CN114235723A - 一种水果内在品质的无损测量方法及终端 - Google Patents
一种水果内在品质的无损测量方法及终端 Download PDFInfo
- Publication number
- CN114235723A CN114235723A CN202111299816.5A CN202111299816A CN114235723A CN 114235723 A CN114235723 A CN 114235723A CN 202111299816 A CN202111299816 A CN 202111299816A CN 114235723 A CN114235723 A CN 114235723A
- Authority
- CN
- China
- Prior art keywords
- sample
- fruit
- value
- actual
- input samples
- 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.)
- Granted
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 110
- 238000000691 measurement method Methods 0.000 title abstract description 10
- 238000001228 spectrum Methods 0.000 claims abstract description 132
- 238000013528 artificial neural network Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 42
- 238000005259 measurement Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000013135 deep learning Methods 0.000 claims abstract description 29
- 241000220225 Malus Species 0.000 claims description 122
- 230000006870 function Effects 0.000 claims description 77
- 230000003595 spectral effect Effects 0.000 claims description 42
- 235000021016 apples Nutrition 0.000 claims description 34
- 230000001066 destructive effect Effects 0.000 claims description 28
- 239000013307 optical fiber Substances 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 13
- 230000001678 irradiating effect Effects 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 4
- 235000011389 fruit/vegetable juice Nutrition 0.000 claims description 4
- 230000036252 glycation Effects 0.000 claims description 4
- JLQUFIHWVLZVTJ-UHFFFAOYSA-N carbosulfan Chemical compound CCCCN(CCCC)SN(C)C(=O)OC1=CC=CC2=C1OC(C)(C)C2 JLQUFIHWVLZVTJ-UHFFFAOYSA-N 0.000 description 9
- 230000001419 dependent effect Effects 0.000 description 8
- 235000010724 Wisteria floribunda Nutrition 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229910052721 tungsten Inorganic materials 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 229910052736 halogen Inorganic materials 0.000 description 2
- 150000002367 halogens Chemical class 0.000 description 2
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 2
- 239000010937 tungsten Substances 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
- 239000005715 Fructose Substances 0.000 description 1
- 235000000177 Indigofera tinctoria Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 229940097275 indigo Drugs 0.000 description 1
- COHYTHOBJLSHDF-UHFFFAOYSA-N indigo powder Natural products N1C2=CC=CC=C2C(=O)C1=C1C(=O)C2=CC=CC=C2N1 COHYTHOBJLSHDF-UHFFFAOYSA-N 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000000126 substance Substances 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
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
Landscapes
- Physics & Mathematics (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)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种水果内在品质的无损测量方法及终端，包括步骤：获取智能设备摄像头拍摄水果样本得到的光谱图片样本；获取水果样本的实际内在品质参数；将光谱图片样本分为800组不同波段并取每个波段的平均亮度值，并将800个平均亮度值与光谱图片样本对应的实际内在品质参数作为输入得到多组输入样本；构建神经网络，将多组输入样本输入神经网络进行深度学习训练和测试，得到PLS模型；创建微信小程序并导入PLS模型，智能设备拍摄待测试水果的实时光谱图片，通过PLS模型对实时光谱图片进行分析得到实时预测内在品质参数并显示。本发明通过智能设备调用拟合好的PLS模型，实现了低成本、快速及准确度高的水果内在品质的无损测量。
Description
技术领域
本发明涉及光谱分析领域及深度学习领域，尤其是涉及一种水果内在品质的无损测量方法及终端。
背景技术
水果的内在品质，例如糖度值、酸度值、ph值、水分等参数是水果质量的重要组成部分，也是消费者选购水果的主要依据之一。
以苹果的糖度值为例，目前市场上测量苹果糖度值的测试仪器主要有数字折射仪与近红外糖度计。然而，用数字折射仪测量苹果糖度时需要对苹果进行切块榨汁，会损坏被测量苹果，而且测量速度很慢；而近红外糖度计尽管能实现苹果糖度的无损测量，但是售价很高，精准度很低，且国内货量较少。基于两者不便利性，目前消费者仍停留在以人眼观察辅助日常经验的形式辨别水果的质量情况，无法进一步鉴别其内在品质。
化学中有机物的各种基团都有其固定的振动频率，当分子受到外界光照射时，会受激发生共振，这时测量其吸收光能够得到复杂的图谱，而这种图谱能够表示物质的特征，因此，水果的内在品质也可以由水果反射光光谱来反映。国内外也已有很多论文表明，可以通过建立水果反射光光谱与水果内在品质参数的PLS(partial least-square method，偏最小二乘法)模型来预测水果的内在品质。要想获取水果反射光光谱就必须用到光谱仪，但是光谱仪价格普遍较高，市场售价几千到几万不等，这是由于光谱仪普遍采用专门的CMOS(Complementary Metal-Oxide-Semiconductor，互补金属氧化物半导体)传感器或CCD(Charge Coupled Device，电荷耦合器件图像传感器)探测光谱信号，而高性能的CMOS或CCD价格昂贵，所以造成系统成本较高。光谱仪的工作方式可分为两类：一类是基于上位机(电脑)进行控制，一类是基于下位机(单片机)独立工作。基于上位机控制的光谱仪需要与电脑连接使用，通过电脑进行光谱采集控制、数据处理以及光谱显示，使用方法复杂，携带不便；基于下位机控制的光谱仪，是在光谱仪内部嵌入微处理系统，完成控制、计算、显示等功能，但是该系统较为复杂，导致了光谱仪系统体积的增加与成本的大大升高。
发明内容
本发明所要解决的技术问题是：提供一种水果内在品质的无损测量方法及终端，以实现低成本、便携、快速及准确度高的水果内在品质的无损测量。
为了解决上述技术问题，本发明采用的技术方案为：
一种水果内在品质的无损测量方法，包括步骤：
S1：获取智能设备摄像头拍摄水果样本得到的光谱图片样本，所述光谱图片样本具体为采用全光谱LED灯照射所述水果样本、由光穿透过所述水果样本一定深度后散射出所述水果样本表面而产生的反射光经光纤传输到光栅上，再由所述光栅漫反射后落到白板上形成反射光谱，最后由所述智能设备摄像头拍摄所述白板上的所述反射光谱而得到；
S2：获取所述水果样本的实际内在品质参数，所述实际内在品质参数具体为采用有损测量仪测得的所述水果样本内与所述光谱图片样本对应的位置处的果肉内在品质参数；
S3：将所述光谱图片样本分为800个不同波段，并取每个波段的平均亮度值，得到800个所述平均亮度值，并将800个所述平均亮度值与所述光谱图片样本对应的所述实际内在品质参数作为输入样本；
S4：重复上述步骤S1-S3得到多组的800个所述平均亮度值与所述实际内在品质参数，得到多组输入样本；
S5：构建神经网络，将多组所述输入样本输入所述神经网络进行深度学习训练和测试，得到PLS模型；
S6：创建微信小程序并导入所述PLS模型，获取所述智能设备拍摄待测试水果的实时光谱图片，通过所述PLS模型对所述实时光谱图片进行分析得到实时预测内在品质参数并显示，所述实时光谱图片由所述微信小程序调用所述智能设备拍照功能实时拍摄所述待测试水果得到。
为了解决上述技术问题，本发明采用的另一个技术方案为：
一种水果内在品质的无损测量终端，包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序，所述处理器在执行所述计算机程序时实现以下步骤：
S1：获取智能设备摄像头拍摄水果样本得到的光谱图片样本，所述光谱图片样本具体为采用全光谱LED灯照射所述水果样本、由光穿透过所述水果样本一定深度后散射出所述水果样本表面而产生的反射光经光纤传输到光栅上，再由所述光栅漫反射后落到白板上形成反射光谱，最后由所述智能设备摄像头拍摄所述白板上的所述反射光谱而得到；
S2：获取所述水果样本的实际内在品质参数，所述实际内在品质参数具体为采用有损测量仪测得的所述水果样本内与所述光谱图片样本对应的位置处的果肉内在品质参数；
S3：将所述光谱图片样本分为800个不同波段，并取每个波段的平均亮度值，得到800个所述平均亮度值，并将800个所述平均亮度值与所述光谱图片样本对应的所述实际内在品质参数作为输入样本；
S4：重复上述步骤S1-S3得到多组的800个所述平均亮度值与所述实际内在品质参数，得到多组输入样本；
S5：构建神经网络，将多组所述输入样本输入所述神经网络进行深度学习训练和测试，得到PLS模型；
S6：创建微信小程序并导入所述PLS模型，获取所述智能设备拍摄待测试水果的实时光谱图片，通过所述PLS模型对所述实时光谱图片进行分析得到实时预测内在品质参数并显示，所述实时光谱图片由所述微信小程序调用所述智能设备拍照功能实时拍摄所述待测试水果得到。
本发明的有益效果在于：本发明提供一种水果内在品质的无损测量方法及终端，基于智能设备的摄像头拍摄由全光谱LED灯照射水果表面产生的反射光经光纤传输到光栅上再落到白板上形成的光谱图片，从而得到多个光谱图片样本作为后续深度学习的输入样本，再通过对光谱图片样本的反射光谱进行分波段并获取其不同波段的平均亮度值，并建立800个不同波段光谱平均亮度自变量与1个因变量的PLS模型，通过将多组不同波段的平均亮度值与实际测得的水果内在品质参数导入PLS模型对其进行深度学习的训练和测试，最终通过在智能设备端开发微信小程序并导入拟合完成的PLS模型来实现对水果内在品质的实时、无损测量，即直接通过智能设备就能实现低成本、快速及准确度高的水果内在品质的无损测量。
附图说明
图1为本发明实施例的一种水果内在品质的无损测量方法的整体流程图；
图2为本发明实施例的苹果样本测试点选取示意图；
图3为本发明实施例的光谱图片样本像素坐标图；
图4为本发明实施例的深度学习算法流程图；
图5为本发明实施例的微信小程序实现算法流程图；
图6为本发明实施例的待测试苹果糖度值的测量流程图；
图7为本发明实施例的微信小程序显示页面示意图；
图8为一种水果内在品质的无损测量终端的结构图。
标号说明：
1、一种水果内在品质的无损测量终端；2、存储器；3、处理器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
需要说明的是，本发明所采用的技术方案以测量苹果的糖度值为例，而对于其他水果及其内在品质的检测，例如水果的酸度值、ph值、水分等参数的无损测量均可适用于本发明的技术方案。
请参照图1至图7，一种水果内在品质的无损测量方法，包括步骤：
S1：获取智能设备摄像头拍摄水果样本得到的光谱图片样本，所述光谱图片样本具体为采用全光谱LED灯照射所述水果样本、由光穿透过所述水果样本一定深度后散射出所述水果样本表面而产生的反射光经光纤传输到光栅上，再由所述光栅漫反射后落到白板上形成反射光谱，最后由所述智能设备摄像头拍摄所述白板上的所述反射光谱而得到；
S2：获取所述水果样本的实际内在品质参数，所述实际内在品质参数具体为采用有损测量仪测得的所述水果样本内与所述光谱图片样本对应的位置处的果肉内在品质参数；
S3：将所述光谱图片样本分为800个不同波段，并取每个波段的平均亮度值，得到800个所述平均亮度值，并将800个所述平均亮度值与所述光谱图片样本对应的所述实际内在品质参数作为输入样本；
S4：重复上述步骤S1-S3得到多组的800个所述平均亮度值与所述实际内在品质参数，得到多组输入样本；
S5：构建神经网络，将多组所述输入样本输入所述神经网络进行深度学习训练和测试，得到PLS模型；
S6：创建微信小程序并导入所述PLS模型，获取所述智能设备拍摄待测试水果的实时光谱图片，通过所述PLS模型对所述实时光谱图片进行分析得到实时预测内在品质参数并显示，所述实时光谱图片由所述微信小程序调用所述智能设备拍照功能实时拍摄所述待测试水果得到。
由上述描述可知，本发明的有益效果在于：基于智能设备的摄像头拍摄由全光谱LED灯照射水果表面产生的反射光经光纤传输到光栅上再落到白板上形成的光谱图片，从而得到多个光谱图片样本作为后续深度学习的输入样本，再通过对光谱图片样本的反射光谱进行分波段并获取其不同波段的平均亮度值，并建立800个不同波段光谱平均亮度自变量与1个因变量的PLS模型，通过将多组不同波段的平均亮度值与实际测得的水果内在品质参数导入PLS模型对其进行深度学习的训练和测试，最终通过在智能设备端开发微信小程序并导入拟合完成的PLS模型来实现对水果内在品质的实时、无损测量，即直接通过智能设备就能实现低成本、快速及准确度高的水果内在品质的无损测量。
进一步地，所述水果样本为苹果样本；
所述实际内在品质参数为所述苹果样本的实际糖度值；
所述苹果样本具体为选取大小约为250g、形状规则且无损伤的若干类型的苹果各25个且在室温下放置1天后得到，并基于赤道部位将每个所述苹果样本间隔90°分为四个部分，每个部分各作为用于采集所述反射光谱和测量所述实际糖度值的测试点。
由上述描述可知，以测量苹果的糖度值为例，通过选取多种类型的苹果作为苹果样本，以便建立不同类型的苹果对应的PLS模型进行训练，使后续实际测量待测试苹果的糖度值时可进行类型的选择从而有针对性地进行糖度值预测，避免不同类型的苹果之间糖度值差异较大而造成单一的PLS模型不具有普遍性的问题，同时，将苹果样本放置在室温下一天，确保苹果样本的各项参数处在一个稳定状态下再进行后续的样本数据测量，减少环境等因素影响测量结果，提高糖度值检测的准确性；而对于每个苹果样本，都基于赤道部位间隔90°分为四个部分作为测试点，能充分利用苹果，避免错过苹果某个最大糖度值位置的同时进而增大后续获得的输入样本量，使PLS模型的训练更加充分，同时，也避免采集到的实际糖度受苹果阴阳面的影响而具有单一性，即进一步提高了后续基于训练完成的PLS模型进行苹果糖度值无损检测的准确性。
进一步地，所述S2中采用有损测量仪测得的所述水果样本内与所述光谱图片样本对应的位置处的果肉内在品质参数，具体为：
在所述苹果样本中与所述光谱图片样本对应的位置处取直径为2.5mm的半球状果肉，削去果肉上的果皮，用按压式榨汁机将其榨汁并滴到数字折射仪的检测棱镜面上，进行多次重复测量，得到果肉糖度值，即所述果肉内在品质参数。
由上述描述可知，利用现有较为成熟的有损测量方式获得苹果样本的实际糖度值，确保实际糖度值的真实性，以作为为PLS模型的训练和测试的样本，同时多次重复测量以进一步保证实际糖度值的真实性。
进一步地，所述S3中将所述光谱图片样本分为800个不同波段，并取每个波段的平均亮度值，得到800个所述平均亮度值，具体为：
选取所述光谱图片上800×200个的像素点；
将所述光谱图片上的像素沿x轴方向分组编号为1～800组；
获取每个所述像素点的RGB值，并转化为亮度值；
将每一组y轴方向上的200个所述像素点的所述亮度值累加并取平均值，得到800个所述平均亮度值。
由上述描述可知，选取光谱图片的800个不同波段的平均亮度值作为自变量，进一步提高后续训练PLS模型的准确度与稳定性。
进一步地，所述S5具体为：
建立一个线性回归的神经网络函数，将每组所述输入样本中的800个所述亮度平均值作为所述神经网络函数的X变量，以每组所述输入样本的所述实际糖度值作为所述神经网络函数的Y变量，建立线性关系，得到所述神经网络函数，如公式一：
其中，y为所述实际糖度值，xi为所述亮度平均值，w和b分别表示所述神经网络函数的权重和偏置，即直线的斜率和截距；
取所述输入样本的60％，通过所述输入样本中的数据拟合每个w和b，并使用均方误差作为损失函数，用以衡量苹果糖度预测值和所述实际糖度值的差异，如公式二：
其中，L为所述损失函数，N为所述输入样本数量的60％，yi和zi分别表示每个所述输入样本中的所述实际糖度值和样本预测糖度值；
进行深度学习训练以求解最佳的参数w和b，使所述损失函数得到最小值，基于微积分知识，可知沿着梯度的反方向是函数值下降最快的方向，得到所述损失函数关于wj和b的PLS算法公式，如公式三：
初始化wj＝1，b＝0，从当前的所述输入样本中取值，设置学习率eta＝0.3，一步步的按照下坡的方向下降，直到走到最低点，最终得到最佳的参数w和b，其中，每个所述输入样本的训练轮数设为10000轮；
取剩余的40％的所述输入样本进行深度学习测试，具体为将40％组所述输入样本中的所述亮度平均值代入已经得到最佳的参数w和b后的所述神经网络函数，计算得到每个所述输入样本对应的所述样本预测糖度值z，再将所述样本预测糖度值z与该40％的所述输入样本中的所述实际糖度值y进行比较拟合，最终得到训练和测试完成的所述PLS模型。
由上述描述可知，将光谱图片的800个不同波段对应的平均亮度值作为自变量，将通过有损测量仪采集苹果样本的果肉后测量得到的实际糖度值作为因变量，建立平均亮度值和实际糖度值之间的线性回归函数模型，即PLS模型，然后将60％的样本分别经过10000轮的训练，结合PLS算法得到使均方误差损失函数值最小时的参数w和b，最后再将40％的输入样本分别带入训练后的线性回归函数中进行测试避免模型出现过拟合现象，进一步确保最终PLS模型的准确度和稳定性。
请参照图8，一种水果内在品质的无损测量终端，包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序，所述处理器在执行所述计算机程序时实现以下步骤：
S1：获取智能设备摄像头拍摄水果样本得到的光谱图片样本，所述光谱图片样本具体为采用全光谱LED灯照射所述水果样本、由光穿透过所述水果样本一定深度后散射出所述水果样本表面而产生的反射光经光纤传输到光栅上，再由所述光栅漫反射后落到白板上形成反射光谱，最后由所述智能设备摄像头拍摄所述白板上的所述反射光谱而得到；
S2：获取所述水果样本的实际内在品质参数，所述实际内在品质参数具体为采用有损测量仪测得的所述水果样本内与所述光谱图片样本对应的位置处的果肉内在品质参数；
S3：将所述光谱图片样本分为800个不同波段，并取每个波段的平均亮度值，得到800个所述平均亮度值，并将800个所述平均亮度值与所述光谱图片样本对应的所述实际内在品质参数作为输入样本；
S4：重复上述步骤S1-S3得到多组的800个所述平均亮度值与所述实际内在品质参数，得到多组输入样本；
S5：构建神经网络，将多组所述输入样本输入所述神经网络进行深度学习训练和测试，得到PLS模型；
S6：创建微信小程序并导入所述PLS模型，获取所述智能设备拍摄待测试水果的实时光谱图片，通过所述PLS模型对所述实时光谱图片进行分析得到实时预测内在品质参数并显示，所述实时光谱图片由所述微信小程序调用所述智能设备拍照功能实时拍摄所述待测试水果得到。
由上述描述可知，本发明的有益效果在于：基于同一技术构思，配个上述的一种水果内在品质的无损测量方法，提供一种水果内在品质的无损测量终端，基于智能设备的摄像头拍摄由全光谱LED灯照射水果表面产生的反射光经光纤传输到光栅上再落到白板上形成的光谱图片，从而得到多个光谱图片样本作为后续深度学习的输入样本，再通过对光谱图片样本的反射光谱进行分波段并获取其不同波段的平均亮度值，并建立800个不同波段光谱平均亮度自变量与1个因变量的PLS模型，通过将多组不同波段的平均亮度值与实际测得的水果内在品质参数导入PLS模型对其进行深度学习的训练和测试，最终通过在智能设备端开发微信小程序并导入拟合完成的PLS模型来实现对水果内在品质的实时、无损测量，即直接通过智能设备就能实现低成本、快速及准确度高的水果内在品质的无损测量。
进一步地，所述水果样本为苹果样本；
所述实际内在品质参数为所述苹果样本的实际糖度值；
所述苹果样本具体为选取大小约为250g、形状规则且无损伤的若干类型的苹果各25个且在室温下放置1天后得到，并基于赤道部位将每个所述苹果样本间隔90°分为四个部分，每个部分各作为用于采集所述反射光谱和测量所述实际糖度值的测试点。
由上述描述可知，以测量苹果的糖度值为例，通过选取多种类型的苹果作为苹果样本，以便建立不同类型的苹果对应的PLS模型进行训练，使后续实际测量待测试苹果的糖度值时可进行类型的选择从而有针对性地进行糖度值预测，避免不同类型的苹果之间糖度值差异较大而造成单一的PLS模型不具有普遍性的问题，同时，将苹果样本放置在室温下一天，确保苹果样本的各项参数处在一个稳定状态下再进行后续的样本数据测量，减少环境等因素影响测量结果，提高糖度值检测的准确性；而对于每个苹果样本，都基于赤道部位间隔90°分为四个部分作为测试点，能充分利用苹果，避免错过苹果某个最大糖度值位置的同时进而增大后续获得的输入样本量，使PLS模型的训练更加充分，同时，也避免采集到的实际糖度受苹果阴阳面的影响而具有单一性，即进一步提高了后续基于训练完成的PLS模型进行苹果糖度值无损检测的准确性。
进一步地，所述S2中采用有损测量仪测得的所述水果样本内与所述光谱图片样本对应的位置处的果肉内在品质参数，具体为：
在所述苹果样本中与所述光谱图片样本对应的位置处取直径为2.5mm的半球状果肉，削去果肉上的果皮，用按压式榨汁机将其榨汁并滴到数字折射仪的检测棱镜面上，进行多次重复测量，得到果肉糖度值，即所述果肉内在品质参数。
由上述描述可知，利用现有较为成熟的有损测量方式获得苹果样本的实际糖度值，确保实际糖度值的真实性，以作为为PLS模型的训练和测试的样本，同时多次重复测量以进一步保证实际糖度值的真实性。
进一步地，所述S3中将所述光谱图片样本分为800个不同波段，并取每个波段的平均亮度值，得到800个所述平均亮度值，具体为：
选取所述光谱图片上800×200个的像素点；
将所述光谱图片上的像素沿x轴方向分组编号为1～800组；
获取每个所述像素点的RGB值，并转化为亮度值；
将每一组y轴方向上的200个所述像素点的所述亮度值累加并取平均值，得到800个所述平均亮度值。
由上述描述可知，选取光谱图片的800个不同波段的平均亮度值作为自变量，进一步提高后续训练PLS模型的准确度与稳定性。
进一步地，所述S5具体为：
建立一个线性回归的神经网络函数，将每组所述输入样本中的800个所述亮度平均值作为所述神经网络函数的X变量，以每组所述输入样本的所述实际糖度值作为所述神经网络函数的Y变量，建立线性关系，得到所述神经网络函数，如公式一：
其中，y为所述实际糖度值，xi为所述亮度平均值，w和b分别表示所述神经网络函数的权重和偏置，即直线的斜率和截距；
取所述输入样本的60％，通过所述输入样本中的数据拟合每个w和b，并使用均方误差作为损失函数，用以衡量苹果糖度预测值和所述实际糖度值的差异，如公式二：
其中，L为所述损失函数，N为所述输入样本数量的60％，yi和zi分别表示每个所述输入样本中的所述实际糖度值和样本预测糖度值；
进行深度学习训练以求解最佳的参数w和b，使所述损失函数得到最小值，基于微积分知识，可知沿着梯度的反方向是函数值下降最快的方向，得到所述损失函数关于wj和b的PLS算法公式，如公式三：
初始化wj＝1，b＝0，从当前的所述输入样本中取值，设置学习率eta＝0.3，一步步的按照下坡的方向下降，直到走到最低点，最终得到最佳的参数w和b，其中，每个所述输入样本的训练轮数设为10000轮；
取剩余的40％的所述输入样本进行深度学习测试，具体为将40％组所述输入样本中的所述亮度平均值代入已经得到最佳的参数w和b后的所述神经网络函数，计算得到每个所述输入样本对应的所述样本预测糖度值z，再将所述样本预测糖度值z与该40％的所述输入样本中的所述实际糖度值y进行比较拟合，最终得到训练和测试完成的所述PLS模型。
由上述描述可知，将光谱图片的800个不同波段对应的平均亮度值作为自变量，将通过有损测量仪采集苹果样本的果肉后测量得到的实际糖度值作为因变量，建立平均亮度值和实际糖度值之间的线性回归函数模型，即PLS模型，然后将60％的样本分别经过10000轮的训练，结合PLS算法得到使均方误差损失函数值最小时的参数w和b，最后再将40％的输入样本分别带入训练后的线性回归函数中进行测试避免模型出现过拟合现象，进一步确保最终PLS模型的准确度和稳定性。
请参照图1，本发明的实施例一为：
一种水果内在品质的无损测量方法，在本实施例中，以测量苹果的糖度值为例。
如图1所示，包括步骤：
S1：获取智能设备摄像头拍摄苹果样本得到的光谱图片样本。
其中，在本实施例中，智能设备为智能手机、智能平板或电脑等带有摄像头及显示屏的智能终端设备；光谱图片样本具体为采用全光谱LED灯照射苹果样本、由光穿透过苹果样本一定深度后散射出苹果样本表面而产生的反射光经光纤传输到光栅上，再由光栅漫反射后落到白板上形成反射光谱，最后由智能设备摄像头拍摄白板上的反射光谱而得到。在本实施例中，采用全光谱LED灯代替传统采用卤钨灯作为照射光源使苹果表面产生反射光，避免了传统卤钨灯容易发热且光照强度小、不利于光纤对发射光的接收，该全光谱LED灯的波长范围为380-800nm，能完全满足智能设备对光谱图片的提取；最后光纤将苹果样本表面产生的反射光传输到光栅，经光栅衍射处的光谱光线投射到白板表面上产生光谱图像，以便直接通过智能设备的摄像头拍摄白板直接获得光谱图片，而无需再通过智能设备端对反射光进行光谱的提取等处理操作，节约了智能设备端的开发成本。
S2：获取苹果样本的实际糖度值。
在本实施例中，实际糖度值具体为采用有损测量仪测得的苹果样本内与光谱图片样本对应的位置处的果肉糖度值。
S3：将光谱图片样本分为800个不同波段，并取每个波段的平均亮度值，得到800个平均亮度值，并将800个平均亮度值与光谱图片样本对应的实际糖度值作为输入样本。
S4：重复上述步骤S1-S3得到多组的800个平均亮度值与实际糖度值，得到多组输入样本。
S5：构建神经网络，将多组输入样本输入神经网络进行深度学习训练和测试，得到PLS模型。
S6：创建微信小程序并导入PLS模型，获取智能设备拍摄待测试苹果的实时光谱图片，通过PLS模型对实时光谱图片进行分析得到实时预测糖度值并显示，实时光谱图片由微信小程序调用智能设备拍照功能实时拍摄待测试苹果得到。
即在本实施例中，基于智能设备的摄像头拍摄由全光谱LED灯照射苹果表面产生的反射光经光纤传输到光栅上再落到白板上形成的光谱图片，从而得到多个光谱图片样本作为后续深度学习的输入样本，再通过对光谱图片样本的反射光谱进行分波段并获取其不同波段的平均亮度值，并建立800个不同波段光谱平均强度自变量与1个因变量的PLS模型，通过将多组不同波段的平均亮度值与实际测得的苹果糖度值导入PLS模型对其进行深度学习的训练和测试，最终通过在智能设备端开发微信小程序并导入拟合完成的PLS模型来实现对苹果糖度值的实时、无损测量，即直接通过智能设备就能实现低成本、快速及准确度高的水果内在品质的无损测量。
请参照图3，本发明的实施例二为：
一种水果内在品质的无损测量方法，在上述实施例一的基础上，在本实施例中，步骤S3中将光谱图片样本分为800个不同波段，并取每个波段的平均亮度值，得到800个平均亮度值，具体为：
如图3所示，选取光谱图片上800×200个的像素点，将光谱图片上的像素沿x轴方向分组编号为1～800组。
由于上述步骤S1中通过智能设备的摄像头拍摄到的光谱图片为可见连续的光谱图，即呈现红橙黄绿蓝靛紫的彩带，故而在本实施例中，需要使用编程工作将光谱图片转化为数据，即在上述将光谱图片分为800×200个像素点后，需要获取每个像素点的RGB值，通过公式I＝(R/255+G/255+B/255)/3将每个RGB值转化为亮度值，其中I为亮度值，则最终在一个光谱图片样本中，会得到160000个亮度值。
此时，将每一组(即如图3所示中横坐标上的1～800组)在y轴方向上的200个像素点的亮度值累加并取平均值，即得到一个光谱图片样本中的800个平均亮度值。
而每个光谱图片样本重复上述步骤获取其各自的800个平均亮度值，即在本实施例中，选取每个光谱图片的800个不同波段的平均亮度值作为自变量，得到一定数量的平均亮度值作为后续训练PLS模型的样本数据，能进一步提高后续训练完成后的PLS模型的准确度与稳定性。
请参照图2，本发明的实施例三为：
一种水果内在品质的无损测量方法，在上述实施例一或实施例二的基础上，在本实施例中，步骤S2中采用有损测量仪测得的苹果样本内与光谱图片样本对应的位置处的果肉糖度值，具体为：
在苹果样本中与光谱图片样本对应的位置处取直径为2.5mm的半球状果肉(用专业的挖果工具进行)，削去果肉上的果皮，用按压式榨汁机将其榨汁并滴到数字折射仪的检测棱镜面上，进行多次重复测量，得到果肉糖度值。
即在本实施例中，利用现有较为成熟的有损测量方式(即数字折射仪)测得苹果样本果肉的实际糖度值，确保实际糖度值的真实性，以作为为PLS模型的训练和测试的因变量，同时多次重复测量以进一步保证实际糖度值的真实性。
其中，苹果样本具体为选取大小约为250g、形状规则且无损伤的若干类型的苹果各25个且在室温下放置1天后得到，确保苹果样本的各项参数处在一个稳定状态下再进行后续的样本数据测量，减少环境等因素影响测量结果，提高糖度值检测的准确性；同时基于赤道部位将每个苹果样本间隔90°分为四个部分，每个部分各作为用于采集反射光谱和测量实际糖度值的测试点，即如图2所示，即充分利用苹果，避免错过苹果某个最大糖度值位置的同时进而增大后续获得的输入样本量，使PLS模型的训练更加充分，同时，也避免采集到的实际糖度受苹果阴阳面的影响而具有单一性，即进一步提高了后续基于训练完成的PLS模型进行苹果糖度值无损检测的准确性。
其中，在本实施例中，苹果的类型以红富士、黄元帅和糖心这三种为例，选取每种类型的苹果各25个，而通过上述的步骤将每个苹果样本基于赤道部位分为四个测试点，即最终智能设备拍摄得到的光谱图片样本共有300个，其中红富士、黄元帅和糖心各有100个光谱图片样本；而有损测量仪采集到的果肉也为300块，测量得到的实际糖度值为300个，其中红富士、黄元帅和糖心各100个；而在后续训练PLS模型时则是根据不同类型的苹果建立不同的PLS模型，即分别建立红富士PLS模型、黄元帅PLS模型和糖心PLS模型，由不同类型苹果样本的平均亮度值和实际糖度值分别作为各自PLS模型的训练和测试的输入样本。
即在本实施例中，通过选取多种类型的苹果作为苹果样本，以便建立不同类型的苹果对应的PLS模型进行训练，使后续实际测量待测试苹果的糖度值时可进行类型的选择从而有针对性地进行糖度值预测，避免不同类型的苹果之间糖度值差异较大而造成单一的PLS模型不具有普遍性的问题。
请参照图1、图4至图7，本发明的实施例四为：
一种水果内在品质的无损测量方法，在上述实施例三的基础上，在本实施例中，步骤S5具体为：
建立一个线性回归的神经网络函数，在本实施例中，每种类型的苹果均建立一个神经网络函数，即总共得到红富士、黄元帅和糖心的三个神经网络函数。
对应不同类型的神经网络函数，将各自每组输入样本中的800组亮度平均值作为神经网络函数的X变量，以每组输入样本的实际糖度值作为神经网络函数的Y变量，建立线性关系，得到神经网络函数，如公式一：
其中，y为实际糖度值，xi为亮度平均值，w和b分别表示神经网络函数的权重和偏置，即直线的斜率和截距；
在本实施例中，以黄元帅的苹果为例，取黄元帅输入样本的60％，即60个输入样本来训练神经网络函数，后续再采用剩余的40个输入样本来对神经网络函数进行测试。
如图4所示，通过输入样本中的数据拟合每个w和b，并使用均方误差作为损失函数，用以衡量苹果糖度预测值和实际糖度值的差异，如公式二：
其中，L为损失函数，在本实施例中N＝60，yi和zi分别表示每个输入样本中的实际糖度值和样本预测糖度值；
进行深度学习训练以求解最佳的参数w和b，使损失函数得到最小值，基于微积分知识，可知沿着梯度的反方向是函数值下降最快的方向，得到损失函数关于wj和b的PLS算法公式，如公式三：
初始化wj＝1，b＝0，从当前的输入样本中取值，设置学习率eta＝0.3，一步步的按照下坡的方向下降，直到走到最低点，最终得到最佳的参数w和b，其中，每个输入样本的训练轮数设为10000轮，即nu_iterations＝10000。
取剩余的40的输入样本进行深度学习测试，具体为将40组输入样本中的亮度平均值代入已经得到最佳的参数w和b后的神经网络函数，计算得到每个输入样本对应的样本预测糖度值z，再将样本预测糖度值z与该40的输入样本中的实际糖度值Test_Y进行比较拟合，最终得到训练和测试完成的PLS模型。
即在本实施例中，将光谱图片的800个不同波段对应的平均亮度值作为自变量，将通过有损测量仪采集苹果样本的果肉后测量得到的实际糖度值作为因变量，建立平均亮度值和实际糖度值之间的线性回归函数模型，即PLS模型，然后将60％的样本分别经过10000轮的训练，结合PLS算法得到使各自均方误差损失函数最小时的参数w和b，最后再将40％的输入样本分别带入训练后的线性回归函数中进行测试避免模型出现过拟合现象，进一步确保最终PLS模型的准确度和稳定性。
最后，最终得到训练和测试完成的PLS模型后，即如图5所示中的z＝wX0+b，其中X0为待测试苹果的光谱图片样本的平均亮度值，就可以通过PLS模型对待测试苹果进行糖度值预测了。
如图6所示，还是以黄元帅类型的苹果为例，将PLS模型导入智能设备上开发的微信小程序，则此时PLS模型的参数w和b会作为全局常量保存在微信小程序的JS文件中，等待调用。启动微信小程序，如图7所示，点击“开始测试”按钮，再选择“黄元帅”类型的苹果，然后通过微信小程序调用智能设备的摄像头拍摄待测试苹果某个部位的反射光经光栅落在白板上形成的实时光谱图片，或是通过在相册中选取已经预先保存的待测试苹果的实时光谱图片，当图片显示在微信小程序的显示页面上时，再点击进行进行分析按钮，调用参数w和b，根据PLS模型得到实时预测糖度值z，即最终在页面上会显示实时光谱图片和经PLS模型分析后得到的实时预测糖度值。
其中，在微信小程序调用智能设备的摄像头拍摄待测试苹果某个部位的反射光落经光栅在白板上形成的实时光谱图片，或是通过在相册中选取已经预先保存的待测试苹果的实时光谱图片后，微信小程序底层还需要对实时光谱图片进行简单处理。
即如图5所示，微信小程序通过自带的JavaScript工具将实时光谱图片剪切为800×200格像素点的格式，再遍历剪切后的实时光谱图片，将每个像素点的RGB值转化为亮度值，按行顺序对列方向的像素点的亮度值累加，取平均值X0，然后便是如上述通过将X0代入z＝wX0+b，得到实时预测糖度值z。
另外，在使用微信小程序的过程中一定要注意把握苹果的类型，为避免选择错误，在微信小程序的最后一个界面布有滚动条显示正在测量的苹果类型。
请参照图8，本发明的实施例五为：
一种水果内在品质的无损测量终端，包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序，处理器在执行计算机程序时实现如上述实施例一至实施例四中任一实施例的步骤。
综上所述，本发明提供的一种水果内在品质的无损测量方法及终端，具有以下有益效果：
1、基于智能设备的摄像头直接拍摄水果的光谱图片，无需使用CMOS或CCD进行光谱图片的获取，减少了开发成本；
2、采用全光谱LED灯照射水果表面，利于光纤对反射光的接收，以进一步满足智能设备对光谱图片的拍摄；
3、通过得到不同类型的输入样本建立不同类型的PLS模型，实现不同类型不同分析，以确保测量的准确性；
4、通过单个水果基于赤道部位分成四个测试点，以提高输入样本的数量，同时将每个输入样本的光谱图片分为800组不同波段并各取平均亮度值，进一步提高输入样本的数量，即为后续训练模型提供大量的样本数据，确保深度学习训练的准确性；
5、基于PLS模型保证无损测量和快速测量；
6、智能设备端开发微信小程序，节约内存和开发成本，便于携带，可以提供优质的数据处理环境和清晰的显示界面，且便于更新优化。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种水果内在品质的无损测量方法，其特征在于，包括步骤：
S1：获取智能设备摄像头拍摄水果样本得到的光谱图片样本，所述光谱图片样本具体为采用全光谱LED灯照射所述水果样本、由光穿透过所述水果样本一定深度后散射出所述水果样本表面而产生的反射光经光纤传输到光栅上，再由所述光栅漫反射后落到白板上形成反射光谱，最后由所述智能设备摄像头拍摄所述白板上的所述反射光谱而得到；
S2：获取所述水果样本的实际内在品质参数，所述实际内在品质参数具体为采用有损测量仪测得的所述水果样本内与所述光谱图片样本对应的位置处的果肉内在品质参数；
S3：将所述光谱图片样本分为800个不同波段，并取每个波段的平均亮度值，得到800个所述平均亮度值，并将800个所述平均亮度值与所述光谱图片样本对应的所述实际内在品质参数作为输入样本；
S4：重复上述步骤S1-S3得到多组的800个所述平均亮度值与所述实际内在品质参数，得到多组输入样本；
S5：构建神经网络，将多组所述输入样本输入所述神经网络进行深度学习训练和测试，得到PLS模型；
S6：创建微信小程序并导入所述PLS模型，获取所述智能设备拍摄待测试水果的实时光谱图片，通过所述PLS模型对所述实时光谱图片进行分析得到实时预测内在品质参数并显示，所述实时光谱图片由所述微信小程序调用所述智能设备拍照功能实时拍摄所述待测试水果得到。
2.根据权利要求1所述的一种水果内在品质的无损测量方法，其特征在于，所述水果样本为苹果样本；
所述实际内在品质参数为所述苹果样本的实际糖度值；
所述苹果样本具体为选取大小约为250g、形状规则且无损伤的若干类型的苹果各25个且在室温下放置1天后得到，并基于赤道部位将每个所述苹果样本间隔90°分为四个部分，每个部分各作为用于采集所述反射光谱和测量所述实际糖度值的测试点。
3.根据权利要求2所述的一种水果内在品质的无损测量方法，其特征在于，所述S2中采用有损测量仪测得的所述水果样本内与所述光谱图片样本对应的位置处的果肉内在品质参数，具体为：
在所述苹果样本中与所述光谱图片样本对应的位置处取直径为2.5mm的半球状果肉，削去果肉上的果皮，用按压式榨汁机将其榨汁并滴到数字折射仪的检测棱镜面上，进行多次重复测量，得到果肉糖度值，即所述果肉内在品质参数。
4.根据权利要求2所述的一种水果内在品质的无损测量方法，其特征在于，所述S3中将所述光谱图片样本分为800个不同波段，并取每个波段的平均亮度值，得到800个所述平均亮度值，具体为：
选取所述光谱图片上800×200个的像素点；
将所述光谱图片上的像素沿x轴方向分组编号为1～800组；
获取每个所述像素点的RGB值，并转化为亮度值；
将每一组y轴方向上的200个所述像素点的所述亮度值累加并取平均值，得到800个所述平均亮度值。
5.根据权利要求4所述的一种水果内在品质的无损测量方法，其特征在于，所述S5具体为：
建立一个线性回归的神经网络函数，将每组所述输入样本中的800个所述亮度平均值作为所述神经网络函数的X变量，以每组所述输入样本的所述实际糖度值作为所述神经网络函数的Y变量，建立线性关系，得到所述神经网络函数，如公式一：
其中，y为所述实际糖度值，xi为所述亮度平均值，w和b分别表示所述神经网络函数的权重和偏置，即直线的斜率和截距；
取所述输入样本的60％，通过所述输入样本中的数据拟合每个w和b，并使用均方误差作为损失函数，用以衡量苹果糖度预测值和所述实际糖度值的差异，如公式二：
其中，L为所述损失函数，N为所述输入样本数量的60％，yi和zi分别表示每个所述输入样本中的所述实际糖度值和样本预测糖度值；
进行深度学习训练以求解最佳的参数w和b，使所述损失函数得到最小值，基于微积分知识，可知沿着梯度的反方向是函数值下降最快的方向，得到所述损失函数关于wj和b的PLS算法公式，如公式三：
初始化wj＝1，b＝0，从当前的所述输入样本中取值，设置学习率eta＝0.3，一步步的按照下坡的方向下降，直到走到最低点，最终得到最佳的参数w和b，其中，每个所述输入样本的训练轮数设为10000轮；
取剩余的40％的所述输入样本进行深度学习测试，具体为将40％组所述输入样本中的所述亮度平均值代入已经得到最佳的参数w和b后的所述神经网络函数，计算得到每个所述输入样本对应的所述样本预测糖度值z，再将所述样本预测糖度值z与该40％的所述输入样本中的所述实际糖度值y进行比较拟合，最终得到训练和测试完成的所述PLS模型。
6.一种水果内在品质的无损测量终端，其特征在于，包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序，所述处理器在执行所述计算机程序时实现以下步骤：
S1：获取智能设备摄像头拍摄水果样本得到的光谱图片样本，所述光谱图片样本具体为采用全光谱LED灯照射所述水果样本、由光穿透过所述水果样本一定深度后散射出所述水果样本表面而产生的反射光经光纤传输到光栅上，再由所述光栅漫反射后落到白板上形成反射光谱，最后由所述智能设备摄像头拍摄所述白板上的所述反射光谱而得到；
S2：获取所述水果样本的实际内在品质参数，所述实际内在品质参数具体为采用有损测量仪测得的所述水果样本内与所述光谱图片样本对应的位置处的果肉内在品质参数；
S3：将所述光谱图片样本分为800个不同波段，并取每个波段的平均亮度值，得到800个所述平均亮度值，并将800个所述平均亮度值与所述光谱图片样本对应的所述实际内在品质参数作为输入样本；
S4：重复上述步骤S1-S3得到多组的800个所述平均亮度值与所述实际内在品质参数，得到多组输入样本；
S5：构建神经网络，将多组所述输入样本输入所述神经网络进行深度学习训练和测试，得到PLS模型；
S6：创建微信小程序并导入所述PLS模型，获取所述智能设备拍摄待测试水果的实时光谱图片，通过所述PLS模型对所述实时光谱图片进行分析得到实时预测内在品质参数并显示，所述实时光谱图片由所述微信小程序调用所述智能设备拍照功能实时拍摄所述待测试水果得到。
7.根据权利要求6所述的一种水果内在品质的无损测量终端，其特征在于，所述水果样本为苹果样本；
所述实际内在品质参数为所述苹果样本的实际糖度值；
所述苹果样本具体为选取大小约为250g、形状规则且无损伤的若干类型的苹果各25个且在室温下放置1天后得到，并基于赤道部位将每个所述苹果样本间隔90°分为四个部分，每个部分各作为用于采集所述反射光谱和测量所述实际糖度值的测试点。
8.根据权利要求7所述的一种水果内在品质的无损测量终端，其特征在于，所述S2中采用有损测量仪测得的所述水果样本内与所述光谱图片样本对应的位置处的果肉内在品质参数，具体为：
在所述苹果样本中与所述光谱图片样本对应的位置处取直径为2.5mm的半球状果肉，削去果肉上的果皮，用按压式榨汁机将其榨汁并滴到数字折射仪的检测棱镜面上，进行多次重复测量，得到果肉糖度值，即所述果肉内在品质参数。
9.根据权利要求7所述的一种水果内在品质的无损测量终端，其特征在于，所述S3中将所述光谱图片样本分为800个不同波段，并取每个波段的平均亮度值，得到800个所述平均亮度值，具体为：
选取所述光谱图片上800×200个的像素点；
将所述光谱图片上的像素沿x轴方向分组编号为1～800组；
获取每个所述像素点的RGB值，并转化为亮度值；
将每一组y轴方向上的200个所述像素点的所述亮度值累加并取平均值，得到800个所述平均亮度值。
10.根据权利要求9所述的一种水果内在品质的无损测量终端，其特征在于，所述S5具体为：
建立一个线性回归的神经网络函数，将每组所述输入样本中的800个所述亮度平均值作为所述神经网络函数的X变量，以每组所述输入样本的所述实际糖度值作为所述神经网络函数的Y变量，建立线性关系，得到所述神经网络函数，如公式一：
其中，y为所述实际糖度值，xi为所述亮度平均值，w和b分别表示所述神经网络函数的权重和偏置，即直线的斜率和截距；
取所述输入样本的60％，通过所述输入样本中的数据拟合每个w和b，并使用均方误差作为损失函数，用以衡量苹果糖度预测值和所述实际糖度值的差异，如公式二：
其中，L为所述损失函数，N为所述输入样本数量的60％，yi和zi分别表示每个所述输入样本中的所述实际糖度值和样本预测糖度值；
进行深度学习训练以求解最佳的参数w和b，使所述损失函数得到最小值，基于微积分知识，可知沿着梯度的反方向是函数值下降最快的方向，得到所述损失函数关于wj和b的PLS算法公式，如公式三：
初始化wj＝1，b＝0，从当前的所述输入样本中取值，设置学习率eta＝0.3，一步步的按照下坡的方向下降，直到走到最低点，最终得到最佳的参数w和b，其中，每个所述输入样本的训练轮数设为10000轮；
取剩余的40％的所述输入样本进行深度学习测试，具体为将40％组所述输入样本中的所述亮度平均值代入已经得到最佳的参数w和b后的所述神经网络函数，计算得到每个所述输入样本对应的所述样本预测糖度值z，再将所述样本预测糖度值z与该40％的所述输入样本中的所述实际糖度值y进行比较拟合，最终得到训练和测试完成的所述PLS模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111299816.5A CN114235723B (zh) | 2021-11-04 | 2021-11-04 | 一种水果内在品质的无损测量方法及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111299816.5A CN114235723B (zh) | 2021-11-04 | 2021-11-04 | 一种水果内在品质的无损测量方法及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114235723A true CN114235723A (zh) | 2022-03-25 |
| CN114235723B CN114235723B (zh) | 2024-04-02 |
Family
ID=80743760
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111299816.5A Active CN114235723B (zh) | 2021-11-04 | 2021-11-04 | 一种水果内在品质的无损测量方法及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114235723B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001069191A1 (en) * | 2000-03-13 | 2001-09-20 | Autoline, Inc. | Apparatus and method for measuring and correlating characteristics of fruit with visible/near infra-red spectrum |
| KR20030062859A (ko) * | 2002-01-21 | 2003-07-28 | 한국식품개발연구원 | 휴대식 비파괴 과실품질 측정계 |
| US6646264B1 (en) * | 2000-10-30 | 2003-11-11 | Monsanto Technology Llc | Methods and devices for analyzing agricultural products |
| AU2008301534A1 (en) * | 2007-09-21 | 2009-03-26 | Suntory Holdings Limited | Visible/near-infrared spectrum analyzing method and grape fermenting method |
| 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 |
| CN107064047A (zh) * | 2017-03-02 | 2017-08-18 | 兰州大学 | 一种基于近红外光谱的富士苹果品质无损检测方法 |
| CN108956545A (zh) * | 2018-06-15 | 2018-12-07 | 北京农业智能装备技术研究中心 | 一种水果内部品质无损检测模型建立方法及系统 |
| CN111968080A (zh) * | 2020-07-21 | 2020-11-20 | 山东农业大学 | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 |
| CN112097908A (zh) * | 2020-08-11 | 2020-12-18 | 中国农业大学 | 一种与智能手机匹配的水果内部品质检测传感器及其方法 |
| CN112465077A (zh) * | 2021-02-02 | 2021-03-09 | 中国人民解放军国防科技大学 | 水果糖度无损检测方法、装置、计算机设备和存储介质 |
| CN112669915A (zh) * | 2020-11-06 | 2021-04-16 | 西安理工大学 | 一种基于神经网络与近红外光谱的梨无损检测方法 |
-
2021
- 2021-11-04 CN CN202111299816.5A patent/CN114235723B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001069191A1 (en) * | 2000-03-13 | 2001-09-20 | Autoline, Inc. | Apparatus and method for measuring and correlating characteristics of fruit with visible/near infra-red spectrum |
| US6646264B1 (en) * | 2000-10-30 | 2003-11-11 | Monsanto Technology Llc | Methods and devices for analyzing agricultural products |
| KR20030062859A (ko) * | 2002-01-21 | 2003-07-28 | 한국식품개발연구원 | 휴대식 비파괴 과실품질 측정계 |
| AU2008301534A1 (en) * | 2007-09-21 | 2009-03-26 | Suntory Holdings Limited | Visible/near-infrared spectrum analyzing method and grape fermenting method |
| 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 |
| CN107064047A (zh) * | 2017-03-02 | 2017-08-18 | 兰州大学 | 一种基于近红外光谱的富士苹果品质无损检测方法 |
| CN108956545A (zh) * | 2018-06-15 | 2018-12-07 | 北京农业智能装备技术研究中心 | 一种水果内部品质无损检测模型建立方法及系统 |
| CN111968080A (zh) * | 2020-07-21 | 2020-11-20 | 山东农业大学 | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 |
| CN112097908A (zh) * | 2020-08-11 | 2020-12-18 | 中国农业大学 | 一种与智能手机匹配的水果内部品质检测传感器及其方法 |
| CN112669915A (zh) * | 2020-11-06 | 2021-04-16 | 西安理工大学 | 一种基于神经网络与近红外光谱的梨无损检测方法 |
| CN112465077A (zh) * | 2021-02-02 | 2021-03-09 | 中国人民解放军国防科技大学 | 水果糖度无损检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 朱丹宁: "薄皮水果糖度和货架期便携式检测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, vol. 1, no. 12, pages 111 - 126 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114235723B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yu et al. | Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing | |
| Teerachaichayut et al. | Non-destructive prediction of total soluble solids, titratable acidity and maturity index of limes by near infrared hyperspectral imaging | |
| Giovenzana et al. | Testing of a simplified LED based vis/NIR system for rapid ripeness evaluation of white grape (Vitis vinifera L.) for Franciacorta wine | |
| Rigon et al. | A novel method for the estimation of soybean chlorophyll content using a smartphone and image analysis | |
| Wu et al. | Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet | |
| Liu et al. | Prediction of nitrogen and phosphorus contents in citrus leaves based on hyperspectral imaging | |
| Yue et al. | A smart data-driven rapid method to recognize the strawberry maturity | |
| CN104977258B (zh) | 基于二维相关光谱的茶叶/化妆品等品质检测方法 | |
| CN106770067B (zh) | 便携式猕猴桃糖度无损检测装置 | |
| CN109668843A (zh) | 一种基于手机的便携式多光谱成像技术检测腊肉品质的方法 | |
| CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
| CN105181606B (zh) | 基于高光谱成像技术检测花生中蔗糖含量分布的方法 | |
| US10012584B2 (en) | System and method for determining solute concentration in a colored liquid sample | |
| CN109323999A (zh) | 一种基于图像数值分析的分光光度检测方法 | |
| CN108801975A (zh) | 一种微型化近红外光谱仪检测酒糟成分的光谱预处理方法 | |
| CN201041553Y (zh) | 基于多光谱成像技术的水果品质无损检测系统 | |
| Rodríguez-Pulido et al. | CIELAB–Spectral image MATCHING: An app for merging colorimetric and spectral images for grapes and derivatives | |
| Noh et al. | Integration of hyperspectral reflectance and fluorescence imaging for assessing apple maturity | |
| Yao et al. | Design and testing of an active light source apparatus for crop growth monitoring and diagnosis | |
| Yao et al. | Non-destructive determination of soluble solids content in intact apples using a self-made portable NIR diffuse reflectance instrument | |
| TWI653444B (zh) | Screening test paper and system and method thereof | |
| CN210775225U (zh) | 基于拉曼光谱的果实成熟度检测与采摘装置 | |
| CN114235723B (zh) | 一种水果内在品质的无损测量方法及终端 | |
| JP2001318053A (ja) | 植物体の品質評価装置及び育種選抜方法並びに品質評価方法 | |
| 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 |
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 |