CN116577473A - 一种草莓机械损伤发生时间的检测方法及装置 - Google Patents
一种草莓机械损伤发生时间的检测方法及装置 Download PDFInfo
- Publication number
- CN116577473A CN116577473A CN202310864494.7A CN202310864494A CN116577473A CN 116577473 A CN116577473 A CN 116577473A CN 202310864494 A CN202310864494 A CN 202310864494A CN 116577473 A CN116577473 A CN 116577473A
- Authority
- CN
- China
- Prior art keywords
- strawberry
- damage
- time
- information
- detecting
- 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
- 235000016623 Fragaria vesca Nutrition 0.000 title claims abstract description 237
- 235000011363 Fragaria x ananassa Nutrition 0.000 title claims abstract description 237
- 230000006378 damage Effects 0.000 title claims abstract description 187
- 238000001514 detection method Methods 0.000 title claims description 74
- 240000009088 Fragaria x ananassa Species 0.000 title 1
- 241000220223 Fragaria Species 0.000 claims abstract description 287
- 239000007789 gas Substances 0.000 claims abstract description 102
- 238000000034 method Methods 0.000 claims abstract description 60
- 235000021012 strawberries Nutrition 0.000 claims abstract description 51
- 208000027418 Wounds and injury Diseases 0.000 claims abstract description 16
- 208000014674 injury Diseases 0.000 claims abstract description 16
- 239000000126 substance Substances 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 239000000796 flavoring agent Substances 0.000 claims abstract description 10
- 235000019634 flavors Nutrition 0.000 claims abstract description 10
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 9
- 230000010355 oscillation Effects 0.000 claims description 32
- 230000004927 fusion Effects 0.000 claims description 24
- 229910044991 metal oxide Inorganic materials 0.000 claims description 19
- 150000004706 metal oxides Chemical class 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 13
- 229910052736 halogen Inorganic materials 0.000 claims description 11
- 150000002367 halogens Chemical class 0.000 claims description 11
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- LSDPWZHWYPCBBB-UHFFFAOYSA-N methyl mercaptane Natural products SC LSDPWZHWYPCBBB-UHFFFAOYSA-N 0.000 claims description 5
- 238000005057 refrigeration Methods 0.000 claims description 5
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 4
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 4
- 239000004744 fabric Substances 0.000 claims description 4
- 238000007789 sealing Methods 0.000 claims description 4
- 238000009954 braiding Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 150000002576 ketones Chemical class 0.000 claims description 3
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 2
- 239000005977 Ethylene Substances 0.000 claims description 2
- -1 methyl mercaptan alcohols Chemical class 0.000 claims 1
- 230000035945 sensitivity Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000003491 array Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000011664 nicotinic acid Substances 0.000 description 2
- 150000001298 alcohols Chemical class 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005518 electrochemistry Effects 0.000 description 1
- 210000001808 exosome Anatomy 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/025—Fruits or vegetables
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/416—Systems
- G01N27/4162—Systems investigating the composition of gases, by the influence exerted on ionic conductivity in a liquid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Molecular Biology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明包括一种草莓机械损伤发生时间的检测方法和装置，该方法包括步骤：A、使用多类型气体传感器对多组草莓的风味物质所产生的挥发性气体进行检测，获取草莓机械损伤后的气信息；B、使用双目相机根据图像识别技术获得草莓图像信息；C、对所获得的草莓图像信息与气味信息与预建立的草莓损伤判别模型进行比对，检测草莓损伤时间发生点。本发明的草莓机械损伤发生时间的检测方法和装置，提出一种在冷链末尾环节通过多类型气体传感器和双目相机对草莓果品进行综合检测评价的方法，以确定草莓机械损伤的发生时间，从而找到冷链问题。
Description
技术领域
本发明涉及水果运输过程中的保鲜技术，特别是涉及到一种草莓机械损伤发生时间的检测方法。
背景技术
草莓受到国民青睐，其味道鲜美清甜，营养价值高。草莓的价格近年来也水涨船高，又因为其外表皮稚嫩，水分含量高、不宜保存、易损伤、腐烂速度快等外在特点，无疑为草莓增加了许多附加价值和储运风险。草莓的冷链运输中，常常会在包装中受到挤压、振动、摩擦或者局部变形；从而导致其外表的形变、破损、组织液积压，进而加速其变质，导致草莓无法食用而导致经济损失。
为了降低经济损失，需要明确在冷链运输过程中，哪个环节发生了机械损伤，如何进一步降低机械损伤的概率，但现有技术中缺乏对于草莓机械损伤发生时间的有效检测手段。
发明内容
本发明为解决现有技术中缺乏对于草莓机械损伤发生时间的有效检测手段的问题，提出一种在冷链末尾环节通过多类型气体传感器和双目相机对草莓果品进行综合检测评价的方法，以确定草莓机械损伤的发生时间，从而找到冷链问题，方便对冷链人员、物资、手段、全环节进行优化调整，进而查缺补漏、减少经济损失。
为了实现这一目标，本发明采取了如下的技术方案。
一种草莓机械损伤发生时间的检测方法，该检测方法包括如下步骤：
A、使用多类型气体传感器对多组草莓的风味物质所产生的挥发性气体进行检测，获取草莓机械损伤后的气味信息；
B、使用双目相机根据图像识别技术获得草莓图像信息；
C、对所获得的草莓图像信息与气味信息与预建立的草莓损伤判别模型进行比对，检测草莓损伤时间发生点。
进一步地，所述对所获得的草莓图像信息与气味信息与预建立的草莓损伤判别模型进行比对前，包括预先建立草莓损伤判别模型步骤：
A01、选取多枚新鲜无损伤，大小形状接近，平均单果重量接近的草莓样本，依据预定数目编成组，每组草莓样本分别使用封口膜封入广口瓶中；
A02、使用振荡仪设定多种振荡频率、规划多种振荡持续时间，分别对不同组草莓样本进行振荡模拟机械损伤；
A03、对模拟机械损伤后的草莓样本置于冷藏环境中，分别基于多种预定时间间隔后利用多类型气体传感器，包括金属氧化物传感器与电化学传感器阵列联用检测挥发性气体浓度；
A04、记录多种振荡频率、多种振荡持续时间和多种预定时间间隔后的草莓样本挥发性气体浓度，构建草莓损伤判别模型。
进一步地，所述步骤A03后，还进一步包括：
对于多种预定时间间隔后利用多类型气体传感器检测挥发性气体浓度的草莓样本，分别利用双目相机进行图像采集，得到可观测损伤指数；
记录多种振荡频率、多种振荡持续时间和多种预定时间间隔后的草莓样本可观测损伤指数；与草莓样本挥发性气体浓度，共同构成草莓损伤判别模型。
进一步地，所述对于多种预定时间间隔后利用多类型气体传感器检测挥发性气体浓度的草莓样本，分别利用双目相机进行图像采集，得到可观测损伤指数包括：
将草莓样品放置于采集装置中的黑暗环境中，采集装置中的黑暗环境中包括８颗卤素灯，固定在八个柱子上，使用黑色幕布遮盖，使整个采集装置内部处于黑暗状态；
利用卤素灯从八个方向进行照明，使光源分散且均匀；
利用双目相机采集两侧图像，对采集的两侧图像进行图像识别并相应确定左右图像边界，对两侧图像进行特征点的提取和匹配，根据两侧图像的特征点位置和匹配关系，计算出双目相机之间的基线距离以及像素点之间的距离关系；
通过双目相机之间的基线距离以及像素点之间的距离关系得出测定目标的距离和深度信息；对于所采集的双侧图像进行图像数据转化，将侧面损伤面积与正面损伤进行加权计算，生成可观测面损伤指数。
进一步地，对模拟机械损伤后的草莓样本置于冷藏环境中，分别基于多种预定时间间隔后利用多类型气体传感器检测挥发性气体浓度包括：
多类型气体传感器采取电化学传感器与金属氧化物传感器相联用的方式，检测草莓在受到机械损伤后损伤-变质-腐败过程中的易检测气体，多类型气体传感器对H2S、ETO、NH4、CO2、乙烯、二氧化硫、乙醇与甲硫醇醇类、酮类物质敏感，对应产生电路响应。
进一步地，对所获得的草莓图像信息与气味信息与预建立的草莓损伤判别模型进行比对，检测草莓损伤时间发生点包括：
对所获得的草莓图像信息与气味信息进行数据融合，数据融合采用特征融合的方式，首先用主成分分析方法对草莓图像信息与气味信息进行特征数据提取，分别提取第一数量的特征和第二数量的特征，得到草莓损伤判别模型的输入向量维度为第一数量和第二数量之和；
利用神经网络模型，将输入向量输入草莓损伤判别模型，进过多次迭代后得到草莓损伤时间发生点判别结果。
进一步地，根据草莓品种特点，选择使用经预先验证过的效率优先检测间隔时间方法或稳定性优先的基准值校准方法建立的草莓损伤判别模型，对于获取草莓图像信息与气味信息的间隔时间进行优化；其中，稳定性优先的基准值校准方法包括，选取无损草莓作为白板数据，并取得每个时间间隔的图像信息与气味信息作为基准值用来校准；经预先验证过的效率优先检测间隔时间方法包括，根据草莓品种特点，根据在特定时间段可以观测到图像或气味检测装置的明显变化或不明显变化规律，采用不等时间间隔的检测方式，从而减少建立草莓损伤判别模型过程中，草莓图像信息与气味信息的检测次数以增加效率。
本发明的另一目的在于提供一种草莓机械损伤发生时间的检测装置，该装置包括草莓气味信息检测单元、草莓图像信息检测单元、草莓损伤时间判别单元，其中，
草莓气味信息检测单元包括多类型气体传感器，利用多类型气体传感器对多组草莓的风味物质所产生的挥发性气体进行检测，获取草莓机械损伤后的气味信息；
草莓图像信息检测单元包括双目相机，使用双目相机根据图像识别技术获得草莓图像信息；
草莓损伤时间判别单元使用了单片机通信设备，进行信息处理与计算；对草莓气味信息检测单元和草莓图像信息检测单元所获得的草莓图像信息与气味信息与预建立的草莓损伤判别模型进行比对，检测草莓损伤时间发生点。
进一步地，所述的草莓机械损伤发生时间的检测装置，还包括草莓损伤判别模型建立单元，草莓损伤判别模型建立单元包括模拟机械损伤单元、冷藏环境单元以及信息记录单元，其中，
模拟机械损伤单元包括振荡仪，用于使用振荡仪设定多种振荡频率、规划多种振荡持续时间，对各组容纳于封闭广口瓶中的草莓样本进行模拟机械损伤；
冷藏环境单元用于存储模拟机械损伤后的草莓样本；
信息记录单元用于记录多种振荡频率、多种振荡持续时间和多种放置预定时间间隔后的草莓样本挥发性气体浓度和可观测损伤指数。
进一步地，所述草莓损伤时间判别单元包括特征融合单元和神经网络模型单元，其中，
特征融合单元利用主成分分析方法对草莓图像信息与气味信息进行特征数据提取，分别提取第一数量的特征和第二数量的特征，得到草莓损伤判别模型的输入向量维度为第一数量和第二数量之和；
神经网络模型单元用于利用神经网络模型，将输入向量输入草莓损伤判别模型，进过多次迭代后得到草莓损伤时间发生点判别结果。
本发明具有以下有益技术效果。
1.本发明采用多类型气体传感器进行草莓气味信息检测，多类型气体传感器是一种广泛应用于农产品检测的技术。被检测农产品的挥发气味成分与变化情况，将对应于传感器的响应之中。多类型气体传感器的传感器多种多样，比较实用的气体传感器类型有金属氧化物传感器、电化学传感器，其针对物质不同，之间区别也有优劣。本发明通过使用多类型气体传感器进行草莓气味信息检测，既能不损伤草莓果品，实现了无损检测；同时可以对成组的大面积堆叠农产品的情况进行综合判别。本发明还采用双目相机，主要是使用图像识别技术，双目成像对比单独镜头成像，其视角立体，成像更可靠。可以对草莓果品表面进行精细化识别。两种信息检测技术都是对人感官的仿生，通过模仿人类视觉与嗅觉从而实现批量、高效、便捷、精准的代人工检测。
2.本发明中，选择使用经过预先验证过的效率优先检测间隔时间方法与稳定性优先的基准值校准方法；因此能够根据草莓品种特点，根据在特定时间段可以观测到图像或气味检测装置的明显变化或不明显变化规律，采用不等时间间隔的检测方式，从而减少草莓图像信息与气味信息的检测次数以增加效率。例如对于一种草莓品种，经过预先验证的特点，在经过机械损伤之后48~72小时内会发生快速腐烂，而在48小时之前变化较小。因此本发明具体实施方式中，建立草莓损伤判别模型过程中，可以针对0~48小时内，降低针对草莓图像信息与气味信息的检测频率；而对于48~72小时内可以增加检测频率。这样可以显著减少建立草莓损伤判别模型过程中草莓图像信息与气味信息的检测次数。
3.更特别地，对于具体草莓品种而言，气味发生快速变化和外观发生快速变化可能并不同步，因此可以对气味发生快速变化和外观发生快速变化期间分别采取不同的策略，来设置更加复杂的检测机制。考虑到本发明的特征融合方法，如果具体草莓品种的气味信息根据显著，输入草莓损伤判别模型的特征向量中气味信息特征数量较多，而图像信息特征数量较少，则可以对于气味发生快速变化的时间段，设置较高的权重，采用更加密集的气味信息检测频率，但是在此期间，可以降低草莓图像信息的次数，对于草莓气味信息检测次数和草莓图像信息不均等之处，可以采用前后时间点补偿算法的方式。例如t1，t2和t3三个时间点检测了草莓气体信息，而仅在t1和t3两个时间点检测了草莓图像信息，对于t2时间点的草莓图像信息，则可利用t1和t3两个时间点检测的草莓图像进行补偿拟合得到。通过这样的方式，能够更进一步降低建立草莓损伤判别模型过程中草莓图像信息或气味信息的检测次数。
4.本发明具体实施方式中，采取机器学习与自建方法相结合的方法。数据融合分为三种方式，分别是数据层融合，特征层融合和决策层融合，本发明具体实施方式由于采用多类型气体传感器和双目视觉，数据维度适中，因此适合采取数据层融合和特征层融合，但是由于数据层融合鲁棒性较差，经过考量最终选取特征层融合的方式，采用特征层融合首先用主成分分析方法PCA，对多类型气体传感器数据以及双目视觉数据进行特征数据提取，分别提取第一数量个和第二数量个特征，分别记为p个特征和q个特征，因此最终模型的输入向量维度为p+q维，具有高度的可信度。再利用神经网络模型对实现对于草莓发生时间的判别，并且在运用过程中，不断进行迭代优化，因此本发明的检测方法精度高、效率也得到了兼顾。
附图说明
图1为根据本发明具体实施方式中草莓机械损伤发生时间的检测方法的流程示意图。
图2为根据本发明具体实施方式中草莓机械损伤发生时间的检测装置的结构示意图。
图3为根据本发明具体实施方式中草莓机械损伤发生时间的检测装置中采用多种金属氧化物气体传感器的气体敏感性示意图。
图4为根据本发明具体实施方式中草莓机械损伤发生时间的检测装置中采用多种金属氧化物气体传感器的气体敏感性示意图。
图5为根据本发明具体实施方式中草莓机械损伤发生时间的检测装置中电化学气体传感器的气体敏感性示意图。
图6为为根据本发明具体实施方式中草莓机械损伤发生时间的检测装置中采用多种金属氧化物气体传感器的气体敏感性示意图。
具体实施方式
下面结合附图，对本发明作详细说明。
以下公开详细的示范实施例。然而，此处公开的具体结构和功能细节仅仅是出于描述示范实施例的目的。
然而，应该理解，本发明不局限于公开的具体示范实施例，而是覆盖落入本公开范围内的所有修改、等同物和替换物。在对全部附图的描述中，相同的附图标记表示相同的元件。
参阅附图，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的位置限定用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
同时应该理解，如在此所用的术语“和/或”包括一个或多个相关的列出项的任意和所有组合。另外应该理解，当部件或单元被称为“连接”或“耦接”到另一部件或单元时，它可以直接连接或耦接到其他部件或单元，或者也可以存在中间部件或单元。此外，用来描述部件或单元之间关系的其他词语应该按照相同的方式理解（例如，“之间”对“直接之间”、“相邻”对“直接相邻”等）。
图1为根据本发明具体实施方式中草莓机械损伤发生时间的检测方法的流程示意图。如图所示，本发明具体实施方式中包括一种草莓机械损伤发生时间的检测方法，该检测方法包括如下步骤：
A、使用多类型气体传感器对多组草莓的风味物质所产生的挥发性气体进行检测，获取草莓机械损伤后的气味信息；
B、使用双目相机根据图像识别技术获得草莓图像信息；
C、对所获得的草莓图像信息与气味信息与预建立的草莓损伤判别模型进行比对，检测草莓损伤时间发生点。
本发明具体实施方式中草莓机械损伤发生时间的检测方法采用视味一体机械类仿生检测技术，针对成组草莓在机械损伤发生后所散发出的特异性挥发物质，利用多类型气体传感器检测方式，仿生人类嗅觉，利用不同种传感器组成的传感器阵列获取特征气体数据；利用基于双目相机的类立体图像识别，仿生人类视觉，对图像进行双维度获取，对损伤情况进行立体判断，生成草莓外质立体化损伤参数。结合图像信息，优化多类型气体传感器判断草莓机械损伤的发生时间判断，从而强化方法的可信性。本发明具体实施方式中草莓机械损伤发生时间的检测方法对草莓机械损伤发生时间有着重要意义和有益效果；有助于对草莓冷链中问题环节发生追溯，环节优化等有着重要科学指导意义。
另外，本发明具体实施方式的草莓机械损伤发生时间的检测方法中，对所获得的草莓图像信息与气味信息与预建立的草莓损伤判别模型进行比对前，包括预先建立草莓损伤判别模型步骤：
A01、选取多枚新鲜无损伤，大小形状接近，平均单果重量接近的草莓样本，依据预定数目编成组，每组草莓样本分别使用封口膜封入广口瓶中；例如选取大量新鲜无损伤，大小形状接近，平均单果为8g左右的冬草莓，按照每组9颗的方式使用封口膜封入200ml的广口瓶当中的方法对草莓进行挑选并分组封装。
A02、使用振荡仪设定多种振荡频率、规划多种振荡持续时间，分别对不同组草莓样本进行模拟机械损伤；例如振荡频率在100r/min，振荡60min加速模拟草莓机械损伤的处理，但在200r/min,振荡60min的模拟损伤处理中，其损伤程度明显小于100r/min的振荡频率。
A03、对模拟机械损伤后的草莓样本置于冷藏环境中，分别基于多种预定时间间隔后利用多类型气体传感器；包括金属氧化物传感器与电化学传感器阵列联用以检测挥发性气体浓度；例如等待3h、6h、9h、18h、24h、48h、36h利用针头采集管刺进封装好的广口瓶，并泵入少量气体进入供测试的密闭气室。供测试的密闭气室室中密布多种气体传感器与温湿度传感器。等待一次测试完成后，可对密闭气室进行换气处理，以便于下次测试。
A04、记录多种振荡频率、多种振荡持续时间和多种预定时间间隔后的草莓样本挥发性气体浓度，构建草莓损伤判别模型。例如传感器在18h、24h、48h、36h皆存在明显响应，36h大于24h大于18h大于9h，且可以忽略相近机械损伤不同的影响，从而根据响应变化值的不同可以证明利用此种方法可以大致推算出机械损伤发生的具体时间。
另外，本发明具体实施方式的草莓机械损伤发生时间的检测方法中，步骤A03后，还进一步包括：
对于多种预定时间间隔后利用多类型气体传感器检测挥发性气体浓度的草莓样本，分别利用双目相机进行图像采集，得到可观测损伤指数；
记录多种振荡频率、多种振荡持续时间和多种预定时间间隔后的草莓样本可观测损伤指数；与草莓样本挥发性气体浓度，共同构成草莓损伤判别模型。
另外，本发明具体实施方式的草莓机械损伤发生时间的检测方法中，对于多种预定时间间隔后利用多类型气体传感器检测挥发性气体浓度的草莓样本，分别利用双目相机进行图像采集，得到可观测损伤指数包括：
将草莓样品放置于采集装置中的黑暗环境中，采集装置中的黑暗环境中包括８颗卤素灯，固定在八个柱子上，使用黑色幕布遮盖，使整个采集装置内部处于黑暗状态；
利用卤素灯从八个方向进行照明，使光源分散且均匀；
利用双目相机采集两侧图像，对采集的两侧图像进行图像识别并相应确定左右图像边界，对两侧图像进行特征点的提取和匹配，根据两侧图像的特征点位置和匹配关系，计算出双目相机之间的基线距离以及像素点之间的距离关系；
通过双目相机之间的基线距离以及像素点之间的距离关系得出测定目标的距离和深度信息；对于所采集的双侧图像进行图像数据转化，将侧面损伤面积与正面损伤进行加权计算，生成可观测面损伤指数。
另外，本发明具体实施方式的草莓机械损伤发生时间的检测方法中，对模拟机械损伤后的草莓样本置于冷藏环境中，分别基于多种预定时间间隔后利用多类型气体传感器实现浓度与电压的相互配合，有的传感器无法获取浓度，而呈现电压值，有的呈现浓度值，将电压的度量统一在一个数量级以后（类似标准化），通过建模综合生成一个判断的数值，具体而言包括：
多类型气体传感器采取电化学传感器与金属氧化物传感器联动的方式，检测草莓在受到机械损伤后损伤-变质-腐败过程中的易检测气体，包括H2S、ETO、NH4、CO2、C2H2、CH3SH（CH3SH为甲硫醇，醇类的一种）、酮类等。
具体地，本发明具体实施方式中可采取电化学传感器与金属氧化物传感器相配合的方式。金属氧化物传感器例如选择费加罗气体传感器TGS822、TGS826、TGS2602、TGS2610、MQ136、MQ137、MQ138等类别，电化学传感器可使用霍尼韦尔的4H2S-100、4ETO-10、4NO2-20、4CH3SH-10、4H2-1000，CITY的NH3-3E-100-SE等。两种类型传感器综合搭配针对气体敏感的多样性，尽量使多类型气体传感器在短期间隔内获得较大响应，以方便增加检测时的时间度量。
依据前述本发明具体实施方式所述草莓的预处理方法，对金属氧化物传感器进行性能测试，通过对比了6种金属氧化物传感器TGS822、TGS826、TGS2602、TGS2610、MQ136、MQ138组成的传感器阵列分别对损伤后24小时在冷藏4.5摄氏度的条件下，（如图3所示，1号传感器为MQ136，2号传感器为MQ138，3号传感器为TGS822，4号传感器为TGS826，5号传感器为TGS2602，6号传感器为TGS2610）与损伤后96小时在冷藏4.5摄氏度的条件下（如图4所示，传感器编号与图3相同）进行对比检测，这两种测试条件相差72小时，在获取的传感器电压响应中能明显区别，其中MQ136、MQ138表现效果最佳，然后主要依据传感器响应幅度与检测气体维度考虑，保留了MQ136、MQ138、TGS822、TGS2602与电化学传感器共同组成了草莓机械损伤检测的气体传感阵列。由于电化学对气体有过滤性质，会根据传感器设计时需要的气体类型产生相应的电压响应，并不会产生气体的交叉反应，因此只考虑草莓的易挥发性物质即可。所以本发明优选实施方式中特别得采用了MQ136、MQ138、TGS822、TGS2602与电化学传感器共同组成了草莓机械损伤检测的气体传感阵列。
因此，本发明具体实施方式中，根据草莓发生机械损伤后，模拟冷链环境，选择针对特征气体敏感的电化学传感器与金属氧化物传感器组合的方式，能够大大提高检测的敏感度。相对于现有技术中仅仅采用某类，或某种传感器来实施检测，具有明显的技术效果。
图5展示了所采用的电化学传感器的敏感气体响应程度，其中7号传感器为4NO2-20，8号传感器为4CH3SH-10，9号传感器为4NH3-100，10号传感器为4H2-1000，图6展示了所采用金属氧化物的敏感气体响应程度，其中传感器编号的含义与图3相同。从图3~图6可以看出，通过本发明优先选择的特定传感器，并在两种类型的气体传感器联用下，基本囊括了易于检测的草莓损伤后易挥发物质。本发明具体实施方式针对多类型气体传感器进行了优化，排除了干扰，使得检测结果跟家灵敏、准确、可靠。
依据前文所述的实验方法，针对损伤草莓在不同模拟损伤处理，不同时间下获取实验数据。以期在实验损伤程度能大致预估的情况下，根据不同损伤的检测的时间期间的传感器电压响应变化，进而估算损伤发生的时间。
根据下表1中所示，将草莓根据损伤程度分别列为a、b、c、d、e， 5个组，在冷藏条件下（4.5摄氏度）存储24、48、72、96、120小时。通过金属氧化物传感器与电化学传感器组成的定向于草莓检测的气体传感器阵列进行检测。实验总计100组样品数据。在控制在相同损伤时间的条件下，不同组别的样品进行检测，将获得传感器总响应值假设为1，并且将金属氧化物和电化学传感器的电压浮动范围，统一到同数量级且根据量程范围实现不同传感器响应的加权平均，可以获得每个传感器在8个传感器中的贡献比重。并将获得的所有的传感器响应程度百分百进行平均，获取到了表2的数据。表3的数据则是将损伤的组别进行固定，获取不同时间的传感器响应程度百分百平均值。由于都是在每个损伤组别，每个损伤时间单独计算百分百，所以平均后相加不等于1。
表1
另外，表2和表3共同展示了在不同条件下，该种方法所采用的气体传感器的性能，每个传感器对损伤时间的判别都能产生一定的贡献。另外可以直观的得出，气体传感器4CH3SH-10、4NO2-20、MQ136、MQ138表现最佳，再草莓损伤后变质前期，电化学气体传感器贡献度较高，随着氧化加剧，金属氧化物传感器贡献度相应增加。该实验证明了本发明具体实施方式所采用的传感阵列对于草莓损伤发生时间检测的有效性。
表2
表3
另外，本发明具体实施方式的草莓机械损伤发生时间的检测方法中，对所获得的草莓图像信息与气味信息与预建立的草莓损伤判别模型进行比对，检测草莓损伤时间发生点包括：
对所获得的草莓图像信息与气味信息进行数据融合，数据融合采用特征融合的方式，首先用主成分分析方法对草莓图像信息与气味信息进行特征数据提取，分别提取第一数量的特征和第二数量的特征，得到草莓损伤判别模型的输入向量维度为第一数量和第二数量之和；
利用神经网络模型，将输入向量输入草莓损伤判别模型，进过多次迭代后得到草莓损伤时间发生点判别结果。
另外，本发明具体实施方式的草莓机械损伤发生时间的检测方法中，根据草莓品种特点，选择使用经预先验证过的效率优先检测间隔时间方法或稳定性优先的基准值校准方法建立的草莓损伤判别模型，对于获取草莓图像信息与气味信息的间隔时间进行优化；其中，稳定性优先的基准值校准方法包括，选取无损草莓作为白板数据，并取得每个时间间隔的图像信息与气味信息作为基准值用来校准；经预先验证过的效率优先检测间隔时间方法包括，根据草莓品种特点，根据在特定时间段可以观测到图像或气味检测装置的明显变化或不明显变化规律，采用不等时间间隔的检测方式，从而减少建立草莓损伤判别模型过程中，草莓图像信息与气味信息的检测次数以增加效率。
如图2所示，本发明具体实施方式中还包括一种草莓机械损伤发生时间的检测装置，该检测装置包括草莓气味信息检测单元、草莓图像信息检测单元、草莓损伤时间判别单元，其中，
草莓气味信息检测单元包括多类型气体传感器10，利用多类型气体传感器10对多组草莓的风味物质所产生的挥发性气体进行检测，获取草莓机械损伤后的气味信息；
草莓图像信息检测单元包括双目相机20，使用双目相机20根据图像识别技术获得草莓图像信息；为了获得更好的成像效果，将草莓样品40放置于采集装置中的黑暗环境中，采集装置中的黑暗环境中包括８颗卤素灯30，固定在八个柱子上，使用黑色幕布遮盖，使整个采集装置内部处于黑暗状态后进行图像采集和识别；
草莓损伤时间判别单元使用了单片机通信设备，进行信息处理与计算；对草莓气味信息检测单元和草莓图像信息检测单元所获得的草莓图像信息与气味信息与预建立的草莓损伤判别模型进行比对，检测草莓损伤时间发生点。
另外，本发明具体实施方式的草莓机械损伤发生时间的检测装置中，还包括草莓损伤判别模型建立单元，草莓损伤判别模型建立单元包括模拟机械损伤单元、冷藏环境单元以及信息记录单元，其中，
模拟机械损伤单元包括振荡仪，用于使用振荡仪设定多种振荡频率、规划多种振荡持续时间，对各组容纳于封闭广口瓶中的草莓样本进行模拟机械损伤；
冷藏环境单元用于存储模拟机械损伤后的草莓样本；
信息记录单元用于记录多种振荡频率、多种振荡持续时间和多种放置预定时间间隔后的草莓样本挥发性气体浓度和可观测损伤指数。
另外，本发明具体实施方式的草莓机械损伤发生时间的检测装置中，草莓损伤时间判别单元包括特征融合单元和神经网络模型单元，其中，
特征融合单元利用主成分分析方法对草莓图像信息与气味信息进行特征数据提取，分别提取第一数量的特征和第二数量的特征，得到草莓损伤判别模型的输入向量维度为第一数量和第二数量之和；
神经网络模型单元用于利用神经网络模型，将输入向量输入草莓损伤判别模型，进过多次迭代后得到草莓损伤时间发生点判别结果。
上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本说明书所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本说明书所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种草莓机械损伤发生时间的检测方法，其特征在于，方法包括如下步骤：
A、使用多类型气体传感器对多组草莓的风味物质所产生的挥发性气体进行检测，获取草莓机械损伤后的气味信息；
B、使用双目相机根据图像识别技术获得草莓图像信息；
C、对所获得的草莓图像信息与气味信息与预建立的草莓损伤判别模型进行比对，检测草莓损伤时间发生点。
2.根据权利要求1中所述的草莓机械损伤发生时间的检测方法，其特征在于，对所获得的草莓图像信息与气味信息与预建立的草莓损伤判别模型进行比对前，包括预先建立草莓损伤判别模型步骤：
A01、选取多枚新鲜无损伤，大小形状接近，平均单果重量接近的草莓样本，依据预定数目编成组，每组草莓样本分别使用封口膜封入广口瓶中；
A02、使用振荡仪设定多种振荡频率、规划多种振荡持续时间，分别对不同组草莓样本进行振荡模拟机械损伤；
A03、对模拟机械损伤后的草莓样本置于冷藏环境中，分别基于多种预定时间间隔后利用多类型气体传感器，包括金属氧化物传感器与电化学传感器阵列联用检测挥发性气体浓度；
A04、记录多种振荡频率、多种振荡持续时间和多种预定时间间隔后的草莓样本挥发性气体浓度，构建草莓损伤判别模型。
3.根据权利要求2中所述的草莓机械损伤发生时间的检测方法，其特征在于，步骤A03后，还进一步包括：
对于多种预定时间间隔后利用多类型气体传感器检测挥发性气体浓度的草莓样本，分别利用双目相机进行图像采集，得到可观测损伤指数；
记录多种振荡频率、多种振荡持续时间和多种预定时间间隔后的草莓样本可观测损伤指数；与草莓样本挥发性气体浓度，共同构成草莓损伤判别模型。
4.根据权利要求3中所述的草莓机械损伤发生时间的检测方法，其特征在于，对于多种预定时间间隔后利用多类型气体传感器检测挥发性气体浓度的草莓样本，分别利用双目相机进行图像采集，得到可观测损伤指数包括：
将草莓样品放置于采集装置中的黑暗环境中，采集装置中的黑暗环境中包括８颗卤素灯，固定在八个柱子上，使用黑色幕布遮盖，使整个采集装置内部处于黑暗状态；
利用卤素灯从八个方向进行照明，使光源分散且均匀；
利用双目相机采集两侧图像，对采集的两侧图像进行图像识别并相应确定左右图像边界，对两侧图像进行特征点的提取和匹配，根据两侧图像的特征点位置和匹配关系，计算出双目相机之间的基线距离以及像素点之间的距离关系；
通过双目相机之间的基线距离以及像素点之间的距离关系得出测定目标的距离和深度信息；对于所采集的双侧图像进行图像数据转化，将侧面损伤面积与正面损伤进行加权计算，生成可观测面损伤指数。
5.根据权利要求2中所述的草莓机械损伤发生时间的检测方法，其特征在于，对模拟机械损伤后的草莓样本置于冷藏环境中，分别基于多种预定时间间隔后利用多类型气体传感器检测挥发性气体浓度包括：
多类型气体传感器采取电化学传感器与金属氧化物传感器相联用的方式，检测草莓在受到机械损伤后损伤-变质-腐败过程中的易检测气体，多类型气体传感器对H2S、ETO、NH4、CO2、乙烯、二氧化硫、乙醇与甲硫醇醇类、酮类物质敏感，对应产生电路响应。
6.根据权利要求3中所述的草莓机械损伤发生时间的检测方法，其特征在于，对所获得的草莓图像信息与气味信息与预建立的草莓损伤判别模型进行比对，检测草莓损伤时间发生点包括：
对所获得的草莓图像信息与气味信息进行数据融合，数据融合采用特征融合的方式，首先用主成分分析方法对草莓图像信息与气味信息进行特征数据提取，分别提取第一数量的特征和第二数量的特征，得到草莓损伤判别模型的输入向量维度为第一数量和第二数量之和；
利用神经网络模型，将输入向量输入草莓损伤判别模型，进过多次迭代后得到草莓损伤时间发生点判别结果。
7.根据权利要求1中所述的草莓机械损伤发生时间的检测方法，其特征在于，根据草莓品种特点，选择使用经预先验证过的效率优先检测间隔时间方法或稳定性优先的基准值校准方法建立的草莓损伤判别模型，对于获取草莓图像信息与气味信息的间隔时间进行优化；其中，稳定性优先的基准值校准方法包括，选取无损草莓作为白板数据，并取得每个时间间隔的图像信息与气味信息作为基准值用来校准；经预先验证过的效率优先检测间隔时间方法包括，根据草莓品种特点，根据在特定时间段可以观测到图像或气味检测装置的明显变化或不明显变化规律，采用不等时间间隔的检测方式，从而减少建立草莓损伤判别模型过程中，草莓图像信息与气味信息的检测次数以增加效率。
8.一种草莓机械损伤发生时间的检测装置，其特征在于，该装置包括草莓气味信息检测单元、草莓图像信息检测单元、草莓损伤时间判别单元，其中，
草莓气味信息检测单元包括多类型气体传感器，利用多类型气体传感器对多组草莓的风味物质所产生的挥发性气体进行检测，获取草莓机械损伤后的气味信息；
草莓图像信息检测单元包括双目相机，使用双目相机根据图像识别技术获得草莓图像信息；
草莓损伤时间判别单元使用了单片机通信设备，进行信息处理与计算；对草莓气味信息检测单元和草莓图像信息检测单元所获得的草莓图像信息与气味信息与预建立的草莓损伤判别模型进行比对，检测草莓损伤时间发生点。
9.根据权利要求8中所述的草莓机械损伤发生时间的检测装置，其特征在于，还包括草莓损伤判别模型建立单元，草莓损伤判别模型建立单元包括模拟机械损伤单元、冷藏环境单元以及信息记录单元，其中，
模拟机械损伤单元包括振荡仪，用于使用振荡仪设定多种振荡频率、规划多种振荡持续时间，对各组容纳于封闭广口瓶中的草莓样本进行模拟机械损伤；
冷藏环境单元用于存储模拟机械损伤后的草莓样本；
信息记录单元用于记录多种振荡频率、多种振荡持续时间和多种放置预定时间间隔后的草莓样本挥发性气体浓度和可观测损伤指数。
10.根据权利要求9中所述的草莓机械损伤发生时间的检测装置，其特征在于，草莓损伤时间判别单元包括特征融合单元和神经网络模型单元，其中，
特征融合单元利用主成分分析方法对草莓图像信息与气味信息进行特征数据提取，分别提取第一数量的特征和第二数量的特征，得到草莓损伤判别模型的输入向量维度为第一数量和第二数量之和；
神经网络模型单元用于利用神经网络模型，将输入向量输入草莓损伤判别模型，进过多次迭代后得到草莓损伤时间发生点判别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310864494.7A CN116577473B (zh) | 2023-07-14 | 2023-07-14 | 一种草莓机械损伤发生时间的检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310864494.7A CN116577473B (zh) | 2023-07-14 | 2023-07-14 | 一种草莓机械损伤发生时间的检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116577473A true CN116577473A (zh) | 2023-08-11 |
| CN116577473B CN116577473B (zh) | 2023-11-17 |
Family
ID=87541757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310864494.7A Active CN116577473B (zh) | 2023-07-14 | 2023-07-14 | 一种草莓机械损伤发生时间的检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116577473B (zh) |
Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040077424A1 (en) * | 2001-07-31 | 2004-04-22 | Murphy Rachel Lucy | Apparatus and a method for recording and reproducing scent or taste |
| CN1556412A (zh) * | 2004-01-08 | 2004-12-22 | 江苏大学 | 基于电子视觉和嗅觉融合技术的农畜产品无损检测方法及其装置 |
| CN104833780A (zh) * | 2015-01-19 | 2015-08-12 | 南京农业大学 | 一种基于乙醇传感器预测草莓品质等级的方法 |
| CN105325535A (zh) * | 2015-09-29 | 2016-02-17 | 北京市农林科学院 | 草莓冷链物流保鲜方法 |
| US20160169851A1 (en) * | 2014-12-11 | 2016-06-16 | Hyundai Motor Company | Apparatus and method for judging sensibility of smell |
| CN106127259A (zh) * | 2016-07-04 | 2016-11-16 | 西南大学 | 基于可分离度和相异度的电子鼻信号特征融合方法 |
| CN106338517A (zh) * | 2016-09-23 | 2017-01-18 | 江苏大学 | 基于视觉和嗅觉信息协同的水果新鲜度智能化评判方法 |
| CN106372635A (zh) * | 2016-08-24 | 2017-02-01 | 滁州学院 | 一种基于机器视觉的草莓外形品质判别方法 |
| CN206920378U (zh) * | 2017-01-16 | 2018-01-23 | 浙江工商大学 | 一种可提高电子鼻灵敏度的装置 |
| CN108469455A (zh) * | 2017-02-23 | 2018-08-31 | 南京农业大学 | 一种用于草莓新鲜度判别的便携式电子鼻系统的设计及方法 |
| CN109632001A (zh) * | 2018-12-29 | 2019-04-16 | 浙江大学 | 一种物流运输过程中草莓机械伤害的监测方法 |
| CN109781949A (zh) * | 2019-01-15 | 2019-05-21 | 江苏大学 | 一种基于视觉、嗅觉和味觉传感信息融合的茶叶原产地的判别方法 |
| CN110133049A (zh) * | 2019-04-10 | 2019-08-16 | 浙江大学 | 基于电子鼻和机器视觉的茶叶等级快速无损检测方法 |
| CN111272853A (zh) * | 2020-03-30 | 2020-06-12 | 北京纳通医学科技研究院有限公司 | 电子鼻系统及气体检测方法 |
| KR20200126849A (ko) * | 2019-04-30 | 2020-11-09 | 대한민국(농촌진흥청장) | 딸기 품질 판별장치 및 이를 이용한 딸기 품질 판별방법 |
| US20200400631A1 (en) * | 2018-05-17 | 2020-12-24 | East China University Of Science And Technology | Online centralized monitoring and analysis method for multi-point malodorous gases using electronic nose instrument |
| WO2021147275A1 (zh) * | 2020-01-23 | 2021-07-29 | 高大启 | 电子鼻仪器气敏-色谱多信息融合和风味物质现场检测与分析方法 |
| CN113238003A (zh) * | 2021-05-07 | 2021-08-10 | 山东工商学院 | 一种电子鼻系统基础数据集获取及验证平台 |
| CN113447624A (zh) * | 2021-06-29 | 2021-09-28 | 重庆大学 | 一种用于检测茶叶品质的电子鼻及其控制方法和管理系统 |
| WO2022002507A1 (en) * | 2020-07-03 | 2022-01-06 | Karlsruher Institut für Technologie | Sensor arrays and electronic noses for enantioselective substance detection |
| CN114586546A (zh) * | 2022-03-14 | 2022-06-07 | 西南大学 | 基于电子鼻与图像识别的草莓自动采摘装置及其控制方法 |
| CN115223043A (zh) * | 2022-07-06 | 2022-10-21 | 深圳职业技术学院 | 一种草莓缺陷检测方法、装置、计算机设备及存储介质 |
| CN115545383A (zh) * | 2021-10-25 | 2022-12-30 | 江苏派乐滋食品有限公司 | 一种草莓脆外观品质的双目立体视觉检测方法 |
-
2023
- 2023-07-14 CN CN202310864494.7A patent/CN116577473B/zh active Active
Patent Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040077424A1 (en) * | 2001-07-31 | 2004-04-22 | Murphy Rachel Lucy | Apparatus and a method for recording and reproducing scent or taste |
| CN1556412A (zh) * | 2004-01-08 | 2004-12-22 | 江苏大学 | 基于电子视觉和嗅觉融合技术的农畜产品无损检测方法及其装置 |
| US20160169851A1 (en) * | 2014-12-11 | 2016-06-16 | Hyundai Motor Company | Apparatus and method for judging sensibility of smell |
| CN104833780A (zh) * | 2015-01-19 | 2015-08-12 | 南京农业大学 | 一种基于乙醇传感器预测草莓品质等级的方法 |
| CN105325535A (zh) * | 2015-09-29 | 2016-02-17 | 北京市农林科学院 | 草莓冷链物流保鲜方法 |
| CN106127259A (zh) * | 2016-07-04 | 2016-11-16 | 西南大学 | 基于可分离度和相异度的电子鼻信号特征融合方法 |
| CN106372635A (zh) * | 2016-08-24 | 2017-02-01 | 滁州学院 | 一种基于机器视觉的草莓外形品质判别方法 |
| CN106338517A (zh) * | 2016-09-23 | 2017-01-18 | 江苏大学 | 基于视觉和嗅觉信息协同的水果新鲜度智能化评判方法 |
| CN206920378U (zh) * | 2017-01-16 | 2018-01-23 | 浙江工商大学 | 一种可提高电子鼻灵敏度的装置 |
| CN108469455A (zh) * | 2017-02-23 | 2018-08-31 | 南京农业大学 | 一种用于草莓新鲜度判别的便携式电子鼻系统的设计及方法 |
| US20200400631A1 (en) * | 2018-05-17 | 2020-12-24 | East China University Of Science And Technology | Online centralized monitoring and analysis method for multi-point malodorous gases using electronic nose instrument |
| CN109632001A (zh) * | 2018-12-29 | 2019-04-16 | 浙江大学 | 一种物流运输过程中草莓机械伤害的监测方法 |
| CN109781949A (zh) * | 2019-01-15 | 2019-05-21 | 江苏大学 | 一种基于视觉、嗅觉和味觉传感信息融合的茶叶原产地的判别方法 |
| CN110133049A (zh) * | 2019-04-10 | 2019-08-16 | 浙江大学 | 基于电子鼻和机器视觉的茶叶等级快速无损检测方法 |
| KR20200126849A (ko) * | 2019-04-30 | 2020-11-09 | 대한민국(농촌진흥청장) | 딸기 품질 판별장치 및 이를 이용한 딸기 품질 판별방법 |
| WO2021147275A1 (zh) * | 2020-01-23 | 2021-07-29 | 高大启 | 电子鼻仪器气敏-色谱多信息融合和风味物质现场检测与分析方法 |
| CN111272853A (zh) * | 2020-03-30 | 2020-06-12 | 北京纳通医学科技研究院有限公司 | 电子鼻系统及气体检测方法 |
| WO2022002507A1 (en) * | 2020-07-03 | 2022-01-06 | Karlsruher Institut für Technologie | Sensor arrays and electronic noses for enantioselective substance detection |
| CN113238003A (zh) * | 2021-05-07 | 2021-08-10 | 山东工商学院 | 一种电子鼻系统基础数据集获取及验证平台 |
| CN113447624A (zh) * | 2021-06-29 | 2021-09-28 | 重庆大学 | 一种用于检测茶叶品质的电子鼻及其控制方法和管理系统 |
| CN115545383A (zh) * | 2021-10-25 | 2022-12-30 | 江苏派乐滋食品有限公司 | 一种草莓脆外观品质的双目立体视觉检测方法 |
| CN114586546A (zh) * | 2022-03-14 | 2022-06-07 | 西南大学 | 基于电子鼻与图像识别的草莓自动采摘装置及其控制方法 |
| CN115223043A (zh) * | 2022-07-06 | 2022-10-21 | 深圳职业技术学院 | 一种草莓缺陷检测方法、装置、计算机设备及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| 张雨辰: "基于挥发物无损测量技术的草莓新鲜度及机械伤快速检测研究", 中国优秀硕士学位论文全文数据库农业科技辑, no. 01, pages 048 - 246 * |
| 王顺: "水果成熟度检测的机器视觉和嗅觉可视化技术研究", 中国优秀硕士学位论文全文数据库工程科技Ⅰ辑, no. 02, pages 10 - 60 * |
| 范安琪等: "基于双目立体视觉的冻干草莓外部品质等级检测方法研究", 南京农业大学学报, vol. 46, no. 02, pages 396 - 404 * |
| 邢梦珂等: "基于电子鼻技术的草莓损伤检测系统的开发", 南京农业大学学报, vol. 41, no. 03, pages 555 - 561 * |
| 韩丰民: "基于机器视觉的草莓识别分级与空间定位模型研究", 中国优秀硕士学位论文全文数据库农业科技辑, no. 06, pages 048 - 218 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116577473B (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khulal et al. | Intelligent evaluation of total volatile basic nitrogen (TVB-N) content in chicken meat by an improved multiple level data fusion model | |
| US10726293B2 (en) | Photo analytics calibration | |
| CN105717051A (zh) | 一种快速检测果蔬新鲜度的系统及冰箱 | |
| CN106568907B (zh) | 一种基于半监督鉴别投影的大闸蟹新鲜度无损检测方法 | |
| CN104297165B (zh) | 一种基于高光谱图像对腐败真菌生长预测的方法 | |
| CN104535588B (zh) | 基于安卓系统的鸡蛋新鲜度无损检测系统及其检测方法 | |
| CN104568824B (zh) | 基于可见/近红外光谱的虾类新鲜度等级检测方法及装置 | |
| CN106442525B (zh) | 用于核桃内部干瘪缺陷的在线检测方法 | |
| CN103900972B (zh) | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 | |
| CN102636433A (zh) | 一种食品新鲜程度检测装置及采用该装置的冰箱 | |
| CN108663331A (zh) | 检测冰箱内食物新鲜度的方法与冰箱 | |
| CN108663367A (zh) | 一种基于鸡蛋容重的鸡蛋品质无损检测方法 | |
| Wang et al. | A multimodal machine vision system for quality inspection of onions | |
| CN110736709A (zh) | 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法 | |
| CN110443262A (zh) | 基于计算机视觉的鱼体新鲜度快速无损检测方法及其装置 | |
| CN116577473B (zh) | 一种草莓机械损伤发生时间的检测方法及装置 | |
| CN106156713A (zh) | 一种用于考场行为自动监控的图像处理方法 | |
| CN111122635B (zh) | 一种食用菌干燥状态在线评估方法及系统 | |
| CN111435541A (zh) | 获取米粒的垩白度的方法、装置和烹饪器具 | |
| CN109086643A (zh) | 一种基于机器视觉的彩盒标签检测方法及系统 | |
| CN117575621A (zh) | 一种基于传感器的食品检测方法及系统 | |
| KR20210074812A (ko) | 식품 신선도 검사방법 | |
| Wang et al. | Intelligent System/Equipment for Quality Deterioration Detection of Fresh Food: Recent Advances and Application | |
| CN110501310B (zh) | 一种基于非模型光学校正高光谱的食品检测方法 | |
| CN114169903A (zh) | 一种可融合无损检测技术的中药材数字化质控追溯方法 |
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 |