一种用于柑橘类水果内部冻害的在线识别方法与流程

1.本发明属于智能农业技术领域，尤其属于水果采后技术领域的一种水果检测方法，特别涉及了不同水果大小影响下的透射光谱用于柑橘类水果内部冻害识别的方法。


背景技术：

2.水果采后处理可以提高水果市场竞争力，保障消费者购买到称心如意的水果。当冬季低温持续时间较长或者温度骤降时，经常会导致柑橘类水果产生内部冻害损伤，极端地区甚至年年发生柑橘冻害现象。细胞内部结冰的形成破坏橘瓣细胞，形成了水分流失，从而导致发生冻害的橘瓣脱水。同时冻伤还容易在水果内部产生柠檬素，使柑橘味苦。发生内部冻害的柑橘类水果与正常水果外表无异，肉眼无法识别。由于人们对水果品质的要求日益严苛，发生冻害的水果与正常水果混杂出售，无疑会严重影响我国水果生产商声誉与消费者用户体验。因此，柑橘类水果产业迫切需要一种技术方法用于柑橘类水果内部冻害的在线识别。
3.目前，进行柑橘类水果冻害识别最常见的方法是人工对水果样品的内部进行切割和检查，但这种方法具有破坏性且检测效率低下。也有一些学者提出了其他方法用于柑橘类水果冻害识别，包括荧光检测、气相色谱
‑
质谱、乙醇检测、核磁共振技术。然而，这些方法通常是复杂耗时且昂贵的，难以应用于快速无损在线检测。近年来，可见/近红外光谱无损检测技术发展迅速，这项技术凭借其分析速度快，低成本等优点在果实内部品质及病害检测方面得到广泛应用并获得认可。已有报导基于可见/近红外透射光谱进行果实内部病害的识别，由于透射光谱受到果实大小影响严重，唯有消除果实大小对于透射光谱的影响才能保证检测精度，但消除果实大小对于透射光谱影响方法的研究较少。虽然已有众多研究涉及可见/近红外光谱用于水果内部病害的识别，但目前基于可见/近红外透射光谱进行柑橘类水果内部冻害识别方法的相关报导较少。


技术实现要素：

4.为了解决当前产业现状中存在的问题，本发明的目的在于提供一种用于柑橘类水果内部冻害的在线识别方法。本发明能够填补水果采后技术领域中柑橘类水果内部冻害识别的技术空白，实现了不同种类水果内部缺陷的有效识别。
5.本发明的技术方案是：
6.步骤s1，以已知冻害分类的柑橘类水果作为样本，包含了冻伤的和正常的两个大种类，冻伤种类下可再细分为不同的冻害等级；应用水果品质检测分选生产线中柑橘类水果透射光谱采集方法在线采集所有柑橘类水果样本的可见/近红外透射光谱作为样本透射光谱，同时采集聚四氟乙烯球的透射光谱作为样本参比光谱；
7.所述的柑橘类水果包含了冻伤的和正常的不同种。
8.所述的聚四氟乙烯球和柑橘大小一致，且实心、表面光滑、颜色白色。
9.步骤s2，利用游标卡尺测得每一个柑橘类水果的横径值，即果实的大小信息，作为
样本透射光谱采集时的光程信息；
10.所述的光程信息是指透射光谱的光束从入射到柑橘类水果的入射点到检测的出射点之间的光程。
11.步骤s3，采集全部柑橘类水果样本的光谱与横径值后，对于每个柑橘类水果样本，处理获得样本吸光度光谱并校正样本吸光度光谱：
12.步骤s4，将所有柑橘类水果的经透射光谱/横径校正后的样本吸光度光谱数据划分训练集和测试集，通过波段寻优算法获得最优光谱范围；
13.步骤s5，建立柑橘类水果内部冻害识别模型，并用最优光谱范围的样本吸光度光谱进行训练获得最优柑橘类水果内部冻害识别模型，将最优柑橘类水果内部冻害识别模型嵌入到水果品质检测分选生产线对柑橘类水果的内部冻害进行在线实时检测。
14.所述步骤s1中，采集柑橘类水果样本的透射光谱时，光源发出光束从柑橘类水果样本一侧入射，并且入射方向与柑橘类水果样本的赤道面平行，透射光谱接收单元布置在柑橘类水果样本的另一侧接收获取透射光束的光谱信息。
15.具体实施中，卤素灯的光源安装在光源灯架上，光源下方的光源灯架上安装有散热风扇，柑橘类水果放置在柑橘运输单元，并受柑橘运输单元驱动运输，卤素灯的光源和光谱接收单元相对对称布置在柑橘类水果的两侧。
16.所述的透射光谱接收单元主要由准直镜、光纤与光谱仪构成，准直镜外接光纤与光谱仪相连接，准直镜和光纤连接，光纤端部具有微小间隙地接触到透射光束出射的柑橘类水果样本的表面。
17.所述的光源为卤素灯。
18.所述步骤s3中，对于每个柑橘类水果样本，按照以下方式进行处理：
19.步骤s3.1，结合样本参比光谱对样本透射光谱进行吸光度值转换，得到柑橘类水果样本的样本吸光度光谱；
20.步骤s3.2，将横径值与样本吸光度光谱进行相关性分析，寻找与果实大小相关性最高的光谱波长点，并以光谱波长点为参照进行透射光谱校正，也即横径校正，消除柑橘类水果样本的果实大小对于透射光谱的影响。
21.所述步骤s3.2中，基于果实大小进行透射光谱横径校正流程如下：
22.步骤s3.2.1，读入单个柑橘类水果样本的横径值与样本吸光度光谱，对于样本吸光度光谱中的单个波长作为测量波长，进行pearson相关性分析，公式为：
[0023][0024]
其中，r表示测量波长下的吸光度值和横径值的相关性权值，x表示为单个柑橘类水果样本在测量波长下样本吸光度光谱中的的吸光度值，y表示为柑橘类水果样本的横径值；表示所有柑橘类水果样本在测量波长下样本吸光度光谱中的吸光度值的平均值，表示所有柑橘类水果样本的横径值的平均值；
[0025]
不同测量波长具有不同的相关性权值r。
[0026]
步骤s3.2.2，不断重复步骤s3.2.1对该柑橘类水果样本的样本吸光度光谱中的所有每个波长均进行处理获得所有各个波长的相关性权值r，选取相关性权值r最大对应的波
长作为光谱波长点r_max；柑橘类水果样本的所有各个波长处的吸光度值除以光谱波长点r_max处的吸光度值，以完成该柑橘类水果样本的透射光谱校正；
[0027]
步骤s3.2.3，对每一个柑橘类水果样本重复步骤s3.2.1～步骤s3.2.2，直至所有柑橘类水果样本完成透射光谱校正。
[0028]
所述步骤s4中，划分训练集和测试集，是随机将m个样本吸光度光谱划分为训练集，剩余的n个样本吸光度光谱划分为测试集，一般情况下m：n为2：1，即将2/3个样本数据划分为训练集，剩余1/3个样本数据划分为测试集，也可以是其他比例。具体实施以实验样本的2/3作为训练集训练模型，以剩下的1/3样本作为测试集对模型泛化能力做测试，进行模型评价。
[0029]
所述步骤s4中，通过波段寻优算法获得最优光谱范围的过程如下：
[0030]
步骤s4.1，针对校正后的样本吸光度光谱，确定寻优的窗口大小和窗口移动步长，具体设置窗口大小的范围为[a,b]，a和b均表示窗口大小值在样本吸光度光谱中所涵盖的波长数的总数量，a小于b；
[0031]
步骤s4.2，从窗口大小的范围为[a,b]中选取一个窗口大小值，从样本吸光度光谱的第1个波长开始建立具有该窗口大小值的窗口，并且以窗口移动步长滑动窗口，训练集中利用每个窗口中的各个波长的样本吸光度光谱数据构建数据集并训练柑橘类水果内部冻害识别模型，再用测试集对训练后的柑橘类水果内部冻害识别模型进行测试识别，记录识别准确率；可以每个窗口大小值下的各个窗口先保存识别准确率最大的最优结果对应的窗口大小和窗口起始波长。
[0032]
具体实施中可将窗口大小的范围设置为[100,2040]，窗口移动步长设置为5。
[0033]
选定一个窗口间隔值，如100，对所有样本吸光度光谱从第1个波长点开始，顺序选择第1个波长点到第100个波长点的共计100个波长点的光谱数据构建数据集并训练内部冻害识别模型。
[0034]
步骤s4.3，遍历窗口大小的范围为[a,b]中的每个窗口大小值，不断重复上述步骤，选取所有窗口大小值下的所有窗口中识别准确率最大的结果，以该结果对应的窗口内样本吸光度光谱所包含的各个波长组成了最优光谱范围。
[0035]
最优光谱范围即记录最优窗口的起始点和窗口大小，建立光谱范围。
[0036]
所述步骤s5中，最优柑橘类水果内部冻害识别模型获得如下：
[0037]
步骤s5.1，以在训练集中最优光谱范围包含的样本吸光度光谱数据构建数据集，并基于偏最小二乘判别分析算法训练柑橘类水果内部冻害识别模型；
[0038]
步骤s5.2，将测试集输入训练后的柑橘类水果内部冻害识别模型得到判别结果，计算冻害类柑橘、正常类柑橘、全部柑橘的判别准确率，如不符合要求，则回到步骤s4重新选取训练集与测试集，直至判别准确率符合要求，得到最优柑橘类水果内部冻害识别模型。
[0039]
所述的柑橘类水果内部冻害识别模型具体为：
[0040]
f(x)＝w
t
x+v
[0041]
式中，w
t
为柑橘类水果内部冻害识别模型回归系数向量的转置，v为柑橘类水果内部冻害识别模型的截距，x表示要进行识别的柑橘类水果样本吸光度光谱信息，f(x)表示为柑橘类水果内部冻害识别模型的识别结果。
[0042]
本发明基于现有水果品质检测生产线实时获取柑橘类水果的可见/近红外透射光
谱，并用游标卡尺获得果实大小信息；将光谱信息与大小信息进行相关性分析，消除果实大小对于透射光谱的影响；基于偏最小二乘判别分析算法对经横径校正后的光谱数据建立最优冻害判别模型，利用该模型可实现冻伤柑橘的快速识别。该技术能够填补水果采后技术领域中柑橘类水果内部冻害识别的空白。
[0043]
与现有技术相比，本发明的有益效果是：
[0044]
1)本发明建立的模型能够有效进行柑橘类水果内部冻害的在线识别，满足柑橘类水果冻害识别技术要求，可填补现有水果品质检测生产线中柑橘类水果内部冻害识别的技术空白；同时，本发明建立柑橘内部冻害识别模型的方法同样适用于基于透射光谱进行其他类水果其他内部缺陷的识别。
[0045]
2)本发明提出的横径校正方法能够有效消除果实大小对于透射光谱的影响，保证了柑橘内部冻害的识别准确率，该方法普适性较强，基于透射光谱进行其他类果蔬内部品质及缺陷检测时，可借鉴本方法消除由不同光程带来的影响，提高检测精度。
[0046]
3)本发明提出的最优波长范围选择方法能够建立最优的柑橘类水果内部冻害识别模型，操作简单有效，普适性强，基于近红外光谱进行果蔬品质无损检测时，可借鉴本寻优方法建立最优预测模型。
附图说明
[0047]
图1是本发明用于柑橘类水果内部冻害识别模型建立流程图。
[0048]
图2是水果品质检测生产线中柑橘类水果在线透射光谱采集示意图。
[0049]
图3是本发明用于消除果实大小对于透射光谱影响的算法流程图。
[0050]
图4是本发明光谱波段范围寻优算法流程图。
[0051]
图5是本发明建立最优冻害识别模型流程图。
[0052]
图6是本发明中吸光度光谱与果实大小的相关性分析图。
[0053]
图7是本发明中样本横径校正前后的吸光度光谱图。
[0054]
图中，1、光谱接收单元；2、光源灯架；3、卤素灯光源；4、散热风扇；5、柑橘运输单元。
具体实施方式
[0055]
下面结合附图和实施例详细说明本发明的实施方式。
[0056]
如图1所示，以本实验为例，本发明的实施例及其实施过程如下：
[0057]
1材料与方法
[0058]
1.1试验材料与方法
[0059]
本试验于2021年02月04日在浙江省杭州市浙江大学紫金港校区(北纬30
°
18
′
43
″
，东经120
°
05
′
51
″
，海拔7米)进行(内部试验，保密状态)。供实验的材料为柑橘。共选取大小不一的柑橘114个，其中59个柑橘存在内部冻害，55个柑橘为正常柑橘。
[0060]
如图2，具体实施中，卤素灯的光源3安装在光源灯架2上，光源3下方的光源灯架2上安装有散热风扇4，柑橘类水果放置在柑橘运输单元5，并受柑橘运输单元5驱动运输，卤素灯的光源3和光谱接收单元1相对对称布置在柑橘类水果的两侧。
[0061]
透射光谱接收单元1主要由准直镜、光纤与光谱仪构成，准直镜外接光纤与光谱仪
相连接，准直镜端部与透射光束出射的柑橘类水果样本的表面存在微小的间隙。光源3为卤素灯。
[0062]
通过采集直径75mm的聚四氟乙烯球透射光谱作为参比，将柑橘透射光谱转化为吸光度光谱。吸光度光谱转换公式为：
[0063][0064]
将全部样本透射光谱采集完成后，用数显游标卡尺测量每一个样本的横径值，即果实的大小信息，作为样本透射光谱采集时的光程信息。
[0065]
随后，记录每一个柑橘样本的冻害信息，若样本存在冻害特征，则标记为1，反之则标记为
‑
1。实验共得到114个柑橘的吸光度光谱、横径值、冻害特征，这三类数据用于后续建模分析。
[0066]
1.2模型建立方法
[0067]
基于偏最小二乘判别分析算法建立柑橘类水果内部冻害识别模型的过程主要包括透射光谱横径校正、波段范围寻优和模型构建。
[0068]
1.2.1透射光谱横径校正
[0069]
如图3所示，本发明用于消除果实大小对于透射光谱影响的算法流程如下：
[0070]
将样本横径值与吸光度光谱进行pearson相关性分析，其公式为：
[0071][0072]
其中，r表示测量波长下的吸光度值和横径值的相关性权值，x表示为单个柑橘样本在测量波长下样本吸光度光谱中的的吸光度值，y表示为单个柑橘样本的横径值；表示所有柑橘样本在测量波长下样本吸光度光谱中的吸光度值的平均值，表示所有柑橘样本的横径值的平均值；
[0073]
样本光谱每个波长点与横径值的相关性进行统计比较，寻找与果实大小相关性最高的波长点，并记录此波长为r_max。本例中，r_max为波长825nm。将每一个样本的全部波长处吸光度值除以该样本r_max波长点处吸光度值，即可完成对样本吸光度值的横径校正，消除果实大小对于透射光谱的影响。
[0074]
1.2.2波段范围寻优
[0075]
由于光谱中含有的冗余信息较多，为了保证模型稳定性与泛化能力，我们需要选择合适的波段范围建立柑橘内部冻害识别模型。
[0076]
如图4所示，本发明用于光谱波段范围寻优算法流程如下：
[0077]
确定寻优的波段窗口间隔和窗口移动步长。本例中光谱维度为2040维，因此设置窗口间隔的索引范围为[100,2040]。窗口移动步长设为5。
[0078]
选定一个窗口间隔值，如100，对所有样本吸光度光谱从第1个波长点开始，顺序选择窗口间隔值(100)个波长点光谱数据构建新的数据集并建立内部冻害识别模型，并将模型在测试集识别效果进行记录；接下来，保持选定的窗口间隔值不变，将窗口顺序移动步长5，即对所有样本吸光度光谱从第6个波长点开始，顺序选择窗口间隔值(100)个波长点光谱数据构建新的数据集并建立内部冻害识别模型，并将模型在测试集识别效果进行记录；不
断将窗口按照移动步长顺序移动，直至窗口移动至光谱的最后一列，将此过程模型在测试集识别效果进行全部记录。记录的模型在测试集识别效果进行比较，将最优的结果进行保存，同时保存该最优结果对应的窗口间隔值和起始波长点，完成一个固定窗口间隔值下最优模型对应的波长起始点寻优操作。
[0079]
顺序选定一个新的窗口间隔值，如101，继续进行该窗口间隔值下最优模型对应的波长起始点寻优操作，直至窗口间隔索引范围内的所有值都遍历完成。最后，将不同窗口间隔值下的所有最优结果进行比较，得到最优内部冻害识别模型，及其对应的最优窗口间隔值、最优起始波长点。至此，完成了柑橘内部冻害识别模型光谱波段范围寻优。本例中，通过光谱波段寻优算法得到的最优建模光谱范围为644nm～820nm。后续研究中，应用得到的最优窗口间隔值、最优起始波长点可建立最优柑橘类水果内部冻害在线识别模型。
[0080]
1.2.3模型构建
[0081]
如图5所示，本发明基于偏最小二乘判别分析算法对经横径校正后的光谱数据建立最优冻害判别模型流程如下：
[0082]
完成所有样本透射光谱的吸光度值转换与横径校正，根据确定的波长最优窗口间隔值与起始点，选择最优的建模波长范围，并随机按照2:1的比例将所有样本数据划分为训练集与测试集。基于偏最小二乘判别分析算法应用训练集样本数据构建柑橘内部冻害识别模型。将测试集数据代入模型，得到判别结果，计算冻害类柑橘、正常类柑橘、全部柑橘的判别准确率，如不符合要求，则重新选取训练集与测试集构建柑橘内部冻害识别模型，直至判别准确率符合要求，得到最终的模型f(x)＝w
t
x+v，式中，w
t
为柑橘内部冻害识别模型回归系数向量的转置，v为柑橘内部冻害识别模型的截距，x表示要进行识别的柑橘样本吸光度光谱信息，f(x)表示为柑橘内部冻害识别模型的识别结果。
[0083]
2结果与讨论
[0084]
2.1吸光度光谱经横径校正后结果分析
[0085]
全部样本吸光度光谱与果实大小进行相关性分析，结果如图6所示。在波长825nm处，样本吸光度光谱与果实大小相关性最高为0.91。以此波长下的吸光度值为参考，进行全部样本光谱横径校正，如图7所示。横径校正前吸光度光谱受到果实大小的影响，光谱图像较为杂乱。经横径校正后，吸光度光谱图像得到了较大提升。在波长700nm附近能够明显发现由于柑橘内部品质不同而导致的吸光度光谱图差异。而在波长825nm附近吸光度光谱趋于一致，可见本发明提出的算法能够有效消除果实大小对柑橘类水果透射光谱带来的影响。
[0086]
2.2模型性能与验证结果分析
[0087]
对经横径校正后的光谱数据划分训练集和测试集，通过波段寻优算法确定最优内部冻害识别模型对应的光谱范围。本例中，通过寻优算法，最终确定选取波长644nm～820nm范围内的吸光度光谱建立模型最优。应用训练集样本数据建立柑橘水果内部冻害识别模型，该模型对于训练集冻伤柑橘的正确识别率为84.6％，正常柑橘的正确识别率为86.5％，总体正确识别率为85.5％。
[0088]
将该模型嵌入到水果品质检测生产线中，用测试集样本进行模型泛化能力验证。最终结果表明，该柑橘水果内部冻害识别模型泛化能力较好，其对于测试集样本中冻害柑橘正确识别率为80.0％，正常柑橘正确识别率为88.9％，总体正确识别率为84.2％。
[0089]
综上，本发明提出的模型方法能够有效进行柑橘类水果内部冻害的识别。基于水果品质检测生产线在线采集柑橘的透射光谱并将之转化为吸光度光谱。用与果实大小相关性最高波长点825nm处吸光度光谱值进行样本光谱横径校正，消除果实大小对于透射光谱的影响。本发明提出波段寻优算法得到最优的光谱建模波长范围，基于偏最小二乘判别分析算法建立最优柑橘类水果内部冻害识别模型，利用该模型可实现冻伤柑橘的快速判别。
[0090]
本发明提出的用于柑橘类水果内部冻害在线识别方法能够填补水果采后技术领域中柑橘类水果内部冻害识别的技术空白。模型稳定，泛化能力较优，为柑橘内部冻害有效识别提供了重要理论基础与技术实现。显而易见地，本发明提出的方法可同样扩展至其他类水果不同内部缺陷识别，应用广泛。