一种基于声学特性的苹果内部冻伤快速检测方法与流程

1.本发明涉及水果冻伤的检测方法，尤其涉及一种基于声学特性的苹果内部冻伤快速检测方法。


背景技术：

2.随着现代食品科学技术及食品产业发展，越来越多的食品会进行长期储存。对于苹果而言，冷库储存十分常见。在储存过程中，由于种种原因，将不可避免的出现内部冻伤的苹果。这些冻伤的苹果对产品质量影响较大。目前，企业普遍采用人工方式检测冻伤苹果，但人工检测存在评价员培训周期长、人员个体差异较大、实验结果系统性差及重复性较低等缺点，所以水果冻伤的检测方面需要设计一种系统性的机器自动化冻伤检测方法，用以检测苹果的内部冻伤。
3.另外，由于水果的易损特性，无损检测方法是应用最为广泛的检测方法。无损检测方法是指在不破坏待测物质原来的状态、化学性质的前提下，进行物质提取检测的一种方法，常见的内部品质无损检测方法有：x光探测法、近红外光探测法、声学振动探测法以及核磁共振探测法。这些方法中x光探测法对操作人员损伤较大，近红外光探测法和核磁共振探测法由于仪器费用问题，一般较为昂贵。相比而言，利用声学技术对食品品质进行快速无损评价研究，具有快速、简便、成本低、可操作性强等优势。


技术实现要素：

4.本发明针对现有技术中存在的人工检测苹果冻伤方法存在实验结果系统性差及重复性较低的缺点、近红外光探测法和核磁共振探测法检测苹果冻伤方法存在成本昂贵等缺陷，提供了新的一种基于声学特性的苹果内部冻伤快速检测方法。
5.为了解决上述技术问题，本发明通过以下技术方案实现：
6.一种基于声学特性的苹果内部冻伤快速检测方法，采用带有果杯、传送带、声学检测装置、计算机的设备进行检测，具体的检测步骤如下：
7.q1：上果：将苹果a放在果杯上，将所述苹果a的果柄朝向前进方向并横放在所述果杯上，所述果杯跟随所述传送带运行，所述传送带的速度v为v≤1m/s；
8.q2：声学检测：所述苹果a跟随着所述果杯进入声学检测装置，所述声学检测装置内设有位置检测传感器，当所述果杯进入所述位置检测传感器的检测范围内，所述声学检测装置发射一颗不锈钢小球去敲击所述苹果a的表面，并采集所述苹果a的声音信号数据，随后所述声学检测装置将声音信号数据传输至计算机中；
9.q3：所述计算机对所述声音信号数据进行降噪、滤波预处理，再通过傅里叶变换后得到声音信号数据的时域与频域信息，经筛选后提取相应的第一共振频率、及频率一阶矩、频率二阶矩的特征值，所述计算机将所述苹果a的参数储存为样本点a；
10.q4：对所述苹果a进行破坏性的分切，获取所述苹果a内部的彩色图像，根据所述彩色图像中冻伤区域颜色及面积，判断所述苹果a内部的冻伤等级，所述冻伤等级划为5个等
级，分别为无冻伤1级、轻微冻伤2级、中等冻伤3级、大面积冻伤4级、严重冻伤5级，并将所述苹果a的冻伤等级录入样本点a的参数中；
11.q5：随机选取200～300个苹果，重复步骤q1～q4，所述计算机获取200～300个样本点，再通过主成分分析法或主成分分析法与神经网络方法结合建立苹果冻伤预测模型；
12.q6：取苹果b，重复步骤q1～q3，所述计算机结合所述苹果b的声音信号数据和步骤q5建立的苹果冻伤预测模型，最终预测得到所述苹果b的冻伤程度。
13.在步骤q1中，果杯用于盛放待测的苹果a，并且待测苹果a要求横放在果杯上，便于后续工序进行数据采集。
14.在步骤q2中，声学检测系统能够通过机械装置和检测设备，对苹果的声学信息进行收集记录，为计算苹果内部冻伤情况提供数据支撑。
15.在步骤q3中，降噪与滤波预处理能够有效去除声音信号数据中的干扰部分，傅里叶变换能够得到信号的频域信息，特征值的提取为数据建模提供更多的信息，提高模型的准确度。
16.在步骤q4中，通过图像的采集与处理将主观判断冻伤程度的过程客观化，减少人为误差，提高模型的准确度。将冻伤等级划分为5个等级，能够更准确的对苹果内部进行评估。
17.在步骤q5中，主成分分析法能够将苹果的声音信号数据转化为少数的主成分，并尽可能多的保留原始变量信息，提高苹果冻伤预测模型的准确度。主成分分析法与神经网络方法结合的方法，能进一步补充主成分分析法的不足，也能提高苹果冻伤预测模型的准确度。
18.在步骤q6中，通过声学检测装置收集苹果b的声音信号数据，再由计算机将苹果b的声音信号数据代入苹果冻伤预测模型中，最终得出苹果b的冻伤程度。
19.本发明通过上述的步骤实现了苹果内部冻伤程度的预测，且可重复性强、预测准确度高、成本较低，克服了现有技术中存在的实验结果系统性差及重复性较低的缺点、近红外光探测法和核磁共振探测法检测苹果冻伤方法成本昂贵的缺点。
20.作为优选，上述所述的一种基于声学特性的苹果内部冻伤快速检测方法，所述主成分分析法的具体算法如下：
21.s1：将所述苹果a测得的声音信号数据，以及傅里叶变换后得到的相应特征值组成频率信息矩阵a；
22.s2：计算得到与频率信息矩阵a相关性最大的向量，作为第一主成分；
23.s3：再从原始的频率信息矩阵a中去除第一主成分，得到新的频率信息矩阵b；
24.s4：计算得到与频率信息矩阵b相关性最大的向量，作为第二主成分，从新的频率信息矩阵b中提取第二主成分；
25.s5：重复步骤s3、s4得到5～15个主成分，直至主成分贡献累计值达到95％及以上，得到主成分集合；
26.s6：计算所述主成分集合中各主成分的分量；
27.s7：将步骤s6中计算得到的分量与步骤q4得到的苹果冻伤等级通过线性回归算法建立苹果冻伤预测模型；
28.s8：将步骤q5中的200～300个样本点代入所述苹果冻伤预测模型，对预测得到的
冻伤等级和实际冻伤等级进行对比分析，根据对比分析结果进行苹果冻伤预测模型的修正。
29.主成分分析法提取出声音信号数据中的绝大部分有用信息，并通过线性回归方法建立苹果冻伤预测模型，为预测苹果冻伤程度提供必要工具。主成分集合的贡献累计值达到95％及以上，能够丰富样本数据，提高苹果冻伤预测模型的准确度与适用性。
30.作为优选，上述所述的一种基于声学特性的苹果内部冻伤快速检测方法，所述主成分分析法与神经网络方法结合的具体算法如下：
31.p1：采用三层bp神经网络，利用trainscg共轭梯度算法对输出误差进行反向传播，采用sigmoid函数作为隐含层的激励函数；
32.p2：重复步骤s1～s5通过主成分分析法得到主成分集合，再将各样本点的第一共振频率、频率一阶矩、频率二阶矩、主成分集合作为输入，将各样本点的冻伤程度作为输出，建立苹果冻伤预测模型；
33.p3：基于所述苹果冻伤预测模型，对预测出来的冻伤程度和实际冻伤程度进行对比分析，得到分析结果，随后进行模型修正。
34.本发明采用主成分分析法与神经网络方法结合来建立苹果冻伤预测模型，模型修正能够丰富样本分布，提高苹果冻伤预测模型的准确度与适用性。
35.作为优选，上述所述的一种基于声学特性的苹果内部冻伤快速检测方法，所述冻伤等级划为5个等级，判定标准如下：
36.无冻伤1级：果肉整体呈淡黄色，没有颜色变化区域；
37.轻微冻伤2级：果肉颜色变化区域面积不超过切面面积的5％；
38.中等冻伤3级：果肉颜色明显变化区域的面积不超过切面面积的20％；
39.大面积冻伤4级：果肉颜色明显变化区域面积占切面面积的20％～50％；
40.严重冻伤5级：果肉颜色明显变化区域面积占切面面积的50％以上。
41.通过图像的采集与处理将主观判断冻伤程度的过程客观化，减少人为误差，提高苹果冻伤预测模型的准确度。
42.作为优选，上述所述的一种基于声学特性的苹果内部冻伤快速检测方法，所述不锈钢小球的速度为10mm/s～50mm/s、粒径为5mm～20mm。
43.不锈钢小球的粒径和速度设置不仅能使苹果在被敲击时不发生损坏，并且有利于收集合适的声学信号数据。
44.作为优选，上述所述的一种基于声学特性的苹果内部冻伤快速检测方法，还包括水果检测传感器，所述水果检测传感器设于所述位置检测传感器的前方，当所述水果检测传感器未检测到苹果a，则所述位置检测传感器暂停工作，当所述水果检测传感器检测到苹果a，所述位置检测传感器正常工作。
45.水果检测传感器能够保证声学检测装置整个信号接收过程中都包含苹果信息，提高声音信号数据收集的有效性，进一步提高检测的精确度和重复性。
46.作为优选，上述所述的一种基于声学特性的苹果内部冻伤快速检测方法，所述声学检测装置包括麦克风、弹射组件、控制器组件、信号放大器，所述麦克风与所述弹射组件并列位于所述声学检测装置的前端，所述控制器组件分别与所述弹射组件、所述水果检测传感器电连接，所述信号放大器分别与所述麦克风、所述计算机电连接。
47.本发明采用上述的结构，不仅简单实用，且能有效检测待测苹果的声学信号数据，便于维护。
48.作为优选，上述所述的一种基于声学特性的苹果内部冻伤快速检测方法，所述计算机上设有数据采集卡，所述数据采集卡与所述信号放大器电连接。
49.本发明通过数据采集卡、信号放大器装置辅助采集声学信号数据，有助于提高整个系统的模块化程度，方便维护及扩充。
附图说明
50.图1为本发明的结构示意图一；
51.图2为本发明的结构示意图二；
52.图3为本发明的实施例4的样品1示意图；
53.图4为本发明的实施例4的样品2示意图。
具体实施方式
54.下面结合附图1
‑
4和具体实施方式对本发明作进一步详细描述，但它们不是对本发明的限制：
55.实施例1
56.一种基于声学特性的苹果内部冻伤快速检测方法，采用带有果杯2、传送带1、声学检测装置3、计算机4的设备进行检测，具体的检测步骤如下：
57.q1：上果：将苹果a放在果杯2上，将所述苹果a的果柄朝向前进方向并横放在所述果杯2上，所述果杯2跟随所述传送带1运行，所述传送带1的速度v为v≤1m/s；
58.q2：声学检测：所述苹果a跟随着所述果杯2进入声学检测装置3，所述声学检测装置3内设有位置检测传感器33，当所述果杯2进入所述位置检测传感器33的检测范围内，所述声学检测装置3发射一颗不锈钢小球31去敲击所述苹果a的表面，并采集所述苹果a的声音信号数据，随后所述声学检测装置3将声音信号数据传输至计算机4中；
59.q3：所述计算机4对所述声音信号数据进行降噪、滤波预处理，再通过傅里叶变换后得到声音信号数据的时域与频域信息，经筛选后提取相应的第一共振频率、及频率一阶矩、频率二阶矩的特征值，所述计算机4将所述苹果a的参数储存为样本点a；
60.q4：对所述苹果a进行破坏性的分切，获取所述苹果a内部的彩色图像，根据所述彩色图像中冻伤区域颜色及面积，判断所述苹果a内部的冻伤等级，所述冻伤等级划为5个等级，分别为无冻伤1级、轻微冻伤2级、中等冻伤3级、大面积冻伤4级、严重冻伤5级，并将所述苹果a的冻伤等级录入样本点a的参数中；
61.q5：随机选取200个苹果，重复步骤q1～q4，所述计算机4获取200个样本点，再通过主成分分析法或主成分分析法与神经网络方法结合建立苹果冻伤预测模型；
62.q6：取苹果b，重复步骤q1～q3，所述计算机4结合所述苹果b的声音信号数据和步骤q5建立的苹果冻伤预测模型，最终预测得到所述苹果b的冻伤程度。
63.作为优选，所述主成分分析法的具体算法如下：
64.s1：将所述苹果a测得的声音信号数据，以及傅里叶变换后得到的相应特征值组成频率信息矩阵a；
65.s2：计算得到与频率信息矩阵a相关性最大的向量，作为第一主成分；
66.s3：再从原始的频率信息矩阵a中去除第一主成分，得到新的频率信息矩阵b；
67.s4：计算得到与频率信息矩阵b相关性最大的向量，作为第二主成分，从新的频率信息矩阵b中提取第二主成分；
68.s5：重复步骤s3、s4得到5个主成分，直至主成分贡献累计值达到95％及以上，得到主成分集合；
69.s6：计算所述主成分集合中各主成分的分量；
70.s7：将步骤s6中计算得到的分量与步骤q4得到的苹果冻伤等级通过线性回归算法建立苹果冻伤预测模型；
71.s8：将步骤q5中的200个样本点代入所述苹果冻伤预测模型，对预测得到的冻伤等级和实际冻伤等级进行对比分析，根据对比分析结果进行苹果冻伤预测模型的修正。
72.作为优选，所述主成分分析法与神经网络方法结合的具体算法如下：
73.p1：采用三层bp神经网络，利用trainscg共轭梯度算法对输出误差进行反向传播，采用sigmoid函数作为隐含层的激励函数；
74.p2：重复步骤s1～s5通过主成分分析法得到的主成分集合，再将各样本点的第一共振频率、频率一阶矩、频率二阶矩、主成分集合作为输入，将各样本点的冻伤程度作为输出，建立苹果冻伤预测模型；
75.p3：基于所述苹果冻伤预测模型，对预测出来的冻伤程度和实际冻伤程度进行对比分析，得到分析结果，随后进行模型修正。
76.作为优选，所述冻伤等级划为5个等级，判定标准如下：
77.无冻伤1级：果肉整体呈淡黄色，没有颜色变化区域；
78.轻微冻伤2级：果肉颜色变化区域面积不超过切面面积的5％；
79.中等冻伤3级：果肉颜色明显变化区域的面积不超过切面面积的20％；
80.大面积冻伤4级：果肉颜色明显变化区域面积占切面面积的20％～50％；
81.严重冻伤5级：果肉颜色明显变化区域面积占切面面积的50％以上。
82.作为优选，所述不锈钢小球31的速度为10mm/s、粒径为5mm。
83.作为优选，还包括水果检测传感器32，所述水果检测传感器32设于所述位置检测传感器33的前方，当所述水果检测传感器32未检测到苹果a，则所述位置检测传感器33暂停工作，当所述水果检测传感器32检测到苹果a，所述位置检测传感器33正常工作。
84.作为优选，所述声学检测装置3包括麦克风36、弹射组件34、控制器组件35、信号放大器37，所述麦克风36与所述弹射组件34并列位于所述声学检测装置3的前端，所述控制器组件35分别与所述弹射组件34、所述水果检测传感器32电连接，所述信号放大器37分别与所述麦克风36、所述计算机4电连接。
85.作为优选，所述计算机4上设有数据采集卡38，所述数据采集卡38与所述信号放大器37电连接。
86.实施例2
87.一种基于声学特性的苹果内部冻伤快速检测方法，采用带有果杯2、传送带1、声学检测装置3、计算机4的设备进行检测，具体的检测步骤如下：
88.q1：上果：将苹果a放在果杯2上，将所述苹果a的果柄朝向前进方向并横放在所述
果杯2上，所述果杯2跟随所述传送带1运行，所述传送带1的速度v为v≤1m/s；
89.q2：声学检测：所述苹果a跟随着所述果杯2进入声学检测装置3，所述声学检测装置3内设有位置检测传感器33，当所述果杯2进入所述位置检测传感器33的检测范围内，所述声学检测装置3发射一颗不锈钢小球31去敲击所述苹果a的表面，并采集所述苹果a的声音信号数据，随后所述声学检测装置3将声音信号数据传输至计算机4中；
90.q3：所述计算机4对所述声音信号数据进行降噪、滤波预处理，再通过傅里叶变换后得到声音信号数据的时域与频域信息，经筛选后提取相应的第一共振频率、及频率一阶矩、频率二阶矩的特征值，所述计算机4将所述苹果a的参数储存为样本点a；
91.q4：对所述苹果a进行破坏性的分切，获取所述苹果a内部的彩色图像，根据所述彩色图像中冻伤区域颜色及面积，判断所述苹果a内部的冻伤等级，所述冻伤等级划为5个等级，分别为无冻伤1级、轻微冻伤2级、中等冻伤3级、大面积冻伤4级、严重冻伤5级，并将所述苹果a的冻伤等级录入样本点a的参数中；
92.q5：随机选取300个苹果，重复步骤q1～q4，所述计算机4获取300个样本点，再通过主成分分析法或主成分分析法与神经网络方法结合建立苹果冻伤预测模型；
93.q6：取苹果b，重复步骤q1～q3，所述计算机4结合所述苹果b的声音信号数据和步骤q5建立的苹果冻伤预测模型，最终预测得到所述苹果b的冻伤程度。
94.作为优选，所述主成分分析法的具体算法如下：
95.s1：将所述苹果a测得的声音信号数据，以及傅里叶变换后得到的相应特征值组成频率信息矩阵a；
96.s2：计算得到与频率信息矩阵a相关性最大的向量，作为第一主成分；
97.s3：再从原始的频率信息矩阵a中去除第一主成分，得到新的频率信息矩阵b；
98.s4：计算得到与频率信息矩阵b相关性最大的向量，作为第二主成分，从新的频率信息矩阵b中提取第二主成分；
99.s5：重复步骤s3、s4得到15个主成分，直至主成分贡献累计值达到95％及以上，得到主成分集合；
100.s6：计算所述主成分集合中各主成分的分量；
101.s7：将步骤s6中计算得到的分量与步骤q4得到的苹果冻伤等级通过线性回归算法建立苹果冻伤预测模型；
102.s8：将步骤q5中的300个样本点代入所述苹果冻伤预测模型，对预测得到的冻伤等级和实际冻伤等级进行对比分析，根据对比分析结果进行苹果冻伤预测模型的修正。
103.作为优选，所述主成分分析法与神经网络方法结合的具体算法如下：
104.p1：采用三层bp神经网络，利用trainscg共轭梯度算法对输出误差进行反向传播，采用sigmoid函数作为隐含层的激励函数；
105.p2：重复步骤s1～s5通过主成分分析法得到的主成分集合，再将各样本点的第一共振频率、频率一阶矩、频率二阶矩、主成分集合作为输入，将各样本点的冻伤程度作为输出，建立苹果冻伤预测模型；
106.p3：基于所述苹果冻伤预测模型，对预测出来的冻伤程度和实际冻伤程度进行对比分析，得到分析结果，随后进行模型修正。
107.作为优选，所述冻伤等级划为5个等级，判定标准如下：
108.无冻伤1级：果肉整体呈淡黄色，没有颜色变化区域；
109.轻微冻伤2级：果肉颜色变化区域面积不超过切面面积的5％；
110.中等冻伤3级：果肉颜色明显变化区域的面积不超过切面面积的20％；
111.大面积冻伤4级：果肉颜色明显变化区域面积占切面面积的20％～50％；
112.严重冻伤5级：果肉颜色明显变化区域面积占切面面积的50％以上。
113.作为优选，所述不锈钢小球31的速度为50mm/s、粒径为20mm。
114.作为优选，还包括水果检测传感器32，所述水果检测传感器32设于所述位置检测传感器33的前方，当所述水果检测传感器32未检测到苹果a，则所述位置检测传感器33暂停工作，当所述水果检测传感器32检测到苹果a，所述位置检测传感器33正常工作。
115.作为优选，所述声学检测装置3包括麦克风36、弹射组件34、控制器组件35、信号放大器37，所述麦克风36与所述弹射组件34并列位于所述声学检测装置3的前端，所述控制器组件35分别与所述弹射组件34、所述水果检测传感器32电连接，所述信号放大器37分别与所述麦克风36、所述计算机4电连接。
116.作为优选，所述计算机4上设有数据采集卡38，所述数据采集卡38与所述信号放大器37电连接。
117.实施例3
118.一种基于声学特性的苹果内部冻伤快速检测方法，采用带有果杯2、传送带1、声学检测装置3、计算机4的设备进行检测，具体的检测步骤如下：
119.q1：上果：将苹果a放在果杯2上，将所述苹果a的果柄朝向前进方向并横放在所述果杯2上，所述果杯2跟随所述传送带1运行，所述传送带1的速度v为v≤1m/s；
120.q2：声学检测：所述苹果a跟随着所述果杯2进入声学检测装置3，所述声学检测装置3内设有位置检测传感器33，当所述果杯2进入所述位置检测传感器33的检测范围内，所述声学检测装置3发射一颗不锈钢小球31去敲击所述苹果a的表面，并采集所述苹果a的声音信号数据，随后所述声学检测装置3将声音信号数据传输至计算机4中；
121.q3：所述计算机4对所述声音信号数据进行降噪、滤波预处理，再通过傅里叶变换后得到声音信号数据的时域与频域信息，经筛选后提取相应的第一共振频率、及频率一阶矩、频率二阶矩的特征值，所述计算机4将所述苹果a的参数储存为样本点a；
122.q4：对所述苹果a进行破坏性的分切，获取所述苹果a内部的彩色图像，根据所述彩色图像中冻伤区域颜色及面积，判断所述苹果a内部的冻伤等级，所述冻伤等级划为5个等级，分别为无冻伤1级、轻微冻伤2级、中等冻伤3级、大面积冻伤4级、严重冻伤5级，并将所述苹果a的冻伤等级录入样本点a的参数中；
123.q5：随机选取250个苹果，重复步骤q1～q4，所述计算机4获取250个样本点，再通过主成分分析法或主成分分析法与神经网络方法结合建立苹果冻伤预测模型；
124.q6：取苹果b，重复步骤q1～q3，所述计算机4结合所述苹果b的声音信号数据和步骤q5建立的苹果冻伤预测模型，最终预测得到所述苹果b的冻伤程度。
125.作为优选，所述主成分分析法的具体算法如下：
126.s1：将所述苹果a测得的声音信号数据，以及傅里叶变换后得到的相应特征值组成频率信息矩阵a；
127.s2：计算得到与频率信息矩阵a相关性最大的向量，作为第一主成分；
128.s3：再从原始的频率信息矩阵a中去除第一主成分，得到新的频率信息矩阵b；
129.s4：计算得到与频率信息矩阵b相关性最大的向量，作为第二主成分，从新的频率信息矩阵b中提取第二主成分；
130.s5：重复步骤s3、s4得到10个主成分，直至主成分贡献累计值达到95％及以上，得到主成分集合；
131.s6：计算所述主成分集合中各主成分的分量；
132.s7：将步骤s6中计算得到的分量与步骤q4得到的苹果冻伤等级通过线性回归算法建立苹果冻伤预测模型；
133.s8：将步骤q5中的250个样本点代入所述苹果冻伤预测模型，对预测得到的冻伤等级和实际冻伤等级进行对比分析，根据对比分析结果进行苹果冻伤预测模型的修正。
134.作为优选，所述主成分分析法与神经网络方法结合的具体算法如下：
135.p1：采用三层bp神经网络，利用trainscg共轭梯度算法对输出误差进行反向传播，采用sigmoid函数作为隐含层的激励函数；
136.p2：重复步骤s1～s5通过主成分分析法得到的主成分集合，再将各样本点的第一共振频率、频率一阶矩、频率二阶矩、主成分集合作为输入，将各样本点的冻伤程度作为输出，建立苹果冻伤预测模型；
137.p3：基于所述苹果冻伤预测模型，对预测出来的冻伤程度和实际冻伤程度进行对比分析，得到分析结果，随后进行模型修正。
138.作为优选，所述冻伤等级划为5个等级，判定标准如下：
139.无冻伤1级：果肉整体呈淡黄色，没有颜色变化区域；
140.轻微冻伤2级：果肉颜色变化区域面积不超过切面面积的5％；
141.中等冻伤3级：果肉颜色明显变化区域的面积不超过切面面积的20％；
142.大面积冻伤4级：果肉颜色明显变化区域面积占切面面积的20％～50％；
143.严重冻伤5级：果肉颜色明显变化区域面积占切面面积的50％以上。
144.作为优选，所述不锈钢小球31的速度为30mm/s、粒径为12mm。
145.作为优选，还包括水果检测传感器32，所述水果检测传感器32设于所述位置检测传感器33的前方，当所述水果检测传感器32未检测到苹果a，则所述位置检测传感器33暂停工作，当所述水果检测传感器32检测到苹果a，所述位置检测传感器33正常工作。
146.作为优选，所述声学检测装置3包括麦克风36、弹射组件34、控制器组件35、信号放大器37，所述麦克风36与所述弹射组件34并列位于所述声学检测装置3的前端，所述控制器组件35分别与所述弹射组件34、所述水果检测传感器32电连接，所述信号放大器37分别与所述麦克风36、所述计算机4电连接。
147.作为优选，所述计算机4上设有数据采集卡38，所述数据采集卡38与所述信号放大器37电连接。
148.实施例4
149.取待测苹果样本1、样本2，按照实施例2的步骤预测冻伤程度，并与破坏性检测结果进行对比，具体如下：
[0150][0151]
总之，以上所述仅为本发明的较佳实施例，凡依本发明申请专利的范围所作的均等变化与修饰，皆应属本发明的涵盖范围。