CN110376154A - 基于光谱校正的水果在线检测方法及*** - Google Patents
基于光谱校正的水果在线检测方法及*** Download PDFInfo
- Publication number
- CN110376154A CN110376154A CN201910653867.XA CN201910653867A CN110376154A CN 110376154 A CN110376154 A CN 110376154A CN 201910653867 A CN201910653867 A CN 201910653867A CN 110376154 A CN110376154 A CN 110376154A
- Authority
- CN
- China
- Prior art keywords
- fruit
- information
- sample
- spectrum
- measured
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 250
- 238000001228 spectrum Methods 0.000 title claims abstract description 130
- 238000012937 correction Methods 0.000 title claims abstract description 54
- 238000010998 test method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 81
- 230000003595 spectral effect Effects 0.000 claims abstract description 73
- 239000007787 solid Substances 0.000 claims abstract description 58
- 238000002235 transmission spectroscopy Methods 0.000 claims abstract description 51
- 230000006870 function Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 6
- 230000036961 partial effect Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000002860 competitive effect Effects 0.000 claims description 4
- 239000012141 concentrate Substances 0.000 claims description 4
- 229910052736 halogen Inorganic materials 0.000 claims description 3
- 150000002367 halogens Chemical class 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 26
- 238000002329 infrared spectrum Methods 0.000 abstract description 17
- 241000220225 Malus Species 0.000 description 39
- 230000005540 biological transmission Effects 0.000 description 11
- 235000021016 apples Nutrition 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004433 infrared transmission spectrum Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101001097860 Lithospermum erythrorhizon Phenylalanine ammonia-lyase 1 Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000015203 fruit juice Nutrition 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- JCYWCSGERIELPG-UHFFFAOYSA-N imes Chemical compound CC1=CC(C)=CC(C)=C1N1C=CN(C=2C(=CC(C)=CC=2C)C)[C]1 JCYWCSGERIELPG-UHFFFAOYSA-N 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010297 mechanical methods and process Methods 0.000 description 1
- 230000005226 mechanical processes and functions Effects 0.000 description 1
- 238000004064 recycling 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
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 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
- 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
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
本发明提供一种基于光谱校正的水果在线检测方法及***,其中,该方法包括:获取不同果径的待测水果的近红外透射光谱信息;将近红外透射光谱信息转换为同一光程标准下的标准光谱信息;将标准光谱信息输入至光谱检测模型,输出不同果径的待测水果的可溶性固体物含量。该***包括:输送单元、光照单元、光谱仪和计算机,其中:输送单元包括输送带及驱动装置;光谱仪的探测镜头安装于输送带的侧方,计算机内的运算单元用于将近红外透射光谱信息转换为同一光程标准下的标准光谱信息,并输出可溶性固体物含量。本发明提供的水果在线检测方法及***,减小了水果直径差异对水果可溶性固形物的近红外光谱检测的影响,提高了检测的精度。
Description
技术领域
本发明涉及农产品检验检测技术领域,尤其涉及一种基于光谱校正的水果在线检测方法及***。
背景技术
近年来,世界水果产业发展迅速,目前世界水果每年总产量超过了6.3亿吨,我国作为世界最大的水果生产国与消费国,水果产业的发展对于保障国内市场供应、增加农民收入、改善生态环境和促进农村经济发展具有十分重要的意义。尤其,随着人们生活水平的提高,对于水果的品质要求也越来越严格。但一般的方法仅仅能够通过水果外部的特征对水果的品质进行判断,但对水果内部的隐性缺陷却无法进行观测,因此,对采集的水果进行内部品质无损在线检测显得尤为重要。
一方面,水果中的可溶性固形物含量是评价内部品质和成熟度的重要指标,直接影响水果的销量和消费者的购买意愿。近红外光谱技术具有便捷、快速、无损、易维护等优点,其近年来在水果内部品质,包括:可溶性固形物、酸度、硬度等的检测方面得到了广泛应用。另一方面,相比静态检测方式,在线检测具有高效、易于自动化和产业化等优势。再一方面,在光谱采集方式上,透射方式具有受杂散光影响小、可获取被测样本内部信息等优势。
目前,在对水果的内部品质进行无损在线检测的实际操作过程中,主要方法是通过建立近红外光谱回归模型,再利用近红外光谱回归模型对待测水果进行在线检测,但由于使用的建模样本易受温度、产地、品种以及季节性等因素的影响,造成样本的可溶性固体物分布不均匀。其中,样本的尺寸信息直接影响着所获取的原始光谱强度,进而影响所建立的近红外光谱回归模型的预测精度。
现有技术中,通过对水果可溶性固体物的近红外光谱检测方法,均是针对近似样本尺寸(例如直径约80mm的样本),甚至直接忽略样本的尺寸信息进行建立近红外光谱检测模型。但是实际应用时,样本的尺寸信息具有多样性和随机性,当用单一尺寸下建立的模型去预测水果其他尺寸(例如直径100mm)下的可溶性固形物含量时,其预测精度会受到很大的影响。
因此,亟需建立一种减小水果直径差异对苹果可溶性固形物近红外光谱检测,以获取水果内部品质的方法及***。
发明内容
本发明实施例提供基于光谱校正的水果在线检测方法及***,用以解决现有技术中忽略样本的尺寸信息进行建立近红外光谱检测模型,以测量水果内部品质的缺陷。
一方面,本发明实施例提供一种基于光谱校正的水果在线检测方法,包括:获取不同果径的待测水果的近红外透射光谱信息;将获取的近红外透射光谱信息转换为同一光程标准下的标准光谱信息;并进一步将该标准光谱信息输入至光谱检测模型,输出不同果径的待测水果的可溶性固体物含量。
另一方面,本发明实施例提供一种基于光谱校正的水果在线检测***,包括:输送单元、光照单元、光谱仪和计算机,其中:输送单元包括:用于输送待测水果的输送带及驱动所述输送带的驱动装置;光照单元设置于该输送带的侧方,用于提供卤素灯光源;光谱仪的探测镜头安装于输送带的另一侧方,用于获取不同果径的待测水果的近红外透射光谱信息,并将该近红外透射光谱信息发送至所述计算机;计算机内的运算单元用于将不同果径的待测水果的近红外透射光谱信息转换为同一光程标准下的标准光谱信息,并进一步将不同果径的待测水果的标准光谱信息输入至光谱检测模型,输出不同果径的待测水果的可溶性固体物含量。
又一方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行程序时实现上述基于光谱校正的水果在线检测方法的步骤。
本发明实施例提供的一种基于光谱校正的水果在线检测方法及***,通过将不同果径的待测水果的近红外光谱信息转换为同一光程标准下的光谱信息,减小了水果直径差异对水果可溶性固形物的近红外光谱检测的影响,提高了检测的精度。
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基于光谱校正的水果在线检测方法的流程示意图;
图2为本发明实施例提供的一种基于光谱校正的水果在线检测方法中预测集样本的预测结果散点分布图;
图3为本发明实施例提供的一种基于光谱校正的水果在线检测***的结构示意图;
图4为本发明实施例提供的又一基于光谱校正的水果在线检测***的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
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做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。
图1为本发明实施例提供的一种基于光谱校正的水果在线检测方法的流程示意图,如图1所示,本发明实施例提供一种基于光谱校正的水果在线检测方法,包括但不限于以下步骤:
步骤S1,获取不同果径的待测水果的近红外透射光谱信息;
步骤S2,将步骤S1中获取的近红外透射光谱信息转换为同一光程标准下的标准光谱信息;
步骤S3,将步骤S2中获取的标准光谱信息输入至光谱检测模型,输出步骤S1中不同果径的待测水果的可溶性固体物含量。
具体地,在实际应用中,便携式和在线式是两种常用的水果可溶性固形物含量的检测方式。其中,采用便携式检测水果可溶性固形物含量的方法,一般是要求将被测样品静态放置于工作平台上,根据需求对水果的不同部位进行检测操作,以综合评判被测水果的内部品质。该便携式检测方法仅适用于对小批量水果进行逐个的检测。而在线式检测水果可溶性固形物含量的方法,被测水果通常稳定放置在具有一定速度的传送带上进行动态检测,通过调节速度大小可以满足不同检测效率的需求。因此,在线式检测方法适用于对大批量水果进行品质检测,具有检测速度快的优点。
另外,根据待测水果和光源的位置关系对采集方式进行分类,主要有漫反射和漫透射这两种数据采集方式,其中,由于漫反射数据采集方式中难以根本消除杂散光,存在检测精度低的缺陷,从而,漫透射数据采集方式的应用越来越广泛。
基于上述说明,本发明实施例提供的基于光谱校正的水果在线检测方法结合了在线检测方法及漫透射数据采集方法的优点。具体体现为,在执行步骤S1之前,可以将不同果径的待测水果依次通过近红外光谱数据获取设备。其中,可以通过Imes 10在线检测***(NIRECO corporation,Japan)作为水果近红外光谱数据获取设备采集待测水果的近红外透射光谱信息,该在线检测***的光谱采集范围为615-1045nm。需要说明的是,本发明实施例不对如何将不同果径的待测水果依次通过近红外光谱数据获取设备以及使用何种设备采集近红外透射光谱信息作具体限定。
进一步地,在步骤S2中,由于在现有技术中,采用获取水果的近红外透射光谱信息获取该水果的可溶性固体物含量的方法中,均是针对近似样本尺寸,甚至直接忽略样本的尺寸信息,存在检测结果偏差大的缺陷,本发明实施例提供的基于光谱校正的水果在线检测方法,在获取到不同果径待测水果的近红外光透射光谱信息后,将该近红外光透射光谱信息转换成同一光程标准下的标准光谱信息。在步骤S3中,将转换后的标准光谱信息输入至建立完成的光谱检测模型,并基于该光谱检测模型,获取与该标准光谱信息对应的水果的可溶性固体物含量。在本实施例中不对使用何种光谱检测模型作出具体限定。
本发明实施例提供的一种基于光谱校正的水果在线检测方法中,通过将不同果径的待测水果的近红外光谱信息转换为同一光程标准下的光谱信息,减小了水果直径差异对水果可溶性固形物的近红外光谱检测的影响,提高了检测的精度。
基于上述实施例的内容,作为一种可选实施例,本发明实施例提供的基于光谱校正的水果在线检测方法,在将所述标准光谱信息输入至光谱检测模型之前,还包括建立相应的光谱检测模型,该建模方法包括但不限于:
获取建模样本集中每个样本水果的全波段波长的近红外透射光谱信息,以及每个样本水果的可溶性固体物含量;基于竞争性自适应重加权算法,对每个近红外透射光谱信息中的所有全波段波长进行处理,获取每个近红外透射光谱信息中的特定数量特征波长;基于偏最小二乘算法,对每个样本水果的可溶性固体物含量和与样本水果相对应的特定数量特征波长的近红外透射光谱信息进行处理,建立基于特征波长的光谱检测模型。
为更好的阐述本发明实施例提供的水果内部品质在线检测方法,以下述一个具体建立光谱检测模型的具体实施例为例进行说明,本示例仅作为对本发明实施例的解释,不视为对本发明实施例的保护范围的限定。
例如:从北京某水果批发市场购置山东富士苹果122个作为总样品集,由于是随机购置的,因此,该总样品集内包括不同果径的苹果,具体统计为:包含:75-80mm果径的苹果30个、80-85mm果径的苹果58个、85-90mm果径的苹果29个和90-95mm果径的苹果5个。随机将总样品集中的苹果划分为两部分,一部分作为建模样本集,其个数可以设为92个,剩下的30个苹果组成验证集。采集并记录该总样品集内所有苹果的近红外光光谱信息,每个苹果与采集的近红外光谱信息一一对应。
进一步地,在完成采集并记录该总样品集内所有苹果之后,测定并记录每个苹果的可溶性固体物含量,其步骤可以是:分别对每个苹果进行整果榨汁,并分别盛装于一个烧杯中。利用PAL-1型电子折光仪(ATAGO Co.Ltd.,Tokyo,Japan)检测并记录每个烧杯中的苹果果汁的可溶性固形物含量数值,从而完成将总样品集内所有苹果、每个苹果的近红外光谱信息以及每个苹果的可溶性固体物含量之间的一一对应关系的测定。
先采用竞争性自适应重加权算法(competitive adaptive reweightedsampling,简称CARS)对每个苹果的近红外透射光谱信息进行优化,具体过程如下:从每个苹果的全波段近红外光谱信息的710-980nm的541个全波段波长中,优选出59个特征波长。进一步利用偏最小二乘算法(partial least squares,简称PLS)对获取的59个特征波长进行处理,获取包含该59个特征波长的近红外透射光谱信息。然后,基于偏最小二乘算法,对每个样本水果的可溶性固体物含量和与该样本水果相对应的仅包含59个特征波长的近红外透射光谱信息进行处理,建立基于特征波长的光谱检测模型。
由于在光谱信息中,波长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,本发明实施例提供的建立基于特征波长的光谱检测模型的方法,通过先对获取到的每个样本水果的全波段光谱信息进行优化,再利用优化产生的特征波长的光谱信息以及该样本水果的可溶性固体物含量,建立光谱检测模型简化了建模过程,同时提高光谱检测模型的运算效率,为本发明实施例提供的水果内部品质检测方法运用于在线检测提供了技术支持。
为了验证建立的光谱检测模型的预测精度及稳定性,基于上述实施例的内容,作为一种可选实施例,本发明实施例在建立基于特征波长的光谱检测模型之后,还包括:利用现有技术中的全波段光谱检测模型和本发明实施例建立的光谱检测模型分别获取建模样本集中每个样本水果预测值,并将获取的预测值分别与每个样本水果的可溶性固体物含量进行比较,完成对光谱检测模型的验证。
基于上述实施例,当从每个苹果的全波段近红外光谱信息的710-980nm的541个全波段波长中,优选出59个特征波长,并建立基于59个特征波长的光谱检测模型之后,利用该光谱检测模型对建模样本集中92个样本水果的全波段波长的近红外透射光谱信息进行分析,获取92个样本水果的预测值。同时,利用现有技术中的全波段光谱检测模型,对建模样本集中92个样本水果的全波段波长的近红外透射光谱信息进行分析,获取相应的预测值。
表1为使用现有技术中全波段光谱检测模型(全波段PLS)和本发明实施例提供的光谱检测模型(CARS-PLS)对苹果可溶性固形物预测的数据对比表:
表1
如表1所示,将上述获取的预测值分别与每个样本水果的可溶性固体物含量的测定值进行列表比较,列表中,相关评价指标中的校正相关系数(rc)、预测相关系数(rp)越大,且校正均方根误差(RMSEC)、预测均方根误差(RMSEP)以及潜变量数越小,说明其对应的模型对于待测水果的可溶性固体物含量预测性能越好。由表1可知,对于本实施例提供的水果内部品质检测方法所使用的光谱检测模型,在保证模型精度提高的同时,再次通过将全波段近红外光谱信息进行优化获取特定数量的特征波长,减小了变量的数目,其反映校正精度的校正相关系数(rc)、预测相关系数(rp)均大于0.88,而其校正均方根误差(RMSEC)和预测均方根误差(RMSEP)均小于0.61°Brix,进一步优化了本发明实施例所采用的光谱检测模型,提高了模型的稳定性和适用性,获得了更优的预测精度,达到了满足实际在线检测精度要求。
基于上述实施例的内容,作为一种可选实施例,本发明实施例提供的基于光谱校正的水果在线检测方法,其中,将不同果径的待测水果的近红外透射光谱信息转换为同一光程标准下的标准光谱信息,包括:建立由不同果径的样品水果组成的样品集,并由该样品集内所有果径为参考果径的样品水果组成参考集,将该参考集内水果样品的近红外透射光谱信息设为参考光谱信息;基于上述参考光谱信息,获取该样品集的平均衰减系数;利用平均衰减系数对不同果径的待测水果的近红外透射光谱信息进行光谱信息校正,获取同一光程标准下的标准光谱信息。
基于上述实施例,将建模样品集中的相同果径的近红外光谱信息作为参考光谱信息,比如以14个果径为85mm的苹果近红外光谱信息的平均值作为参考光谱信息;并将该类苹果的果径作为参考直径,即将85mm设为参考直径;然后将建模样本集中的每个样本的真实直径与参考直径之差,并用tan(x)函数对得到的差值进行变换。
同时,由于光在水果内部的散射情况具有随机性和不确定性,故引入函数系数g作为变量系数,通过对该函数系数g进行寻优计算,获取能够模拟光在水果内部通过时表征衰减规律的函数。该寻优方法为:
将每个建模样品集中的每个苹果的近红外光谱信息与参考光谱信息作差,并除以上述用tan(x)函数对得到的直径差值进行处理后的结果,获取到建模样品集的每个苹果的衰减系数,最后将获取的所有的衰减系数进行求平均数处理,获取到平均衰减系数P。
上述获取平均衰减系数P的计算方法,具体可以表述为:
其中,P(λ)为λ波长条件下的所述样品集的平均衰减系数,Tr(λ)为λ波长条件下的参考光谱信息,Ti(λ)为所述样品集内第i个样品水果在λ波长条件下的实际光谱信息,dr为参考直径,di为所述样品集内第i个样品水果的实际直径,n为所述样品集内样本总数,g为函数系数。
进一步地,在获取到平均衰减系数后,对步骤S1中获取到的待测水果的近红外透射光谱信息,进行转换处理,以将获取的待测水果的近红外透射光谱信息转换成同一光程标准下的标准光谱信息。
具体地,利用平均衰减系数对不同果径的待测水果的近红外透射光谱信息进行光谱信息校正,获取同一光程标准下的标准光谱信息,包括但不限于以下方法:
其中,T1(λ)为λ波长条件下不同果径的水果的透射光谱信息,T2(λ)为λ波长条件下校正后的标准光谱信息,所述不同果径的水果的透射光谱信息与所述标准光谱信息一一对应。即:当对获取的待测水果的近红外透射光谱信息进行光谱信息T1(λ)校正时,根据上述计算公式获取到的平均衰减系数P(λ),进行上述运算的逆运算,即将不同果径下的透射光谱转换为同一标准下的光谱,以提高苹果可溶性固形物预测的精度。
基于上述实施例的内容,作为一种可选实施例,本发明实施例提供的基于光谱校正的水果在线检测方法,在利用平均衰减系数对样本水果的透射光谱进行光谱信息校正,获取对应的同一光程标准下的标准光谱信息之前,对该函数系数g进行寻优,获取最优函数系数g值,包括但不限于以下步骤:
首先,将函数系数g的取值在设定区间内以第一设定步长分为多个子区间,分别计算每个子区间的平均衰减系数,并分别以每个子区间的平均衰减系数计算样本水果的可溶性固体物含量的预测值;
然后,确定每个子区间对应的预测值中最接近测定值的预测值作为目标预测值,并将该目标预测值对应的子区间作为目标子区间;其中,测定值为建模样本中样本水果的可溶性固体物含量的测定值;
最后,再次在目标子区间内以第二设定步长继续对函数系数g进行寻优迭代,直至获取使得预测值最接近该测定值的函数系数g。
例如,将函数系数g以5个步长在0-20区间内进行初步寻优,得到的函数系数g取值可分别为:5、10、15和20。分别根据建模样本中的所有92个苹果的近红外光谱信息,计算出各自的衰减系数P。分别利用衰减系数P,对建模样品集中的92个苹果的近红外光谱信息进行修正,并进一步获取建模样品集中的92个苹果的可溶性固体物含量的预测值,将获取的预测值与测量值进行比较,以获取预测值与测量值最接近的函数系数集。若函数系数g取值为5时预测值与测量值最接近,则表明在函数系数g取值为5时,本实施例提供的光谱检测模型的预测效果最好。
进一步的,继续将函数系数g在0-5区间内继续以0.1步长,继续进行上述寻优步骤,直至获取到函数系数g的一个更小的取值区间。依次迭代进行上述步骤,直至获取使得预测值最接近测定值的函数系数g。
本发明实施例提供的基于光谱校正的水果在线检测方法,通过迭代寻优的方式获取函数系数g,获取表征近红外光线在水果内部的散射的最优系数,有效的提高了多果径信息下苹果可溶性固形物的预测精度。
基于上述实施例的内容,作为一种可选实施例,本发明实施例提供的基于光谱校正的水果在线检测方法,在将所述标准光谱信息输入至光谱检测模型之前,还包括:
对标准光谱信息进行7点Savitzky-Golay平滑处理(简称:7-SGS)后,再进行基线漂移校正(简称:BOC)处理。
由于,近红外光谱数据获取设备所采集的近红外光谱信息,包含仪器的随机噪音,也存在基线漂移、共线性较强等缺陷,导致光谱检测模型的可靠性和稳定性降低,很大程度上影响通过该近红外光谱信息获取可溶性固形物含量的检验精度,因此,本发明实施例提供的水果内部品质在线检测方法,在将不同果径的待测水果的近红外透射光谱信息输入至光谱检测模型之前,将获取的光谱信息进行7点Savitzky-Golay平滑处理后,再进行基线漂移校正处理。
进一步地,在获取不同果径的待测水果的近红外透射光谱信息后,也可以对该近红外透射光谱信息进行7点Savitzky-Golay平滑处理后,再进行基线漂移校正处理。
进一步地,在建立光谱检测模型的过程中,在获取总样品集内所有苹果的近红外光光谱信息后,对所有的近红外光光谱信息进行7点Savitzky-Golay平滑处理后,再进行基线漂移校正处理。
图2为本发明实施例提供的在线检测方法中预测集样本的预测结果散点分布图;表2为对获取的光谱采用7点Savitzky-Golay平滑处理(7-SGS)后,再进行基线漂移校正处理(BOC)的对比表:
表2
如表2结合图2所示,当在将标准光谱信息输入至光谱检测模型之前,对该标准光谱信息进行7-SGS和BOC处理后所获取到的可溶性固体物含量的预测值相比未采用该光谱处理的预测值更接近测量值,说明了本发明实施例提供的采用BOC和7-SGS对光谱进行预处理的方法,能够较好地去除原始光谱中的随机噪音等干扰信息,对水果的可溶性固形物的预测具有良好的有效性。
本发明实施例提供的水果内部品质在线检测方法,通过将获取不同果径水果的近红外透射光谱信息转换为同一光程标准下的标准光谱信息,并将标准光谱信息进行预处理的方法,所获取到的可溶性固形物预测值靠近分布于回归直线两侧,上述结果说明:应用本发明实施例提供的检测方法,有效的减少了果径信息差异对可溶性固形物预测模型的影响,有利于提高苹果可溶性固形物近红外透射光谱在线检测的预测精度。
基于上述实施例的内容作为一种可选实施例,本发明实施例提供的基于光谱校正的水果在线检测方法,在利用偏最小二乘算法建立基于特征波长的光谱检测模型之后,还包括:
首先,基于该光谱检测模型,根据建模样本集内所有样品水果全波段近红外透射光谱信息,获取验证样本集内所有样品水果的可溶性固形物含量的预测值;
然后,获取验证样本集内所有样品水果的测定值与上述预测值的校正相关系数、预测相关系数、校正均方根误差以及预测均方根误差对所述光谱检测模型进行验证。
本发明实施例提供的水果内部品质在线检测方法,通过设置验证集,以对建立的光谱检测模型在检验水果的可溶性固体物含量精度进行检验,提高了本检测方法的可靠性。
图3为本发明实施例提供的一种基于光谱校正的水果在线检测***的结构示意图,如图3所示,包括但不限于:输送单元31、光照单元32、光谱仪33和计算机34,其中:输送单元31包括:用于输送待测水果的输送带及驱动输送带的驱动装置;光照单元32设置于输送带的侧方,用于提供近红外光源;光谱仪33的探测镜头安装于输送带的另一侧方,用于获取不同果径的待测水果的近红外透射光谱信息,并将该近红外透射光谱信息发送至所述计算机34;计算机34内的运算单元用于将待测水果的近红外透射光谱信息转换为同一光程标准下的标准光谱信息,并进一步将待测水果的标准光谱信息输入至光谱检测模型,输出不同果径的待测水果的可溶性固体物含量。
作为一种具体结构,如图4所示,本发明实施例提供的一种基于光谱校正的水果在线检测***,该检测***可用于在线检测苹果、橙子等水果的可溶性固体物含量,对此本发明实施例不作具体限定。
在图4中示出的是测量苹果时的示意图,苹果被置于传送带上,并随着传送带的运动通过光谱仪的探测镜头。传送带由传送带电机驱动和进行转速控制,并可以通过编码器对传送带的转速信息进行实时通讯、传输和存储。
进一步地,该传送带上设置有分离式水果托盘,当水果置于该水果托盘上,使传送单元31带动苹果做同步运动。
光照单元32设置于传送带的侧方,并可以根据实际需要进行安装位置以及照射角度的调整,该光照单元32用于提供卤素灯光源。
光谱仪33的探测镜头安装于输送带的另一侧方,用于获取由光照单元输出的近红外光通过苹果后的出射光;光谱仪再根据接收的出射光获取到该苹果的近红外透射光谱信息,进一步地,将接收的近红外透射光谱信息发送至计算机。
由于光照单元32以及光谱仪33在运行过程中会发热,因此,在本发明实施例中的水果内部品质在线检测***,还包括一个或多个风扇用于散热。
进一步,本发明实施例提供的水果内部品质在线检测***,还包括传感器,该传感器用于当待测水果进入待测区域后,发送相应的指令至控制器。该控制器用于控制光照单元32、输送单元31以及光谱仪33的工作状态。
计算机34内的运算单元用于将待测水果的近红外透射光谱信息转换为同一光程标准下的标准光谱信息,并进一步将待测水果的标准光谱信息输入至存储与该计算机34内的光谱检测模型,输出不同果径的待测水果的可溶性固体物含量。
本发明实施例提供的一种基于光谱校正的水果在线检测***,通过存储于计算机中的光谱检测模型,将不同果径的待测水果的近红外光谱信息转换为同一光程标准下的光谱信息,减小了水果直径差异对水果可溶性固形物的近红外光谱检测的影响,提高了检测的精度。
图5为本发明实施例提供的一种电子设备的结构示意图,如图5所示,包括但不限于:处理器510、通信接口520、存储器530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行如下方法:获取不同果径的待测水果的近红外透射光谱信息;将该近红外透射光谱信息转换为同一光程标准下的标准光谱信息;将该标准光谱信息输入至光谱检测模型,输出该不同果径的待测水果的可溶性固体物含量。
此外,上述的存储器530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,服务器,或者网络设备等)执行本发明各个实施例所述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。
另一方面,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传输方法,例如包括:获取不同果径的待测水果的近红外透射光谱信息;将该近红外透射光谱信息转换为同一光程标准下的标准光谱信息;将该标准光谱信息输入至光谱检测模型,输出该不同果径的待测水果的可溶性固体物含量。
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)
1.一种基于光谱校正的水果在线检测方法,其特征在于,包括:
获取不同果径的待测水果的近红外透射光谱信息;
将所述近红外透射光谱信息转换为同一光程标准下的标准光谱信息;
将所述标准光谱信息输入至光谱检测模型,输出所述不同果径的待测水果的可溶性固体物含量。
2.根据权利要求1所述的基于光谱校正的水果在线检测方法,其特征在于,所述将所述标准光谱信息输入至光谱检测模型之前,还包括:
获取建模样本集中每个样本水果的全波段波长的近红外透射光谱信息,以及每个样本水果的可溶性固体物含量的测定值;
基于竞争性自适应重加权算法,对每个所述全波段波长的近红外透射光谱信息进行处理,获取特定数量特征波长的近红外透射光谱信息;
基于偏最小二乘算法,对每个样本水果的可溶性固体物含量和与所述样本水果相对应的所述特定数量特征波长的近红外透射光谱信息进行处理,建立基于所述特征波长的所述光谱检测模型。
3.根据权利要求2所述的基于光谱校正的水果在线检测方法,其特征在于,所述建立基于所述特征波长的所述光谱检测模型之后,还包括:
利用全波段光谱检测模型和所述光谱检测模型分别获取所述建模样本集中每个样本水果可溶性固体物含量的预测值,并将所述预测值分别与所述每个样本水果的可溶性固体物含量的测定值进行比较,对所述光谱检测模型进行验证。
4.根据权利要求3所述的基于光谱校正的水果在线检测方法,其特征在于,所述将所述近红外透射光谱信息转换为同一光程标准下的标准光谱信息,包括:
建立由不同果径的样品水果组成的样品集,并由所述样品集内所有果径为参考果径的样品水果组成参考集,将所述参考集内水果样品的近红外透射光谱信息设为参考光谱信息;
基于所述参考光谱信息,获取所述样品集的平均衰减系数;
利用所述平均衰减系数对所述不同果径的待测水果的近红外透射光谱信息进行光谱信息校正,获取同一光程标准下的标准光谱信息。
5.根据权利要求4所述的基于光谱校正的水果在线检测方法,其特征在于,所述获取所述样品集的平均衰减系数,包括:
其中,P(λ)为λ波长条件下的所述样品集的平均衰减系数,Tr(λ)为λ波长条件下的参考光谱信息,Ti(λ)为所述样品集内第i个样品水果在λ波长条件下的实际光谱信息,dr为参考直径,di为所述样品集内第i个样品水果的实际直径,n为所述样品集内样本总数,g为函数系数;
相应地,所述利用所述平均衰减系数对所述不同果径的待测水果的近红外透射光谱信息进行光谱信息校正,获取同一光程标准下的标准光谱信息,包括:
其中,T1(λ)为λ波长条件下不同果径的水果的透射光谱信息,T2(λ)为λ波长条件下校正后的标准光谱信息,所述不同果径的水果的透射光谱信息与所述标准光谱信息一一对应。
6.根据权利要求5所述的基于光谱校正的水果在线检测方法,其特征在于,在利用所述平均衰减系数对所述样本水果的透射光谱进行光谱信息校正,获取对应的同一光程标准下的标准光谱信息之前,对所述函数系数g进行寻优,获取最优函数系数g值,包括以下步骤:
将所述函数系数g的取值在设定区间内以第一设定步长分为多个子区间,分别计算每个子区间的平均衰减系数,并分别以每个子区间的平均衰减系数计算样本水果的可溶性固体物含量的预测值;
确定每个子区间对应的预测值中最接近所述测定值,作为目标预测值,并将所述目标预测值对应的子区间作为目标子区间;所述测定值为建模样本中样本水果的可溶性固体物含量的测定值的;
在所述目标子区间内以第二设定步长继续对所述函数系数g进行寻优迭代,直至获取使得所述预测值最接近所述测定值的函数系数g。
7.根据权利要求1所述的基于光谱校正的水果在线检测方法,其特征在于,在将所述标准光谱信息输入至光谱检测模型之前,还包括:
对所述标准光谱信息进行7点Savitzky-Golay平滑处理后,再进行基线漂移校正处理。
8.根据权利要求2所述的基于光谱校正的水果在线检测方法,其特征在于,所述建立基于所述特征波长的所述光谱检测模型之后,还包括:
基于所述光谱检测模型,根据所述建模样本集内所有样品水果全波段近红外透射光谱信息,获取验证样本集内所有样品水果的可溶性固形物含量的预测值;
获取所述验证样本集内所有样品水果的测定值与所述预测值的校正相关系数、预测相关系数、校正均方根误差以及预测均方根误差对所述光谱检测模型进行验证。
9.一种基于光谱校正的水果在线检测***,其特征在于,包括:输送单元、光照单元、光谱仪和计算机,其中:
所述输送单元包括:用于输送待测水果的输送带及驱动所述输送带的驱动装置;
所述光照单元设置于所述输送带的侧方,用于提供卤素灯光源;
所述光谱仪的探测镜头安装于所述输送带的另一侧方,用于获取不同果径的待测水果的近红外透射光谱信息,并将所述近红外透射光谱信息发送至所述计算机;
所述计算机内的运算单元用于将待测水果的近红外透射光谱信息转换为同一光程标准下的标准光谱信息,并进一步将待测水果的标准光谱信息输入至光谱检测模型,输出所述不同果径的待测水果的可溶性固体物含量。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任一项所述基于光谱校正的水果在线检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910653867.XA CN110376154A (zh) | 2019-07-19 | 2019-07-19 | 基于光谱校正的水果在线检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910653867.XA CN110376154A (zh) | 2019-07-19 | 2019-07-19 | 基于光谱校正的水果在线检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110376154A true CN110376154A (zh) | 2019-10-25 |
Family
ID=68254038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910653867.XA Pending CN110376154A (zh) | 2019-07-19 | 2019-07-19 | 基于光谱校正的水果在线检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110376154A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112525855A (zh) * | 2020-11-20 | 2021-03-19 | 广东省农业科学院蔬菜研究所 | 南瓜果实品质参数的检测方法、装置、计算机设备 |
CN112730316A (zh) * | 2020-12-04 | 2021-04-30 | 江苏大学 | 基于近红外光谱的小型水果内部品质在线动态快速检测方法 |
CN113866205A (zh) * | 2021-12-06 | 2021-12-31 | 天津海关动植物与食品检测中心 | 一种中草药荧光光谱重金属检测装置和检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5324945A (en) * | 1991-10-04 | 1994-06-28 | Director Of National Food Research Institute, Ministry Of Agriculture, Forestry And Fisheries | Method of nondestructively measuring sugar content of fruit by using near infrared transmittance spectrum |
JPH06300689A (ja) * | 1993-04-14 | 1994-10-28 | Mitsui Mining & Smelting Co Ltd | 透過法による青果物の内部品質測定法 |
JP2001289784A (ja) * | 2000-04-10 | 2001-10-19 | Mitsui Mining & Smelting Co Ltd | 青果物の果皮の質の判定法及びその装置 |
CN105092518A (zh) * | 2015-06-16 | 2015-11-25 | 江西农业大学 | 一种脐橙糖度快速无损检测方法和装置 |
CN107300536A (zh) * | 2017-08-25 | 2017-10-27 | 天津商业大学 | 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 |
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 |
CN109946246A (zh) * | 2019-02-27 | 2019-06-28 | 北京农业智能装备技术研究中心 | 一种苹果可溶性固形物的检测方法及装置 |
CN109975217A (zh) * | 2019-03-26 | 2019-07-05 | 贵阳学院 | 基于高光谱成像***的李子可溶性固形物含量值检测方法 |
-
2019
- 2019-07-19 CN CN201910653867.XA patent/CN110376154A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5324945A (en) * | 1991-10-04 | 1994-06-28 | Director Of National Food Research Institute, Ministry Of Agriculture, Forestry And Fisheries | Method of nondestructively measuring sugar content of fruit by using near infrared transmittance spectrum |
JPH06300689A (ja) * | 1993-04-14 | 1994-10-28 | Mitsui Mining & Smelting Co Ltd | 透過法による青果物の内部品質測定法 |
JP2001289784A (ja) * | 2000-04-10 | 2001-10-19 | Mitsui Mining & Smelting Co Ltd | 青果物の果皮の質の判定法及びその装置 |
CN105092518A (zh) * | 2015-06-16 | 2015-11-25 | 江西农业大学 | 一种脐橙糖度快速无损检测方法和装置 |
CN107300536A (zh) * | 2017-08-25 | 2017-10-27 | 天津商业大学 | 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 |
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 |
CN109946246A (zh) * | 2019-02-27 | 2019-06-28 | 北京农业智能装备技术研究中心 | 一种苹果可溶性固形物的检测方法及装置 |
CN109975217A (zh) * | 2019-03-26 | 2019-07-05 | 贵阳学院 | 基于高光谱成像***的李子可溶性固形物含量值检测方法 |
Non-Patent Citations (2)
Title |
---|
孙通等: "可见/近红外漫透射光谱结合CARS变量优选预测脐橙可溶性固形物", 《光谱学与光谱分析》 * |
张海辉等: "考虑直径影响的苹果霉心病透射光谱修正及检测", 《农业机械学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112525855A (zh) * | 2020-11-20 | 2021-03-19 | 广东省农业科学院蔬菜研究所 | 南瓜果实品质参数的检测方法、装置、计算机设备 |
CN112730316A (zh) * | 2020-12-04 | 2021-04-30 | 江苏大学 | 基于近红外光谱的小型水果内部品质在线动态快速检测方法 |
CN113866205A (zh) * | 2021-12-06 | 2021-12-31 | 天津海关动植物与食品检测中心 | 一种中草药荧光光谱重金属检测装置和检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101413885A (zh) | 一种快速定量蜂蜜品质的近红外光谱方法 | |
CN106706553A (zh) | 一种快速无损测定玉米单籽粒直链淀粉含量的方法 | |
CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
CN108956545B (zh) | 一种水果内部品质无损检测模型建立方法及*** | |
CN110376154A (zh) | 基于光谱校正的水果在线检测方法及*** | |
CN103645155B (zh) | 生鲜羊肉嫩度的快速无损检测方法 | |
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 | |
CN103487397B (zh) | 一种雷竹笋硬度快速检测方法及装置 | |
CN102967578A (zh) | 在线获取牛肉样本近红外光谱的方法及其在评价牛肉质量中的应用 | |
CN102393376A (zh) | 基于支持向量回归的鱼丸多组分含量检测的近红外光谱法 | |
CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
CN104568815A (zh) | 生鲜牛肉中挥发性盐基氮含量的快速无损检测方法 | |
CN109374556A (zh) | 基于可见-近红外光谱的复合肥中水分含量快速检测方法 | |
CN112179871A (zh) | 一种酱类食品中己内酰胺含量无损检测的方法 | |
CN108072627A (zh) | 一种用中红外光谱快速检测酱油中氨基酸态氮和总酸含量的方法 | |
CN108169168A (zh) | 检测分析水稻籽粒蛋白质含量数学模型及构建方法和应用 | |
CN104316492A (zh) | 近红外光谱测定马铃薯块茎中蛋白质含量的方法 | |
CN109632650A (zh) | 可溶性固形物含量的在线检测速度补偿方法及装置 | |
CN104596976A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶蛋白质的方法 | |
CN104502307A (zh) | 一种快速检测长牡蛎糖原和蛋白质含量的方法 | |
Qi et al. | Rapid and non-destructive determination of soluble solid content of crown pear by visible/near-infrared spectroscopy with deep learning regression | |
CN102519903B (zh) | 一种近红外光谱测定双孢蘑菇白度值的方法 | |
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 | |
CN110231306A (zh) | 一种无损、快速测定奇亚籽蛋白质含量的方法 | |
CN104390928B (zh) | 一种掺杂掺假煤炭的近红外光谱识别方法 |
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 |