一种基于近红外光谱的果蔬优选分拣方法、系统及可读存储介质与流程

本发明涉及一种果蔬优选分拣方法，更具体的，涉及一种基于近红外光谱的果蔬优选分拣方法、及可读存储介质。

背景技术：

如今随着人们生活水平的提高，对高品质消费愈发推崇。价格不再是影响人们购买的主要因素，在购买商品时更多人开始看重商品品质。有数据显示，在我国水果领域约有八九成的水果被用于鲜食，这就要求对这些新鲜水果进行品质区分从而满足人们对高品质新鲜水果的需求，传统的分拣工作由果农依靠人眼识别和手工操作进行，往往会出现分选出的新鲜水果大小不一，美观度不够甚至是有内部缺陷的问题，同时通过果农手工人眼识别和手工操作进行分选判别极易因疲劳造成失误，导致分选准确率极大地降低，且手工操作会给果蔬带来二次损伤和细菌感染；所以消费者在选购这类新鲜果蔬使只能凭借经验、靠运气，常常因为经验不足选到品质不好的果蔬。

为了能够满足消费者能够吃到高品质的果蔬产品，需要开发一款可以对果蔬进行优选分拣的系统，该系统通过获取待分拣果蔬的光谱信息，将所述的光谱信息进行预处理，引入果蔬辨别模型，根据果蔬辨别模型得到的预测缺陷类别值，判别待分拣果蔬中的有物理损伤和有虫害的果蔬，在进行果蔬分拣的过程中，如何实现对果蔬光谱信息进行处理，如何通过建立预测能力好、误差值小的果蔬辨别模型判断果蔬的品质好坏与否都是亟不可待要解决的问题。

技术实现要素：

为了解决上述至少一个技术问题，本发明提出了一种基于近红外光谱的果蔬优选分拣方法、系统和可读存储介质。

本发明第一方面提供了一种基于近红外光谱的果蔬优选分拣方法，包括：

获取待分拣果蔬的光谱信息；

将所述光谱信息进行预处理，引入果蔬辨别模型，得到结果信息；

根据结果信息判别待分拣果蔬中有物理损伤和有虫害的果蔬，以实现优选分拣。

本方案中，所述的获取待分拣果蔬的光谱信息，具体为：光源照射待分拣果蔬，果蔬底座中设有导入检测器，导入检测器连接光谱仪采集光谱信息，其中光谱类型为短波近红外光谱，果蔬底座中设有遮光圈，可以有效的减少杂散光干扰。

本方案中，所述的将光谱信息进行预处理，具体为在matlab软件中，进行原始光谱数据的平滑、插值、滤波、拟合及提高分辨率运算以及进行平滑去燥、数据压缩及信息提取，导出能量光谱。

本方案中，在matlab软件中建立果蔬辨别模型，使用plsregress函数实现偏最小二乘回归，在偏最小二乘算法模型中，通过迭代算法实现自变量和因变量的分解并回归建立二者关系，其中建立果蔬辨别模型具体为：将数据进行标准化处理，求解出符合要求的主成分，根据求解出的主成分建立光谱数据与缺陷类别值之间的回归，通过迭代一步继续求解主成分直到达到目标值，推导出光谱数据与缺陷类别值的回归表达式，即果蔬辨别模型建立完成。

本方案中，所述的引入果蔬辨别模型，得到结果信息，具体为：果蔬辨别模型通过计算得到预测缺陷类别值，根据预测缺陷类别值判别待分拣果蔬中有物理损伤和有虫害果蔬，其中预测缺陷类别值的计算公式为：

其中，f为果蔬辨别模型预测缺陷类别值，a为模型截距，k为预测集中第k个预测自变量，n为自变量数量，e表示能量光谱谱线强度，η为模型拟合参数。

本方案中，所述的根据结果信息判别待分拣果蔬中有物理损伤和有虫害的果蔬，具体为：

根据果蔬辨别模型得到预测缺陷类别值；

将所述的预测缺陷类别值与预设缺陷类别值进行比较，得到偏差率；

判断所述偏差率是否大于预设偏差率阈值；

若大于，则判断为有物理损伤或有病虫害的果蔬。

本方案中，所述的预测缺陷类别值与预设缺陷类别值进行比较，得到偏差率，其中偏差率的计算具体为：

其中qj和pj分别表示在果蔬辨别模型判别过程中第j个缺陷类别值的实际值和预测值，z表示样品的个数。

本发明第二方面还提供了一种基于近红外光谱的果蔬优选分拣系统，该系统包括：存储器、处理器，所述存储器中包括基于近红外光谱的果蔬优选分拣方法程序，所述基于近红外光谱的果蔬优选分拣方法程序被所述处理器执行时实现如下步骤：

获取待分拣果蔬的光谱信息；

将所述光谱信息进行预处理，引入果蔬辨别模型，得到结果信息；

根据结果信息判别待分拣果蔬中有物理损伤和有虫害的果蔬，以实现优选分拣。

本方案中，所述的获取待分拣果蔬的光谱信息，具体为：光源照射待分拣果蔬，果蔬底座中设有导入检测器，导入检测器连接光谱仪采集光谱信息，其中光谱类型为短波近红外光谱，果蔬底座中设有遮光圈，可以有效的减少杂散光干扰。

本方案中，所述的将光谱信息进行预处理，具体为在matlab软件中，进行原始光谱数据的平滑、插值、滤波、拟合及提高分辨率运算以及进行平滑去燥、数据压缩及信息提取，导出能量光谱。

本方案中，在matlab软件中建立果蔬辨别模型，使用plsregress函数实现偏最小二乘回归，在偏最小二乘算法模型中，通过迭代算法实现自变量和因变量的分解并回归建立二者关系，其中建立果蔬辨别模型具体为：将数据进行标准化处理，求解出符合要求的主成分，根据求解出的主成分建立光谱数据与缺陷类别值之间的回归，通过迭代一步继续求解主成分直到达到目标值，推导出光谱数据与缺陷类别值的回归表达式，即果蔬辨别模型建立完成。

本方案中，所述的引入果蔬辨别模型，得到结果信息，具体为：果蔬辨别模型通过计算得到预测缺陷类别值，根据预测缺陷类别值判别待分拣果蔬中有物理损伤和有虫害果蔬，其中预测缺陷类别值的计算公式为：

其中，f为果蔬辨别模型预测缺陷类别值，a为模型截距，k为预测集中第k个预测自变量，n为自变量数量，e表示能量光谱谱线强度，η为模型拟合参数。

本方案中，所述的根据结果信息判别待分拣果蔬中有物理损伤和有虫害的果蔬，具体为：

根据果蔬辨别模型得到预测缺陷类别值；

将所述的预测缺陷类别值与预设缺陷类别值进行比较，得到偏差率；

判断所述偏差率是否大于预设偏差率阈值；

若大于，则判断为有物理损伤或有病虫害的果蔬。

本方案中，所述的预测缺陷类别值与预设缺陷类别值进行比较，得到偏差率，其中偏差率的计算具体为：

其中qj和pj分别表示在果蔬辨别模型判别过程中第j个缺陷类别值的实际值和预测值，z表示样品的个数。

本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于近红外光谱的果蔬优选分拣方法程序，所述基于近红外光谱的果蔬优选分拣方法程序被处理器执行时，实现如上述任一项所述的基于近红外光谱的果蔬优选分拣方法的步骤。

本发明公开的一种基于近红外光谱的果蔬优选分拣方法、系统和可读存储介质，通过获取待分拣果蔬的光谱信息，将所述的光谱信息进行预处理，引入果蔬辨别模型，根据果蔬辨别模型得到的预测缺陷类别值，通过预测缺陷类别值与预设缺陷类别值的比较，判别待分拣果蔬中的有物理损伤和有虫害的果蔬，实现果蔬的优选分拣。

附图说明

图1示出了本发明一种基于近红外光谱的果蔬优选分拣方法的流程图；

图2示出了本发明根据结果信息判别待分拣果蔬中有物理损伤和有虫害的果蔬的方法流程图。

图3示出了本发明一种基于近红外光谱的果蔬优选分拣系统的框图。

具体实施方法

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

图1示出了本发明一种基于近红外光谱的果蔬优选分拣方法的流程图。

如图1所示，本发明第一方面提供了一种基于近红外光谱的果蔬优选分拣方法，包括：

s102,获取待分拣果蔬的光谱信息；

s104,将所述光谱信息进行预处理，引入果蔬辨别模型，得到结果信息；

s106,根据结果信息判别待分拣果蔬中有物理损伤和有虫害的果蔬，以实现优选分拣。

需要说明的是，所述的获取待分拣果蔬的光谱信息，具体为：光源照射待分拣果蔬，果蔬底座中设有导入检测器，导入检测器连接光谱仪采集光谱信息，其中光谱类型为短波近红外光谱，果蔬底座中设有遮光圈，可以有效的减少杂散光干扰。

需要说明的是，所述的将光谱信息进行预处理，具体为在matlab软件中，进行原始光谱数据的平滑、插值、滤波、拟合及提高分辨率运算以及进行平滑去燥、数据压缩及信息提取，导出能量光谱，预处理可以减弱甚至消除各种非目标因素对光谱的影响，尽可能的去处去除无关信息变量，从而提高模型的预测能力和精度；光谱处理方法有数据增强算法、平滑、导数、标准正态变量变换、多元散射校正、傅立叶变换、直线差值、矢量归一化、最大最小归一化、小波变换、正交信号校正和净分析信号等方法及这些方法的组合，其中导数方法可以有效消除基线和其他背景的干扰，分辨重叠峰，提高分辨率和灵敏度，但是它同时会引入噪声，降低信噪比，常用的有一阶导数和二阶导数；近红外光谱标准正态变量变换处理办法主要是消除固体颗粒大小，表面散射以及光程变化对漫反射光谱的影响；去趋势算法通常是用于标准正态算法处理后的光谱，用来消除漫反射光谱的基线漂移；小波变换主要作用为光谱去噪平滑、光谱数据压缩和化学信息提取等；正交信号校正可以滤除与浓度无关的光谱信号，以简化模型和提高模型预测能力。

需要说明的是，偏最小二乘法是一种类似于主成分分析的光谱定量分析方法，同时执行光谱数据和浓度数据的分解，并不像主成分分析算法中有单独回归步骤，计算模型中的每一个新荷载向量时，当某个因素所起的作用从原始数据前得分就被替换，缩减了的数据矩阵用来计算下一个载荷向量，过程重复直到所有期望的载荷向量计算完，偏最小二乘法是比较完善的基于因子分析原理的校正方法，可降低噪声对校正模型的影响，比较适用于处理变量多而样本数少的问题。

需要说明的是，在matlab软件中建立果蔬辨别模型，使用plsregress函数实现偏最小二乘回归，在偏最小二乘算法模型中，通过迭代算法实现自变量和因变量的分解并回归建立二者关系，其中建立果蔬辨别模型具体为：将数据进行标准化处理，求解出符合要求的主成分，根据求解出的主成分建立光谱数据与缺陷类别值之间的回归，通过迭代一步继续求解主成分直到达到目标值，推导出光谱数据与缺陷类别值的回归表达式，即果蔬辨别模型建立完成。

需要说明的是，所述的引入果蔬辨别模型，得到结果信息，具体为：果蔬辨别模型通过计算得到预测缺陷类别值，根据预测缺陷类别值判别待分拣果蔬中有物理损伤和有虫害果蔬，其中预测缺陷类别值的计算公式为：

其中，f为果蔬辨别模型预测缺陷类别值，a为模型截距，k为预测集中第k个预测自变量，n为自变量数量，e表示能量光谱谱线强度，η为模型拟合参数。

图2示出了本发明根据结果信息判别待分拣果蔬中有物理损伤和有虫害的果蔬的方法流程图。

根据本发明实施例，所述的根据结果信息判别待分拣果蔬中有物理损伤和有虫害的果蔬，还包括：

s202，根据果蔬辨别模型得到预测缺陷类别值；

s204，将所述的预测缺陷类别值与预设缺陷类别值进行比较，得到偏差率；

s206，判断所述偏差率是否大于预设偏差率阈值；

s208，若大于，则判断为有物理损伤或有病虫害的果蔬。

本方案中，所述的预测缺陷类别值与预设缺陷类别值进行比较，得到偏差率，其中偏差率的计算具体为：

其中qj和pj分别表示在果蔬辨别模型判别过程中第j个缺陷类别值的实际值和预测值，z表示样品的个数。

需要说明的是，在建立模型之前需要对样品集进行筛选，选取的样品指标范围应恰当合适，同时应该考虑多个品种的果蔬在实验集和验证集的个数和性质是否平均，从而确保模型的准确性以及通用性，有物理损伤或者有虫害果蔬的光谱信息与正常果蔬的光谱信息有不同，但光谱的总体变化趋势基本一致，例如在研究正常番茄与有物理损伤番茄红外漫投射光谱特征对比分析时，由于有物理损伤番茄外部保护层受到破坏，使得透光能力变强，有物理损伤番茄的光谱能量比正常番茄的光谱能量高，由光谱分析可知，两条对比光谱在波长680nm-730nm范围内同时有波谷、波峰，在波长630nm处有物理损伤的番茄比正常番茄多有两个波峰，综上分析，可得出光谱的有效信息集中在689nm-836nm之间，即选用689nm-730nm波长范围进行建模。

需要说明的是，采用近红外光谱建立模型时，样本集按一定比例划分为校正集和验证集，用校正集建立校正模型并用此模型对验证集进行预测，检验模型的性能；将所得果蔬辨别模型根据比较分析各个模型的交互验证均方根、均方根误差以及相关系数等多个参数来进行模型的评估，若模型的交互验证均方根和均方根误差越小，相关系数越趋近于1，则证明模型的预测能力越好。当主乘数增加时，预测集的均方根误差逐渐降低，当主成分增加到一定数值时，均方根误差最小，模型预测能力达到最优效果。光谱变量在果蔬辨别模型中的贡献率越大，对应的回归系数越大，即当正回归系数对象对应的光谱变量越大，果蔬有物理损伤和有虫害的几率越大。

本发明第二方面还提供了一种基于近红外光谱的果蔬优选分拣系统3，该系统包括：存储器31、处理器32，所述存储器中包括基于近红外光谱的果蔬优选分拣方法程序，所述基于近红外光谱的果蔬优选分拣方法程序被所述处理器执行时实现如下步骤：

获取待分拣果蔬的光谱信息；

将所述光谱信息进行预处理，引入果蔬辨别模型，得到结果信息；

根据结果信息判别待分拣果蔬中有物理损伤和有虫害的果蔬，以实现优选分拣。

需要说明的是，所述的获取待分拣果蔬的光谱信息，具体为：光源照射待分拣果蔬，果蔬底座中设有导入检测器，导入检测器连接光谱仪采集光谱信息，其中光谱类型为短波近红外光谱，果蔬底座中设有遮光圈，可以有效的减少杂散光干扰。

需要说明的是，所述的将光谱信息进行预处理，具体为在matlab软件中，进行原始光谱数据的平滑、插值、滤波、拟合及提高分辨率运算以及进行平滑去燥、数据压缩及信息提取，导出能量光谱，预处理可以减弱甚至消除各种非目标因素对光谱的影响，尽可能的去处去除无关信息变量，从而提高模型的预测能力和精度；光谱处理方法有数据增强算法、平滑、导数、标准正态变量变换、多元散射校正、傅立叶变换、直线差值、矢量归一化、最大最小归一化、小波变换、正交信号校正和净分析信号等方法及这些方法的组合，其中导数方法可以有效消除基线和其他背景的干扰，分辨重叠峰，提高分辨率和灵敏度，但是它同时会引入噪声，降低信噪比，常用的有一阶导数和二阶导数；近红外光谱标准正态变量变换处理办法主要是消除固体颗粒大小，表面散射以及光程变化对漫反射光谱的影响；去趋势算法通常是用于标准正态算法处理后的光谱，用来消除漫反射光谱的基线漂移；小波变换主要作用为光谱去噪平滑、光谱数据压缩和化学信息提取等；正交信号校正可以滤除与浓度无关的光谱信号，以简化模型和提高模型预测能力。

需要说明的是，偏最小二乘法是一种类似于主成分分析的光谱定量分析方法，同时执行光谱数据和浓度数据的分解，并不像主成分分析算法中有单独回归步骤，计算模型中的每一个新荷载向量时，当某个因素所起的作用从原始数据前得分就被替换，缩减了的数据矩阵用来计算下一个载荷向量，过程重复直到所有期望的载荷向量计算完，偏最小二乘法是比较完善的基于因子分析原理的校正方法，可降低噪声对校正模型的影响，比较适用于处理变量多而样本数少的问题。

需要说明的是，在matlab软件中建立果蔬辨别模型，使用plsregress函数实现偏最小二乘回归，在偏最小二乘算法模型中，通过迭代算法实现自变量和因变量的分解并回归建立二者关系，其中建立果蔬辨别模型具体为：将数据进行标准化处理，求解出符合要求的主成分，根据求解出的主成分建立光谱数据与缺陷类别值之间的回归，通过迭代一步继续求解主成分直到达到目标值，推导出光谱数据与缺陷类别值的回归表达式，即果蔬辨别模型建立完成。

需要说明的是，所述的引入果蔬辨别模型，得到结果信息，具体为：果蔬辨别模型通过计算得到预测缺陷类别值，根据预测缺陷类别值判别待分拣果蔬中有物理损伤和有虫害果蔬，其中预测缺陷类别值的计算公式为：

其中，f为果蔬辨别模型预测缺陷类别值，a为模型截距，k为预测集中第k个预测自变量，n为自变量数量，e表示能量光谱谱线强度，η为模型拟合参数。

根据本发明实施例，所述的根据结果信息判别待分拣果蔬中有物理损伤和有虫害的果蔬，还包括：

根据果蔬辨别模型得到预测缺陷类别值；

将所述的预测缺陷类别值与预设缺陷类别值进行比较，得到偏差率；

判断所述偏差率是否大于预设偏差率阈值；

若大于，则判断为有物理损伤或有病虫害的果蔬。

本方案中，所述的预测缺陷类别值与预设缺陷类别值进行比较，得到偏差率，其中偏差率的计算具体为：

其中qj和pj分别表示在果蔬辨别模型判别过程中第j个缺陷类别值的实际值和预测值，z表示样品的个数。

需要说明的是，在建立模型之前需要对样品集进行筛选，选取的样品指标范围应恰当合适，同时应该考虑多个品种的果蔬在实验集已经验证集的个数和性质是否平均，从而确保模型的准确性以及通用性，有物理损伤或者有虫害果蔬的光谱信息与正常果蔬的光谱信息有不同，但光谱的总体变化趋势基本一致，例如在研究正常番茄与有物理损伤番茄红外漫投射光谱特征对比分析时，由于有物理损伤番茄外部保护层受到破坏，使得透光能力变强，有物理损伤番茄的光谱能量比正常番茄的光谱能量高，由光谱分析可知，两条对比光谱在波长680nm-730nm范围内同时有波谷、波峰，在波长630nm处有物理损伤的番茄比正常番茄多有两个波峰，综上分析，可得出光谱的有效信息集中在689nm-836nm之间，即选用689nm-730nm波长范围进行建模。

需要说明的是，采用近红外光谱建立模型时，样本集按一定比例划分为校正集和验证集，用校正集建立校正模型并用此模型对验证集进行预测，检验模型的性能；将所得果蔬辨别模型根据比较分析各个模型的交互验证均方根、均方根误差以及相关系数等多个参数来进行模型的评估，若模型的交互验证均方根和均方根误差越小，相关系数越趋近于1，则证明模型的预测能力越好；当主乘数增加时，预测集的均方根误差逐渐降低，当主成分增加到一定数值时，均方根误差最小，模型预测能力达到最优效果。光谱变量在果蔬辨别模型中的贡献率越大，对应的回归系数越大，即当正回归系数对象对应的光谱变量越大，果蔬有物理损伤和有虫害的几率越大。

图3示出了本发明一种基于近红外光谱的果蔬优选分拣系统的框图。

本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于近红外光谱的果蔬优选分拣方法程序，所述基于近红外光谱的果蔬优选分拣方法程序被处理器执行时，实现如上述任一项所述的基于近红外光谱的果蔬优选分拣方法的步骤。

本发明公开的一种基于近红外光谱的果蔬优选分拣方法、系统和可读存储介质，通过获取待分拣果蔬的光谱信息，将所述的光谱信息进行预处理，引入果蔬辨别模型，根据果蔬辨别模型得到的预测缺陷类别值，通过预测缺陷类别值与预设缺陷类别值的比较，判别待分拣果蔬中的有物理损伤和有虫害的果蔬，实现果蔬的优选分拣。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的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。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。