CN112964719B - 一种基于高光谱的食品果糖检测方法及装置 - Google Patents

Abstract

本申请公开了一种基于高光谱的食品果糖检测方法及装置，方法包括：接收待测产品对应的原始高光谱图像；对原始高光谱图像分别进行中值滤波处理以及矢量归一化处理，得到待测高光谱图像；基于偏最小二乘法，通过预存的待测产品对应的波长‑糖度样本库，构建糖度检测模型；将预设特征波长下的待测高光谱图像，输入到糖度检测模型中，以确定待测产品对应的糖度值；将待测产品对应的糖度值进行可视化处理。本申请实施例提供的检测方法通过对原始高光谱图像进行处理以及通过糖度检测模型，保证了利用高光谱进行食品糖度等检测结果的准确性。

Description

一种基于高光谱的食品果糖检测方法及装置

技术领域

本申请涉及高光谱图像技术领域，尤其涉及一种基于高光谱的食品果糖检测方法及装置。

背景技术

含糖量是评价新鲜水果内部品质的重要指标，检测含糖量常见的方法有手持式糖量计法和近红外光谱法等。以手持糖量计测果糖含量的方法需要先取一部分果肉压出果汁，再将果汁涂布在折光镜上读取示数，这种方法是以损坏测量水果的完整性为代价的；近红外光谱法不会破坏水果的外部完整性，但是仅能获取一维光谱信息，无法结合被成像物体的图像信息进行处理。

与之相比，高光谱成像技术不仅以线扫描的方式对水果进行无损检测，而且获得的信量更加丰富，既包含空间域信息，又包含光谱域信息，既节约了检测时间，又节省了大人力。目前，高光谱成像技术用于果蔬品质检测的研究已相当广泛，但是在现实生活中，使用高光谱成像技术检测果蔬品质时，检测结果的精准度还不能令人满意。

发明内容

本申请实施例提供了一种基于高光谱的食品果糖检测方法及装置，用以解决现有技术中采用高光谱成像技术对食品含糖量进行检测时，得到的检测结果不够精确的技术问题。

一方面，本申请实施例提供了一种基于高光谱的食品果糖检测方法，方法包括：接收待测产品对应的原始高光谱图像；对原始高光谱图像分别进行中值滤波处理以及矢量归一化处理，得到待测高光谱图像。基于偏最小二乘法，通过预存的待测产品对应的波长-糖度样本库，构建糖度检测模型；将预设特征波长下的待测高光谱图像，输入到糖度检测模型中，以确定待测产品对应的糖度值；将待测产品对应的糖度值进行可视化处理。

本申请实施例提供的食品果糖检测方法，在获取到高光谱图像之后，首先会对高光谱图像进行图像处理，然后进行光谱处理；基于处理后的高光谱图像进行食品糖度检测，使得采集的高光谱图像能够真实的反映待检测食品，进而保证了检测结果的准确性。另外，通过偏最小二乘法构建糖度检测模型，进一步保证了检测结果的准确性。

在本申请的一种实现方式中，在接收待测产品对应的原始高光谱图像之前，所述方法还包括：确定待测产品群体的组合方式；其中，所述组合方式包括以下任一项或者多项：捆绑组合、排列组合以及随机组合。基于所述待测产品群体的组合方式，以预设规则确定所述待测产品。确定所述待测产品完成产品预处理流程；其中，所述产品预处理流程包括以下任一项或者多项：预设洗液清洗、晾晒、烘干、去皮。

本申请实施例提供的检测方法中，在确定待测产品之前，针对待测产品群体对应的不同组合方式，以合适的规则去选取待测产品，使得选出的待测产品能够代表群体，进而保证了待测产品的检测结果真实反映待测产品群体的检测结果，在实际的检测过程中，提高了该检测方法的适应性及实用性。

在本申请的一种实现方式中，对所述原始高光谱图像分别进行中值滤波处理以及矢量归一化处理，具体包括：确定所述原始高光谱图像对应的像素值。将所述像素值以大小关系进行顺序排列后，确定第一边界像素值以及第二边界像素值；其中，所述第一边界像素值大于所述第二边界像素值。在所述原始高光谱图像中，剔除像素值大于所述第一边界像素值的若干像素点，以及剔除像素值小于所述第二边界像素值的若干像素点。对所述原始高光谱图像中剩余的像素点对应的像素值进行平均值计算。

在本申请的一种实现方式中，对所述原始高光谱图像分别进行中值滤波处理以及矢量归一化处理，还包括：确定所述原始高光谱图像对应的所有光谱，并计算所述所有光谱对应的光谱平均值；计算所述原始高光谱图像中的任一光谱与所述光谱平均值之间的差值；确定所述差值与所述所有光谱对应的平方和之间的比值，为所述任一光谱对应的归一化光谱。

本申请实施例提出的检测方法中，在对待测产品对应的高光谱图像进行检测之前，首先通过对高光谱图像进行中值滤波处理实现图像处理，然后再对其进行矢量归一化处理实现光谱处理，在经过两次处理过程之后，高光谱图像有效的去除了噪音及其他可能影响检测结果的因素，从而保证了检测结果的准确性。

在本申请的一种实现方式中，所述基于偏最小二乘法，通过预存的所述待测产品对应的波长-糖度样本库，构建糖度检测模型，具体包括：将所述波长-糖度样本库中的所有样本按照2:1的比例进行划分，以得到建模集与验证集。确定所述糖度检测模型对应的建模因子。基于所述建模因子，对所述建模集中的样本进行回归拟合，以得到所述糖度检测模型。通过所述验证集对所述糖度检测模型进行验证及优化。

在本申请的一种实现方式中，在确定所述糖度检测模型对应的建模因子之后，所述方法还包括：确定第一建模因子及第二建模因子参与建模时的第一误差平方和，以及确定第二建模因子参与建模时的第二误差平方和。其中，所述第一误差平方和与所述第二误差平方和均用于表征任一样本下，糖度样本值与糖度预测值之间的差值平方和。确定所述第一误差平方和与所述第二误差平方和之间的差值，并计算所述差值与所述第二误差平方和之间的比值。在所述比值大于第一预设阈值的情况下，剔除所述第一建模因子。

本申请提出的检测方法中，在构建糖度检测模型时，根据误差平方和对建模因子进行剔除，保证了建立出的模型的准确性，进而保证了通过该模型检测出的食品糖度的准确性。

在本申请的一种实现方式中，通过所述验证集对所述糖度检测模型进行验证及优化，具体包括：将所述验证集中的波长数据输入至所述糖度检测模型中，得到相应的糖度数据预测值。计算所述糖度数据预测值与所述验证集中的波长数据对应的糖度数据之间的误差。在所述误差大于第二预设阈值时，调整所述糖度检测模型中的建模因子，以对所述糖度检测模型进行优化。

在本申请的一种实现方式中，在构建糖度检测模型之后，所述方法还包括：基于所述待测高光谱图像对应的波长，构建初始波长子集。其中，所述初始波长子集中包含所述高光谱图像对应的所有波长；在所述初始波长子集中，以预设规则提取候选波长子集，并将所述候选波长子集作为新的初始波长子集，直至完成预设数量次提取。计算所述新的初始波长子集中，各波长对应的选中概率。其中，所述选中概率用于指示所述新的初始波长子集中，各波长被选为特征波长的概率。基于所述各波长对应的选中概率，确定所述预设特征波长。

在本申请的一种实现方式中，将所述待测产品对应的糖度值进行可视化处理，具体包括：根据所述待测产品对应的糖度值，生成所述待测产品对应的灰度图像。对所述灰度图像进行伪彩色处理，得到所述待测产品对应的糖度可视化彩色分布图。

另一方面，本申请实施例还提供了一种基于高光谱的食品果糖检测装置，所述装置包括：接收模块，用于接收待测产品对应的原始高光谱图像。第一处理模块，用于对所述原始高光谱图像分别进行中值滤波处理以及矢量归一化处理，得到待测高光谱图像。构建模块，用于基于偏最小二乘法，通过预存的所述待测产品对应的波长-糖度样本库，构建糖度检测模型。确定模块，将预设特征波长下的待测高光谱图像，输入到所述糖度检测模型中，以确定所述待测产品对应的糖度值。第二处理模块，用于将所述待测产品对应的糖度值进行可视化处理。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的一种基于高光谱的食品果糖检测方法流程图；

图2为本申请实施例提供的一种基于高光谱的食品果糖检测装置内部结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本申请实施例提供了一种基于高光谱的食品果糖检测方法，下面通过附图对本申请实施例提出的技术方案进行详细的说明。

图1为本申请实施例提供的一种基于高光谱的食品果糖检测方法流程图。如图1所示，方法包括：

S101、接收待测产品对应的原始高光谱图像。

高光谱成像技术是通过分光技术将入射光线进行细致地分割，对成像目标物在紫外至近红外的几十甚至上百个连续窄波带上成像，光谱分辨率可达到纳米数量级，因此，高光谱图像中某一像素的所有波段的光谱反射率可以表示成一条连续的曲线，同时每个波段都能呈现其空间图像信息。其数据结构是三维数据体，既包含了物体的二维空间信息，又包含了物体在不同波段上的光谱反射信息，实现了光谱与图像的结合。

因此，本申请实施例提出的检测方法中，通过待测产品的高光谱图像，实现待测产品的检测过程。

具体地，在接收待测产品对应的高光谱图像之前，首先在待测产品群体中确定出待测产品。需要说明的是，本申请实施例中的待测产品群体指的是待测产品对应的整个群体。例如，待测产品是苹果，那么待测产品群体就是整箱苹果。

在一个实施例中，由于在实际应用过程中，在检测一批待测产品时，我们常常需要面对待测产品的各种组合，例如一捆青菜、一箱水果，组合方式不同，我们抽取待测产品的方法也不一样。因此，在接收待测产品对应的原始高光图谱之前，首先需要确定待测产品群体的组合方式，这里的组合方式包括：捆绑组合，例如一捆蔬菜；排列组合，例如排排列整齐的苹果；随机组合，例如一箱散乱的苹果。在确定待测产品群体的组合方式后，再基于组合方式，通过预设规则确定如何选取待测产品中的一部分作为样本进行检测，例如，待测产品是一捆蔬菜时，我们可以抽取少量中间蔬菜以及适量的外圈蔬菜作为样本，若是一箱散乱的苹果，则可以随机抽取样本用以检测。

进一步地，确定抽取的待测产品之后，再根据待测产品的种类进行高光谱成像前的预处理流程。例如预设洗液清洗、晾晒、烘干、去皮等操作。待测产品的种类不同，所需要的预处理流程也不相同。这里的预设洗液指的是可以将产品表面污渍、灰尘、农药残留等影响高光谱成像的因素洗去的液体，晾晒、烘干是为了将待测产品表面的洗液去除，并防止留下液渍，降低对高光谱成像的影响。

例如想要检测一批苹果的糖度值，需要先确定这批待测苹果是怎样组合在一起的，零散装箱或是整齐排列，如果是零散装箱，则随机抽取一部分苹果作为待测产品。确定苹果的预处理流程，使用苹果种类的预设洗液进行清洗、晾晒、烘干。

更进一步地，在确定完待测产品，以及对待测产品完成预处理之后，采集待测产品对应的高光谱图像。需要说明的是，本申请实施例中的高光谱图像可通过现有设备采集，例如通过现有的高光谱成像系统（包括光源、分光计、CCD相机）采集高光谱图像。

在高光谱成像系统采集完待测产品对应的高光谱图像之后，计算机设备接收该高光谱图像。

S102、对所述原始高光谱图像分别进行中值滤波处理以及矢量归一化处理，得到待测高光谱图像。

高光谱成像技术在提供丰富信息量的同时也存在数据量大且冗余度高、处理时间长等弱点，甚至会导致维数灾难，即因维数过多且冗余度高而使分类精度降低的现象。因此，在实际应用中，我们需要对原始高光谱图像数据进行处理。

本申请实施例采用中值滤波处理对原始高光谱图像进行图像处理，以及通过矢量归一化处理方式对高光谱图像进行光谱处理，最终得到待测高光谱图像。其中，中值滤波能够有效抑制图像噪声，减少模糊图像的边缘，它不仅可以消除孤立噪声点，对稍密集的噪声点也有较好的除噪效果。而矢量归一化处理则可以降低光程变化和样品稀释对光谱产生的影响，将经过处理后的图像数据命名为待测高光谱图像。

具体地，本申请实施例中对原始高光谱图像进行中值滤波处理，主要包括：首先，确定原始高光谱图像对应的每一个像素值，将像素值进行大小排列，并确定其中两个像素值分别作为第一边界像素值和第二边界像素值。其中，第一边界像素值大于第二边界像素值。其次，在原始高光谱图像中，将大于第一边界像素值，以及小于第二边界像素值的像素点剔除，以抑制图像噪声，减少模糊图像的边缘，这种预处理方式有助于对孤立噪声点的消除，也能对略微密集的噪声点进行除噪。最后，对原始高光谱图像中剩余的像素点对应的像素值进行平均值计算，以得到中值滤波处理之后的高光谱图像。

进一步地，对原始高光谱图像进行矢量归一化处理，主要包括：确定对待测产品进行高光谱成像得到的原始高光谱图像对应的所有光谱，并计算所有光谱对应的光谱平均值；计算原始高光谱图像中的任一光谱与光谱平均值之间的光谱差值，然后再计算这个光谱差值与所有光谱对应的平方和之间的比值，这个比值就是任一光谱对应的归一化光谱。这种处理方法可以降低光程变化和样品稀释对光谱产生的影响，增加建模过程中数据的精确度。

需要说明的是，本申请实施例中的对原始高光谱图像进行中值滤波处理以及矢量归一化处理之后，得到待测高光谱图像。但在具体的处理过程中，两个处理过程的执行的顺序并不限定。即本申请实施例中可以先对原始高光谱图像进行中值滤波处理，然后对中值滤波处理后的高光谱图像进行矢量归一化处理；也可以先对原始高光谱图像进行矢量归一化处理，然后对矢量归一化处理后的高光谱图像进行中值滤波处理。

在经过上述两个处理过程之后，将原始高光谱图像转换为待测高光谱图像。

S103、基于偏最小二乘法，通过预存的所述待测产品对应的波长-糖度样本库，构建糖度检测模型。

偏最小二乘回归方法集多元线性回归、主成分分析和典型相关分析于一体，而且能够消除由于样本数远小于自变量数而引起的多重共线性，并且与其他多元校正方法相比对于变量的约束最少。将偏最小二乘法应用于高光谱成像技术的数据建模，能够有效避免因样本数量远远少于变量数而引起的多重共线性问题，因此具有重要的实际价值。

基于偏最小二乘法，再根据预存好的待测产品对应的波长-糖度样本库，构建糖度检测模型，主要包括以下实现过程：首先，将波长-糖度样本库中的所有样本按照2:1的比例进行划分，其中三分之二作为建模集，用以建立糖度检测模型，另外三分之一的样本作为验证集，用以鉴定糖度检测模型的精准度。然后，确定糖度检测模型建立过程中所需要的建模因子。需要说明的是，本申请实施例中的建模因子可以通过现有的偏最小二乘法模型建立过程中采用的建模因子确定方法实现，本申请实施例对此不作赘述。然后，基于确定好的建模因子，对建模集中的样本进行回归拟合，以得到糖度检测模型。最后，通过验证集对糖度检测模型进行验证及优化。

需要说明的是，本申请实施例中的波长-糖度样本库是与待测产品对应的。即如果待测产品为苹果，那建模所用的波长-糖度样本库也是根据苹果建立的波长-糖度样本库。

进一步地，为避免选择某些低效因子影响建模结果，本申请中的糖度检测模型在建立过程中，会对选出的建模因子进行筛选。具体地，在确定出的建模因子中，任意选取两个建模因子（第一建模因子与第二建模因子）。然后计算得到第一建模因子与第二建模因子都参与建模时的第一误差平方和，以及仅有第二建模因子参与建模时的第二误差平方和。其中，所述第一误差平方和与所述第二误差平方和都可以用来表示任意一个样本下，糖度样本值与糖度预测值之间的差值平方和。计算得到第一误差平方和减去第二误差平方和得到的误差平方和的差值，并计算误差平方和的差值与第二误差平方和之间的比值。在比值大于第一预设阈值的情况下，剔除所述第一建模因子。

即最佳建模因子数是由h个建模因子参与建模时，累积预测误差平方和(S_PRESS,h)取得最低值时对应的建模因子数确定，如下方公式所示。

，

在公式中，并非每个因子对降低S_PRESS,h都起到必要的作用。因此，本申请实施例在决定是否选择选择第h个因子参与建模之前增添约束条件，即

，

其中，S_PRESS,h表示选择前h个因子（第一建模因子与第二建模因子都参与建模）建模时的S_PRESS值；(S_PRESS,h-1)表示选择前h-1个因子（仅有第二建模因子参与建模）建模时的S_PRESS。当P_h<θ时，第h个因子被选入参与建模，当P_h>θ时，第h个因子被舍弃，不参与建模。

其中，θ表示上述第一预设阈值，其具体的取值可以根据实际模型要求进行调整。

更进一步地，本申请实施例中最后对糖度检测模型进行优化时，也会对建模因子进行调整。具体地，将验证集中的波长数据输入至建立好的糖度检测模型中，得到相应的糖度数据预测值。计算糖度数据预测值与验证集中的波长数据对应的糖度数据之间的误差。如果误差大于第二预设阈值时，调整构建好的糖度检测模型中的建模因子，例如将对建模影响度较低的建模因子去除。这里的第二预设阈值是人为设置的并可以随时调整，以对糖度检测模型进行优化。

需要说明的是，模型优化过程中的建模因子调整，与模型建立过程中的建模因子调整并不相同。前者是根据不同建模因子的影响度进行更换，一般不会选择剔除建模因子；而后者是在建模过程中不断的选取、剔除建模因子的过程。

至此，完成糖度检测模型的构建过程。

S104、将预设特征波长下的待测高光谱图像，输入到所述糖度检测模型中，以确定所述待测产品对应的糖度值。

在糖度检测模型建立好后，提取待测高光谱图像中的特征波长。本申请实施例中，由于高光谱图像具有非常高的光谱分辨率，在光谱维几乎可以达到连续的程度。然而并非每一个波长上的信息对预测模型的精度都有相同的贡献。特征波长选择的思想就是在保证模型预测能力的前提下，从全部波长中选择少数贡献较大的、所含信息较多的波长进行预测，从而达到减小建模计算量，降低无关信息干扰的效果。将提取好的特征波长输入到糖度检测模型，由于检测模型中含有波长-糖度的对应关系，因此我们可以得到特征波长对应的糖度值，即待测产品对应的糖度值。

在本申请的一个实施例中，待测高光谱图像特征波长的选取，具体通过以下过程实现，首先，根据待测高光谱图像对应的波长建立初始波长子集。初始波长子集包含高光谱图像对应的所有波长。在初始波长子集中，以预设规则提取候选波长子集，预设规则可以是尽量提取具有代表性的波长或具有普遍性的波长。然后，将候选波长子集作为新的初始波长子集，直至完成预设数量次提取，例如迭代五次到十次之后，不再提取候选波长子集。此时，得到最新的初始波长子集。

进一步地，完成预设数量次的提取后，计算最新的初始波长子集中，各波长对应的选中概率。其中，此处的选中概率用于指示最新的初始波长子集中，各波长被选为特征波长的概率。最后，基于各波长对应的选中概率，可从高至低排列，以确定预设特征波长。采用上述方法提取特征波长依据不同的变量具有不同的被选择可能性, 通过多次迭代, 计算每个变量被选择的概率, 选择概率高的变量为特征波长。这一算法概念简单，调整的参数少，计算速度快，全局搜索寻优能力强，且易于实现。

还需要说明的是，本申请实施例中的待测高光谱图像对应的特征波长，也可以通过遗传算法实现，本申请实施例对此不作限定。

在确定完待测高光谱图像对应特征波长之后，将该特征波长下的高光谱图像，输入至糖度检测模型中，以得到该高光谱图像对应的糖度值，即待测产品对应的糖度值。

S105，将所述待测产品对应的糖度值进行可视化处理。

高光谱成像技术虽然信息丰富，既包含光谱信息又包含图像空间信息，但是数据量庞大，而且存在严重的数据冗余情况，给数据处理带来了极大的不便。同时，以数据处理的形式来反映待测产品的糖度并不能给人以直观的感受。因此，本申请实施例通过图像色度的差异来反映待测产品糖度的差异。

在本申请的一个实施例中，得到待测产品对应的糖度值之后，首先生成待测产品对应的灰度图像。例如，0-100的灰度值可以对应待测产品不同程度的糖度值。某种蔬菜的糖度值区间为10%-30%，则使每5点灰度值对应1%的糖度值。生成灰度图像后，可通过对灰度图像进行伪彩色处理，得到待测产品对应的糖度可视化彩色分布图。需要说明的是，将灰度图像转换成彩色图像，可通过现有的算法或者软件实现，本申请实施例在此不作赘述。

以上为本申请提出的方法实施例，基于同样的发明构思，本申请实施例还提供了一种基于高光谱的食品果糖检测装置。其内部结构示意图如图2所示。

如图2所示，装置包括：接收模块201、第一处理模块202、构建模块203、确定模块204以及第二处理模块205。

其中，接收模块201，用于接收待测产品对应的原始高光谱图像。第一处理模块202，用于对原始高光谱图像分别进行中值滤波处理以及矢量归一化处理，得到待测高光谱图像。具体地，确定原始高光谱图像对应的像素值；将像素值以大小关系进行顺序排列后，确定第一边界像素值以及第二边界像素值；其中，第一边界像素值大于第二边界像素值；在原始高光谱图像中，剔除像素值大于第一边界像素值的若干像素点，以及剔除像素值小于所述第二边界像素值的若干像素点；对原始高光谱图像中剩余的像素点对应的像素值进行平均值计算。以及，确定原始高光谱图像对应的所有光谱，并计算所有光谱对应的光谱平均值；计算原始高光谱图像中的任一光谱与光谱平均值之间的差值；确定差值与所有光谱对应的平方和之间的比值，为任一光谱对应的归一化光谱。构建模块203，用于基于偏最小二乘法，通过预存的待测产品对应的波长-糖度样本库，构建糖度检测模型。确定模块204，将预设特征波长下的待测高光谱图像，输入到糖度检测模型中，以确定待测产品对应的糖度值。第二处理模块205，用于将待测产品对应的糖度值进行可视化处理，具体包括：根据待测产品对应的糖度值，生成待测产品对应的灰度图像；对灰度图像进行伪彩色处理，得到待测产品对应的糖度可视化彩色分布图。

在本申请的一个实施例中，接收模块201还用于，确定待测产品群体的组合方式；其中，组合方式包括以下任一项或者多项：捆绑组合、排列组合以及随机组合；基于待测产品群体的组合方式，以预设规则确定所述待测产品；确定待测产品完成产品预处理流程；其中，产品预处理流程包括以下任一项或者多项：预设洗液清洗、晾晒、烘干、去皮。

在本申请的一个实施例中，构建模块203还用于，将波长-糖度样本库中的所有样本按照2:1的比例进行划分，以得到建模集与验证集；确定糖度检测模型对应的建模因子；基于建模因子，对建模集中的样本进行回归拟合，以得到糖度检测模型；通过验证集对糖度检测模型进行验证及优化。以及用于，确定第一建模因子及第二建模因子参与建模时的第一误差平方和，以及确定第二建模因子参与建模时的第二误差平方和；其中，第一误差平方和与第二误差平方和均用于表征任一样本下，糖度样本值与糖度预测值之间的差值平方和；确定第一误差平方和与第二误差平方和之间的差值，并计算差值与第二误差平方和之间的比值；在比值大于第一预设阈值的情况下，剔除第一建模因子。

构建模块203，还用于将验证集中的波长数据输入至糖度检测模型中，得到相应的糖度数据预测值；计算糖度数据预测值与所述验证集中的波长数据对应的糖度数据之间的误差；在误差大于第二预设阈值时，调整糖度检测模型中的建模因子，以对糖度检测模型进行优化。

在本申请的一个实施例中，确定模块205还用于，基于待测高光谱图像对应的波长，构建初始波长子集；其中，初始波长子集中包含高光谱图像对应的所有波长；在初始波长子集中，以预设规则提取候选波长子集，并将候选波长子集作为新的初始波长子集，直至完成预设数量次提取；计算新的初始波长子集中，各波长对应的选中概率；其中，选中概率用于指示新的初始波长子集中，各波长被选为特征波长的概率；基于各波长对应的选中概率，确定预设特征波长。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (2)

1.一种基于高光谱的食品果糖检测方法，其特征在于，所述方法包括：

确定待测产品群体的组合方式；其中，所述组合方式包括捆绑组合；所述捆绑组合包括一捆蔬菜；

基于所述待测产品群体的组合方式，以预设规则确定所述待测产品，具体包括：

在确定待测产品群体的组合方式后，再基于所述组合方式，通过预设规则选取待测产品中的一部分作为样本进行检测；在所述待测产品是一捆蔬菜的情况下，抽取少量中间蔬菜以及适量的外圈蔬菜作为样本；

根据待测产品的种类确定所述待测产品的预处理流程；其中，待测产品的种类不同，所确定的预处理流程也不相同；所述待测产品的预处理流程包括以下任一项或者多项：预设洗液清洗、晾晒、烘干、去皮；

接收待测产品对应的原始高光谱图像；

对所述原始高光谱图像分别进行中值滤波处理以及矢量归一化处理，得到待测高光谱图像，具体包括：

确定所述原始高光谱图像对应的像素值；

将所述像素值以大小关系进行顺序排列后，确定第一边界像素值以及第二边界像素值；其中，所述第一边界像素值大于所述第二边界像素值；

在所述原始高光谱图像中，剔除像素值大于所述第一边界像素值的若干像素点，以及剔除像素值小于所述第二边界像素值的若干像素点；

对所述原始高光谱图像中剩余的像素点对应的像素值进行平均值计算；

确定所述原始高光谱图像对应的所有光谱，并计算所述所有光谱对应的光谱平均值；

计算所述原始高光谱图像中的任一光谱与所述光谱平均值之间的差值；

确定所述差值与所述所有光谱对应的平方和之间的比值，为所述任一光谱对应的归一化光谱；

基于偏最小二乘法，通过预存的所述待测产品对应的波长-糖度样本库，构建糖度检测模型，具体包括：

将所述波长-糖度样本库中的所有样本按照2:1的比例进行划分，以得到建模集与验证集；

确定所述糖度检测模型对应的建模因子；

在确定出的建模因子中，任意选取两个建模因子，得到第一建模因子与第二建模因子；

确定第一建模因子及第二建模因子参与建模时的第一误差平方和，以及确定第二建模因子参与建模时的第二误差平方和；其中，所述第一误差平方和与所述第二误差平方和均用于表征任一样本下，糖度样本值与糖度预测值之间的差值平方和；

确定所述第一误差平方和与所述第二误差平方和之间的差值，并计算所述差值与所述第二误差平方和之间的比值；

在所述比值大于第一预设阈值的情况下，剔除所述第一建模因子；

基于所述建模因子，对所述建模集中的样本进行回归拟合，以得到所述糖度检测模型；

通过所述验证集对所述糖度检测模型进行验证及优化；

基于所述待测高光谱图像对应的波长，构建初始波长子集；其中，所述初始波长子集中包含所述待测高光谱图像对应的所有波长；

在所述初始波长子集中，以预设规则提取候选波长子集，并将所述候选波长子集作为新的初始波长子集，直至完成预设数量次提取；其中，所述预设规则为：提取具有代表性的波长；

完成预设数量次提取后，计算最新的初始波长子集中，各波长对应的选中概率；其中，所述选中概率用于指示所述最新的初始波长子集中，各波长被选为特征波长的概率；

基于所述各波长对应的选中概率，确定特征波长，具体包括：

将所述各波长对应的选中概率从高至低排列，以确定特征波长；其中，提取特征波长依据不同的变量具有不同的被选择可能性，通过多次迭代，计算每个变量被选择的概率，选择概率高的变量为特征波长；

将特征波长下的待测高光谱图像，输入到所述糖度检测模型中，以确定所述待测产品对应的糖度值；

通过所述验证集对所述糖度检测模型进行验证及优化，具体包括：

将所述验证集中的波长数据输入至所述糖度检测模型中，得到相应的糖度数据预测值；

计算所述糖度数据预测值与所述验证集中的波长数据对应的糖度数据之间的误差；

在所述误差大于第二预设阈值时，调整所述糖度检测模型中的建模因子，以对所述糖度检测模型进行优化；其中，所述第二预设阈值是人为设置的并可以随时调整；

将所述待测产品对应的糖度值进行可视化处理，具体包括：

通过0-100的灰度值，对应所述待测产品中的糖度值；

根据所述待测产品对应的糖度值，生成所述待测产品对应的灰度图像；

对所述灰度图像进行伪彩色处理，得到所述待测产品对应的糖度可视化彩色分布图，通过图像色度的差异反映待测产品糖度的差异。

2.一种基于高光谱的食品果糖检测装置，其特征在于，所述装置包括：

确定模块，用于确定待测产品群体的组合方式；其中，所述组合方式包括捆绑组合；所述捆绑组合包括一捆蔬菜；基于所述待测产品群体的组合方式，以预设规则选取所述待测产品中的一部分作为样本进行检测；在所述待测产品是一捆蔬菜的情况下，抽取少量中间蔬菜以及适量的外圈蔬菜作为样本；根据待测产品的种类确定所述待测产品的预处理流程；其中，待测产品的种类不同，所确定的预处理流程也不相同；其中，所述待测产品的预处理流程包括以下任一项或者多项：预设洗液清洗、晾晒、烘干、去皮；

接收模块，用于接收待测产品对应的原始高光谱图像；

第一处理模块，用于对所述原始高光谱图像分别进行中值滤波处理以及矢量归一化处理，得到待测高光谱图像，具体包括：

确定所述原始高光谱图像对应的像素值；

将所述像素值以大小关系进行顺序排列后，确定第一边界像素值以及第二边界像素值；其中，所述第一边界像素值大于所述第二边界像素值；

在所述原始高光谱图像中，剔除像素值大于所述第一边界像素值的若干像素点，以及剔除像素值小于所述第二边界像素值的若干像素点；

对所述原始高光谱图像中剩余的像素点对应的像素值进行平均值计算；

确定所述原始高光谱图像对应的所有光谱，并计算所述所有光谱对应的光谱平均值；

计算所述原始高光谱图像中的任一光谱与所述光谱平均值之间的差值；

确定所述差值与所述所有光谱对应的平方和之间的比值，为所述任一光谱对应的归一化光谱；

构建模块，用于基于偏最小二乘法，通过预存的所述待测产品对应的波长-糖度样本库，构建糖度检测模型，具体包括：

将所述波长-糖度样本库中的所有样本按照2:1的比例进行划分，以得到建模集与验证集；

确定所述糖度检测模型对应的建模因子；

在确定出的建模因子中，任意选取两个建模因子，得到第一建模因子与第二建模因子；

确定第一建模因子及第二建模因子参与建模时的第一误差平方和，以及确定第二建模因子参与建模时的第二误差平方和；其中，所述第一误差平方和与所述第二误差平方和均用于表征任一样本下，糖度样本值与糖度预测值之间的差值平方和；

确定所述第一误差平方和与所述第二误差平方和之间的差值，并计算所述差值与所述第二误差平方和之间的比值；

在所述比值大于第一预设阈值的情况下，剔除所述第一建模因子；

基于所述建模因子，对所述建模集中的样本进行回归拟合，以得到所述糖度检测模型；

通过所述验证集对所述糖度检测模型进行验证及优化；

基于所述待测高光谱图像对应的波长，构建初始波长子集；其中，所述初始波长子集中包含所述待测高光谱图像对应的所有波长；

在所述初始波长子集中，以预设规则提取候选波长子集，并将所述候选波长子集作为新的初始波长子集，直至完成预设数量次提取；其中，所述预设规则为：提取具有代表性的波长；

完成预设数量次提取后，计算最新的初始波长子集中，各波长对应的选中概率；其中，所述选中概率用于指示所述最新的初始波长子集中，各波长被选为特征波长的概率；

基于所述各波长对应的选中概率，确定特征波长，具体包括：将所述各波长对应的选中概率从高至低排列，以确定特征波长；其中，提取特征波长依据不同的变量具有不同的被选择可能性，通过多次迭代，计算每个变量被选择的概率，选择概率高的变量为特征波长；

确定模块，将特征波长下的待测高光谱图像，输入到所述糖度检测模型中，以确定所述待测产品对应的糖度值；

通过所述验证集对所述糖度检测模型进行验证及优化，具体包括：

将所述验证集中的波长数据输入至所述糖度检测模型中，得到相应的糖度数据预测值；

计算所述糖度数据预测值与所述验证集中的波长数据对应的糖度数据之间的误差；

在所述误差大于第二预设阈值时，调整所述糖度检测模型中的建模因子，以对所述糖度检测模型进行优化；其中，所述第二预设阈值是人为设置的并可以随时调整；

第二处理模块，用于将所述待测产品对应的糖度值进行可视化处理，具体包括：通过0-100的灰度值，对应所述待测产品中的糖度值；根据所述待测产品对应的糖度值，生成所述待测产品对应的灰度图像；对所述灰度图像进行伪彩色处理，得到所述待测产品对应的糖度可视化彩色分布图，通过图像色度的差异反映待测产品糖度的差异。

Images