CN113340823B - 一种草莓糖分的快速无损检测工艺 - Google Patents
一种草莓糖分的快速无损检测工艺 Download PDFInfo
- Publication number
- CN113340823B CN113340823B CN202110613721.XA CN202110613721A CN113340823B CN 113340823 B CN113340823 B CN 113340823B CN 202110613721 A CN202110613721 A CN 202110613721A CN 113340823 B CN113340823 B CN 113340823B
- Authority
- CN
- China
- Prior art keywords
- strawberry
- acidity
- prediction model
- value
- sugar degree
- 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
Links
- 235000016623 Fragaria vesca Nutrition 0.000 title claims abstract description 194
- 235000011363 Fragaria x ananassa Nutrition 0.000 title claims abstract description 194
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 28
- 240000009088 Fragaria x ananassa Species 0.000 title 1
- 241000220223 Fragaria Species 0.000 claims abstract description 240
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 86
- 238000001228 spectrum Methods 0.000 claims abstract description 72
- 238000000411 transmission spectrum Methods 0.000 claims abstract description 71
- 238000001514 detection method Methods 0.000 claims abstract description 63
- 230000000007 visual effect Effects 0.000 claims abstract description 19
- 230000001066 destructive effect Effects 0.000 claims abstract description 7
- 239000000523 sample Substances 0.000 claims description 57
- 235000021012 strawberries Nutrition 0.000 claims description 47
- 238000000862 absorption spectrum Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 31
- 239000002253 acid Substances 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 24
- 238000005303 weighing Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 15
- 101100285389 Arabidopsis thaliana HLS1 gene Proteins 0.000 claims description 10
- 102100030500 Heparin cofactor 2 Human genes 0.000 claims description 10
- 101001082432 Homo sapiens Heparin cofactor 2 Proteins 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 6
- 229920006395 saturated elastomer Polymers 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000000149 penetrating effect Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 101100327917 Caenorhabditis elegans chup-1 gene Proteins 0.000 description 36
- 238000005516 engineering process Methods 0.000 description 5
- 238000011179 visual inspection Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 description 1
- 229930091371 Fructose Natural products 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 244000141359 Malus pumila Species 0.000 description 1
- 241000220324 Pyrus Species 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229960002737 fructose Drugs 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000021017 pears Nutrition 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000012795 verification Methods 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
- G01N21/27—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
- 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
- G01N21/274—Calibration, base line adjustment, drift correction
-
- 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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种草莓糖分的快速无损检测工艺，具体包括如下步骤：Q1：上果；Q2：得到草莓A的真实重量G1；Q3：光谱采集系统仪测得草莓A的透射光谱A；Q4：视觉检测系统获取草莓A的彩色图像A和近红外图像A；Q5：对草莓A进行破坏性的糖度检测和酸度检测；Q6：上位机软件系统获取样品点的信息集，建立糖度或酸度预测模型；Q7：将草莓B放入果杯B中，上位机软件系统为草莓B寻优选取最匹配的糖度或酸度预测模型，最终对草莓B的预测糖度值PBssc、酸度值PBacd进行修正；Q8：若草莓B与预测模型均不匹配，上位机软件系统在线扩充预测模型。本发明能够最大程度消除重量和外观等无关因素对预测结果的影响，提高预测精度。
Description
技术领域
本发明涉及水果糖分无损检测技术，尤其涉及一种草莓糖分的快速无损检测工艺。
背景技术
近年来，我国对草莓的生产栽培面积和产量持续增加，由于草莓在采摘、运输、检测时非常容易损坏，因此在农产品检测分级方面存在一定的困难。
且现有的检测分级工艺大多以苹果、梨、番茄等形状规则的单果为研究对象，对草莓的内部品质的检测工艺还不成熟，人工提取的外部特征往往很难对图像的形状、颜色、纹理、对称度、成熟度进行精确的表达。草莓品种繁多，果质变化快、受外界环境影响大，对检测的通用性及精确度带来了极大的困难。
发明内容
本发明针对现有技术中存在的对草莓的内部品质的检测工艺还不成熟，人工提取的外部特征往往很难对图像的形状、颜色、纹理、对称度、成熟度进行精确的表达等缺陷，提供了新的一种草莓糖分的快速无损检测工艺。
为了解决上述技术问题，本发明通过以下技术方案实现：
一种草莓糖分的快速无损检测工艺，将草莓A放置在果杯中，所述果杯随传送带运行并动态的进行糖度及酸度的预测，具体包括如下步骤：
Q1：上果：将所述草莓A放入所述果杯中，放置时要求将所述草莓A的果柄与果尖所在的轴线与所述果杯的任一对角线对齐；
Q2：所述传送带的运行速度为0.5m/s～1.5m/s，所述果杯跟随所述传送带经过动态称重系统，所述动态称重系统对所述草莓A、所述果杯进行整体称重，然后所述动态称重系统通过以太网/RS485通信模块将数据传输给上位机软件系统，所述上位机软件系统将所述果杯的重量进行扣除，得到所述草莓A的真实重量G1；
Q3：接着所述传送带将所述果杯传输至光谱采集系统，所述光谱采集系统内设有光源、光电传感器、探头、光谱仪，当所述光电传感器接触到所述果杯，所述探头开始接收穿透所述草莓A的光线并反馈至所述光谱仪，所述光谱仪测得所述草莓A的透射光谱A并通过以太网/RS485通信模块传输给所述上位机软件系统；
Q4：接着所述果杯经过视觉检测系统，所述视觉检测系统获取所述草莓A的彩色图像A和近红外图像A，所述视觉检测系统对所述彩色图像A和近红外图像A进行分析，并将分析结果通过以太网/RS485通信模块传输给所述上位机软件系统；
Q5：对所述草莓A进行破坏性的糖度检测和酸度检测，得到所述草莓A真实的糖度值PAssc和酸度值PAacd；
Q6：所述上位机软件系统将所述草莓A的真实重量G1、彩色图像A、近红外图像A、透射光谱A、糖度值PAssc和酸度值PAacd储存为样品点A的信息，再随机选取200～300个草莓重复步骤Q1～步骤Q5，获取200～300个样品点的信息，得到所有样品点的信息集，其中所有样品点的透射光谱均进行波长点修正并计算吸收光谱，然后将所有样品点计算得到的吸收光谱与对应的真实糖度值或酸度值通过多元线性回归或偏最小二乘或支持向量机方法建立糖度或酸度预测模型，其中糖度或酸度预测模型包括：以所有样品点建立通用预测模型库M1，以草莓的外观种类、重量为变量，分别建立重量区间预测模型库M2、外观分类预测模型库M3；
Q7：将待检测的草莓B放入果杯B中并随所述传送带运行，重复步骤Q2～Q4进行检测，所述上位机软件系统在通用预测模型库M1、重量区间预测模型库M2、外观分类预测模型库M3中为所述草莓B寻优选取最匹配的糖度或酸度预测模型，再通过加权算法计算得到所述草莓B的预测糖度值PBssc、酸度值PBacd，最终对所述草莓B的预测糖度值PBssc、酸度值PBacd进行修正，实现草莓糖度或酸度的在线无损检测；
Q8：若所述草莓B与所述预测模型库中的预测模型均不匹配，所述上位机软件系统在线扩充预测模型，实现草莓糖度或酸度的在线无损检测。
上述步骤Q1中，通过统一草莓的放置位置，能有效地避免杂散光被光谱采集系统接收，提高信噪比，保证检测精度，也便于后续工序进行数据采集。
上述步骤Q2中，动态称重系统能够消除果杯与草莓之间的重量误差，得到每一个草莓的精确重量，且动态称重系统独立于上位机软件系统，有助于提高整个系统的模块化程度，方便维护及扩充。
上述步骤Q3中，光电传感器、探头的设置能够保证光谱仪整个信号接收过程中都包含草莓信息，进一步保证整个信号接收范围内包含一整个草莓，从而提高检测的精确度和重复性。
上述步骤Q4中，通过彩色图像和近红外图像的结合能够更精确地分割出草莓的果肉部分和叶子部分，从而得到草莓的果肉颜色、叶片颜色、对称性信息，并通过上述信息对草莓进行外观分类。视觉检测系统独立于上位机软件系统，有助于提高整个系统的模块化程度，方便维护及扩充。
上述步骤Q5中，对草莓A进行破坏性的糖度检测和酸度检测，能够获取精确有效的真实值测定，是模型建立及验证的保障。
上述步骤Q6中，通用预测模型库M1能够保障模型的通用性，对所有重量范围、外观类型的草莓都有预测效果。重量区间预测模型库M2能够消除重量对光谱检测带来的影响，提高每个重量区间内的预测精度。外观分类预测模型库M3能够消除外观对光谱检测带来的影响，提高每个外观品种内的预测精度。通过对3种模型的结合，能够在保证通用性的前提下提高预测精度。
上述步骤Q7中，通过寻优选取最匹配模型库，能够最大程度消除重量和外观等无关因素对预测结果的影响，提高预测精度。
上述步骤Q8中，上位机软件系统中存有所有建模样本的信息，能够随时根据需要提取出合适的样品点信息并重新建模，从而为在线扩充预测模型提供保障。当现有的分类无法精确描述待测样本时，上位机可以找到与待测样本最接近的50-100个样本进行建模，进一步最小化预测误差。
作为优选，上述所述的一种草莓糖分的快速无损检测工艺，在所述步骤Q4中，所述视觉检测系统的分析结果包括果肉颜色信息HLS1、叶片颜色信息HLS2、对称性信息Symm。
视觉检测系统对果肉颜色、叶片颜色及对称性进行采集，能够更好的通过KNN等算法将草莓划分为不同的外观类别。
作为优选，上述所述的一种草莓糖分的快速无损检测工艺，在所述步骤Q6中，利用多参数自动修正技术对透射光谱进行波长点修正并计算吸收光谱，具体步骤如下：
S1：采集光谱仪的暗噪声D、标准白板参考光谱R1、光谱仪的探测器温度、标准糖酸溶液的透射光谱R2，所述标准糖酸溶液的真实糖度值设为Pssc、酸度值设为Pacd；
S2：将采集到的暗噪声D、标准白板参考光谱R1、标准糖酸溶液透射光谱R2通过线性插值算法转化为以0.5nm为单位的标准波长下的光谱，上述转换后的光谱分别计为D’、R1’、R2’，同样将所述草莓A的透射光谱A、200～300个草莓的透射光谱S200-300通过线性插值算法转化为A’、S200-300’；
S3：预先将光谱仪的探测器置于-25℃、-15℃、-5℃、5℃、15℃、25℃、35℃、45℃环境下测试标准光源的光谱，从而计算出每增加1℃的温度条件下所述光谱的波长偏移Δw，以及每增加1℃的温度条件下每个标准波长下所述光谱的强度变化Δk，然后计算出实际工作温度T下的波长偏移量Pbias和强度变化率K，计算公式为Pbias＝(T-25)*Δw，K＝(T-25)*Δk；
S4：将D’、R1’、R2’光谱加上波长偏移量Pbias并乘以对应的强度变化率K，计算得到温度修正后的光谱D”、R1”、R2”，同样将A’、S200-300’加上波长偏移量Pbias并乘以对应的强度变化率K，计算得到温度修正后的A”、S200-300”，再转换为吸收光谱XA、X200-300，计算公式如下：
XA＝log10(R1″-D″)/(A″-D″)，
X200-300＝log10(R1″-D″)/(S200-300″-D″)，即完成对透射光谱进行波长点修正并计算吸收光谱，然后再按照所述步骤Q6的方法建立糖度或酸度预测模型；
在所述步骤Q7中，对草莓B的糖度或酸度的预测值进行修正，具体步骤如下：
P1：所述上位机软件系统预先存入标准糖度或酸度溶液模型，所述标准糖度或酸度溶液模型由200份标准糖酸溶液的透射光谱通过多元线性回归或偏最小二乘或支持向量机方法建立，接着采集待测草莓B的原始透射光谱S，将透射光谱S代入步骤S2～S4中，获得对应修正后的透射光谱为S”，利用修正后的S”计算吸收光谱XB，计算公式如下：
XB＝log10(R1″-D″)/(S″-D″)，
再按照步骤Q7的方法得到所述草莓B的预测糖度值PBssc、酸度值PBacd；
P2：将R2”光谱代入所述上位机软件系统预存的标准糖度或酸度溶液模型中，得到标准糖酸溶液的糖度预测值Pressc及酸度预测值Preacd，从而得到真实环境状态下糖度预测偏移量Δssc＝Pressc-Pssc及酸度预测偏移量Δacd＝Preacd-Pacd，最终预测得到所述草莓B的糖度值为PBssc+Δssc、酸度值为PBacd+Δacd，即完成对糖度或酸度的预测值的修正。
上述步骤S1中的数据采集为有效消除外界环境变化带来的误差做准备。
上述步骤S2将测量到的数据标准化，从而便于对透射光谱进行修正，同时能消除仪器与仪器之间的差异性，提高数据及模型的适用范围。
上述步骤S3能够有效消除温度对光谱仪带来的影响，提高预测精度。
上述步骤S4、P1中，修正后的吸收光谱消除了外界环境变化带来的影响，同时也将光谱转化到了统一的维度上，提高了模型的精度及适用性。
上述步骤P2中，最终计算得到的糖度值、酸度值能够消除其它不可预料因素对模型整体预测精度带来的影响，提高了模型的精度。
作为优选，上述所述的一种草莓糖分的快速无损检测工艺，所述重量区间预测模型库M2以重量为变量，设置4个类别的模型，分别为Model10-20g、Model20-30g、Model30-40g、Model40g+。
上述4个类别的模型覆盖了所有待测草莓的重量范围。将重量按不同区间划分，消除了重量对光谱检测带来的影响，提高了对应区间范围内模型的预测精度。
作为优选，上述所述的一种草莓糖分的快速无损检测工艺，所述外观分类预测模型库M3以外观种类为变量，设置3个类别的模型，分别为ModelV、ModelU、ModelX。
将草莓按不同外观类型划分为V型、U型、其他这3个类别，消除了外观对光谱检测带来的影响，提高了对应区间范围内模型的预测精度。
作为优选，上述所述的一种草莓糖分的快速无损检测工艺，所述步骤Q8中，在线扩充预测模型的具体步骤如下：
Q8a：当草莓B的外观种类与已有类别差距较大，所述上位机软件系统自动选取所述草莓B的外观种类扩充为一种新的类别；
Q8b：所述上位机软件系统先提取出所述草莓B的果肉颜色信息HLS1、叶片颜色信息HLS2、对称性信息Symm三个参数，并从通用预测模型库M1中选取最接近的50～100个草莓样品重新进行建模。
通过选取最接近的50～100样品点重新建模，能够最小化预测误差。
作为优选，上述所述的一种草莓糖分的快速无损检测工艺，所述果杯中央设有5mm～20mm通孔，所述探头设于所述果杯的正下方并与所述通孔相对应。
果杯中央设有通孔，能够准确的让光源的光线穿透草莓样品，也更便于计算采集的开始时间和结束时间，进一步提高预测精度。
作为优选，上述所述的一种草莓糖分的快速无损检测工艺，所述步骤Q7中通过加权算法计算得到所述草莓B的预测糖度值PBssc、酸度值PBacd，具体计算步骤如下：
Q7a：所述草莓B代入通用预测模型库M1，得到预测值Y1；
Q7b：所述草莓B代入重量区间预测模型库M2，得到预测值Y2；
Q7c：所述草莓B代入外观分类预测模型库M3，得到预测值Y3；
Q7d：采用加权算法，计算公式为Y＝0.5Y1+0.3Y2+0.2Y3，得到预测值Y。
上述的计算方法既能保证模型的通用性，同时通过分类建模也消除了无关因素对模型带来的影响，提高预测精度。
作为优选，上述所述的一种草莓糖分的快速无损检测工艺，所述光源的波长范围设为500～950nm，所述探头的最大有效采集时间为13～40ms，所述光谱仪的饱和输出值为65535、光谱采集系统的积分时间为1ms。
光源的波长、探头的最大有效采集时间、光谱仪的饱和输出值、光谱采集系统的积分时间采用上述参数范围，能获得更为可靠的数据，也使得采集的结果更加准确。
作为优选，上述所述的一种草莓糖分的快速无损检测工艺，所述步骤Q5中，采用GB/T8210中的方法测定所述草莓A的真实糖度值PAssc，采用GB/T10467-1989中的方法测定所述草莓A的真实酸度值PAacd。
采用GB/T8210、GB/T10467-1989中的方法测定草莓A的真实糖度值PAssc和酸度值PAacd获得的检测结果，有利于提高检测的精度，也使得检测结果更加具有说服力。
附图说明
图1为本发明的结构示意图一；
图2为本发明的结构示意图二；
图3为本发明中果杯的结构示意图；
图4为本发明实施例4中通用模型和实施例3模型的预测值；
图5为本发明实施例4中通用模型和实施例3模型预测的残差；
图6为本发明实施例4中10个草莓样本的吸光度光谱。
具体实施方式
下面结合附图1-6和具体实施方式对本发明作进一步详细描述，但它们不是对本发明的限制：
实施例1
一种草莓糖分的快速无损检测工艺，将草莓A放置在果杯1中，所述果杯1随传送带2运行并动态的进行糖度及酸度的预测，具体包括如下步骤：
Q1：上果：将所述草莓A放入所述果杯1中，放置时要求将所述草莓A的果柄与果尖所在的轴线与所述果杯1的任一对角线对齐；
Q2：所述传送带2的运行速度为0.5m/s，所述果杯1跟随所述传送带2经过动态称重系统3，所述动态称重系统3对所述草莓A、所述果杯1进行整体称重，然后所述动态称重系统3通过以太网/RS485通信模块将数据传输给上位机软件系统6，所述上位机软件系统6将所述果杯1的重量进行扣除，得到所述草莓A的真实重量G1；
Q3：接着所述传送带2将所述果杯1传输至光谱采集系统4，所述光谱采集系统4内设有光源、光电传感器41、探头42、光谱仪，当所述光电传感器41接触到所述果杯1，所述探头42开始接收穿透所述草莓A的光线并反馈至所述光谱仪，所述光谱仪测得所述草莓A的透射光谱A并通过以太网/RS485通信模块传输给所述上位机软件系统6；
Q4：接着所述果杯1经过视觉检测系统5，所述视觉检测系统5获取所述草莓A的彩色图像A和近红外图像A，所述视觉检测系统5对所述彩色图像A和近红外图像A进行分析，并将分析结果通过以太网/RS485通信模块传输给所述上位机软件系统6；
Q5：对所述草莓A进行破坏性的糖度检测和酸度检测，得到所述草莓A真实的糖度值PAssc和酸度值PAacd；
Q6：所述上位机软件系统6将所述草莓A的真实重量G1、彩色图像A、近红外图像A、透射光谱A、糖度值PAssc和酸度值PAacd储存为样品点A的信息，再随机选取200个草莓重复步骤Q1～步骤Q5，获取200个样品点的信息，得到所有样品点的信息集，其中所有样品点的透射光谱均进行波长点修正并计算吸收光谱，然后将所有样品点计算得到的吸收光谱与对应的真实糖度值或酸度值通过多元线性回归或偏最小二乘或支持向量机方法建立糖度或酸度预测模型，其中糖度或酸度预测模型包括：以所有样品点建立通用预测模型库M1，以草莓的外观种类、重量为变量，分别建立重量区间预测模型库M2、外观分类预测模型库M3；
Q7：将待检测的草莓B放入果杯B中并随所述传送带2运行，重复步骤Q2～Q4进行检测，所述上位机软件系统6在通用预测模型库M1、重量区间预测模型库M2、外观分类预测模型库M3中为所述草莓B寻优选取最匹配的糖度或酸度预测模型，再通过加权算法计算得到所述草莓B的预测糖度值PBssc、酸度值PBacd，最终对所述草莓B的预测糖度值PBssc、酸度值PBacd进行修正，实现草莓糖度或酸度的在线无损检测；
Q8：若所述草莓B与所述预测模型库中的预测模型均不匹配，所述上位机软件系统6在线扩充预测模型，实现草莓糖度或酸度的在线无损检测。
作为优选，在所述步骤Q4中，所述视觉检测系统5的分析结果包括果肉颜色信息HLS1、叶片颜色信息HLS2、对称性信息Symm。
作为优选，在所述步骤Q6中，利用多参数自动修正技术对透射光谱进行波长点修正并计算吸收光谱，具体步骤如下：
S1：采集光谱仪的暗噪声D、标准白板参考光谱R1、光谱仪的探测器温度、标准糖酸溶液的透射光谱R2，所述标准糖酸溶液的真实糖度值设为Pssc、酸度值设为Pacd；
S2：将采集到的暗噪声D、标准白板参考光谱R1、标准糖酸溶液透射光谱R2通过线性插值算法转化为以0.5nm为单位的标准波长下的光谱，上述转换后的光谱分别计为D’、R1’、R2’，同样将所述草莓A的透射光谱A、200个草莓的透射光谱S200通过线性插值算法转化为A’、S200’；
S3：预先将光谱仪的探测器置于-25℃、-15℃、-5℃、5℃、15℃、25℃、35℃、45℃环境下测试标准光源的光谱，从而计算出每增加1℃的温度条件下所述光谱的波长偏移Δw，以及每增加1℃的温度条件下每个标准波长下所述光谱的强度变化Δk，然后计算出实际工作温度T下的波长偏移量Pbias和强度变化率K，计算公式为Pbias＝(T-25)*Δw，K＝(T-25)*Δk；
S4：将D’、R1’、R2’光谱加上波长偏移量Pbias并乘以对应的强度变化率K，计算得到温度修正后的光谱D”、R1”、R2”，同样将A’、S200’加上波长偏移量Pbias并乘以对应的强度变化率K，计算得到温度修正后的A”、S200”，再转换为吸收光谱XA、X200，计算公式如下：
XA＝log10(R1″-D″)/(A″-D″)，
X200＝log10(R1″-D″)/(S200″-D″)，即完成对透射光谱进行波长点修正并计算吸收光谱，然后再按照所述步骤Q6的方法建立糖度或酸度预测模型；
在所述步骤Q7中，对草莓B的糖度或酸度的预测值进行修正，具体步骤如下：
P1：所述上位机软件系统6预先存入标准糖度或酸度溶液模型，所述标准糖度或酸度溶液模型由200份标准糖酸溶液的透射光谱通过多元线性回归或偏最小二乘或支持向量机方法建立，接着采集待测草莓B的原始透射光谱S，将透射光谱S代入步骤S2～S4中，获得对应修正后的透射光谱为S”，利用修正后的S”计算吸收光谱XB，计算公式如下：
XB＝log10(R1″-D″)/(S″-D″)，
再按照步骤Q7的方法得到所述草莓B的预测糖度值PBssc、酸度值PBacd；
P2：将R2”光谱代入所述上位机软件系统6预存的标准糖度或酸度溶液模型中，得到标准糖酸溶液的糖度预测值Pressc及酸度预测值Preacd，从而得到真实环境状态下糖度预测偏移量Δssc＝Pressc-Pssc及酸度预测偏移量Δacd＝Preacd-Pacd，最终预测得到所述草莓B的糖度值为PBssc+Δssc、酸度值为PBacd+Δacd，即完成对糖度或酸度的预测值的修正。
作为优选，所述重量区间预测模型库M2以重量为变量，设置4个类别的模型，分别为Model10-20g、Model20-30g、Model30-40g、Model40g+。
作为优选，所述外观分类预测模型库M3以外观种类为变量，设置3个类别的模型，分别为ModelV、ModelU、ModelX。
作为优选，所述步骤Q8中，在线扩充预测模型的具体步骤如下：
Q8a：当草莓B的外观种类与已有类别差距较大，所述上位机软件系统6自动选取所述草莓B的外观种类扩充为一种新的类别；
Q8b：所述上位机软件系统6先提取出所述草莓B的果肉颜色信息HLS1、叶片颜色信息HLS2、对称性信息Symm三个参数，并从通用预测模型库M1中选取最接近的50个草莓样品重新进行建模。
作为优选，所述果杯1中央设有5mm通孔11，所述探头42设于所述果杯1的正下方并与所述通孔11相对应。
作为优选，所述步骤Q7中通过加权算法计算得到所述草莓B的预测糖度值PBssc、酸度值PBacd，具体计算步骤如下：
Q7a：所述草莓B代入通用预测模型库M1，得到预测值Y1；
Q7b：所述草莓B代入重量区间预测模型库M2，得到预测值Y2；
Q7c：所述草莓B代入外观分类预测模型库M3，得到预测值Y3；
Q7d：采用加权算法，计算公式为Y＝0.5Y1+0.3Y2+0.2Y3，得到预测值Y。
作为优选，所述光源的波长范围设为500nm，所述探头42的最大有效采集时间为13ms，所述光谱仪的饱和输出值为65535、光谱采集系统的积分时间为1ms。
作为优选，所述步骤Q5中，采用GB/T8210中的方法测定所述草莓A的真实糖度值PAssc，采用GB/T10467-1989中的方法测定所述草莓A的真实酸度值PAacd。
实施例2
一种草莓糖分的快速无损检测工艺，将草莓A放置在果杯1中，所述果杯1随传送带2运行并动态的进行糖度及酸度的预测，具体包括如下步骤：
Q1：上果：将所述草莓A放入所述果杯1中，放置时要求将所述草莓A的果柄与果尖所在的轴线与所述果杯1的任一对角线对齐；
Q2：所述传送带2的运行速度为1.5m/s，所述果杯1跟随所述传送带2经过动态称重系统3，所述动态称重系统3对所述草莓A、所述果杯1进行整体称重，然后所述动态称重系统3通过以太网/RS485通信模块将数据传输给上位机软件系统6，所述上位机软件系统6将所述果杯1的重量进行扣除，得到所述草莓A的真实重量G1；
Q3：接着所述传送带2将所述果杯1传输至光谱采集系统4，所述光谱采集系统4内设有光源、光电传感器41、探头42、光谱仪，当所述光电传感器41接触到所述果杯1，所述探头42开始接收穿透所述草莓A的光线并反馈至所述光谱仪，所述光谱仪测得所述草莓A的透射光谱A并通过以太网/RS485通信模块传输给所述上位机软件系统6；
Q4：接着所述果杯1经过视觉检测系统5，所述视觉检测系统5获取所述草莓A的彩色图像A和近红外图像A，所述视觉检测系统5对所述彩色图像A和近红外图像A进行分析，并将分析结果通过以太网/RS485通信模块传输给所述上位机软件系统6；
Q5：对所述草莓A进行破坏性的糖度检测和酸度检测，得到所述草莓A真实的糖度值PAssc和酸度值PAacd；
Q6：所述上位机软件系统6将所述草莓A的真实重量G1、彩色图像A、近红外图像A、透射光谱A、糖度值PAssc和酸度值PAacd储存为样品点A的信息，再随机选取300个草莓重复步骤Q1～步骤Q5，获取300个样品点的信息，得到所有样品点的信息集，其中所有样品点的透射光谱均进行波长点修正并计算吸收光谱，然后将所有样品点计算得到的吸收光谱与对应的真实糖度值或酸度值通过多元线性回归或偏最小二乘或支持向量机方法建立糖度或酸度预测模型，其中糖度或酸度预测模型包括：以所有样品点建立通用预测模型库M1，以草莓的外观种类、重量为变量，分别建立重量区间预测模型库M2、外观分类预测模型库M3；
Q7：将待检测的草莓B放入果杯B中并随所述传送带2运行，重复步骤Q2～Q4进行检测，所述上位机软件系统6在通用预测模型库M1、重量区间预测模型库M2、外观分类预测模型库M3中为所述草莓B寻优选取最匹配的糖度或酸度预测模型，再通过加权算法计算得到所述草莓B的预测糖度值PBssc、酸度值PBacd，最终对所述草莓B的预测糖度值PBssc、酸度值PBacd进行修正，实现草莓糖度或酸度的在线无损检测；
Q8：若所述草莓B与所述预测模型库中的预测模型均不匹配，所述上位机软件系统6在线扩充预测模型，实现草莓糖度或酸度的在线无损检测。
作为优选，在所述步骤Q4中，所述视觉检测系统5的分析结果包括果肉颜色信息HLS1、叶片颜色信息HLS2、对称性信息Symm。
作为优选，在所述步骤Q6中，利用多参数自动修正技术对透射光谱进行波长点修正并计算吸收光谱，具体步骤如下：
S1：采集光谱仪的暗噪声D、标准白板参考光谱R1、光谱仪的探测器温度、标准糖酸溶液的透射光谱R2，所述标准糖酸溶液的真实糖度值设为Pssc、酸度值设为Pacd；
S2：将采集到的暗噪声D、标准白板参考光谱R1、标准糖酸溶液透射光谱R2通过线性插值算法转化为以0.5nm为单位的标准波长下的光谱，上述转换后的光谱分别计为D’、R1’、R2’，同样将所述草莓A的透射光谱A、300个草莓的透射光谱S300通过线性插值算法转化为A’、S300’；
S3：预先将光谱仪的探测器置于-25℃、-15℃、-5℃、5℃、15℃、25℃、35℃、45℃环境下测试标准光源的光谱，从而计算出每增加1℃的温度条件下所述光谱的波长偏移Δw，以及每增加1℃的温度条件下每个标准波长下所述光谱的强度变化Δk，然后计算出实际工作温度T下的波长偏移量Pbias和强度变化率K，计算公式为Pbias＝(T-25)*Δw，K＝(T-25)*Δk；
S4：将D’、R1’、R2’光谱加上波长偏移量Pbias并乘以对应的强度变化率K，计算得到温度修正后的光谱D”、R1”、R2”，同样将A’、S300’加上波长偏移量Pbias并乘以对应的强度变化率K，计算得到温度修正后的A”、S300”，再转换为吸收光谱XA、X300，计算公式如下：
XA＝log10(R1″-D″)/(A″-D″)，
X300＝log10(R1″-D″)/(S300″-D″)，即完成对透射光谱进行波长点修正并计算吸收光谱，然后再按照所述步骤Q6的方法建立糖度或酸度预测模型；
在所述步骤Q7中，对草莓B的糖度或酸度的预测值进行修正，具体步骤如下：
P1：所述上位机软件系统6预先存入标准糖度或酸度溶液模型，所述标准糖度或酸度溶液模型由200份标准糖酸溶液的透射光谱通过多元线性回归或偏最小二乘或支持向量机方法建立，接着采集待测草莓B的原始透射光谱S，将透射光谱S代入步骤S2～S4中，获得对应修正后的透射光谱为S”，利用修正后的S”计算吸收光谱XB，计算公式如下：
XB＝log10(R1″-D″)/(S″-D″)，
再按照步骤Q7的方法得到所述草莓B的预测糖度值PBssc、酸度值PBacd；
P2：将R2”光谱代入所述上位机软件系统6预存的标准糖度或酸度溶液模型中，得到标准糖酸溶液的糖度预测值Pressc及酸度预测值Preacd，从而得到真实环境状态下糖度预测偏移量Δssc＝Pressc-Pssc及酸度预测偏移量Δacd＝Preacd-Pacd，最终预测得到所述草莓B的糖度值为PBssc+Δssc、酸度值为PBacd+Δacd，即完成对糖度或酸度的预测值的修正。
作为优选，所述重量区间预测模型库M2以重量为变量，设置4个类别的模型，分别为Model10-20g、Model20-30g、Model30-40g、Model40g+。
作为优选，所述外观分类预测模型库M3以外观种类为变量，设置3个类别的模型，分别为ModelV、ModelU、ModelX。
作为优选，所述步骤Q8中，在线扩充预测模型的具体步骤如下：
Q8a：当草莓B的外观种类与已有类别差距较大，所述上位机软件系统6自动选取所述草莓B的外观种类扩充为一种新的类别；
Q8b：所述上位机软件系统6先提取出所述草莓B的果肉颜色信息HLS1、叶片颜色信息HLS2、对称性信息Symm三个参数，并从通用预测模型库M1中选取最接近的100个草莓样品重新进行建模。
作为优选，所述果杯1中央设有20mm通孔11，所述探头42设于所述果杯1的正下方并与所述通孔11相对应。
作为优选，所述步骤Q7中通过加权算法计算得到所述草莓B的预测糖度值PBssc、酸度值PBacd，具体计算步骤如下：
Q7a：所述草莓B代入通用预测模型库M1，得到预测值Y1；
Q7b：所述草莓B代入重量区间预测模型库M2，得到预测值Y2；
Q7c：所述草莓B代入外观分类预测模型库M3，得到预测值Y3；
Q7d：采用加权算法，计算公式为Y＝0.5Y1+0.3Y2+0.2Y3，得到预测值Y。
作为优选，所述光源的波长范围设为950nm，所述探头42的最大有效采集时间为40ms，所述光谱仪的饱和输出值为65535、光谱采集系统的积分时间为1ms。
作为优选，所述步骤Q5中，采用GB/T8210中的方法测定所述草莓A的真实糖度值PAssc，采用GB/T10467-1989中的方法测定所述草莓A的真实酸度值PAacd。
实施例3
一种草莓糖分的快速无损检测工艺，将草莓A放置在果杯1中，所述果杯1随传送带2运行并动态的进行糖度及酸度的预测，具体包括如下步骤：
Q1：上果：将所述草莓A放入所述果杯1中，放置时要求将所述草莓A的果柄与果尖所在的轴线与所述果杯1的任一对角线对齐；
Q2：所述传送带2的运行速度为1m/s，所述果杯1跟随所述传送带2经过动态称重系统3，所述动态称重系统3对所述草莓A、所述果杯1进行整体称重，然后所述动态称重系统3通过以太网/RS485通信模块将数据传输给上位机软件系统6，所述上位机软件系统6将所述果杯1的重量进行扣除，得到所述草莓A的真实重量G1；
Q3：接着所述传送带2将所述果杯1传输至光谱采集系统4，所述光谱采集系统4内设有光源、光电传感器41、探头42、光谱仪，当所述光电传感器41接触到所述果杯1，所述探头42开始接收穿透所述草莓A的光线并反馈至所述光谱仪，所述光谱仪测得所述草莓A的透射光谱A并通过以太网/RS485通信模块传输给所述上位机软件系统6；
Q4：接着所述果杯1经过视觉检测系统5，所述视觉检测系统5获取所述草莓A的彩色图像A和近红外图像A，所述视觉检测系统5对所述彩色图像A和近红外图像A进行分析，并将分析结果通过以太网/RS485通信模块传输给所述上位机软件系统6；
Q5：对所述草莓A进行破坏性的糖度检测和酸度检测，得到所述草莓A真实的糖度值PAssc和酸度值PAacd；
Q6：所述上位机软件系统6将所述草莓A的真实重量G1、彩色图像A、近红外图像A、透射光谱A、糖度值PAssc和酸度值PAacd储存为样品点A的信息，再随机选取250个草莓重复步骤Q1～步骤Q5，获取250个样品点的信息，得到所有样品点的信息集，其中所有样品点的透射光谱均进行波长点修正并计算吸收光谱，然后将所有样品点计算得到的吸收光谱与对应的真实糖度值或酸度值通过多元线性回归或偏最小二乘或支持向量机方法建立糖度或酸度预测模型，其中糖度或酸度预测模型包括：以所有样品点建立通用预测模型库M1，以草莓的外观种类、重量为变量，分别建立重量区间预测模型库M2、外观分类预测模型库M3；
Q7：将待检测的草莓B放入果杯B中并随所述传送带2运行，重复步骤Q2～Q4进行检测，所述上位机软件系统6在通用预测模型库M1、重量区间预测模型库M2、外观分类预测模型库M3中为所述草莓B寻优选取最匹配的糖度或酸度预测模型，再通过加权算法计算得到所述草莓B的预测糖度值PBssc、酸度值PBacd，最终对所述草莓B的预测糖度值PBssc、酸度值PBacd进行修正，实现草莓糖度或酸度的在线无损检测；
Q8：若所述草莓B与所述预测模型库中的预测模型均不匹配，所述上位机软件系统6在线扩充预测模型，实现草莓糖度或酸度的在线无损检测。
作为优选，在所述步骤Q4中，所述视觉检测系统5的分析结果包括果肉颜色信息HLS1、叶片颜色信息HLS2、对称性信息Symm。
作为优选，在所述步骤Q6中，利用多参数自动修正技术对透射光谱进行波长点修正并计算吸收光谱，具体步骤如下：
S1：采集光谱仪的暗噪声D、标准白板参考光谱R1、光谱仪的探测器温度、标准糖酸溶液的透射光谱R2，所述标准糖酸溶液的真实糖度值设为Pssc、酸度值设为Pacd；
S2：将采集到的暗噪声D、标准白板参考光谱R1、标准糖酸溶液透射光谱R2通过线性插值算法转化为以0.5nm为单位的标准波长下的光谱，上述转换后的光谱分别计为D’、R1’、R2’，同样将所述草莓A的透射光谱A、250个草莓的透射光谱S200-300通过线性插值算法转化为A’、S250’；
S3：预先将光谱仪的探测器置于-25℃、-15℃、-5℃、5℃、15℃、25℃、35℃、45℃环境下测试标准光源的光谱，从而计算出每增加1℃的温度条件下所述光谱的波长偏移Δw，以及每增加1℃的温度条件下每个标准波长下所述光谱的强度变化Δk，然后计算出实际工作温度T下的波长偏移量Pbias和强度变化率K，计算公式为Pbias＝(T-25)*Δw，K＝(T-25)*Δk；
S4：将D’、R1’、R2’光谱加上波长偏移量Pbias并乘以对应的强度变化率K，计算得到温度修正后的光谱D”、R1”、R2”，同样将A’、S250’加上波长偏移量Pbias并乘以对应的强度变化率K，计算得到温度修正后的A”、S250”，再转换为吸收光谱XA、X250，计算公式如下：
XA＝log10(R1″-D″)/(A″-D″)，
X250＝log10(R1″-D″)/(S250″-D″)，即完成对透射光谱进行波长点修正并计算吸收光谱，然后再按照所述步骤Q6的方法建立糖度或酸度预测模型；
在所述步骤Q7中，对草莓B的糖度或酸度的预测值进行修正，具体步骤如下：
P1：所述上位机软件系统6预先存入标准糖度或酸度溶液模型，所述标准糖度或酸度溶液模型由200份标准糖酸溶液的透射光谱通过多元线性回归或偏最小二乘或支持向量机方法建立，接着采集待测草莓B的原始透射光谱S，将透射光谱S代入步骤S2～S4中，获得对应修正后的透射光谱为S”，利用修正后的S”计算吸收光谱XB，计算公式如下：
XB＝log10(R1″-D″)/(S″-D″)，
再按照步骤Q7的方法得到所述草莓B的预测糖度值PBssc、酸度值PBacd；
P2：将R2”光谱代入所述上位机软件系统6预存的标准糖度或酸度溶液模型中，得到标准糖酸溶液的糖度预测值Pressc及酸度预测值Preacd，从而得到真实环境状态下糖度预测偏移量Δssc＝Pressc-Pssc及酸度预测偏移量Δacd＝Preacd-Pacd，最终预测得到所述草莓B的糖度值为PBssc+Δssc、酸度值为PBacd+Δacd，即完成对糖度或酸度的预测值的修正。
作为优选，所述重量区间预测模型库M2以重量为变量，设置4个类别的模型，分别为Model10-20g、Model20-30g、Model30-40g、Model40g+。
作为优选，所述外观分类预测模型库M3以外观种类为变量，设置3个类别的模型，分别为ModelV、ModelU、ModelX。
作为优选，所述步骤Q8中，在线扩充预测模型的具体步骤如下：
Q8a：当草莓B的外观种类与已有类别差距较大，所述上位机软件系统6自动选取所述草莓B的外观种类扩充为一种新的类别；
Q8b：所述上位机软件系统6先提取出所述草莓B的果肉颜色信息HLS1、叶片颜色信息HLS2、对称性信息Symm三个参数，并从通用预测模型库M1中选取最接近的80个草莓样品重新进行建模。
作为优选，所述果杯1中央设有18mm通孔11，所述探头42设于所述果杯1的正下方并与所述通孔11相对应。
作为优选，所述步骤Q7中通过加权算法计算得到所述草莓B的预测糖度值PBssc、酸度值PBacd，具体计算步骤如下：
Q7a：所述草莓B代入通用预测模型库M1，得到预测值Y1；
Q7b：所述草莓B代入重量区间预测模型库M2，得到预测值Y2；
Q7c：所述草莓B代入外观分类预测模型库M3，得到预测值Y3；
Q7d：采用加权算法，计算公式为Y＝0.5Y1+0.3Y2+0.2Y3，得到预测值Y。
作为优选，所述光源的波长范围设为750nm，所述探头42的最大有效采集时间为30ms，所述光谱仪的饱和输出值为65535、光谱采集系统的积分时间为1ms。
作为优选，所述步骤Q5中，采用GB/T8210中的方法测定所述草莓A的真实糖度值PAssc，采用GB/T10467-1989中的方法测定所述草莓A的真实酸度值PAacd。
实施例4
根据现有预测糖度的通用模型和实施例3的预测模型，其中现有的预测糖度通用模型未对光谱进行修正，同时也未对草莓进行分类建模，两者对同一批10个草莓样本的糖度预测结果如下：
表1采用通用模型和实施例3模型的预测值
| 糖度真实值 | 通用模型预测结果 | 实施例3预测结果 |
| 7.5 | 7.1 | 7.3 |
| 8.6 | 8.2 | 8.5 |
| 9.8 | 10.1 | 9.9 |
| 10.2 | 10.4 | 10.2 |
| 10.5 | 10.4 | 10.4 |
| 11.0 | 10.6 | 10.9 |
| 11.5 | 11.7 | 11.6 |
| 12.1 | 11.8 | 12.0 |
| 12.8 | 13.2 | 13.1 |
| 13.5 | 13.2 | 13.5 |
由此可见，本发明的预测模型通过对光谱进行修正、对草莓样本进行分类建模并加权的方法，显著提高了糖度预测的准确度。
总之，以上所述仅为本发明的较佳实施例，凡依本发明申请专利的范围所作的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (7)
1.一种草莓糖分的快速无损检测工艺，其特征在于：将草莓A放置在果杯(1)中，所述果杯(1)随传送带(2)运行并动态的进行糖度及酸度的预测，具体包括如下步骤：
Q1：上果：将所述草莓A放入所述果杯(1)中，放置时要求将所述草莓A的果柄与果尖所在的轴线与所述果杯(1)的任一对角线对齐；
Q2：所述传送带(2)的运行速度为0.5m/s～1.5m/s，所述果杯(1)跟随所述传送带(2)经过动态称重系统(3)，所述动态称重系统(3)对所述草莓A、所述果杯(1)进行整体称重，然后所述动态称重系统(3)通过以太网/RS485通信模块将数据传输给上位机软件系统(6)，所述上位机软件系统(6)将所述果杯(1)的重量进行扣除，得到所述草莓A的真实重量G1；
Q3：接着所述传送带(2)将所述果杯(1)传输至光谱采集系统(4)，所述光谱采集系统(4)内设有光源、光电传感器(41)、探头(42)、光谱仪，当所述光电传感器(41)接触到所述果杯(1)，所述探头(42)开始接收穿透所述草莓A的光线并反馈至所述光谱仪，所述光谱仪测得所述草莓A的透射光谱A并通过以太网/RS485通信模块传输给所述上位机软件系统(6)；
Q4：接着所述果杯(1)经过视觉检测系统(5)，所述视觉检测系统(5)获取所述草莓A的彩色图像A和近红外图像A，所述视觉检测系统(5)对所述彩色图像A和近红外图像A进行分析，并将分析结果通过以太网/RS485通信模块传输给所述上位机软件系统(6)；所述视觉检测系统(5)的分析结果包括果肉颜色信息HLS1、叶片颜色信息HLS2、对称性信息Symm；
Q5：对所述草莓A进行破坏性的糖度检测和酸度检测，得到所述草莓A真实的糖度值PAssc和酸度值PAacd；
Q6：所述上位机软件系统(6)将所述草莓A的真实重量G1、彩色图像A、近红外图像A、透射光谱A、糖度值PAssc和酸度值PAacd储存为样品点A的信息，再随机选取200～300个草莓重复步骤Q1～步骤Q5，获取200～300个样品点的信息，得到所有样品点的信息集，其中所有样品点的透射光谱均进行波长点修正并计算吸收光谱，然后将所有样品点计算得到的吸收光谱与对应的真实糖度值或酸度值通过多元线性回归或偏最小二乘或支持向量机方法建立糖度或酸度预测模型，其中糖度或酸度预测模型包括：以所有样品点建立通用预测模型库M1，以草莓的外观种类、重量为变量，分别建立重量区间预测模型库M2、外观分类预测模型库M3；其中利用多参数自动修正技术对透射光谱进行波长点修正并计算吸收光谱，具体步骤如下：
S1：采集光谱仪的暗噪声D、标准白板参考光谱R1、光谱仪的探测器温度、标准糖酸溶液的透射光谱R2，所述标准糖酸溶液的真实糖度值设为Pssc、酸度值设为Pacd；
S2：将采集到的暗噪声D、标准白板参考光谱R1、标准糖酸溶液透射光谱R2通过线性插值算法转化为以0.5nm为单位的标准波长下的光谱，上述转换后的光谱分别计为D’、R1’、R2’，同样将所述草莓A的透射光谱A、200～300个草莓的透射光谱S200-300通过线性插值算法转化为A’、S200-300’；
S3：预先将光谱仪的探测器置于-25℃、-15℃、-5℃、5℃、15℃、25℃、35℃、45℃环境下测试标准光源的光谱，从而计算出每增加1℃的温度条件下所述光谱的波长偏移Δw，以及每增加1℃的温度条件下每个标准波长下所述光谱的强度变化Δk，然后计算出实际工作温度T下的波长偏移量Pbias和强度变化率K，计算公式为Pbias＝(T-25)*Δw，K＝(T-25)*Δk；
S4：将D’、R1’、R2’光谱加上波长偏移量Pbias并乘以对应的强度变化率K，计算得到温度修正后的光谱D”、R1”、R2”，同样将A’、S200-300’加上波长偏移量Pbias并乘以对应的强度变化率K，计算得到温度修正后的A”、S200-300”，再转换为吸收光谱XA、X200-300，计算公式如下：
XA＝log10(R1″-D″)/(A″-D″)，
X200-300＝log10(R1″-D″)/(S200-300″-D″)，即完成对透射光谱进行波长点修正并计算吸收光谱，然后再按照所述步骤Q6的方法建立糖度或酸度预测模型；
Q7：将待检测的草莓B放入果杯B中并随所述传送带(2)运行，重复步骤Q2～Q4进行检测，所述上位机软件系统(6)在通用预测模型库M1、重量区间预测模型库M2、外观分类预测模型库M3中为所述草莓B寻优选取最匹配的糖度或酸度预测模型，再通过加权算法计算得到所述草莓B的预测糖度值PBssc、酸度值PBacd，最终对所述草莓B的预测糖度值PBssc、酸度值PBacd进行修正，实现草莓糖度或酸度的在线无损检测；其中修正的具体步骤如下：
P1：所述上位机软件系统(6)预先存入标准糖度或酸度溶液模型，所述标准糖度或酸度溶液模型由200份标准糖酸溶液的透射光谱通过多元线性回归或偏最小二乘或支持向量机方法建立，接着采集待测草莓B的原始透射光谱S，将透射光谱S代入步骤S2～S4中，获得对应修正后的透射光谱为S”，利用修正后的S”计算吸收光谱XB，计算公式如下：
XB＝log10(R1″-D″)/(S″-D″)，
再按照步骤Q7的方法得到所述草莓B的预测糖度值PBssc、酸度值PBacd；
P2：将R2”光谱代入所述上位机软件系统(6)预存的标准糖度或酸度溶液模型中，得到标准糖酸溶液的糖度预测值Pressc及酸度预测值Preacd，从而得到真实环境状态下糖度预测偏移量Δssc＝Pressc-Pssc及酸度预测偏移量Δacd＝Preacd-Pacd，最终预测得到所述草莓B的糖度值为PBssc+Δssc、酸度值为PBacd+Δacd，即完成对糖度或酸度的预测值的修正；
Q8：若所述草莓B与所述预测模型库中的预测模型均不匹配，所述上位机软件系统(6)在线扩充预测模型，实现草莓糖度或酸度的在线无损检测；其中在线扩充预测模型的具体步骤如下：
Q8a：当草莓B的外观种类与已有类别差距较大，所述上位机软件系统(6)自动选取所述草莓B的外观种类扩充为一种新的类别；
Q8b：所述上位机软件系统(6)先提取出所述草莓B的果肉颜色信息HLS1、叶片颜色信息HLS2、对称性信息Symm三个参数，并从通用预测模型库M1中选取最接近的50～100个草莓样品重新进行建模。
2.根据权利要求1所述的一种草莓糖分的快速无损检测工艺，其特征在于：所述重量区间预测模型库M2以重量为变量，设置4个类别的模型，分别为Model10-20g、Model20-30g、Model30-40g、Model40g+。
3.根据权利要求2所述的一种草莓糖分的快速无损检测工艺，其特征在于：所述外观分类预测模型库M3以外观种类为变量，设置3个类别的模型，分别为ModelV、ModelU、ModelX。
4.根据权利要求1所述的一种草莓糖分的快速无损检测工艺，其特征在于：所述果杯(1)中央设有5mm～20mm通孔(11)，所述探头(42)设于所述果杯(1)的正下方并与所述通孔(11)相对应。
5.根据权利要求1所述的一种草莓糖分的快速无损检测工艺，其特征在于：所述步骤Q7中通过加权算法计算得到所述草莓B的预测糖度值PBssc、酸度值PBacd，具体计算步骤如下：
Q7a：所述草莓B代入通用预测模型库M1，得到预测值Y1；
Q7b：所述草莓B代入重量区间预测模型库M2，得到预测值Y2；
Q7c：所述草莓B代入外观分类预测模型库M3，得到预测值Y3；
Q7d：采用加权算法，计算公式为Y＝0.5Y1+0.3Y2+0.2Y3，得到预测值Y。
6.根据权利要求1所述的一种草莓糖分的快速无损检测工艺，其特征在于：所述光源的波长范围设为500～950nm，所述探头(42)的最大有效采集时间为13～40ms，所述光谱仪的饱和输出值为65535、光谱采集系统的积分时间为1ms。
7.根据权利要求1所述的一种草莓糖分的快速无损检测工艺，其特征在于：所述步骤Q5中，采用GB/T8210中的方法测定所述草莓A的真实糖度值PAssc，采用GB/T10467-1989中的方法测定所述草莓A的真实酸度值PAacd。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110613721.XA CN113340823B (zh) | 2021-06-02 | 2021-06-02 | 一种草莓糖分的快速无损检测工艺 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110613721.XA CN113340823B (zh) | 2021-06-02 | 2021-06-02 | 一种草莓糖分的快速无损检测工艺 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113340823A CN113340823A (zh) | 2021-09-03 |
| CN113340823B true CN113340823B (zh) | 2023-06-27 |
Family
ID=77472836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110613721.XA Active CN113340823B (zh) | 2021-06-02 | 2021-06-02 | 一种草莓糖分的快速无损检测工艺 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113340823B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113933305B (zh) * | 2021-11-12 | 2022-12-20 | 江南大学 | 基于智能手机的薄皮水果糖度无损测量方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103487396A (zh) * | 2013-09-20 | 2014-01-01 | 华东交通大学 | 一种光照参数可调的近红外水果糖度无损检测装置 |
| CN103792235A (zh) * | 2014-01-10 | 2014-05-14 | 内蒙古农业大学 | 漫透射光谱与图像信息融合的蜜瓜内部品质在线检测方法与装置 |
| CN106841103A (zh) * | 2017-03-01 | 2017-06-13 | 沈阳农业大学 | 近红外光谱检测水果内部品质方法及专用检测系统 |
| KR102242155B1 (ko) * | 2019-11-08 | 2021-04-19 | 이상훈 | 이미지를 이용한 사과 당도 측정 방법 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6002990A (en) * | 1997-10-16 | 1999-12-14 | Datex-Ohmeda, Inc. | Dynamic wavelength calibration for spectrographic analyzer |
| US6137581A (en) * | 1998-05-15 | 2000-10-24 | Mitsui Mining & Smelting Co., Ltd. | Measurement apparatus for measuring internal quality of object |
| US6512577B1 (en) * | 2000-03-13 | 2003-01-28 | Richard M. Ozanich | Apparatus and method for measuring and correlating characteristics of fruit with visible/near infra-red spectrum |
| JP4077767B2 (ja) * | 2003-06-06 | 2008-04-23 | ヤンマー株式会社 | 農産物非破壊品質判定装置 |
| JP2005156453A (ja) * | 2003-11-27 | 2005-06-16 | Yanmar Co Ltd | 農産物計測システム |
| KR101574895B1 (ko) * | 2014-06-26 | 2015-12-04 | 제주대학교 산학협력단 | Ｆｔ―ｉｒ 스펙트럼 데이터의 다변량 통계분석을 이용한 감귤의 당도 및 산도 예측 방법 |
| CN108037081B (zh) * | 2017-10-20 | 2020-07-28 | 中国农业大学 | 一种酿酒葡萄成熟度监测方法和系统 |
| CN109100323B (zh) * | 2018-08-20 | 2020-11-20 | 江苏大学 | 一种苹果水心病的透射光谱无损定量评价方法 |
| CN109615635A (zh) * | 2018-12-06 | 2019-04-12 | 厦门理工学院 | 基于图像识别对草莓进行品质分拣的方法及装置 |
| CN109978822B (zh) * | 2019-02-15 | 2023-05-05 | 仲恺农业工程学院 | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 |
| CN112098357B (zh) * | 2020-08-21 | 2021-12-10 | 南京农业大学 | 一种基于近红外光谱的草莓感官品质等级评价方法 |
-
2021
- 2021-06-02 CN CN202110613721.XA patent/CN113340823B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103487396A (zh) * | 2013-09-20 | 2014-01-01 | 华东交通大学 | 一种光照参数可调的近红外水果糖度无损检测装置 |
| CN103792235A (zh) * | 2014-01-10 | 2014-05-14 | 内蒙古农业大学 | 漫透射光谱与图像信息融合的蜜瓜内部品质在线检测方法与装置 |
| CN106841103A (zh) * | 2017-03-01 | 2017-06-13 | 沈阳农业大学 | 近红外光谱检测水果内部品质方法及专用检测系统 |
| KR102242155B1 (ko) * | 2019-11-08 | 2021-04-19 | 이상훈 | 이미지를 이용한 사과 당도 측정 방법 |
Non-Patent Citations (1)
| Title |
|---|
| 不知火杂柑可溶性固形物在线检测模型建立及优化;欧阳爱国;吴明明;王海阳;刘燕德;;光谱学与光谱分析(第05期) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113340823A (zh) | 2021-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cortés et al. | Monitoring strategies for quality control of agricultural products using visible and near-infrared spectroscopy: A review | |
| Walsh et al. | The uses of near infra-red spectroscopy in postharvest decision support: A review | |
| Zude et al. | Non-destructive tests on the prediction of apple fruit flesh firmness and soluble solids content on tree and in shelf life | |
| Lu et al. | A near–infrared sensing technique for measuring internal quality of apple fruit | |
| CN102818777B (zh) | 一种基于光谱和颜色测量的水果成熟度评价方法 | |
| US20210247318A1 (en) | Non-Destructive Detection of Egg Freshness Based on Raman Spectroscopy | |
| Wedding et al. | Effects of seasonal variability on FT-NIR prediction of dry matter content for whole Hass avocado fruit | |
| CN109932333B (zh) | 声学振动和近红外光谱融合的水果坚实度测量系统和方法 | |
| CN107817223A (zh) | 快速无损实时预测原油性质模型的构建方法及其应用 | |
| CN101504363A (zh) | 一种基于近红外光谱分析的食用油脂酸价检测方法 | |
| Belyakov et al. | Photoluminescent control ripeness of the seeds of plants | |
| Srivastava et al. | Data processing approaches and strategies for non-destructive fruits quality inspection and authentication: a review | |
| CN113340823B (zh) | 一种草莓糖分的快速无损检测工艺 | |
| Berardinelli et al. | Kiwifruit flesh firmness determination by a NIR sensitive device and image multivariate data analyses | |
| Melado-Herreros et al. | Postharvest ripeness assessment of ‘Hass’ avocado based on development of a new ripening index and Vis-NIR spectroscopy | |
| CN112098357B (zh) | 一种基于近红外光谱的草莓感官品质等级评价方法 | |
| CN108613943B (zh) | 一种基于光谱形态转移的近红外单籽粒作物成分检测方法 | |
| CN108169168A (zh) | 检测分析水稻籽粒蛋白质含量数学模型及构建方法和应用 | |
| KR100433263B1 (ko) | 근적외선 흡수스펙트럼을 이용한 곡물 1립 비파괴 분석방법 | |
| CN109142238B (zh) | 一种棉花磷素营养快速诊断方法 | |
| CN105158178B (zh) | 基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法 | |
| Hong et al. | Nondestructive prediction of rice seed viability using spectral and spatial information modeling of visible–near infrared hyperspectral images | |
| CN102788796A (zh) | 基于高光谱图像及荧光图像多信息融合的作物氮营养诊断装置及方法 | |
| Srivastava et al. | Data fusion for fruit quality authentication: combining non-destructive sensing techniques to predict quality parameters of citrus cultivars | |
| Femenias et al. | Hyperspectral Imaging |
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 |