CN108956545A - 一种水果内部品质无损检测模型建立方法及*** - Google Patents
一种水果内部品质无损检测模型建立方法及*** Download PDFInfo
- Publication number
- CN108956545A CN108956545A CN201810620936.2A CN201810620936A CN108956545A CN 108956545 A CN108956545 A CN 108956545A CN 201810620936 A CN201810620936 A CN 201810620936A CN 108956545 A CN108956545 A CN 108956545A
- Authority
- CN
- China
- Prior art keywords
- calibration
- model
- section
- calibration samples
- samples
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/59—Transmissivity
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种水果内部品质无损检测模型建立方法及***,其中方法包括:对于任意一个校正样本,采集该校正样本对应的多条透射光谱,并将多条透射光谱分配至该校正样本对应的多个联合区间;根据所有校正样本建立每个联合区间对应的区间校正模型,从所有区间校正模型中筛选出高效区间校正模型并确定高效联合区间;计算每个校正样本在高效联合区间对应的平均光谱,从所有平均光谱中提取特征波长;提取每个校正样本在高效联合区间与特征波长对应的光谱变量,根据所有光谱变量和所有校正样本的品质参数建立待检测水果对应的内部品质检测模型。该方法及***提高了检测模型的检测精度,同时为水果内部品质在线检测设备研发提供了理论依据。
Description
技术领域
本发明涉及水果品质检测技术领域,更具体地,涉及一种水果内部品质无损检测模型建立方法及***。
背景技术
品质分级是水果采后商品化处理中重要一环,是提高产品竞争力和产品价值的重要手段。随着社会的发展和消费能力的提升,消费者不仅关注大小、形状、颜色等外部品质,更注重了内部品质,如可溶性固形物和硬度等指标,而水果品质分选设备也从单一的外部品质检测走向内外部品质兼顾的综合检测阶段。传统的水果内部品质检测大多采用有损伤性的实验室化学方法测定,这一方法因检测速度慢、劳动强度大等问题仅适用于抽样测试,而不适用于当前商品化经济下大批量水果品质分级。因此,研究水果内部品质在线实时无损检测技术是实现苹果产后商品化处理和品质快速分级所亟需解决的关键技术难题。
随着光学工程技术、信号处理算法和计算机技术的快速发展和相互融合,全透射多点光谱检测技术应运而生,成为水果品质检测领域一种全新的检测模式。全透射多点光谱检测模式采用高灵敏度光谱仪以特定积分时间连续地记录水果匀速运动过程中穿透水果组织的光信号,并将每一条光谱的采集位点相应地标记于水果表面。相较于漫反射和漫透射检测模式而言,全透射多点光谱检测模式不仅可以通过获取整个水果完整的内部组分光谱信息来提高预测精度,还可以突破固定的坐果姿态限制来提高光谱信号质量和检测效率,是水果内部品质在线检测的理想方式。
可见/近红外光谱技术主要是基于水果组织对光的吸收原理来实现水果内部品质的定量分析,光谱的吸收能力与组织内部的化学成分、物理结构和生理、病理状态密不可分。然而,大部分水果具有多层组织结构(如果皮、果肉、果核等),具有内部组分分布不均匀的类球型复杂非均相体系生物特性,因而照射在水果表面不同位置的光在穿透了不同距离和生物组织后,其不同位点的透射光谱信号强度不同,所携带的与待测物含量预测相关的信息也不相同,对内部品质的预测能力也有高低之分。因此,挑选出信号噪点少、预测能力强的透射光谱进行水果内部品质无损检测模型的建立,可以减少无效信息的干扰,提高模型的预测精度。
发明内容
本发明为了克服现有技术中在利用全透射多点光谱检测技术检测水果内部品质时,存在信噪比小、预测能力差的低效光谱,影响水果内部品质的检测的问题,提供一种水果内部品质无损检测模型建立方法及***。
一方面,本发明提供一种水果内部品质无损检测模型建立方法,包括:
选取待检测水果对应的多个校正样本,对于任意一个校正样本,采集该校正样本对应的多条透射光谱,将该校正样本的外表面均分为预设数量的子区间,并将该校正样本对应的多条透射光谱对应均分至每个所述子区间,将所有子区间进行排列组合获得多个联合区间;
根据所有所述校正样本建立每个所述联合区间对应的区间校正模型,从所有所述区间校正模型中筛选出高效区间校正模型,并将所述高效区间校正模型对应的联合区间确定为高效联合区间;
计算每个所述校正样本在所述高效联合区间对应的平均光谱,从所有所述平均光谱中提取特征波长;
提取每个所述校正样本在所述高效联合区间与所述特征波长对应的光谱变量,根据所有所述光谱变量和所有所述校正样本的品质参数建立所述待检测水果对应的内部品质检测模型。
优选地,所述根据所有所述光谱变量和所有所述校正样本的品质参数建立所述待检测水果对应的内部品质检测模型,之后还包括:
选取待检测水果对应的多个预测样本,对于任意一个预测样本,提取该预测样本在所述高效联合区间与所述特征波长对应的光谱信息,将所述光谱信息输入所述内部品质检测模型,获得该预测样本的品质参数对应的预测值;
获取所有所述预测样本的品质参数对应的实际检测值,根据所有所述预测值和所有所述实际检测值计算所述内部品质检测模型对应的性能指标。
优选地,所述根据所有所述校正样本建立每个所述联合区间对应的区间校正模型,具体为:
对于任意一个联合区间,将所有所述校正样本在该联合区间对应的平均光谱作为线性回归算法的输入变量,并将所有所述校正样品的品质参数作为线性回归算法的目标向量,建立该联合区间对应的区间校正模型。
优选地,所述从所有所述区间校正模型中筛选出高效区间校正模型,具体为:
选取待检测水果对应的多个预测样本,对于任意一个区间校正模型,将所有所述预测样本在该区间校正模型对应的联合区间的平均光谱输入该区间校正模型中,获得所有所述预测样本的品质参数对应的预测结果;
获取所有所述预测样本的品质参数对应的实际检测结果,根据所有所述预测结果和所有所述实际检测结果计算该区间校正模型对应的性能指标;
根据所有所述区间校正模型对应的性能指标筛选出所述高效区间校正模型。
优选地,所述从所有所述平均光谱中提取特征波长,具体为:
将所有所述平均光谱作为变量选择算法的输入变量,并将所有所述校正样本的品质参数作为变量选择算法的目标向量,从所有所述平均光谱中提取所述特征波长。
优选地,所述根据所有所述光谱变量和所有所述校正样本的品质参数建立所述待检测水果对应的内部品质检测模型,具体为:
将所有所述光谱变量作为线性回归算法的输入变量,并将所有所述校正样本的品质参数作为线性回归算法的目标向量,建立所述待检测水果对应的内部品质检测模型。
优选地,所述采集该校正样本对应的多条透射光谱,具体为:
利用光谱采集装置匀速扫描该校正样本,获得该校正样本对应的多条透射光谱。
一方面,本发明提供一种水果内部品质无损检测模型建立***,包括:
光谱采集均分模块,用于选取待检测水果对应的多个校正样本,对于任意一个校正样本,采集该校正样本对应的多条透射光谱,将该校正样本的外表面均分为预设数量的子区间,并将该校正样本对应的多条透射光谱对应均分至每个所述子区间,将所有子区间进行排列组合获得多个联合区间;
高效区间确定模块,用于根据所有所述校正样本建立每个所述联合区间对应的区间校正模型,从所有所述区间校正模型中筛选出高效区间校正模型,并将所述高效区间校正模型对应的联合区间确定为高效联合区间;
特征波长提取模块,用于计算每个所述校正样本在所述高效联合区间对应的平均光谱,从所有所述平均光谱中提取特征波长;
检测模型建立模块,用于提取每个所述校正样本在所述高效联合区间与所述特征波长对应的光谱变量,根据所有所述光谱变量和所有所述校正样本的品质参数建立所述待检测水果对应的内部品质检测模型。
一方面,本发明提供一种水果内部品质无损检测模型建立方法的设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述任一所述的方法。
一方面,本发明提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述任一所述的方法。
本发明提供了一种水果内部品质无损检测模型建立方法及***,通过从采集的所有透射光谱中筛选出信噪比大、预测能力强的高效光谱,并从高效光谱中提取特征波长,最终基于特征波长建立水果内部品质检测模型,提高了检测模型的检测精度,同时为水果内部品质在线检测设备研发提供了理论依据。
附图说明
图1为本发明实施例的一种水果内部品质无损检测模型建立方法的整体流程示意图;
图2为本发明实施例的待检测水果所划分区间对应的光谱分配示意图;
图3为本发明实施例的光谱采集装置的整体结构示意图;
图4为本发明实施例的一种水果内部品质无损检测模型建立***的整体结构示意图;
图5为本发明实施例的水果内部品质无损检测模型建立方法的设备的结构框架示意图;
附图标记说明:
1、传送带;2、电机;3、PLC控制器;4、电脑;5、暗箱;6、位置传感器;7、光源;8、光谱仪。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
需要说明的是,由于大部分水果具有多层组织结构(如果皮、果肉、果核等),具有内部组分分布不均匀的类球型复杂非均相体系生物特性,因而照射在水果表面不同位置的光在穿透了不同距离和生物组织后,其不同位点的透射光谱信号强度不同,所携带的与待测物含量预测相关的信息也不相同,对内部品质的预测能力也有高低之分。因此,在利用全透射多点光谱检测技术检测水果内部品质时,存在信噪比小、预测能力差的低效光谱,影响水果内部品质的检测。有鉴于此,本发明从所有光谱中移除信噪比小、预测能力差的低效光谱,并保留信噪比大、预测能力强的高效光谱,并在此基础上建立水果内部品质无损检测模型,有利于提高模型的预测精度。
图1为本发明实施例的一种水果内部品质无损检测模型建立方法的整体流程示意图,如图1所示,本发明提供一种水果内部品质无损检测模型建立方法,包括:
S1,选取待检测水果对应的多个校正样本,对于任意一个校正样本,采集该校正样本对应的多条透射光谱,将该校正样本的外表面均分为预设数量的子区间,并将该校正样本对应的多条透射光谱对应均分至每个子区间,将所有子区间进行排列组合获得多个联合区间;
具体地,选取一定数量的正常且具有代表性的待检测水果作为校正样本,其中校正样本的数量可以根据实际需求进行设置,此处不做具体限定。对于任意一个校正样本,利用全透射多点光谱在线采集装置以特定积分时间连续地记录该校正样本在匀速运动过程中穿透其组织的光信号,获得该校正样本对应的多条透射光谱。同时,每一条透射光谱在该校正样本的外表面均存在对应的采集位置。
进一步地,将该校正样本的外表面均分为预设数量的子区间,其中子区间的数量可以根据实际需求进行设置,此处不做具体限定。在此基础上,将该校正样本对应的多条透射光谱对应均分至对应的每个子区间,进而该校正样本对应的每个子区间均包含至少一条光谱。再将该校正样本对应的所有子区间进行排列组合,即从所有子区间中选取任意数量的子区间进行组合,获得多个联合区间。
S2,根据所有校正样本建立每个联合区间对应的区间校正模型,从所有区间校正模型中筛选出高效区间校正模型,并将高效区间校正模型对应的联合区间确定为高效联合区间;
具体地,经过上述方法步骤之后,针对每一个校正样本均可获得对应的联合区间,每个联合区间包含至少一个子区间,且每个子区间包含至少一条光谱。在此基础上,可以根据所有校正样本建立每个联合区间对应的区间校正模型,具体地,对于任意一个联合区间,可以根据所有校正样本在该联合区间的光谱信息和所有校正样本的品质参数建立该联合区间对应的区间校正模型。由此,针对每一个联合区间均可获得对应的区间校正模型,在此基础上,对每个区间校正模型进行性能评价,从所有区间校正模型中筛选出高效区间校正模型。最终,即可将高效区间校正模型对应的联合区间确定为高效联合区间。
S3,计算每个校正样本在高效联合区间对应的平均光谱,从所有平均光谱中提取特征波长;
具体地,在确定了高效联合区间之后,由于高效联合区间中至少包含一个子区间,且每个子区间中至少包含一条透射光谱,因此,可以统计每个校正样本在高效联合区间中的所有透射光谱,从而可计算每个校正样本在高效联合区间对应的平均光谱。由于平均光谱为一条全波段光谱,为了进一步简化平均光谱,本实施例中,从所有平均光谱中提取特征波长。具体地,可以利用变量选择算法从所有平均光谱中提取特征波长,其中变量选择算法包括竞争性自适应重加权采样法(competitive adaptive reweighted sampling,CARS)、连续投影算法(successive projections algorithm,SPA)和遗传算法(GeneticAlgorithm,GA)等变量选择算法,可以根据实际需求进行设置,此处不做具体限定。
S4,提取每个校正样本在高效联合区间与特征波长对应的光谱变量,根据所有光谱变量和所有校正样本的品质参数建立待检测水果对应的内部品质检测模型。
具体地,在确定了高效联合区间和特征波长之后,提取每个校正样本在高效联合区间与特征波长对应的光谱变量,同时检测每个校正样本的品质参数。其中,品质参数包含可溶性固形物含量、水分含量、酸度和硬度等,可以根据待检测水果的类型进行确定,此处不做具体限定。同时,品质参数的检测方式可以根据实际需求进行设置,此处不做具体限定。例如,在检测校正样本的可溶性固形物含量时,具体地,可以将每个校正样本切块、榨汁,摇匀后测定果汁的可溶性固形物含量,用于代表每个校正的可溶性固形物含量。在此基础上,根据所有校正样本对应的光谱变量和品质参数建立待检测水果对应的内部品质检测模型。由于建立该内部品质检测模型所采用的光谱变量为信噪比大、预测能力强的高效光谱,因此,该内部品质检测模型预测精度较高。
本发明提供了一种水果内部品质无损检测模型建立方法,通过从采集的所有透射光谱中筛选出信噪比大、预测能力强的高效光谱,并从高效光谱中提取特征波长,最终基于特征波长建立水果内部品质检测模型,提高了检测模型的检测精度,同时为水果内部品质在线检测设备研发提供了理论依据。
基于上述任一实施例,提供一种水果内部品质无损检测模型建立方法,根据所有光谱变量和所有校正样本的品质参数建立待检测水果对应的内部品质检测模型,之后还包括:选取待检测水果对应的多个预测样本,对于任意一个预测样本,提取该预测样本在高效联合区间与特征波长对应的光谱信息,将光谱信息输入内部品质检测模型,获得该预测样本的品质参数对应的预测值;获取所有预测样本的品质参数对应的实际检测值,根据所有预测值和所有实际检测值计算内部品质检测模型对应的性能指标。
具体地,在建立了内部品质检测模型之后,需对内部品质检测模型的性能进行评价。本实施例中,选取待检测水果对应的多个预测样本,预测样本的数量可以根据实际需求进行设置,此处不做具体限定。在此基础上,对于任意一个预测样本,提取该预测样本在高效联合区间与特征波长对应的光谱信息,将光谱信息输入内部品质检测模型,获得该预测样本的品质参数对应的预测值。同时,利用标准检测方法获取所有预测样本的品质参数对应的实际检测值。其中,标准检测方法可以根据实际需求进行设置,此处不做具体限定。根据所有预测值和所有实际检测值计算内部品质检测模型对应的性能指标,本实施例中,性能指标包括Rcal、RMSECV、Rpre和RMSEP五个指标。其中,Rcal、RMSECV、Rpre和RMSEP计算方法如下:
上式中ypi为内部品质检测模型的预测值;ymi为用标准检测方法检测的实际检测值;ymean为ypi的平均值;ncal是校正样本的总数量;npre是预测样本的总数量。
最终,根据上述计算获得的性能指标对内部品质检测模型进行评价,若上述RMSECV和RMSEP对应的值较小,且RMSECV和RMSEP之间的差值较小,则可确定上述内部品质检测模型性能良好。
本发明提供了一种水果内部品质无损检测模型建立方法,在建立了内部品质检测模型之后,通过选取适当数量的预测样本对内部品质检测模型的性能进行评价,进一步对内部品质检测模型的检测精度进行验证,有利于提高模型的稳定性和精准性。
基于上述任一实施例,提供一种水果内部品质无损检测模型建立方法,根据所有校正样本建立每个联合区间对应的区间校正模型,具体为:对于任意一个联合区间,将所有校正样本在该联合区间对应的平均光谱作为线性回归算法的输入变量,并将所有校正样品的品质参数作为线性回归算法的目标向量,建立该联合区间对应的区间校正模型。
具体地,本实施例中,在将所有子区间进行排列组合获得多个联合区间之后,对于任意一个联合区间,计算每个校正样本在该联合区间对应的平均光谱,同时利用标准检测方法检测每个校正样本的品质参数,其中品质参数包含可溶性固形物含量、水分含量、酸度和硬度等,可以根据待检测水果的类型进行确定,此处不做具体限定。相应地,标准检测方法可以根据品质参数的类型进行设置,此处不做具体限定。最终,将所有校正样本在该联合区间对应的平均光谱作为线性回归算法的输入变量,并将所有校正样品的品质参数作为线性回归算法的目标向量,建立该联合区间对应的区间校正模型。其中,线性回归算法可以为偏最小二乘(partial least squares,PLS)线性回归算法,也可以为其他线性回归算法,可以根据实际需求进行设置,此处不做具体限定。由此,可获得每个联合区间对应的区间校正模型。
本发明提供了一种水果内部品质无损检测模型建立方法,对于任意一个联合区间,将所有校正样本在该联合区间对应的平均光谱作为线性回归算法的输入变量,并将所有校正样品的品质参数作为线性回归算法的目标向量,建立该联合区间对应的区间校正模型。由此可获得每个联合区间对应的区间校正模型,有利于从所有区间校正模型中筛选出高效区间校正模型和高效联合区间,进而有利于筛选出高效光谱。
基于上述任一实施例,提供一种水果内部品质无损检测模型建立方法,从所有区间校正模型中筛选出高效区间校正模型,具体为:选取待检测水果对应的多个预测样本,对于任意一个区间校正模型,将所有预测样本在该区间校正模型对应的联合区间的平均光谱输入该区间校正模型中,获得所有预测样本的品质参数对应的预测结果;获取所有预测样本的品质参数对应的实际检测结果,根据所有预测结果和所有实际检测结果计算该区间校正模型对应的性能指标;根据所有区间校正模型对应的性能指标筛选出高效区间校正模型。
具体地,为了从所有区间校正模型中筛选出高效区间校正模型,本实施例中,选取待检测水果对应的多个预测样本,预测样本的数量可以根据实际需求进行设置,此处不做具体限定。在此基础上,对于任意一个区间校正模型,获取该区间校正模型对应的联合区间,计算所有预测样本在该联合区间的平均光谱,将所有平均光谱输入该区间校正模型中,获得所有预测样本的品质参数对应的预测结果。同时,利用标准检测方法获取所有预测样本的品质参数对应的实际检测结果,其中标准检测方法可以根据实际需求进行设置,此处不做具体限定。
根据所有预测结果和所有实际检测结果计算该区间校正模型对应的性能指标。本实施例中,性能指标包括Rcal、RMSECV、Rpre和RMSEP五个指标。其中,Rcal、RMSECV、Rpre和RMSEP的计算方法与上述实施例中的计算方法相同,具体请参见上述方法实施例中Rcal、RMSECV、Rpre和RMSEP的计算方法,此处不再一一赘述。
最终,结合所有区间校正模型对应的性能指标筛选出高效区间校正模型,高效区间校正模型不仅需要具备较高的预测相关系数R,还要具有较小的RMSECV和RMSEP,而且RMSECV和RMSEP之间的差值应较小。
本发明提供了一种水果内部品质无损检测模型建立方法,通过选取适当数量的预测样本对每个区间校正模型的性能进行评价,最终筛选出高效区间校正模型,有利于确定高效联合区间,进而有利于筛选出高效光谱。
基于上述任一实施例,提供一种水果内部品质无损检测模型建立方法,从所有平均光谱中提取特征波长,具体为:将所有平均光谱作为变量选择算法的输入变量,并将所有校正样本的品质参数作为变量选择算法的目标向量,从所有平均光谱中提取特征波长。
具体地,计算每个校正样本在高效联合区间对应的平均光谱,同时,利用标准检测方法获取所有校正样本的品质参数,其中品质参数包含可溶性固形物含量、水分含量、酸度和硬度等,可以根据待检测水果的类型进行确定,此处不做具体限定。相应地,标准检测方法可以根据品质参数的类型进行设置,此处不做具体限定。将所有校正样本对应的所有平均光谱作为变量选择算法的输入变量,并将所有校正样本的品质参数作为变量选择算法的目标向量,从所有平均光谱中提取特征波长。其中,变量选择算法包括竞争性自适应重加权采样法(competitive adaptive reweighted sampling,CARS)、连续投影算法(successiveprojections algorithm,SPA)和遗传算法(Genetic Algorithm,GA)等变量选择算法,可以根据实际需求进行设置,此处不做具体限定。
本发明提供了一种水果内部品质无损检测模型建立方法,将所有平均光谱作为变量选择算法的输入变量,并将所有校正样本的品质参数作为变量选择算法的目标向量,从所有平均光谱中提取特征波长,能够准确获取与待检测水果的品质参数预测最相关的特征波长,从而有利于根据特征波长从所有光谱中获得高效光谱。
基于上述任一实施例,提供一种水果内部品质无损检测模型建立方法,根据所有光谱变量和所有校正样本的品质参数建立待检测水果对应的内部品质检测模型,具体为:将所有光谱变量作为线性回归算法的输入变量,并将所有校正样本的品质参数作为线性回归算法的目标向量,建立待检测水果对应的内部品质检测模型。
具体地,提取每个校正样本在高效联合区间与特征波长对应的光谱变量,同时,利用标准检测方法获取所有校正样本的品质参数,其中品质参数包含可溶性固形物含量、水分含量、酸度和硬度等,可以根据待检测水果的类型进行确定,此处不做具体限定。相应地,标准检测方法可以根据品质参数的类型进行设置,此处不做具体限定。将所有校正样本对应的光谱变量作为线性回归算法的输入变量,并将所有校正样本的品质参数作为线性回归算法的目标向量,建立待检测水果对应的内部品质检测模型。其中,线性回归算法可以为偏最小二乘(partial least squares,PLS)线性回归算法,也可以为其他线性回归算法,可以根据实际需求进行设置,此处不做具体限定。
本发明提供了一种水果内部品质无损检测模型建立方法,将所有光谱变量作为线性回归算法的输入变量,并将所有校正样本的品质参数作为线性回归算法的目标向量,建立待检测水果对应的内部品质检测模型。该方法基于特征波长提取高效的光谱变量以建立待检测水果对应的内部品质检测模型,提高了检测模型的检测精度,同时为水果内部品质在线检测设备研发提供了理论依据。
基于上述任一实施例,提供一种水果内部品质无损检测模型建立方法,采集该校正样本对应的多条透射光谱,具体为:利用光谱采集装置匀速扫描该校正样本,获得该校正样本对应的多条透射光谱。
具体地,本实施例中,利用光谱采集装置匀速扫描每个校正样本,获得每个校正样本对应的多条透射光谱。其中光谱采集装置的具体结构可参见图3,如图3所示,待检测水果为苹果,则对应的校正样本也为苹果。将每个苹果放置在传送带1上,传送带1由电机2带动匀速转动,电机2连接PLC控制器3和电脑4。此外,传送带1上还设置有一个暗箱5,暗箱5中设置有位置传感器6和光源7,电脑4连接一光谱仪8,光谱仪8的探头设置在暗箱5中。当某个苹果被传送到暗箱5且处于光源7照射的范围内时,暗箱5中的位置传感器6可检测到该苹果后,并可触发光谱仪8的探头扫描该苹果,获得该苹果对应的多条光谱。其中,光谱的数量与传送带的转动速度和苹果的大小有关,可以根据实际需求进行设置,此处不做具体限定。
本发明提供了一种水果内部品质无损检测模型建立方法,利用光谱采集装置匀速扫描该校正样本,获得该校正样本对应的多条透射光谱,有利于从所有光谱中筛选出高效光谱以建立待检测水果对应的内部品质检测模型,进而有利于提高检测模型的检测精度。
为了便于理解上述实施例的方法步骤,现以下述示例进行具体说明:
假设待检测水果为苹果,同时选取315个富士苹果作为校正样本,利用全透射多点光谱在线采集装置以特定积分时间连续地记录315个富士苹果在0.5m/s匀速运动过程中穿透其组织的光信号,获得315个富士苹果各自对应的多条透射光谱。在此基础上,将每个富士苹果的外表面均分为3个子区间,进而将每个富士苹果对应的多条透射光谱对应均分至3个子区间,具体可参见图2。
在将每个富士苹果对应的多条透射光谱对应均分至3个子区间时,若所采集的光谱条数是3的整数倍时,则平均分配到3个子区间。例如,若某个富士苹果对应的透射光谱的数量为30条时,则可将第1-10条透射光谱分配到第1子区间,将第11-20条透射光谱分配到第2子区间,将第21-30条透射光谱分配到第3子区间,因而3个区间的光谱条数分别为10、10、10。若所采集的光谱条数不是3的整数倍时,则尽量平均分配到3个子区间。例如:某个富士苹果对应的透射光谱的数量为28条时,则将第1-10条透射光谱分配到第1子区间,将第11-19条透射光谱分配到第2子区间,将第20-28条透射光谱分配到第3子区间,因而3个区间的光谱条数分别为10、9、9。
进一步地,从3个子区间内任意选取1个到3个子区间进行自由组合,可获得7个联合区间(如表1),分别为“1-0-0”、“0-1-0”、“0-0-1”、“1-1-0”、“1-0-1”、0-1-1”和“1-1-1”。其中数字1和0分别表示该区间内光谱参与和未参与区间校正模型构建,如:联合区间“1-0-0”表示第1区间内光谱参与区间校正模型构建,而第2和第3区间内光谱未参与区间校正模型构建。
在上述基础上,本实施例中,将可溶性固形物含量选定为品质参数,即针对苹果的品质检测,仅考量苹果的可溶性固形物含量这一品质参数。有鉴于此,对于7个联合区间中的任意一个联合区间,将315个富士苹果在该联合区间对应的平均光谱作为PLS线性回归算法的输入变量,并将315个富士苹果各自的可溶性固形物含量作为PLS线性回归算法的目标向量,建立该联合区间对应的区间校正模型。由此,可获得7个联合区间对应的区间校正模型。
进一步地,另外选取105个富士苹果作为预测样本,在上述获得7个区间校正模型的基础上,对于任意一个区间校正模型,将预测样本和校正样本共420个富士苹果在该区间校正模型对应的联合区间的平均光谱输入该区间校正模型中,获得420个富士苹果各自的可溶性固形物含量对应的预测结果。在此基础上,计算每个区间校正模型对应的性能指标,根据所有区间校正模型对应的性能指标筛选出高效区间校正模型,进而确定高效联合区间。
如表1所示,7个区间校正模型中,联合区间“1-0-1”对应的区间校正模型可确定为高效区间校正模型,其预测能力最强,其Rcal=0.8728,RMSECV=0.5736,Rpre=0.8608,RMSEP=0.5952,Rcal和Rpre相差较小,模型较稳定。同时,可确定联合区间“1-0-1”为高效联合区间。
表1
在确定了联合区间“1-0-1”为高效联合区间之后,计算所有校正样本(315个富士苹果)在高效联合区间对应的平均光谱,将所有平均光谱作为SPA变量选择算法的输入变量,并将所有校正样本的可溶性固形物含量作为SPA变量选择算法的目标向量,从所有平均光谱中提取特征波长。设定特征波长最多提取数量A=30,最大交叉验证数量K=10,迭代次数(Number of evolution)N=50,根据交叉验证均方根误差(RMSECV)变化指数,选择RMSECV值最小时所对应的潜变量和特征波长数量,从而筛选出与苹果整果的可溶性固形物含量预测最相关的变量作为其特征波长。
本实施例中,当RMSECV值最小时,潜变量LVs数量为6,所选取的特征波长数量n=10,且特征波长分别为:741.5nm、755.0nm、763.5nm、771.0nm、806.0nm、820.0nm、830.5nm、894.5nm、919.5nm和950.0nm。
提取所有校正样本在高效联合区间“1-0-1”与特征波长对应的光谱变量,将所有光谱变量作为PLS线性回归算法的输入变量,并将所有校正样本的可溶性固形物含量作为PLS线性回归算法的目标向量,设定PLS中最多主成分提取数为20,最大交叉验证数量n=10,根据RMSECV变化指数,选择RMSECV值最小时所对应主成分数,从而建立待检测水果对应的内部品质检测模型。
提取所有预测样本(105个富士苹果)在高效联合区间“1-0-1”与上述特征波长对应的光谱信息,将光谱信息输入上述建立的内部品质检测模型,获得所有预测样本的可溶性固形物含量对应的预测值;
获取所有预测样本的可溶性固形物含量对应的实际检测值,根据所有预测值和所有实际检测值计算上述内部品质检测模型对应的性能指标。最终,通过所选择的特征波长数量n,Rcal,RMSECV,Rpre,RMSEP五个指标评价上述内部品质检测模型的性能。
如表2所示,基于特征波长的内部品质检测模型,Rcal=0.8634,RMSECV=0.6198,Rpre=0.8560,RMSEP=0.6149,Rcal和Rpre相差较小,预测系数Rpre和RMSEP十分接近,该模型较稳定,预测效果也较好。虽然与所有全透射多点全波段光谱和高效联合区间内全波段光谱建模相比,所用变量数量只有10个,仅仅是全波段光谱变量500个的2%,模型预测速度更快,所取得的预测结果却几乎没有差异。
最终所建立的内部品质检测模型对应的方程为:
Y=-1031.42-32.42λ741.5+493.77λ755.0+640.20λ763.5+54.29λ771.0+298.03λ806.0+655.21λ820.0-352.30λ830.5-761.25λ894.5+920.84λ919.5-173.27λ950
表2
图4为本发明实施例的一种水果内部品质无损检测模型建立***的整体结构示意图,如图4所示,基于上述任一实施例,提供一种水果内部品质无损检测模型建立***,包括:
光谱采集均分模块41,用于选取待检测水果对应的多个校正样本,对于任意一个校正样本,采集该校正样本对应的多条透射光谱,将该校正样本的外表面均分为预设数量的子区间,并将该校正样本对应的多条透射光谱对应均分至每个子区间,将所有子区间进行排列组合获得多个联合区间;
高效区间确定模块42,用于根据所有校正样本建立每个联合区间对应的区间校正模型,从所有区间校正模型中筛选出高效区间校正模型,并将高效区间校正模型对应的联合区间确定为高效联合区间;
特征波长提取模块43,用于计算每个校正样本在高效联合区间对应的平均光谱,从所有平均光谱中提取特征波长;
检测模型建立模块44,用于提取每个校正样本在高效联合区间与特征波长对应的光谱变量,根据所有光谱变量和所有校正样本的品质参数建立待检测水果对应的内部品质检测模型。
本实施例的水果内部品质无损检测模型建立***包括光谱采集均分模块41、高效区间确定模块42、特征波长提取模块43和检测模型建立模块44,通过各个模块实现上述任一方法实施例中的方法,具体实现过程请参照上述对应的方法实施例,此处不再一一赘述。
本发明提供了一种水果内部品质无损检测模型建立***,通过从采集的所有透射光谱中筛选出信噪比大、预测能力强的高效光谱,并从高效光谱中提取特征波长,最终基于特征波长建立水果内部品质检测模型,提高了检测模型的检测精度,同时为水果内部品质在线检测设备研发提供了理论依据。
图5示出本发明实施例的一种水果内部品质无损检测模型建立方法的设备的结构框图。参照图5,所述水果内部品质无损检测模型建立方法的设备,包括:处理器(processor)51、存储器(memory)52和总线53;其中,所述处理器51和存储器52通过所述总线53完成相互间的通信;所述处理器51用于调用所述存储器52中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:选取待检测水果对应的多个校正样本,对于任意一个校正样本,采集该校正样本对应的多条透射光谱,将该校正样本的外表面均分为预设数量的子区间,并将该校正样本对应的多条透射光谱对应均分至每个子区间,将所有子区间进行排列组合获得多个联合区间;根据所有校正样本建立每个联合区间对应的区间校正模型,从所有区间校正模型中筛选出高效区间校正模型,并将高效区间校正模型对应的联合区间确定为高效联合区间;计算每个校正样本在高效联合区间对应的平均光谱,从所有平均光谱中提取特征波长;提取每个校正样本在高效联合区间与特征波长对应的光谱变量,根据所有光谱变量和所有校正样本的品质参数建立待检测水果对应的内部品质检测模型。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:选取待检测水果对应的多个校正样本,对于任意一个校正样本,采集该校正样本对应的多条透射光谱,将该校正样本的外表面均分为预设数量的子区间,并将该校正样本对应的多条透射光谱对应均分至每个子区间,将所有子区间进行排列组合获得多个联合区间;根据所有校正样本建立每个联合区间对应的区间校正模型,从所有区间校正模型中筛选出高效区间校正模型,并将高效区间校正模型对应的联合区间确定为高效联合区间;计算每个校正样本在高效联合区间对应的平均光谱,从所有平均光谱中提取特征波长;提取每个校正样本在高效联合区间与特征波长对应的光谱变量,根据所有光谱变量和所有校正样本的品质参数建立待检测水果对应的内部品质检测模型。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:选取待检测水果对应的多个校正样本,对于任意一个校正样本,采集该校正样本对应的多条透射光谱,将该校正样本的外表面均分为预设数量的子区间,并将该校正样本对应的多条透射光谱对应均分至每个子区间,将所有子区间进行排列组合获得多个联合区间;根据所有校正样本建立每个联合区间对应的区间校正模型,从所有区间校正模型中筛选出高效区间校正模型,并将高效区间校正模型对应的联合区间确定为高效联合区间;计算每个校正样本在高效联合区间对应的平均光谱,从所有平均光谱中提取特征波长;提取每个校正样本在高效联合区间与特征波长对应的光谱变量,根据所有光谱变量和所有校正样本的品质参数建立待检测水果对应的内部品质检测模型。
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一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:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的水果内部品质无损检测模型建立方法的设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种水果内部品质无损检测模型建立方法,其特征在于,包括:
选取待检测水果对应的多个校正样本,对于任意一个校正样本,采集该校正样本对应的多条透射光谱,将该校正样本的外表面均分为预设数量的子区间,并将该校正样本对应的多条透射光谱对应均分至每个所述子区间,将所有子区间进行排列组合获得多个联合区间;
根据所有所述校正样本建立每个所述联合区间对应的区间校正模型,从所有所述区间校正模型中筛选出高效区间校正模型,并将所述高效区间校正模型对应的联合区间确定为高效联合区间;
计算每个所述校正样本在所述高效联合区间对应的平均光谱,从所有所述平均光谱中提取特征波长;
提取每个所述校正样本在所述高效联合区间与所述特征波长对应的光谱变量,根据所有所述光谱变量和所有所述校正样本的品质参数建立所述待检测水果对应的内部品质检测模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所有所述光谱变量和所有所述校正样本的品质参数建立所述待检测水果对应的内部品质检测模型,之后还包括:
选取待检测水果对应的多个预测样本,对于任意一个预测样本,提取该预测样本在所述高效联合区间与所述特征波长对应的光谱信息,将所述光谱信息输入所述内部品质检测模型,获得该预测样本的品质参数对应的预测值;
获取所有所述预测样本的品质参数对应的实际检测值,根据所有所述预测值和所有所述实际检测值计算所述内部品质检测模型对应的性能指标。
3.根据权利要求1所述的方法,其特征在于,所述根据所有所述校正样本建立每个所述联合区间对应的区间校正模型,具体为:
对于任意一个联合区间,将所有所述校正样本在该联合区间对应的平均光谱作为线性回归算法的输入变量,并将所有所述校正样品的品质参数作为线性回归算法的目标向量,建立该联合区间对应的区间校正模型。
4.根据权利要求1所述的方法,其特征在于,所述从所有所述区间校正模型中筛选出高效区间校正模型,具体为:
选取待检测水果对应的多个预测样本,对于任意一个区间校正模型,将所有所述预测样本在该区间校正模型对应的联合区间的平均光谱输入该区间校正模型中,获得所有所述预测样本的品质参数对应的预测结果;
获取所有所述预测样本的品质参数对应的实际检测结果,根据所有所述预测结果和所有所述实际检测结果计算该区间校正模型对应的性能指标;
根据所有所述区间校正模型对应的性能指标筛选出所述高效区间校正模型。
5.根据权利要求1所述的方法,其特征在于,所述从所有所述平均光谱中提取特征波长,具体为:
将所有所述平均光谱作为变量选择算法的输入变量,并将所有所述校正样本的品质参数作为变量选择算法的目标向量,从所有所述平均光谱中提取所述特征波长。
6.根据权利要求1所述的方法,其特征在于,所述根据所有所述光谱变量和所有所述校正样本的品质参数建立所述待检测水果对应的内部品质检测模型,具体为:
将所有所述光谱变量作为线性回归算法的输入变量,并将所有所述校正样本的品质参数作为线性回归算法的目标向量,建立所述待检测水果对应的内部品质检测模型。
7.根据权利要求1所述的方法,其特征在于,所述采集该校正样本对应的多条透射光谱,具体为:
利用光谱采集装置匀速扫描该校正样本,获得该校正样本对应的多条透射光谱。
8.一种水果内部品质无损检测模型建立***,其特征在于,包括:
光谱采集均分模块,用于选取待检测水果对应的多个校正样本,对于任意一个校正样本,采集该校正样本对应的多条透射光谱,将该校正样本的外表面均分为预设数量的子区间,并将该校正样本对应的多条透射光谱对应均分至每个所述子区间,将所有子区间进行排列组合获得多个联合区间;
高效区间确定模块,用于根据所有所述校正样本建立每个所述联合区间对应的区间校正模型,从所有所述区间校正模型中筛选出高效区间校正模型,并将所述高效区间校正模型对应的联合区间确定为高效联合区间;
特征波长提取模块,用于计算每个所述校正样本在所述高效联合区间对应的平均光谱,从所有所述平均光谱中提取特征波长;
检测模型建立模块,用于提取每个所述校正样本在所述高效联合区间与所述特征波长对应的光谱变量,根据所有所述光谱变量和所有所述校正样本的品质参数建立所述待检测水果对应的内部品质检测模型。
9.一种水果内部品质无损检测模型建立方法的设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810620936.2A CN108956545B (zh) | 2018-06-15 | 2018-06-15 | 一种水果内部品质无损检测模型建立方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810620936.2A CN108956545B (zh) | 2018-06-15 | 2018-06-15 | 一种水果内部品质无损检测模型建立方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108956545A true CN108956545A (zh) | 2018-12-07 |
CN108956545B CN108956545B (zh) | 2020-10-27 |
Family
ID=64488943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810620936.2A Active CN108956545B (zh) | 2018-06-15 | 2018-06-15 | 一种水果内部品质无损检测模型建立方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108956545B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109632650A (zh) * | 2018-12-14 | 2019-04-16 | 北京农业智能装备技术研究中心 | 可溶性固形物含量的在线检测速度补偿方法及装置 |
CN109827909A (zh) * | 2018-12-24 | 2019-05-31 | 核工业北京地质研究院 | 一种利用光谱数据筛选红富士苹果质量的方法 |
CN111044469A (zh) * | 2019-12-30 | 2020-04-21 | 北京农业智能装备技术研究中心 | 基于单积分球的水果可溶性固形物检测方法及设备 |
CN111855608A (zh) * | 2020-07-29 | 2020-10-30 | 中国科学院合肥物质科学研究院 | 基于融合特征波长选择算法的苹果酸度近红外无损检测方法 |
CN113963239A (zh) * | 2021-12-23 | 2022-01-21 | 北京林业大学 | 一种智能化检测油茶果实成熟度的方法 |
CN114235723A (zh) * | 2021-11-04 | 2022-03-25 | 福建师范大学 | 一种水果内在品质的无损测量方法及终端 |
CN115049206A (zh) * | 2022-04-29 | 2022-09-13 | 广西宏廷智能科技有限公司 | 一种实时无损检测水果内部品质的方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1837788A (zh) * | 2006-03-24 | 2006-09-27 | 浙江大学 | 基于光特性的水果内部品质在线无损检测方法和装置 |
JP2011191095A (ja) * | 2010-03-12 | 2011-09-29 | Ke Corporation:Kk | 食品の内部品質判定方法 |
CN102539335A (zh) * | 2010-12-29 | 2012-07-04 | 广州拜尔冷链聚氨酯科技有限公司 | 实时检测并预测易腐物品品质的***及方法 |
JP2013011516A (ja) * | 2011-06-29 | 2013-01-17 | Mitsui Mining & Smelting Co Ltd | 柑橘類の評価装置および柑橘類の評価方法 |
CN102937575A (zh) * | 2012-11-21 | 2013-02-20 | 浙江大学 | 一种基于二次光谱重组的西瓜糖度快速建模方法 |
CN104251837A (zh) * | 2014-10-17 | 2014-12-31 | 北京农业智能装备技术研究中心 | 水果内部品质近红外透射光谱在线检测***及方法 |
CN105891123A (zh) * | 2016-04-07 | 2016-08-24 | 浙江大学 | 基于高光谱透射成像的雨生红球藻色素含量可视化方法 |
CN106525849A (zh) * | 2016-11-02 | 2017-03-22 | 江苏大学 | 茶叶智能化拼配方法与*** |
CN106841103A (zh) * | 2017-03-01 | 2017-06-13 | 沈阳农业大学 | 近红外光谱检测水果内部品质方法及专用检测*** |
CN107064047A (zh) * | 2017-03-02 | 2017-08-18 | 兰州大学 | 一种基于近红外光谱的富士苹果品质无损检测方法 |
-
2018
- 2018-06-15 CN CN201810620936.2A patent/CN108956545B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1837788A (zh) * | 2006-03-24 | 2006-09-27 | 浙江大学 | 基于光特性的水果内部品质在线无损检测方法和装置 |
JP2011191095A (ja) * | 2010-03-12 | 2011-09-29 | Ke Corporation:Kk | 食品の内部品質判定方法 |
CN102539335A (zh) * | 2010-12-29 | 2012-07-04 | 广州拜尔冷链聚氨酯科技有限公司 | 实时检测并预测易腐物品品质的***及方法 |
JP2013011516A (ja) * | 2011-06-29 | 2013-01-17 | Mitsui Mining & Smelting Co Ltd | 柑橘類の評価装置および柑橘類の評価方法 |
CN102937575A (zh) * | 2012-11-21 | 2013-02-20 | 浙江大学 | 一种基于二次光谱重组的西瓜糖度快速建模方法 |
CN104251837A (zh) * | 2014-10-17 | 2014-12-31 | 北京农业智能装备技术研究中心 | 水果内部品质近红外透射光谱在线检测***及方法 |
CN105891123A (zh) * | 2016-04-07 | 2016-08-24 | 浙江大学 | 基于高光谱透射成像的雨生红球藻色素含量可视化方法 |
CN106525849A (zh) * | 2016-11-02 | 2017-03-22 | 江苏大学 | 茶叶智能化拼配方法与*** |
CN106841103A (zh) * | 2017-03-01 | 2017-06-13 | 沈阳农业大学 | 近红外光谱检测水果内部品质方法及专用检测*** |
CN107064047A (zh) * | 2017-03-02 | 2017-08-18 | 兰州大学 | 一种基于近红外光谱的富士苹果品质无损检测方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109632650A (zh) * | 2018-12-14 | 2019-04-16 | 北京农业智能装备技术研究中心 | 可溶性固形物含量的在线检测速度补偿方法及装置 |
CN109827909A (zh) * | 2018-12-24 | 2019-05-31 | 核工业北京地质研究院 | 一种利用光谱数据筛选红富士苹果质量的方法 |
CN109827909B (zh) * | 2018-12-24 | 2021-06-22 | 核工业北京地质研究院 | 一种利用光谱数据筛选红富士苹果质量的方法 |
CN111044469A (zh) * | 2019-12-30 | 2020-04-21 | 北京农业智能装备技术研究中心 | 基于单积分球的水果可溶性固形物检测方法及设备 |
CN111855608A (zh) * | 2020-07-29 | 2020-10-30 | 中国科学院合肥物质科学研究院 | 基于融合特征波长选择算法的苹果酸度近红外无损检测方法 |
CN114235723A (zh) * | 2021-11-04 | 2022-03-25 | 福建师范大学 | 一种水果内在品质的无损测量方法及终端 |
CN114235723B (zh) * | 2021-11-04 | 2024-04-02 | 福建师范大学 | 一种水果内在品质的无损测量方法及终端 |
CN113963239A (zh) * | 2021-12-23 | 2022-01-21 | 北京林业大学 | 一种智能化检测油茶果实成熟度的方法 |
CN113963239B (zh) * | 2021-12-23 | 2022-03-29 | 北京林业大学 | 一种智能化检测油茶果实成熟度的方法 |
CN115049206A (zh) * | 2022-04-29 | 2022-09-13 | 广西宏廷智能科技有限公司 | 一种实时无损检测水果内部品质的方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108956545B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108956545A (zh) | 一种水果内部品质无损检测模型建立方法及*** | |
CN111968080B (zh) | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 | |
CN110411957B (zh) | 水果货架期及新鲜程度的无损快速预测方法及装置 | |
CN104062257B (zh) | 一种基于近红外光谱测定溶液中总黄酮含量的方法 | |
CN103235095B (zh) | 注水肉检测方法和装置 | |
CN104062258B (zh) | 一种采用近红外光谱快速测定复方阿胶浆中可溶性固形物的方法 | |
CN108680515B (zh) | 一种单粒水稻直链淀粉定量分析模型构建及其检测方法 | |
CN109540836A (zh) | 基于bp人工神经网络的近红外光谱糖度检测方法及*** | |
CN106918567B (zh) | 一种测量痕量金属离子浓度的方法和装置 | |
CN103558167A (zh) | 一种快速测定腌肉中氯化钠含量的方法 | |
CN102252971A (zh) | 一种芒果硬度快速检测方法 | |
CN101825567A (zh) | 一种近红外光谱和拉曼光谱波长的筛选方法 | |
CN112669915B (zh) | 一种基于神经网络与近红外光谱的梨无损检测方法 | |
Tello et al. | Application of 2D and 3D image technologies to characterise morphological attributes of grapevine clusters | |
CN104062256A (zh) | 一种基于近红外光谱的软测量方法 | |
CN109115692B (zh) | 一种光谱数据分析方法及装置 | |
CN109902411B (zh) | 土壤重金属含量检测建模方法及装置、检测方法及装置 | |
CN111693487A (zh) | 基于遗传算法和极限学习机的水果糖度检测方法及*** | |
CN106950192A (zh) | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 | |
CN108254324A (zh) | 一种蟹肉新鲜度快速检测方法及装置 | |
CN110376154A (zh) | 基于光谱校正的水果在线检测方法及*** | |
CN111445469A (zh) | 一种基于高光谱的苹果冲击后损伤参数的无损预测方法 | |
CN113267466B (zh) | 基于光谱波长优选的水果糖度和酸度无损检测方法 | |
CN105911000A (zh) | 基于特征波段的血斑蛋在线检测方法 | |
CN107271389B (zh) | 一种基于指标极值的光谱特征变量快速匹配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |