CN113751345B - 一种菠萝无损检测分级装置和方法 - Google Patents

Abstract

本发明属于无损检测领域，公开了一种菠萝无损检测分级装置，包括控制器、第一输送带、第二输送带、动态称重输送机，所述动态称重输送机的下方设有通过转盘模块，所述转盘模块用于驱动动态称重输送机在水平方向上转动360°；所述第三输送带、第四输送带、第五输送带的末端均分别连接有基于可见光/近红外的无损检测设备；所述动态称重输送机和第二输送带之间设有第一传感器。该装置能够对菠萝的输送方向进行简单有效的判断，通过重量对菠萝进行一次分级，然后通过无损检测设备检测输送方向一致的菠萝，其检测位置精准，检测结果可靠，可针对菠萝的大小、是否有水心病进行分级。同时，本发明还公开了一种菠萝分级的方法。

Description

一种菠萝无损检测分级装置和方法

技术领域

本发明涉及无损检测加工领域，具体为一种菠萝无损检测分级装置和方法。

背景技术

CN201910938730.9公开了一种基于双目视觉和多光谱检测技术的菠萝自动分级分拣方法及装置，是先采用双目视觉系统检测菠萝的大小和颜色成熟度，进行菠萝的外部品质分级；然后采用多光谱检测菠萝的内部是否损伤，根据正常菠萝与黑心菠萝的内部含水量与碳水化合物含量的光谱曲线特征，检测判断菠萝的内部质量，进行菠萝的内部品质分级；最后再根据上述的检测结果进行菠萝的自动分级分拣。

在本方案中，菠萝分级主要是用于在后续的批量化加工过程中进行的前置操作，在现有技术中，很少有人关注如何将菠萝进行有效的分级和针对性地检测进行综合考虑，致使检测结果有误差。

具体来说，在后续的加工过程中我们需要对菠萝的根部和叶子进行去除，在无损检测中，我们需要将光源集中到果肉最厚的地方，这些都需要我们将菠萝的输送方向予以确定。

现有技术中，能够实现的方式是通过视觉分析的方法来进行，但是视觉分析的方法一方面需要写入较为复杂的算法，另外一方面针对不同成熟度的菠萝需要进行针对性的训练，其复杂程度更高。

本方案所要解决的技术问题是：如何实现菠萝的智能化分级，以将菠萝根据大小、是否具有水心病进行有效的处理。

发明内容

本发明的目的在于提供一种菠萝无损检测分级装置，该装置能够对菠萝的输送方向进行简单有效的判断，通过重量对菠萝进行一次分级，然后通过无损检测设备检测输送方向一致的菠萝，其检测位置精准，检测结果可靠，可针对菠萝的大小、是否有水心病进行分级。

同时，本发明还公开了一种菠萝分级的方法。

为实现上述目的，本发明提供如下技术方案：一种菠萝无损检测分级装置，包括控制器、第一输送带、与第一输送带连接的第二输送带、设置在第二输送带末端的动态称重输送机，所述动态称重输送机的下方设有通过转盘模块，所述转盘模块用于驱动动态称重输送机在水平方向上转动360°；所述动态称重输送机上的输送皮带通过第一电机驱动正反转，所述动态称重输送机的前方、左侧、右侧分别设有第三输送带、第四输送带、第五输送带；所述第三输送带、第四输送带、第五输送带的末端均分别连接有基于可见光/近红外的无损检测设备；所述第二输送带的输送速度快于第一输送带的输送速度；所述动态称重输送机和第二输送带之间设有用于检测是否有物体通过的第一传感器；所述第一传感器、动态称重输送机、转盘模块、第一电机均分别电连接至控制器。

在上述的菠萝无损检测分级装置中，所述无损检测设备用于检测菠萝是否为具有水心病的菠萝，还包括第六输送带以及设置在无损检测设备的出口位置的用于收集具有水心病的菠萝的收集框，所述第六输送带的一侧设有第一气缸，所述第一气缸和收集框分设在第六输送带的两侧，所述无损检测设备、第一气缸分别和控制器电连接，所述第一气缸用于根据无损检测设备的检测结果将具有水心病的菠萝从第六输送带上推至收集框内。

在上述的菠萝无损检测分级装置中，所述无损检测设备包括光源、光线接收器、设置在光源和光线接收器之间的可升降的支撑块，所述支撑块内设有椭圆形的凹部；所述凹部沿支撑块的长度方向贯穿支撑块；所述第三输送带的末端、第四输送带的末端、第五输送带的末端与配套的无损检测设备的支撑块并排设置且两者之间设有连接板；所述第三输送带的末端、第四输送带的末端、第五输送带的末端设有挡板，所述挡板上设有用于检测压力的第二传感器；所述第三输送带的末端、第四输送带的末端、第五输送带的末端远离支撑块的一侧设有第二气缸，所述第二气缸用于将菠萝推到对应的支撑块上；所述支撑块的长度方向的一侧设有第三气缸，所述支撑块的长度方向的另外一侧连接第六输送的输入端；所述第三气缸用于将支撑块上的菠萝推入第六输送带；所述第二传感器、第二气缸、第三气缸分别电连接至控制器。

在上述的菠萝无损检测分级装置中，所述第一输送带的输送端的上方设有下料斗，所述下料斗的底部为长条状的输出口，所述输出口的宽度大于一个菠萝的直径且小于两个菠萝的直径；所述输出口的长度方向与第一输送带的输送方向一致；第一输送带的两侧设有第一挡板。

在上述的菠萝无损检测分级装置中，所述第二输送带的两侧设有第二挡板，所述动态称重输送机的两侧设有第三挡板。

在上述的菠萝无损检测分级装置中，所述转盘模块的下方设有举升模块，所述举升模块用于驱动动态称重输送机升降；所述驱动动态称重输送机在水平面的投影为正方形。

在上述的菠萝无损检测分级装置中，所述第二输送带为可变输送速度的输送带。

同时，本发明还公开了一种菠萝分级的方法，所述方法依赖于如上任一所述的装置实施；

所述方法具体为：

将菠萝随机放置到第一输送带上，所述第一输送带将菠萝输送到第二输送带上，所述控制器控制第一输送带的输送速度低于第二输送带；当菠萝从第二输送带输送至动态称重输送机上时，第一传感器检测到有物体通过时的第一时间T1，物体完全通过时的第二时间T2,动态称重输送机获取到重量超过预设阈值W时的第三时间T3，其中X=（T3-T1）/（T2-T1），判断X是否小于预设阈值Y，若是，则判断菠萝的根部向前，若否则判断菠萝的叶子向前；同时，通过动态称重输送机获取菠萝的实际重量w；

若实际重量w大于或等于大果标准重量W1，则控制转盘模块转动，使动态称重输送机与第三输送带对接且控制菠萝的根部向前；

若实际重量w大于或等于中果标准重量W2且小于大果标准重量W1，则控制转盘模块转动，使动态称重输送机与第四输送带对接且控制菠萝的根部向前；

若实际重量w大于或等于小果标准重量W3且小于中果标准重量W2，则控制转盘模块转动，使动态称重输送机与第五输送带对接且控制菠萝的根部向前；

通过第三输送带、第四输送带、第五输送带将菠萝送入对应的无损检测设备检测，判断各级别的菠萝是否具有水心病，如果有水心病则剔除。

在上述的菠萝分级的方法中，调整菠萝的根部向前的方法为：通过转盘模块转动使动态称重输送机上的菠萝的根部朝向对应的第三输送带、第四输送带、第五输送带之一，通过电机驱动动态称重输送机的输送皮带转动使菠萝输送带到对应的第三输送带、第四输送带、第五输送带上。

在上述的菠萝分级的方法中，所述Y=0.35-0.65。

与现有技术相比，本发明的有益效果是：

本发明的突出效果在于，该装置能够对菠萝的输送方向进行简单有效的判断，通过判断有物体通过后多长时间动态称重输送机可以检测到菠萝的重量，可判断菠萝的输送方向，并通过菠萝的重量对菠萝进行一次分级，然后通过无损检测设备检测输送方向一致的菠萝，其检测位置精准，检测结果可靠，可针对菠萝的大小、是否有水心病进行分级。

附图说明

图1为本发明的实施例1的俯视图；

图2为本发明的实施例1的动态称重输送机的主视图；

图3为本发明的实施例1的第三输送带、支撑块、第六输送带配合示意图；

图4为本发明的实施例1的无损检测设备的主视图；

图5为本发明的实施例1的控制框图；

图6a为本发明的案例1的原始光谱；

图6b为本发明的案例1的 400-1100 nm原始光谱数据对水心程度PCA判别示意图；

图7a为本发明的案例1中对光谱进行噪音波动的滤除、对散热噪音进行校正得到的光谱；

图7b为本发明的案例1中400-1100 nm SG + SNV处理光谱对水心程度PCA判别示意图；

图8为本发明的实施例1中SPA + PCA + ED对400-1100 nm光谱特征作用分析图谱；

图9为本发明的实施例1中400-1100 nm光谱结合PLSR对菠萝水心病检测结果；

图10a为本发明的案例2的原始光谱；

图10b为本发明的案例2的 400-1100 nm原始光谱数据对水心程度PCA判别示意图；

图11a为本发明的案例2中对光谱进行噪音波动的滤除、对散热噪音进行校正得到的光谱；

图11b为本发明的案例2中400-1100 nm SG + SNV处理光谱对水心程度PCA判别示意图；

图12为本发明的案例2中SPA + PCA + ED对400-1100 nm光谱特征作用分析图谱；

图13为本发明的案例2中400-1100 nm光谱结合PLSR对菠萝水心病检测结果；

图14a为本发明的案例3的原始光谱；

图14b为本发明的案例3的 400-1100 nm原始光谱数据对水心程度PCA判别示意图；

图15a为本发明的案例3中对光谱进行噪音波动的滤除、对散热噪音进行校正得到的光谱；

图15b为本发明的案例3中400-1100 nm SG + SNV处理光谱对水心程度PCA判别示意图；

图16为本发明的案例3中SPA + PCA + ED对400-1100 nm光谱特征作用分析图谱；

图17为本发明的案例3中400-1100 nm光谱结合PLSR对菠萝水心病检测结果；

图18为不同数量光源情况下的光谱图；

图19为不同光源间距情况下的光谱图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

第一部分

实施例1

参考图1-5，一种菠萝无损检测分级装置，包括控制器1、第一输送带2、与第一输送带2连接的第二输送带3、设置在第二输送带3末端的动态称重输送机4，所述动态称重输送机4的下方设有通过转盘模块5，所述转盘模块5用于驱动动态称重输送机4在水平方向上转动360°；所述动态称重输送机4上的输送皮带通过第一电机6驱动正反转，所述动态称重输送机4的前方、左侧、右侧分别设有第三输送带7、第四输送带8、第五输送带9；所述第三输送带7、第四输送带8、第五输送带9的末端均分别连接有基于可见光/近红外的无损检测设备10；所述第二输送带3的输送速度快于第一输送带2的输送速度；所述动态称重输送机4和第二输送带3之间设有用于检测是否有物体通过的第一传感器11；所述第一传感器11、动态称重输送机4、转盘模块5、第一电机6均分别电连接至控制器1。

其工作原理为：

将菠萝通过料斗随机的逐个放置到第一输送带2上，所述第一输送带2将菠萝输送到第二输送带3上，所述控制器1控制第一输送带2的输送速度低于第二输送带3；当菠萝从第二输送带3输送至动态称重输送机4上时，第一传感器11检测到有物体通过时的第一时间T1，物体完全通过时的第二时间T2,动态称重输送机4获取到重量超过预设阈值W时的第三时间T3，其中X=（T3-T1）/（T2-T1），判断X是否小于预设阈值Y，Y可设置为0.4，若是，则判断菠萝的根部向前，若否则判断菠萝的叶子向前；通过这种方式，无需图像识别技术，仅仅通过电眼检测并计算即可判断菠萝的根部朝向。

同时，通过动态称重输送机4获取菠萝的实际重量w；

若实际重量w大于或等于大果标准重量W1，则控制转盘模块5转动，使动态称重输送机4与第三输送带7对接且控制菠萝的根部向前；

若实际重量w大于或等于中果标准重量W2且小于大果标准重量W1，则控制转盘模块5转动，使动态称重输送机4与第四输送带8对接且控制菠萝的根部向前；

若实际重量w大于或等于小果标准重量W3且小于中果标准重量W2，则控制转盘模块5转动，使动态称重输送机4与第五输送带9对接且控制菠萝的根部向前；

通过第三输送带7、第四输送带8、第五输送带9将菠萝送入对应的无损检测设备10检测，判断各级别的菠萝是否具有水心病，如果有水心病则剔除。

通过无损检测设备10检测是否有水心病可参考本文最后第二部分的记载。

上述记载仅仅是为了描述菠萝水心病的判断方法，本领域同类的基于神经网络训练的方法有很多，本发明并不追求水心病检测的高度准确性，仅仅用于示意如何对菠萝进行分级操作。

更为优选地，所述转盘模块5的下方设有举升模块12，所述举升模块12用于驱动动态称重输送机4升降；所述驱动动态称重输送机4在水平面的投影为正方形。

更为具体来说，在动态称重输送机4的下方固定有一个第一支撑平台13，第一支撑平台13上设有转盘14，转盘14通过步进电机15驱动，转盘14和动态称重输送机4连接，第一支撑平台13的下方设有第一升降气缸16，在第一支撑平台13的四个角上还具有导柱，第一升降气缸16驱动第一支撑平台13升降。

当动态称重输送机4需要转动方向时，第一升降气缸16驱动第一支撑平台13上升，然后步进电机15驱动转盘14转动时动态称重输送机4转动方向，调整菠萝的根部向前并和对应的第三输送带7、第四输送带8、第五输送带9对接。

通过上述操作，可保证菠萝根据重量进行分级，并保持统一的输送方向。

在本实施例中，第六输送带18以及设置在无损检测设备10的出口位置的用于收集具有水心病的菠萝的收集框19，所述第六输送带18的一侧设有第一气缸20，所述第一气缸20和收集框19分设在第六输送带18的两侧，所述无损检测设备10、第一气缸20分别和控制器1电连接，所述第一气缸20用于根据无损检测设备10的检测结果将具有水心病的菠萝从第六输送带18上推至收集框19内。

当无损检测设备10检测到菠萝有水心病后，第一气缸20会将菠萝推到收集框19内。

在本实施例中，所述无损检测设备10包括光源100、光线接收器101、设置在光源100和光线接收器101之间的可升降的支撑块102，所述支撑块102内设有椭圆形的凹部103；所述凹部103沿支撑块102的长度方向贯穿支撑块102；优选地，在光源100和支撑块102之间还有一个隔光板106，其上设置进光孔105；所述第三输送带7的末端、第四输送带8的末端、第五输送带9的末端与配套的无损检测设备10的支撑块102并排设置且两者之间设有连接板104；所述第三输送带7的末端、第四输送带8的末端、第五输送带9的末端设有挡板24，所述挡板24上设有用于检测压力的第二传感器21；所述第三输送带7的末端、第四输送带8的末端、第五输送带9的末端远离支撑块102的一侧设有第二气缸22，所述第二气缸22用于将菠萝推到对应的支撑块102上；所述支撑块102的长度方向的一侧设有第三气缸23，所述支撑块102的长度方向的另外一侧连接第六输送的输入端；所述第三气缸23用于将支撑块102上的菠萝推入第六输送带18；所述第二传感器21、第二气缸22、第三气缸23分别电连接至控制器1。

以第三输送带7为例，将菠萝输送到第三输送带7末端时，菠萝的根部会顶住第二传感器21，第二传感器21将信号发送给控制器1，控制器1控制第二气缸22推动菠萝沿连接板104推到支撑块102上，支撑块102通过下方的升降平台驱动升降，在第二气缸22动作时，升降平台位于低位，菠萝到达支撑块102上后，升降平台升至光源100和光线接收器101之间进行检测，检测结束后，升降平台104下降到低位，第三气缸23将菠萝从根部推送至第六输送带18上，由第六输送带18输送至后续的去皮工序。

在本实施例中，所述第一输送带2的输送端的上方设有下料斗24，所述下料斗24的底部为长条状的输出口，所述输出口的宽度大于一个菠萝的直径且小于两个菠萝的直径；所述输出口的长度方向与第一输送带2的输送方向一致；第一输送带2的两侧设有第一挡板21。

输出口的长度有2-3个菠萝的长度，可同时向下输出多个菠萝.

在本实施例中，所述第二输送带3的两侧设有第二挡板22，所述动态称重输送机4的两侧设有第三挡板17，所述第二输送带3为可变输送速度的输送带。

第二输送带3的变速策略为，当动态称重输送机4在称重时，第二输送带3速度变慢但是大于第一输送带2的输送速度，当动态称重输送机4空闲时，第二输送带3的速度变快。

第二部分菠萝水心病的检测

实验概述

1 材料与方法

1.1 光谱检测平台搭建

项目组自搭建的菠萝品质无损检测实验平台如图4所示。采样时将菠萝平躺放置在载物台的支撑块102上（托盘可固定菠萝姿态，亦可使实验结果更好地为流水线动态检测提供参考）。为防止光线未经过菠萝直接被光纤接收造成噪声干扰，光源100发射的光需经过隔光板106的进光孔105，透射过样本后，经过出光孔方可被接收。测试过程在暗箱内进行，箱体窗口用窗帘遮光。为寻找较优的菠萝光谱采样参数，平台以下参数活动可调：光源0-900 w可调（由9盏100 w的卤素灯组成），隔光板上进光孔与出光孔的大小经过多次更换、测试确定，光源、菠萝样本和接收光纤（即光线接收器101）之间的距离可通过滑台调节。

本发明选用100w的光源是因为该瓦数的光源既具有较好的光强以透射菠萝，又具有较好的使用寿命（理论时长1000小时）。若再增加灯的瓦数寿命衰减较大，实际使用中无法满足稳定性，增加光源数量是个较优选择。为选择较优的光源数量与分布，采用三层灯（上层、中间层、下层）对同一个菠萝进行数据采集对比，可参考图18。当上、中、下均仅开靠中间的两盏灯时，透射率强于其他组合方式。上、中、下若再打开其他光源，会因为照射角度问题，使得有些光线未经过直接被光线接收，造成漏光的现象，此时透射率大于100%，造成数据错误。

光强固定为上、中、下均两盏，共600W。参考图19，当光源与入光孔距离从80 cm增加到84cm时，透射率是增强的，但再拉大距离，透射率逐渐降低。符合小孔成像原理。

其中，同一层的两盏灯与入光孔的连线构成的夹角的弧度为30°；上下两层灯的间距为15cm；任意一层的两盏灯的连线的中垂线过入光孔。

图14-15中，可见当上中下均为2盏灯、光源和入光孔的间距为84cm时，其效果是最好的，其透射率最高且无漏光现象，虽然相比其他情况，其透光率提高是有限的，但是其可以导致噪音信号偏小，进而导致信噪比得到的显著的优化，避免光谱中的关键特征丢失、无法识别等情况出现，是后期检测的可靠性的有力保障。

接收光纤另一端连接两台覆盖不同波段的光谱仪，分别是QE pro和NIR QUESR（均为美国Ocean Optics公司生产），可覆盖波段400-1100和900-1700 nm，若采用两台光谱仪联用的方式共可覆盖400-1700 nm的光谱信息。

1.2 菠萝样本

本实验采用的菠萝果实2021年4月采摘于广东省湛江市徐闻县某农场，品种为“巴厘”，共100个样本，采果后立即在农场附件搭建的实验房内进行采样与测试。

1.3 菠萝样本信息采集

经过反复调试，菠萝可见/近红外光谱的较优采集参数设置为：光谱仪QE pro与NIR QUEST的积分时间分别为 600与2000 ms；接收光纤距离菠萝托盘距离30 mm；菠萝托盘近光孔位置距离光源84mm；光源为600 w；菠萝托盘位于托盘的中心位置，光源、进光孔、菠萝、出光孔、接收光纤处于同一水平。

采集菠萝光谱信息后，立即进行水心病人工评判。通过对样品进行破坏性检测，得到样品的分类结果；

目前尚未见菠萝水心病评级方法，本项目组提出^[21]：将菠萝纵切两半，再切成12小片平铺在桌面上，较全面地观察并记录菠萝水心病发生情况。共采集到无水心病、轻微水心病、严重水心病样本分别为56、21和23个。

1.4 数据处理与分析

采用主成分分析（Principal Component Analysis，PCA）^[22]判别不同水心程度菠萝的分类效果；采用多项式平滑（Savitzky Golay，SG）^[23]滤波减少大型水果光谱采样因光程较长、信噪比较低带来的噪声波动，滤波效果受多项式阶次与平滑点数的影响；采用标准正态变量校正（Standard Normal Variate，SNV）^[24]降低菠萝表皮极其粗糙等带来的散射噪声；采用连续投影算法（Successive Projections Algorithm, SPA）^[25] + PCA + 欧氏距离（Euclidean Distance，ED）^[26]进行光谱特征提取，其中SPA根据差异大小进行光谱特征的排序，特征数量从2到最大逐渐增加，分别进行PCA处理，采用ED计算不同类别中心点之间的距离，以距离的大小判断增加特征的必要性；采用偏最小二乘回归（Partial LeastSquares Regression，PLSR）^[27]与概率神经网络（Probabilistic Neural Network，PNN）^[28]分训练集与校正集进行进一步建模判别，无、轻度和重度水心病分别随机选择38、14和15个样本作为训练集，剩下19、7和8个样本作为验证集，不同水心程度期望输出均分别设定为1、2和3，其中PLSR的检测效果受降维后特征个数FN的选取影响较大，结果输出为小数，通常用预测值与实际值之间的拟合系数R²，以及均方根误差RMSE表示，PNN的检测效果受扩散速度Spread值影响较大，其结果输出为整数，可直接用正确率表达。为进一步统计PLSR的识别正确率，将PLSR结果输出进行四舍五入取整，小于等于1的结果输出为无水心，等于2为轻微水心，大于等于3为重度水心。

具体实验过程

案例1

400-1100nm光谱对菠萝水心病检测

2.1.1 原始数据+PCA判别

菠萝样本在400-1100 nm的原始光谱如图6a所示，数据在1000 nm以后出现轻微的噪声波动。400-1100nm原始数据对菠萝水心程度的PCA判别结果如图6b所示。第一主成分（PC1）与第二主成分（PC2）的贡献率分别为62.64和35.67%，总贡献率为98.31%。不同水心程度菠萝样本可以被区分开来，但距离较近，且离散程度较高，聚类性较差。

2.1.2 SG滤波+SNV校正+PCA判别

为提高光谱数据质量，经反复试验，采用3阶23点SG处理可较好地滤除光谱数据中存在的噪声波动，随后采用SNV对光谱信号中的散射噪声进行校正，得到处理后的菠萝光谱信号如图7a所示。基于处理后的光谱信号对菠萝水心程度进行PCA判别的结果如图7b所示。PC1和PC2的贡献率分别为91.66和2.96%，总贡献率为94.62%。对比图7b，PCA同样可以有效区分不同水心程度，且同类样本数据点的聚类性明显增强，但不同样本之间存在少量数据点重叠，实际分类中有误判的风险。

2.1.3 SPA+PCA+ED特征提取

为明确是否每一个特征对分类识别均有积极作用，采用SPA + PCA + ED对光谱特征作用的分析结果如图8所示。采用SPA将特征作用从大到小进行排序后，按顺序逐渐增加特征数量并进行PCA分析，不同水心程度数据点之间的ED逐渐增加。可见，所有的特征在分类识别过程中均是有益的。

采用SPA+ PCA + ED对光谱特征作用的分析的过程如下：

步骤1：采用连续投影算法对光谱的特征的重要性进行排序；

本步骤所述的光谱的特征的重要性是指不同样品的光谱在同一波长时的特征值的差异，特征值的差异越大，特征的重要性越大。

参考图6a，在任意一个波长点上，每个样品均有透射率，如果不同样品之间的透射率的差别越大，则代表该特征的重要性越大。

可见图6a中400-650nm波段内的特征的重要性均比较差。在700-900nm波段内的重要性比较大。

通过连续投影算法（SPA）对光谱的特征的重要性进行排序可更快地提高菠萝不同水心病程度的分类效果。

步骤2：按照特征的排序顺序，采用主成分分析算法（PCA），逐渐增加特征值，获得不同数量的特征对样本的分类结果；

步骤2可具体参考如下步骤实现：

步骤21：通过主成分分析算法对排序在前N个的特征进行逐渐累加分析，得到N个特征数量情况下的所有样本在第一主成分、第二主成分组成的二维空间的坐标系上的分布；

步骤22：通过主成分分析算法对排序在前N+1个的特征进行逐渐累加分析，得到N+1个特征数量情况下的样本在第一主成分、第二主成分组成的二维空间的坐标系上的分布；

步骤23：将1.3中提及的样品的实际分类结果导入到步骤21和步骤22的分布上，同种分类结果的样品构成一个样品类别；所述坐标系上有多种分类对应的多个样品类别。

步骤3：通过样本类别中心点之间的欧氏距离（ED）检验增加特征对分类能力的提升效果；

如果N+1个特征的样本类别中心点之间的欧氏距离大于N个特征的样本类别中心点之间的欧氏距离；则表示增加的特征为有效特征；反之则增加的特征为无效特征。

具体来说，如果前6个特征的样本类别中心点之间的欧氏距离大于前5个特征的样本类别中心点之间的欧氏距离，则代表增加的一个特征为有效特征。

如果前6个特征的样本类别中心点之间的欧氏距离小于或等于前5个特征的样本类别中心点之间的欧氏距离，则代表增加的一个特征为无效特征，无效特征不应出现在后续的建模特征集合中。

2.1.4 PLSR、PNN检测建模

为进一步探究可见/近红外光谱对水心病无损检测的应用效果，采用PLSR分训练集与验证集对菠萝水心病的检测结果分别如图9所示，经反复训练，PLSR的建模参数FN设定为11，模型对训练集的PLSR回判R²和RMSE分别为0.95与0.18，对于验证集的检测R²和RMSE分别为0.81和0.37。对结果输出进行四舍五入后，对训练集的回判正确率为98.51%（1个重度水心误判为轻度水心），对测试集的检测正确率为88.24%（1个轻度水心误判为无水心；3个重度水心误判为轻度水心）。

采用PNN分训练集与验证集对菠萝水心病进行建模检测，经反复训练，PNN模型参数Spread设定为1.2，所建模型对训练集的回判正确率为98.51%（1个重度水心误判为轻度水心），对验证集的检测正确率为91.18%（1个轻度水心误判为无水心；2个重度水心误判为轻度水心），具有较好的检测效果。

案例2

900-1700nm光谱对菠萝水心病检测

3.1.1 原始数据+PCA判别

菠萝样本在900-1700 nm的原始光谱如图10a所示，数据在均存在明显的噪声波动，且虽波长增加而增大。900-1700nm原始数据对菠萝水心程度的PCA判别结果如图10b所示。第一主成分（PC1）与第二主成分（PC2）的贡献率分别为87.79和9.26%，总贡献率为97.05%。不同水心程度菠萝样本无法被区分开来。

3.1.2 SG滤波+SNV校正+PCA判别

为提高光谱数据质量从而提升检测效果，经反复试验，采用3阶41点SG处理可较好地滤除光谱数据中存在的噪声波动，随后采用SNV对光谱信号中的散射噪声进行校正，得到处理后的菠萝光谱信号如图11a所示。基于处理后的光谱信号对菠萝水心程度进行PCA判别的结果如图11b所示。PC1和PC2的贡献率分别为91.75和3.07%，总贡献率为94.82%。PCA无法有效区分不同水心程度，但对比图11b，样本数据点的聚类性明显增强。

3.1.3 SPA+PCA+ED特征提取

采用SPA + PCA + ED对光谱特征作用的分析结果如图8所示。采用SPA将特征作用从大到小进行排序后，按顺序逐渐增加特征数量并进行PCA分析，不同水心程度数据点之间的ED逐渐增加。可见，900-1700 nm所有的特征在分类识别过程中均是有益的。

其具体过程可参考“2.1.3 SPA+PCA+ED特征提取”。

3.1.4 PLSR、PNN检测

PLSR分训练集与验证集对菠萝水心病的检测结果分别如图13所示，经反复训练，PLSR的建模参数FN设定为11，模型对训练集的PLSR回判R²和RMSE分别为0.76与0.40，对于验证集的检测R²和RMSE分别为0.45和0.62。对结果输出进行四舍五入后，对训练集的回判正确率为80.60%（无水心中4个误判为轻度水心；轻度水心中3个误判为无水心，1个误判为重度水心；重度水心中5个误判为轻度水心），对测试集的检测正确率为58.82%（无水心中5个误判为轻度水心；轻度水心中3个误判为无水心；重度水心中6个误判为轻度水心），效果不佳。

采用PNN分训练集与验证集对菠萝水心病进行建模检测，经反复训练，PNN模型参数Spread设定为0.1，所建模型对训练集的回判正确率为100%，对验证集的检测正确率为62%（无水心中1个误判为轻度水心，4个误判为重度水心；轻度水心中4个误判为无水心，1和误判为无水心；重度水心中1个误判为轻度水心，2个误判为无水心），检测效果不佳。

案例3

400-1700nm光谱对菠萝水心病检测

4.3.1 原始数据+PCA判别

菠萝样本在400-1700 nm的原始光谱如图14a所示，数据在1000 nm以后噪声波动逐渐增强。400-1700nm原始数据对菠萝水心程度的PCA判别结果如图14b所示。第一主成分（PC1）与第二主成分（PC2）的贡献率分别为60.77和32.59%，总贡献率为93.36%。与400-1100nm光谱分类结果图相似（图6b），不同水心程度菠萝样本可以被区分开来，但距离较近，且离散程度较高，聚类性较差。

4.3.2 SG滤波+SNV校正+PCA判别

为保障整体光谱曲线的衔接性与降噪效果，采用3阶41点SG处理滤除光谱数据中存在的噪声波动，随后采用SNV对光谱信号中的散射噪声进行校正，得到处理后的菠萝光谱信号如图15a所示。处理后的光谱信号对菠萝水心程度进行PCA判别的结果如图15b所示。PC1和PC2的贡献率分别为72.55和20.07%，总贡献率为92.62%。PCA同样可以有效区分不同水心程度，对比图6b，重叠的数据点个数略有减少，但聚类性略有降低，部分样本实际分类中仍有误判的风险。

4.3.3 SPA+PCA+ED特征提取

采用SPA + PCA + ED对光谱特征作用的分析结果如图16所示。采用SPA将特征作用从大到小进行排序后，按顺序逐渐增加特征数量并进行PCA分析，不同水心程度数据点之间的ED逐渐增加。可见，400-1700 nm所有的特征在分类识别过程中均是有益的。

其具体过程可参考“2.1.3 SPA+PCA+ED特征提取”。

4.3.4 PLSR、PNN检测

PLSR分训练集与验证集对菠萝水心病的检测结果分别如图17所示，经反复训练，PLSR的建模参数FN设定为14，模型对训练集的PLSR回判R²和RMSE分别为0.96与0.17，对于验证集的检测R²和RMSE分别为0.83和0.35。对结果输出进行四舍五入后，对训练集的回判正确率为100%，对测试集的检测正确率为88.24%（3个无水心误判为轻度水心；1重度水心误判为轻度水心）。

采用PNN分训练集与验证集对菠萝水心病进行建模检测，经反复训练，PNN模型参数Spread设定为0.2，所建模型对训练集的回判正确率为100%，对验证集的检测正确率为91.18%（1个轻度水心误判为无水心；2个重度水心误判为轻度水心），具有较好的检测效果。

实验结果和讨论

菠萝水心病的发生伴随着果肉质地、颜色以及成分等变化，对其他小型薄皮水果前期研究表明^[29、30]，这些特征均可被可见/近红外光谱捕获，因此，本文采用可见/近红外光谱检测菠萝水心病发生程度是有依据支撑的。本文进一步验证了可见/近红外光谱结合信号预处理以及模式识别，无损检测菠萝内部水心病发生程度是可行的。

菠萝属于大型水果，检测时光的谱透过性较差，造成信号波动，且表面极为粗糙，易形成散射噪声。因此，本文采用SG与SNV处理可有效降低信号波动以及散射噪声来带的干扰，提升识别效果。特征提取主要在于剔除会降低识别精度的噪声，最大化地保留有益信息形成信息融合，本文提出采用SPA + PCA + ED分析结果表明，所有特征均包含分类识别的有益信息，均应保留。

QE pro（400-1100 nm）比NIR QUEST（900-1700 nm）具有更好的检测效果，是因为400-1100 nm同时对质地、颜色以及成分变化敏感，而900-1700 nm仅对质地和成分变化敏感。此外，波长越长，光谱信号的穿透性能越差，通过样本后衰减越大，信噪比越低。PLSR结果表明，采用QE pro与NIR QUEST联用（400-1700）可略微提升QE pro的检测效果，是因为1100-1700 nm包含菠萝水心病识别的有益信息，可对400-1700 nm形成信息补充与融合^[31]，但该方式增加检测成本较大，性价比较低。实际应用建议单独采用400-1700 nm进行菠萝水心病检测。

PCA对菠萝水心病程度的分类结果可以看出，分类的边界不能完全线性可分，存在一定非线性特性，PNN比PLSR更加注重于识别过程的非线性特性，因此，在解决菠萝水心病发生程度的检测上具有更好的检测效果。

结论

本研究综合考虑实际应用成本与效果，通过自主搭建平台，探究了覆盖不同可见/近红外光谱波段的检测器对菠萝水心病的识别情况。研究结果证明，采用可见/近红外光谱结合适当的识别方法可达到较好的菠萝水心病无损检测效果，具体如下。

采用400-1100 nm光谱原数据结合PCA分析可将不同水心程度菠萝样本可以被区分开来，但距离较近，且离散程度较高，聚类性较差。

经SG + SNV处理后，PCA同样可以有效区分不同水心程度，且同类样本数据点的聚类性明显增强，但不同样本之间存在少量数据点重叠，存在误判的风险。

SPA + PCA + ED分析结果显示，400-1100 nm所有的特征在分类识别过程中均是有益的，均应被保留。

PLSR所建模型对菠萝水心病训练集的回判正确率为98.51%，对测试集的检测正确率为88.24%。PNN所建模型对菠萝水心病训练集的回判正确率为98.51%，对验证集的检测正确率为91.18%。

采用900-1700 nm光谱原数据结合PCA分析无法将不同水心程度菠萝样本区分开来。经SG + SNV处理后，PCA分析对样本数据点的聚类性明显增强，但分类效果仍不佳。

SPA + PCA + ED分析结果显示，900-1700 nm所有的特征在分类识别过程中均是有益的，均应被保留。

PLSR所建模型对菠萝水心病训练集的回判正确率为80.60%，对测试集的检测正确率为58.82%。PNN所建模型对菠萝水心病训练集的回判正确率为100%，对验证集的检测正确率为62%。

采用900-1700 nm相对400-1100 nm检测的检测效果略有提高，但不显著。其光谱原数据结合PCA分析可将不同水心程度菠萝样本可以被区分开来，经SG + SNV处理后，可增强同类样本数据点的聚类性，且SPA + PCA + ED分析结果显示，400-1100 nm所有的特征在分类识别过程中均是有益的。PLSR所建模型对菠萝水心病训练集的回判正确率为100%，对测试集的检测正确率为88.24%。PLSR所建模型对菠萝水心病训练集的回判正确率为100%，对验证集的检测正确率为91.18%。

综合考虑成本与效果，实际应用建立采用400-1100 nm光谱结合SG + SNV + PNN对菠萝水心病进行识别。下一步研究可运用该模型对大批量菠萝进行试验验证，不断修正模型参数以提高模型适应性，更好地服务产业。

本专利申请所引用文献如下：

[1] 贺军虎, 栾爱萍. 菠萝水心病和裂果的发生与防治措施[J]. 草坪常见病虫害, 2019,7: 41.

[2] Shu Haiyan, Sun Wei, Li Keming, et al. The Cause for Water-HeartFruit of Pineapple and Protective Measurements[J]. American Journal of PlantSciences, 2019,10(6):885-892.

[3] Kishore Kundan, Rupa T. R., Samant Deepa. Influence of shadeintensity on growth, biomass allocation, yield and quality of pineapple inmango-based intercropping system[J]. Scientia Horticulturae, 2021,278:109868.

[4] Williams Portia Adade, Crespo Olivier, Atkinson Christopher John,et al. Impact of climate variability on pineapple production in Ghana[J].Agriculture & Food Security, 2017,6(1):1-14.

[5] Friend DJC. Effect of night temperature on flowering and fruitsize in pineapple (Ananas comosus [L.] Merrill)[J]. Botanical Gazette, 1981,142(2):188-190.

[6] Liu C. H., Liu Y., Fan C., et al. The effects of compostedpineapple residue return on soil properties and the growth and yield ofpineapple[J]. Journal of soil science and plant nutrition, 2013,13(2):433-444.

[7] Pahlawan MFR, Wati R. K., Masithoh R. E. Development of a low-cost modular VIS/NIR spectroscopy for predicting soluble solid content ofbanana: IOP Conference Series: Earth and Environmental Science, 2021[C]. IOPPublishing.

[8] Shi Hao, Zhang Min, Adhikari Benu. Advances of electronic noseand its application in fresh foods: A review[J]. Critical reviews in foodscience and nutrition, 2018,58(16):2700-2710.

[9] Naik Sapan, Patel Bankim. Machine vision based fruitclassification and grading-a review[J]. International Journal of ComputerApplications, 2017,170(9):22-34.

[10] Xia Yu, Huang Wenqian, Fan Shuxiang, et al. Effect of fruitmoving speed on online prediction of soluble solids content of apple usingVis/NIR diffuse transmission[J]. Journal of Food Process Engineering, 2018,41(8):e12915.

[11] Yang Biao, Guo Wenchuan, Li Weiqiang, et al. Portable, visual,and nondestructive detector integrating Vis/NIR spectrometer for sugarcontent of kiwifruits[J]. Journal of Food Process Engineering, 2019,42(2):e12982.

[12] Ncama Khayelihle, Opara Umezuruike Linus, Tesfay Samson Zeray,et al. Application of Vis/NIR spectroscopy for predicting sweetness andflavour parameters of ‘Valencia’ orange ( Citrus sinensis ) and ‘Star Ruby’grapefruit ( Citrus x paradisi Macfad)[J]. Journal of Food Engineering, 2017,193:86-94.

[13] Jamshidi Bahareh, Minaei Saeid, Mohajerani Ezzedin, et al.Reflectance Vis/NIR spectroscopy for nondestructive taste characterization ofValencia oranges[J]. Computers and Electronics in Agriculture, 2012,85:64-69.

[14] Uwadaira Yasuhiro, Sekiyama Yasuyo, Ikehata Akifumi. Anexamination of the principle of non-destructive flesh firmness measurement ofpeach fruit by using VIS-NIR spectroscopy[J]. Heliyon, 2018,4(2):e531.

[15] Yu Xinjie, Lu Huanda, Wu Di. Development of deep learning methodfor predicting firmness and soluble solid content of postharvest Korlafragrant pear using Vis/NIR hyperspectral reflectance imaging[J]. PostharvestBiology and Technology, 2018,141:39-49.

[16] Sun Xudong, Zhu Ke, Jiang Xiaogang, et al. Non-destructivedetection of blackheart and soluble solids content of intact pear by onlineNIR spectroscopy[J]. The Journal of Supercomputing, 2020,76(5):3173-3187.

[17] Mogollon M. R., Jara A. F., Contreras C., et al. Quantitativeand qualitative VIS-NIR models for early determination of internal browningin ‘Cripps Pink’apples during cold storage[J]. Postharvest Biology andTechnology, 2020,161:111060.

[18] Jamshidi Bahareh. Ability of near-infrared spectroscopy for non-destructive detection of internal insect infestationin fruits: Meta-analysisof spectral ranges and optical measurement modes[J]. Spectrochimica Acta PartA: Molecular and Biomolecular Spectroscopy, 2020,225:117479.

[19] Jamshidi Bahareh. Ability of near-infrared spectroscopy for non-destructive detection of internal insect infestation in fruits: Meta-analysisof spectral ranges and optical measurement modes[J]. Spectrochimica Acta PartA: Molecular and Biomolecular Spectroscopy, 2020,225:117479.

[20] 徐赛, 陆华忠, 丘广俊, 等. 水果品质无损检测研究进展及应用现状[J].广东农业科学, 2020,47(12):229-236.

Xu Sai, Lu Huazhong, Qiu Guangjun, et al. 2020,47(12):229-236.(inChinese with English abstract)

[21] 徐赛, 梁鑫, 陆华忠, 等. 一种菠萝水心病评级装备[P]: 213181273U.2020年12月18日.

[22] Pořízka Pavel, Klus Jakub, Képeš Erik, et al. On the utilizationof principal component analysis in laser-induced breakdown spectroscopy dataanalysis, a review[J]. Spectrochimica Acta Part B: Atomic Spectroscopy, 2018,148:65-82.

[23] Jahani Sahar, Setarehdan Seyed K., Boas David A., et al. Motionartifact detection and correction in functional near-infrared spectroscopy: anew hybrid method based on spline interpolation method and Savitzky–Golayfiltering[J]. Neurophotonics, 2018,5(1):15003.

[24] Bi Yiming, Yuan Kailong, Xiao Weiqiang, et al. A local pre-processing method for near-infrared spectra, combined with spectralsegmentation and standard normal variate transformation[J]. Analytica chimicaacta, 2016,909:30-40.

[25] Krepper Gabriela, Romeo Florencia, de Sousa Fernandes DavidDouglas, et al. Determination of fat content in chicken hamburgers using NIRspectroscopy and the Successive Projections Algorithm for interval selectioninPLS regression (iSPA-PLS)[J]. Spectrochimica Acta Part A: Molecular andBiomolecular Spectroscopy, 2018,189:300-306.

[26] He Wei, Zhou Jian, Cheng Hao, et al. Validation of origins oftea samples using partial least squares analysis and Euclidean distancemethod with near-infrared spectroscopy data[J]. Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy, 2012,86:399-404.

[27] Zhu Zhihao, Li Jiaming, Guo Yangmin, et al. Accuracy improvementof boron by molecular emission with a genetic algorithm and partial leastsquares regression model in laser-induced breakdown spectroscopy[J]. Journalof Analytical Atomic Spectrometry, 2018,33(2):205-209.

[28] Huang Xiao-Dong, Wang Chun-Yan, Fan Xin-Min, et al. Oil sourcerecognition technology using concentration-synchronous-matrix-fluorescencespectroscopy combined with 2D wavelet packet and probabilistic neural network[J]. Science of The Total Environment, 2018,616:632-638.

[29] Alhamdan Abdullah M., Fickak Adil, Atia Ahmed R. Evaluation ofsensory and texture profile analysis properties of stored Khalal Barhi datesnondestructively using Vis/NIR spectroscopy[J]. Journal of Food ProcessEngineering, 2019,42(6):e13215.

[30] Arendse Ebrahiema, Fawole Olaniyi Amos, Magwaza Lembe Samukelo,et al. Fourier transform near infrared diffuse reflectance spectroscopy andtwo spectral acquisition modes for evaluation of external and internalquality of intact pomegranate fruit[J]. Postharvest Biology and Technology,2018,138:91-98.

[31] Li He, Huang Hong-Zhong, Li Yan-Feng, et al. Physics of failure-based reliability prediction of turbine blades using multi-source informationfusion[J]. Applied Soft Computing, 2018,72:624-635

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (3)

1.一种菠萝分级的方法，其特征在于，所述方法依赖于菠萝无损检测分级装置实施；

所述菠萝无损检测分级装置，包括控制器、第一输送带、与第一输送带连接的第二输送带、设置在第二输送带末端的动态称重输送机，所述动态称重输送机的下方设有转盘模块，所述转盘模块用于驱动动态称重输送机在水平方向上转动360°；所述动态称重输送机上的输送皮带通过第一电机驱动正反转，所述动态称重输送机的前方、左侧、右侧分别设有第三输送带、第四输送带、第五输送带；所述第三输送带、第四输送带、第五输送带的末端均分别连接有基于可见光、近红外的无损检测设备；所述第二输送带的输送速度快于第一输送带的输送速度；所述动态称重输送机和第二输送带之间设有用于检测是否有物体通过的第一传感器；所述第一传感器、动态称重输送机、转盘模块、第一电机均分别电连接至控制器；

所述方法具体为：

将菠萝随机放置到第一输送带上，所述第一输送带将菠萝输送到第二输送带上，所述控制器控制第一输送带的输送速度低于第二输送带；当菠萝从第二输送带输送至动态称重输送机上时，第一传感器检测到有物体通过时的第一时间T1，物体完全通过时的第二时间T2,动态称重输送机获取到重量超过预设阈值W时的第三时间T3，其中X=（T3-T1）/（T2-T1），判断X是否小于预设阈值Y，若是，则判断菠萝的根部向前，若否则判断菠萝的叶子向前；同时，通过动态称重输送机获取菠萝的实际重量w；

若实际重量w大于或等于大果标准重量W1，则控制转盘模块转动，使动态称重输送机与第三输送带对接且控制菠萝的根部向前；

若实际重量w大于或等于中果标准重量W2且小于大果标准重量W1，则控制转盘模块转动，使动态称重输送机与第四输送带对接且控制菠萝的根部向前；

若实际重量w大于或等于小果标准重量W3且小于中果标准重量W2，则控制转盘模块转动，使动态称重输送机与第五输送带对接且控制菠萝的根部向前；

通过第三输送带、第四输送带、第五输送带将菠萝送入对应的无损检测设备检测，判断各级别的菠萝是否具有水心病，如果有水心病则剔除。

2.根据权利要求1所述的菠萝分级的方法，其特征在于，调整菠萝的根部向前的方法为：通过转盘模块转动使动态称重输送机上的菠萝的根部朝向对应的第三输送带、第四输送带、第五输送带之一，通过电机驱动动态称重输送机的输送皮带转动使菠萝输送带到对应的第三输送带、第四输送带、第五输送带上。

3.根据权利要求1所述的菠萝分级的方法，其特征在于，所述Y=0.35～0.65；

所述水心病的判断方法为：

步骤1：采用连续投影算法对光谱的特征的重要性进行排序；

步骤2：按照特征的排序顺序，采用主成分分析算法，逐渐增加特征值，获得不同数量的特征对样本的分类结果；

步骤3：通过样本类别中心点之间的欧氏距离检验增加特征对分类能力的提升效果；

如果N+1个特征的样本类别中心点之间的欧氏距离大于N个特征的样本类别中心点之间的欧氏距离；则表示增加的特征为有效特征；反之则增加的特征为无效特征。

Images