一种基于高光谱的黄桃可溶性固形物快速检测方法及装置

文档序号：25729773发布日期：2021-07-02 21:17阅读：177来源：国知局

本发明涉及水果品质无损检测领域，具体涉及一种基于高光谱的黄桃可溶性固形物快速检测方法及装置。

背景技术：

传统的水果品质检测方法需要进行破坏性采样，难以实现对水果品质批量化、自动化和在线实时检测。随着高光谱技术的发展，利用高光谱对水果品质进行无损检测成为一个重要的趋势。

强锋等人于2017年在《现代食品科技》第33卷第4期发表了《基于vis/nir高光谱技术的灵武长枣ssc含量的无损检测研究》，其利用高光谱技术对灵武长枣可溶性固形物含量(ssc)检测进行研究，为灵武长枣内部品质无损检测提供科学方法。以灵武长枣为对象，对光谱教据进行预处理，应用连续投影算法(spa)和正自适应加权算法(cars)进行关键波长的选择，通过偏最小二乘回归(plsr)和主成分回归(pcr)建立预测模型。

魏萱等人于2017年在《食品与机械》第33卷第10期发表了《基于近红外高光谱成像技术的涩柿ssc含量无损检测》，其对150个涩柿采集900～1700nm波段的近红外高光谱图像信息，利用蒙特卡罗—无信息变量消除(mc-uve)和连续投影算法(spa)对感兴趣区域光谱进行波长优选，利用的同样是偏最小二乘检测模型。

技术实现要素：

针对本领域存在的不足之处，本发明提供了一种基于高光谱的黄桃可溶性固形物快速检测方法。本发明以黄桃为对象，通过分析黄桃可溶性固形物含量(solublesolidscontents，ssc)的光谱特征，建立黄桃ssc高光谱反演模型，实现黄桃ssc无损检测，推动黄桃品质的自动在线检测与分级技术在生产中的应用，有助于实现水果分级，提高水果产业的经济效益。

一种基于高光谱的黄桃可溶性固形物快速检测方法，包括：

s1、在黄桃上标记位置，利用光谱仪采集该位置的光谱反射率数据，再使用折光仪测量对应部位果肉的ssc值；

s2、对所述光谱反射率数据进行微分处理，分析同一部位的光谱与ssc之间的关系，并建立根据光谱推算ssc的数学模型，具体包括步骤：

(1)对所述光谱反射率数据进行平滑去噪处理，计算二阶微分光谱；

(2)采用连续投影算法对二阶微分光谱波段进行筛选；

(3)以步骤(2)筛选得到的波段的二阶微分光谱为自变量，以s1测量得到的ssc值作为因变量，使用高斯过程回归方法构建黄桃ssc高光谱反演模型；

记x*为测试点，其对应的最可能的ssc输出值即预测值y*的后验分布为

其中，x＝[x1,x2,···,xn]为自变量光谱矩阵，n为训练样本数，y为测量得到的ssc值，

cov(y*)＝k(x*,x*)-k(x*,x)[k(x,x)+σn²an]^-1k(x,x*)(ii)

k(x,x)＝kn＝k(xi,xj)为n×n阶对称正定协方差矩阵，k(xi,xj)用为xi和xj的协方差，k(x,x*)＝k(x*,x)^t为x*与x之间的n×1阶协方差矩阵，k(x*,x*)为x*自身的协方差，an为n维单位矩阵，分别为测试点x*对应预测值y*的方差和均值；

式(i)、(ii)中，协方差函数的计算方法为平方指数协方差，公式为：

其中，l为方差的尺度，为信号方差；

式(i)～(iii)中，采用极大似然法求参数集合的值，建立样本条件概率的负对数似然函数：

l(θ)＝0.5y^t(kn+σn²an)^-1y+0.5log|(kn+σn²an)|+0.5nlog2π(iv)

通过求θ的偏导数，再对其最小化求得最优解，公式为：

根据得到的最优解和式(i)、(ii)计算得到测试点x*对应预测值y^*；

s3、测量目标黄桃某一位置的光谱反射率数据，根据所述数学模型推算该位置果肉的ssc。

在一优选例中，s1中，测量光谱的波长范围为325～1075nm，采样间隔1nm，选取350～1000nm范围的光谱作为有效数据。

在一优选例中，s1中，使用hb-112atc型折光仪，测量范围为0-20％，最小刻度为0.1％，使用环境温度为10-30℃，自带温度补偿装置，按照国标gb/t8210中的测定方法测定黄桃果肉的ssc值。

在一优选例中，步骤(1)中，二阶微分光谱计算公式为：

其中，λi是波段为i的波长值，ρ(λi)为波长为λi的光谱反射率。

在一优选例中，步骤(2)筛选得到的波段为41个，对应的波段波长分别为：946nm、456nm、667nm、939nm、934nm、521nm、393nm、429nm、371nm、397nm、491nm、406nm、677nm、452nm、421nm、438nm、390nm、372nm、374nm、400nm、979nm、385nm、383nm、401nm、413nm、823nm、696nm、984nm、944nm、615nm、930nm、399nm、375nm、387nm、504nm、993nm、381nm、690nm、649nm、388nm、485nm。

在一优选例中，记训练集t＝{(xi,yi)|i＝1,2,···，n}＝(x,y)，其中x＝[x1,x2,···,xn]为自变量光谱矩阵，y为测量得到的ssc值，n为训练样本数；记x与y之间的映射关系为f，假设y＝f(x)+ε，其中ε为正态分布的假设噪声，记为ε～n(0,σn²)，则y的先验分布为y～n(0,k(x,x)+σn²an)，y与y*的联合先验分布为由此计算出预测值y*的后验分布。

在一优选例中，所述基于高光谱的黄桃可溶性固形物快速检测方法，实测值y和预测值y*线性拟合的决定系数为0.77，均方根误差为0.65。

作为一个总的发明构思，本发明还提供了一种基于高光谱的黄桃可溶性固形物快速检测装置，包括放置有黄桃的传送带和设于所述传送带上的检测箱，所述检测箱顶部设有连接计算机的光谱探头，所述光谱探头内置光源；

在所述传送带的作用下，黄桃依次经过所述检测箱，所述光谱探头采集所述检测箱内黄桃的光谱反射率数据后传输给计算机分析计算对应部位果肉的scc值。

本发明与现有技术相比，主要优点包括：本发明公开了一种基于高光谱的黄桃可溶性固形物含量(ssc)快速监测方法及装置。具体涉及到水果品质无损检测领域。该方法主要过程为：首先在黄桃上标记位置，利用光谱仪采集该位置的光谱反射率数据，再使用折光仪测量对应部位果肉的ssc；其次对光谱进行微分处理，分析光谱与ssc之间的关系，并建立根据光谱推算ssc的数学模型；最后，设计了一套可在水果生产线上用于利用光谱对黄桃ssc进行无损检测的装置。

附图说明

图1为实施例的基于高光谱的黄桃可溶性固形物快速检测方法的流程示意图；

图2为实施例的基于高光谱的黄桃可溶性固形物快速检测装置的结构示意图，图中：1-传送带，2-检测箱，3-黄桃，4-光谱探头，5-计算机；

图3为实施例的基于高光谱的黄桃可溶性固形物快速检测方法的黄桃ssc高光谱反演模型的精度验证结果图。

具体实施方式

下面结合附图及具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。下列实施例中未注明具体条件的操作方法，通常按照常规条件，或按照制造厂商所建议的条件。

实施例的基于高光谱的黄桃可溶性固形物快速检测装置如图2所示，包括放置有黄桃3的传送带1和设于传送带1上的检测箱2，检测箱2顶部设有连接计算机5的光谱探头4，光谱探头4内置光源。在传送带1的作用下，在传送带1上排列的黄桃3依次经过检测箱2，光谱探头4采集检测箱2内黄桃3的光谱反射率数据后传输给计算机5分析计算对应部位果肉的scc值。

利用上述基于高光谱的黄桃可溶性固形物快速检测装置进行基于高光谱的黄桃可溶性固形物快速检测方法，如图1所示，包括获取黄桃样品高光谱反射率、测定黄桃ssc值、光谱数据处理与筛选、建立黄桃ssc高光谱反演模型四个过程，具体包括：

s1、在黄桃上标记位置，利用光谱仪采集该位置的光谱反射率数据，再使用折光仪测量对应部位果肉的ssc值。具体的：

a)样品选择与标记：选择不同成熟度的黄桃，将黄桃表面擦拭干净，在每个黄桃上均匀选取5个部位，用黑色记号笔画圆做标记，圆的直径大于光纤探头外径，并标记每个部位的编号。

b)使用地物光谱仪测量每个位置的光谱反射率：使用的地物光谱仪型号为asdhandheld；fieldspechandheld2型便携式可见光-近红外地物光谱仪，测量光谱的波长范围为325～1075nm，采样间隔1nm。由于波长范围两端的光谱数据一般信噪比较低，在实际应用中，一般选取350～1000nm范围的光谱作为有效数据。使用地物光谱仪配备光纤探头，首先使用校正板对光谱仪进行校正；然后将探头置于测量部位上，再将光纤探头和待测黄桃整体置于暗箱中测量光谱；光线探头内部配置有卤素灯光源；每个部位进行10次扫描，求得平均值作为该部位的光谱。每进行10次测量，重新使用校正板对光谱仪进行一次校正。

c)使用折光仪测量每个位置的ssc：

按照国标gb/t8210所述测定方法测定黄桃样品ssc。过程如下：折光仪型号为hb-112atc，测量范围为0-20％，最小刻度为0.1％，使用环境温度为10-30℃，自带温度补偿装置。打开手持式折光仪盖板，用干净的纱布或卷纸小心擦干棱镜玻璃面；在棱镜玻璃面上滴2滴蒸馏水，盖上盖板置于水平状态，从接眼部处观察，检查视野中明暗交界线是否处在刻度的零线上。若与零线不重合，则旋动刻度调节螺旋，使分界线面刚好落在零线上；打开盖板，用干净的纱布或卷纸小心擦干棱镜玻璃面，完成对折光仪的校正。流程(2)光谱测量完成后，挖取所测量部位的黄桃果肉，榨出适量果汁滴到手持糖度计棱镜玻璃面上，读取该部位果肉ssc值。

s2、对s1得到的光谱反射率数据进行微分处理，分析同一部位的光谱与ssc之间的关系，并建立根据光谱推算ssc的数学模型，具体包括步骤：

(1)对所述光谱反射率数据进行平滑去噪处理，计算二阶微分光谱；

二阶微分光谱计算公式为：

其中，λi是波段为i的波长值，ρ(λi)为波长为λi的光谱反射率。

(2)采用连续投影算法对二阶微分光谱波段进行筛选；筛选得到的波段为41个，对应的波段波长分别为：946nm、456nm、667nm、939nm、934nm、521nm、393nm、429nm、371nm、397nm、491nm、406nm、677nm、452nm、421nm、438nm、390nm、372nm、374nm、400nm、979nm、385nm、383nm、401nm、413nm、823nm、696nm、984nm、944nm、615nm、930nm、399nm、375nm、387nm、504nm、993nm、381nm、690nm、649nm、388nm、485nm。

(3)以步骤(2)筛选得到的波段的二阶微分光谱为自变量，以s1测量得到的ssc值作为因变量，使用高斯过程回归方法构建黄桃ssc高光谱反演模型；

记训练集t＝{(xi,yi)|i＝1,2,···，n}＝(x,y)，其中x＝[x1,x2,···,xn]为自变量光谱矩阵，y为测量得到的ssc值，n为训练样本数；记x与y之间的映射关系为f，假设y＝f(x)+ε，其中ε为正态分布的假设噪声，记为ε～n(0,σn²)，则y的先验分布为y～n(0,k(x,x)+σn²an)，y与y*的联合先验分布为由此计算出预测值y*的后验分布。