CN113933247A - 一种水果成熟度检测模型的构建方法 - Google Patents
一种水果成熟度检测模型的构建方法 Download PDFInfo
- Publication number
- CN113933247A CN113933247A CN202111164404.0A CN202111164404A CN113933247A CN 113933247 A CN113933247 A CN 113933247A CN 202111164404 A CN202111164404 A CN 202111164404A CN 113933247 A CN113933247 A CN 113933247A
- Authority
- CN
- China
- Prior art keywords
- maturity
- fruit
- data
- spectral data
- groups
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 74
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 74
- 238000010276 construction Methods 0.000 title description 6
- 230000003595 spectral effect Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000001228 spectrum Methods 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 235000015203 fruit juice Nutrition 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 10
- 239000007787 solid Substances 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 239000013307 optical fiber Substances 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000007865 diluting Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005360 mashing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011084 recovery Methods 0.000 abstract description 2
- 241001672694 Citrus reticulata Species 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000004468 VIS-NIR spectroscopy Methods 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种水果成熟度检测模型的构建方法，包括：将相同产地多个不同成熟度的同一类型水果作为水果检测样本；对水果检测样本进行光谱采集，获得光谱数据；对水果检测样本的成熟度理化指标进行测量，获得成熟度理化指标数据；对光谱数据和成熟度理化指标数据分别进行预处理；得到成熟度数据集；构建卷积神经网络模型，将成熟度数据集中的光谱数据作为输入，将成熟度理化指标作为预测输出，训练卷积神经网络模型，获得成熟度检测模型；通过该方法能够利用可见‑近红外光谱技术实现快速、无损的高精度理化指标检测与采收预测。
Description
技术领域
本发明属于水果成熟度无损检测技术领域，特别是一种水果成熟度检测模型的构建方法。
背景技术
随着我国社会经济的快速发展以及人民生活水平的迅速提高，消费者对水果的需求和品质都有了更高的要求。蜜桔作为一种高经济价值的农作物，却受到品种、产地、种植等因素影响，存在质量不均匀、个体差异大的缺点。因此，需要一种可靠、高效、无损的成熟度检测方法，来帮助判别采集的最佳时期，降低误采率，规模化蜜桔交易市场。
目前，许多无损检测技术已经用于水果的质量分析，包括计算机视觉、光谱学、化学传感以及声学技术等。在这些技术中，可见-近红外光谱技术被认为是最适合评估水果内部质量的关键技术之一，它具有速度快、效率高等优点。可见光区域包括400-750nm范围内的电磁波，它几乎不受到温度的影响，通过吸收特定波长的光，产生大约20nm宽的尖锐吸收峰。近红外区域可以划分为750-1100nm的短波近红外和1100-2500nm的长波近红外区域。这一部分的电磁波可以定性或者定量的反应有机分子中的含氢基团(OH、CH、NH、SH)，实现物质分析。蜜桔在成熟过程中，外部特征与内部组织不断变化，进而影响它对不同波长的光的吸收特性、反射特性以及透射特性，具体表现为吸光度或者是反射率上的特征峰。通过建立可见-近红外光谱和理化指标之间的联系，可以进行水果成熟度检测，实现高效水果采摘，增加果园的经济效益，并为后期加工提供一定的参考依据。然而，采集到的光谱数据具有波长数量大、样本数目小；不同组分之间吸收峰重合程度高，区分难度大；相邻波长之间共线性严重等特点。
因此，如何充分利用光谱数据内的有效信息，得到高精度的成熟度预测结果，已经成为当前研究的关键问题。
发明内容
鉴于上述问题，本发明提供一种至少解决上述部分技术问题的一种水果成熟度检测模型的构建方法，通过该方法能够利用可见-近红外光谱技术实现快速、无损的高精度理化指标检测与采收预测。
本发明实施例提供了一种水果成熟度检测模型的构建方法，包括：
S1、将相同产地多个不同成熟度的同一类型水果作为水果检测样本；对所述水果检测样本进行光谱采集，获得光谱数据；
S2、对所述水果检测样本的成熟度理化指标进行测量，获得成熟度理化指标数据；
S3、对所述S1中采集到的光谱数据，以及S2中测量到的成熟度理化指标数据分别进行预处理；根据预处理后的所述光谱数据和成熟度理化指标数据，得到成熟度数据集；所述成熟度数据集还包括：光谱数据和成熟度理化指标数据之间的映射关系；
S4、构建卷积神经网络模型，将所述成熟度数据集中的光谱数据作为输入，将所述成熟度理化指标作为预测输出，训练所述卷积神经网络模型，获得成熟度检测模型。
进一步地，所述S1具体包括：
S11、将所述水果检测样本分为N组，分别对这N组水果检测样本进行编号；每组包括多个水果检测样本；
S12、采用Y型漫反射光纤，按照每组编号，分别对这N组水果检测样本进行采样，获得所述编号对应的采样点；
S13、分别对所述N组水果检测样本对应的采样点进行可见近红外光谱采集，得到所述编号对应的光谱数据。
进一步地，所述S2具体包括：
S21、按照所述编号分别对所述N组水果检测样本进行去皮、捣碎、过滤，得到所述编号对应的果汁，为后续测量成熟度理化指标做准备；所述成熟度理化指标包括可溶性固形物含量和酸度值；
S22、使用糖度计按照所述编号依次测量每组水果检测样本中所述果汁中的可溶性固形物含量，得到所述编号对应的可溶性固形物含量；
S23、按照所述编号依次对每组水果检测样本中的所述果汁进行稀释，得到稀释后的果汁；使用PH计按照所述编号依次测量所述稀释后的果汁的PH值，得到所述编号对应的PH值；
S24、根据S23中所述编号对应的PH值，使用NAOH溶液按照编号依次对所述稀释后的果汁进行滴定，计算所述稀释后的果汁酸度值，得到所述编号对应的酸度值。
进一步地，所述S3具体包括：
S31、对所述N组水果检测样本中的光谱数据进行SG平滑和标准化处理，得到N组水果检测样本对应的处理后的光谱数据；
S32、对所述N组水果检测样本中的成熟度理化指标数据进行归一化处理，得到N组水果检测样本对应的处理后的成熟度理化指标数据；
S33、将所述S31中处理后的光谱数据和所述S32中处理后的成熟度理化指标数据进行整合，得到所述成熟度数据集。
进一步地，所述S4具体包括：
S41、构建卷积神经网络模型，从所述成熟度数据集中筛选出一维光谱数据，将所述一维光谱数据输入到一维卷积神经网络中进行处理，来预测所述一维光谱数据对应的成熟度理化指标；
S42、设置五折交叉验证，将所述一维卷积神经网络进行迭代，直到稳定后，得到所述成熟度检测模型。
进一步地，S42中所述成熟度检测模型，包括：
输入层，用于接受所述一维光谱数据；
卷积层，通过卷积操作实现所述一维光谱数据特征的提取与抽象；
批归一化层，用于防止提取与抽象的特征数据过拟合；
池化层，用于下采样，去除冗余信息；
全连接层，将网络提取得到的特性映射到样本标记空间；
注意力模块，通过强调关键特征，抑制无关特征，提升模型的准确性。
进一步地，所述注意力模块，表示为：
M(X)＝σ(conv([Avgpool(X),Maxpool(X)]))
其中，M(X)表示中间特征图X的注意力权重；σ表示激活函数；Avgpool(·)表示平均池化；Maxpool(·)表示最大池化。
进一步地，所述注意力模块获取的结果特征图表示为：
其中，F表示注意力权重和中间特征图X相乘之后得到的结果特征图。
与现有技术人相比，本发明记载的一种水果成熟度检测模型的构建方法，具有如下有益效果：通过该方法能够利用可见-近红外光谱技术实现快速、无损的高精度理化指标检测与采收预测；通过该方法所构建的模型具有建立方法简单、操作快捷等优势，利用该模型，可以对蜜桔等水果进行快速、无损的成熟度检测，协助完成水果品质筛选，提高水果种植经济效益。
本发明的其它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可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的一种水果成熟度检测模型的构建方法框架图。
图2为本发明实施例提供的成熟度检测模型架构图。
图3为本发明实施例提供的注意力模块工作流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
参见图1所示，本发明实施例提供了一种水果成熟度检测模型的构建方法，具体包括如下步骤：
S1、将相同产地多个不同成熟度的同一类型水果作为水果检测样本；对所述水果检测样本进行光谱采集，获得光谱数据；
S2、对所述水果检测样本的成熟度理化指标进行测量，获得成熟度理化指标数据；
S3、对所述S1中采集到的光谱数据，以及S2中测量到的成熟度理化指标数据分别进行预处理；根据预处理后的所述光谱数据和成熟度理化指标数据，得到成熟度数据集；所述成熟度数据集还包括：光谱数据和成熟度理化指标数据之间的映射关系；
S4、构建卷积神经网络模型，将所述成熟度数据集中的光谱数据作为输入，将所述成熟度理化指标作为预测输出，训练所述卷积神经网络模型，获得成熟度检测模型。
下面分别对上述各个步骤进行详细的说明。
在上述步骤S1中，将所述水果检测样本分为N组，分别对这N组水果检测样本进行编号；每组包括多个水果检测样本；采用Y型漫反射光纤，按照每组编号，分别对这N组水果检测样本进行采样，获得所述编号对应的采样点；分别对所述N组水果检测样本对应的采样点进行可见近红外光谱采集，得到所述编号对应的光谱数据；在本实施例中，以蜜桔作为检测对象，从蜜桔样本赤道部位处去三个采样点进行400nm-1200nm范围的可见近红外光谱采集；并按照10个样本一组进行采集，且每一组采集前，均需重新采集背景光和参考光；采集时，将Y型漫反射光纤的一端紧贴于所述位置，其余两端分别连接光源和光谱仪，所述光谱仪通过数据线与安装有光谱采集软件的计算机相连；其中Y型漫反射光纤是一种由玻璃或塑料制成的纤维，可作为光传导工具。
在上述步骤S2中，首先，按照所述编号分别对所述N组水果检测样本进行去皮、捣碎、过滤，得到所述编号对应的果汁，为后续测量成熟度理化指标做准备；所述成熟度理化指标包括可溶性固形物含量和酸度值；其中，可溶性固形物含量是指液体或流体食品中所有溶解于水的化合物的总称，包括糖、维生素和矿物质等；其次，使用糖度计按照所述编号依次测量每组水果检测样本中所述果汁中的可溶性固形物含量，得到所述编号对应的可溶性固形物含量；最后，按照所述编号依次对每组水果检测样本中的所述果汁进行稀释，得到稀释后的果汁；使用PH计按照所述编号依次测量所述稀释后的果汁的PH值，得到所述编号对应的PH值；并根据编号对应的PH值，使用NAOH溶液按照编号依次对所述稀释后的果汁进行滴定，计算所述稀释后的果汁酸度值，得到所述编号对应的酸度值。；在执行步骤S2时需注意的是，理化指标测量步骤应该在步骤S1光谱采集后的两小时内完成。
在上述步骤S3中，首先，对S1中的光谱数据进行SG平滑和标准化处理，得到处理后的光谱数据；其中，SG平滑又称为多项式平滑，可以是图片更加逼真自然；其次，对S2中通过测量得到的成熟度理化指标数据进行归一化处理，得到处理后的成熟度理化指标数据；最后，将处理后的光谱数据和处理后的成熟度理化指标数据进行整合，得到成熟度数据库。
在上述步骤S4中，根据步骤S3中得到的成熟度数据库，设计一种基于深度学习和可见近红外光谱的成熟度检测模型；具体为，构建卷积神经网络模型，从所述成熟度数据集中筛选出一维光谱数据，将所述一维光谱数据输入到一维卷积神经网络中进行处理，来预测所述一维光谱数据对应的成熟度理化指标；设置五折交叉验证，将所述一维卷积神经网络进行迭代，直到稳定后，得到所述成熟度检测模型；参照图2所示，该成熟度检测模型包括：输入层，用于接受所述一维光谱数据；卷积层，通过卷积操作实现所述一维光谱数据特征的提取与抽象；批归一化层，用于防止提取与抽象的特征数据过拟合；池化层，用于下采样，去除冗余信息；全连接层，将网络提取得到的特性映射到样本标记空间；注意力模块，通过强调关键特征，抑制无关特征，提升模型的准确性；其中，注意力模块，表示为：
M(X)＝σ(conv([Avgpool(X),Maxpool(X)]))
其中，M(X)表示中间特征图X的注意力权重；σ表示激活函数；Avgpool(·)表示平均池化；Maxpool(·)表示最大池化；
具体的，注意力模块可参照图3所示，该注意力模块获取的结果特征图表示为：
其中，F表示注意力权重和中间特征图X相乘之后得到的结果特征图。
本发明实施例提供的一种水果成熟度检测模型的构建方法，可用于对蜜桔类以及其他水果的成熟度进行检测；具体为使用一维神经网络来处理可见-近红外光谱数据，实现对蜜桔类水果的快速、无损检测；其中，考虑到光谱的特殊性，设置较大的卷积核，使网络能够充分学习光谱核心特征；考虑到光谱重叠严重，特征难以判别提取，将注意力机制引入到一维神经网络中，强调关键信息，抑制无关信息，促使模型得到更准确的预测结果。本发明所述模型具有建立方法简单、操作快捷等优势，利用该模型，可以对蜜桔等水果进行快速、无损的成熟度检测，协助完成水果品质筛选，提高水果种植经济效益。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种水果成熟度检测模型的构建方法，其特征在于，包括：
S1、将相同产地多个不同成熟度的同一类型水果作为水果检测样本；对所述水果检测样本进行光谱采集，获得光谱数据；
S2、对所述水果检测样本的成熟度理化指标进行测量，获得成熟度理化指标数据；
S3、对所述S1中采集到的光谱数据，以及S2中测量到的成熟度理化指标数据分别进行预处理；根据预处理后的所述光谱数据和成熟度理化指标数据，得到成熟度数据集；所述成熟度数据集还包括：光谱数据和成熟度理化指标数据之间的映射关系；
S4、构建卷积神经网络模型，将所述成熟度数据集中的光谱数据作为输入，将所述成熟度理化指标作为预测输出，训练所述卷积神经网络模型，获得成熟度检测模型。
2.如权利要求1所述的一种水果成熟度检测模型的构建方法，其特征在于，所述S1具体包括：
S11、将所述水果检测样本分为N组，分别对这N组水果检测样本进行编号；每组包括多个水果检测样本；
S12、采用Y型漫反射光纤，按照每组编号，分别对这N组水果检测样本进行采样，获得所述编号对应的采样点；
S13、分别对所述N组水果检测样本对应的采样点进行可见近红外光谱采集，得到所述编号对应的光谱数据。
3.如权利要求2所述的一种水果成熟度检测模型的构建方法，其特征在于，所述S2具体包括：
S21、按照所述编号分别对所述N组水果检测样本进行去皮、捣碎、过滤，得到所述编号对应的果汁，为后续测量成熟度理化指标做准备；所述成熟度理化指标包括可溶性固形物含量和酸度值；
S22、使用糖度计按照所述编号依次测量每组水果检测样本中所述果汁中的可溶性固形物含量，得到所述编号对应的可溶性固形物含量；
S23、按照所述编号依次对每组水果检测样本中的所述果汁进行稀释，得到稀释后的果汁；使用PH计按照所述编号依次测量所述稀释后的果汁的PH值，得到所述编号对应的PH值；
S24、根据S23中所述编号对应的PH值，使用NAOH溶液按照编号依次对所述稀释后的果汁进行滴定，计算所述稀释后的果汁酸度值，得到所述编号对应的酸度值。
4.如权利要求3所述的一种水果成熟度检测模型的构建方法，其特征在于，所述S3具体包括：
S31、对所述N组水果检测样本中的光谱数据进行SG平滑和标准化处理，得到N组水果检测样本对应的处理后的光谱数据；
S32、对所述N组水果检测样本中的成熟度理化指标数据进行归一化处理，得到N组水果检测样本对应的处理后的成熟度理化指标数据；
S33、将所述S31中处理后的光谱数据和所述S32中处理后的成熟度理化指标数据进行整合，得到所述成熟度数据集。
5.如权利要求4所述的一种水果成熟度检测模型的构建方法，其特征在于，所述S4具体包括：
S41、构建卷积神经网络模型，从所述成熟度数据集中筛选出一维光谱数据，将所述一维光谱数据输入到一维卷积神经网络中进行处理，来预测所述一维光谱数据对应的成熟度理化指标；
S42、设置五折交叉验证，将所述一维卷积神经网络进行迭代，直到稳定后，得到所述成熟度检测模型。
6.如权利要求5所述的一种水果成熟度检测模型的构建方法，其特征在于，S42中所述成熟度检测模型，包括：
输入层，用于接受所述一维光谱数据；
卷积层，通过卷积操作实现所述一维光谱数据特征的提取与抽象；
批归一化层，用于防止提取与抽象的特征数据过拟合；
池化层，用于下采样，去除冗余信息；
全连接层，将网络提取得到的特性映射到样本标记空间；
注意力模块，通过强调关键特征，抑制无关特征，提升模型的准确性。
7.如权利要求6所述的一种水果成熟度检测模型的构建方法，其特征在于，所述注意力模块，表示为：
M(X)＝σ(conv([Avgpool(X),Maxpool(X)]))
其中，M(X)表示中间特征图X的注意力权重；σ表示激活函数；Avgpool(·)表示平均池化；Maxpool(·)表示最大池化。
8.如权利要求7所述的一种水果成熟度检测模型的构建方法，其特征在于，所述注意力模块获取的结果特征图表示为：
其中，F表示注意力权重和中间特征图X相乘之后得到的结果特征图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111164404.0A CN113933247A (zh) | 2021-09-30 | 2021-09-30 | 一种水果成熟度检测模型的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111164404.0A CN113933247A (zh) | 2021-09-30 | 2021-09-30 | 一种水果成熟度检测模型的构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113933247A true CN113933247A (zh) | 2022-01-14 |
Family
ID=79278029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111164404.0A Pending CN113933247A (zh) | 2021-09-30 | 2021-09-30 | 一种水果成熟度检测模型的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113933247A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117007552A (zh) * | 2023-10-07 | 2023-11-07 | 北京市农林科学院智能装备技术研究中心 | 西瓜成熟度检测方法、装置、系统、电子设备及存储介质 |
-
2021
- 2021-09-30 CN CN202111164404.0A patent/CN113933247A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117007552A (zh) * | 2023-10-07 | 2023-11-07 | 北京市农林科学院智能装备技术研究中心 | 西瓜成熟度检测方法、装置、系统、电子设备及存储介质 |
| CN117007552B (zh) * | 2023-10-07 | 2024-02-06 | 北京市农林科学院智能装备技术研究中心 | 西瓜成熟度检测方法、装置、系统、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102788752B (zh) | 基于光谱技术的农作物内部信息无损检测装置及方法 | |
| CN108875913B (zh) | 一种基于卷积神经网络的松茸快速无损检测系统及方法 | |
| CN104990892B (zh) | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 | |
| CN107764976B (zh) | 土壤氮素快速诊断方法及在线监测系统 | |
| CN103293118A (zh) | 一种基于近红外光谱分析技术的潲水油鉴别方法 | |
| CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
| 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 | |
| CN106596456A (zh) | 基于可变移动窗口选择溶液近红外光谱谱区的方法 | |
| CN104977258A (zh) | 基于二维相关光谱的茶叶/化妆品等品质检测方法 | |
| CN103487422A (zh) | 多波长led荧光光谱的云端中药品质检测系统及方法 | |
| CN112525869A (zh) | 一种农药残留的分段式检测方法 | |
| CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
| CN101614663A (zh) | 可见和近红外光谱的蜂花粉品种鉴别方法 | |
| CN113933247A (zh) | 一种水果成熟度检测模型的构建方法 | |
| Zaki Dizaji et al. | Application of E-nose technique to predict sugarcane syrup quality based on purity and refined sugar percentage | |
| CN114414521A (zh) | 基于红外多光谱传感器的牛奶主要成分测量方法 | |
| CN110567894A (zh) | 一种含水溶液pH值快速检测方法和检测装置 | |
| CN109946246A (zh) | 一种苹果可溶性固形物的检测方法及装置 | |
| CN116858822A (zh) | 一种基于机器学习和拉曼光谱的水体中磺胺嘧啶定量分析方法 | |
| CN112540971A (zh) | 一种基于烟叶特征的全信息在线采集系统及方法 | |
| CN102788796B (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 | |
| CN107247033A (zh) | 基于快速衰减式淘汰算法和plsda鉴别黄花梨成熟度的方法 | |
| CN111912823A (zh) | 一种多成分农药残留荧光检测分析方法 | |
| Zhou et al. | Hyperspectral imaging technology for detection of moisture content of tomato leaves | |
| CN115078327A (zh) | 一种基于神经网络架构搜索的危险化学品快速检测方法 |
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 |