CN109632650A - 可溶性固形物含量的在线检测速度补偿方法及装置 - Google Patents
可溶性固形物含量的在线检测速度补偿方法及装置 Download PDFInfo
- Publication number
- CN109632650A CN109632650A CN201811533254.4A CN201811533254A CN109632650A CN 109632650 A CN109632650 A CN 109632650A CN 201811533254 A CN201811533254 A CN 201811533254A CN 109632650 A CN109632650 A CN 109632650A
- Authority
- CN
- China
- Prior art keywords
- solid content
- soluble solid
- calibration set
- fruit
- model
- 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.)
- Pending
Links
- 239000007787 solid Substances 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 35
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 79
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 238000001228 spectrum Methods 0.000 claims abstract description 50
- 238000002834 transmittance Methods 0.000 claims abstract description 37
- 230000005540 biological transmission Effects 0.000 claims abstract description 36
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 16
- 238000001429 visible spectrum Methods 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 230000001052 transient effect Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 abstract description 26
- 241000220225 Malus Species 0.000 description 35
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 241001164374 Calyx Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/127—Calibration; base line adjustment; drift compensation
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (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)
Abstract
本发明实施例提供一种可溶性固形物含量的在线检测速度补偿方法及装置，属于农产品检测技术领域。该方法包括：基于可溶性固形物含量的预设模型，检测目标水果的可溶性固形物含量；其中，可溶性固形物含量的预设模型是将校正集放置在传送带上后，基于多种传送速度下校正集的透射光谱数据建立得到的，校正集中包括用于建立模型的样本水果，预设模型为可见光谱检测模型和/或近红外光谱检测模型。由于可溶性固形物含量的预设模型是将校正集放置在传送带上后，基于多种传送速度下校正集的透射光谱数据建立得到的，从而可减小光谱检测速度变化对基于单一速度光谱信息建立的检测模型的影响，借助从多速度下光谱信息中筛选出的特征波长，得到较优的预测精度。
Description
技术领域
本发明实施例涉及农产品检测技术领域，尤其涉及一种可溶性固形物含量的在线检测速度补偿方法及装置。
背景技术
苹果的可溶性固形物含量是衡量苹果内部品质的重要指标，也是影响消费者购买意愿的决定因素之一。拥有快速无损等优势的近红外光谱技术在苹果可溶性固形物含量检测方面近年来得到了广泛应用。然而在实际应用中，检测模型的稳定性往往受苹果样本的温度、产地、品种、季节性差异等因素的影响。苹果表面的可溶性固形物含量分布不均匀，其分布趋势沿果梗到花萼方向逐渐升高。此外，实际在线检测中，样本在传送带上的运动速度是影响检测精度的关键因素之一，这就可能导致不同速度下采集的光谱信号间的差异性，从而影响苹果可溶性固形物含量近红外光谱检测模型的预测精度。
在相关技术中，关于苹果可溶性固形物含量的近红外光谱在线检测的研究，多是针对单一速度，如仅通过采集苹果在30cm s-1速度下的光谱信息，建立苹果可溶性固形物近红外光谱检测模型，而当用该模型去预测苹果其他速度(如50cm s-1)的可溶性固形物含量时，其预测精度就会受到影响。
发明内容
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的可溶性固形物含量的在线检测速度补偿方法及装置。
根据本发明实施例的第一方面，提供了一种可溶性固形物含量的在线检测速度补偿方法，包括：
基于可溶性固形物含量的预设模型，检测目标水果的可溶性固形物含量；其中，可溶性固形物含量的预设模型是将校正集放置在传送带上后，基于多种传送速度下校正集的透射光谱数据建立得到的，校正集中包括用于建立模型的样本水果，预设模型为可见光谱检测模型和/或近红外光谱检测模型。
本发明实施例提供的方法，通过建立可溶性固形物含量的预设模型，并基于可溶性固形物含量的预设模型，检测目标水果的可溶性固形物含量。由于可溶性固形物含量的预设模型是将校正集放置在传送带上后，基于多种传送速度下校正集的透射光谱数据建立得到的，从而可减小光谱检测速度变化对基于单一速度光谱信息建立的检测模型的影响，借助从多速度下光谱信息中筛选出的特征波长，得到较优的预测精度。
另外，克服了光谱检测速度对可溶性固形物含量的预设模型的影响，提高了模型的稳定性。为实际生产中苹果可溶性固形物含量的在线检测奠定了理论基础。为改进目前仅通过单一速度建立的模型，减小因光谱检测速度的变化对其产生的影响具有一定借鉴意义。最后，在保证模型预测精度略微提高的同时，又使模型得到精简，对实际在线检测模型的优化具有一定的指导意义。
根据本发明实施例的第二方面，提供了一种可溶性固形物含量的在线检测速度补偿装置，包括：
检测模块，用于基于可溶性固形物含量的预设模型，检测目标水果的可溶性固形物含量；其中，可溶性固形物含量的预设模型是将校正集放置在传送带上后，基于多种传送速度下校正集的透射光谱数据建立得到的，校正集中包括用于建立模型的样本水果，预设模型为可见光谱检测模型和/或近红外光谱检测模型。
根据本发明实施例的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与处理器通信连接的至少一个存储器，其中：
存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的可溶性固形物含量的在线检测速度补偿方法。
根据本发明的第四方面，提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的可溶性固形物含量的在线检测速度补偿方法。
应当理解的是，以上的一般描述和后文的细节描述是示例性和解释性的，并不能限制本发明实施例。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种可溶性固形物含量的在线检测速度补偿方法的流程示意图；
图2为本发明实施例提供的一种可溶性固形物含量检测***的结构示意图；
图3为本发明实施例提供的一种独立预测集样本预测结果的散点分布图；
图4为本发明实施例提供的一种电子设备的框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
苹果的可溶性固形物含量是衡量苹果内部品质的重要指标，也是影响消费者购买意愿的决定因素之一。拥有快速无损等优势的近红外光谱技术在苹果可溶性固形物含量检测方面近年来得到了广泛应用。然而在实际应用中，检测模型的稳定性往往受苹果样本的温度、产地、品种、季节性差异等因素的影响。苹果表面的可溶性固形物含量分布不均匀，其分布趋势沿果梗到花萼方向逐渐升高。此外，实际在线检测中，样本在传送带上的运动速度是影响检测精度的关键因素之一，这就可能导致不同速度下采集的光谱信号间的差异性，从而影响苹果可溶性固形物含量近红外光谱检测模型的预测精度。
在相关技术中，关于苹果可溶性固形物含量的近红外光谱在线检测的研究，多是针对单一速度，如仅通过采集苹果在30cm s-1速度下的光谱信息，建立苹果可溶性固形物含量近红外光谱检测模型，而当用该模型去预测苹果其他速度(如50cm s-1)的可溶性固形物含量时，其预测精度就会受到影响。
在实际应用中，水果可溶性固形物含量的便携式检测和在线检测为两种常用的检测方式。对于便携式检测，往往根据需要对苹果表面不同部位的可溶性固形物含量进行静态检测，以综合评判该水果的内部品质，该方式适用于小批量苹果样本的品质检测。而对于在线检测，可以通过设置传送带速度大小以满足不同的实际检测效率需求，该方式适用于大批量苹果样品的品质检测，具有巨大的发展潜力和良好的应用前景。
一般地，对于相同大小和摆放姿态下的苹果样本，因传送带速度的不同，其获得的光谱数据具有一定的差异性。因此，对于苹果可溶性固形物含量的在线检测，可建立一个不受在线检测速度变化影响的模型。针对上述情形，本发明实施例提供了一种可溶性固形物含量的在线检测速度补偿方法。该方法可用于不同的水果，包括但不限于苹果等，本发明实施例对此不作具体限定。参见图1，该方法包括：
101、建立可溶性固形物含量的预设模型。
其中，可溶性固形物含量的预设模型是将校正集放置在传送带上后，基于多种传送速度下校正集的透射光谱数据建立得到的，校正集中包括用于建立模型的样本水果。预设模型为可见光谱检测模型和/或近红外光谱检测模型。在执行101之前，可以收集样本水果，以苹果为例，可收集120个苹果作为校正集。
102、基于可溶性固形物含量的预设模型，检测目标水果的可溶性固形物含量。
本发明实施例提供的方法，通过建立可溶性固形物含量的预设模型，并基于可溶性固形物含量的预设模型，检测目标水果的可溶性固形物含量。由于可溶性固形物含量的预设模型是将校正集放置在传送带上后，基于多种传送速度下校正集的透射光谱数据建立得到的，从而可减小光谱检测速度变化对基于单一速度光谱信息建立的检测模型的影响，借助从多速度下光谱信息中筛选出的特征波长，得到较优的预测精度。
另外，克服了光谱检测速度对可溶性固形物含量的预设模型的影响，提高了模型的稳定性。为实际生产中苹果可溶性固形物含量的在线检测奠定了理论基础。为改进目前仅通过单一速度建立的模型，减小因光谱检测速度的变化对其产生的影响具有一定借鉴意义。最后，在保证模型预测精度略微提高的同时，又使模型得到精简，对实际在线检测模型的优化具有一定的指导意义。
基于上述实施例的内容，作为一种可选实施例，本发明实施例不对基于可溶性固形物含量的预设模型，检测目标水果的可溶性固形物含量的方式作具体限定，包括但不限于：将目标水果放置在传送带上，并由光源照射目标水果；获取目标水果的透射光谱数据，并对透射光谱数据做预处理；将预处理后的透射光谱数据输入至预设模型，输出目标水果的可溶性固形物含量。
其中，用于检测水果可溶性固形物含量的***可参考图2。其中，光谱采集范围可以为615-1045nm。由于采集到的透射光谱数据，通常会包括随机噪音，此外还可能含有基线漂移、光的杂散射等无用信息，这些会一定程度上影响近红外光谱与可溶性固形物含量之间的对应关系，导致所建模型的可靠性和稳定性降低。因此，可以对获取到的目标水果的透射光谱数据作预处理，预处理的方式可以为Savitzky-Golay平滑处理，本发明实施例对此不作具体限定。
基于上述实施例的内容，作为一种可选实施例，在基于可溶性固形物含量的预设模型，检测目标水果的可溶性固形物含量之前，还包括：基于校正集中样本水果的可溶性固形物含量及多种传送速度下校正集中样本水果的透射光谱数据，建立预设模型。
具体地，在透射光谱数据采集完成后，可利用传统的破坏性实验对每一个苹果样本进行整果榨汁并盛于烧杯中，测定苹果的可溶性固形物含量。
基于上述实施例的内容，作为一种可选实施例，在基于校正集中样本水果的可溶性固形物含量及多种传送速度下校正集中样本水果的透射光谱数据，建立预设模型之前，还包括：按照预设方式，对多种传送速度下校正集中样本水果的透射光谱数据进行预处理，预设方式至少包括平滑滤波处理。
基于上述实施例的内容，作为一种可选实施例，本发明实施例不对基于校正集中样本水果的可溶性固形物含量及多种传送速度下校正集中样本水果的透射光谱数据，建立预设模型的方式作具体限定，包括但不限于：基于多种传送速度下样本水果的透射光谱数据，挑选样本水果的可溶性固形物含量的特征波长，并基于所选的特征波长，建立预设模型。
具体地，对比之前仅通过苹果单一速度的光谱进行建模分析，本发明实施例提出联合多种传送速度下的光谱信息进行可溶性固形物含量的预设模型的建立。在本发明实施例中，以多种传送速度分别为30cm s-1(S1)、50cm s-1(S2)和70cm s-1(S3)为例，对比不同传送速度同S1、S2和S3下分别120条光谱的建模结果，综合全局速度(S1+S2+S3)共360条光谱进行建模分析。
另外，由于光谱变量之间存在大量的冗余和共线性信息，对光谱有效信息的提取产生了较大的干扰，造成模型复杂、计算量大等问题。本发明实施例基于上述多个传送速度的透射光谱数据，采用竞争性自适应重加权算法(competitive adaptive reweightedsampling,CARS)从710-980nm的全波段(542个变量)中挑选出36个苹果可溶性固形物含量的特征波长，利用偏最小二乘算法(partial least squares,PLS)建立基于所选特征波长的可溶性固形物含量的预设模型。
基于上述实施例的内容，作为一种可选实施例，在基于校正集中样本水果的可溶性固形物含量及多种传送速度下校正集中样本水果的透射光谱数据，建立预设模型之后，还包括：基于独立预测集对校正集以及校正集中样本水果在多种传送速度下的可溶性固形物含量进行验证，独立预测集中包括用于对验证模型的样本水果。
具体地，为了验证上述所建模型的预测精度及稳定性，利用上述线性回归方程对校正集，以及包含有S1、S2和S3不同速度下全波段(542个变量)光谱信息的预测集样本的可溶性固形物含量进行检测，并对结果进行评价。评价指标中校正相关系数(rc)、预测相关系数(rp)越大，校正均方根误差(RMSEC)、预测均方根误差越(RMSEP)越小，说明模型预测性能越好。预测结果如下表1所示：
表1
对比上述模型发现，基于全波段局部速度建立的可溶性固形物含量的预设模型，当用于检测与其校正集不同速度的可溶性固形物含量时，会产生十分明显的误差，甚至会出现无法预测(NA)的情况。而基于全波段全局速度建立的模型，模型的预测精度得到提高的同时，对3个预测集均没有出现较大的预测误差。因此，通过建立全局速度的可溶性固形物含量的预设模型，可以减小光谱检测速度变化对基于局部速度的光谱信息建立的模型的影响。在全波段建模的情况下，可以改进目前仅通过局部建立的模型，使其不受光谱检测速度变化的影响。
另外，还可以进行特征波长的有效性验证。具体地，为了验证由多速度下光谱信息中所选特征波长的有效性，以全局速度(S1+S2+S3)的光谱为校正集，建立基于所选特征波长的可溶性固形物校正模型，仍然通过含有3个不同速度光谱信息的预测集样本对模型进行验证。同时，为了说明特征波长的有效性，表中给出了基于全波段下全局速度光谱建立的模型的结果。建模及预测结果如下表2所示：
表2
对比上述模型可发现，基于全波段下全局速度下建立的可溶性固形物含量的预设模型，对3组不同速度的预测集均取得了较好的预测结果，但过多的变量数会导致其实际应用时存在耗时长、运算量大、适用性低等问题。而基于36个特征波长建立的模型，在保证模型预测精度略微提高的同时，对3个预测集均没有出现较大的预测误差，其校正集与预测集的预测值与测量值之间的相关系数均大于0.83，均方根误差均小于0.65°Brix，获得了满意的预测精度，满足实际在线检测精度要求。
同时，对3组不同速度的预测集均取得了较好的预测结果，说明该模型对于水果移动速度的变化不敏感，可以作为苹果可溶性固形物含量检测速度的补偿模型。应用所选特征波长，可以改进前期文献中全波段建立的模型，使其在保证模型预测精度的前提下，实现了模型的简化，从而提高了模型的稳定性和适用性。预测集样本预测结果的散点分布图如图3所示，图中样本靠近分布于回归直线两侧，具有很好的线性预测效果。上述结果说明应用本发明的方法能够减小水果移动速度对苹果可溶性固形物含量的预设模型的影响。
基于上述实施例的内容，作为一种可选实施例，多种传送速度至少包括30厘米每秒、50厘米每秒及70厘米每秒。
基于上述实施例的内容，本发明实施例提供了一种可溶性固形物含量的在线检测速度补偿装置，该装置用于执行上述方法实施例中提供的可溶性固形物含量的在线检测速度补偿方法。该装置包括：检测模块；其中，
检测模块，用于基于基于可溶性固形物含量的预设模型，检测目标水果的可溶性固形物含量；其中，可溶性固形物含量的预设模型是将校正集放置在传送带上后，基于多种传送速度下校正集的透射光谱数据建立得到的，校正集中包括用于建立模型的样本水果，预设模型为可见光谱检测模型和/或近红外光谱检测模型。
基于上述实施例的内容，作为一种可选实施例，检测模块，用于将目标水果放置在传送带上，并由光源照射目标水果；获取目标水果的透射光谱数据，并对透射光谱数据做预处理；将预处理后的透射光谱数据输入至预设模型，输出目标水果的可溶性固形物含量。
基于上述实施例的内容，作为一种可选实施例，该装置还包括：
建立模块，用于基于校正集中样本水果的可溶性固形物含量及多种传送速度下校正集中样本水果的透射光谱数据，建立预设模型。
基于上述实施例的内容，作为一种可选实施例，该装置还包括：
预处理模块，用于按照预设方式，对多种传送速度下校正集中样本水果的透射光谱数据进行预处理，预设方式至少包括平滑滤波处理。
基于上述实施例的内容，作为一种可选实施例，建立模块，用于基于多种传送速度下样本水果的透射光谱数据，挑选样本水果的可溶性固形物含量的特征波长，并基于所选的特征波长，建立预设模型。
基于上述实施例的内容，作为一种可选实施例，该装置还包括：
验证模块，用于基于独立预测集对校正集以及校正集中样本水果在多种传送速度下的可溶性固形物含量进行验证，独立预测集中包括用于对验证模型的样本水果。
基于上述实施例的内容，作为一种可选实施例，多种传送速度至少包括30厘米每秒、50厘米每秒及70厘米每秒。
本发明实施例提供的装置，通过建立可溶性固形物含量的预设模型，并基于可溶性固形物含量的预设模型，检测目标水果的可溶性固形物含量。由于可溶性固形物含量的预设模型是将校正集放置在传送带上后，基于多种传送速度下校正集的透射光谱数据建立得到的，从而可减小光谱检测速度变化对基于单一速度光谱信息建立的检测模型的影响，借助从多速度下光谱信息中筛选出的特征波长，得到较优的预测精度。
另外，克服了光谱检测速度对可溶性固形物含量的预设模型的影响，提高了模型的稳定性。为实际生产中苹果可溶性固形物含量的在线检测奠定了理论基础。为改进目前仅通过单一速度建立的模型，减小因光谱检测速度的变化对其产生的影响具有一定借鉴意义。最后，在保证模型预测精度略微提高的同时，又使模型得到精简，对实际在线检测模型的优化具有一定的指导意义。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(Processor)410、通信接口(Communications Interface)420、存储器(Memory)430和通信总线(Communication Bus)440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行如下方法：基于可溶性固形物含量的预设模型，检测目标水果的可溶性固形物含量；其中，可溶性固形物含量的预设模型是将校正集放置在传送带上后，基于多种传送速度下校正集的透射光谱数据建立得到的，校正集中包括用于建立模型的样本水果，预设模型为可见光谱检测模型和/或近红外光谱检测模型。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，电子设备，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：基于可溶性固形物含量的预设模型，检测目标水果的可溶性固形物含量；其中，可溶性固形物含量的预设模型是将校正集放置在传送带上后，基于多种传送速度下校正集的透射光谱数据建立得到的，校正集中包括用于建立模型的样本水果，预设模型为可见光谱检测模型和/或近红外光谱检测模型。
以上所描述的装置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上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。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种可溶性固形物含量的在线检测速度补偿方法，其特征在于，包括：
基于可溶性固形物含量的预设模型，检测目标水果的可溶性固形物含量；其中，所述可溶性固形物含量的预设模型是将校正集放置在传送带上后，基于多种传送速度下所述校正集的透射光谱数据建立得到的，所述校正集中包括用于建立模型的样本水果，所述预设模型为可见光谱检测模型和/或近红外光谱检测模型。
2.根据权利要求1所述的方法，其特征在于，所述基于可溶性固形物含量的预设模型，检测目标水果的可溶性固形物含量，包括：
将所述目标水果放置在传送带上，并由光源照射所述目标水果；
获取所述目标水果的透射光谱数据，并对所述透射光谱数据做预处理；
将预处理后的透射光谱数据输入至所述预设模型，输出所述目标水果的可溶性固形物含量。
3.根据权利要求1所述的方法，其特征在于，所述基于可溶性固形物含量的预设模型，检测目标水果的可溶性固形物含量之前，还包括：
基于所述校正集中样本水果的可溶性固形物含量及多种传送速度下所述校正集中样本水果的透射光谱数据，建立所述预设模型。
4.根据权利要求3所述的方法，其特征在于，所述基于所述校正集中样本水果的可溶性固形物含量及多种传送速度下所述校正集中样本水果的透射光谱数据，建立所述预设模型之前，还包括：
按照预设方式，对多种传送速度下所述校正集中样本水果的透射光谱数据进行预处理，所述预设方式至少包括平滑滤波处理。
5.根据权利要求3所述的方法，其特征在于，所述基于所述校正集中样本水果的可溶性固形物含量及多种传送速度下所述校正集中样本水果的透射光谱数据，建立所述预设模型，包括：
基于多种传送速度下所述样本水果的透射光谱数据，挑选所述样本水果的可溶性固形物含量的特征波长，并基于所选的特征波长，建立所述预设模型。
6.根据权利要求3所述的方法，其特征在于，所述基于所述校正集中样本水果的可溶性固形物含量及多种传送速度下所述校正集中样本水果的透射光谱数据，建立所述预设模型之后，还包括：
基于独立预测集对所述校正集以及所述校正集中样本水果在所述多种传送速度下的可溶性固形物含量进行验证，所述独立预测集中包括用于对验证模型的样本水果。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述多种传送速度至少包括30厘米每秒、50厘米每秒及70厘米每秒。
8.一种可溶性固形物含量的在线检测速度补偿装置，其特征在于，包括：
检测模块，用于基于可溶性固形物含量的预设模型，检测目标水果的可溶性固形物含量；其中，所述可溶性固形物含量的预设模型是将校正集放置在传送带上后，基于多种传送速度下所述校正集的透射光谱数据建立得到的，所述校正集中包括用于建立模型的样本水果，所述预设模型为可见光谱检测模型和/或近红外光谱检测模型。
9.一种电子设备，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 |
|---|---|---|---|
| CN201811533254.4A CN109632650A (zh) | 2018-12-14 | 2018-12-14 | 可溶性固形物含量的在线检测速度补偿方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811533254.4A CN109632650A (zh) | 2018-12-14 | 2018-12-14 | 可溶性固形物含量的在线检测速度补偿方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109632650A true CN109632650A (zh) | 2019-04-16 |
Family
ID=66074182
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811533254.4A Pending CN109632650A (zh) | 2018-12-14 | 2018-12-14 | 可溶性固形物含量的在线检测速度补偿方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109632650A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110376154A (zh) * | 2019-07-19 | 2019-10-25 | 北京农业智能装备技术研究中心 | 基于光谱校正的水果在线检测方法及*** |
| CN110376159A (zh) * | 2019-08-22 | 2019-10-25 | 华东交通大学 | 基于近红外漫透射光谱的鸭梨黑心病快速鉴别方法 |
| 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 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108956545A (zh) * | 2018-06-15 | 2018-12-07 | 北京农业智能装备技术研究中心 | 一种水果内部品质无损检测模型建立方法及*** |
-
2018
- 2018-12-14 CN CN201811533254.4A patent/CN109632650A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108956545A (zh) * | 2018-06-15 | 2018-12-07 | 北京农业智能装备技术研究中心 | 一种水果内部品质无损检测模型建立方法及*** |
Non-Patent Citations (4)
| Title |
|---|
| 孙旭东: ""苹果可溶性固形物近红外光谱在线检测影响因素研究"", 《中国农机化学报》 * |
| 孙通: ""梨可溶性固形物和酸度的可见/近红外光谱静态和在线检测研究"", 《中国博士学位论文全文数据库 农业科技辑》 * |
| 崔丰娟、闸建文: ""近红外透射苹果运动速度模型适用性的研究"", 《农机化研究》 * |
| 高荣杰: ""水果糖度可见/近红外光谱在线检测方法研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110376154A (zh) * | 2019-07-19 | 2019-10-25 | 北京农业智能装备技术研究中心 | 基于光谱校正的水果在线检测方法及*** |
| CN110376159A (zh) * | 2019-08-22 | 2019-10-25 | 华东交通大学 | 基于近红外漫透射光谱的鸭梨黑心病快速鉴别方法 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109632650A (zh) | 可溶性固形物含量的在线检测速度补偿方法及装置 | |
| 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 | |
| CN112465077B (zh) | 水果糖度无损检测方法、装置、计算机设备和存储介质 | |
| CN105548070B (zh) | 一种苹果可溶性固形物近红外检测部位补偿方法及*** | |
| CN103235095A (zh) | 注水肉检测方法和装置 | |
| CN102636450A (zh) | 基于近红外光谱技术无损检测枸杞中枸杞多糖含量的方法 | |
| 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 | |
| CN113030001B (zh) | 一种水果糖度检测方法及*** | |
| CN110376154A (zh) | 基于光谱校正的水果在线检测方法及*** | |
| CN106384116A (zh) | 一种基于太赫兹成像的植株叶脉识别方法及装置 | |
| CN106950186A (zh) | 基于光纤光谱的土鸡蛋或洋鸡蛋品种检测装置及其方法 | |
| Xu et al. | Nondestructive detection of total soluble solids in grapes using VMD‐RC and hyperspectral imaging | |
| Xu et al. | Non‐destructive prediction of total soluble solids and titratable acidity in Kyoho grape using hyperspectral imaging and deep learning algorithm | |
| Tian et al. | Research on apple origin classification based on variable iterative space shrinkage approach with stepwise regression–support vector machine algorithm and visible‐near infrared hyperspectral imaging | |
| Tian et al. | Detection of soluble solid content in apples based on hyperspectral technology combined with deep learning algorithm | |
| Mu et al. | Non‐destructive detection of blueberry skin pigments and intrinsic fruit qualities based on deep learning | |
| CN117538287A (zh) | 一种无损检测黄冠梨果磷含量的方法及装置 | |
| CN104198398A (zh) | 一种基于高光谱成像鉴别阿胶的方法 | |
| CN106442396A (zh) | 基于近红外技术的甘蔗渣蔗糖含量快检方法 | |
| CN113030011A (zh) | 水果糖度快速无损检测方法及检测*** | |
| CN105004690A (zh) | 一种基于多光谱成像技术的梨果肉中石细胞含量快速无损检测方法 | |
| CN108875536A (zh) | 行人分析方法、装置、***和存储介质 | |
| 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 | |
| Zhao et al. | Casting Defect Detection and Classification of Convolutional Neural Network Based on Recursive Attention Model | |
| CN109238973A (zh) | 一种检测苹果可溶性固形物含量和含水量的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |
|
| RJ01 | Rejection of invention patent application after publication |