CN117007552B - 西瓜成熟度检测方法、装置、系统、电子设备及存储介质 - Google Patents
西瓜成熟度检测方法、装置、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117007552B CN117007552B CN202311282516.5A CN202311282516A CN117007552B CN 117007552 B CN117007552 B CN 117007552B CN 202311282516 A CN202311282516 A CN 202311282516A CN 117007552 B CN117007552 B CN 117007552B
- Authority
- CN
- China
- Prior art keywords
- watermelon
- sample
- spectrum data
- data
- target
- 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.)
- Active
Links
- 241000219109 Citrullus Species 0.000 title claims abstract description 641
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 title claims abstract description 641
- 238000001514 detection method Methods 0.000 title claims abstract description 248
- 238000001228 spectrum Methods 0.000 claims abstract description 347
- 230000003595 spectral effect Effects 0.000 claims abstract description 238
- 238000000034 method Methods 0.000 claims abstract description 110
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 93
- 238000007781 pre-processing Methods 0.000 claims abstract description 76
- 238000012216 screening Methods 0.000 claims abstract description 46
- 230000005540 biological transmission Effects 0.000 claims description 66
- 229910052736 halogen Inorganic materials 0.000 claims description 63
- 150000002367 halogens Chemical class 0.000 claims description 63
- 238000012937 correction Methods 0.000 claims description 51
- 230000007246 mechanism Effects 0.000 claims description 36
- 238000013145 classification model Methods 0.000 claims description 35
- 238000003672 processing method Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 32
- 238000000411 transmission spectrum Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010239 partial least squares discriminant analysis Methods 0.000 claims description 4
- 230000006698 induction Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 40
- 210000004271 bone marrow stromal cell Anatomy 0.000 description 23
- 235000013399 edible fruits Nutrition 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000010354 integration Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000007637 random forest analysis Methods 0.000 description 7
- 238000013480 data collection Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000002329 infrared spectrum Methods 0.000 description 6
- 230000008602 contraction Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 210000001113 umbilicus Anatomy 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 244000241257 Cucumis melo Species 0.000 description 2
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 2
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010152 pollination Effects 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 244000144730 Amygdalus persica Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 244000141359 Malus pumila Species 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 241000220324 Pyrus Species 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 235000021017 pears Nutrition 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007779 soft material Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- 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
- 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
- G01N21/59—Transmissivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种西瓜成熟度检测方法、装置、系统、电子设备及存储介质,涉及农业技术领域,该方法包括:基于目标数据预处理方法对待检测西瓜的果肉的光谱数据进行数据预处理,获得原始光谱数据;基于目标算法对原始光谱数据进行特征筛选,确定目标特征波段;将原始光谱数据中波段为目标特征波段的光谱数据确定为目标光谱数据之后,将目标光谱数据输入西瓜成熟度检测模型,获取西瓜成熟度检测模型输出的待检测西瓜的成熟度检测结果。本发明提供的西瓜成熟度检测方法、装置、系统、电子设备及存储介质,能更准确、更高效地对西瓜进行成熟度检测,能实现西瓜成熟度的批量无损检测,进而能更好地满足大型西瓜种植基地分选西瓜的需求。
Description
技术领域
本发明涉及农业技术领域,尤其涉及一种西瓜成熟度检测方法、装置、系统、电子设备及存储介质。
背景技术
随着人们生活水平的提高,消费者对西瓜的品质要求也越来越高。高品质的西瓜不仅售价更高、经济效益更好,而且还具有更强的市场竞争力。
西瓜的成熟度是衡量西瓜品质好坏的重要评价指标。对西瓜的成熟度进行无损检测,不仅可以保证西瓜品质的一致性,提高西瓜的市场竞争力。
现有技术中,西瓜的成熟度通常依据西瓜的授粉时间和瓜农经验确定,主观性较强且检测效率较低,难以准确、快速地实现西瓜成熟度的批量无损检测,进而难以满足大型西瓜种植基地分选西瓜的需求。
发明内容
本发明提供一种西瓜成熟度检测方法、装置、电子设备及存储介质,用以解决现有技术中西瓜成熟度检测的准确率和效率较低的缺陷,实现提高西瓜成熟度检测的准确率和效率。
本发明提供一种西瓜成熟度检测方法,包括:
获取待检测西瓜的果肉的光谱数据;
基于目标数据预处理方法对所述待检测西瓜的果肉的光谱数据进行数据预处理,获得原始光谱数据;
基于目标算法对所述原始光谱数据进行特征筛选,确定所述待检测西瓜对应的目标特征波段;
将所述原始光谱数据中波段为所述目标特征波段的光谱数据确定为所述待检测西瓜对应的目标光谱数据之后,将所述目标光谱数据输入西瓜成熟度检测模型,获取所述西瓜成熟度检测模型输出的所述待检测西瓜的成熟度检测结果;
其中,所述西瓜成熟度检测模型是基于样本光谱数据和样本西瓜的成熟度检测结果对目标分类模型进行训练后得到的;
所述样本光谱数据是基于如下步骤获取的:
获取样本西瓜的果肉的光谱数据;
基于所述目标数据预处理方法对所述样本西瓜的果肉的光谱数据进行数据预处理,获取原始样本光谱数据;
基于所述目标算法对所述原始样本光谱数据进行特征筛选,确定所述样本西瓜对应的样本特征波段;
将所述原始样本光谱数据中波段为所述样本特征波段的光谱数据确定为样本光谱数据。
根据本发明提供的一种西瓜成熟度检测方法,所述获取待检测西瓜的果肉的光谱数据,包括:
在所述待检测西瓜处于目标位姿的情况下,利用卤素灯和光谱仪,获取所述待检测西瓜的近红外全透射光谱数据,作为待检测西瓜的果肉的光谱数据;
其中,所述目标位姿包括西瓜的中轴线平行于水平面且所述西瓜的中轴线垂直于所述卤素灯的中心点与所述光谱仪的中心点的连线的位姿,所述西瓜的中轴线为所述西瓜的瓜蒂与所述西瓜的连接点,与所述西瓜的瓜脐的中心点之间的连线。
根据本发明提供的一种西瓜成熟度检测方法,基于目标数据预处理方法对所述待检测西瓜的果肉的光谱数据进行数据预处理,获得原始光谱数据,包括:
依次采用SGS光谱数据处理方法、MSC光谱数据校正方法和MAP光谱数据校正方法,对所述待检测西瓜的果肉的光谱数据进行数据预处理,获得所述原始光谱数据。
根据本发明提供的一种西瓜成熟度检测方法,所述基于目标算法对所述原始光谱数据进行特征筛选,确定所述待检测西瓜对应的目标特征波段,包括:
基于混合蛙跳算法对所述原始光谱数据进行特征筛选,确定所述待检测西瓜对应的目标特征波段。
根据本发明提供的一种西瓜成熟度检测方法,所述目标分类模型基于偏最小二乘判别分析算法构建。
根据本发明提供的一种西瓜成熟度检测方法,所述获取样本西瓜的果肉的光谱数据,包括:
在所述样本西瓜处于所述目标位姿的情况下,利用卤素灯和光谱仪,获取所述样本西瓜的近红外全透射光谱数据,作为所述样本西瓜的果肉的光谱数据。
本发明还提供一种西瓜成熟度检测装置,包括:
数据获取模块,用于获取待检测西瓜的果肉的光谱数据;
数据处理模块,用于基于目标数据预处理方法对所述待检测西瓜的果肉的光谱数据进行数据预处理,获得原始光谱数据;
特征筛选模块,用于基于目标算法对所述原始光谱数据进行特征筛选,确定所述待检测西瓜对应的目标特征波段;
成熟度检测模块,用于将所述原始光谱数据中波段为所述目标特征波段的光谱数据确定为所述待检测西瓜对应的目标光谱数据之后,将所述目标光谱数据输入西瓜成熟度检测模型,获取所述西瓜成熟度检测模型输出的所述待检测西瓜的成熟度检测结果;
其中,所述西瓜成熟度检测模型是基于样本光谱数据和样本西瓜的成熟度检测结果对目标分类模型进行训练后得到的;
所述样本光谱数据是基于如下步骤获取的:
获取样本西瓜的果肉的光谱数据;
基于所述目标数据预处理方法对所述样本西瓜的果肉的光谱数据进行数据预处理,获取原始样本光谱数据;
基于所述目标算法对所述原始样本光谱数据进行特征筛选,确定所述样本西瓜对应的样本特征波段;
将所述原始样本光谱数据中波段为所述样本特征波段的光谱数据确定为样本光谱数据。
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西瓜成熟度检测方法。
本发明还提供一种西瓜成熟度检测系统,包括:如上所述的电子设备和西瓜光谱数据采集装置;所述电子设备与所述西瓜光谱数据采集装置电连接;
所述西瓜光谱数据采集装置用于采集待检测西瓜的果肉的光谱数据,并将所述待检测西瓜的果肉的光谱数据发送至所述电子设备。
根据本发明提供的一种西瓜成熟度检测系统,所述西瓜光谱数据采集装置,包括:带传动机构、卤素灯、光谱仪、第一暗室、第二暗室和第三暗室;所述带传动机构包括传送带和传动滚筒;所述带传动机构和所述光谱仪分别与所述电子设备电连接;
所述带传动机构用于响应于所述电子设备的控制,带动放置于所述传送带上的西瓜沿所述带传动机构的传动方向移动;
所述带传动机构的上端依次设置有所述第一暗室、所述第二暗室和所述第三暗室;
所述第一暗室上设置有连通所述第一暗室的内部空间的第一入口和第二入口,所述第一入口和所述第二入口均与所述带传动机构的传动方向垂直,且所述第一入口和所述第二入口沿所述带传动机构的传动方向依次排布;
所述第三暗室上设置有连通所述第三暗室的内部空间的第五入口和第六入口,所述第五入口和所述第六入口均与所述带传动机构的传动方向垂直,且所述第五入口和所述第六入口沿所述带传动机构的传动方向依次排布;
所述第二暗室上对应所述第二入口设置有第三入口,所述第一暗室和所述第二暗室通过所述第二入口和所述第三入口连通,所述第二暗室上对应所述第五入口设置有第四入口,所述第二暗室和所述第三暗室通过所述第四入口和所述第五入口连通;
所述卤素灯和所述光谱仪设置于所述第二暗室的内壁上,所述卤素灯的中心点与所述光谱仪的中心点的连线位于水平面并垂直于所述带传动机构的传动方向,所述连线与所述带传动机构的上表面之间的垂直距离为预设距离;
所述光谱仪用于采集移动至所述光谱仪与所述卤素灯之间的西瓜的光谱数据,并将采集到的光谱数据发送至所述电子设备。
根据本发明提供的一种西瓜成熟度检测系统,所述西瓜光谱数据采集装置,还包括:光电传感器;所述电子设备分别与所述光电传感器、所述卤素灯和所述光谱仪连接;
所述光电传感器设置于所述第二暗室内所述第三入口处;
所述光电传感器用于在检测到西瓜进入感应区域的情况下,向所述电子设备发送第一指令;
所述光电传感器用于在检测到西瓜离开所述感应区域的情况下,向所述电子设备发送第二指令;
所述电子设备用于在接收到所述第一指令的情况下,响应于所述第一指令,控制所述光谱仪由非工作状态切换为工作状态,所述电子设备还用于在接收到所述第二指令的情况下,响应于所述第二指令,控制所述光谱仪由工作状态切换为非工作状态。
根据本发明提供的一种西瓜成熟度检测系统,所述西瓜光谱数据采集装置,还包括:第一遮光帘和第二遮光帘;
所述第一遮光帘设置于所述第一入口处,所述第一遮光帘用于遮挡进入所述第一暗室的光线;
所述第二遮光帘设置于所述第六入口处,所述第二遮光帘用于遮挡进入所述第三暗室的光线;
根据本发明提供的一种西瓜成熟度检测系统,所述西瓜光谱数据采集装置,还包括:第三遮光帘和第四遮光帘;所述第三遮光帘设置于所述第二入口处;所述第四遮光帘设置于所述第四入口处;
所述第三遮光帘和所述第四遮光帘用于遮挡进入所述第二暗室的光线。
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西瓜成熟度检测方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述西瓜成熟度检测方法。
本发明提供的西瓜成熟度检测方法、装置、电子设备及存储介质,通过基于目标数据处理方法对待检测西瓜的果肉的光谱数据进行数据预处理,获得原始光谱数据之后,基于目标算法对原始光谱数据进行特征筛选,确定待检测西瓜对应的目标特征波段,进而将原始光谱数据中波段为目标特征波段的光谱数据确定为待检测西瓜对应的目标光谱数据之后,将目标光谱数据输入西瓜成熟度检测模型,获取西瓜成熟度检测模型输出的待检测西瓜的成熟度检测结果,能更准确、更高效地对西瓜进行成熟度检测,能实现西瓜成熟度的批量无损检测,进而能更好地满足大型西瓜种植基地分选西瓜的需求,用于西瓜成熟度检测的西瓜成熟度检测模型的分类准确率较高、鲁棒性较好,证明了特征波段建模方法的可行性,为应用近红外光谱无损检测技术实现大型厚皮水果的内部品质检测提供了技术支持。
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为本发明提供的西瓜成熟度检测方法的流程示意图;
图2为本发明提供的西瓜成熟度检测方法中西瓜的第一位姿的示意图;
图3为本发明提供的西瓜成熟度检测方法中在西瓜处于第一位姿的情况下西瓜的光谱采集部位示意图;
图4为本发明提供的西瓜成熟度检测方法中西瓜的第二位姿的示意图;
图5为本发明提供的西瓜成熟度检测方法中在西瓜处于第二位姿的情况下西瓜的光谱采集部位示意图;
图6为本发明提供的西瓜成熟度检测方法中在待检测西瓜处于目标位姿的情况下待检测西瓜的果肉的光谱数据的曲线图;
图7为本发明提供的西瓜成熟度检测方法中第三原始样本光谱数据的示意图;
图8为本发明提供的西瓜成熟度检测方法中第四原始样本光谱数据的示意图;
图9为本发明提供的西瓜成熟度检测方法中第五原始样本光谱数据的示意图;
图10为本发明提供的西瓜成熟度检测方法中第六原始样本光谱数据的示意图;
图11为本发明提供的西瓜成熟度检测方法中第七原始样本光谱数据的示意图;
图12为本发明提供的西瓜成熟度检测方法中第八原始样本光谱数据的示意图;
图13为本发明提供的西瓜成熟度检测方法中基于自举软收缩算法对第八原始样本光谱数据进行特征筛选的原理示意图;
图14为本发明提供的西瓜成熟度检测方法中基于随机森林算法对第八原始样本光谱数据进行特征筛选的原理示意图;
图15为本发明提供的西瓜成熟度检测方法中基于混合蛙跳算法对第八原始样本光谱数据进行特征筛选的原理示意图;
图16为本发明提供的西瓜成熟度检测装置的结构示意图;
图17为本发明提供的电子设备的结构示意图;
图18为本发明提供的西瓜成熟度检测系统的结构示意图;
图19为本发明提供的西瓜成熟度检测系统中西瓜光谱数据采集装置的结构示意图;
图20为本发明提供的西瓜成熟度检测系统中西瓜光谱数据采集装置的侧视图。
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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
需要说明的是,西瓜的成熟度是衡量西瓜品质好坏的重要评价指标。对西瓜的成熟度进行无损检测,可以为西瓜品质的分级提供依据,进而可以通过西瓜品质的分级确保西瓜品质的一致性,提高西瓜的市场竞争力,具有重要意义。
相关技术中,可以准确、高效地实现苹果、梨、桃子和西红柿等小型果实成熟度的批量无损检测。但是,对于西瓜这种大型厚皮类水果而言,通常需要依据西瓜的授粉时间和瓜农经验逐一确定西瓜的成熟度,主观性较强且检测效率较低,难以准确、快速地实现西瓜成熟度的批量无损检测,进而难以满足大型西瓜种植基地基于西瓜品质进行西瓜分选的需求。
图1为本发明提供的西瓜成熟度检测方法的流程示意图。下面结合图1描述本发明的西瓜成熟度检测方法。如图1所示,该方法包括:步骤101、获取待检测西瓜的果肉的光谱数据。
需要说明的是,本发明实施例的执行主体为西瓜成熟度检测装置。
具体地,待检测西瓜是本发明提供的西瓜成熟度检测方法的检测对象。基于本发明提供的西瓜成熟度检测方法可以对待检测西瓜进行成熟度检测,获得待检测西瓜的成熟度检测结果。
需要说明的是,本发明实施例中可以根据实际需求确定待检测西瓜,还可以将批量西瓜中的每一个西瓜依次确定为待检测西瓜。
本发明实施例中可以利用光源和光谱仪,采集待检测西瓜的果肉的光谱数据。
利用光源和光谱仪采集待检测西瓜的果肉的光谱数据时,待检测西瓜位于光源和光谱仪之间,待检测西瓜可以完全遮挡光源发出的光线(光源与光谱仪的连线穿透过待检测西瓜)。相较于漫透射方式,上述全透射方式能够采集到待检测西瓜的多点透射光谱,从而能够较全面地获取待检测西瓜果肉的光谱数据。
需要说明的是,利用卤素灯和光谱仪可以采集到待检测西瓜的果肉的多条光谱数据,上述每一条光谱数据分别对应不同的光线入射点,获得待检测西瓜的果肉的多条光谱数据之后,可以通过求取平均数的方式,得到上述多条光谱数据的平均光谱数据,进而可以将上述平均光谱数据确定为待检测西瓜的果肉的光谱数据。
可选地,上述光源可以为卤素灯。上述卤素灯的功率可以为150W,上述卤素灯发出的照射光的能量较低。
本发明实施例中可以利用卤素灯和光谱仪,采用短积分时间采集模式采集待检测西瓜的果肉的光谱数据。其中,短积分时间采集模式是一种新型的光谱采集方法,短积分时间采集模式可以在很短的间隔时间内连续采集到待检测西瓜的透射光谱数据。
可选地,本发明实施例中利用卤素灯和光谱仪,采用短积分时间采集模式采集待检测西瓜的果肉的光谱数据时,积分时间可以为10ms。
作为一个可选地实施例,获取待检测西瓜的果肉的光谱数据,包括:在待检测西瓜处于目标位姿的情况下,利用卤素灯和光谱仪,获取待检测西瓜的近红外全透射光谱数据,作为待检测西瓜的果肉的光谱数据;
其中,目标位姿包括西瓜的中轴线平行于水平面且西瓜的中轴线垂直于卤素灯的中心点与光谱仪的中心点的连线的位姿,西瓜的中轴线为西瓜的瓜蒂与西瓜的连接点,与西瓜的瓜脐的中心点之间的连线。
需要说明的是,由于西瓜皮较厚且漫反射光谱穿透深度有限,获取携带西瓜全部果肉信息的漫反射光谱难度较大。此外,由于西瓜体积比较大,不同部位的果肉组织成分不均匀,通过采集西瓜的漫反射和漫透射光谱获取西瓜果肉信息量比较少,所以难以获取较为全面的果肉信息。
本发明实施例中通过采集待检测西瓜的近红外全透射光谱数据,作为待检测西瓜的果肉的光谱数据,能够包含待检测西瓜不同部位果肉的光谱数据。相比于漫反射和漫透射方式,利用全透射方式能够采集到水果的多点透射光谱,能够较全面地获取西瓜果肉的光谱数据,而且可以对不同姿态的西瓜进行在线快速检测。
可以理解的是,西瓜通常为圆球体或椭球体。本发明实施例中可以将西瓜的瓜蒂与西瓜的连接点,与西瓜的瓜脐的中心点之间的连线确定为西瓜的中轴线。
需要说明的是,本发明实施例中的目标位姿是基于如下步骤确定的:在样本西瓜处于第一位姿的情况下,利用卤素灯和光谱仪,采集样本西瓜的果肉的光谱数据,作为第一光谱数据;在样本西瓜处于第二位姿的情况下,利用卤素灯和光谱仪,采集样本西瓜的果肉的光谱数据,作为第二光谱数据,第一位姿包括西瓜的中轴线平行于水平面且西瓜的中轴线垂直于卤素灯的中心点与光谱仪的中心点的连线的位姿,第二位姿包括西瓜的中轴线垂直于水平面且西瓜的中轴线垂直于卤素灯的中心点与光谱仪的中心点的连线的位姿,西瓜的中轴线为西瓜的瓜蒂与西瓜的连接点,与西瓜的瓜脐的中心点之间的连线。
可以理解的是,样本西瓜的数量为多个。样本西瓜的成熟度检测结果可以包括已成熟、未成熟以及过成熟中的任意一种。
需要说明的是,本发明实施例中可以采摘不同成熟度的西瓜,作为样本西瓜。本发明实施例中的样本西瓜包括未成熟的样本西瓜73个、已成熟的样本西瓜76个以及过成熟的80个。样本西瓜在采摘当天进行光谱数据的采集。
图2为本发明提供的西瓜成熟度检测方法中西瓜的第一位姿的示意图。如图2所示,在任一西瓜201处于目标位姿的情况下,西瓜201的中轴线(即西瓜201的瓜蒂与西瓜201的连接点,与西瓜201的瓜脐203的连线)平行于水平面,且西瓜201的中轴线垂直于卤素灯204的中心点与光谱仪205的中心点的连线。
在样本西瓜处于第一位姿的情况下,可以利用卤素灯204和光谱仪205,获取样本西瓜的果肉的光谱数据,作为第一光谱数据。
需要说明的是,利用卤素灯204和光谱仪205采集到样本西瓜的果肉的多条光谱数据之后,可以通过求取平均数的方式,得到上述多条光谱数据的平均光谱数据,进而可以将上述平均光谱数据确定为样本西瓜的果肉的光谱数据。
如图2所示,在样本西瓜处于第一位姿的情况下,利用卤素灯204和光谱仪205,获取样本西瓜的果肉的光谱数据时,卤素灯204的中心点与光谱仪205的中心点的连线,可以通过样本西瓜的中轴线的中点。
图3为本发明提供的西瓜成熟度检测方法中在西瓜处于第一位姿的情况下西瓜的光谱采集部位示意图。在西瓜201处于第一位姿,且卤素灯204的中心点与光谱仪205的中心点的连线通过待检测西瓜的中轴线的中点的情况下,西瓜201的光谱采集部位如图3所示。
图4为本发明提供的西瓜成熟度检测方法中西瓜的第二位姿的示意图。如图4所示,在西瓜201处于第二位姿的情况下,西瓜201的瓜蒂202与西瓜201的连接点,与西瓜201的瓜脐203的连线(即待检测西瓜的中轴线)垂直于水平面,且西瓜201的瓜蒂501位于西瓜201的瓜脐203的上方。
在样本西瓜处于第二位姿的情况下,可以利用卤素灯204和光谱仪205,获取样本西瓜的果肉的光谱数据,作为第二光谱数据。
如图4所示,在样本西瓜处于第二位姿的情况下,利用卤素灯204和光谱仪205,获取样本西瓜的果肉的光谱数据时,卤素灯204的中心点与光谱仪205的中心点的连线,可以通过样本西瓜的中轴线的中点。
图5为本发明提供的西瓜成熟度检测方法中在西瓜处于第二位姿的情况下西瓜的光谱采集部位示意图。在西瓜201处于第二位姿,且卤素灯204的中心点与光谱仪205的中心点的连线通过西瓜201的中轴线的中心点的情况下,西瓜201的光谱采集部位如图5所示。
需要说明的是,获取第一光谱数据和第二光谱数据之后,通过对比第一光谱数据和第二光谱数据可知,第一光谱数据的光谱强度略低于第二光谱数据的光谱强度,第一光谱数据的光谱曲线分布比较离散,并没有明显规律,而第二光谱数据中成熟度检测结果为已成熟的样本西瓜的光谱数据的光谱强度,低于成熟度检测结果为未成熟或过成熟的样本西瓜的光谱数据的光谱强度。
基于目标数据预处理方法分别对第一光谱数据和第二光谱数据进行数据预处理,获取第一原始样本光谱数据和第二原始样本光谱数据。
基于目标算法分别对第一原始样本光谱数据和第二原始光谱数据进行特征筛选,分别确定第一位姿对应的第一样本特征波段和第二位姿对应的第二样本特征波段;
将第一原始样本光谱数据中波段为第一样本特征波段的光谱数据确定为第一样本光谱数据,将第二原始样本光谱数据中波段为第二样本特征波段的光谱数据确定为第二样本光谱数据;
以第一样本光谱数据为样本,以样本西瓜的成熟度检测结果为样本标签,对目标分类模型进行训练,得到训练好的第一样本西瓜成熟度检测模型,以第二样本光谱数据为样本,以样本西瓜的成熟度检测结果为样本标签,对目标分类模型进行训练,得到训练好的第二样本西瓜成熟度检测模型;
比较第一样本西瓜成熟度检测模型和第二样本西瓜成熟度检测模型的分类准确率,确定第一样本西瓜成熟度检测模型的分类准确率高于第二样本西瓜成熟度检测模型的分类准确率,进而将第一位姿确定为目标位姿。
在待检测西瓜处于目标位姿的情况下,利用卤素灯204和光谱仪205,可以获取待检测西瓜的果肉的光谱数据。
在待检测西瓜处于目标位姿的情况下,利用卤素灯204和光谱仪205获取待检测西瓜的果肉的光谱数据时,卤素灯204的中心点与光谱仪205的中心点的连线,可以通过待检测西瓜的中轴线的中点。
图6为本发明提供的西瓜成熟度检测方法中在待检测西瓜处于目标位姿的情况下待检测西瓜的果肉的光谱数据的曲线图。在待检测西瓜处于目标位姿,且卤素灯204的中心点与光谱仪205的中心点的连线通过待检测西瓜的中轴线的中心点的情况下,待检测西瓜的光谱数据如图6所示。
如图6所示,待检测西瓜的果肉的光谱数据的波段范围在565.54nm至1116.18nm之间,共2048个波段。
需要说明的是,如图6所示,波段范围在565.54nm至671.34nm之间的光谱透射强度值较低,频率较高,包含大量噪声和无用信息,上述波段区间会影响西瓜成熟度检测的准确率,因此,本发明实施例中将波段区间565.54nm至671.34nm所对应的光谱透射强度值将待检测西瓜的果肉的光谱数据中剔除。下文中待检测西瓜的果肉的光谱数据的波段区间在671.61nm至1116.18nm之间,共1648个波段的光谱数据。
本发明实施例通过在待检测西瓜处于目标位姿的情况下,利用卤素灯和光谱仪获取待检测西瓜的果肉的光谱数据,进而能为待检测西瓜的成熟度检测提供更准确的数据基础,能进一步提高西瓜成熟度检测的准确率。
步骤102、基于目标数据预处理方法对待检测西瓜的果肉的光谱数据进行数据预处理,获得原始光谱数据。
需要说明的是,在近红外光谱数据的采集过程中,易受到外界光线、电磁干扰、仪器噪声以及振动等因素的影像,造成采集到的原始光谱数据中含有大量的随机噪声、基线漂移以及光散射等问题。
因此,为了减少待检测西瓜的果肉的光谱数据中的噪声,以及降低各种干扰因素的影响,提高西瓜成熟度检测的准确率,本发明实施例中在获取到待检测西瓜的果肉的光谱数据之后,可以基于目标数据处理方法对待检测西瓜的果肉的光谱数据进行数据预处理,获得原始光谱数据。
需要说明的是,本发明实施例中的目标数据预处理方法可以是基于先验知识和/或实际情况确定的,例如,目标数据预处理方法可以包括SGS光谱数据处理方法、MSC光谱数据校正方法、SNV光谱数据处理方法和MAP光谱数据校正方法中的任意一种;或者,目标数据预处理方法还可以包括SGS光谱数据处理方法、MSC光谱数据校正方法、SNV光谱数据处理方法和MAP光谱数据校正方法中至少两种的组合。本发明实施例中对目标数据预处理方法不作具体限定。
其中,SGS是Spectral Gradient Stacking的缩写。SGS光谱数据处理方法通常用于光谱学和光谱分析领域,是一种用于光谱数据处理的方法。SGS光谱数据处理方法可以通过计算光谱数据的梯度(即变化率),捕捉样本之间的差异和特征。SGS光谱数据处理方法可以帮助识别样本之间的变化、分类和聚类,有助于更好地理解光谱数据。
MSC是Multiplicative Scatter Correction的缩写。MSC光谱数据校正方法是一种用于光谱数据校正的方法。在光谱测量中,样本中的散射效应(如由于颗粒物、杂质等引起的光的散射)可能会导致数据中的变异性和误差,MSC光谱数据校正方法旨在消除光谱中由于散射效应引起的变异,从而提高数据的质量和准确性。MSC光谱数据校正方法通常在光谱预处理阶段使用,以确保数据在分析和建模时更加稳定和可靠。MSC光谱数据校正方法的基本思想是将光谱数据除以一个参考光谱,该参考光谱通常是一个平均光谱或一个期望的理想光谱。这样做可以消除散射引起的变异性,使得数据更加稳定,更适合分析和建模。MSC光谱数据校正方法是光谱预处理中常用的一种方法,特别是在红外光谱和近红外光谱等领域。
SNV是Standard Normal Variate的缩写。SNV光谱数据处理方法是一种用于光谱数据预处理的技术,旨在消除光谱中的非样本相关变化,如浓度变化、基线漂移等,以凸显样本之间的差异。SNV光谱数据处理方法通过对每个光谱数据点减去其整体均值,再除以标准差,实现数据的标准化处理。这有助于突出样本间的差异,提高模型的可靠性和可解释性。
MAP是Multiplicative Artifact Correction的缩写。MAP光谱数据校正方法是一种用于校正光谱数据中的系统性偏差和伪影的方法。在光谱测量中,可能会受到仪器漂移、非线性响应等因素的影响,导致数据中出现伪影或偏差。MAP光谱数据校正方法旨在通过应用一个乘性修正因子来消除这些偏差。这个修正因子可以根据先验信息或特定的校正算法来计算。MAP光谱数据校正方法方法有助于提高光谱数据的准确性和稳定性,从而更好地反映样本的真实特征。
作为一个可选地实施例,基于目标数据预处理方法对待检测西瓜的果肉的光谱数据进行数据预处理,获得原始光谱数据,包括:依次采用SGS光谱数据处理方法、MSC光谱数据校正方法和MAP光谱数据校正方法,对待检测西瓜的果肉的光谱数据进行数据预处理,获得原始光谱数据。
需要说明的是,本发明实施例中的目标数据预处理方法可以包括顺序排列的SGS光谱数据处理方法、MSC光谱数据校正方法和MAP光谱数据校正方法。
本发明实施例中的目标数据预处理方法是基于如下步骤获取的:采用MAP光谱数据校正方法对第二光谱数据进行数据预处理后得到第三原始样本光谱数据,依次采用SGS光谱数据处理方法和MAP光谱数据校正方法对第二光谱数据进行数据预处理后得到第四原始样本光谱数据,采用MSC光谱数据校正方法对第二光谱数据进行数据预处理后得到第五原始样本光谱数据,采用SNV光谱数据处理方法对第二光谱数据进行数据预处理后得到第六原始样本光谱数据,依次采用SGS光谱数据处理方法和MSC光谱数据校正方法对第二光谱数据进行数据预处理后得到第七原始样本光谱数据,依次采用SGS光谱数据处理方法、MSC光谱数据校正方法和MAP光谱数据校正方法对第二光谱数据进行数据预处理后得到第八原始样本光谱数据。
图7为本发明提供的西瓜成熟度检测方法中第三原始样本光谱数据的示意图;图8为本发明提供的西瓜成熟度检测方法中第四原始样本光谱数据的示意图;图9为本发明提供的西瓜成熟度检测方法中第五原始样本光谱数据的示意图;图10为本发明提供的西瓜成熟度检测方法中第六原始样本光谱数据的示意图;图11为本发明提供的西瓜成熟度检测方法中第七原始样本光谱数据的示意图;图12为本发明提供的西瓜成熟度检测方法中第八原始样本光谱数据的示意图。
图7为采用MAP光谱数据校正方法对第二光谱数据进行数据预处理后得到的第三原始样本光谱数据的示意图;
图8为依次采用SGS光谱数据处理方法和MAP光谱数据校正方法对第二光谱数据进行数据预处理后得到的第四原始样本光谱数据的示意图;
图9为采用MSC光谱数据校正方法对第二光谱数据进行数据预处理后得到的第五原始样本光谱数据的示意图;
图10为采用SNV光谱数据处理方法对第二光谱数据进行数据预处理后得到的第六原始样本光谱数据的示意图;
图11为依次采用SGS光谱数据处理方法和MSC光谱数据校正方法对第二光谱数据进行数据预处理后得到的第七原始样本光谱数据的示意图;
图12为依次采用SGS光谱数据处理方法、MSC光谱数据校正方法和MAP光谱数据校正方法对第二光谱数据进行数据预处理后得到的第八原始样本光谱数据的示意图;
通过对比图7和图8,或者图9和图11可知,SGS光谱数据处理方法可以有效去除光谱数据中的噪声,减少光谱数据中的随机误差,提高光谱数据的信噪比。
通过对比图8和图9可知,SNV光谱数据处理方法和MSC光谱数据校正方法均可以有效统一光谱数据的曲线形状,降低杂散光的影响。
如图12所示,依次采用SGS光谱数据处理方法、MSC光谱数据校正方法和MAP光谱数据校正方法,对第二光谱数据进行数据预处理后得到原始光谱数据的光谱曲线比例离散。
基于目标算法分别对第三原始样本光谱数据、第四原始样本光谱数据、第五原始样本光谱数据、第六原始样本光谱数据、第七原始样本光谱数据和第八原始光谱数据进行特征筛选,分别确定第三原始样本光谱数据对应的第三样本特征波段、第四原始样本光谱数据对应的第四样本特征波段、第五原始样本光谱数据对应的第五样本特征波段、第六原始样本光谱数据对应的第六样本特征波段、第七原始样本光谱数据对应的第七样本特征波段和第八原始光谱数据对应的第八样本特征波段;
将第三原始样本光谱数据中波段为第三样本特征波段的光谱数据确定为第三样本光谱数据,将第四原始样本光谱数据中波段为第四样本特征波段的光谱数据确定为第四样本光谱数据,将第五原始样本光谱数据中波段为第五样本特征波段的光谱数据确定为第五样本光谱数据,将第六原始样本光谱数据中波段为第六样本特征波段的光谱数据确定为第六样本光谱数据,将第七原始样本光谱数据中波段为第七样本特征波段的光谱数据确定为第七样本光谱数据,将第八原始样本光谱数据中波段为第八样本特征波段的光谱数据确定为第八样本光谱数据;
以第三样本光谱数据为样本,以样本西瓜的成熟度检测结果为样本标签,对目标分类模型进行训练,得到训练好的第三样本西瓜成熟度检测模型,以第四样本光谱数据为样本,以样本西瓜的成熟度检测结果为样本标签,对目标分类模型进行训练,得到训练好的第四样本西瓜成熟度检测模型,以第五样本光谱数据为样本,以样本西瓜的成熟度检测结果为样本标签,对目标分类模型进行训练,得到训练好的第五样本西瓜成熟度检测模型,以第六样本光谱数据为样本,以样本西瓜的成熟度检测结果为样本标签,对目标分类模型进行训练,得到训练好的第六样本西瓜成熟度检测模型,以第七样本光谱数据为样本,以样本西瓜的成熟度检测结果为样本标签,对目标分类模型进行训练,得到训练好的第七样本西瓜成熟度检测模型,以第八样本光谱数据为样本,以样本西瓜的成熟度检测结果为样本标签,对目标分类模型进行训练,得到训练好的第八样本西瓜成熟度检测模型;
比较第三样本西瓜成熟度检测模型、第四样本西瓜成熟度检测模型、第五样本西瓜成熟度检测模型、第六样本西瓜成熟度检测模型、第七样本西瓜成熟度检测模型和第八样本西瓜成熟度检测模型的分类准确率,确定第八样本西瓜成熟度检测模型的分类准确率最高,进而将目标数据预处理方法确定为依次采用SGS光谱数据处理方法、MSC光谱数据校正方法和MAP光谱数据校正方法。
需要说明的是,本发明实施例中SGS光谱数据处理方法中的窗口参数设为9。
可以理解的是,依次采用SGS光谱数据处理方法、MSC光谱数据校正方法以及MAP光谱数据校正方法对待检测西瓜的果肉的光谱数据进行数据预处理,获得的原始光谱数据亦包括1648个波段。
本发明实施例通过依次采用SGS光谱数据处理方法、MSC光谱数据校正方法以及MAP光谱数据校正方法,对待检测西瓜的果肉的光谱数据进行数据预处理,获得原始光谱数据,能更好地减少待检测西瓜的果肉的光谱数据中的噪声,以及降低各种干扰因素的影响,能为待检测西瓜的西瓜成熟度检测提供更准确的数据基础,能进一步提高西瓜成熟度检测的准确率。
步骤103、基于目标算法对原始光谱数据进行特征筛选,确定待检测西瓜对应的目标特征波段。
需要说明的是,由于原始光谱数据包括1648个波段,数据维度较高且含有大量不相关和无用的光谱信息。因此,本发明实施例在基于目标数据处理方法对待检测西瓜的果肉的光谱数据进行数据预处理,获得原始光谱数据之后,可以基于目标算法对原始光谱数据进行特征筛选,确定待检测西瓜对应的目标特征波段。
需要说明的是,本发明实施例中的目标算法可以是基于先验知识和/或实际情况确定的。例如:目标算法可以包括自举软收缩算法、随机森林算法以及混合蛙跳算法中的任意一种。本发明实施例中对目标算法不作具体限定。
具体地,自举软收缩算法(BOSS)是一种新的变量选择方法,能够有效解决由于光谱数据共线性而导致模型预测准确度较低的问题。该算法筛选特征变量时,在训练集中生成多个子集,分别建立PLS子模型,通过分析子模型的回归系数,获得特征变量新的权重。基于新的权重通过加权自举采样(WBS)方法生成新的子集,剔除重复变量建立子模型,如此迭代运行,直至新子集中的变量个数为1时停止。最后,计算子模型的交叉验证的均方根误差(RMSECV),并选择RMSECV最低的子模型的变量集作为最佳特征变量。
随机森林算法(RF)是基于决策树算法改进而来,能够度量每个特征变量的重要性。在利用RF进行特征变量选择时,主要是评估每个特征在随机森林中的每棵树上做了多大的贡献,然后取平均值,最后比较不同特征之间的重要程度。本算法选用袋外数据(OOB)作为衡量特征重要性的评价指标,模拟次数设为5000次,交叉验证为10折。
混合蛙跳算法(SFLA)是一种全新的后启发式群体进化算法,具有较强的计算性能和优良的全局搜索能力。在采用SFLA进行光谱特征波段筛选时,模拟次数设为5000次,交叉验证为10折,主成分个数为15,以20%为阈值,取被选中的概率不小于阈值的波段作为特征波段。
作为一个可选地实施例,基于目标算法对原始光谱数据进行特征筛选,确定待检测西瓜对应的目标特征波段,包括:基于混合蛙跳算法对原始光谱数据进行特征筛选,确定待检测西瓜对应的目标特征波段。
需要说明的是,本发明实施例中的目标算法以及目标分类模型是基于如下步骤确定的:基于自举软收缩算法对第八原始样本光谱数据进行特征筛选,确定自举软收缩算法对应的第九样本特征波段,基于随机森林算法对第八原始样本光谱数据进行特征筛选,确定随机森林算法对的第十样本特征波段,基于混合蛙跳算法对第八原始样本光谱数据进行特征筛选,确定混合蛙跳算法对应的第十一样本特征波段。
图13为本发明提供的西瓜成熟度检测方法中基于自举软收缩算法对第八原始样本光谱数据进行特征筛选的原理示意图。图13显示了BOSS算法筛选特征波段的过程,子模型的波段变量个数和RMSECV值随着迭代次数的增加而变化。如图13中的图(a)所示,子模型的波段变量个数初始值为1648,在第28次迭代时达到最小值1。如图13中的图(b)所示,随着迭代次数的增加,子模型的RMSECV值先下降后上升,在第16次迭代时RMSECV达到最小值,说明此时的特征波段所建的模型的预测效果最好。因此,本发明实施例中可以选择第16次迭代时的特征变量为最佳变量,共计112个第九样本特征波段,约占全波段的6.80%。
图14为本发明提供的西瓜成熟度检测方法中基于随机森林算法对第八原始样本光谱数据进行特征筛选的原理示意图。RF算法评估不同特征波段的重要性如图14所示。如图14所示,重要性较高的波段集中在750-830nm和920-1050nm附近。因此,本发明实施例中将重要性指数大于0.4的波段确定特征波段,共筛选出66个第十样本特征波段,约占全波段的4.00%。
图15为本发明提供的西瓜成熟度检测方法中基于混合蛙跳算法对第八原始样本光谱数据进行特征筛选的原理示意图。如图15所示,带星号的波段表示被选中的第十一样本特征波段,共选中40个第十一样本特征波段,约占全波段的2.43%。其中,760、780、810、840、960和1010nm附近的波段被选中的概率比较高,说明这些波段的光谱数据可能含有大量的与西瓜成熟度相关的信息。
将第八原始样本光谱数据中波段为第九样本特征波段的光谱数据确定为第九样本光谱数据,将第八原始样本光谱数据中波段为第十样本特征波段的光谱数据确定为第十样本光谱数据,将第八原始样本光谱数据中波段为第十一样本特征波段的光谱数据确定为第十一样本光谱数据。
以第八样本光谱数据为样本,以样本西瓜的成熟度检测结果为样本标签,对第一分类模型进行训练,得到训练好的第九样本西瓜成熟度检测模型,以第八样本光谱数据为样本,以样本西瓜的成熟度检测结果为样本标签,对第二分类模型进行训练,得到训练好的第十样本西瓜成熟度检测模型,以第八样本光谱数据为样本,以样本西瓜的成熟度检测结果为样本标签,对第三分类模型进行训练,得到训练好的第十一样本西瓜成熟度检测模型,以第九样本光谱数据为样本,以样本西瓜的成熟度检测结果为样本标签,对第一分类模型进行训练,得到训练好的第十二样本西瓜成熟度检测模型,以第九样本光谱数据为样本,以样本西瓜的成熟度检测结果为样本标签,对第二分类模型进行训练,得到训练好的第十三样本西瓜成熟度检测模型,以第九样本光谱数据为样本,以样本西瓜的成熟度检测结果为样本标签,对第三分类模型进行训练,得到训练好的第十四样本西瓜成熟度检测模型,以第十样本光谱数据为样本,以样本西瓜的成熟度检测结果为样本标签,对第一分类模型进行训练,得到训练好的第十五样本西瓜成熟度检测模型,以第十样本光谱数据为样本,以样本西瓜的成熟度检测结果为样本标签,对第二分类模型进行训练,得到训练好的第十六样本西瓜成熟度检测模型,以第十样本光谱数据为样本,以样本西瓜的成熟度检测结果为样本标签,对第三分类模型进行训练,得到训练好的第十七样本西瓜成熟度检测模型;
其中,第一分类模型基于偏最小二乘判别分析(Partial Least SquaresDiscriminant Analysis,PLS-DA)算法构建;第二分类模型基于支持向量机(SupportVector Machine,SVM)算法构建;第三分类模型基于最小二乘支持向量机(Least SquaresSupport Vector Machine,LS-SVM)算法构建。
PLS-DA算法是一种多元统计分析算法,用于处理分类问题。它结合了主成分分析(PCA)和线性判别分析(LDA)的思想,适用于在高维数据中进行分类和预测。在PLS-DA算法中,首先会通过建立一个与输入特征相关的潜在变量空间来进行降维。这个潜在变量空间中的信息被优先考虑,以确保在保留数据方差的同时,也保留了有助于分类的信息。然后,通过最小化类别之间的散布和最大化类别内的散布,PLS-DA寻找一个线性判别方向,将不同类别的数据样本尽可能地分开。
SVM算法是一种常用于分类和回归分析的机器学习算法。其主要思想是在特征空间中找到一个能够将不同类别的数据样本分隔开的超平面。这个超平面被选为能够最大化两个类别之间的间隔(支持向量间的距离)。
LS-SVM算法是一种基于支持向量机算法的变体,它在求解模型参数时使用了最小二乘法,以降低求解复杂度。LS-SVM算法在解决非线性问题和大规模数据集时表现良好。它的思想是通过将输入数据映射到高维空间中,找到一个超平面,使得各类别的样本点尽可能分开并保持较大的间隔。
比较第九样本西瓜成熟度检测模型、第十样本西瓜成熟度检测模型、第十一样本西瓜成熟度检测模型、第十二样本西瓜成熟度检测模型、第十三样本西瓜成熟度检测模型、第十四样本西瓜成熟度检测模型、第十五样本西瓜成熟度检测模型、第十六样本西瓜成熟度检测模型和第十七样本西瓜成熟度检测模型的分类准确率和稳定性,确定第十五样本西瓜成熟度检测模型的分类准确率最高,进而可以将混合蛙跳算法确定为目标算法,将第一分类模型确定为目标分类模型。
第九样本西瓜成熟度检测模型至第十七样本西瓜成熟度检测模型的分类准确率如表1和表2所示。
表1 样本西瓜成熟度检测模型的分类准确率的示意表之一
表2 样本西瓜成熟度检测模型的分类准确率的示意表之二
为了比较基于不同特征波段的光谱数据训练得到的样本西瓜成熟度检测模型的分类准确率和稳定性,每种分类模型随机建立20次。由表1和表2实验结果可知,基于不同特征波段的光谱数据训练得到的样本西瓜成熟度检测模型均取得了很好的分类结果。
其中,第十五样本西瓜成熟度检测模型的分类准确率最高,而采用第三分类模型(对应第十四西瓜成熟度检测模型、十六西瓜成熟度检测模型和十七样本西瓜成熟度检测模型)的稳定性最好。相比于RF和SFLA算法,BOSS算法筛选的特征波段训练得到的样本西瓜成熟度检测模型的分类准确率较低。从误差棒的大小可以看出,基于SFLA算法筛选出的特征波段训练得到的样本西瓜成熟度检测模型的稳定性最好,RF算法次之,BOSS算法最差。
BOSS算法共筛选了112个特征波段,相比于全波段模型的分类结果,不同分类模型的预测结果均有不同程度的下降。PLS-DA模型测试集的总精度由94.74 %下降至92.98 %;SVM模型测试集的分类精度降幅最大,由96.49 %下降到91.23 %;LS-SVM模型训练集总精度并没有降低,而测试集分类精度由96.49 %下降至94.74 %。虽然BOSS算法挑选的特征波段所建的不同分类模型的预测精度均有所下降,但是模型的数据维度由1648波段变量降低至112个,简化了模型,说明该算法运用在光谱波段筛选方面是可行的。
RF算法共挑选了66个特征波段,相比于全波段模型的预测结果,PLS-DA、SVM和LS-SVM三种分类模型判别西瓜成熟度的准确率各不相同。其中,PLS-DA模型测试集的分类准确率由94.74 %上升至96.49 %;SVM模型测试集的分类精度由96.49 %下降到92.98%;LS-SVM模型测试集分类精度基本没有变化,保持在96.49%左右。通过RF算法挑选特征波段所建模型的分类准确率均大于92 %,且波段数量由1648减少至66个,说明该算法用于西瓜成熟度分类选择特征波段是有效的。
SFLA算法共选择了40个波段变量,与全波段模型判别结果相比,SVM和LS-SVM模型对西瓜成熟度的分类正确率基本保持不变,PLS-DA模型的预测精度显著提升,其中测试集的总精度由94.74 %上升至98.25%,分类效果最好。基于不同特征波段的建模结果,与BOSS算法和RF算法相比,SFLA算法不仅挑选的特征波段数量较少,而且模型的预测结果较好,说明该算法能够准确地挑选出与西瓜成熟度相关性高的波段。
需要说明的是,本发明实施例中可以将不同成熟度的229个样本西瓜按照3:1的比例随机划分为训练集和测试集。因此,共选取172个样本作为校正集,建立校正模型,其余57个样本作为预测集,评价样本西瓜成熟度检测模型的预测性能。对于西瓜成熟度检测模型而言,分类准确率表示样本集中判别正确的样本数占该样本集总数的百分比。本发明实施例中可以分别计算不同的样本西瓜成熟度检测模型对不同成熟度的西瓜样本集和总样本的分类准确率,分类准确率越高表明样本西瓜成熟度检测模型的分类效果越好。
本发明实施例通过混合蛙跳算法对原始光谱数据进行特征筛选,能更准确、更高效地确定目标特征波段,上述目标特征波段能更好地反应原始光谱数据中与西瓜成熟度相关的光谱信息,能进一步提高西瓜成熟度检测的效率和准确率。
步骤104、将原始光谱数据中波段为目标特征波段的光谱数据确定为待检测西瓜对应的目标光谱数据之后,将目标光谱数据输入西瓜成熟度检测模型,获取西瓜成熟度检测模型输出的待检测西瓜的成熟度检测结果;
其中,西瓜成熟度检测模型是基于样本光谱数据和样本西瓜的成熟度检测结果对目标分类模型进行训练后得到的;
样本光谱数据是基于如下步骤获取的:
获取样本西瓜的果肉的光谱数据;
基于目标数据预处理方法对样本西瓜的果肉的光谱数据进行数据预处理,获取原始样本光谱数据;
基于目标算法对原始样本光谱数据进行特征筛选,确定样本西瓜对应的样本特征波段;
将原始样本光谱数据中波段为样本特征波段的光谱数据确定为样本光谱数据。
作为一个可选的实施例,目标分类模型基于偏最小二乘判别分析算法构建。
具体地,确定待检测西瓜对应的目标特征波段之后,可以将原始光谱数据中目标特征波段的光谱数据确定为待检测西瓜对应的目标光谱数据。
确定待检测西瓜对应的目标光谱数据之后,可以将上述目标光谱数据输入西瓜成熟度检测模型。
西瓜成熟度检测模型可以基于上述目标光谱数据,对待检测西瓜进行成熟度检测,进而可以获取并输出待检测西瓜的成熟度检测结果。
需要说明的是,本发明实施例中可以通过多种表现形式表示成熟度检测结果,例如:本发明实施例中可以用成熟度百分比,表示层数的检测结果;本发明实施例中还可以用成熟度等级表示成熟度检测结果,成熟度等级越高,表示成熟度越高。本发明实施例对成熟度检测结果的具体表现形式不作具体限定。
作为一个可选地实施例,获取样本西瓜的果肉的光谱数据,包括:在样本西瓜处于目标位姿的情况下,利用卤素灯204和光谱仪205,获取样本西瓜的近红外全透射光谱数据,作为样本西瓜的果肉的光谱数据。
需要说明的是,本发明实施例中在样本西瓜处于目标位姿的情况下,利用卤素灯204和光谱仪205,获取样本西瓜的果肉的光谱数据时,卤素灯204的中心点与光谱仪205的中心点的连线,可以通过样本西瓜的中轴线的中点。
需要说明的是,获取样本西瓜的果肉的光谱数据之后,本发明实施例可以依次采用SGS光谱数据处理方法、MSC光谱数据校正方法以及MAP光谱数据校正方法,对样本西瓜的果肉的光谱数据进行数据预处理,获得原始样本光谱数据;
获取原始样本光谱数据之后,本发明实施例中可以通过混合蛙跳算法对原始样本光谱数据进行特征筛选,获得样本西瓜对应的样本特征波段;
确定样本西瓜对应的样本特征波段之后,可以将原始样本光谱数据中波段为样本特征波段的光谱数据确定为样本西瓜对应的样本光谱数据。
确定样本西瓜对应的样本光谱数据之后,可以以样本西瓜对应的样本光谱数据为样本,以样本西瓜的成熟度检测结果为样本标签,对目标分类模型进行训练,获得训练好地西瓜成熟度检测模型。
本发明实施例通过基于目标数据处理方法对待检测西瓜的果肉的光谱数据进行数据预处理,获得原始光谱数据之后,基于目标算法对原始光谱数据进行特征筛选,确定待检测西瓜对应的目标特征波段,进而将原始光谱数据中波段为目标特征波段的光谱数据确定为待检测西瓜对应的目标光谱数据之后,将目标光谱数据输入西瓜成熟度检测模型,获取西瓜成熟度检测模型输出的待检测西瓜的成熟度检测结果,能更准确、更高效地对西瓜进行成熟度检测,能实现西瓜成熟度的批量无损检测,进而能更好地满足大型西瓜种植基地分选西瓜的需求,用于西瓜成熟度检测的西瓜成熟度检测模型的分类准确率较高、鲁棒性较好,证明了特征波段建模方法的可行性,为应用近红外光谱无损检测技术实现大型厚皮水果的内部品质检测提供了技术支持。
图16为本发明提供的西瓜成熟度检测装置的结构示意图。下面结合图16对本发明提供的西瓜成熟度检测装置进行描述,下文描述的西瓜成熟度检测装置与上文描述的本发明提供的西瓜成熟度检测方法可相互对应参照。如图16所示,该装置包括:数据获取模块1601、数据处理模块1602、特征筛选模块1603和成熟度检测模块1604。
数据获取模块1601,用于获取待检测西瓜的果肉的光谱数据;
数据处理模块1602,用于基于目标数据预处理方法对待检测西瓜的果肉的光谱数据进行数据预处理,获得原始光谱数据;
特征筛选模块1603,用于基于目标算法对原始光谱数据进行特征筛选,确定待检测西瓜对应的目标特征波段;
成熟度检测模块1604,用于将原始光谱数据中波段为目标特征波段的光谱数据确定为待检测西瓜对应的目标光谱数据之后,将目标光谱数据输入西瓜成熟度检测模型,获取西瓜成熟度检测模型输出的待检测西瓜的成熟度检测结果;
其中,西瓜成熟度检测模型是基于样本光谱数据和样本西瓜的成熟度检测结果对目标分类模型进行训练后得到的;
样本光谱数据是基于如下步骤获取的:
获取样本西瓜的果肉的光谱数据;
基于目标数据预处理方法对样本西瓜的果肉的光谱数据进行数据预处理,获取原始样本光谱数据;
基于目标算法对原始样本光谱数据进行特征筛选,确定样本西瓜对应的样本特征波段;
将原始样本光谱数据中波段为样本特征波段的光谱数据确定为样本光谱数据。
具体地,数据获取模块1601、数据处理模块1602、特征筛选模块1603和成熟度检测模块1604电连接。
本发明实施例中的西瓜成熟度检测装置,通过基于目标数据处理方法对待检测西瓜的果肉的光谱数据进行数据预处理,获得原始光谱数据之后,基于目标算法对原始光谱数据进行特征筛选,确定待检测西瓜对应的目标特征波段,进而将原始光谱数据中波段为目标特征波段的光谱数据确定为待检测西瓜对应的目标光谱数据之后,将目标光谱数据输入西瓜成熟度检测模型,获取西瓜成熟度检测模型输出的待检测西瓜的成熟度检测结果,能更准确、更高效地对西瓜进行成熟度检测,能实现西瓜成熟度的批量无损检测,进而能更好地满足大型西瓜种植基地分选西瓜的需求,用于西瓜成熟度检测的西瓜成熟度检测模型的分类准确率较高、鲁棒性较好,证明了特征波段建模方法的可行性,为应用近红外光谱无损检测技术实现大型厚皮水果的内部品质检测提供了技术支持。
图17示例了一种电子设备的实体结构示意图,如图17所示,该电子设备可以包括:处理器(processor)1710、通信接口(Communications Interface)1720、存储器(memory)1730和通信总线1740,其中,处理器1710,通信接口1720,存储器1730通过通信总线1740完成相互间的通信。处理器1710可以调用存储器1730中的逻辑指令,以执行西瓜成熟度检测方法,该方法包括:获取待检测西瓜的果肉的光谱数据;基于目标数据预处理方法对待检测西瓜的果肉的光谱数据进行数据预处理,获得原始光谱数据;基于目标算法对原始光谱数据进行特征筛选,确定待检测西瓜对应的目标特征波段;将原始光谱数据中波段为目标特征波段的光谱数据确定为待检测西瓜对应的目标光谱数据之后,将目标光谱数据输入西瓜成熟度检测模型,获取西瓜成熟度检测模型输出的待检测西瓜的成熟度检测结果;其中,西瓜成熟度检测模型是基于样本光谱数据和样本西瓜的成熟度检测结果对目标分类模型进行训练后得到的;样本光谱数据是基于如下步骤获取的:获取样本西瓜的果肉的光谱数据;基于目标数据预处理方法对样本西瓜的果肉的光谱数据进行数据预处理,获取原始样本光谱数据;基于目标算法对原始样本光谱数据进行特征筛选,确定样本西瓜对应的样本特征波段;将原始样本光谱数据中波段为样本特征波段的光谱数据确定为样本光谱数据。
此外,上述的存储器1730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18为本发明提供的西瓜成熟度检测系统的结构示意图。下面结合图18对本发明提供的西瓜成熟度检测系统进行描述。如图18所示,一种西瓜成熟度检测系统1801,包括:如上所述的电子设备1802和西瓜光谱数据采集装置1803;电子设备1802与西瓜光谱数据采集装置1803电连接;
西瓜光谱数据采集装置1803用于采集待检测西瓜的果肉的光谱数据,并将待检测西瓜的果肉的光谱数据发送至电子设备1802。
需要说明的是,本发明实施例中的西瓜光谱数据采集装置1803可以通过全透射方式,采集待检测西瓜的近红外全透射光谱数据,作为待检测西瓜的果肉的光谱数据。
可以理解的是,本发明实施例中的西瓜光谱数据采集装置1803还可以用于采集样本西瓜的果肉的光谱数据。
本发明实施例中的西瓜成熟度检测系统,包括上述电子设备和西瓜光谱数据采集装置,电子设备通过基于目标数据处理方法对上述西瓜光谱数据采集装置采集到的待检测西瓜的果肉的光谱数据对进行数据预处理,获得原始光谱数据之后,基于目标算法对原始光谱数据进行特征筛选,确定待检测西瓜对应的目标特征波段,进而将原始光谱数据中波段为目标特征波段的光谱数据确定为待检测西瓜对应的目标光谱数据之后,将目标光谱数据输入西瓜成熟度检测模型,获取西瓜成熟度检测模型输出的待检测西瓜的成熟度检测结果,能更准确、更高效地对西瓜进行成熟度检测,能实现西瓜成熟度的批量无损检测,进而能更好地满足大型西瓜种植基地分选西瓜的需求,用于西瓜成熟度检测的西瓜成熟度检测模型的分类准确率较高、鲁棒性较好,证明了特征波段建模方法的可行性,为应用近红外光谱无损检测技术实现大型厚皮水果的内部品质检测提供了技术支持。
图19为本发明提供的西瓜成熟度检测系统中西瓜光谱数据采集装置的结构示意图。如图19所示,西瓜光谱数据采集装置1803,包括:带传动机构1901、卤素灯204、光谱仪205、第一暗室1904、第二暗室1905和第三暗室1906;带传动机构1901包括传送带1907和传动滚筒1908;带传动机构1901和光谱仪205分别与电子设备1802电连接;
带传动机构1901用于响应于电子设备1802的控制,带动放置于传送带1907上的西瓜201沿带传动机构1901的传动方向移动;
带传动机构1901的上端依次设置有第一暗室1904、第二暗室1905和第三暗室1906;
第一暗室1904上设置有连通第一暗室1904的内部空间的第一入口1911和第二入口1912,第一入口和第二入口均与带传动机构1901的传动方向垂直,且第一入口和第二入口沿带传动机构1901的传动方向依次排布;
第三暗室1906上设置有连通第三暗室1906的内部空间的第五入口1915和第六入口1916,第五入口和第六入口均与带传动机构1901的传动方向垂直,且第五入口和第六入口沿带传动机构1901的传动方向依次排布;
第二暗室1905上对应第二入口设置有第三入口1918,第一暗室1904和第二暗室1905通过第二入口和第三入口连通,第二暗室1905上对应第五入口设置有第四入口1914,第二暗室1905和第三暗室通过第四入口和第五入口连通;
卤素灯204和光谱仪205设置于第二暗室1905的内壁上,卤素灯204的中心点与光谱仪205的中心点的连线位于水平面并垂直于带传动机构1901的传动方向,连线与带传动机构1901的上表面之间的垂直距离为预设距离;
光谱仪205用于采集移动至光谱仪205与卤素灯204之间的西瓜201的光谱数据,并将采集到的光谱数据发送至电子设备1802。
需要说明的是,本发明实施例中的带传动机构1901可以带动放置于传送带1907上的西瓜201以预设速度沿带传动机构1901的传动方向移动。其中,上述预设速度可以是基于先验知识和/或实际情况确定的。本发明实施例中的预设速度的具体取值不作限定。
带传动机构1901带动西瓜201移动至光谱仪205与卤素灯204之间的情况下,光谱仪205可以采集透过西瓜201内部的透射光,作为西瓜201的果肉的原始光谱数据。随着西瓜201的移动,光谱仪205可以采集到光线入射点不同的多条光谱数据。
获得西瓜201的果肉的多条光谱数据之后,可以通过求取平均数的方式,得到上述多条光谱数据的平均光谱数据,进而可以将上述平均光谱数据确定为西瓜201的果肉的光谱数据。
可选地,上述预设速度的取值范围可以在0.3m/s到0.7m/s之间,例如上述预设速度的取值为可以0.3m/s、0.5m/s或0.7m/s。优选地,上述预设速度的取值可以为0.5m/s。
可以理解的是,由于西瓜201通常为球形或椭球形,放置时易出现滚动,因此,本发明实施例中的西瓜201通过果托1910放置于传送带1907上。
需要说明的是,本发明实施例中的可以由工作人员将西瓜201放置于传送带1907上,还可以依赖机械臂等自动化装备,将西瓜201放置于传送带1907上。
需要说明的是,本发明实施例中放置于传送带1907上的西瓜201的位姿为目标位姿。
需要说明的是,本发明实施例中卤素灯204的功率可以为150W,上述卤素灯204发出的照射光的能量较低。
需要说明的是,本发明实施例中的西瓜光谱数据采集装置1803,采用短积分时间采集模式采集待检测西瓜的果肉的光谱数据。其中,短积分时间采集模式是一种新型的光谱采集方法,短积分时间采集模式可以在很短的间隔时间内连续采集到待检测西瓜的透射光谱数据。
可选地,本发明实施例中的西瓜光谱数据采集装置1803的积分时间为10ms。
图20为本发明提供的西瓜成熟度检测系统中西瓜光谱数据采集装置1803的侧视图。如图20所示,在西瓜201处于目标位姿的情况下,西瓜201的中轴线(即西瓜201的瓜蒂与西瓜201的连接点,与西瓜201的瓜脐的连线)平行于水平面,且西瓜201的中轴线垂直于卤素灯204的中心点与光谱仪205的中心点的连线。
可选地,卤素灯204的中心点与光谱仪205的中心点的连线,可以通过西瓜201的中轴线的中点。卤素灯204与传送带1907之间的距离,以及光谱仪205与传送带1907之间的距离可以通过伸缩结构控制。
本发明实施例中的西瓜光谱数据采集装置,能够更全面、更准确且更高效地采集到西瓜不同部位的果肉的光谱数据,基于上述西瓜光谱数据采集装置采集西瓜的光谱数据时,西瓜位于卤素灯和光谱仪之间,西瓜能完全遮挡卤素灯发出的光线,有利于控制杂散光,相较于漫反射和漫透射方式,上述西瓜光谱数据采集装置能利用全透射方式采集到西瓜多点的透射光谱,还能适用于不同姿态的西瓜。
作为一个可选地实施例,西瓜光谱数据采集装置1803,还包括:光电传感器1917;电子设备1802分别与光电传感器1917、卤素灯204和光谱仪205连接;
光电传感器1917设置于第二暗室1905内第三入口处;
光电传感器1917用于在检测到西瓜201进入感应区域的情况下,向电子设备1802发送第一指令;
光电传感器1917用于在检测到西瓜201离开感应区域的情况下,向电子设备1802发送第二指令;
电子设备1802用于在接收到第一指令的情况下,响应于第一指令,控制光谱仪205由非工作状态切换为工作状态,电子设备1802还用于在接收到第二指令的情况下,响应于第二指令,控制光谱仪205由工作状态切换为非工作状态。
需要说明的是,本发明实施例中在光电传感器1917检测到西瓜201进入感应区域的情况下,可以说明西瓜201已进入第二暗室1905,在光电传感器1917检测到西瓜201离开感应区域的情况下,可以说明西瓜201将要离开第二暗室1905。
需要说明的是,本发明实施例中的感应区域可以是基于光电传感器1917的位置以及光电传感器1917的感应范围确定的。本发明实施例中对感应区域不作具体限定。
本发明实施例中的光电传感器在检测到西瓜进入感应区域的情况下,光电传感器可以向电子设备发送第一指令,电子设备可以响应于上述第一指令,控制光谱仪由非工作状态切换为工作状态,光电传感器在检测到西瓜离开感应区域的情况下,光电传感器可以向电子设备发送第二指令,电子设备可以响应于上述第二指令,控制光谱仪由工作状态切换为非工作状态,从而完成一个西瓜光谱数据的采集。
作为一个可选地实施例,西瓜光谱数据采集装置1803,还包括:第一遮光帘1919和第二遮光帘1920;
第一遮光帘1919设置于第一入口处,第一遮光帘1919用于遮挡进入第一暗室1904的光线;
第二遮光帘1920设置于第六入口处,第二遮光帘1920用于遮挡进入第三暗室1906的光线。
需要说明的是,本发明实施例中的第一遮光帘1919和第二遮光帘1920可以由软性材料制成,例如,第一遮光帘1919和第二遮光帘1920可以由深色橡胶材料制成。
可选地,第一遮光帘1919可以包括两片遮光帘组成,上述两片遮光帘之间可以由软磁体吸附连接。传送带1907带动西瓜201移动至第一遮光帘1919处时,上述两片遮光帘在西瓜201提供的冲击力的作用下分离,西瓜201可以穿过上述两片遮光帘进入第一暗室1904。西瓜201进入第一暗室1904之后,上述两片遮光帘可以在重力的作用下恢复吸附连接。
可选地,第二遮光帘1920的结构可以与第一遮光帘1919的结构相同。
本发明实施例中的西瓜光谱数据采集装置,能通过第一遮光帘和第二遮光帘,避免外界光源对光谱仪的干扰,能进一步提高西瓜光谱数据采集装置采集到的光谱数据的准确率。
作为一个可选地实施例,西瓜光谱数据采集装置1803,还包括:第三遮光帘1921和第四遮光帘1922;第三遮光帘1921设置于第二入口处;第四遮光帘1922设置于第四入口处;
第三遮光帘1921和第四遮光帘1922用于遮挡进入第二暗室1905的光线。
可选地,第三遮光帘1921和第四遮光帘1922的结构可以与第一遮光帘1919的结构相同。
本发明实施例中的西瓜光谱数据采集装置能利用第三遮光帘和第四遮光帘,进一步避免外界光源对光谱仪的干扰,能更进一步提高西瓜光谱数据采集装置采集到的光谱数据的准确率。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的西瓜成熟度检测方法,该方法包括:获取待检测西瓜的果肉的光谱数据;基于目标数据预处理方法对待检测西瓜的果肉的光谱数据进行数据预处理,获得原始光谱数据;基于目标算法对原始光谱数据进行特征筛选,确定待检测西瓜对应的目标特征波段;将原始光谱数据中波段为目标特征波段的光谱数据确定为待检测西瓜对应的目标光谱数据之后,将目标光谱数据输入西瓜成熟度检测模型,获取西瓜成熟度检测模型输出的待检测西瓜的成熟度检测结果;其中,西瓜成熟度检测模型是基于样本光谱数据和样本西瓜的成熟度检测结果对目标分类模型进行训练后得到的;样本光谱数据是基于如下步骤获取的:获取样本西瓜的果肉的光谱数据;基于目标数据预处理方法对样本西瓜的果肉的光谱数据进行数据预处理,获取原始样本光谱数据;基于目标算法对原始样本光谱数据进行特征筛选,确定样本西瓜对应的样本特征波段;将原始样本光谱数据中波段为样本特征波段的光谱数据确定为样本光谱数据。
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西瓜成熟度检测方法,该方法包括:获取待检测西瓜的果肉的光谱数据;基于目标数据预处理方法对待检测西瓜的果肉的光谱数据进行数据预处理,获得原始光谱数据;基于目标算法对原始光谱数据进行特征筛选,确定待检测西瓜对应的目标特征波段;将原始光谱数据中波段为目标特征波段的光谱数据确定为待检测西瓜对应的目标光谱数据之后,将目标光谱数据输入西瓜成熟度检测模型,获取西瓜成熟度检测模型输出的待检测西瓜的成熟度检测结果;其中,西瓜成熟度检测模型是基于样本光谱数据和样本西瓜的成熟度检测结果对目标分类模型进行训练后得到的;样本光谱数据是基于如下步骤获取的:获取样本西瓜的果肉的光谱数据;基于目标数据预处理方法对样本西瓜的果肉的光谱数据进行数据预处理,获取原始样本光谱数据;基于目标算法对原始样本光谱数据进行特征筛选,确定样本西瓜对应的样本特征波段;将原始样本光谱数据中波段为样本特征波段的光谱数据确定为样本光谱数据。
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,既可以位于一个地方,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 (8)
1.一种西瓜成熟度检测系统,其特征在于,包括:电子设备和西瓜光谱数据采集装置;所述电子设备与所述西瓜光谱数据采集装置电连接;所述电子设备,包括存储器、处理器及存储在所述存储器上并能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一种西瓜成熟度检测方法;
所述西瓜光谱数据采集装置用于采集待检测西瓜的果肉的光谱数据,并将所述待检测西瓜的果肉的光谱数据发送至所述电子设备;
所述西瓜成熟度检测方法,包括:
获取所述待检测西瓜的果肉的光谱数据;
基于目标数据预处理方法对所述待检测西瓜的果肉的光谱数据进行数据预处理,获得原始光谱数据;
基于目标算法对所述原始光谱数据进行特征筛选,确定所述待检测西瓜对应的目标特征波段;
将所述原始光谱数据中波段为所述目标特征波段的光谱数据确定为所述待检测西瓜对应的目标光谱数据之后,将所述目标光谱数据输入西瓜成熟度检测模型,获取所述西瓜成熟度检测模型输出的所述待检测西瓜的成熟度检测结果;
其中,所述西瓜成熟度检测模型是基于样本光谱数据和样本西瓜的成熟度检测结果对目标分类模型进行训练后得到的;
所述样本光谱数据是基于如下步骤获取的:
获取样本西瓜的果肉的光谱数据;
基于所述目标数据预处理方法对所述样本西瓜的果肉的光谱数据进行数据预处理,获取原始样本光谱数据;
基于所述目标算法对所述原始样本光谱数据进行特征筛选,确定所述样本西瓜对应的样本特征波段;
将所述原始样本光谱数据中波段为所述样本特征波段的光谱数据确定为样本光谱数据;所述西瓜光谱数据采集装置,包括:带传动机构、卤素灯、光谱仪、第一暗室、第二暗室和第三暗室;所述带传动机构包括传送带和传动滚筒;所述带传动机构和所述光谱仪分别与所述电子设备电连接;
所述带传动机构用于响应于所述电子设备的控制,带动放置于所述传送带上的西瓜以预设速度沿所述带传动机构的传动方向移动;
所述带传动机构的上端依次设置有所述第一暗室、所述第二暗室和所述第三暗室;
所述第一暗室上设置有连通所述第一暗室的内部空间的第一入口和第二入口,所述第一入口和所述第二入口均与所述带传动机构的传动方向垂直,且所述第一入口和所述第二入口沿所述带传动机构的传动方向依次排布;
所述第三暗室上设置有连通所述第三暗室的内部空间的第五入口和第六入口,所述第五入口和所述第六入口均与所述带传动机构的传动方向垂直,且所述第五入口和所述第六入口沿所述带传动机构的传动方向依次排布;
所述第二暗室上对应所述第二入口设置有第三入口,所述第一暗室和所述第二暗室通过所述第二入口和所述第三入口连通,所述第二暗室上对应所述第五入口设置有第四入口,所述第二暗室和所述第三暗室通过所述第四入口和所述第五入口连通;
所述卤素灯和所述光谱仪设置于所述第二暗室的内壁上,所述卤素灯的中心点与所述光谱仪的中心点的连线位于水平面并垂直于所述带传动机构的传动方向,所述连线与所述带传动机构的上表面之间的垂直距离为预设距离;
所述光谱仪用于采集移动至所述光谱仪与所述卤素灯之间的西瓜的光谱数据,并将采集到的光谱数据发送至所述电子设备;
其中,利用所述卤素灯和所述光谱仪采集西瓜果肉的光谱数据时,所述西瓜位于所述卤素灯和所述光谱仪之间,所述西瓜完全遮挡所述卤素灯发出的光线,所述卤素灯与所述光谱仪之间的连线穿透过所述西瓜;所述西瓜光谱数据采集装置,还包括光电传感器;所述电子设备分别与所述光电传感器、所述卤素灯和所述光谱仪连接;
所述光电传感器设置于所述第二暗室内所述第三入口处;
所述光电传感器用于在检测到西瓜进入感应区域的情况下,向所述电子设备发送第一指令;
所述光电传感器用于在检测到西瓜离开所述感应区域的情况下,向所述电子设备发送第二指令;
所述电子设备用于在接收到所述第一指令的情况下,响应于所述第一指令,控制所述光谱仪由非工作状态切换为工作状态,所述电子设备还用于在接收到所述第二指令的情况下,响应于所述第二指令,控制所述光谱仪由工作状态切换为非工作状态。
2.根据权利要求1所述的西瓜成熟度检测系统,其特征在于,所述西瓜光谱数据采集装置,还包括:第一遮光帘和第二遮光帘;
所述第一遮光帘设置于所述第一入口处,所述第一遮光帘用于遮挡进入所述第一暗室的光线;
所述第二遮光帘设置于所述第六入口处,所述第二遮光帘用于遮挡进入所述第三暗室的光线。
3.根据权利要求2所述的西瓜成熟度检测系统,其特征在于,所述西瓜光谱数据采集装置,还包括:第三遮光帘和第四遮光帘;所述第三遮光帘设置于所述第二入口处;所述第四遮光帘设置于所述第四入口处;
所述第三遮光帘和所述第四遮光帘用于遮挡进入所述第二暗室的光线。
4.根据权利要求1所述的西瓜成熟度检测系统,其特征在于,所述电子设备基于目标数据预处理方法对所述待检测西瓜的果肉的光谱数据进行数据预处理,获得原始光谱数据,包括:
依次采用SGS光谱数据处理方法、MSC光谱数据校正方法和MAP光谱数据校正方法,对所述待检测西瓜的果肉的光谱数据进行数据预处理,获得所述原始光谱数据。
5.根据权利要求1所述的西瓜成熟度检测系统,其特征在于,所述西瓜光谱数据采集装置采集待检测西瓜的果肉的光谱数据,包括:
在所述待检测西瓜处于目标位姿的情况下,利用所述卤素灯和所述光谱仪,获取所述待检测西瓜的近红外全透射光谱数据,作为待检测西瓜的果肉的光谱数据;
其中,所述目标位姿包括西瓜的中轴线平行于水平面且所述西瓜的中轴线垂直于所述卤素灯的中心点与所述光谱仪的中心点的连线的位姿,所述西瓜的中轴线为所述西瓜的瓜蒂与所述西瓜的连接点,与所述西瓜的瓜脐的中心点之间的连线。
6.根据权利要求1所述的西瓜成熟度检测系统,其特征在于,所述电子设备基于目标算法对所述原始光谱数据进行特征筛选,确定所述待检测西瓜对应的目标特征波段,包括:
基于混合蛙跳算法对所述原始光谱数据进行特征筛选,确定所述待检测西瓜对应的目标特征波段。
7.根据权利要求1所述的西瓜成熟度检测系统,其特征在于,所述目标分类模型基于偏最小二乘判别分析算法构建。
8.根据权利要求1所述的西瓜成熟度检测系统,其特征在于,所述西瓜光谱数据采集装置还用于获取样本西瓜的果肉的光谱数据;
所述西瓜光谱数据采集装置获取样本西瓜的果肉的光谱数据,包括:
在所述样本西瓜处于所述目标位姿的情况下,利用所述卤素灯和所述光谱仪,获取所述样本西瓜的近红外全透射光谱数据,作为所述样本西瓜的果肉的光谱数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311282516.5A CN117007552B (zh) | 2023-10-07 | 2023-10-07 | 西瓜成熟度检测方法、装置、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311282516.5A CN117007552B (zh) | 2023-10-07 | 2023-10-07 | 西瓜成熟度检测方法、装置、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117007552A CN117007552A (zh) | 2023-11-07 |
CN117007552B true CN117007552B (zh) | 2024-02-06 |
Family
ID=88563973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311282516.5A Active CN117007552B (zh) | 2023-10-07 | 2023-10-07 | 西瓜成熟度检测方法、装置、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117007552B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101308086A (zh) * | 2008-06-24 | 2008-11-19 | 江苏大学 | 基于近红外光谱技术的水果内部品质在线检测方法及装置 |
CN106525892A (zh) * | 2017-01-13 | 2017-03-22 | 湖南理工学院 | 一种西瓜成熟度检测装置及方法 |
CN108535250A (zh) * | 2018-04-27 | 2018-09-14 | 浙江大学 | 基于Streif指数的‘富士’苹果成熟度无损检测方法 |
CN108593594A (zh) * | 2018-04-27 | 2018-09-28 | 浙江大学 | 一种苹果硬度无损检测方法 |
CN110470619A (zh) * | 2019-08-16 | 2019-11-19 | 福建农林大学 | 基于光谱特性的西瓜成熟度快速无损检测方法 |
CN113640229A (zh) * | 2021-08-17 | 2021-11-12 | 武汉轻工大学 | 一种大豆品质多参数的快速无损检测方法和装置 |
CN113933247A (zh) * | 2021-09-30 | 2022-01-14 | 上海本烜电气科技有限公司 | 一种水果成熟度检测模型的构建方法 |
CN114740091A (zh) * | 2022-06-14 | 2022-07-12 | 湖南大学 | 基于声学分析和机器学习的西瓜成熟度检测方法及系统 |
CN116297249A (zh) * | 2023-05-08 | 2023-06-23 | 内蒙古农业大学 | 一种青贮玉米饲料品质分级方法、装置及存储介质 |
-
2023
- 2023-10-07 CN CN202311282516.5A patent/CN117007552B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101308086A (zh) * | 2008-06-24 | 2008-11-19 | 江苏大学 | 基于近红外光谱技术的水果内部品质在线检测方法及装置 |
CN106525892A (zh) * | 2017-01-13 | 2017-03-22 | 湖南理工学院 | 一种西瓜成熟度检测装置及方法 |
CN108535250A (zh) * | 2018-04-27 | 2018-09-14 | 浙江大学 | 基于Streif指数的‘富士’苹果成熟度无损检测方法 |
CN108593594A (zh) * | 2018-04-27 | 2018-09-28 | 浙江大学 | 一种苹果硬度无损检测方法 |
CN110470619A (zh) * | 2019-08-16 | 2019-11-19 | 福建农林大学 | 基于光谱特性的西瓜成熟度快速无损检测方法 |
CN113640229A (zh) * | 2021-08-17 | 2021-11-12 | 武汉轻工大学 | 一种大豆品质多参数的快速无损检测方法和装置 |
CN113933247A (zh) * | 2021-09-30 | 2022-01-14 | 上海本烜电气科技有限公司 | 一种水果成熟度检测模型的构建方法 |
CN114740091A (zh) * | 2022-06-14 | 2022-07-12 | 湖南大学 | 基于声学分析和机器学习的西瓜成熟度检测方法及系统 |
CN116297249A (zh) * | 2023-05-08 | 2023-06-23 | 内蒙古农业大学 | 一种青贮玉米饲料品质分级方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
光谱分析在西甜瓜内部品质无损检测中的研究进展;马本学 等;光谱学与光谱分析;第40卷(第7期);第2035-2041页 * |
小型西瓜果实成熟度的无损定性判别;李永玉 等;光谱学与光谱分析;第32卷(第6期);第1526-1530页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117007552A (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103235095B (zh) | 注水肉检测方法和装置 | |
Wang et al. | Outdoor color rating of sweet cherries using computer vision | |
CN106000914A (zh) | 一种在线无损检测霉心病的苹果分选装置 | |
CN108956545B (zh) | 一种水果内部品质无损检测模型建立方法及系统 | |
Mishra et al. | Identification of citrus greening (HLB) using a VIS-NIR spectroscopy technique | |
CN109030407B (zh) | 一种混合模糊c均值聚类的苹果品种分类方法 | |
KR102448123B1 (ko) | 농산물 신선도 예측 방법 및 장치 | |
CN105548028A (zh) | 禽蛋新鲜度的光纤光谱分级检测装置及其方法 | |
CN104280349A (zh) | 一种基于高光谱图像对白萝卜糠心鉴定的方法 | |
CN107907500A (zh) | 一种羊肉产地的检测方法 | |
Luna et al. | Evaluation of chemometric methodologies for the classification of Coffea canephora cultivars via FT-NIR spectroscopy and direct sample analysis | |
Nturambirwe et al. | Detecting bruise damage and level of severity in apples using a contactless nir spectrometer | |
CN113030011A (zh) | 水果糖度快速无损检测方法及检测系统 | |
Liu et al. | Discriminating forchlorfenuron-treated kiwifruits using a portable spectrometer and Vis/NIR diffuse transmittance spectroscopy technology | |
Deulkar et al. | An automated tomato quality grading using clustering based support vector machine | |
Liu et al. | Diagnosis of citrus greening using raman spectroscopy-based pattern recognition | |
CN117538287A (zh) | 一种无损检测黄冠梨果磷含量的方法及装置 | |
CN117007552B (zh) | 西瓜成熟度检测方法、装置、系统、电子设备及存储介质 | |
CN113310937A (zh) | 高温灭菌牛奶、巴氏杀菌奶牛鲜奶及奶粉复原牛奶的快速鉴定方法 | |
Wu et al. | Nitrogen status assessment for multiple cultivars of strawberries using portable FT-NIR spectrometers combined with cultivar recognition and multivariate analysis | |
CN115931773A (zh) | 一种近红外光谱定量分析中的波长选择方法 | |
Bin et al. | DISCRIMINATION OF CERASUS HUMILIS FRUIT MATURITY BASED ON HYPERSPECTRAL IMAGING TECHNOLOGY. | |
CN117805024B (zh) | 一种酥梨糖精度检测方法、装置、云端设备及计算机装置 | |
CN110320173A (zh) | 基于粒子群优化算法的机采鲜叶眉茶车色样品等级的快速判定方法 | |
CN110361334A (zh) | 应用general regression结构无损预测机采眉茶车色样品等级的方法 |
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 |