CN113655017A - 一种智能手机连用的无损糖度检测装置及其检测方法 - Google Patents

Abstract

本发明公开了一种基于漫反射方法的智能手机连用的无损糖度检测装置及其检测方法。通过多种近红外波段LED照明苹果，利用手机接收苹果发出的漫发射光，分析其强度特征，利用深度神经网络构建的糖度预测模型测量糖度值。利用两次漫反射的方法，克服了苹果表面缺陷、表面光泽度对强度获取的影响，鲁棒性好。利用手机进行数据获取，不增加额外探测器，极大程度降低了装置的成本，提高了便携程度。基于大量苹果数据的深度神经网络糖度预测模型，具有较好的糖度预测精度。

Description

一种智能手机连用的无损糖度检测装置及其检测方法

技术领域

本发明属于光电检测技术领域，尤其是涉及了一种智能手机连用的便捷无损苹果糖度检测装置及其检测方法。

背景技术

随着人们生活水平的不断提高，越来越多的人在购买苹果时会更加注重苹果的品质，尤其是苹果的糖度。苹果糖度的高低与否，直接关乎苹果的质量及定价。过去苹果测量糖度的方法均是对苹果进行有损测量，这不仅影响苹果糖度测量的效率，也对苹果的销售产生影响。一种智能手机连用的无损糖度仪在糖度测量的精确性、便捷性上都比原有糖度计有所突破，更重要的是其无损特性使得可以让每个苹果经过糖度测量后，依然可以上架销售。

近红外光谱技术，利用了分子基频振动的倍频与合频吸收峰，主要反映物质含氢基团的吸收。由于苹果糖分的主要成分富含含氢基团，因此对苹果近红外光吸收谱的分析可以反映苹果糖度的量值。

利用不同中心波长的窄带近红外光LED，并分别获取相应的苹果漫反射强度值，可以对苹果的近红外光谱进行采样量化。

近年来，深度神经网络(DNN)在复杂模型构建中发挥着重要作用。不同糖度苹果在不同波长下的反射强度差异，通过深度神经网络经过大数据的学习拟合，可以得到符合实际的非线性糖度预测模型，提高糖度预测的精度及鲁棒性。

近年来发明的苹果无损糖度计其需要复杂的光电探测器及处理电路，成本高昂，且鲁棒性较差，易受测量角度及测量方式的影响。

使用当前智能手机优秀的成像功能，通过改变智能手机的曝光参数，可以达到相当大的强度探测动态范围，同时又兼顾强度测量的精确度。用智能手机的成像功能代替价格高昂的光电探测器及处理电路，可以明显降低产品成本，并提升系统鲁棒性。智能手机连用的苹果无损糖度仪，其极低的成本使得其能够进入寻常百姓家，其不到目前进口糖度仪1％的价格，就能享受与之媲美甚至更高的糖度测量精度。

发明内容

本发明提供了一种智能手机连用无损苹果糖度检测装置及其检测方法，使用多种中心波长近红外LED分时照明苹果，利用苹果发出的漫反射光照亮装置内壁参考白屏，通过智能手机摄像模组拍摄参考白屏，获得苹果各波长照明下的漫反射光强度。利用机器视觉算法对内壁图像进行分析，得到漫反射光强数值。再将得到的光谱反射强度数据及用精准糖度仪标定的糖度值送入深度神经网络(DNN)进行学习，拟合出光谱反射强度与苹果糖度之间的预测模型。利用该模型，可对苹果的糖度进行预测。这样的测量方法相较于现有的苹果糖度仪，由于使用了智能手机的信号获取、处理、显示功能，测量成本大大降低，适合消费者、苹果供应商等多类型客户使用。

本发明采用的技术方案如下：

本发明首先公开了一种智能手机连用的无损苹果糖度检测装置，其包括光源装配台(10)、测量杯体(20)、LED光源和智能手机；

所述的光源装配台设置于测量杯体上方；光源装配台包括通光测量口和LED装配孔；其中，通光测量口设置于光源装配台中央，用以手机摄像头获取苹果漫反射强度图像；所述LED装配孔有多个，多个LED装配孔等距均匀排列于以通光测量口为圆心的圆周上；所述LED装配孔12为具有一定倾斜角度的斜圆孔，其轴线与测量杯体(20)轴线相交于测量杯体(20)底部中心，该底部中心为待测苹果测量位置中心；

测量杯体包括漫反射杯身和遮光环，其中漫反射杯身外表面为挡光吸光材料，用以隔绝外界环境光干扰，漫反射杯身内表面为漫反射白色材料，用以对苹果漫反射光进行混光积分；遮光环为黑色柔性材料，其设置在漫反射杯身的底部开口边沿，用以紧密贴合待检测苹果表面，隔绝外界光进入漫反射杯身；

所述LED光源包括与LED装配孔数量相同的多个发光二极管光源，各发光二极管光源安装于LED装配孔上，多个发光二极管光源发射不同的中心波长；所述智能手机包含摄像头、数据处理模块，其中摄像头在工作时设置在通光测量口上用于获取苹果漫反射强度图像，数据处理模块包括图像处理模块和糖度计算模型，其中图像处理模块用于对苹果漫反射强度图像进行处理获得苹果糖度，糖度计算模型为预训练的模型，其用于根据特征输入而输出糖度计算结果。

作为本发明的优选方案，所述发光二极管光源的波长范围为680nm～880nm。

作为本发明的优选方案，所述LED光源的光源直射光锥与杯身内壁不相交，避免光源直射光对漫反射光的干扰。更进一步的，所述LED光源的发散角半角度小于10°。

作为本发明的优选方案，所述发光二极管光源的个数为8个。

本发明还公开上述智能手机连用的无损苹果糖度检测装置的检测方法，其包括以下步骤：

1)搭建所述无损苹果糖度检测装置，将待测苹果表面紧密贴合遮光环，保持LED光源、智能手机、待测苹果与无损苹果糖度检测装置位置相对固定；

2)选择其中一个波长的发光二极管光源进行点亮，光源发出的光斑照射至苹果表面，经苹果后的漫反射光照明漫反射杯身内壁；利用智能手机对照射至漫反射杯身内壁上的漫反射光进行成像拍摄；

3)切换点亮另一波长的发光二极管光源，重复操作2)，直至所有发光二极管光源均点亮且均获得对应的苹果漫反射光图像；

4)将各波长拍摄得到的苹果漫反射光图像导入图像处理模块，获得苹果各波长下的漫反射光谱强度；

5)将步骤4)中得到的各波长强度导入糖度计算模型，计算得到苹果糖度值，并对结果进行显示。

作为本发明的优选方案，所述的步骤4)具体为：

4.1)输入待提取信息的苹果漫反射图像I_org，将RGB图像转换为灰度图，再预处理得到去噪二值化图片I_b；

4.2)利用圆的对称性找到圆心坐标x、y，取圆心处横纵线强度I_x、I_y；

4.3)调整比例参数，取其中圆环线强度I_xx、I_yy，并求均值得平均强度avg_I_x、avg_I_y；

4.4)若得到的avg_I_x与avg_I_y相差超过一定阈值，则取较大数作为提取的强度特征；若二者差值小于阈值，则取二者平均数作为提取的强度特征。

作为本发明的优选方案，所述的步骤5)具体为：

5.1)搭建深度学习神经网络模型，所述模型由批归一化层、全连接层和激活层构成，基于已知糖度的苹果各波长下的漫反射光谱强度特征数据集对深度学习神经网络模型进行训练，得到了预训练的糖度计算模型；

5.2)将4)所提取的各个特征波长强度特征作为输入，送入预训练的糖度计算模型，模型输出一个101维向量，代表从8.0～18.0Brix间隔0.1Brix的糖度值；

5.3)提取糖度计算模型输出结果中最大值的位置，将其转换到对应的糖度，即得预测糖度值。

本发明测量速度很快，只需将整个装置固定，通过手机打开不同波长LED光源，并按照预定参数拍摄若干张图片，导入数据处理模块即可得到苹果糖度。

本发明使用方便，需要使用时只需将手机及待测苹果放置在装置相应位置，使用完毕后，智能手机可以取下，不影响智能手机正常使用。装置轻便小巧，适合消费者选购苹果时随身携带。

本发明硬件成本低，所用光源为大批量生产半导体发光器，造价低，稳定性好。装置固定材料无特别要求，可选取成本低廉且环境友好的可降解塑料。

本发明精确度高，糖度预测模型经过大量数据拟合，并在产品上线后随时进行在线模型修正，可以达到良好的糖度预测精度。

本发明鲁棒性好。本装置对外界光进行良好隔离，消除外界光对测量系统的不稳定影响。光源通过稳流LED芯片驱动，光源稳定性好。且利用两次漫反射(苹果漫反射光至装置内壁，装置内壁漫反射光至手机摄像头)，通过数据处理，可以明显减少苹果表面缺陷、光泽度对糖度测量的影响。

附图说明

图1是本发明方法的流程图。

图2是本发明测量装置的结构示意图。

图3是本发明强度获取算法的流程图。

图4是本发明原型实际拍摄得到苹果强度图片。

图5为实施例中针对118个位置进行糖度测试的光谱结果。

图6为实施例中训练损失函数值与训练轮数的关系图；

图7为实施例中预测精确度与训练轮数的关系图；

图8为应用本发明方法对冰糖心品种苹果的糖度预测结果。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图1所示，本发明的基于漫反射方法的智能手机连用的无损苹果糖度检测方法包括如下步骤：

1)搭建苹果糖度测量装置，保持光源、智能手机、测量苹果与装置位置相对固定；

2)点亮其中一个中心波长的发光二极管光源，选择智能手机合适曝光参数及聚焦参数，对经苹果表面的漫反射光进行拍摄；

3)切换点亮其他波长发光二极管，重复操作2)；

4)将各波长拍摄得到的苹果漫反射光图像导入图像处理模块，获得苹果各波长下的漫反射光谱强度；

5)将步骤4)中得到的各波长强度导入糖度计算模型，计算得到苹果糖度值，并显示在智能手机界面上。

请参见图2，本发明的智能手机连用无损苹果糖度检测装置包括光源装配台(10)、测量杯体(20)、LED光源和智能手机；其中光源装配台(10)和测量杯体(20)构成检测装置100，用于获取苹果漫反射光强度图像。光源装配台10设置于测量杯体20上方。

光源装配台10包括：通光测量口11，通光测量口11设置于光源装配台10中央，用以手机摄像头获取装置内部苹果漫反射强度图像；LED装配孔12，LED装配孔12共8个，以通光测量口为轴，等距排列于光源装配台10周围。LED装配孔12为一定倾斜角度斜圆孔，其轴线与装置100轴线相交于装置100底部中心，也为苹果测量位置中心。

测量杯体20包括：漫反射杯身21，漫反射杯身21外表面为挡光吸光材料，用以隔绝外界环境光干扰，在本实施例中，漫反射杯身21外表面选择为常见的轻薄锡箔纸。漫反射杯身21内表面为漫反射白色材料，可选用工业上近红外漫反射标准白板材料氧化镁MgO涂料，其反射比高，接近97％，且漫反射性能好，表面无光泽，其还具有平整与均匀性好的特点，漫反射白色材料用以对苹果漫反射光进行混光积分；遮光环22，遮光环22由黑色柔性材料制成，用以紧密贴合苹果表面，起到隔绝外界光进入及稳定苹果位置的作用。黑色柔性材料只要具有一定隔光效果的柔性材料即可。可以采用柔软且挡光性好的黑色橡胶，也可采用黑色聚氨酯保温泡沫材料。

所述LED光源包括与LED装配孔数量相同的多个发光二极管光源，各发光二极管光源安装于LED装配孔上，多个发光二极管光源发射不同的中心波长；所述智能手机包含摄像头、数据处理模块，其中摄像头在工作时设置在通光测量口上用于获取苹果漫反射强度图像，数据处理模块包括图像处理模块和糖度计算模型，其中图像处理模块用于对苹果漫反射强度图像进行处理获得苹果糖度，糖度计算模型为预训练的模型，其用于根据特征输入而输出糖度计算结果。

本发明的图像处理模块和糖度计算模型可以以软件的形式在智能手机中进行安装从而在使用时被调用。只要具备680nm-880nm近红外光接收能力的普通智能手机均可以满足本发明的应用。

在本实施例中，所述步骤1)的具体内容为：

1.1)苹果糖度测量装置如图2所示，其中近红外LED发散角小，半角度约为7°，其光斑中心照射于苹果测量位置中央，光斑范围限制在苹果表面，避免直接照射装置内壁，以免带来信噪比下降。

1.2)经由苹果表面及附近果肉的漫反射光照射至装置内壁。装置内壁由均匀漫反射介质制成，对近红外波段具有较好的反射特性。

1.3)手机摄像头固定于装置上开口处，以一定视场接收角获取装置内部图像。

在本发明的优选实施例中，所述的步骤2)的具体内容为：

2.1)选择使用的发光二极管光源波长范围为680nm～880nm，处于智能手机摄像头探测灵敏探测范围内。

2.2)分时点亮不同中心波长LED，并根据不同手机型号，选择初始曝光参数及聚焦参数，并在同一波长测量时保持固定。本发明实际拍摄得到苹果强度图片如图4所示。

在本发明的优选实施例中，如图3所示，所述的步骤4)的具体内容为：

4.1)输入待提取信息的苹果漫反射图像I_org，将RGB图像转换为灰度图，再处理图片细节，得到去噪二值化图片I_b；

4.2)利用圆的对称性找到圆心坐标x、y，取圆心处横纵线强度I_x、I_y；

4.3)调整比例参数，取其中圆环线强度I_xx、I_yy，并求均值得平均强度avg_I_x、avg_I_y；

4.4)若得到的avg_I_x与avg_I_y相差较大，超过一定阈值，则取较大数作为提取的强度特征；若二者差值小于阈值，则取二者平均数作为提取的强度特征；

本发明的一个优选实施例中，步骤5)的具体内容为：

5.1)搭建深度学习神经网络模型，模型由批归一化层、全连接层和激活层构成，基于已知糖度的苹果各波长下的漫反射光谱强度特征数据集对深度学习模型进行训练，得到了预训练模型；

5.2)将4)所提取的8个特征波长强度特征作为输入，送入预训练深度学习模型，模型输出一个101维向量，代表从8.0～18.0Brix间隔0.1Brix的糖度值；

5.3)提取模型输出结果中最大值的位置，将其转换到对应的糖度，即得预测糖度值。

以下结合具体测试实验和数据，对本发明做进一步的说明。

首先按照本发明所述方法对20个红富士苹果，10个黄元帅苹果的共118个位置进行糖度测量，得到光谱结构如图5所示。

将该118个数据点中94个数据(80％)作为训练集数据，24个数据(20％)作为验证集数据，导入搭建好的深度学习训练模型中进行训练及验证。

得到训练结果如图6-7所示，本发明最终得到的模型的验证集精确度为93％，表明本模型在实验所取的红富士及黄元帅苹果品种的糖度预测精确度高，泛化能力强。

将本深度学习模型部署至智能手机，再次应用本发明所述方法，测试10个冰糖心品种苹果，评估其在不同品种苹果间的糖度预测能力。得到如下结果如图8所示。

其中黑色方块为现有商用糖度计给出的参考值(ground truth)，白色方块为本专利所用方法建立得到的糖度预测模型给出的糖度预测值(predict)。

从图中可见，该模型应用在不同品种的苹果时，仍能得到较好的糖度预测精度(准确度<±1％Brix)。值得注意的是，测试的10个苹果不在模型训练的数据集内，且测试苹果品种与训练集所用苹果品种相异，充分说明了本发明所述糖度检测装置及检测方法具有良好的鲁棒性及精确性。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。

Claims (8)

1.一种智能手机连用的无损苹果糖度检测装置，其特征在于包括：光源装配台(10)、测量杯体(20)、LED光源和智能手机；

所述的光源装配台设置于测量杯体上方；光源装配台包括通光测量口和LED装配孔；其中，通光测量口设置于光源装配台中央，用以手机摄像头获取苹果漫反射强度图像；所述LED装配孔有多个，多个LED装配孔等距均匀排列于以通光测量口为圆心的圆周上；所述LED装配孔12为具有一定倾斜角度的斜圆孔，其轴线与测量杯体(20)轴线相交于测量杯体(20)底部中心，该底部中心为待测苹果测量位置中心；

测量杯体包括漫反射杯身和遮光环，其中漫反射杯身外表面为挡光吸光材料，用以隔绝外界环境光干扰，漫反射杯身内表面为漫反射白色材料，用以对苹果漫反射光进行混光积分；遮光环为黑色柔性材料，其设置在漫反射杯身的底部开口边沿，用以紧密贴合待检测苹果表面，隔绝外界光进入漫反射杯身；

所述LED光源包括与LED装配孔数量相同的多个发光二极管光源，各发光二极管光源安装于LED装配孔上，多个发光二极管光源发射不同的中心波长；所述智能手机包含摄像头、数据处理模块，其中摄像头在工作时设置在通光测量口上用于获取苹果漫反射强度图像，数据处理模块包括图像处理模块和糖度计算模型，其中图像处理模块用于对苹果漫反射强度图像进行处理获得苹果糖度，糖度计算模型为预训练的模型，其用于根据特征输入而输出糖度计算结果。

2.根据权利要求1所述的智能手机连用的无损苹果糖度检测装置，其特征在于，所述发光二极管光源的波长范围为680nm～880nm。

3.根据权利要求1所述的智能手机连用的无损苹果糖度检测装置，其特征在于，所述LED光源的光源直射光锥与杯身内壁不相交。

4.根据权利要求1或3所述的智能手机连用的无损苹果糖度检测装置，其特征在于，所述LED光源的发散角半角度小于10°。

5.根据权利要求1-3任一项所述的智能手机连用的无损苹果糖度检测装置，其特征在于，所述发光二极管光源的个数为8个。

6.一种权利要求1所述智能手机连用的无损苹果糖度检测装置的检测方法，其特征在于包括以下步骤：

1)搭建所述无损苹果糖度检测装置，将待测苹果表面紧密贴合遮光环，保持LED光源、智能手机、待测苹果与无损苹果糖度检测装置位置相对固定；

2)选择其中一个波长的发光二极管光源进行点亮，光源发出的光斑照射至苹果表面，经苹果后的漫反射光照明漫反射杯身内壁；利用智能手机对照射至漫反射杯身内壁上的漫反射光进行成像拍摄；

3)切换点亮另一波长的发光二极管光源，重复操作2)，直至所有发光二极管光源均点亮且均获得对应的苹果漫反射光图像；

4)将各波长拍摄得到的苹果漫反射光图像导入图像处理模块，获得苹果各波长下的漫反射光谱强度；

5)将步骤4)中得到的各波长强度导入糖度计算模型，计算得到苹果糖度值，并对结果进行显示。

7.根据权利要求6所述的检测方法，其特征在于：所述的步骤4)具体为：

4.1)输入待提取信息的苹果漫反射图像I_org，将RGB图像转换为灰度图，再预处理得到去噪二值化图片I_b；

4.2)利用圆的对称性找到圆心坐标x、y，取圆心处横纵线强度I_x、I_y；

4.3)调整比例参数，取其中圆环线强度I_xx、I_yy，并求均值得平均强度avg-I_x、avg_I_y；

4.4)若得到的avg_I_x与avg_I_y相差超过一定阈值，则取较大数作为提取的强度特征；若二者差值小于阈值，则取二者平均数作为提取的强度特征。

8.根据权利要求6所述的一种智能手机连用的无损苹果糖度仪，其特征在于：所述的步骤5)具体为：

5.1)搭建深度学习神经网络模型，所述模型由批归一化层、全连接层和激活层构成，基于已知糖度的苹果各波长下的漫反射光谱强度特征数据集对深度学习神经网络模型进行训练，得到了预训练的糖度计算模型；

5.2)将4)所提取的各个特征波长强度特征作为输入，送入预训练的糖度计算模型，模型输出一个101维向量，代表从8.0～18.0Brix间隔0.1Brix的糖度值；

5.3)提取糖度计算模型输出结果中最大值的位置，将其转换到对应的糖度，即得预测糖度值。

Images