中 978nm 为主要特征波段。
取一个完整的成熟水果，将水果放在光源的照射区进行照射，照射到水果上的光形成一个圆形光斑，水果的表面是不光滑的，在形成光斑时同时会出现漫反射，将漫反射的光通过狭缝再经过双胶合透镜得到平行光再经过反射光栅的分光，漫反射光最终被手机摄像头采集到，获得待测散射图像。
在实施例中的待测水果可以是苹果、梨子、葡萄、桃子等多种水果。
步骤102，对待测散射图像进行灰度化处理，获得待测灰度图片；根据待测灰度图片获得每个弥散斑的待测平均灰度值。
图像灰度化处理可以作为图像处理的预处理步骤，为之后通过图像分析获得漫反射光强度做准备。
灰度图片上每个像素的颜色值又称为灰度，指黑白图像中点的颜色深度，范围一般从0到255，白色为255，黑色为0。所谓灰度值是指色彩的浓淡程度，灰度直方图是指一幅数字图像中，对应每一个灰度值统计出具有该灰度值的像素数。
步骤104，根据待测平均灰度值计算得到待测漫反射光强度。
不同能量的色光，转换成灰度时，记录的光强值是不同的。
漫反射光强度是相对光强。
发明中利用图片的灰度值来计算相对光强，用灰度值与光强的关系代表相对光强的大小。对于一个像素而言，其灰度生成的近似表达式为：
Figure 544399DEST_PATH_IMAGE001
其中：g代表灰度值，r代表反射率，
Figure 930381DEST_PATH_IMAGE002
代表入射光照强度。但实际上的自然图片的入射光并不是单独频率的光波，而是有一个光谱带宽，而物体的反射率对于不同频率的光波也是不同的，如果在考虑复杂的反射情况以及记录照片用的相机镜头的光谱特性也不同，那就很复杂了。但对于该发明来说，入射光的频率一定，所以反射率基本不变，在这里灰度值与光强成线性关系，求得图片的灰度值大小就可以代表漫反射光强度。
步骤106，获取多个与待测水果种类相同的水果的糖度含量及与糖度含量对应的漫反射光强度。
选取多个与待测水果种类相同的水果作为样本集。
首先采用近红外光照射样本集获取漫反射光形成的散射图像，对散射图像进行处理获取漫反射光强度；利用化学分析法测出样本集的糖度。
步骤108，根据糖度含量、漫反射光强度以及人工神经网络算法，得到最终糖度预测模型。
将步骤106，获取的数据分为训练数据和测试数据；将训练数据中的反射光强度数据作为人工神经网络的输入，将训练数据中的糖度作为人工神经网络的输出，进行训练，得到预测模型，利用测试数据对预测模型进行检测，最终输出最终糖度预测模型。
步骤110，根据待测漫反射光强度和最终糖度预测模型，得到待测水果的糖度含量。
将获得的漫反射光强度作为糖度预测模型的输入，得到待测水果的糖度含量。
上述水果糖度无损检测方法，该方法通过手机摄像头获取近红外光照射待测水果时漫反射形成的待测散射图像，对该散射图像进行灰度处理，根据灰度处理后的图片获得每个弥散斑的平均灰度值，根据平均灰度值确定待测漫反射光强度，获取多个待测水果的糖度含量及反射光强度数据，根据这些数据和人工神经网络算法，确定最终糖度预测模型，将待测漫反射光强度输入到最终糖度预测模型中得到待测水果的糖度含量。该方法通过手机摄像头获取漫反射形成的散射图像，利用智能手机的摄像功能实现水果糖度检测，提高检测设备的集成化与便携化；采用图像灰度处理技术获得漫反射光强度，结合人工神经网络算法，提高水果糖度测量结果的普适性和准确度。
在其中一个实施例中，步骤102还包括：对待测散射图像进行灰度化处理，获得待测灰度图片；根据待测灰度图片，利用编程计算的方法获得每个弥散斑的待测平均灰度值。
根据灰度图片，利用Android Studio编程软件处理数据，将获得的灰度图片以弥散斑为中心切割成多个子图片，对每一个子图片编程处理获得每个弥散斑的平均灰度值。
在其中一个实施例中，步骤106还包括：选取多个与待测水果种类相同的水果，组成样本集，将样本集分为训练集和测试集；通过手机摄像头获取近红外光照射训练集和测试集时漫反射形成的散射图像，得到训练集散射图像和测试集散射图像；对训练集散射图像和测试集散射图像进行灰度化处理，得到训练集灰度图片和测试集灰度图片；根据训练集灰度图片和测试集灰度图片，得到训练集平均灰度值和测试集平均灰度值；根据训练集平均灰度值计算得到训练集的漫反射光强度；根据测试集平均灰度值计算得到测试集的漫反射光强度；利用化学分析法测定训练集和测试集的糖度含量，得到训练集的糖度含量和测试集的糖度含量。
在其中一个实施例中，糖度含量是样本集的糖度含量，包括训练集的糖度含量和测试集的糖度含量；漫反射光强度是样本集的漫反射光强度，包括训练集的漫反射光强度和测试集的漫反射光强度；步骤108还包括：将训练集的漫反射光强度作为人工神经网络的输入，将训练集的糖度含量作为人工神经网络的输出，对人工神经网络进行训练获得预测模型；将测试集的漫反射光强度和测试集的糖度含量作为测试数据；利用测试数据对预测模型进行测试，得到最终糖度预测模型。
在一个实施例中，使用MATLAB的人工神经网络算法建模，训练数据为50个反射光强度数据和糖度含量数据，将训练数据中的训练集的反射光强度数据作为人工神经网络的输入，将训练集的糖度含量作为人工神经网络的输出，对人工神经网络进行训练学习，再利用测试数据集进行测试。
人工神经网络为三层网络，Input是输入层，包含输入的初始数据；Hidden Layer是隐藏层，用来建立输入数据与输出数据之间的关系，可以是线性也可以是非线性；OutputLayer为输出层，用来计算数据得到输出结果。神经网络只有一个输入层和一个输出层，但是可以有多个隐藏层，而这些隐藏层是不可见的。
在本次测试中，首先使用50个数据建立神经网络，每个数据是401*1的矩阵，这样就形成了401*50的矩阵，训练的参数是进行1000次迭代，当精度大于0.001时停止迭代得到输出糖度预测模型。人工神经网络训练流程图如图2所示。
在其中一个实施例中，人工神经网络算法为MATLAB人工神经网络算法。
人工神经网络作为一种仿生物神经网络的数学模型，在解决高维度和非线性问题上有着很多优势。MATLAB软件上自带有神经网络模块，使得算法实现更加便捷。
在其中一个实施例中，步骤110还包括：将待测漫反射光强度输入到最终糖度预测模型，得到待测水果的糖度含量。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种水果糖度无损检测装置，包括：散射图像获取模块、平均灰度值确定模块、漫反射光强度确定模块、样本数据获取模块、糖度预测模型确定模块和糖度含量确定模块，其中：
散射图像获取模块，用于通过手机摄像头获取近红外光照射待测水果时漫反射形成的待测散射图像。
平均灰度值确定模块，用于对待测散射图像进行灰度化处理，获得待测灰度图片；根据待测灰度图片获得每个弥散斑的待测平均灰度值。
漫反射光强度确定模块，用于根据待测平均灰度值计算得到待测漫反射光强度。
样本数据获取模块，用于获取多个与待测水果种类相同的水果的糖度含量及与糖度含量对应的漫反射光强度。
糖度预测模型确定模块，用于根据糖度含量、漫反射光强度以及人工神经网络算法，得到最终糖度预测模型。
糖度含量确定模块，用于根据待测漫反射光强度和最终糖度预测模型，得到待测水果的糖度含量。
在其中一个实施例中，平均灰度值确定模块还用于对待测散射图像进行灰度化处理，获得待测灰度图片；根据待测灰度图片，利用编程计算的方法获得每个弥散斑的待测平均灰度值。
在其中一个实施例中，样本数据获取模块还用于：选取多个与待测水果种类相同的水果，组成样本集，将样本集分为训练集和测试集；通过手机摄像头获取近红外光照射训练集和测试集时漫反射形成的散射图像，得到训练集散射图像和测试集散射图像；对训练集散射图像和测试集散射图像进行灰度化处理，得到训练集灰度图片和测试集灰度图片；根据训练集灰度图片和测试集灰度图片，得到训练集平均灰度值和测试集平均灰度值；根据训练集平均灰度值计算得到训练集的漫反射光强度；根据测试集平均灰度值计算得到测试集的漫反射光强度；利用化学分析法测定训练集和测试集的糖度含量，得到训练集的糖度含量和测试集的糖度含量。
在其中一个实施例中，糖度含量是样本集的糖度含量，包括训练集的糖度含量和测试集的糖度含量；漫反射光强度是样本集的漫反射光强度，包括训练集的漫反射光强度和测试集的漫反射光强度；糖度预测模型确定模块还用于：将训练集的漫反射光强度作为人工神经网络的输入，将训练集的糖度含量作为人工神经网络的输出，对人工神经网络进行训练获得预测模型；将测试集的漫反射光强度和测试集的糖度含量作为测试数据；利用测试数据对预测模型进行测试，得到最终糖度预测模型。
在其中一个实施例中，糖度含量确定模块还用于：将待测漫反射光强度输入到最终糖度预测模型，得到待测水果的糖度含量。
在其中一个实施例中，水果糖度无损检测装置还包括：人工神经网络算法为MATLAB人工神经网络算法。
关于水果糖度无损检测装置的具体限定可以参见上文中对于水果糖度无损检测方法的限定，在此不再赘述。上述水果糖度无损检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，如图4所示，为了验证水果糖度无损检测方法提供了一种水果糖度无损检测系统，系统包括：光线采集子系统、分光子系统和数据处理子系统；光线采集子系统用于提供近红外光；分光子系统用于接收近红外光，并获得散射图像；数据处理子系统用于接收散射图像。
光线采集子系统用于提供近红外光，近红外光照射到待测水果上形成漫反射光；光线采集子系统包括：波长为850nm，880nm，910nm，940nm，980nm的LED光源。
分光子系统用于获得待测水果的散射图像；分光子系统包括：光学狭缝、准直透镜、反射光栅、手机摄像头；光学狭缝获得入射光，入射光透过准直透镜获得平行光线，平行光线经过反射光栅进行分光处理获得分光光线，分光光线经过手机摄像头后获得散射图像。
数据处理子系统为智能手机系统，手机执行上述水果糖度无损检测方法；数据处理子系统用于根据近红外光照射待测水果时漫反射形成的散射图像确定待测水果的糖度含量。
在其中一个实施例中，光线采集子系统由波长为850nm，880nm，910nm，940nm，980nm的LED光源组成，光源功率为500mW，采用插电式（双头插头）供电，光线采集子系统用于照射待测水果产生漫反射光，是一个独立的系统，无需与其它系统进行连接，但要与第二个系统保持约5厘米的间距。光线采集子系统主要作用是提供近红外光，照射待测水果产生漫反射光。
光线采集子系统的所有部件均在同一光轴上，各装置的中心在同一高度上。
分光子系统的装置包括：一个10微米光学狭缝，一个准直透镜，一个600 线反射光栅，一个聚焦透镜和一个国产手机摄像头。10微米光学狭缝用于得到相干性较好的入射光；准直透镜用于得到平行光线，选用双胶合透镜，直径为15毫米、系统焦距为54.88毫米；光栅作为分光器件，选用600线的波长范围为300-1000微米的反射光栅，用于将不同波长的光区分开来，便于分辨。光栅与光轴成约45度的夹角，手机与系统成约90度的夹角。
本实施例中聚焦透镜是国产手机摄像头内部的光学透镜，与收集图像的摄像头为一个整体，即聚焦透镜和摄像头均在手机中体现出来。
数据处理子系统主要利用Android Studio编程，根据建模结果，得到的图片是5个不同波长的肉眼可分辨的光斑，对该图片进行灰度化处理，计算出光斑的平均灰度值，再利用人工神经网络结合大数据处理得到的光谱数据建立糖度预测模型。
在一个实施例中，对上述水果糖度无损检测方法进行了仿真验证。
（1）硬件（光路设计）部分
为了更好地达到实验效果，利用ZAMX软件对光谱仪光路图进行仿真模拟。在模拟试验中待测水果为苹果。
具体元件要求：
1）狭缝宽度选择10微米；
2）以光栅为分光器件，使用的是600线的波长范围为300-1000微米的反射光栅；
3）探测器件为手机摄像头，手机内置芯片为索尼IMX650，手机型号P30 Pro。
预期在手机上呈现的效果可以将五个中心波长明显区分开来，仿真模拟得到分光效果图如图5所示，其中左图是横向分光效果，右图是纵向分光效果。
对于分光装置，光线入射口与出射口方向如图6所示，光线由上面进入分光装置，从与入射方向垂直的方向射出，进入到手机的传感器里面，从而得到反射光强度图像。
下面是ZAMX设计的具体过程：
（1）基本参数的输入
1）输入入瞳直径
选取的镜头的直径为15毫米，所以就选取入瞳直径也为15毫米。
2）波长的选取
苹果的特征波段有838nm，881nm，913nm，978nm，1005nm这五种，根据这五种波段选取ZAMX的入射光。LED光源参数如表1所示。
表1. LED光源参数
Figure 444539DEST_PATH_IMAGE003
（2）具体实现过程
1）将光束应用双胶合透镜准直
ZAMX软件中先应用点光源模拟经过狭缝（狭缝宽度为10微米或者50微米）线光源的一个中心点。实际光传输时对应分束的光线（分束好的线条光源）。
2）添加反射光栅
调节光栅入射角倾斜角度为30度（入射角度不唯一）。
调节光栅出射角倾斜角度（不唯一）：60.4度。
3）添加理想透镜模拟手机镜头
（3）ZAMX仿真结果
输入初始数据，在三维空间呈现的效果如图7所示，该光学系统的点列图如图8所示。
（4）仿真结果分析
由图7和图8可知，由不同波长的入射光弥散斑的分布可知，不同波长弥散斑都足够小，而且弥散斑之间的间隔足够大，完全可以区分不同波段的光，该结果已经满足苹果五个中心波长明显区分的要求，得到了比较理想的效果，不考虑像差对此光学系统的影响，该光学系统的硬件部分在理论上已经满足要求。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种水果糖度无损检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
通过手机摄像头获取近红外光照射待测水果时漫反射形成的待测散射图像。
对待测散射图像进行灰度化处理，获得待测灰度图片；根据待测灰度图片获得每个弥散斑的待测平均灰度值。
根据待测平均灰度值计算得到待测漫反射光强度。
获取多个与待测水果种类相同的水果的糖度含量及与糖度含量对应的漫反射光强度。
根据糖度含量、漫反射光强度以及人工神经网络算法，得到最终糖度预测模型。
根据待测漫反射光强度和最终糖度预测模型，得到待测水果的糖度含量。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：
对待测散射图像进行灰度化处理，获得待测灰度图片；根据待测灰度图片，利用编程计算的方法获得每个弥散斑的待测平均灰度值。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：
选取多个与待测水果种类相同的水果，组成样本集，将样本集分为训练集和测试集；通过手机摄像头获取近红外光照射训练集和测试集时漫反射形成的散射图像，得到训练集散射图像和测试集散射图像；对训练集散射图像和测试集散射图像进行灰度化处理，得到训练集灰度图片和测试集灰度图片；根据训练集灰度图片和测试集灰度图片，得到训练集平均灰度值和测试集平均灰度值；根据训练集平均灰度值计算得到训练集的漫反射光强度；根据测试集平均灰度值计算得到测试集的漫反射光强度；利用化学分析法测定训练集和测试集的糖度含量，得到训练集的糖度含量和测试集的糖度含量。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：
将训练集的漫反射光强度作为人工神经网络的输入，将训练集的糖度含量作为人工神经网络的输出，对人工神经网络进行训练获得预测模型；将测试集的漫反射光强度和测试集的糖度含量作为测试数据；利用测试数据对预测模型进行测试，得到最终糖度预测模型。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：人工神经网络算法为MATLAB人工神经网络算法。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：
将待测漫反射光强度输入到最终糖度预测模型，得到待测水果的糖度含量。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
通过手机摄像头获取近红外光照射待测水果时漫反射形成的待测散射图像。
对待测散射图像进行灰度化处理，获得待测灰度图片；根据待测灰度图片获得每个弥散斑的待测平均灰度值。
根据待测平均灰度值计算得到待测漫反射光强度。
获取多个与待测水果种类相同的水果的糖度含量及与糖度含量对应的漫反射光强度。
根据糖度含量、漫反射光强度以及人工神经网络算法，得到最终糖度预测模型。
根据待测漫反射光强度和最终糖度预测模型，得到待测水果的糖度含量。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对待测散射图像进行灰度化处理，获得待测灰度图片；根据待测灰度图片，利用编程计算的方法获得每个弥散斑的待测平均灰度值。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
选取多个与待测水果种类相同的水果，组成样本集，将样本集分为训练集和测试集；通过手机摄像头获取近红外光照射训练集和测试集时漫反射形成的散射图像，得到训练集散射图像和测试集散射图像；对训练集散射图像和测试集散射图像进行灰度化处理，得到训练集灰度图片和测试集灰度图片；根据训练集灰度图片和测试集灰度图片，得到训练集平均灰度值和测试集平均灰度值；根据训练集平均灰度值计算得到训练集的漫反射光强度；根据测试集平均灰度值计算得到测试集的漫反射光强度；利用化学分析法测定训练集和测试集的糖度含量，得到训练集的糖度含量和测试集的糖度含量。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将训练集的漫反射光强度作为人工神经网络的输入，将训练集的糖度含量作为人工神经网络的输出，对人工神经网络进行训练获得预测模型；将测试集的漫反射光强度和测试集的糖度含量作为测试数据；利用测试数据对预测模型进行测试，得到最终糖度预测模型。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：人工神经网络算法为MATLAB人工神经网络算法。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将待测漫反射光强度输入到最终糖度预测模型，得到待测水果的糖度含量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种水果糖度无损检测方法，其特征在于，所述方法包括：
通过手机摄像头获取近红外光照射待测水果时漫反射形成的待测散射图像；
对所述待测散射图像进行灰度化处理，获得待测灰度图片；根据所述待测灰度图片获得每个弥散斑的待测平均灰度值；
根据所述待测平均灰度值计算得到待测漫反射光强度；所述灰度值与入射光强度的关系式为：
Figure 19901DEST_PATH_IMAGE001
其中：
Figure 413973DEST_PATH_IMAGE002
代表灰度值；
Figure 107122DEST_PATH_IMAGE003
代表相对光强度；
Figure 699778DEST_PATH_IMAGE004
代表入射光照强度，相对光强度为所述待测漫反射光强度；
获取多个与所述待测水果种类相同的水果的糖度含量及与所述糖度含量对应的漫反射光强度；
根据所述糖度含量、所述漫反射光强度以及人工神经网络算法，得到最终糖度预测模型；
根据所述待测漫反射光强度和所述最终糖度预测模型，得到所述待测水果的糖度含量。
2.根据权利要求1所述的方法，其特征在于，对所述待测散射图像进行灰度化处理，获得待测灰度图片；根据所述待测灰度图片获得每个弥散斑的待测平均灰度值，包括：
对所述待测散射图像进行灰度化处理，获得待测灰度图片；
根据所述待测灰度图片，利用编程计算的方法获得每个弥散斑的待测平均灰度值。
3.根据权利要求1所述的方法，其特征在于，获取多个与所述待测水果种类相同的水果的糖度含量及与所述糖度含量对应的漫反射光强度，包括：
选取多个与待测水果种类相同的水果，组成样本集，将所述样本集分为训练集和测试集；
通过手机摄像头获取近红外光照射所述训练集和所述测试集时漫反射形成的散射图像，得到训练集散射图像和测试集散射图像；
对所述训练集散射图像和所述测试集散射图像进行灰度化处理，得到训练集灰度图片和测试集灰度图片；
根据所述训练集灰度图片和所述测试集灰度图片，得到训练集平均灰度值和测试集平均灰度值；
根据所述训练集平均灰度值计算得到训练集的漫反射光强度；
根据所述测试集平均灰度值计算得到测试集的漫反射光强度；
利用化学分析法测定所述训练集和所述测试集的糖度含量，得到训练集的糖度含量和测试集的糖度含量。
4.根据权利要求3所述的方法，其特征在于，所述糖度含量是样本集的糖度含量，包括所述训练集的糖度含量和所述测试集的糖度含量；
所述漫反射光强度是样本集的漫反射光强度，包括所述训练集的漫反射光强度和所述测试集的漫反射光强度；
根据所述糖度含量、所述漫反射光强度以及人工神经网络算法，得到最终糖度预测模型，包括：
将所述训练集的漫反射光强度作为人工神经网络的输入，将训练集的糖度含量作为人工神经网络的输出，对所述人工神经网络进行训练获得预测模型；
将所述测试集的漫反射光强度和所述测试集的糖度含量作为测试数据；利用所述测试数据对所述预测模型进行测试，得到最终糖度预测模型。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述人工神经网络算法为MATLAB人工神经网络算法。
6.根据权利要求1所述的方法，其特征在于，根据所述待测漫反射光强度和所述最终糖度预测模型，得到所述待测水果的糖度含量，包括：
将所述待测漫反射光强度输入到所述最终糖度预测模型，得到所述待测水果的糖度含量。
7.一种水果糖度无损检测装置，其特征在于，所述装置包括：
散射图像获取模块，用于获取近红外光照射待测水果时漫反射形成的待测散射图像；
平均灰度值确定模块，用于通过手机摄像头对所述待测散射图像进行灰度化处理，获得待测灰度图片；根据所述待测灰度图片获得每个弥散斑的待测平均灰度值；
漫反射光强度确定模块，用于根据所述待测平均灰度值计算得到待测漫反射光强度；所述灰度值与入射光强度的关系式为：
Figure 187391DEST_PATH_IMAGE001
其中：
Figure 865497DEST_PATH_IMAGE002
代表灰度值；
Figure 96758DEST_PATH_IMAGE003
代表相对光强度；
Figure 481603DEST_PATH_IMAGE004
代表入射光照强度，相对光强度为所述待测漫反射光强度；
样本数据获取模块，用于获取多个与所述待测水果种类相同的水果的糖度含量及与所述糖度含量对应的漫反射光强度；
糖度预测模型确定模块，用于根据所述糖度含量、所述漫反射光强度以及人工神经网络算法，得到最终糖度预测模型；
糖度含量确定模块，用于根据所述待测漫反射光强度和所述最终糖度预测模型，得到所述待测水果的糖度含量。
8.根据权利要求7所述的装置，其特征在于，平均灰度值确定模块还用于对所述待测散射图像进行灰度化处理，获得待测灰度图片；根据所述待测灰度图片，利用编程计算的方法获得每个弥散斑的待测平均灰度值。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202110139425.0A 2021-02-02 2021-02-02 水果糖度无损检测方法、装置、计算机设备和存储介质 Active CN112465077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110139425.0A CN112465077B (zh) 2021-02-02 2021-02-02 水果糖度无损检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110139425.0A CN112465077B (zh) 2021-02-02 2021-02-02 水果糖度无损检测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112465077A CN112465077A (zh) 2021-03-09
CN112465077B true CN112465077B (zh) 2021-04-16

Family

ID=74802818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110139425.0A Active CN112465077B (zh) 2021-02-02 2021-02-02 水果糖度无损检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112465077B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113418874A (zh) * 2021-03-15 2021-09-21 安徽工业技术创新研究院六安院 面向果实品质检测的高光谱图像重构方法及检测方法
CN113160095B (zh) * 2021-05-25 2023-05-19 烟台艾睿光电科技有限公司 红外探测信号伪彩处理方法、装置、系统及存储介质
CN113655017B (zh) * 2021-06-30 2022-10-21 浙江大学 一种智能手机连用的无损糖度检测装置及其检测方法
CN113686803A (zh) * 2021-08-11 2021-11-23 哈尔滨工业大学 基于智能手机的苹果糖度无损测量装置及方法
CN113655038B (zh) * 2021-08-24 2023-09-22 南昌航空大学 一种用智能手机无损检测水果糖度的方法
CN114235723B (zh) * 2021-11-04 2024-04-02 福建师范大学 一种水果内在品质的无损测量方法及终端
CN114166752A (zh) * 2021-12-08 2022-03-11 江苏师范大学 一种基于智能手机的苹果无损糖度检测仪及其检测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6137581A (en) * 1998-05-15 2000-10-24 Mitsui Mining & Smelting Co., Ltd. Measurement apparatus for measuring internal quality of object
CN108596123A (zh) * 2018-04-28 2018-09-28 山东师范大学 一种基于高光谱分析的水果硬度检测方法及装置
JP7383629B2 (ja) * 2018-10-10 2023-11-20 株式会社半導体エネルギー研究所 検査装置
CN110781889B (zh) * 2019-10-26 2022-02-08 苏州大学 一种基于深度学习的蓝莓果实中总糖含量的无损检测方法
CN110826552A (zh) * 2019-11-05 2020-02-21 华中农业大学 基于深度学习的葡萄无损自动检测装置及其方法
CN111551499B (zh) * 2020-04-28 2023-07-04 中国农业科学院农业信息研究所 果实糖分含量的测量方法、装置、计算机设备及存储介质
CN111982835A (zh) * 2020-08-17 2020-11-24 吉林求是光谱数据科技有限公司 一种基于硅基多光谱芯片的水果糖度无损检测装置及方法

Also Published As

Publication number Publication date
CN112465077A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN112465077B (zh) 水果糖度无损检测方法、装置、计算机设备和存储介质
Zhang et al. Nondestructive measurement of soluble solids content in apple using near infrared hyperspectral imaging coupled with wavelength selection algorithm
Yu et al. Development of deep learning method for predicting firmness and soluble solid content of postharvest Korla fragrant pear using Vis/NIR hyperspectral reflectance imaging
Fan et al. Prediction of soluble solids content of apple using the combination of spectra and textural features of hyperspectral reflectance imaging data
Dong et al. Nondestructive determination of apple internal qualities using near-infrared hyperspectral reflectance imaging
Boldrini et al. Hyperspectral imaging: a review of best practice, performance and pitfalls for in-line and on-line applications
Zhang et al. Fast prediction of sugar content in dangshan pear (Pyrus spp.) using hyperspectral imagery data
Peng et al. Prediction of apple fruit firmness and soluble solids content using characteristics of multispectral scattering images
Lin et al. Freshness measurement of eggs using near infrared (NIR) spectroscopy and multivariate data analysis
Cen et al. Assessing multiple quality attributes of peaches using optical absorption and scattering properties
CN102879353A (zh) 近红外检测花生中蛋白质组分含量的方法
Li et al. Wavelength selection method for near-infrared spectroscopy based on standard-sample calibration transfer of mango and apple
Li et al. Seasonal change of leaf and woody area profiles in a midlatitude deciduous forest canopy from classified dual-wavelength terrestrial lidar point clouds
Fernandes et al. Comparison between neural networks and partial least squares for intra-growth ring wood density measurement with hyperspectral imaging
Edwards et al. Non-destructive spectroscopic and imaging techniques for the detection of processed meat fraud
Zhang et al. Visual detection of apple bruises using AdaBoost algorithm and hyperspectral imaging
JPWO2016080442A1 (ja) 品質評価方法及び品質評価装置
Liu et al. Nondestructive freshness evaluation of intact prawns (Fenneropenaeus chinensis) using line-scan spatially offset Raman spectroscopy
Xu et al. Quantitative evaluation of impact damage to apple by hyperspectral imaging and mechanical parameters
Wang et al. Grading detection of “Red Fuji” apple in Luochuan based on machine vision and near-infrared spectroscopy
Cen et al. Peach maturity/quality assessment using hyperspectral imaging-based spatially resolved technique
Yao et al. Non-destructive determination of soluble solids content in intact apples using a self-made portable NIR diffuse reflectance instrument
Qi et al. Rapid and non-destructive determination of soluble solid content of crown pear by visible/near-infrared spectroscopy with deep learning regression
CN117491293A (zh) 一种基于高光谱的高陡岸坡碳酸盐岩体溶蚀快速评估方法
Xin et al. Construction of spectral detection models to evaluate soluble solids content and acidity in Dangshan pear using two different sensors

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