CN113030011A - 水果糖度快速无损检测方法及检测系统 - Google Patents
水果糖度快速无损检测方法及检测系统 Download PDFInfo
- Publication number
- CN113030011A CN113030011A CN202110327224.3A CN202110327224A CN113030011A CN 113030011 A CN113030011 A CN 113030011A CN 202110327224 A CN202110327224 A CN 202110327224A CN 113030011 A CN113030011 A CN 113030011A
- Authority
- CN
- China
- Prior art keywords
- fruit
- sugar degree
- prediction model
- spectral data
- fruits
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 175
- 238000000034 method Methods 0.000 title claims description 63
- 238000009659 non-destructive testing Methods 0.000 title claims description 23
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 claims abstract description 66
- 229930091371 Fructose Natural products 0.000 claims abstract description 66
- 229960002737 fructose Drugs 0.000 claims abstract description 66
- 230000003595 spectral effect Effects 0.000 claims abstract description 57
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000002329 infrared spectrum Methods 0.000 claims description 35
- 238000001228 spectrum Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 10
- 230000001066 destructive effect Effects 0.000 claims description 8
- 230000013016 learning Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 30
- 239000000523 sample Substances 0.000 description 24
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 239000013307 optical fiber Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 244000298697 Actinidia deliciosa Species 0.000 description 7
- 235000009436 Actinidia deliciosa Nutrition 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 229910052736 halogen Inorganic materials 0.000 description 4
- 150000002367 halogens Chemical class 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 4
- 229910052721 tungsten Inorganic materials 0.000 description 4
- 239000010937 tungsten Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 2
- 206010070834 Sensitisation Diseases 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 125000003636 chemical group Chemical group 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008313 sensitization Effects 0.000 description 2
- 238000001179 sorption measurement Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000005715 Fructose Substances 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- RJGDLRCDCYRQOQ-UHFFFAOYSA-N anthrone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3CC2=C1 RJGDLRCDCYRQOQ-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012569 chemometric method Methods 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009658 destructive testing Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- -1 polytetrafluoroethylene Polymers 0.000 description 1
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 1
- 239000004810 polytetrafluoroethylene Substances 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于糖度检测技术领域，具体涉及一种水果糖度快速无损检测方法及检测系统，其中水果糖度快速无损检测方法包括：采集水果的漫反射光；根据水果的漫反射光获取光谱数据并进行预处理；构建水果糖度预测模型；以及根据预处理的光谱数据和水果糖度预测模型获取水果糖度的预测值，实现了对水果品质的高效、准确、快速、无损检测。
Description
技术领域
本发明属于糖度检测技术领域，具体涉及一种水果糖度快速无损检测方法及检测系统。
背景技术
我国水果种类丰富，同时又具有大量的劳动力资源，同世界上其他水果大国相比具有天然的资源比较优势。根据国家统计局数据显示，近十年来我国水果产量居世界第一位。
近年来，我国水果产业与沿线国家合作效率和质量也在提升，国家间水果贸易增长明显，水果产业在农业甚至国民经济中起到了越加重要的作用。国内水果产业规模如此之大，水果的品质管理显得尤为重要。
由于人们生活水平的不断提高，人们购买水果时越来越看重水果的内在品质。目前，水果的品质评价有多种参数：糖度，糖酸比，硬度等等。糖度是评价水果好坏的指标之一，其含量的高低直接决定了水果的口感，决定了水果的销售价格和销量。
现有的糖度检测方法分为两大类：有损检测和无损检测。有损检测方法包括蒽酮比色法、糖度计或折光计法，这些方法都需要事先将水果榨汁，提取果汁进行检测，对水果造成损伤。目前国内外针对水果内部品质检测的研究重点均放在无损检测上。无损检测包括近红外光谱法、电子鼻法、机器视觉法、振动脉冲响应法等，其优点是在不需要破坏水果、不改变水果风味的前提下通过水果的光谱特性、气味、动力学特性等对水果实现内部品质检测。
目前国内外在水果的品质无损检测上已开发了一些仪器装置进行水果成熟度、新鲜度、缺陷和损伤的检测，但由于测试精度低、装置成本高而使得推广困难。基于图像处理的机器视觉法仅能对水果的外观指标进行检测，装置体积大，成本较高。电子鼻法针对水果成熟时发出的特定气味来判断内部品质，但检测精度和适用水果种类受到限制。振动脉冲响应法受到外部环境的干扰较大，且精度不高。近红外光谱分析技术研究的最多，也最成熟，具有省时省力的优点，同时也绿色环保。
因此基于上述技术问题需要设计一种新的水果糖度快速无损检测方法及检测系统。
发明内容
本发明的目的是提供一种水果糖度快速无损检测方法及检测系统。
为了解决上述技术问题，本发明提供了一种水果糖度快速无损检测方法，包括：
采集水果的漫反射光；
根据水果的漫反射光获取光谱数据并进行预处理；
构建水果糖度预测模型；以及
根据预处理的光谱数据和水果糖度预测模型获取水果糖度的预测值。
进一步，所述采集水果的漫反射光的方法包括：
通过光源照射水果，以接收水果的漫反射光。
进一步，所述根据水果的漫反射光获取光谱数据并进行预处理的方法包括：
根据漫反射光获取水果的光谱数据，并对光谱数据进行标准化、归一化、多元散射校正、SG平滑处理。
进一步，所述构建水果糖度预测模型的方法包括：
根据最小二乘法模型构建水果糖度预测模型：
其中，Y为待测水果糖度的预测值；λi为波长；T(λi)为波长处光谱的漫反射率；ai为回归系数；b为截距。
进一步，所述构建水果糖度预测模型的方法还包括：
构建LSTM水果糖度预测模型，即
在光谱数据中获取设定次数的待测水果的原始近红外光谱，取平均值后作为水果原始近红外光谱数据，并对水果原始近红外光谱数据进行预处理；
通过LSTM采用全连接神经网络结构，网络通过利用训练集的光谱数据与光谱数据对应的待测水果的糖度形成一一映射的关系进行学习，运用梯度下降的方法，调整相应的学习率和训练周期，使构建的LSTM水果糖度预测模型对水果糖度进行预测。
进一步，所述根据预处理的光谱数据和水果糖度预测模型获取水果糖度的预测值的方法包括：
根据预处理后的光谱数据中可见/近红外波长i处的漫反射率T(λi)光谱值通过水果糖度预测模型获取水果的糖度预测值，和/或
通过LSTM水果糖度预测模型获取水果的糖度预测值。
另一方面，本发明还提供一种水果糖度快速无损检测系统，包括：
光谱采集模块，采集水果的漫反射光；
上位机，根据水果的漫反射光获取光谱数据并进行预处理，构建水果糖度预测模型，以及根据预处理的光谱数据和水果糖度预测模型获取水果糖度的预测值。
进一步，所述上位机适于采用上述的水果糖度快速无损检测方法对水果的糖度进行预测。
进一步，所述水果糖度快速无损检测系统还包括：光源；
所述光源适于照射水果，以使水果产生漫反射光。
本发明的有益效果是，本发明通过采集水果的漫反射光；根据水果的漫反射光获取光谱数据并进行预处理；构建水果糖度预测模型；以及根据预处理的光谱数据和水果糖度预测模型获取水果糖度的预测值，实现了对水果品质的高效、准确、快速、无损检测。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所涉及的水果糖度快速无损检测方法的流程图；
图2是本发明所涉及的训练过程准确率变化趋势图；
图3是本发明所涉及的训练过程损失函数变化趋图；
图4是本发明所涉及的模型训练后对校正集以及预测集预测的准确度；
图5是本发明中猕猴桃的近红外光谱图；
图6是本发明中糖度的预测值与实际值示意图；
图7是本发明所涉及的水果糖度快速无损检测系统的原理框图；
图8是本发明所涉及的水果糖度快速无损检测系统的结构示意图；
图中：
1为光源；
2为探头；
3为光谱仪；
4为Y型光纤；
5为水果固定机构、51为基座、52为吸附块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
实施例1
图1是本发明所涉及的水果糖度快速无损检测方法的流程图。
如图1所示，本实施例1提供了一种水果糖度快速无损检测方法，包括：采集水果的漫反射光；根据水果的漫反射光获取光谱数据并进行预处理；构建水果糖度预测模型；以及根据预处理的光谱数据和水果糖度预测模型获取水果糖度的预测值，实现了对水果品质的高效、准确、快速、无损检测。
在本实施例中，所述采集水果的漫反射光的方法包括：通过光源1照射水果，以接收水果的漫反射光。
在本实施例中，所述根据水果的漫反射光获取光谱数据并进行预处理的方法包括：根据漫反射光获取水果的光谱数据(例如采用光谱仪3获取近红外光谱数据)，并对光谱数据进行标准化、归一化、多元散射校正、SG平滑处理等；近红外光(NIR)是介于紫外-可见(UV-Vis)和中红外光(MIR)之间780～2526nm电磁波光谱区域的电磁波，习惯上又将其划分为短波(780～1100nm)和长波近红外(1100～2526nm)两个区域；不同化学基团或同一化学基团在不同环境中，近红外光谱的吸收波长与强度具有明显的差异性，近红外光谱包含了丰富的组成与结构信息，非常适合于含氢有机物的检测，近红外光谱结合现代化学计量学方法，可对含氢有机物进行定性定量分析；水果的光谱中除了本身包含的的化学信息以外，还含有噪声和其他无关信息，比如背景、电噪声和杂散光等；对比研究平滑去噪算法(Smoothing)、标准正态变量变换(SNV)、多元散射校正(MSC)，为去除光谱噪声和干扰信息，提高光谱数据信噪比，对于提高后续定性定量模型的稳定性和准确性具有重要研究意义；Smoothing主要用于消除水果近红外光谱中含有的随机高频噪声，提高信噪比；SNV主要用来消除水果表面散射和光程变化对近红外漫反射光谱的影响；MSC与SNV目的基本相同，主要用来水果表面散射对光谱造成的影响；在实际检测过程中，应当从样品的实际情况出发选择合适的预处理方法，并对不同预处理方法的检测结果进行对比，从而选择最佳的预处理方法。
在本实施例中，所述构建水果糖度预测模型的方法包括：在进行水果光谱数据的预处理后，采用竞争性自适应加权采样法(CARS)、遗传算法(genetic algorithm，GA)等进行特征波长筛选；最后，分析对比偏最小二乘回归(PLSR)模型和深度卷积神经网络(CNNs)人工智能模型，构建基于近红外光谱的水果糖度预测模型；
根据最小二乘法模型构建水果糖度预测模型：
其中，Y为待测水果糖度的预测值；λi为波长；T(λi)为波长处光谱的漫反射率；ai为回归系数；b为截距；
在水果糖度预测模型构建后可以对水果糖度预测模型进行评价；在近红外光谱分析技术中，通常采用的模型评价标准为:校正集相关系数(Rc)，校正集均方根误差(RMSEC)，验证集或预测集相关系数(Rp)，验证集或预测集均方根误差(RMSEP)，交叉验证均方根误差(RMSECV)等；一个较好的模型应该具有较高的Rc和Rp值，以及较低的RMSEC、RMSEP和RMSECV，同时RMSEC和RMSEP的差异也相对较小；各评价标准的计算方法如下：
其中，
为水果糖度预测模型预测值；yi为实际测量值；Ic为校正集中的样品个数；Ip为验证集或预测集中的样品个数。
图2是本发明所涉及的训练过程准确率变化趋势图；
图3是本发明所涉及的训练过程损失函数变化趋图；
图4是本发明所涉及的模型训练后对校正集以及预测集预测的准确度。
在本实施例中，所述构建水果糖度预测模型的方法还包括：构建LSTM水果糖度预测模型，即在光谱数据中获取设定次数的待测水果的原始近红外光谱，取平均值后作为水果原始近红外光谱数据，并对水果原始近红外光谱数据进行预处理；通过LSTM采用全连接神经网络结构，网络通过利用训练集的光谱数据与光谱数据对应的待测水果的糖度形成一一映射的关系进行学习，运用梯度下降的方法，调整相应的学习率和训练周期，使构建的LSTM水果糖度预测模型对水果糖度进行预测。
获取待测水果的原始近红外光谱数据，结合标准正态变量变换(SNV)、多元散射校正(MSC)、SG平滑等预处理方式对原始近红外光谱数据进一步处理后，建立LSTM水果糖度预测模型对待测水果糖度进行预测；通过光谱仪3采集设定次数的待测水果的原始近红外光谱，取平均值后作为水果原始近红外光谱数据，采用标准正态变量变换(SNV)、多元散射校正(MSC)、SG平滑等预处理方式，对水果原始近红外光谱数据进行预处理去除近红外光谱噪声和干扰信息，提高水果原始近红外光谱数据信噪比，提高后续LSTM水果糖度预测模型的稳定性和准确性；
LSTM是一种全连接神经网络结构，利用训练集的光谱数据映射到对应的待测水果的糖度进行学习，LSTM模型训练过程受到多参数的影响，通过评估寻找出水果糖度预测LSTM模型性能最好的参数；将近红外光谱原始数据进行预处理(可以将近红外光谱原始数据导入在Matlab2018a中直接进行预处理)，将水果的近红外光谱数据和糖度数据设置为LSTM的训练数据，探讨择优选择LSTM网络的层数、训练方法，学习速率等参数；为了最小化训练误差，采用梯度下降法(Gradient descent)调整合适的学习率和训练周期，使LSTM模型(LSTM水果糖度预测模型)能稳定准确的检测水果糖度；在模型(LSTM水果糖度预测模型)的训练过程中加入了滑动学习率和正则化的方法，避免了学习率过大不能收敛到最优解或者过小造成欠拟合的问题；再利用trainNetwork函数编写程序对建立的网络进行训练，利用predictAndUpdateState函数对数据进行预测，并调用plot函数画出待测水果糖度数据的实际值和预测值图像，选择出优化效果最好的LSTM模型(LSTM水果糖度预测模型)；如图2、图3、图4所示，模型训练过程准确率变化趋势以及损失函数变化趋势，用训练好的LSTM模型预测准确度较高，R2达到了0.9以上。
对于长短期记忆人工神经网络的训练过程包括：选取待测水果样品组成样本集；获取数据集中所有水果样品的原始近红外光谱数据并进行预处理；在光谱采集位置，利用糖度计测量待测水果的糖度值；用待测水果的原始近红外光谱数据和对应的糖度值对长短期记忆人工神经网络进行训练，得到训练后的长短期记忆人工神经网络预测模型(LSTM水果糖度预测模型)；将样本集分成校正集和预测集，用校正集进行模型训练，并将预测集的光谱信息输入到预测模型中，检验模型预测效果。
在本实施例中，所述根据预处理的光谱数据和水果糖度预测模型获取水果糖度的预测值的方法包括：根据预处理后的光谱数据中可见/近红外波长i处的漫反射率T(λi)光谱值通过水果糖度预测模型获取水果的糖度预测值，和/或通过LSTM水果糖度预测模型获取水果的糖度预测值。
图5是本发明中猕猴桃的近红外光谱图；
图6是本发明中糖度的预测值与实际值示意图。
在本实施例中，采用猕猴桃为例进行说明：光源1预热30分钟；设置光谱仪3的参比、暗电流，参比为聚四氟乙烯白板；将光源1与探头2连接后将探头2贴紧猕猴桃，光源1发出的光照射到猕猴桃后，漫反射光由探头2收集后，由光纤传入光谱仪3内；
控制光谱仪3采集水果样品的漫反射光谱,保存光谱数据，猕猴桃的近红外光谱图如图5所示；
采用糖度计(日本ATAGO爱拓)测量测试集中猕猴桃样本的糖度，获得样本实际糖度数据；
数据分析：将3/4的样品作为建模样品，1/4的样品作为验证样品。对建模样品的原始光谱数据进行标准化、归一化、多元散射校正(MSC)、SG平滑等预处理后，将预处理数据输入至偏最小二乘法(PLS)模型中(水果糖度预测模型)与之对应建模样品的糖度数据；
水果糖度预测模型：
其中，Y为待测水果糖度的预测值；λi为波长；T(λi)为波长处光谱的漫反射率；ai为回归系数；b为截距；光谱仪3的波段范围为200～1100nm，回归系数的范围为a0～an；截距b为即利用偏最小二乘法求得；根据预处理后的光谱数据中可见/近红外波长i处的漫反射率T(λi)光谱值通过水果糖度预测模型获取水果的糖度预测值，将预测值结果显示在上位机显示屏上(如图6所示)。
实施例2
图7是本发明所涉及的水果糖度快速无损检测系统的原理框图；
图8是本发明所涉及的水果糖度快速无损检测系统的结构示意图；
如图7和图8所示，在实施例1的基础上，本实施例2还提供一种水果糖度快速无损检测系统，包括：光谱采集模块，采集水果的漫反射光；上位机，根据水果的漫反射光获取光谱数据并进行预处理，构建水果糖度预测模型，以及根据预处理的光谱数据和水果糖度预测模型获取水果糖度的预测值；单个样品采集时间为1s/个，操作便捷，是水果生产过程监控、品质分级、储运管理的理想手段。
在本实施例中，所述上位机可以包括：检测软件模块、数据处理模块以及模型算法模块；所述数据处理模块适于根据水果的漫反射光获取光谱数据并进行预处理；所述模型算法模块适于构建水果糖度预测模型；所述检测软件模块适于根据预处理的光谱数据和水果糖度预测模型获取水果糖度的预测值。
在本实施例中，所述上位机适于采用上述的水果糖度快速无损检测方法对水果的糖度进行预测。
在本实施例中，所述水果糖度快速无损检测系统还包括：光源1；所述光源1适于照射水果，以使水果产生漫反射光；光源1可以选用的是HL10000-Mini是一款小体积低功耗高光输出的光纤耦合输出卤钨灯，其波长范围覆盖了VIS-NIR(350-2500nm)，灯泡使用寿命长达10000小时，高效优化的光学设计使得卤钨灯具备低功耗高亮度输出优点，优化的稳流电路设计，确保了卤钨灯光源1的稳光谱输出。
在本实施例中，所述光谱采集模块可以包括：光谱仪3、Y型光纤4以及水果固定机构5；光谱采集模块是由Y型光纤4和光谱仪3组成，利用光谱仪3的CCD光栅进行分光处理并通过光电转换将光信号转为数字信号，并将其传递给上位机。
光谱仪3选用FX2000光纤光谱仪3，具有以下显著特点：双闪耀光栅，FX2000采用进口高品质Richardson光栅，并且在200～1100nm全波谱型号中采用高品质机型使用的双闪耀光栅，有效平衡全谱段响应；紫外敏化CCD，FX2000光纤光谱仪3采用德国工艺进行CCD的紫外敏化，紫外转化效率较传统高出20％，寿命延长一倍，利用紫外差分吸收光谱，非常适合一氧化氮、二氧化硫的检测；3、高达3000:1的动态范围，FX2000光纤光谱仪3历经复享新一代的电子工程设计，具有高达3000:1的动态范围，覆盖强度范围大。
为使光谱采集模块中各部分能独立更换，提高使用寿命，使用定制Y型光纤4，统一使用SAM905标准接口，一端与探头2连接，另一端与光谱仪3的输入端和卤钨灯的输出端连接，探头2得以灵活移动。
水果固定机构5外观精巧合理，便于组装、拆卸，基座51采用金属材料制成，底盘稳，基座51底部有吸附块52，使得所述水果固定机构5更稳固得放置在光滑水平台面上；水果固定机构5在一定程度上减少了球形易滚动的水果样品的滚动，配以可调节位置的按钮能快速准确得将球形水果样品进行固定，可以有效得防止采集近红外光谱时球形水果样品滚动，使得采集到的近红外光谱数据更为可靠、准确。
在本实施例中，所述上位机可以采用计算机Windows系统分析处理近红外光谱数据；光对光谱仪3积分时间、采集次数进行设置，控制光谱仪3的信号采集。在进行水果品质(糖度)检测时，采集的光谱数据通常存在较多的干扰信号，数据处理模块对采集的数据进行平滑等处理，通过模型算法模块构建水果糖度预测模型预测水果糖度检测结果，显示在上位机的软件界面上，并对样品检测结果编号、自动保存。上位机界面包括谱图显示、参数设置、一键检测按键、检测结果显示、数据库查询。
在本实施例中，光源1从探头2聚焦于水果表面，产生的漫散射光进入探头2之后会经过Y型光纤4传输到光谱仪3，利用光谱仪3的CCD光栅进行分光处理并通过光电转换将光信号转为数字信号，控制系统对数字信号进行运算处理以实现水果光谱信息快速采集，在检测软件中植入光谱数据预处理方法和模型预测算法，实现果品糖度的快速实时无损检测。
在本实施例中，本系统的体积约为280mm×230mm×190mm，质量约4.0kg，便于携带，检测精度在92％以上，单个样品采集时间为1s/个，操作便捷，是水果生产过程监控、品质分级、储运管理的理想手段。
综上所述，本发明通过采集水果的漫反射光；根据水果的漫反射光获取光谱数据并进行预处理；构建水果糖度预测模型；以及根据预处理的光谱数据和水果糖度预测模型获取水果糖度的预测值，实现了对水果品质的高效、准确、快速、无损检测。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (9)
1.一种水果糖度快速无损检测方法，其特征在于，包括：
采集水果的漫反射光；
根据水果的漫反射光获取光谱数据并进行预处理；
构建水果糖度预测模型；以及
根据预处理的光谱数据和水果糖度预测模型获取水果糖度的预测值。
2.如权利要求1所述的水果糖度快速无损检测方法，其特征在于，
所述采集水果的漫反射光的方法包括：
通过光源照射水果，以接收水果的漫反射光。
3.如权利要求2所述的水果糖度快速无损检测方法，其特征在于，
所述根据水果的漫反射光获取光谱数据并进行预处理的方法包括：
根据漫反射光获取水果的光谱数据，并对光谱数据进行标准化、归一化、多元散射校正、SG平滑处理。
4.如权利要求3所述的水果糖度快速无损检测方法，其特征在于，
所述构建水果糖度预测模型的方法包括：
根据最小二乘法模型构建水果糖度预测模型：
其中，Y为待测水果糖度的预测值；λi为波长；T(λi)为波长处光谱的漫反射率；ai为回归系数；b为截距。
5.如权利要求4所述的水果糖度快速无损检测方法，其特征在于，
所述构建水果糖度预测模型的方法还包括：
构建LSTM水果糖度预测模型，即
在光谱数据中获取设定次数的待测水果的原始近红外光谱，取平均值后作为水果原始近红外光谱数据，并对水果原始近红外光谱数据进行预处理；
通过LSTM采用全连接神经网络结构，网络通过利用训练集的光谱数据与光谱数据对应的待测水果的糖度形成一一映射的关系进行学习，运用梯度下降的方法，调整相应的学习率和训练周期，使构建的LSTM水果糖度预测模型对水果糖度进行预测。
6.如权利要求5所述的水果糖度快速无损检测方法，其特征在于，
所述根据预处理的光谱数据和水果糖度预测模型获取水果糖度的预测值的方法包括：
根据预处理后的光谱数据中可见/近红外波长i处的漫反射率T(λi)光谱值通过水果糖度预测模型获取水果的糖度预测值，和/或
通过LSTM水果糖度预测模型获取水果的糖度预测值。
7.一种水果糖度快速无损检测系统，其特征在于，包括：
光谱采集模块，采集水果的漫反射光；
上位机，根据水果的漫反射光获取光谱数据并进行预处理，构建水果糖度预测模型，以及根据预处理的光谱数据和水果糖度预测模型获取水果糖度的预测值。
8.如权利要求7所述的水果糖度快速无损检测系统，其特征在于，
所述上位机适于采用如权利要求1-6任一项所述的水果糖度快速无损检测方法对水果的糖度进行预测。
9.如权利要求7所述的水果糖度快速无损检测系统，其特征在于，
所述水果糖度快速无损检测系统还包括：光源；
所述光源适于照射水果，以使水果产生漫反射光。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110327224.3A CN113030011A (zh) | 2021-03-26 | 2021-03-26 | 水果糖度快速无损检测方法及检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110327224.3A CN113030011A (zh) | 2021-03-26 | 2021-03-26 | 水果糖度快速无损检测方法及检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113030011A true CN113030011A (zh) | 2021-06-25 |
Family
ID=76474217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110327224.3A Pending CN113030011A (zh) | 2021-03-26 | 2021-03-26 | 水果糖度快速无损检测方法及检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113030011A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113655017A (zh) * | 2021-06-30 | 2021-11-16 | 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 |
| CN113670837A (zh) * | 2021-08-02 | 2021-11-19 | 华南农业大学 | 基于高光谱和深度学习的桂圆肉中总糖含量检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101846617A (zh) * | 2009-12-29 | 2010-09-29 | 中国科学院地球化学研究所 | 一种基于光谱分析的培养基中蔗糖含量的无菌检测方法 |
| CN111537469A (zh) * | 2020-06-04 | 2020-08-14 | 哈尔滨理工大学 | 一种基于近红外技术的苹果品质快速无损检测方法 |
-
2021
- 2021-03-26 CN CN202110327224.3A patent/CN113030011A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101846617A (zh) * | 2009-12-29 | 2010-09-29 | 中国科学院地球化学研究所 | 一种基于光谱分析的培养基中蔗糖含量的无菌检测方法 |
| CN111537469A (zh) * | 2020-06-04 | 2020-08-14 | 哈尔滨理工大学 | 一种基于近红外技术的苹果品质快速无损检测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113655017A (zh) * | 2021-06-30 | 2021-11-16 | 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 |
| CN113670837A (zh) * | 2021-08-02 | 2021-11-19 | 华南农业大学 | 基于高光谱和深度学习的桂圆肉中总糖含量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101308086B (zh) | 基于近红外光谱技术的水果内部品质在线检测装置 | |
| US20100297291A1 (en) | Visible/near-infrared spectrum analyzing method and grape fermenting method | |
| CN104897607A (zh) | 便携式近红外光谱食品建模与快速检测一体化方法和系统 | |
| CN111855608B (zh) | 基于融合特征波长选择算法的苹果酸度近红外无损检测方法 | |
| CN105548070B (zh) | 一种苹果可溶性固形物近红外检测部位补偿方法及系统 | |
| CN101907564A (zh) | 基于近红外光谱技术的油菜籽品质无损检测方法和装置 | |
| CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
| CN113030011A (zh) | 水果糖度快速无损检测方法及检测系统 | |
| CN102967578A (zh) | 在线获取牛肉样本近红外光谱的方法及其在评价牛肉质量中的应用 | |
| CN110320165A (zh) | 香蕉可溶性固形物含量的可见/近红外光谱无损检测方法 | |
| Yuan et al. | Non-invasive measurements of ‘Yunhe’pears by vis-NIRS technology coupled with deviation fusion modeling approach | |
| CN111537469A (zh) | 一种基于近红外技术的苹果品质快速无损检测方法 | |
| CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
| CN108846203A (zh) | 水果无损检测的方法及装置 | |
| CN105784628A (zh) | 一种利用中红外光谱检测土壤有机质化学组成的方法 | |
| CN109520962A (zh) | 一种葡萄酒近红外光谱检测方法 | |
| CN105758819A (zh) | 一种利用近红外光谱检测土壤的有机组分的方法 | |
| CN101349638A (zh) | 果蔬维生素c含量的光谱快速无损检测方法 | |
| CN103743705A (zh) | 一种假高粱及其近似物种的快速检测方法 | |
| CN110672578A (zh) | 针对煎炸油极性组分检测的模型通用性及稳定性验证方法 | |
| CN110376154A (zh) | 基于光谱校正的水果在线检测方法及系统 | |
| CN107132197B (zh) | 一种食醋总酸含量的检测方法及装置 | |
| Qi et al. | Rapid and non-destructive determination of soluble solid content of crown pear by visible/near-infrared spectroscopy with deep learning regression | |
| CN110231306A (zh) | 一种无损、快速测定奇亚籽蛋白质含量的方法 | |
| CN107356536B (zh) | 葡萄酒品质检测方法、服务器及光谱测量设备 |
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 |
Application publication date: 20210625 |
|
| RJ01 | Rejection of invention patent application after publication |