CN105158178B - 基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法 - Google Patents
基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法 Download PDFInfo
- Publication number
- CN105158178B CN105158178B CN201510644358.2A CN201510644358A CN105158178B CN 105158178 B CN105158178 B CN 105158178B CN 201510644358 A CN201510644358 A CN 201510644358A CN 105158178 B CN105158178 B CN 105158178B
- Authority
- CN
- China
- Prior art keywords
- navel orange
- hyperion
- sample
- collection
- illustrative plates
- 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.)
- Expired - Fee Related
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法，涉及水果内部品质无损检测技术领域。本法是：①获取脐橙样品半透射高光谱图谱；②利用化学方法测定脐橙样品的糖度值；③选取脐橙样品平均高光谱图谱；④计算高光谱图谱谱峰面积；⑤建立脐橙样品糖度预测模型，进行品质检测。本发明基于高光谱技术通过半透射方式采集脐橙样品高光谱图谱可以有效获取脐橙内部品质信息，提高水果内部品质的检测水平和检测效率；该建模法建模效率高、准确率高，模型运算速度快，可以快速检测水果的糖度内部品质指标，对水果的内部品质进行评价。
Description
技术领域
本发明涉及水果品质无损检测技术领域，尤其涉及一种基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法。
背景技术
我国是水果生产大国，产量常年位居世界首位，约占世界水果总产量的19%。水果产业发展迅速，每年均呈上升的趋势，水果产业已经发展成为我国许多地方农民创收的支柱产业，对农业和经济有着极大的促进和发展作用。尽管我国是果业生产大国，但是整体上出口量依然很小，并非水果贸易强国。柑橘类水果是世界第一大水果，我国目前柑橘产量在世界各国之间位居第三位（占10.8%），前两位分别是巴西（占23.7%）和美国（占15.9%）；到目前为止，我国水果出口量还未超过水果年度总产量的4%。与此同时，随着国内人民消费水平的提高，消费者的消费形态由对产品量的要求进化到对质的要求，在购买水果时人们不仅仅只注重水果的外部品质，对于水果的内部品质，尤其是如糖度、口感和营养成分等内部品质的要求也相应提高。为了促进果品营销，提高产品增值，对水果进行商品化处理即对水果采收后进行再加工和再处理，是实现水果品质，提升市场竞争力，扩大出口，提高水果种植和经营者经济效益不可或缺的手段；其中如何对果品内部品质进行快速无损检测是进行一系列水果商品化处理的重要步骤。
由于机器视觉技术和光谱技术具有快速、无损和可靠的优点，目前在农产品无损检测中得到广泛应用。高光谱成像技术是一种图像及光谱的融合技术，可以同时获取检测对象的空间及光谱信息。图像数据和光谱数据相结合，能够很好的结合外部特征具有针对性的对物体内部物理结构及化学成分信息进行获取，具有很好的应用前景。但对脐橙类厚皮水果来说，较难获取内部信息，同时高光谱图像信息数据量较大，增加了数据处理的难度和时间。
发明内容
为了解决脐橙皮厚、内部信息难获取、高光谱图像数据量大，在基于高光谱图像技术的快速在线检测过程中难以精确快速检测其糖度等难题，本发明提供了一种基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法，对脐橙糖度建立预测模型，有效提取高光谱信息，提高了建模效率以及检测精度。
本发明的目的是这样实现的：
由于脐橙糖度是衡量脐橙品质的一项重要指标，透射方法既可以使与脐橙糖度相关的内部光谱信息得到有效的获取，而又不会因为光源功率过高造成脐橙内部损伤；利用高光谱图谱峰面积进行脐橙糖度判别，较少光谱变量复杂的建模过程，计算速度快，准确率较高，可以满足对脐橙糖度快速无损检测的要求。
具体地说，本方法包括以下步骤：
①获取脐橙样品半透射高光谱图谱
采用高光谱仪检测脐橙样品的高光谱图谱，设定采集方式、曝光时间、光源功率、波长范围、分辨率和采集速度；
②利用化学方法测定脐橙样品的糖度值
按照国标GB/T8210所述测定方法测定脐橙样品的糖度值；
③选取脐橙样品平均高光谱图谱
选取脐橙平均高光谱图谱，根据脐橙高光谱图谱特性，在MATLAB环境下对光谱曲线进行光谱预处理，去除非目标信息、仪器噪音、背景干扰以及去除水峰等无关变量信息之后，简化光谱信息，保留重要信息；
④计算高光谱图谱谱峰面积
在MATLAB环境下，对光谱曲线进行拟合，自适应选取光谱区域下波峰值和波谷值，通过积分计算高光谱图谱谱峰面积；
⑤建立脐橙样品糖度预测模型，进行品质检测
利用脐橙样品自适应选取光谱区域下左右谱图谱峰面积之比作为模型的输入变量，对未知脐橙样品进行糖度品质检测，对脐橙糖度建立线性回归定量检测模型，利用预测集相关系数和预测集均方根误差来评价检测模型的精度。
本发明具有下列优点和积极效果：
①通过采集脐橙样品的半透射高光谱，从而可以有效解决脐橙皮较厚光谱法难以获取内部品质的难点；
②利用高光谱图谱峰面积与脐橙样品糖度变化的相关关系，减少了高光谱数据量大对模型运算速度的影响；
③该快速建模法可以满足高速厚皮类水果在线检测的要求，完成在短时间内获取有效的光谱信号并建立回归模型，提高了检测效率和检测精度。
总之，本发明基于高光谱技术通过半透射方式采集脐橙样品高光谱图谱可以有效获取脐橙内部品质信息，提高水果内部品质的检测水平和检测效率；该建模法建模效率高、准确率高，模型运算速度快，可以快速检测水果的糖度内部品质指标，对水果的内部品质进行评价。
附图说明
图1是本装置的结构示意图，图中：
0—脐橙样品，
1—电脑， 2—箱体， 3—高光谱成像仪， 4—电动位移台，
5—手动升降台， 6—光源， 7—样品室；
图2是本法的步骤图；
图3是单个脐橙样品的半透射平均光谱曲线；
图4是曲线拟合后的脐橙光谱曲线；
图5是脐橙样品建模集糖度预测值和测量值的相关系数图；
图6是脐橙样品预测集糖度预测值和测量值的相关系数图。
具体实施方式
下面结合附图和实施例详细说明：
一、装置
如图1，本装置包括工作对象——脐橙样品0；
设置有电脑1、箱体2、高光谱成像仪3、电动位移台4、手动升降台5、光源6和样品室7；
其位置和连接关系是：
在箱体2内的底部设置有电动位移台4，在电动位移台4的上部设置有手动升降台5，在样品室7内设置有光源6，在手动升降台5的上面放置有脐橙样品0；
在箱体2内的顶部设置有高光谱成像仪3；
电动位移台4和高光谱成像仪3分别与箱体2外的电脑1连接。
上述的各功能部件均为通用件。
其工作机理是：打开电脑1和高光谱成像仪3，接通样品室5的光源6，预热30分钟，在高光谱成像仪3自带软件上设置曝光时间、波长范围和分辨率以及电动位移台4的采集速度和采集位置，调节高光谱成像仪3的物镜，获得清晰的脐橙样品0的图像；同时把脐橙样品0放置于手动升降台5，调整样品室7内的脐橙样品0和光源6的位置，点击软件开始采集按钮，电动位移台4移动，完成脐橙样品高光谱图像的采集。
二、方法
如图2，本法包括以下步骤：
①获取脐橙样品半透射高光谱图谱A
采用高光谱仪检测脐橙样品的高光谱图谱，采集方式为半透射方式，光谱光源为4盏50W卤素灯，光源总功率为200W，设定曝光时间100ms，波长范围为300～1100nm，采集速度为0.2cm/s，分辨率为32cm-1；采集脐橙样品赤道部位的透射高光谱图谱信息，分别自动获取图像中部像素大小为120×120pixels的图像范围内的光谱值；
②利用化学方法测定脐橙样品的糖度值B
按照国标GB/T8210所述测定方法测定脐橙样品的糖度值；
③选取脐橙样品平均高光谱图谱C
选取脐橙样品平均高光谱图谱，根据脐橙高光谱图谱特性，在MATLAB软件中对光谱数据进行S-G平滑预处理，去除非目标信息、仪器噪音、背景干扰以及去除水峰等无关变量信息之后，简化光谱信息，保留重要信息；
④计算高光谱图谱谱峰面积D
在MATLAB软件中对光谱曲线进行拟合，自适应选取390～1055nm光谱区域下波峰值和波谷值，通过积分计算高光谱图谱谱峰面积；
⑤建立脐橙样品糖度预测模型，进行品质检测E
利用脐橙样品自适应选取390～1055nm光谱区域下谱图谱峰面积之比作为模型的输入变量，对未知脐橙样品进行糖度品质检测，对糖度建立线性回归定量检测模型，利用预测集相关系数和预测集均方根误差来评价检测模型的精度。
三、试验结果
以脐橙样品的高光谱图像图谱为例，通过高光谱图谱峰面积进行积分计算后，建立脐橙糖度检测模型，并对模型检测精度进行分析。
图2是本法的步骤图，图3是单个脐橙样品的半透射平均光谱曲线，光谱范围为390～1055nm；采集脐橙样品高光谱图谱信息，采集方式为半透射方式，光谱光源为4盏50W卤素灯，光源总功率为200W，设定曝光时间100ms，波长范围为300～1100nm，采集速度为0.2cm/s，分辨率为32cm-1；采集脐橙样品赤道部位的透射高光谱图谱信息，分别自动获取图像中部像素大小为120×120pixels的图像范围内的平均光谱值；采集完光谱，按照国标GB/T8210所述测定方法测定脐橙样品糖度值，糖度值范围为9.6～12.6OBrix；将所有样品按照2：1的比例划分为建模集和预测集，建模集样品的糖度值包含预测集样品的糖度值。
所述的脐橙糖度快速建模方法，在ENVI软件中从脐橙高光谱图像中心部位选取像素大小为120×120pixels的图像，并提取每幅图像的平均光谱，光谱范围为390～1055nm。
将所得脐橙样品光谱进行Savitzky-Golay平滑预处理，在Matlab软件中进行曲线拟合并获取曲线中光谱的波峰和波谷位置，计算脐橙高光谱图谱中两个波峰区域的峰面积。
将计算所得图谱中左右峰面积之比作为脐橙糖度预测的输入变量，建立线性回归模型；建立线性模型RMSEC和RMSEP分别为0.312OBrix和0.306OBrix，两者比较接近，此时建模集和预测集的相关系数分别为0.832和0.846。
图5、6为线性模型西瓜糖度预测值和测量值的相关系数图；从图中可以看出，所建的线性模型得到了较优的预测结果。
Claims (1)
1.一种基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法，其特征在于包括下列步骤：
①获取脐橙样品半透射高光谱图谱(A)
采用高光谱仪检测脐橙样品的高光谱图谱，设定采集方式、曝光时间、光源功率、波长范围、分辨率和采集速度；
②利用化学方法测定脐橙样品的糖度值(B)
按照国标GB/T8210所述测定方法测定脐橙样品的糖度值；
③选取脐橙样品平均高光谱图谱(C)
选取脐橙平均高光谱图谱，根据脐橙高光谱图谱特性，在MATLAB环境下对光谱曲线进行光谱预处理，去除非目标信息、仪器噪音、背景干扰以及去除水峰的无关变量信息之后，简化光谱信息，保留重要信息；
④计算高光谱图谱谱峰面积(D)
在MATLAB环境下，对光谱曲线进行拟合，自适应选取光谱区域下波峰值和波谷值，通过积分计算高光谱图谱谱峰面积；
⑤建立脐橙样品糖度预测模型，进行品质检测(E)
利用脐橙样品自适应选取光谱区域下左右谱图谱峰面积之比作为模型的输入变量，对未知脐橙样品进行糖度品质检测，对脐橙糖度建立线性回归定量检测模型，利用预测集相关系数和预测集均方根误差来评价检测模型的精度；
所述的步骤①其采用的装置是：
在箱体(2)内的底部设置有电动位移台(4)，在电动位移台(4)的上部设置有样品室(7)，在样品室(7)内设置有光源(6)，在手动升降台(5)的上面放置有脐橙样品(0)；
在箱体(2)内的顶部设置有高光谱成像仪(3)；
电动位移台(4)和高光谱成像仪(3)分别与箱体(2)外的电脑(1)连接；
所述的步骤①其设定的参数是：
采用高光谱仪检测脐橙样品的高光谱图谱，采集方式为半透射方式，光谱光源为4盏50W卤素灯，光源总功率为200W，设定曝光时间100ms，波长范围为300～1100nm，采集速度为0.2cm/s，分辨率为32cm-1；采集脐橙样品赤道部位的透射高光谱图谱信息，分别自动获取图像中部像素大小为120×120pixels的图像范围内的光谱值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510644358.2A CN105158178B (zh) | 2015-10-08 | 2015-10-08 | 基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510644358.2A CN105158178B (zh) | 2015-10-08 | 2015-10-08 | 基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105158178A CN105158178A (zh) | 2015-12-16 |
| CN105158178B true CN105158178B (zh) | 2018-04-20 |
Family
ID=54799113
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510644358.2A Expired - Fee Related CN105158178B (zh) | 2015-10-08 | 2015-10-08 | 基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105158178B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108872085B (zh) * | 2018-05-09 | 2023-04-25 | 南京林业大学 | 基于蓝色波段透射图像检测的脐橙烂心无损检测方法 |
| CN108846203A (zh) * | 2018-06-13 | 2018-11-20 | 深圳市华慧品牌管理有限公司 | 水果无损检测的方法及装置 |
| CN111795932B (zh) * | 2020-06-15 | 2022-11-15 | 杭州电子科技大学 | 一种基于高光谱的杨梅果实糖酸度无损检测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200504347A (en) * | 2003-07-25 | 2005-02-01 | Taoyuan Distr Agricultural Res And Extension Station | Photoelectric fruit sugar degree detecting technique |
| KR20070026501A (ko) * | 2004-05-10 | 2007-03-08 | 히로무 마에다 | 온라인 내부품질 검사방법과 장치 |
| CN201233362Y (zh) * | 2008-06-04 | 2009-05-06 | 江西农业大学 | 一种用于检测水果品质的多光谱成像装置 |
| CN103472031A (zh) * | 2013-09-20 | 2013-12-25 | 华东交通大学 | 一种基于高光谱成像技术的脐橙糖度检测方法 |
| CN103822879B (zh) * | 2014-02-24 | 2016-08-17 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
-
2015
- 2015-10-08 CN CN201510644358.2A patent/CN105158178B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN105158178A (zh) | 2015-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Recent advances in nondestructive analytical techniques for determining the total soluble solids in fruits: a review | |
| CN105044021B (zh) | 一种中秋酥脆枣糖度无损检测方法 | |
| CN104062263B (zh) | 光物性相近水果品质指标的近红外通用模型检测方法 | |
| CN101308086B (zh) | 基于近红外光谱技术的水果内部品质在线检测装置 | |
| CN103674864B (zh) | 一种基于高光谱成像技术的鱼水分含量分布检测方法 | |
| CN106000914A (zh) | 一种在线无损检测霉心病的苹果分选装置 | |
| CN101949686A (zh) | 水果内外综合品质在线无损检测方法及装置 | |
| Yu et al. | Nondestructive determination of SSC in Korla fragrant pear using a portable near-infrared spectroscopy system | |
| CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
| CN205762405U (zh) | 用于在线无损检测苹果霉心病设备的分选装置 | |
| CN108846203A (zh) | 水果无损检测的方法及装置 | |
| CN106872370A (zh) | 一种基于高光谱的杨梅中花色苷含量测定的方法 | |
| CN104965973B (zh) | 一种苹果霉心病多因子无损检测判别模型及其建立方法 | |
| CN104280349A (zh) | 一种基于高光谱图像对白萝卜糠心鉴定的方法 | |
| CN105092579A (zh) | 一种芒果品质无损检测设备 | |
| CN107515203A (zh) | 近红外技术定量分析水稻单籽粒直链淀粉含量的研究 | |
| CN105158178B (zh) | 基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法 | |
| CN105044024A (zh) | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 | |
| CN103487422A (zh) | 多波长led荧光光谱的云端中药品质检测***及方法 | |
| CN110646407A (zh) | 一种基于激光诱导击穿光谱技术的水产品中磷元素含量的快速检测方法 | |
| CN110487746A (zh) | 一种基于近红外光谱检测娃娃菜品质的方法 | |
| KR100934410B1 (ko) | 근적외 분광분석법을 이용한 곡물 종실의 무게 측정방법 | |
| CN101614663A (zh) | 可见和近红外光谱的蜂花粉品种鉴别方法 | |
| Zhou et al. | Machine learning modeling and prediction of peanut protein content based on spectral images and stoichiometry | |
| Wang et al. | Development of near‐infrared online grading device for long jujube |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180420 Termination date: 20181008 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |