CN117095068B - 番茄贮藏温度调控方法、装置、电子设备及存储介质 - Google Patents
番茄贮藏温度调控方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117095068B CN117095068B CN202311362402.1A CN202311362402A CN117095068B CN 117095068 B CN117095068 B CN 117095068B CN 202311362402 A CN202311362402 A CN 202311362402A CN 117095068 B CN117095068 B CN 117095068B
- Authority
- CN
- China
- Prior art keywords
- tomato
- maturity
- color
- value
- storage temperature
- 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
- 235000007688 Lycopersicon esculentum Nutrition 0.000 title claims abstract description 433
- 238000000034 method Methods 0.000 title claims abstract description 107
- 240000003768 Solanum lycopersicum Species 0.000 title claims description 425
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 104
- 238000013507 mapping Methods 0.000 claims abstract description 31
- 230000001105 regulatory effect Effects 0.000 claims abstract description 30
- 230000001276 controlling effect Effects 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 62
- 239000000126 substance Substances 0.000 claims description 44
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 19
- 230000035800 maturation Effects 0.000 abstract description 2
- 241000227653 Lycopersicon Species 0.000 abstract 8
- 230000008859 change Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000005070 ripening Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 241001522296 Erithacus rubecula Species 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004445 quantitative analysis Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- UPYKUZBSLRQECL-UKMVMLAPSA-N Lycopene Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1C(=C)CCCC1(C)C)C=CC=C(/C)C=CC2C(=C)CCCC2(C)C UPYKUZBSLRQECL-UKMVMLAPSA-N 0.000 description 2
- JEVVKJMRZMXFBT-XWDZUXABSA-N Lycophyll Natural products OC/C(=C/CC/C(=C\C=C\C(=C/C=C/C(=C\C=C\C=C(/C=C/C=C(\C=C\C=C(/CC/C=C(/CO)\C)\C)/C)\C)/C)\C)/C)/C JEVVKJMRZMXFBT-XWDZUXABSA-N 0.000 description 2
- 239000002253 acid Substances 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- OAIJSZIZWZSQBC-GYZMGTAESA-N lycopene Chemical compound CC(C)=CCC\C(C)=C\C=C\C(\C)=C\C=C\C(\C)=C\C=C\C=C(/C)\C=C\C=C(/C)\C=C\C=C(/C)CCC=C(C)C OAIJSZIZWZSQBC-GYZMGTAESA-N 0.000 description 2
- 229960004999 lycopene Drugs 0.000 description 2
- 235000012661 lycopene Nutrition 0.000 description 2
- 239000001751 lycopene Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ZCIHMQAPACOQHT-ZGMPDRQDSA-N trans-isorenieratene Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/c1c(C)ccc(C)c1C)C=CC=C(/C)C=Cc2c(C)ccc(C)c2C ZCIHMQAPACOQHT-ZGMPDRQDSA-N 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23B—PRESERVING, e.g. BY CANNING, MEAT, FISH, EGGS, FRUIT, VEGETABLES, EDIBLE SEEDS; CHEMICAL RIPENING OF FRUIT OR VEGETABLES; THE PRESERVED, RIPENED, OR CANNED PRODUCTS
- A23B7/00—Preservation or chemical ripening of fruit or vegetables
- A23B7/04—Freezing; Subsequent thawing; Cooling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
Abstract
本发明提供一种番茄贮藏温度调控方法、装置、电子设备及存储介质,属于智慧农业技术领域,该方法包括:提取待测番茄图像的颜色特征信息,并基于颜色特征信息,从预设映射关系表中确定番茄果实的初始成熟等级和对应的初始成熟度值;基于番茄果实的初始成熟度值、贮藏温度和贮藏时间,预测番茄果实的动态成熟度值;在确定动态成熟度值达到初始成熟等级的下一成熟等级的成熟度值的情况下,确定下一成熟等级对应的目标贮藏温度,并将番茄果实的贮藏温度调控为目标贮藏温度进行贮藏。本发明既可满足不同成熟度番茄所需最佳储藏温度的需求,又可通过精准调控温度延缓番茄成熟进程。
Description
技术领域
本发明涉及智慧农业技术领域,尤其涉及一种番茄贮藏温度调控方法、装置、电子设备及存储介质。
背景技术
在番茄采后贮藏的过程中,不同成熟阶段的番茄所需贮藏温度不同。随番茄果实成熟进程其贮运温度应逐步降低,温降过早易导致整批次果实发生冷害,温降延迟易加速番茄成熟进程,导致品质与经济损失严重。为满足不同成熟度番茄所需适宜贮藏温度调控需求,需要动态监测番茄成熟进程。然而,传统人工裸眼或专业仪器设备仅能定性或定量地判别番茄的当前成熟度,无法动态地预测番茄成熟进程,不能满足及时调控所需匹配温度的需求。
近年来,虽然通过高光谱、计算机视觉、声学及电学等技术在番茄成熟度快速无损识别方面做了大量研究,为番茄品质检测、储运调控等方面提供了一定支持与引导,但是这些研究仅单纯基于番茄表观单一的颜色特征来判别番茄成熟度,存在片面性,导致番茄贮藏温度调控的精度并不高。
因此,如何更好地对番茄果实的贮藏温度进行调控已成为业界亟待解决的技术问题。
发明内容
本发明提供一种番茄贮藏温度调控方法、装置、电子设备及存储介质,用以更好地对番茄果实的贮藏温度进行调控。
本发明提供一种番茄贮藏温度调控方法,包括:
提取待测番茄图像的颜色特征信息,并基于所述颜色特征信息,从预设映射关系表中确定番茄果实的初始成熟等级和对应的初始成熟度值;所述预设映射关系表是根据对不同成熟度番茄果实的理化特性和表观颜色特征进行量化分析得到的;
基于所述番茄果实的初始成熟度值、贮藏温度和贮藏时间,预测所述番茄果实的动态成熟度值;
在确定所述动态成熟度值达到所述初始成熟等级的下一成熟等级的成熟度值的情况下,确定所述下一成熟等级对应的目标贮藏温度,并将所述番茄果实的贮藏温度调控为所述目标贮藏温度进行贮藏。
根据本发明提供的一种番茄贮藏温度调控方法,所述提取待测番茄图像的颜色特征信息,包括:
对所述待测番茄图像进行背景去除处理,得到背景去除后的目标图像;
将所述目标图像进行同心圆分割,得到多个颜色特征环形区域;
利用颜色模型,提取每个所述颜色特征环形区域的颜色直方图;
根据所述目标图像中各个像素点的像素值和每个所述颜色特征环形区域的颜色直方图对应的数据,确定所述待测番茄图像的颜色特征信息。
根据本发明提供的一种番茄贮藏温度调控方法,所述颜色特征信息包括全局颜色特征信息和局部颜色特征信息,所述全局颜色特征信息包括红色面积总占比和HIS分量均值,所述局部颜色特征信息包括颜色均匀性;所述根据所述目标图像中各个像素点的像素值和每个所述颜色特征环形区域的颜色直方图对应的数据,确定所述待测番茄图像的颜色特征信息,包括:
根据所述目标图像中各个像素点的像素值,确定所述红色面积总占比;
基于每个所述颜色特征环形区域的颜色直方图对应的数据,确定所述HIS分量均值和所述颜色均匀性。
根据本发明提供的一种番茄贮藏温度调控方法,所述基于所述番茄果实的初始成熟度值、贮藏温度和贮藏时间,预测所述番茄果实的动态成熟度值,包括:
将所述番茄果实的初始成熟度值、贮藏温度和贮藏时间输入至番茄成熟度动态预测模型,得到所述番茄成熟度动态预测模型输出的所述番茄果实的动态成熟度值;
所述番茄成熟度动态预测模型是根据携带有贮藏温度和贮藏时间的番茄果实的初始成熟度信息样本及其对应的成熟度信息标签训练得到的。
根据本发明提供的一种番茄贮藏温度调控方法,在所述将所述番茄果实的初始成熟度值、贮藏温度和贮藏时间输入至番茄成熟度动态预测模型之前,所述方法还包括:
将每个携带有贮藏温度和贮藏时间的番茄果实的初始成熟度信息样本及其对应的成熟度信息标签作为一组训练样本,获取多组训练样本;
对于任意一组训练样本,按照预设时间间隔,将所述训练样本和当前间隔时刻下的预测值一同输入至番茄成熟度动态预测模型,输出所述训练样本对应的下一间隔时刻下的预测值,并获取各个间隔时刻下的预测值;所述当前间隔时刻下的预测值是通过将所述训练样本和上一间隔时刻下的预测值一同输入至番茄成熟度动态预测模型得到的;
利用预设损失函数,根据所述各个间隔时刻下的预测值和所述训练样本对应的成熟度信息标签,计算所述各个间隔时刻下对应的损失值;
基于各个所述损失值,依次对所述番茄成熟度动态预测模型的模型参数进行调整,直至训练次数达到预设次数;
将所述预设次数时所得到的模型参数作为训练好的番茄成熟度动态预测模型的模型参数,则番茄成熟度动态预测模型训练完成。
根据本发明提供的一种番茄贮藏温度调控方法,在所述提取待测番茄图像的颜色特征信息之前,所述方法包括:
获取不同已知成熟度的番茄的各类理化特征信息,并对所述各类理化特征信息进行主成分分析,确定累计方差贡献率大于目标阈值时所对应的多类目标理化特征信息,以确定不同已知成熟度的番茄理化特性综合统计值范围;
按照不同拍摄视角下已知成熟度的番茄图像和不同的同心圆分割法之间两两组合的方式,提取各个组合下不同已知成熟度的番茄图像的颜色特征信息所构成的颜色特征值范围;
从各个所述颜色特征值范围中,确定与所述番茄理化特性综合统计值范围成线性关系的目标颜色特征值范围;
基于所述目标颜色特征值范围和所述番茄理化特性综合统计值范围,构建所述预设映射关系表。
根据本发明提供的一种番茄贮藏温度调控方法,在所述从各个所述颜色特征值范围中,确定与所述番茄理化特性综合统计值范围成线性关系的目标颜色特征值范围之后,所述方法还包括:
从所述各个组合中,确定所述目标颜色特征值范围对应的目标组合方式;
按照所述目标组合方式,获得所述待测番茄图像,并对所述待测番茄图像进行颜色特征信息提取。
本发明还提供一种番茄贮藏温度调控装置,包括:
处理模块,用于提取待测番茄图像的颜色特征信息,并基于所述颜色特征信息,从预设映射关系表中确定番茄果实的初始成熟等级和对应的初始成熟度值;所述预设映射关系表是根据对不同成熟度番茄果实的理化特性和表观颜色特征进行量化分析得到的;
预测模块,用于基于所述番茄果实的初始成熟度值、贮藏温度和贮藏时间,预测所述番茄果实的动态成熟度值;
调控模块,用于在确定所述动态成熟度值达到所述初始成熟等级的下一成熟等级的成熟度值的情况下,确定所述下一成熟等级对应的目标贮藏温度,并将所述番茄果实的贮藏温度调控为所述目标贮藏温度进行贮藏。
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番茄贮藏温度调控方法。
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番茄贮藏温度调控方法。
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番茄贮藏温度调控方法。
本发明提供的番茄贮藏温度调控方法、装置、电子设备及存储介质,通过对不同成熟度番茄表观颜色特征定量分析研究,探明番茄表观颜色特征与理化特性之间的耦合关联性,利用提取待测番茄图像的颜色特征信息,准确判断出番茄果实的初始成熟等级和对应的初始成熟度值,进而通过探明不同贮藏温度对番茄成熟度等级转变周期的影响规律,利用得到的番茄果实的初始成熟度值、贮藏温度和贮藏时间,动态预测番茄果实的动态成熟度值,直至确定该动态成熟度值达到下一成熟等级的成熟度值时,确定出下一成熟等级对应的目标贮藏温度,以将番茄果实的贮藏温度调控为该目标贮藏温度进行贮藏,既可满足不同成熟度番茄所需最佳储藏温度的需求,又可通过精准调控温度延缓番茄成熟进程,解决了现有技术中不同成熟度番茄与所需适宜储运温度不匹配的技术缺陷,为实现冷链环境与品质协同调控以及促进农产品冷链物流智能化、柔性化发展提供了可靠的技术支持。
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是本发明提供的番茄贮藏温度调控方法的流程示意图之一;
图2是本发明提供的番茄贮藏温度调控方法中番茄顶视图进行等环宽同心圆分割的示意图;
图3是本发明提供的番茄理化特性与颜色特征综合分析的流程示意图;
图4是本发明提供的番茄贮藏温度调控方法中基于闭环预测机制的模型训练流程示意图;
图5是本发明提供的番茄贮藏温度调控方法的流程示意图之二;
图6是本发明提供的番茄贮藏温度调控装置的结构示意图;
图7是本发明提供的电子设备的实体结构示意图。
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7描述本发明的番茄贮藏温度调控方法、装置、电子设备及存储介质。
图1是本发明提供的番茄贮藏温度调控方法的流程示意图之一,如图1所示,包括:步骤110,步骤120和步骤130。
步骤110,提取待测番茄图像的颜色特征信息,并基于颜色特征信息,从预设映射关系表中确定番茄果实的初始成熟等级和对应的初始成熟度值;预设映射关系表是根据对不同成熟度番茄果实的理化特性和表观颜色特征进行量化分析得到的;
步骤120,基于番茄果实的初始成熟度值、贮藏温度和贮藏时间,预测番茄果实的动态成熟度值;
步骤130,在确定动态成熟度值达到初始成熟等级的下一成熟等级的成熟度值的情况下,确定下一成熟等级对应的目标贮藏温度,并将番茄果实的贮藏温度调控为目标贮藏温度进行贮藏。
具体地,本发明实施例所描述的颜色特征信息指的是番茄表观呈现的颜色图像特征信息,其具体可以包括全局颜色特征信息和局部颜色特征信息,其中全局颜色特征信息可以包括红色面积总占比和HIS分量均值,局部颜色特征信息可以包括颜色均匀性。
其中,红色面积总占比指的是待测番茄图像中红色像素点占所有像素点的比值;HIS分量均值指的是待测番茄图像转换到HIS颜色模型后各个像素点的H分量均值、I分量均值和S分量均值;颜色均匀性用来表征待测番茄图像划分的颜色特征区域颜色分布的均匀性。
本发明实施例所描述的预设映射关系表指的是预先设置好的映射关系表,其用于表征不同成熟度番茄果实的理化特性和表观颜色特征之间的关系,也就是说,通过预设映射关系表,可以根据番茄图像的表观颜色特征得出对应的番茄果实的理化特性及对应的成熟度,其中,成熟度可以包括成熟等级及成熟度值等信息。
在本发明的实施例中,预设映射关系表可以通过预先获取不同成熟度番茄果实的理化特性,根据对不同成熟度番茄果实的理化特性和对应的表观颜色特征进行量化分析得到,其中,番茄果实的理化特性和对应的表观颜色特征之间呈线性递增或递减变化。
本发明实施例所描述的成熟等级可以按照最佳贮藏温度进行划分。通过量化处理,可以设定每个贮藏温度对应一级成熟等级,在每个成熟等级下,随着时间推移,番茄成熟进程的推进,每个成熟等级下会对应多个成熟度值。可以理解的是,每个成熟等级下都对应有自己的初始成熟度值。
需要说明的是,番茄多采摘于绿熟期并在后续冷链储运过程完成后熟转色,逐次从绿熟果实转变为破色、转色、粉红、浅红与红熟等成熟度果实。在本发明的实施例中,不同成熟期番茄所需的适宜温湿度范围如表1所示。
表1
本发明实施例所描述的初始成熟等级指的是提取待测番茄图像的颜色特征信息所确定番茄果实的成熟等级,初始成熟度值指的是该成熟等级下的初始成熟度值。
本发明实施例所描述的理化特性指的是番茄贮藏过程中各类理化指标的变化特性,其中,各类理化指标包括硬度、热物性、糖酸比番茄红素及可溶性固形物等。
本发明实施例所描述的动态成熟度值指的是根据不同贮藏时间变化,预测得到的番茄的成熟度值。
本发明实施例所描述的目标贮藏温度指的是初始成熟等级的下一成熟等级所对应的最佳贮藏温度。
在本发明的实施例中,步骤110中,可以按照预设的最佳拍摄角度获取待测番茄图像,其可以是RGB彩色图像,进而可以利用图像处理技术,将待测番茄RGB图像转换到HIS颜色空间,提取待测番茄图像的颜色特征信息,并利用提前计算出的预设映射关系表,根据前述提取到的颜色特征信息,从中确定出待测番茄RGB图像中番茄果实的初始成熟等级和对应的初始成熟度值。
基于上述实施例的内容,作为一种可选的实施例,步骤110中,提取待测番茄图像的颜色特征信息,包括:
对待测番茄图像进行背景去除处理,得到背景去除后的目标图像;
将目标图像进行同心圆分割,得到多个颜色特征环形区域;
利用颜色模型,提取每个颜色特征环形区域的颜色直方图;
根据目标图像中各个像素点的像素值和每个颜色特征环形区域的颜色直方图对应的数据,确定待测番茄图像的颜色特征信息。
具体地,在本发明的实施例中,通过固定摄像机,可以获取番茄的顶视图和侧视图,因此,待测番茄图可以为番茄顶视图或番茄侧视图。同心圆分割方法可以采用等面积方式或等环宽方式的分割方法。
在本发明的实施例中,获取到待测番茄RGB图像作为原始RGB图像,将原始RGB图像转换成灰度图像,并对该灰度图像二值化,并进行数据类型转换,再将原始RGB图像进行背景分割,提取RGB图像的3个单分量图像,然后用得到的R、G、B单分量分别点乘二值化图像,最后利用cat函数将原始RGB图像进行复原,滤除噪声,以完成背景去除处理,获取去背景之后的RGB图像,即得到背景去除后的目标图像。
进一步地,在本发明的实施例中,分别利用等面积与等环宽同心圆分割法将目标图像进行同心圆分割,将去背景的番茄RGB图像分割成多个颜色特征环形区域。接着,利用HIS颜色模型,将颜色特征环形区域转换到HIS颜色空间中,绘制每个颜色特征环形区域的色调角H颜色直方图。
图2是本发明提供的番茄贮藏温度调控方法中番茄顶视图进行等环宽同心圆分割的示意图,如图2所示,通过以番茄顶视图中心为圆心,等环宽l进行同心圆分割,得到了Z1、Z2和Z3三个颜色特征环形区域。
在本发明的实施例中,当对番茄顶视图进行等面积同心圆分割时,只要确保分割后的颜色特征环形区域面积相等即可。
同理,在对番茄侧视图进行同心圆分割时,以番茄侧视图图中心为圆心,采用等环宽或等面积的方式进行同心圆分割,可以得到多个颜色特征环形区域。
进一步地,根据目标图像中各个像素点的RGB像素值和每个颜色特征环形区域的颜色直方图对应的数据,计算出待测番茄图像的颜色特征信息。
本发明实施例的方法,通过对待测番茄图像进行同心圆分割,划分出多个颜色特征环形区域,利用颜色模型,提取并计算出待测番茄图像的颜色特征信息,不仅能反映番茄图像局部颜色特征,也能有效反映番茄整体颜色特征的空间分布特性,提升番茄颜色特征的丰富程度,有利于提升后续番茄成熟度识别的精度。
基于上述实施例的内容,作为一种可选的实施例,颜色特征信息包括全局颜色特征信息和局部颜色特征信息,全局颜色特征信息包括红色面积总占比和HIS分量均值,局部颜色特征信息包括颜色均匀性;根据目标图像中各个像素点的像素值和每个颜色特征环形区域的颜色直方图对应的数据,确定待测番茄图像的颜色特征信息,包括:
根据目标图像中各个像素点的像素值,确定红色面积总占比;
基于每个颜色特征环形区域的颜色直方图对应的数据,确定HIS分量均值和颜色均匀性。
具体地,在本发明的实施例中,可以根据目标图像中各个像素点的像素值中R、G、B分量,计算红色面积总占比。
基于每个颜色特征环形区域的色调角H颜色直方图对应的数据,计算HIS分量均值和颜色均匀性。
更具体地,可以根据如下公式计算出待测番茄图像的颜色特征信息,即:
;
;
;
;
式中:R、G、B为RGB颜色空间分量,为红色面积总占比;/>为颜色均匀性,为第/>个颜色特征环形区域的颜色分布均匀性,/>为颜色特征环形区域H直方图均值与中值之差,/>为颜色特征环形区域H直方图均值与众数之差,为颜色特征环形区域H直方图中值与众数之差,/>、/>、/>为相对权重,具体权重值依据颜色特征环形区域内的H值标准偏差而定,其中/>。
在本发明的实施例中,基于每个颜色特征环形区域的颜色直方图对应的数据,计算出上述参数、/>和/>,结合预先设定好的相对权重,确定出各个颜色特征环形区域的颜色分布均匀性,进而得到番茄图像的颜色均匀性。
在本发明的实施例中,可以利用HIS颜色模型,提取目标图像中各个像素点的H分量、I分量和S分量,计算番茄图像的HIS分量均值。
本发明实施例的方法,通过综合考虑番茄表观颜色的局部与全局特征,量化颜色分布均匀性,以引入颜色特征分布空间信息,可以提升番茄特色特征提取与成熟度量化分级的严谨性、科学性与准确性。
进一步地,在本发明的实施例中,步骤120中,在得到番茄果实的初始成熟度值之后,根据番茄果实的初始成熟度值、贮藏温度和贮藏时间进行动态预测,随时间变化实时预测出番茄果实的动态成熟度值,若该动态成熟度值没有达到初始成熟等级的下一成熟等级的成熟度值时,随着贮藏时间的变化,继续根据番茄果实的初始成熟度值、贮藏温度和变化的贮藏时间进行实时预测,获取动态成熟度值。
在本发明的实施例中,步骤130中,在确定动态成熟度值达到初始成熟等级的下一成熟等级的成熟度值的情况下,则说明贮藏时间的推移,此时番茄的成熟度已达到下一成熟等级,便可以通过确定出下一成熟等级对应的目标贮藏温度,将番茄果实的贮藏温度调控为目标贮藏温度进行贮藏。
本发明实施例的番茄贮藏温度调控方法,通过对不同成熟度番茄表观颜色特征定量分析研究,探明番茄表观颜色特征与理化特性之间的耦合关联性,利用提取待测番茄图像的颜色特征信息,准确判断出番茄果实的初始成熟等级和对应的初始成熟度值,进而通过探明不同贮藏温度对番茄成熟度等级转变周期的影响规律,利用得到的番茄果实的初始成熟度值、贮藏温度和贮藏时间,动态预测番茄果实的动态成熟度值,直至确定该动态成熟度值达到下一成熟等级的成熟度值时,确定出下一成熟等级对应的目标贮藏温度,以将番茄果实的贮藏温度调控为该目标贮藏温度进行贮藏,既可满足不同成熟度番茄所需最佳储藏温度的需求,又可通过精准调控温度延缓番茄成熟进程,解决了现有技术中不同成熟度番茄与所需适宜储运温度不匹配的技术缺陷,为实现冷链环境与品质协同调控以及促进农产品冷链物流智能化、柔性化发展提供了可靠的技术支持。
基于上述实施例的内容,作为一种可选的实施例,在提取待测番茄图像的颜色特征信息之前,该方法包括:
获取不同已知成熟度的番茄的各类理化特征信息,并对各类理化特征信息进行主成分分析,确定累计方差贡献率大于目标阈值时所对应的多类目标理化特征信息,以确定不同已知成熟度的番茄理化特性综合统计值范围;
按照不同拍摄视角下已知成熟度的番茄图像和不同的同心圆分割法之间两两组合的方式,提取各个组合下不同已知成熟度的番茄图像的颜色特征信息所构成的颜色特征值范围;
从各个颜色特征值范围中,确定与番茄理化特性综合统计值范围成线性关系的目标颜色特征值范围;
基于目标颜色特征值范围和番茄理化特性综合统计值范围,构建预设映射关系表。
具体地,在本发明的实施例中,在实施步骤110,提取待测番茄图像的颜色特征信息之前,需要探明不同成熟度番茄理化特性与颜色特征之间的关联性。
在本发明的实施例中,参照现有番茄成熟等级标准采摘不同成熟度的番茄,基于实验检测获取这些不同已知成熟度番茄的各类理化特征信息,以研究不同成熟度番茄的硬度、热物性、可溶性固形物、糖酸比、番茄红素等理化指标的变化规律。
需要说明的是,目标阈值为自定义阈值,可以根据实际实验数据分析来设定。
图3是本发明提供的番茄理化特性与颜色特征综合分析的流程示意图,如图3所示,在本发明的实施例中,对不同成熟度(包括绿熟期、破色期、转色期、粉红期、浅红期与红熟期)番茄的理化特性执行主成分分析(Principal Component Analysis,PCA),可以设定以累计方差贡献率大于目标阈值(例如85%)为界线确定主成分,例如表示为、/>、/>,并获取各主成分回归方程,以主成分表征不同成熟度番茄理化特性。以各主成分方差贡献率为权重计算番茄理化特性综合统计值/>,将其作为番茄理化特性综合评价与量化表示。通过计算各成熟度下的番茄理化特性综合统计值/>,可以确定出不同成熟度的番茄理化特性综合统计值范围。
其中,番茄理化特性综合统计值的计算公式表示如下:
;
式中:为番茄理化特性综合统计值,/>、/>、/>为各主成分方差贡献率,/>、、/>为累计方差贡献率/>超过85%的主成分。
在本发明的实施例中,采用不同图像采集方法,设定不同拍摄视角,可以包括顶视和侧视两种方式。分别以顶视与侧视两种方式拍摄这些不同已知成熟度的番茄,可以得到不同成熟度下的番茄顶视图和番茄侧视图。
在本发明的实施例中,可以采用上述等面积与等环宽两种不同的同心圆分割法进行番茄颜色特征量化分析,将各个番茄图像分割成多个颜色特征环形区域(Feature ColorAreas, FCA),提取每个颜色特征环形区域的颜色直方图,用于计算各番茄图像的局部颜色特征信息(即颜色均匀性)与全局颜色特征信息(即红色面积总占比和HIS分量均值)。
进一步地,在本发明的实施例中,按照上述不同图像采集方法的拍摄视角下已知成熟度的番茄图像和不同的同心圆分割法之间两两组合的方式,计算各番茄图像的局部颜色特征信息与全局颜色特征信息,从而提取各个组合下不同已知成熟度的番茄图像的颜色特征信息。
其中,图像采集方法与同心圆分割法之间的组合方式如表2所示。
表2
进一步地,对比上述不同组合方式对不同成熟度番茄颜色局部特征与全局特征量化值的影响规律。可以以番茄成熟度为横坐标,以不同组合方式下番茄颜色特征信息为纵坐标,建立番茄颜色特征与成熟度之间的线性关系图,由此,可以得到各个组合下不同已知成熟度的番茄图像的颜色特征信息所构成的颜色特征值范围。
继续参照图3,在本发明的实施例中,结合前述计算得到的不同成熟度的番茄理化特性综合统计值范围,从上述构成的各个颜色特征值范围中,确定出与番茄理化特性综合统计值范围成线性关系的目标颜色特征值范围,构建各特定成熟度番茄颜色特征值与理化特性综合统计值线性关系。
最后,根据与番茄理化特性综合统计值范围成线性关系的目标颜色特征值范围和番茄理化特性综合统计值范围,可以建立番茄表观颜色特征与理化特性关联下番茄成熟度定量判别的精确方式,从而构建出预设映射关系表。通过预设映射关系表,可以准确地根据番茄图像的颜色特征信息,确定出番茄果实的成熟度信息,得到对应的成熟等级和该成熟等级下对应的初始成熟度值。
本发明实施例的方法,通过探明不同成熟度番茄颜色特征信息与番茄理化特性之间的关联关系,建立两者之间的线性关系图,根据番茄个体颜色特征值与理化特性综合评价值线性关系,确定出不同成熟度番茄颜色特征值与理化特性综合评价值范围,以此实现理化特性关联下不同成熟度番茄颜色特征阈值范围的确定,可以有效提升利用番茄颜色特征识别番茄成熟度的精度。
基于上述实施例的内容,作为一种可选的实施例,在从各个颜色特征值范围中,确定与番茄理化特性综合统计值范围成线性关系的目标颜色特征值范围之后,该方法还包括:
从各个组合中,确定目标颜色特征值范围对应的目标组合方式;
按照目标组合方式,获得待测番茄图像,并对待测番茄图像进行颜色特征信息提取。
具体地,在本发明的实施例中,在确定与番茄理化特性综合统计值范围成线性关系的目标颜色特征值范围之后,根据该目标颜色特征值范围,反向获取对应的目标组合方式。
进一步地,在本发明的实施例中,可以按照上述确定出的目标组合方式中的图像采集方法,对待测量的番茄果实进行图像采集,得到待测番茄图像,并利用目标组合方式中的同心圆分割方法对待测番茄图像进行颜色特征信息提取。
例如,确定目标组合方式为顶视图图像采集方法和等环宽同心圆分割方法,则后续便可以按照顶视图图像采集方法和等环宽同心圆分割方法进行番茄图像特征信息的探究,即获取番茄顶视图,并利用前述等环宽同心圆分割方法的计算过程,提取该番茄顶视图的颜色特征信息。
本发明实施例的方法,通过选取使番茄颜色特征信息与番茄理化特征信息呈线性关系的图像采集与分割组合方式,将其作为番茄颜色特征提取的方法,有利于提高颜色特征判别番茄成熟度的准确性和可靠性,为后续番茄果实成熟度的动态预测提供可靠的技术手段。
基于上述实施例的内容,作为一种可选的实施例,基于番茄果实的初始成熟度值、贮藏温度和贮藏时间,预测番茄果实的动态成熟度值,包括:
将番茄果实的初始成熟度值、贮藏温度和贮藏时间输入至番茄成熟度动态预测模型,得到番茄成熟度动态预测模型输出的番茄果实的动态成熟度值;
番茄成熟度动态预测模型是根据携带有贮藏温度和贮藏时间的番茄果实的初始成熟度信息样本及其对应的成熟度信息标签训练得到的。
具体地,本发明实施例所描述的番茄成熟度动态预测模型是根据不同贮藏温度下的番茄果实的初始成熟度信息样本及其对应的贮藏信息和成熟度信息标签对神经网络模型进行模型训练得到的,用于对番茄果实的成熟度实时变化信息进行动态识别及预测,探明不同初始成熟度番茄颜色特征阶段性变化规律。
在本发明的实施例中,番茄成熟度动态预测模型可以是基于神经网络构建的,其用于对番茄成熟度进行深度估计及预测,确定不同贮藏时间下番茄的成熟度值。其中,神经网络可以采用不同循环神经网络构建,如:简单循环网络(Simple Recurrent Networks,SRN)、卷积神经网络与循环神经网络结合的CNN-RNN网络、长短期记忆网络(Long ShortTerm Memory,LSTM)、Peephole LSTM(P-LSTM)、Fully-Connected LSTM(FC-LSTM)、门限循环单元(Gated Recurrent Unit,GRU)、双向循环网络(Bidirectional RNN,B-BNN)等。
在本发明的实施例中,为实现循环神经网络超参数组合最佳选取(如:学习率、迭代次数、隐含层数、隐含层神经元数量、时间步、批处理量等),可以利用群体智能算法对不同超参数组合进行组合寻优,确定模型误差最小的超参数组合方案。
在本发明的实施例中,通过收集不同贮藏温度下的番茄果实的转色变化图像样本,并对各图像进行颜色特征信息提取,根据预设映射关系表确定出对应的成熟等级及其初始成熟度值,获取到不同番茄图像的初始成熟度信息样本,并结合各初始成熟度信息样本携带的贮藏信息及对应的成熟度信息标签,构成模型训练样本。
其中,本发明实施例所描述的成熟度信息标签是根据携带有贮藏温度和贮藏时间的番茄果实的初始成熟度信息样本预先确定的,并与番茄果实的初始成熟度信息样本是一一对应的。也就是说,每个携带有贮藏温度和贮藏时间的番茄果实的初始成熟度信息样本,都预先设定好一个与之对应的真实的成熟度信息标签。
进一步地,在本发明的实施例中,将番茄果实的初始成熟度值、贮藏温度和贮藏时间输入至番茄成熟度动态预测模型,通过番茄成熟度动态预测模型根据输入的初始成熟度值和贮藏信息进行番茄成熟度识别,输出番茄果实的动态成熟度值,根据预测的动态成熟度值确定番茄的成熟度变化,以将贮藏温度调节到最佳贮藏温度来适应番茄成熟度的变化,控制番茄果实的成熟进程。
本发明实施例的方法,通过利用深度神经网络模型,探明不同初始成熟度番茄颜色特征阶段性变化规律,利用携带有贮藏温度和贮藏时间的番茄果实的初始成熟度信息样本及其对应的成熟度信息标签训练得到番茄成熟度动态预测模型,来动态预测番茄成熟度,明确番茄贮藏过程中各个最佳贮藏温度调控时间节点,有利于建立一种兼顾番茄成熟转色的适时精准调温缓熟机制,提升番茄贮藏温度调控的精度。
基于上述实施例的内容,作为一种可选的实施例,在将番茄果实的初始成熟度值、贮藏温度和贮藏时间输入至番茄成熟度动态预测模型之前,该方法还包括:
将每个携带有贮藏温度和贮藏时间的番茄果实的初始成熟度信息样本及其对应的成熟度信息标签作为一组训练样本,获取多组训练样本;
对于任意一组训练样本,按照预设时间间隔,将训练样本和当前间隔时刻下的预测值一同输入至番茄成熟度动态预测模型,输出训练样本对应的下一间隔时刻下的预测值,并获取各个间隔时刻下的预测值;当前间隔时刻下的预测值是通过将训练样本和上一间隔时刻下的预测值一同输入至番茄成熟度动态预测模型得到的;
利用预设损失函数,根据各个间隔时刻下的预测值和训练样本对应的成熟度信息标签,计算各个间隔时刻下对应的损失值;
基于各个损失值,依次对番茄成熟度动态预测模型的模型参数进行调整,直至训练次数达到预设次数;
将预设次数时所得到的模型参数作为训练好的番茄成熟度动态预测模型的模型参数,则番茄成熟度动态预测模型训练完成。
具体地,本发明实施例所描述的预设损失函数指的是预先设置在番茄成熟度动态预测模型里的损失函数,用于模型评估。
本发明实施例所描述的预设次数指的是模型预先设置的迭代次数阈值,用于控制模型训练轮数,确保模型收敛。
在本发明的实施例中,在将番茄果实的初始成熟度值、贮藏温度和贮藏时间输入至番茄成熟度动态预测模型之前,还需对番茄成熟度动态预测模型进行训练,具体训练过程如下:
首先,依据番茄处于绿熟期到红熟期所需贮藏温度范围分别为12~15°C 、0~3°C,将试验贮藏温度范围确定为0~15°C。以1°C为间隔对贮藏温度范围进行等距离划分依次设定恒温箱环境温度,将不同成熟度番茄放置于不同设定温度的恒温恒湿箱中进行存储,阶段性采集番茄图像以探明不同成熟度番茄在不同贮藏温度下的转色规律;番茄贮藏实验周期初步设定为30天,以24小时为时间周期对番茄进行图像采集,获取模型训练与测试样本数据集,从中得到每个携带有贮藏温度和贮藏时间的番茄果实的初始成熟度信息样本及其对应的成熟度信息标签。
接着,将每个番茄果实的初始成熟度信息样本及其对应的成熟度信息标签作为一组训练样本,针对不同成熟度番茄图像,获取多组训练样本。
然后,在获得多组训练样本之后,再将多组训练样本依次输入至番茄成熟度动态预测模型,即将每个携带有贮藏温度和贮藏时间的番茄果实的初始成熟度信息样本及其对应的成熟度信息标签同时输入至番茄成熟度动态预测模型,根据番茄成熟度动态预测模型的每一次输出结果,通过计算损失函数值,对番茄成熟度动态预测模型的模型参数进行调整,直至完成番茄成熟度动态预测模型的训练过程。
可选地,在本发明实施例中,番茄成熟度动态预测模型基于CNN-RNN神经网络进行构建。同时,以数据取样时间间隔为最小单元时间步,建立一种闭环预测机制,以降低RNN模型误差累积效应,其中,通过对比不同的数据取样时间间隔(即最小单元时间步)下闭环预测精度与计算运行时间的变化规律,结合精度与时间需求,确定最佳的最小预测时间步将其作为取样时间间隔,并将取样数据融入模型训练数据集中重新完成模型训练,实现模型迭代更新,提升模型预测精度。
图4是本发明提供的番茄贮藏温度调控方法中基于闭环预测机制的模型训练流程示意图,如图4所示,在本发明的实施例中,以最佳的最小预测时间步t作为预设时间间隔,进行周期性模型预测结果取样,并将取样的预测结果添加到模型输入的一组训练样本数据中,重新对番茄成熟度动态预测模型进行训练,输出下一个间隔时刻的模型预测结果,如此循环,直至输出第n个间隔时刻nt时刻的模型预测结果,完成该组训练样本的训练过程。
具体来说,对于任意一组训练样本,按照预设时间间隔t,将训练样本和当前间隔时刻下的预测值一同输入至番茄成熟度动态预测模型,输出训练样本对应的下一间隔时刻下的预测值,通过这种方式,可以依次得到各个间隔时刻t、2t…、nt下的预测值。
可以理解的是,当前间隔时刻下的预测值是通过将训练样本和上一间隔时刻下的预测值一同输入至番茄成熟度动态预测模型进行训练得到的。
进一步地,在本发明的实施例中,利用预设损失函数,根据各个间隔时刻下的预测值和该训练样本对应的成熟度信息标签,计算各个间隔时刻下对应的损失值。
在本发明的实施例中,预设的成熟度信息标签的表示方式可以根据实际需求进行设置,此处不做具体限定。
在计算获得各个损失值之后,基于各个损失值,依次对番茄成熟度动态预测模型的模型参数进行调整,不断更新番茄成熟度动态预测模型的模型参数。
在实际实施过程中,番茄成熟度动态预测模型的模型参数的更新是连续性的,也就是说,间隔时刻t时刻模型做出预测后,根据t时刻下对应的损失值进行模型参数更新,之后,再将间隔时刻t时刻的模型预测结果和原训练样本一同输入至模型,输出间隔时刻2t时刻的模型预测结果及对应的损失值,再次根据2t时刻下对应的损失值进行模型参数更新,以此方式,直至番茄成熟度动态预测模型输出nt时刻下的模型预测结果。
进一步,基于上述实施例内容,每组训练样本都以上述闭环预测机制进行模型训练,直至模型的训练次数达到预设次数,此时,将模型的训练次数达到预设次数时所得到的模型参数作为训练好的番茄成熟度动态预测模型的模型参数,番茄成熟度动态预测模型训练完成。
本发明实施例的方法,一方面通过将番茄成熟度动态预测模型的损失值控制在预设范围内,提高模型动态预测番茄成熟度的精度;另一方面,通过设计闭环预测模型训练机制,可以降低训练过程中神经网络模型误差的累积效应,从而进一步提升模型动态预测番茄成熟度的精度。
图5是本发明提供的番茄贮藏温度调控方法的流程示意图之二,如图5所示,在本发明的实施例中,按照前述颜色特征提取方式,明确番茄果实的不同成熟等级颜色特征值范围,进而确定所测番茄所处的成熟期成熟等级及其初始成熟度值。同时,依据绿熟期番茄果实与最后等级成熟度红熟期果实各自所需贮藏温度,确定所构建番茄成熟度动态预测模型的适用贮藏温度范围[T min ,T max ],即可以设定为0至15℃。将温度范围[T min ,T max ]以1°C为间隔进行等距离划分,确定各划分点温度值为[T min ,T min +1, T min +2, T min +3, ... , T max -1, T max ]。
在本发明的实施例中,依据番茄所处成熟期和初始成熟度值,与最佳储藏温度范围[T min ,T max ],基于番茄成熟度动态预测模型分别预测不同贮藏温度下番茄成熟度动态变化规律,计算初始成熟度值的变化量Δ。在确定达到不同贮藏温度下不同成熟等级之间番茄成熟度变化量ΔV时,确定当前的贮藏温度T以及所需的贮藏时间t。最后,以1°C为间隔,使当前的贮藏温度T递减1℃,若递减后的贮藏温度T不小于T min ,则选取该递减后的贮藏温度T及其最长贮藏时间t,将其作为番茄后续贮藏温度与下一次温度调控时间节点,并重复以上实施过程,直至判定贮藏温度T小于T min ,明确不同贮藏温度下番茄成熟等级转变所需时间t,确定整个过程的最长贮藏时间t和贮藏温度满足冷链流通过程番茄贮藏时间需求,由此兼顾番茄成熟度时序性变化的同时,制定冷链贮藏过程最佳匹配温度与调控时间节点方案。
下面对本发明提供的番茄贮藏温度调控装置进行描述,下文描述的番茄贮藏温度调控装置与上文描述的番茄贮藏温度调控方法可相互对应参照。
图6是本发明提供的番茄贮藏温度调控装置的结构示意图,如图6所示,包括:
处理模块610,用于提取获取的番茄图像的颜色特征信息,并基于颜色特征信息,从预设映射关系表中确定番茄果实的初始成熟等级和对应的初始成熟度值;预设映射关系表是根据对不同成熟度番茄果实的理化特性和表观颜色特征进行量化分析得到的;
预测模块620,用于基于番茄果实的初始成熟度值、贮藏温度和贮藏时间,预测番茄果实的动态成熟度值;
调控模块630,用于在确定动态成熟度值达到初始成熟等级的下一成熟等级的成熟度值的情况下,确定下一成熟等级对应的目标贮藏温度,并将番茄果实的贮藏温度调控为目标贮藏温度进行贮藏。
本实施例所述的番茄贮藏温度调控装置可以用于执行上述番茄贮藏温度调控方法实施例,其原理和技术效果类似,此处不再赘述。
本发明实施例的番茄贮藏温度调控装置,通过对不同成熟度番茄表观颜色特征定量分析研究,探明番茄表观颜色特征与理化特性之间的耦合关联性,利用提取待测番茄图像的颜色特征信息,准确判断出番茄果实的初始成熟等级和对应的初始成熟度值,进而通过探明不同贮藏温度对番茄成熟度等级转变周期的影响规律,利用得到的番茄果实的初始成熟度值、贮藏温度和贮藏时间,动态预测番茄果实的动态成熟度值,直至确定该动态成熟度值达到下一成熟等级的成熟度值时,确定出下一成熟等级对应的目标贮藏温度,以将番茄果实的贮藏温度调控为该目标贮藏温度进行贮藏,既可满足不同成熟度番茄所需最佳储藏温度的需求,又可通过精准调控温度延缓番茄成熟进程,解决了现有技术中不同成熟度番茄与所需适宜储运温度不匹配的技术缺陷,为实现冷链环境与品质协同调控以及促进农产品冷链物流智能化、柔性化发展提供了可靠地技术支持。
图7是本发明提供的电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行上述各方法所提供的番茄贮藏温度调控方法,该方法包括:提取待测番茄图像的颜色特征信息,并基于所述颜色特征信息,从预设映射关系表中确定番茄果实的初始成熟等级和对应的初始成熟度值;所述预设映射关系表是根据对不同成熟度番茄果实的理化特性和表观颜色特征进行量化分析得到的;基于所述番茄果实的初始成熟度值、贮藏温度和贮藏时间,预测所述番茄果实的动态成熟度值;在确定所述动态成熟度值达到所述初始成熟等级的下一成熟等级的成熟度值的情况下,确定所述下一成熟等级对应的目标贮藏温度,并将所述番茄果实的贮藏温度调控为所述目标贮藏温度进行贮藏。
此外,上述的存储器730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。
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番茄贮藏温度调控方法,该方法包括:提取待测番茄图像的颜色特征信息,并基于所述颜色特征信息,从预设映射关系表中确定番茄果实的初始成熟等级和对应的初始成熟度值;所述预设映射关系表是根据对不同成熟度番茄果实的理化特性和表观颜色特征进行量化分析得到的;基于所述番茄果实的初始成熟度值、贮藏温度和贮藏时间,预测所述番茄果实的动态成熟度值;在确定所述动态成熟度值达到所述初始成熟等级的下一成熟等级的成熟度值的情况下,确定所述下一成熟等级对应的目标贮藏温度,并将所述番茄果实的贮藏温度调控为所述目标贮藏温度进行贮藏。
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番茄贮藏温度调控方法,该方法包括:提取待测番茄图像的颜色特征信息,并基于所述颜色特征信息,从预设映射关系表中确定番茄果实的初始成熟等级和对应的初始成熟度值;所述预设映射关系表是根据对不同成熟度番茄果实的理化特性和表观颜色特征进行量化分析得到的;基于所述番茄果实的初始成熟度值、贮藏温度和贮藏时间,预测所述番茄果实的动态成熟度值;在确定所述动态成熟度值达到所述初始成熟等级的下一成熟等级的成熟度值的情况下,确定所述下一成熟等级对应的目标贮藏温度,并将所述番茄果实的贮藏温度调控为所述目标贮藏温度进行贮藏。
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 (7)
1.一种番茄贮藏温度调控方法,其特征在于,包括:
提取待测番茄图像的颜色特征信息,并基于所述颜色特征信息,从预设映射关系表中确定番茄果实的初始成熟等级和对应的初始成熟度值;所述预设映射关系表是根据对不同成熟度番茄果实的理化特性和表观颜色特征进行量化分析得到的;
基于所述番茄果实的初始成熟度值、贮藏温度和贮藏时间,预测所述番茄果实的动态成熟度值;
在确定所述动态成熟度值达到所述初始成熟等级的下一成熟等级的成熟度值的情况下,确定所述下一成熟等级对应的目标贮藏温度,并将所述番茄果实的贮藏温度调控为所述目标贮藏温度进行贮藏;
其中,所述提取待测番茄图像的颜色特征信息,包括:
对所述待测番茄图像进行背景去除处理,得到背景去除后的目标图像;
将所述目标图像进行同心圆分割,得到多个颜色特征环形区域;
利用颜色模型,提取每个所述颜色特征环形区域的颜色直方图;
根据所述目标图像中各个像素点的像素值和每个所述颜色特征环形区域的颜色直方图对应的数据,确定所述待测番茄图像的颜色特征信息;
其中,所述颜色特征信息包括全局颜色特征信息和局部颜色特征信息,所述全局颜色特征信息包括红色面积总占比和HIS分量均值,所述局部颜色特征信息包括颜色均匀性;所述根据所述目标图像中各个像素点的像素值和每个所述颜色特征环形区域的颜色直方图对应的数据,确定所述待测番茄图像的颜色特征信息,包括:
根据所述目标图像中各个像素点的像素值,确定所述红色面积总占比;
基于每个所述颜色特征环形区域的颜色直方图对应的数据,确定所述HIS分量均值和所述颜色均匀性;
其中,在所述提取待测番茄图像的颜色特征信息之前,所述方法包括:
获取不同已知成熟度的番茄的各类理化特征信息,并对所述各类理化特征信息进行主成分分析,确定累计方差贡献率大于目标阈值时所对应的多类目标理化特征信息,以确定不同已知成熟度的番茄理化特性综合统计值范围;
按照不同拍摄视角下已知成熟度的番茄图像和不同的同心圆分割法之间两两组合的方式,提取各个组合下不同已知成熟度的番茄图像的颜色特征信息所构成的颜色特征值范围;
从各个所述颜色特征值范围中,确定与所述番茄理化特性综合统计值范围成线性关系的目标颜色特征值范围;
基于所述目标颜色特征值范围和所述番茄理化特性综合统计值范围,构建所述预设映射关系表。
2.根据权利要求1所述的番茄贮藏温度调控方法,其特征在于,所述基于所述番茄果实的初始成熟度值、贮藏温度和贮藏时间,预测所述番茄果实的动态成熟度值,包括:
将所述番茄果实的初始成熟度值、贮藏温度和贮藏时间输入至番茄成熟度动态预测模型,得到所述番茄成熟度动态预测模型输出的所述番茄果实的动态成熟度值;
所述番茄成熟度动态预测模型是根据携带有贮藏温度和贮藏时间的番茄果实的初始成熟度信息样本及其对应的成熟度信息标签训练得到的。
3.根据权利要求2所述的番茄贮藏温度调控方法,其特征在于,在所述将所述番茄果实的初始成熟度值、贮藏温度和贮藏时间输入至番茄成熟度动态预测模型之前,所述方法还包括:
将每个携带有贮藏温度和贮藏时间的番茄果实的初始成熟度信息样本及其对应的成熟度信息标签作为一组训练样本,获取多组训练样本;
对于任意一组训练样本,按照预设时间间隔,将所述训练样本和当前间隔时刻下的预测值一同输入至番茄成熟度动态预测模型,输出所述训练样本对应的下一间隔时刻下的预测值,并获取各个间隔时刻下的预测值;所述当前间隔时刻下的预测值是通过将所述训练样本和上一间隔时刻下的预测值一同输入至番茄成熟度动态预测模型得到的;
利用预设损失函数,根据所述各个间隔时刻下的预测值和所述训练样本对应的成熟度信息标签,计算所述各个间隔时刻下对应的损失值;
基于各个所述损失值,依次对所述番茄成熟度动态预测模型的模型参数进行调整,直至训练次数达到预设次数;
将所述预设次数时所得到的模型参数作为训练好的番茄成熟度动态预测模型的模型参数,则番茄成熟度动态预测模型训练完成。
4.根据权利要求1所述的番茄贮藏温度调控方法,其特征在于,在所述从各个所述颜色特征值范围中,确定与所述番茄理化特性综合统计值范围成线性关系的目标颜色特征值范围之后,所述方法还包括:
从所述各个组合中,确定所述目标颜色特征值范围对应的目标组合方式;
按照所述目标组合方式,获得所述待测番茄图像,并对所述待测番茄图像进行颜色特征信息提取。
5.一种番茄贮藏温度调控装置,其特征在于,包括:
处理模块,用于提取待测番茄图像的颜色特征信息,并基于所述颜色特征信息,从预设映射关系表中确定番茄果实的初始成熟等级和对应的初始成熟度值;所述预设映射关系表是根据对不同成熟度番茄果实的理化特性和表观颜色特征进行量化分析得到的;
预测模块,用于基于所述番茄果实的初始成熟度值、贮藏温度和贮藏时间,预测所述番茄果实的动态成熟度值;
调控模块,用于在确定所述动态成熟度值达到所述初始成熟等级的下一成熟等级的成熟度值的情况下,确定所述下一成熟等级对应的目标贮藏温度,并将所述番茄果实的贮藏温度调控为所述目标贮藏温度进行贮藏;
其中,所述处理模块具体用于:
对所述待测番茄图像进行背景去除处理,得到背景去除后的目标图像;
将所述目标图像进行同心圆分割,得到多个颜色特征环形区域;
利用颜色模型,提取每个所述颜色特征环形区域的颜色直方图;
根据所述目标图像中各个像素点的像素值和每个所述颜色特征环形区域的颜色直方图对应的数据,确定所述待测番茄图像的颜色特征信息;
其中,所述颜色特征信息包括全局颜色特征信息和局部颜色特征信息,所述全局颜色特征信息包括红色面积总占比和HIS分量均值,所述局部颜色特征信息包括颜色均匀性;所述处理模块具体还用于:
根据所述目标图像中各个像素点的像素值,确定所述红色面积总占比;
基于每个所述颜色特征环形区域的颜色直方图对应的数据,确定所述HIS分量均值和所述颜色均匀性;
其中,所述装置具体还用于:
获取不同已知成熟度的番茄的各类理化特征信息,并对所述各类理化特征信息进行主成分分析,确定累计方差贡献率大于目标阈值时所对应的多类目标理化特征信息,以确定不同已知成熟度的番茄理化特性综合统计值范围;
按照不同拍摄视角下已知成熟度的番茄图像和不同的同心圆分割法之间两两组合的方式,提取各个组合下不同已知成熟度的番茄图像的颜色特征信息所构成的颜色特征值范围;
从各个所述颜色特征值范围中,确定与所述番茄理化特性综合统计值范围成线性关系的目标颜色特征值范围;
基于所述目标颜色特征值范围和所述番茄理化特性综合统计值范围,构建所述预设映射关系表。
6.一种电子设备,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4任一项所述番茄贮藏温度调控方法。
7.一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4任一项所述番茄贮藏温度调控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311362402.1A CN117095068B (zh) | 2023-10-20 | 2023-10-20 | 番茄贮藏温度调控方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311362402.1A CN117095068B (zh) | 2023-10-20 | 2023-10-20 | 番茄贮藏温度调控方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117095068A CN117095068A (zh) | 2023-11-21 |
CN117095068B true CN117095068B (zh) | 2024-02-02 |
Family
ID=88777422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311362402.1A Active CN117095068B (zh) | 2023-10-20 | 2023-10-20 | 番茄贮藏温度调控方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117095068B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106472659A (zh) * | 2016-11-24 | 2017-03-08 | 华南理工大学 | 一种香梨多温区冰温保鲜库及保鲜方法 |
CN113989594A (zh) * | 2021-11-03 | 2022-01-28 | 中国农业科学院农业信息研究所 | 基于货架期预测和成熟度判别的番茄采摘装置及其使用方法 |
CN115063105A (zh) * | 2022-06-15 | 2022-09-16 | 广西旗鸣信息科技有限公司 | 一种果蔬流通中智能数据分析监测系统及方法 |
CN115097885A (zh) * | 2022-06-17 | 2022-09-23 | 中国农业大学 | 一种用于水果催熟的自动调控方法及系统 |
CN115638586A (zh) * | 2022-11-08 | 2023-01-24 | 海信冰箱有限公司 | 一种冰箱 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230190028A1 (en) * | 2021-12-20 | 2023-06-22 | Juan Felipe Tettay Villegas | Unitary fruit slicer and juicer |
-
2023
- 2023-10-20 CN CN202311362402.1A patent/CN117095068B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106472659A (zh) * | 2016-11-24 | 2017-03-08 | 华南理工大学 | 一种香梨多温区冰温保鲜库及保鲜方法 |
CN113989594A (zh) * | 2021-11-03 | 2022-01-28 | 中国农业科学院农业信息研究所 | 基于货架期预测和成熟度判别的番茄采摘装置及其使用方法 |
CN115063105A (zh) * | 2022-06-15 | 2022-09-16 | 广西旗鸣信息科技有限公司 | 一种果蔬流通中智能数据分析监测系统及方法 |
CN115097885A (zh) * | 2022-06-17 | 2022-09-23 | 中国农业大学 | 一种用于水果催熟的自动调控方法及系统 |
CN115638586A (zh) * | 2022-11-08 | 2023-01-24 | 海信冰箱有限公司 | 一种冰箱 |
Also Published As
Publication number | Publication date |
---|---|
CN117095068A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kukreja et al. | A Deep Neural Network based disease detection scheme for Citrus fruits | |
CN110378052B (zh) | 基于循环神经网络考虑未来工况的设备剩余寿命预测方法 | |
CN111160176B (zh) | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 | |
CN108876021B (zh) | 一种中长期径流预报方法及系统 | |
WO2018080522A1 (en) | Target class feature model | |
CN104949936A (zh) | 基于优化偏最小二乘回归模型的样品成份测定方法 | |
CN112001270A (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
CN110736707B (zh) | 一种主仪器向从仪器光谱模型传递的光谱检测优化方法 | |
CN110428121B (zh) | 基于灰色关联分析的隐马尔可夫模型食品质量评估方法 | |
Mota et al. | Evaluating the performance of machine learning methods and variable selection methods for predicting difficult-to-measure traits in Holstein dairy cattle using milk infrared spectral data | |
Sabzi et al. | A three-variety automatic and non-intrusive computer vision system for the estimation of orange fruit pH value | |
CN116600104B (zh) | 一种用于ipc网络摄像头的采相质量分析方法及系统 | |
CN109145685B (zh) | 基于集成学习的果蔬高光谱品质检测方法 | |
CN117095068B (zh) | 番茄贮藏温度调控方法、装置、电子设备及存储介质 | |
CN111948561B (zh) | 基于实测大数据和人工智能学习算法的电池寿命预测方法 | |
CN112184627A (zh) | 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 | |
CN112651173A (zh) | 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统 | |
CN108226092B (zh) | 基于近红外光谱相似度的模型界外样本识别方法 | |
CN109145887B (zh) | 一种基于光谱潜变量混淆判别的阈值分析方法 | |
CN114418097A (zh) | 神经网络量化处理方法、装置、电子设备及存储介质 | |
JP2023521757A (ja) | ラマンスペクトルに基づいて試料の特質を識別するためのモデルを決定するための遺伝的アルゴリズムの使用 | |
Hermana et al. | Classification of Fruit Ripeness with Model Descriptor Using Vgg 16 Architecture | |
CN111125629A (zh) | 一种域自适应的pls回归模型建模方法 | |
CN113035363B (zh) | 一种概率密度加权的遗传代谢病筛查数据混合采样方法 | |
CN117491357B (zh) | 一种涂料的质量监测方法及系统 |
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 |