CN114419311B - 一种基于多源信息的百香果成熟度无损检测方法及装置 - Google Patents

Abstract

本发明提供一种基于多源信息的百香果成熟度无损检测方法及装置，该方法包括：获取检测样品呼出的二氧化碳浓度值，根据二氧化碳浓度值，确定待测样品的呼吸速率；获取检测样品基于高光谱成像的每个波段的二维灰度图像，将所有波段的二维灰度图像合成三维高光谱图像，根据高光谱图像提取检测样品感兴趣区域的图像特征；根据高光谱图像提取检测样品感兴趣区域的原始光谱曲线，并根据原始光谱曲线提取光谱特征，光谱特征为不同波长的反射率；将呼吸速率、图像特征和光谱特征，输入预先训练得到的检测模型，得到待测样品的成熟度。该方法无需破坏百香果本身，检测效率高，检测成本低，可避免常规机器学习方法的局限性和准确率不高的问题。

Description

一种基于多源信息的百香果成熟度无损检测方法及装置

技术领域

本发明属于图像处理技术领域，涉及一种农产品无损检测技术，尤其涉及一种基于多源信息的百香果成熟度无损检测方法及装置。

背景技术

近年来，随着经济的发展和消费水平的提升，消费者对百香果的品质要求逐渐提高。百香果的内外部品质与百香果的成熟度有较大的关系，可以根据酸甜度来确定百香果的成熟度，但需要将百香果切开。同时，百香果的成熟度也与它的最适宜食用状态及口感等有直接的关系。

目前的百香果成熟度的评价与判断主要依赖于肉眼观察，存在分类品质参差不齐、分类效率慢、分类不准的问题，无法满足大规模水果市场的需求。

发明内容

针对现有技术存在的问题，本发明提供一种基于多源信息的百香果成熟度无损检测方法及装置。

本发明提供一种基于多源信息的百香果成熟度无损检测方法，包括：获取检测样品呼出的二氧化碳浓度值，根据所述二氧化碳浓度值，确定待测样品的呼吸速率；获取检测样品基于高光谱成像的每个波段的二维灰度图像，将所有波段的二维灰度图像合成三维高光谱图像，根据所述高光谱图像提取检测样品感兴趣区域的图像特征；根据所述高光谱图像提取检测样品感兴趣区域的原始光谱曲线，并根据所述原始光谱曲线提取光谱特征，所述光谱特征为不同波长的反射率；将所述呼吸速率、图像特征和光谱特征，输入预先训练得到的检测模型，得到待测样品的成熟度；其中，所述图像特征，根据已知成熟度样本的所述高光谱图像，提取不同类型特征分别对YOLOV4模型进行训练后，在YOLOV4模型准确度最高的情况下确定得到；所述光谱特征，根据已知成熟度样本的所述光谱曲线，提取不同类型特征分别对卷积神经网络模型进行训练后，在准确度最高的情况下确定得到；所述检测模型，根据已知成熟度样本的所述呼吸速率、所述图像特征和所述光谱特征作为输入，对应的成熟度作为输出进行训练得到，所述检测模型包括偏最小二乘模型或随机蛙跳模型。

根据本发明提供的一种基于多源信息的百香果成熟度无损检测方法，所述获取检测样品呼出的二氧化碳浓度值，根据所述二氧化碳浓度值，确定待测样品的呼吸速率，包括：在确定检测样品传送到二氧化碳检测箱后，获取检测样品在检测箱停留预设时长期间不同时刻的多个二氧化碳浓度值；根据所述多个二氧化碳浓度值的平均值，确定检测样品的呼吸速率。

根据本发明提供的一种基于多源信息的百香果成熟度无损检测方法，所述获取检测样品基于高光谱成像的每个波段的二维灰度图像之前，还包括：获取已知成熟度百香果样本的所述高光谱图像；在不同的特征组合下，根据所述高光谱图像提取特征，并基于训练集样本分别对YOLOV4模型进行训练后，基于测试集样本确定准确度最高的特征组合；将准确度最高的特征组合，作为所述图像特征。

根据本发明提供的一种基于多源信息的百香果成熟度无损检测方法，所述获取已知成熟度百香果样本的所述高光谱图像之后，还包括：根据所述高光谱图像，提取已知成熟度百香果样本的原始光谱曲线；在不同的波段或波长特征组合下，根据所述原始光谱曲线提取特征，并基于训练集样本分别对卷积神经网络模型进行训练后，基于测试集样本确定准确度最高的特征组合；将准确度最高的特征组合，作为所述光谱特征。

根据本发明提供的一种基于多源信息的百香果成熟度无损检测方法，还包括：对不同成熟度已确定的百香果样本依次编号，分别采集每个百香果样本的单位时间内呼出的二氧化碳浓度，采集每个百香果的所述高光谱图像；基于所述二氧化碳浓度分别确定每个百香果样本呼吸速率，以及基于所述高光谱图像分别提取所述图像特征和所述光谱特征，得到训练集样本；根据所述训练集样本，基于最小二乘或随机蛙跳模型训练得到所述检测模型。

根据本发明提供的一种基于多源信息的百香果成熟度无损检测方法，对不同成熟度已确定的百香果样本依次编号，分别采集每个百香果样本的单位时间内呼出的二氧化碳浓度，采集每个百香果的所述高光谱图像之后，还包括：基于所述二氧化碳浓度分别确定每个百香果样本呼吸速率，以及基于所述高光谱图像分别提取所述图像特征和所述光谱特征，得到测试集样本；根据所述测试集样本，确定训练得到检测模型的准确度；若所述准确度不满足预设条件，则重新选择图像特征和光谱特征，对检测模型进行训练。

本发明还提供一种基于多源信息的百香果成熟度无损检测装置，包括：呼吸特征采集模块，用于获取检测样品呼出的二氧化碳浓度值，根据所述二氧化碳浓度值，确定待测样品的呼吸速率；图像特征采集模块，用于获取检测样品基于高光谱成像的每个波段的二维灰度图像，将所有波段的二维灰度图像合成三维高光谱图像，根据所述高光谱图像提取检测样品感兴趣区域的图像特征；光谱特征采集模块，用于根据所述高光谱图像提取检测样品感兴趣区域的原始光谱曲线，并根据所述原始光谱曲线提取光谱特征，所述光谱特征为不同波长的反射率；成熟度检测模块，用于将所述呼吸速率、图像特征和光谱特征，输入预先训练得到的检测模型，得到待测样品的成熟度；其中，所述图像特征，根据已知成熟度样本的所述高光谱图像，提取不同类型特征分别对YOLOV4模型进行训练后，在YOLOV4模型准确度最高的情况下确定得到；所述光谱特征，根据已知成熟度样本的所述光谱曲线，提取不同类型特征分别对卷积神经网络模型进行训练后，在准确度最高的情况下确定得到；所述检测模型，根据已知成熟度样本的所述呼吸速率、所述图像特征和所述光谱特征作为输入，对应的成熟度作为输出进行训练得到，所述检测模型包括偏最小二乘模型或随机蛙跳模型。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于多源信息的百香果成熟度无损检测方法。

本发明还提供一种基于多源信息的百香果成熟度无损检测系统，包括：密封箱、二氧化碳检测器、环形可调光源、高光谱成像仪、暗箱、PLC控制单元、传送线、滚轮、升降台以及上述电子设备；所述高光谱成像仪通过数据线与所述电子设备连接，用于拍摄的检测样品的高光谱图像；所述密封箱为长方形封闭箱，底部开设有可打开箱门，用于当百香果检测样品被所述升降台升起置于所述密封箱中后，箱门依靠自身重力落下，箱门中间的小圆孔与升降台下的支撑杆契合，形成一个密封整体，所述密封箱还用于在内部安装所述二氧化碳检测器，为二氧化碳的测定提供密封环境；所述二氧化碳检测器安装在密封箱内，通过数据线与所述电子设备连接，用于采集预设时间范围内的百香果检测样品呼出的二氧化碳浓度；所述环形可调光源，为高光谱图像的获取提供光源； 所述PLC控制单元，用于控制滚轮的移动及升降台的上下。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于多源信息的百香果成熟度无损检测方法。

本发明提供的基于多源信息的百香果成熟度无损检测方法及装置，融合了百香果呼吸速率、高光谱图像特征参数及光谱特征参数的数据，避免常规机器学习方法的局限性和准确率不高的问题，从而检测准确率较高，检测结果更客观可靠。该方法可以实现不同成熟度的百香果的分类预测，无需破坏百香果本身，也不需要人工肉眼去判断，检测效率高，检测成本低。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的基于多源信息的百香果成熟度无损检测方法的流程示意图之一；

图2是本发明提供的基于多源信息的百香果成熟度无损检测方法的流程示意图之二；

图3是本发明提供的基于多源信息的百香果成熟度无损检测装置的结构示意图；

图4是本发明提供的电子设备的结构示意图；

图5是本发明提供的基于多源信息的百香果成熟度无损检测系统的结构示意图。

附图标记说明：1-检测样品；2-密封箱；3-二氧化碳检测器；4-环形可调光源；5-高光谱成像仪；6-暗箱；7-电子设备；8-PLC控制单元；9-传送线；10-滚轮；11-升降台。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。

下面结合图1-图5描述本发明的基于多源信息的百香果成熟度无损检测方法及装置。图1是本发明提供的基于多源信息的百香果成熟度无损检测方法的流程示意图之一，如图1所示，本发明提供基于多源信息的百香果成熟度无损检测方法，包括：

S1、获取检测样品呼出的二氧化碳浓度值，根据所述二氧化碳浓度值，确定待测样品的呼吸速率。

检测样品可以是任意成熟度的百香果，可以对七分熟、八分熟、九分熟、十分熟的百香果同时进行随机检测。可将检测样品放置在传送线上，通过密闭检测空间，基于二氧化碳传感器测量二氧化碳浓度值，以此确定呼吸速率特征。

S2、获取检测样品基于高光谱成像的每个波段的二维灰度图像，将所有波段的二维灰度图像合成三维高光谱图像，根据所述高光谱图像提取检测样品感兴趣区域的图像特征。

测定完百香果的呼吸速率之外，可通过传送线将检测样品运动到高光谱检测装置下方，调节检测装置的参数，包括带有标准镜头的推扫式高光谱成像仪镜头的焦距、曝光时间等。其中，多个波段根据光谱成像仪确定，即不同的光谱成像仪多个波段可以是不同的。例如，通过高光谱成像仪获取600nm—1000nm范围内（光谱分辨率为1nm）的多个波段图像，在每个波段下确定对应的二维灰度图像。将所有波段的二维灰度图像，合成三维彩色高光谱图像。

其中，所述图像特征，根据已知成熟度样本的所述高光谱图像，提取不同类型特征分别对YOLOV4模型进行训练后，在YOLOV4模型准确度最高的情况下确定得到。

可选地，图像特征包括根据高光谱图像提取的皱缩程度和RGB均值。其中，皱缩程度表示方式包括有皱缩面积占总面积的比值，比如 1代表0～25％皱缩；2代表25％～50％皱缩；3代表50％～75％皱缩；4代表75％～100％。

在此前，获取已知成熟度的百香果样本作为样本，分为训练集和测试集样本。成熟度根据现行的国家标准进行确定，参数可根据试验测得。根据已知成熟度样本，按照S2相同的方式得到高光谱图像，再根据高光谱图像，分别提取多种图像相关特征。基于不同情况提取的特征和已知的成熟度，分别对初始YOLOV4模型进行训练，然后在不同的特征组合情况下，分别基于测试集样本测试成熟度的准确性。选择准确性最高的特征组合作为图像特征，也就是S2中需要提取的图像特征。

S3、根据所述高光谱图像提取检测样品感兴趣区域的原始光谱曲线，并根据所述原始光谱曲线提取光谱特征。

其中，所述光谱特征为不同波长的反射率。所述光谱特征，根据已知成熟度样本的所述光谱曲线，提取不同类型特征分别对卷积神经网络模型进行训练后，在准确度最高的情况下确定得到。

以整个百香果图像区域为感兴趣区域，提取百香果的原始高光谱曲线。其后，还包括对原始高光谱曲线进行预处理，去除百香果光谱数据的噪声干扰，提高信噪比。

在此前，获取已知成熟度的百香果样本作为样本，同样分为训练集和测试集样本。根据已知成熟度样本，按照S3相同的方式得到原始光谱曲线，再根据原始光谱曲线，分别提取多种特征。其中，多种特征可以是根据原始光谱曲线确定的不同波段的反射率。

基于不同情况提取的特征和已知的成熟度，分别对初始卷积神经网络模型进行训练，然后在不同的特征组合情况下，分别基于测试集样本测试成熟度的准确性。选择准确性最高的特征组合作为光谱特征，也就是S3中需要提取的光谱特征。

S4、将所述呼吸速率、图像特征和光谱特征，输入预先训练得到的检测模型，得到待测样品的成熟度。

其中，所述检测模型，根据已知成熟度样本的所述呼吸速率、所述图像特征和所述光谱特征作为输入，对应的成熟度作为输出进行训练得到，所述检测模型包括偏最小二乘模型或随机蛙跳模型。

在此前，获取已知成熟度的百香果样品作为样本。根据已知成熟度样本，按照S1~S3相同的方式得到呼吸速率、图像特征和光谱特征。然后基于三类特征，基于最小二乘或随即蛙跳模型，训练得到上述检测模型。

对于待测样品，按上述方法提取呼吸速率、图像特征和光谱特征后，再输入拟合后的检测模型，便可得到准确的百香果待测样品成熟度量化值。

本发明提供的基于多源信息的百香果成熟度无损检测方法，融合了百香果呼吸速率、高光谱图像特征参数及光谱特征参数的数据，避免常规机器学习方法的局限性和准确率不高的问题，从而检测准确率较高，检测结果更客观可靠。该方法可以实现不同成熟度的百香果的分类预测，无需破坏百香果本身，也不需要人工肉眼去判断，检测效率高，检测成本低。

在上述实施例的基础上，作为一种可选实施例，所述获取检测样品呼出的二氧化碳浓度值，根据所述二氧化碳浓度值，确定待测样品的呼吸速率，包括：在确定检测样品传送到二氧化碳检测箱后，获取检测样品在检测箱停留预设时长期间不同时刻的多个二氧化碳浓度值；根据所述多个二氧化碳浓度值的平均值，确定检测样品的呼吸速率。

例如，将检测样品放置在传送线上，当检测样品被传送到二氧化碳检测箱中后，停留1分钟，获取这1分钟百香果呼出的10个二氧化碳浓度值，取平均，以此得出百香果单位时间内的呼吸速率。

在上述实施例的基础上，作为一种可选实施例，所述获取检测样品基于高光谱成像的每个波段的二维灰度图像之前，还包括：获取已知成熟度百香果样本的所述高光谱图像；在不同的特征组合下，根据所述高光谱图像提取特征，并基于训练集样本分别对YOLOV4模型进行训练后，基于测试集样本确定准确度最高的特征组合；将准确度最高的特征组合，作为所述图像特征。

具体而言，可利用训练样本合成后的三维彩色高光谱图像，将百香果图像区域从整张图片中标注出来，作为感兴趣区域，标注所有图像编号，作为YOLOV4网络模型的输入，实现百香果的成熟度预测，利用测试集样本确定准确度高的特征组合。

在上述实施例的基础上，作为一种可选实施例，所述获取已知成熟度百香果样本的所述高光谱图像之后，还包括：根据所述高光谱图像，提取已知成熟度百香果样本的原始光谱曲线；在不同的波段或波长特征组合下，根据所述原始光谱曲线提取特征，并基于训练集样本分别对卷积神经网络模型进行训练后，基于测试集样本确定准确度最高的特征组合；将准确度最高的特征组合，作为所述光谱特征。

上述实施例具体流程可参见图2以及上述实施例S1~S4的说明，此处不再赘述。

在上述实施例的基础上，作为一种可选实施例，确定所述光谱特征之后，还包括：对不同成熟度已确定的百香果样本依次编号，分别采集每个百香果样本的单位时间内呼出的二氧化碳浓度，采集每个百香果的所述高光谱图像；基于所述二氧化碳浓度分别确定每个百香果样本呼吸速率，以及基于所述高光谱图像分别提取所述图像特征和所述光谱特征，得到训练集样本；根据所述训练集样本，基于最小二乘或随机蛙跳模型训练得到所述检测模型。

例如，将96 个不同成熟度的百香果依次编号，采集所有百香果的单位时间内呼出的二氧化碳浓度，采集每个百香果的上述高光谱图像，再分别确定呼吸特征、图像特征和光谱特征，基于最小二乘或随即蛙跳模型拟合模型。

在上述实施例的基础上，作为一种可选实施例，对不同成熟度已确定的百香果样本依次编号，分别采集每个百香果样本的单位时间内呼出的二氧化碳浓度，采集每个百香果的所述高光谱图像之后，还包括：基于所述二氧化碳浓度分别确定每个百香果样本呼吸速率，以及基于所述高光谱图像分别提取所述图像特征和所述光谱特征，得到测试集样本；根据所述测试集样本，确定训练得到检测模型的准确度；若所述准确度不满足预设条件，则重新选择图像特征和光谱特征，对检测模型进行训练。

对不同成熟度已确定的百香果样本依次编号，分别采集每个百香果样本的单位时间内呼出的二氧化碳浓度，采集每个百香果的所述高光谱图像之后，按照3：1的比例随机划分为训练集和预测集，训练集用来建立检测模型，预测集用来检验所建立的检测模型的准确性。

在上述实施例的训练完成之后，将测试集数据导入到所建立的检测模型中，依据检测模型计算出来的预测值与实际实验测得的真实值之间的差异，判断所建立的模型的准确性。若不满足预设条件（如设置90%），则重新选择特征波段进行训练。

下面对本发明提供的基于多源信息的百香果成熟度无损检测装置进行描述，下文描述的基于多源信息的百香果成熟度无损检测装置与上文描述的基于多源信息的百香果成熟度无损检测方法可相互对应参照。

图3是本发明提供的基于多源信息的百香果成熟度无损检测装置的结构示意图，如图3所示，该基于多源信息的百香果成熟度无损检测装置包括：呼吸特征采集模块301、图像特征采集模块302、光谱特征采集模块303和成熟度检测模块304。其中，呼吸特征采集模块301用于获取检测样品呼出的二氧化碳浓度值，根据所述二氧化碳浓度值，确定待测样品的呼吸速率；图像特征采集模块302，用于获取检测样品基于高光谱成像的每个波段的二维灰度图像，将所有波段的二维灰度图像合成三维高光谱图像，根据所述高光谱图像提取检测样品感兴趣区域的图像特征；光谱特征采集模块303用于根据所述高光谱图像提取检测样品感兴趣区域的原始光谱曲线，并根据所述原始光谱曲线提取光谱特征，所述光谱特征为不同波长的反射率；成熟度检测模块304用于将所述呼吸速率、图像特征和光谱特征，输入预先训练得到的检测模型，得到待测样品的成熟度；

其中，所述图像特征，根据已知成熟度样本的所述高光谱图像，提取不同类型特征分别对YOLOV4模型进行训练后，在YOLOV4模型准确度最高的情况下确定得到；所述光谱特征，根据已知成熟度样本的所述光谱曲线，提取不同类型特征分别对卷积神经网络模型进行训练后，在准确度最高的情况下确定得到；所述检测模型，根据已知成熟度样本的所述呼吸速率、所述图像特征和所述光谱特征作为输入，对应的成熟度作为输出进行训练得到，所述检测模型包括偏最小二乘模型或随机蛙跳模型。

本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。

本发明实施例所提供的基于多源信息的百香果成熟度无损检测装置，其实现原理及产生的技术效果和前述基于多源信息的百香果成熟度无损检测方法实施例相同，为简要描述，基于多源信息的百香果成熟度无损检测装置实施例部分未提及之处，可参考前述基于多源信息的百香果成熟度无损检测方法实施例中相应内容。

图4是本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令，以执行基于多源信息的百香果成熟度无损检测方法，该方法包括：获取检测样品呼出的二氧化碳浓度值，根据所述二氧化碳浓度值，确定待测样品的呼吸速率；获取检测样品基于高光谱成像的每个波段的二维灰度图像，将所有波段的二维灰度图像合成三维高光谱图像，根据所述高光谱图像提取检测样品感兴趣区域的图像特征；根据所述高光谱图像提取检测样品感兴趣区域的原始光谱曲线，并根据所述原始光谱曲线提取光谱特征，所述光谱特征为不同波长的反射率；将所述呼吸速率、图像特征和光谱特征，输入预先训练得到的检测模型，得到待测样品的成熟度；其中，所述图像特征，根据已知成熟度样本的所述高光谱图像，提取不同类型特征分别对YOLOV4模型进行训练后，在YOLOV4模型准确度最高的情况下确定得到；所述光谱特征，根据已知成熟度样本的所述光谱曲线，提取不同类型特征分别对卷积神经网络模型进行训练后，在准确度最高的情况下确定得到；所述检测模型，根据已知成熟度样本的所述呼吸速率、所述图像特征和所述光谱特征作为输入，对应的成熟度作为输出进行训练得到，所述检测模型包括偏最小二乘模型或随机蛙跳模型。

此外，上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

图5是本发明提供的基于多源信息的百香果成熟度无损检测系统的结构示意图，如图5所示，该系统包括：密封箱2、二氧化碳检测器3、暗箱6、环形可调光源4、高光谱成像仪5、PLC控制单元8、传送线9、滚轮10、升降台11以及上述实施例的电子设备7；所述密封箱2为长方形封闭箱，底部开设有可打开箱门，用于当百香果检测样品1被所述升降台11升起置于所述密封箱2中后，箱门依靠自身重力落下，箱门中间的小圆孔与升降台下的支撑杆契合，形成一个密封整体；所述二氧化碳检测器3安装在密封箱3内，通过数据线与所述电子设备7连接，用于采集预设时间范围内的百香果检测样品1呼出的二氧化碳浓度；所述暗箱6内部设置所述高光谱成像仪5，所述高光谱成像仪5通过数据线与所述电子设备7连接，用于检测样品1通过所述暗箱时拍摄高光谱图像；所述环形可调光源4，为所述高光谱图像的获取提供光源；所述滚轮10用于带动所述传送线移动，所述传送线9用于运送所述检测样品1；所述PLC控制单元8，用于控制滚轮10的移动及升降台11的上下。

电子设备7用于完成呼吸速率数据的采集与处理、高光谱数据的处理、数据的融合、数据的输出等。

高光谱成像仪5可通过USB3.0数据线与电子设备7连接，带有标准镜头的推扫式高光谱成像仪5采用机载高光谱相机，型号为OCI-UAV-1000，数据采集方式为推扫式，光谱范围为600 nm-1000 nm；相机镜头（35 mm定焦，18°视场角）尺寸为80 mm x 60 mm x 60 mm；其功能是拍摄高质量的百香果图像。

密封箱2可采用亚克力板搭建的长方形的封闭箱，密封性较好，其底部开设有可自动打开箱门，其功能是当百香果被升降台11升起置于密封箱2中后，箱门依靠自身重力落下，箱门中间的小圆孔与升降台下的支撑杆契合，从而形成一个密封性较好的整体。该密封性较好的整体功能是，为二氧化碳的测定提供较好的密封环境，避免在检测的过程中空气中的二氧化碳的干扰。

二氧化碳检测器3安装在密封箱内，可采用Telaire-7001红外二氧化碳测试仪，通过USB3.0数据线与电子设备7连接。其功能是采集一定时间范围内的百香果呼出的二氧化碳浓度。

环形可调光源4安装在暗箱6中，型号可为海康威视的MV-LBES-300-W，功率为65W。环形可调光源的电能可通过数据线从电子设备7获得，为高光谱图像的获取提供光源。

PLC控制单元8为通用元器件，其作用是控制滚轮的移动及升降台的上下。传送线9、滚轮10、升降台11一起构成传送机构，其功能主要是完成百香果的传输，使得百香果能够到达各指定位置进行检测。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于多源信息的百香果成熟度无损检测方法，该方法包括：获取检测样品呼出的二氧化碳浓度值，根据所述二氧化碳浓度值，确定待测样品的呼吸速率；获取检测样品基于高光谱成像的每个波段的二维灰度图像，将所有波段的二维灰度图像合成三维高光谱图像，根据所述高光谱图像提取检测样品感兴趣区域的图像特征；根据所述高光谱图像提取检测样品感兴趣区域的原始光谱曲线，并根据所述原始光谱曲线提取光谱特征，所述光谱特征为不同波长的反射率；将所述呼吸速率、图像特征和光谱特征，输入预先训练得到的检测模型，得到待测样品的成熟度；其中，所述图像特征，根据已知成熟度样本的所述高光谱图像，提取不同类型特征分别对YOLOV4模型进行训练后，在YOLOV4模型准确度最高的情况下确定得到；所述光谱特征，根据已知成熟度样本的所述光谱曲线，提取不同类型特征分别对卷积神经网络模型进行训练后，在准确度最高的情况下确定得到；所述检测模型，根据已知成熟度样本的所述呼吸速率、所述图像特征和所述光谱特征作为输入，对应的成熟度作为输出进行训练得到，所述检测模型包括偏最小二乘模型或随机蛙跳模型。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于多源信息的百香果成熟度无损检测方法，其特征在于，包括：

获取检测样品呼出的二氧化碳浓度值，根据所述二氧化碳浓度值，确定待测样品的呼吸速率；

获取检测样品基于高光谱成像的每个波段的二维灰度图像，将所有波段的二维灰度图像合成三维高光谱图像，根据所述高光谱图像提取检测样品感兴趣区域的图像特征；

根据所述高光谱图像提取检测样品感兴趣区域的原始光谱曲线，并根据所述原始光谱曲线提取光谱特征，所述光谱特征为不同波长的反射率；

将所述呼吸速率、图像特征和光谱特征，输入预先训练得到的检测模型，得到待测样品的成熟度；

其中，所述图像特征，根据已知成熟度样本的所述高光谱图像，提取不同类型特征分别对YOLOV4模型进行训练后，在YOLOV4模型准确度最高的情况下确定得到；所述光谱特征，根据已知成熟度样本的所述光谱曲线，提取不同类型特征分别对卷积神经网络模型进行训练后，在准确度最高的情况下确定得到；所述检测模型，根据已知成熟度样本的所述呼吸速率、所述图像特征和所述光谱特征作为输入，对应的成熟度作为输出进行训练得到，所述检测模型包括偏最小二乘模型或随机蛙跳模型；所述图像特征包括皱缩程度。

2.根据权利要求1所述的基于多源信息的百香果成熟度无损检测方法，其特征在于，所述获取检测样品呼出的二氧化碳浓度值，根据所述二氧化碳浓度值，确定待测样品的呼吸速率，包括：

在确定检测样品传送到二氧化碳检测箱后，获取检测样品在检测箱停留预设时长期间不同时刻的多个二氧化碳浓度值；

根据所述多个二氧化碳浓度值的平均值，确定检测样品的呼吸速率。

3.根据权利要求1或2所述的基于多源信息的百香果成熟度无损检测方法，其特征在于，所述获取检测样品基于高光谱成像的每个波段的二维灰度图像之前，还包括：

获取已知成熟度百香果样本的所述高光谱图像；

在不同的特征组合下，根据所述高光谱图像提取特征，并基于训练集样本分别对YOLOV4模型进行训练后，基于测试集样本确定准确度最高的特征组合；

将准确度最高的特征组合，作为所述图像特征。

4.根据权利要求3所述的基于多源信息的百香果成熟度无损检测方法，其特征在于，所述获取已知成熟度百香果样本的所述高光谱图像之后，还包括：

根据所述高光谱图像，提取已知成熟度百香果样本的原始光谱曲线；

在不同的波段或波长特征组合下，根据所述原始光谱曲线提取特征，并基于训练集样本分别对卷积神经网络模型进行训练后，基于测试集样本确定准确度最高的特征组合；

将准确度最高的特征组合，作为所述光谱特征。

5.根据权利要求4所述的基于多源信息的百香果成熟度无损检测方法，其特征在于，确定所述光谱特征之后，还包括：

对不同成熟度已确定的百香果样本依次编号，分别采集每个百香果样本的单位时间内呼出的二氧化碳浓度，采集每个百香果的所述高光谱图像；

基于所述二氧化碳浓度分别确定每个百香果样本呼吸速率，以及基于所述高光谱图像分别提取所述图像特征和所述光谱特征，得到训练集样本；

根据所述训练集样本，基于最小二乘或随机蛙跳模型训练得到所述检测模型。

6.根据权利要求5所述的基于多源信息的百香果成熟度无损检测方法，其特征在于，对不同成熟度已确定的百香果样本依次编号，分别采集每个百香果样本的单位时间内呼出的二氧化碳浓度，采集每个百香果的所述高光谱图像之后，还包括：

基于所述二氧化碳浓度分别确定每个百香果样本呼吸速率，以及基于所述高光谱图像分别提取所述图像特征和所述光谱特征，得到测试集样本；

根据所述测试集样本，确定训练得到检测模型的准确度；

若所述准确度不满足预设条件，则重新选择图像特征和光谱特征，对检测模型进行训练。

7.一种基于多源信息的百香果成熟度无损检测装置，其特征在于，包括：

呼吸特征采集模块，用于获取检测样品呼出的二氧化碳浓度值，根据所述二氧化碳浓度值，确定待测样品的呼吸速率；

图像特征采集模块，用于获取检测样品基于高光谱成像的每个波段的二维灰度图像，将所有波段的二维灰度图像合成三维高光谱图像，根据所述高光谱图像提取检测样品感兴趣区域的图像特征；

光谱特征采集模块，用于根据所述高光谱图像提取检测样品感兴趣区域的原始光谱曲线，并根据所述原始光谱曲线提取光谱特征，所述光谱特征为不同波长的反射率；

成熟度检测模块，用于将所述呼吸速率、图像特征和光谱特征，输入预先训练得到的检测模型，得到待测样品的成熟度；

其中，所述图像特征，根据已知成熟度样本的所述高光谱图像，提取不同类型特征分别对YOLOV4模型进行训练后，在YOLOV4模型准确度最高的情况下确定得到；所述光谱特征，根据已知成熟度样本的所述光谱曲线，提取不同类型特征分别对卷积神经网络模型进行训练后，在准确度最高的情况下确定得到；所述检测模型，根据已知成熟度样本的所述呼吸速率、所述图像特征和所述光谱特征作为输入，对应的成熟度作为输出进行训练得到，所述检测模型包括偏最小二乘模型或随机蛙跳模型；所述图像特征包括皱缩程度。

8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于多源信息的百香果成熟度无损检测方法。

9.一种基于多源信息的百香果成熟度无损检测系统，其特征在于，包括：

密封箱、二氧化碳检测器、暗箱、环形可调光源、高光谱成像仪、PLC控制单元、传送线、滚轮、升降台以及权利要求8所述的电子设备；

所述密封箱为长方形封闭箱，底部开设有可打开箱门，用于当百香果检测样品被所述升降台升起置于所述密封箱中后，箱门依靠自身重力落下，箱门中间的小圆孔与升降台下的支撑杆契合，形成一个密封整体；

所述二氧化碳检测器安装在密封箱内，通过数据线与所述电子设备连接，用于采集预设时间范围内的百香果检测样品呼出的二氧化碳浓度；

所述暗箱内部设置所述高光谱成像仪，所述高光谱成像仪通过数据线与所述电子设备连接，用于检测样品通过所述暗箱时拍摄高光谱图像；

所述环形可调光源，为所述高光谱图像的获取提供光源；

所述滚轮用于带动所述传送线移动，所述传送线用于运送所述检测样品；

所述PLC控制单元，用于控制滚轮的移动及升降台的上下。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于多源信息的百香果成熟度无损检测方法。

Images