CN111044469A - 基于单积分球的水果可溶性固形物检测方法及设备 - Google Patents

基于单积分球的水果可溶性固形物检测方法及设备 Download PDF

Info

Publication number
CN111044469A
CN111044469A CN201911404604.1A CN201911404604A CN111044469A CN 111044469 A CN111044469 A CN 111044469A CN 201911404604 A CN201911404604 A CN 201911404604A CN 111044469 A CN111044469 A CN 111044469A
Authority
CN
China
Prior art keywords
spectrum
pulp
soluble solid
fruit
solid content
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
Application number
CN201911404604.1A
Other languages
English (en)
Inventor
樊书祥
黄文倩
夏宇
张驰
何鑫
王哲理
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Research Center of Intelligent Equipment for Agriculture
Original Assignee
Beijing Research Center of Intelligent Equipment for Agriculture
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Research Center of Intelligent Equipment for Agriculture filed Critical Beijing Research Center of Intelligent Equipment for Agriculture
Priority to CN201911404604.1A priority Critical patent/CN111044469A/zh
Publication of CN111044469A publication Critical patent/CN111044469A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G01N2021/3196—Correlating located peaks in spectrum with reference data, e.g. fingerprint data

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

本发明涉及可溶性固形物检测设备技术领域，公开了一种基于单积分球的水果可溶性固形物检测方法及设备，该方法首先获取目标水果的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱基于所述目标水果的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱，得到所述目标水果的总反射率光谱；将所述目标水果的总反射率光谱输入至预设的可溶性固形物含量预测模型，输出所述目标水果的可溶性固体物含量。该方法利用水果果皮果肉组织的反射光谱信息对水果可溶性固形物近红外检测模型的影响，提高了模型的稳定性和适用性，为实际生产中水果可溶性固形物含量的检测提供了新的检测思路，提高了可溶性固形物的预测精度。

Description

基于单积分球的水果可溶性固形物检测方法及设备
技术领域
本发明涉及可溶性固形物检测设备技术领域，尤其涉及一种基于单积分球的水果可溶性固形物检测方法及设备。
背景技术
水果中的可溶性固形物含量作为评价其内部品质和成熟度的重要指标之一，近些年来，商家和消费者越来越关注该项指标，因为其直接关系着水果的销量和消费者的购买意愿。作为目前应用最广泛且成熟的光谱技术之一，近红外光谱具有快速、无损、易维护、样本无需预处理等优点，因此其在水果内部品质(可溶性固形物含量、酸度、硬度、干物质等)的无损检测方面得到了广泛应用，但是近红外光谱技术受限于其本质是一种基于经验法的技术，该技术的原理是通过朗博比尔定律将大量光谱信息和相应水果组织品质参数建立关系，朗博比尔定律是描述物质对某一波长光吸收的强弱与吸光物质的浓度及其液层厚度间的关系，其受限于吸光物质的浓度、纯度和均匀性等因素。
但是，水果内部组织是复杂且非均匀的介质，在水果内部的光和组织同时包含了吸收和散射特性的相互作用，而现有的近红外光谱技术往往通过朗博比尔定律的方法，忽略了光和水果组织间的相互作用的影响，因而会对水果可溶性固形物的预测结果产生影响。
发明内容
本发明实施例提供一种基于单积分球的水果可溶性固形物检测方法及设备，用以解决现有的近红外光谱技术忽略光和水果组织间的相互作用而导致预测结果偏差较大的问题。
本发明实施例提供一种基于单积分球的水果可溶性固形物检测方法，包括：
获取目标水果的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱；
基于所述目标水果的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱，得到所述目标水果的总反射率光谱；
将所述目标水果的总反射率光谱输入至预设的可溶性固形物含量预测模型，输出所述目标水果的可溶性固体物含量。
其中，所述预设的可溶性固形物含量预测模型通过以下步骤得到：
获取第一校正集的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱，基于所述第一校正集的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱，得到所述第一校正集的总反射率光谱，所述第一校正集包括用于建立模型的水果样本；
获取所述第一校正集的可溶性固体物含量的实测值，基于所述第一校正集的可溶性固体物含量的实测值和所述第一校正集的预设波段范围内的总反射率光谱，利用偏最小二乘算法建立可溶性固形物含量预测模型。
其中，总反射率光谱的计算公式具体为：
Figure BDA0002348300730000021
其中，R'c为总反射率光谱，R'为果皮果肉漫反射光谱，R'r为果皮果肉漫反射参考光谱，D为关闭光源且盖上光谱仪进光孔后采集的暗光谱。
其中，在所述得到所述第一校正集的总反射率光谱之后，在所述基于所述第一校正集的可溶性固体物含量的实测值和所述第一校正集的预设波段范围内的总反射率光谱，利用偏最小二乘算法建立可溶性固形物含量预测模型之前，还包括：
通过竞争性自适应重加权算法从所述第一校正集的预设波段范围内的总反射率光谱中筛选出若干个第一特征波长，从所述第一校正集的总反射率光谱中提取所述第一特征波长处的总反射率光谱，作为第一总反射率预测光谱；其中，所述第一总反射率预测光谱用于结合偏最小二乘算法建立可溶性固形物含量预测模型。
其中，所述获取第一校正集的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱，基于所述第一校正集的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱，得到所述第一校正集的总反射率光谱，还包括：
获取所述第一校正集的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，基于所述第一校正集的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，得到所述第一校正集的果肉吸收系数光谱；
通过竞争性自适应重加权算法从所述第一校正集的预设波段范围内的果肉吸收系数光谱中筛选出若干个第二特征波长，从所述第一校正集的总反射率光谱中提取所述第一特征波长处和所述第二特征波长处的总反射率光谱，作为第二总反射率预测光谱；其中，所述第二总反射率预测光谱用于结合偏最小二乘算法建立可溶性固形物含量预测模型。
本发明实施例还提供一种基于单积分球的水果可溶性固形物检测方法，包括：
获取目标水果的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱；
基于所述目标水果的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，得到所述目标水果的果肉吸收系数光谱；
将所述目标水果的果肉吸收系数光谱输入至预设的可溶性固形物含量预测模型，输出所述目标水果的可溶性固体物含量。
其中，所述预设的可溶性固形物含量预测模型通过以下步骤得到：
获取第二校正集的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，基于所述第二校正集的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，得到所述第二校正集的果肉吸收系数光谱，所述第二校正集包括用于建立模型的水果样本；
获取所述第二校正集的可溶性固体物含量的实测值，基于所述第二校正集的可溶性固体物含量的实测值和所述第二校正集的预设波段范围内的果肉吸收系数光谱，利用偏最小二乘算法建立可溶性固形物含量预测模型。
其中，所述基于所述第二校正集的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，得到所述第二校正集的果肉吸收系数光谱，具体为：
按照如下公式计算出果肉透射率光谱和果肉反射率光谱，
Figure BDA0002348300730000041
其中，Tc为果肉透射率光谱，T为果肉透射光谱，Tr为果肉透射参考光谱，Rc为果肉反射率光谱，R为果肉漫反射光谱，Rr为果肉漫反射参考光谱，D为关闭光源且盖上光谱仪进光孔后采集的暗光谱；
将果肉透射率光谱Tc、果肉反射率光谱Rc和散射各向异性因子g代入开源的反向倍加算法中进行计算，得到果肉吸收系数光谱μa，其中散射各向异性因子g为常数。
其中，在所述得到所述第二校正集的果肉吸收系数光谱之后，在所述基于所述第二校正集的可溶性固体物含量的实测值和所述第二校正集的预设波段范围内的果肉吸收系数光谱，利用偏最小二乘算法建立可溶性固形物含量预测模型之前，还包括：
通过竞争性自适应重加权算法从所述第二校正集的预设波段范围内的果肉吸收系数光谱中筛选出若干个第三特征波长，从所述第二校正集的果肉吸收系数光谱中提取所述第三特征波长处的果肉吸收系数光谱，作为果肉吸收系数预测光谱；其中，所述果肉吸收系数预测光谱用于结合偏最小二乘算法建立可溶性固形物含量预测模型。
本发明实施例还提供一种电子设备，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如上述所述的方法。
本发明实施例提供的基于单积分球的水果可溶性固形物检测方法及设备，其中一种检测方法首先获取目标水果的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱，然后基于目标水果的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱，得到目标水果的总反射率光谱，最后将目标水果的总反射率光谱输入至预设的可溶性固形物含量预测模型，输出目标水果的可溶性固体物含量。另外，本发明实施例还提供另一种基于单积分球的水果可溶性固形物检测方法，首先获取目标水果的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，然后基于目标水果的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，得到目标水果的果肉吸收系数光谱，最后将目标水果的果肉吸收系数光谱输入至预设的可溶性固形物含量预测模型，输出目标水果的可溶性固体物含量。上述方法利用水果果皮果肉组织的反射光谱信息和/或水果果肉组织的光学特性信息对水果可溶性固形物近红外检测模型的影响，提高了模型的稳定性和适用性，为实际生产中水果可溶性固形物含量的检测提供了新的检测思路，提高了可溶性固形物的预测精度。
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是本发明实施例中的一种基于单积分球的水果可溶性固形物检测方法的流程示意图；
图2是本发明实施例中使用的积分球光谱仪的结构示意图；
图3是本发明实施例中果皮果肉漫反射光谱的采集示意图；
图4是本发明实施例中果皮果肉漫反射参考光谱的采集示意图；
图5是本发明实施例中果肉透射光谱的采集示意图；
图6是本发明实施例中果肉透射参考光谱的采集示意图；
图7是本发明实施例中果肉反射光谱的采集示意图；
图8是本发明实施例中果肉反射参考光谱的采集示意图；
图9是本发明实施例中用第一总反射率预测光谱对预测集进行检测所得到的可溶性固形物含量的实测值与预测值的散点分布图；
图10是本发明实施例中用第二总反射率预测光谱对预测集进行检测所得到的可溶性固形物含量的实测值与预测值的散点分布图；
图11是本发明实施例中的另一种基于单积分球的水果可溶性固形物检测方法的流程示意图；
图12是本发明实施例中用果肉吸收系数预测光谱对预测集进行检测所得到的可溶性固形物含量的实测值与预测值的散点分布图；
图13是本发明实施例提供的一种电子设备结构示意图；
附图标记说明：
1、积分球； 2、端盖； 3、光纤；
4、间隔块； 5、样本； 5-1、Ⅰ号果肉块；
5-2、Ⅱ号果肉块； 5-3、Ⅲ号果肉块； 6、转接器；
7、光源导管； 8、样本夹持件； 9、夹持件底座；
10、滑动导轨； 11、光谱仪； 12、光学平台；
13、准直器； 14、石英玻璃；
501、处理器； 502、通信接口； 503、存储器；
504、通信总线。
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。
如图1至图4所示，本发明实施例提供的一种基于单积分球的水果可溶性固形物检测方法，包括：
步骤110：获取目标水果的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱。
为了便于理解本发明实施例的具体过程，现通过如下示例进行具体举例说明：
水果以鸭梨为例进行说明，光谱采集设备采用积分球光谱仪，积分球光谱仪的结构组成如图2和图3所示，包括：积分球1、端盖2、光纤3、间隔块4、样本5、转接器6、光源导管7、样本夹持件8、夹持件底座9、滑动导轨10、光谱仪11、光学平台12和准直器13等，该积分球光谱仪的关键设备型号及参数见表1。
表1实验中应用的关键设备型号及参数
Figure BDA0002348300730000071
积分球1用作光扩散器，用于使从采样***进来的光在积分球1内部经过多次反射后非常均匀地散射在积分球1内部。端盖2用于调节积分球的采集模式。光纤3用于将积分球1的出射光信号传递至光谱仪11。间隔块4安装在准直器13朝向样本5的一端，用于限制光的出射点与样本5之间的间距。转接器6用于连接光源导管7和准直器13，使光源导管7射出的光全部导入准直器13。样本夹持件8用于夹持样本5，夹持件底座9用于调节样本5的位置并配合样本夹持件8用于调节样本5的高度，滑动导轨10结合夹持件底座9用于调节光纤3、样本5和积分球1始终保持在一条直线上并进行位移。光学平台12用于安装整个积分球1和光谱仪11所搭建的检测***及其附件。需要说明的是，除了可以使用单积分球结合光谱仪外，还可以采用时间分辨、空间分辨、频域分辨等为代表的光学参数间接测量技术，只要能够采集到果皮果肉漫反射光谱和果皮果肉漫反射参考光谱即可。
当对目标水果进行果皮果肉漫反射光谱采集时，如图3所示，将样本5放置在紧邻端盖2处的托盘(图中未示出)上，该托盘的作用与样本夹持件8相同，均用于固定样本5。托盘可以分别通过升降杆、托盘底座进行上下和左右移动，以适应不同大小的目标水果，并始终将目标水果紧密贴合在积分球1的右侧的端盖2处，测量时需将右侧的端盖2揭开。然后将转接器6从积分球1左侧的端口伸入积分球1中，并靠近右侧的端盖2处，由于间隔块4的限位作用，使得转接器6端部的准直器13与样本5之间的距离恒定，本实施例中的转接器6与样本5之间的距离为8mm，该距离可以根据投射在样本上的光斑直径大小需求的不同进行适当调整，此处不做限制。然后开启光源，光谱仪采集到的光谱即为目标水果的果皮果肉漫反射光谱R'。
当对目标水果进行果皮果肉漫反射参考光谱采集时，如图4所示，将样本5移开，盖上端盖2，保持其他部件的位置关系不变，然后开启光源，光谱仪采集到的光谱即为目标水果的果皮果肉漫反射参考光谱R'r。
步骤120：基于目标水果的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱，得到目标水果的总反射率光谱。
具体地，总反射率光谱可以通过将果皮果肉漫反射光谱和果皮果肉漫反射参考光谱相比得到，也可以通过将果皮果肉漫反射光谱与暗光谱的差值和果皮果肉漫反射参考光谱与暗光谱的差值相比得到。
步骤130：将目标水果的总反射率光谱输入至预设的可溶性固形物含量预测模型，输出目标水果的可溶性固体物含量。
本实施例提供的一种基于单积分球的水果可溶性固形物检测方法，首先获取目标水果的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱，然后基于目标水果的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱，得到目标水果的总反射率光谱，最后将目标水果的总反射率光谱输入至预设的可溶性固形物含量预测模型，输出目标水果的可溶性固体物含量。该方法利用水果果皮果肉组织的反射光谱信息对水果可溶性固形物近红外检测模型的影响，提高了模型的稳定性和适用性，为实际生产中水果可溶性固形物含量的检测提供了新的检测思路，提高了可溶性固形物的预测精度。
在上述实施例的基础上，预设的可溶性固形物含量预测模型通过以下步骤得到：
步骤210：获取第一校正集的果皮果肉漫反射光谱R'和果皮果肉漫反射参考光谱R'r，基于第一校正集的果皮果肉漫反射光谱R'和果皮果肉漫反射参考光谱R'r，得到第一校正集的总反射率光谱R'c，第一校正集包括用于建立模型的水果样本。
首先进行样本的收集，于北京某水果批发市场购置鸭梨145个，其中第一校正集和预测集的样本数量分别为90个和30个，第一校正集用于建立可溶性固形物含量预测模型，预测集用于对建立的模型进行评价。另外25个鸭梨则作为独立的验证集用于对所建模型的验证。
然后获取第一校正集中每个鸭梨样本的果皮果肉漫反射光谱R'和果皮果肉漫反射参考光谱R'r，采集方式与步骤110相同，此处不再赘述。然后基于第一校正集的果皮果肉漫反射光谱R'和果皮果肉漫反射参考光谱R'r，得到第一校正集的总反射率光谱R'c，计算方式与步骤120相同，此处不再赘述。本实施例中采用的总反射率光谱R'c的计算公式具体为：
Figure BDA0002348300730000091
其中，R'c为总反射率光谱，R'为果皮果肉漫反射光谱，R'r为果皮果肉漫反射参考光谱，D为关闭光源且盖上光谱仪进光孔后采集的暗光谱。
步骤220：获取第一校正集的可溶性固体物含量的实测值，基于第一校正集的可溶性固体物含量的实测值和第一校正集的预设波段范围内的总反射率光谱，利用偏最小二乘算法建立可溶性固形物含量预测模型。
具体地，在光谱采集完成后，立即进行传统的破坏性实验对第一校正集的每一个梨果样本进行相应果肉切块榨汁并盛于烧杯中，将果汁滴在PAL-1型电子折光仪(ATAGOCo.Ltd.，Tokyo，Japan)并记录对应可溶性固形物含量数值，直至完成所有样本的可溶性固形物含量测定。然后在第一校正集的全波段总反射率光谱中筛选出预设波段范围内的总反射率光谱，具体地，本实施例中的预设波段范围为900nm～1350nm。最后利用偏最小二乘算法(Partial Least Squares，简称PLS)建立可溶性固形物含量预测模型。水果可溶性固形物含量预测模型具体为：
Yp＝ΣkλAλ+Z；
其中，Yp为水果可溶性固形物含量的预测值，λ为特征波长，Aλ为λ波长下的果皮果肉的总反射率值，kλ为Aλ的回归系数，Z为常数。
更进一步地，还可以对采集到的原始光谱进行预处理。预处理的方式包括：平滑处理、一阶导数计算、二阶导数计算或者多元散射校正处理等。本实施例采用平滑对原始光谱进行预处理，以提高光谱的可靠性。通常采集到的原始光谱，不可避免地包含有仪器的随机噪音，也可能存在基线漂移等问题，影响光谱与可溶性固形物之间对应关系的建立，使模型的可靠性和稳定性变差。本实施例中通过对原始的光谱进行7点Savitzky-Golay平滑(7-SGS)处理，将预处理后的光谱数据进行后续的建模分析，以提高光谱的可靠性。
对上述光谱进行建模分析和比较，建模方法为偏最小二乘算法(PLS)。分别利用不同波段范围内的总反射率光谱和预处理前后的总反射率光谱分别建立可溶性固形物含量预测模型，对预测集中的梨果的可溶性固形物含量进行预测，并将获取的预测值分别与预测集中的可溶性固体物含量实测值进行比较，完成对光谱检测模型的验证。
评价指标中校正相关系数(rc)、预测相关系数(rp)、验证相关系数(rv)越大，校正均方根误差(RMSEC)、预测均方根误差(RMSEP)、验证均方根误差(RMSEV)越小且差值越小，说明模型预测性能越好。预测结果如表2所示。
表2不同波段下基于总反射率光谱的鸭梨的可溶性固形物含量模型预测结果
Figure BDA0002348300730000111
对比上述模型发现，进行预处理后的模型精度相比未进行预处理的模型精度有了显著的提升，说明采用的7-SGS预处理方法能够较好地去除原始光谱中的随机噪音等干扰信息，对梨果可溶性固形物模型预测具有良好的有效性。此外，900nm～1350nm波段具有良好的预测结果，一方面，900nm～1350nm波段与可溶性固形物含量预测相关的C-H化学键和H2O基团的吸收峰最多也最丰富，说明该波段最能反映可溶性固形物含量的信息，另一方面，采集到的光谱信号受光谱仪的性能等硬件因素影响，如表1所示，本发明所采用的NIRQuest512光谱仪在1350nm～1900nm波段采集到的噪声较大，预处理后仍存在噪声影响，不利于可溶性固形物的预测，故说明900nm～1350nm波段具有良好的预测效果。因此后续分析仅针对该波段进行可溶性固形物预测模型分析。
需要说明的是，表2中虽然预处理后的相关系数rp略微变小，这只能代表模型的预测能力稍稍降低，但RMSEC和RMSEP差值变小则代表着模型的稳定性显著增强，综合考虑下，说明预处理后的模型精度比未进行预处理的模型精度有了显著提升。
在上述实施例的基础上，预设的可溶性固形物含量预测模型，在步骤210之后，在步骤220之前，还包括：
通过竞争性自适应重加权算法从第一校正集的预设波段范围内的总反射率光谱中筛选出若干个第一特征波长，从第一校正集的总反射率光谱中提取第一特征波长处的总反射率光谱，作为第一总反射率预测光谱；其中，第一总反射率预测光谱用于结合偏最小二乘算法建立可溶性固形物含量预测模型。
具体地，利用竞争性自适应重加权算法(Competitive AdaptiveReweightedSampling，简称CARS)对梨果预设波段范围(900nm～1350nm)内的近红外透射光谱信息进行优化，从279个波长中，优选出27个第一特征波长，选出来的第一特征波长包括：915.60nm、917.30nm、925.50nm、927.10nm、954.90nm、961.50nm、966.40nm、1016.90nm、1023.40nm、1075.40nm、1083.50nm、1136.80nm、1153.00nm、1159.40nm、1193.20nm、1204.50nm、1209.30nm、1231.80nm、1235.00nm、1249.40nm、1251.00nm、1259.00nm、1260.60nm、1316.50nm、1319.70nm、1345.20nm、1350.00nm。然后从第一校正集的总反射率光谱中提取第一特征波长处的总反射率光谱，作为第一总反射率预测光谱，进一步利用偏最小二乘算法(PLS)建立可溶性固形物含量预测模型，具体为：
YpEWs1＝a915.60A915.60+a917.30A917.30+a925.50A925.50+a927.10A927.10+a954.90A954.90+a961.50A961.50+a966.40A966.40+a1016.90A1016.90+a1023.40A1023.40+a1075.40A1075.40+a1083.50A1083.50+a1136.80A1136.80+a1153.00A1153.00+a1159.40A1159.40+a1193.20A1193.20+a1204.50A1204.50+a1209.30A1209.30+a1231.80A1231.80+a1235.00A1235.00+a1249.40A1249.40+a1251.00A1251.00+a1259.00A1259.00+a1260.60A1260.60+a1316.50A1316.50+a1319.70A1319.70+a1345.20A1345.20+a1350.00A1350.00+Z1
其中，YpEWs1为基于第一特征波长(EWs1)建立的可溶性固形物含量预测模型；A表示在第一特征波长下的果皮果肉的总反射率值，a表示在第一特征波长下的回归系数，Z1为由可溶性固形物含量预测模型回归得到的常数。
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：利用预设波段范围(900nm～1350nm)内的总反射率光谱和第一总反射率预测光谱(基于第一特征波长下的总反射率光谱)分别建立可溶性固形物含量预测模型，对预测集中的梨果的可溶性固形物含量进行预测，并将获取的预测值分别与预测集中的可溶性固体物含量实测值进行比较，完成对光谱检测模型的验证。预测结果如表3所示。
表3基于CARS-PLS的总反射率光谱(EWs1)、吸收系数(μa)光谱(EWs2)和其结合光谱(EWs1+EWs2)的梨果可溶性固形物预测结果
Figure BDA0002348300730000131
表3中的EWs即Effective Wavelengths的缩写，即有效波长。表3中序号1的数据表示的是对利用预设波段范围(900nm～1350nm)内的总反射率光谱建立的可溶性固形物含量预测模型的预测结果，其建模使用的波长数为279个。序号3的数据表示的是利用第一总反射率预测光谱(基于第一特征波长下的总反射率光谱)建立的可溶性固形物含量预测模型的预测结果，其建模使用的波长数为27个。虽然基于900nm～1350nm波段的PLS模型已经取得了较好的预测结果，但是参与建模的波长数过大会导致其在实际在线***中产生耗时长、运算量大、适用性低等问题。而对基于CARS优选后的模型，在保证模型预测精度略微提高的同时，基于总反射率光谱的波长数由原始的279个减少至27个，其校正集与预测集的相关系数均大于0.86，校正集与预测集的均方根误差均小于0.55°Brix，在精简模型的同时，获得了更优的预测精度，满足实际检测精度要求。
在上述实施例的基础上，步骤210还包括：
步骤211：获取第一校正集的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，基于第一校正集的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，得到第一校正集的果肉吸收系数光谱。
具体地，当对第一校正集进行果肉透射光谱采集时，如图5所示，将样本5放置在紧邻积分球1左侧的端口处的样本夹持件8，利用样本夹持件8上设置的两块石英玻璃14夹持住样本5。此处的样本5采用的是整个梨果中的Ⅱ号果肉块5-2，Ⅱ号果肉块5-2的获取方式为将图3中的整果进行切片，从左至右分别切为Ⅰ号果肉块5-1、Ⅱ号果肉块5-2和Ⅲ号果肉块5-3后，取下图示约5mm厚度的Ⅱ号果肉块5-2，并通过一个定制的正方体切刀(30mm×30mm×20mm，长×宽×高)切下果肉块的中心果肉进行果肉透射光谱T检测。对梨果进行切片是为了保证检测时果肉的侧表面平整，而选择5mm厚度的切片是综合考虑了梨果果肉的透射率和反射率后的选择。对于其他品种的水果可以进行适当调整，此处不作为限制。
样本夹持件8可以分别通过夹持件底座9、滑动导轨10进行上下和左右移动。测量时需盖上右侧的端盖2，利用样本夹持件8将Ⅱ号果肉块5-2紧贴积分球1左侧的端口处，然后将转接器6靠近样本夹持件8，由于间隔块4的限位作用，使得转接器6端部的准直器13与Ⅱ号果肉块5-2之间的距离恒定。然后开启光源，光谱仪采集到的光谱即为第一校正集的果肉透射光谱T。
当对第一校正集进行果肉透射参考光谱Tr采集时，如图6所示，将样本夹持件8移开(或者下降)，保持其他部件的位置关系不变，然后开启光源，光谱仪采集到的光谱即为第一校正集进行果肉透射参考光谱Tr。
当对第一校正集进行果肉反射光谱采集时，如图7所示，将装夹有Ⅱ号果肉块5-2的样本夹持件8放置在紧邻积分球1的右侧的端盖2处，测量时需将右侧的端盖2揭开。然后将转接器6从积分球1左侧的端口伸入积分球1中，并靠近右侧的端盖2处，由于间隔块4的限位作用，使得转接器6端部的准直器13与样本5之间的距离恒定，然后开启光源，光谱仪采集到的光谱即为第一校正集的果肉漫反射光谱R。
当对第一校正集进行果肉漫反射参考光谱采集时，如图8所示，将样本夹持件8移开(或者下降)，盖上端盖2，保持其他部件的位置关系不变，然后开启光源，光谱仪采集到的光谱即为第一校正集的果肉漫反射参考光谱Rr。
然后可以按照如下公式计算出果肉透射率光谱和果肉反射率光谱，
Figure BDA0002348300730000151
其中，Tc为果肉透射率光谱，T为果肉透射光谱，Tr为果肉透射参考光谱，Rc为果肉反射率光谱，R为果肉漫反射光谱，Rr为果肉漫反射参考光谱，D为关闭光源且盖上光谱仪进光孔后采集的暗光谱。
水果等生物组织的光学特性主要是用吸收系数光谱μa和约化散射系数光谱μ's来表征，将果肉透射率光谱Tc、果肉反射率光谱Rc和散射各向异性因子g代入开源的反向倍加算法(Inverse adding-doubling，简称IAD)中进行计算，得到果肉吸收系数光谱μa和约化散射系数光谱μ's。其中散射各向异性因子g为常数，散射各向异性因子g又被称为平均散射余弦，在波长600nm～1300nm之间，大部分生物组织的g值在0.7～0.95之间，g＝1表示完全前向散射，g＝0表示各向同性散射，g＝-1表示完全后向散射，g常与散射系数μs结合起来利用公式μ's＝μs(1-g)表达为约化散射系数μ's，本发明专利中g＝0.7。
更具体地，对果肉吸收系数光谱μa和约化散射系数光谱μ's进行7-SGS预处理，并将预处理后的光谱数据进行后续的建模分析，建模方法为偏最小二乘算法(PLS)。预测结果如下表所示：
表4不同波段下分别果肉吸收系数光谱μa和约化散射系数光谱μ's的鸭梨可溶性固形物含量模型预测结果
Figure BDA0002348300730000152
Figure BDA0002348300730000161
从表4中看出μa光谱的预测效果良好，而μ's光谱的预测效果欠佳，因而后续只考虑对μa光谱建立的模型进行进一步优化。
步骤212：通过竞争性自适应重加权算法从第一校正集的预设波段范围(900nm～1350nm)内的果肉吸收系数光谱μa中筛选出若干个第二特征波长，从第一校正集的总反射率光谱中提取第一特征波长处和第二特征波长处的总反射率光谱，作为第二总反射率预测光谱；其中，第二总反射率预测光谱用于结合偏最小二乘算法建立可溶性固形物含量预测模型。预测结果如表3所示。
表3中序号2的数据表示的是对利用预设波段范围(900nm～1350nm)内的果肉吸收系数光谱μa建立的可溶性固形物含量预测模型的预测结果，其建模使用的波长数为279个。序号4的数据表示的是利用基于第二特征波长下的果肉吸收系数光谱μa建立的可溶性固形物含量预测模型的预测结果，其建模使用的波长数为14个。具体地，第二特征波长包括：900.90nm、917.30nm、932.00nm、948.40nm、976.10nm、1070.50nm、1104.50nm、1162.60nm、1165.80nm、1183.60nm、1235.00nm、1241.40nm、1251.00nm、1270.20nm。序号5的数据表示的是利用第二总反射率预测光谱(基于第一特征波长和第二特征波长下的总反射率光谱)建立的可溶性固形物含量预测模型的预测结果，其建模使用的波长数为38个，由于27个第一特征波长和14个第二特征波长中有3个有效波长是相同的波长数(具体为917.30nm、1235.00nm和1251.00nm)，因而总共使用的波长数为38个。基于第一特征波长和第二特征波长下的总反射率光谱建立的可溶性固形物含量预测模型具体为：
YpEWs1+EWs2＝b900.90A900.90+b915.60A915.60+b917.30A917.30+b925.50A925.50+b927.10A927.10+b932.00A932.00+b948.40A948.40+b954.90A954.90+b961.50A961.50+b966.40A966.40+b976.10A976.10+b1016.90A1016.90+b1023.40A1023.40+b1070.50A1070.50+b1075.40A1075.40+b1083.50A1083.50+b1104.50A1104.50+b1136.80A1136.80+b1153.00A1153.00+b1159.40A1159.40+b1162.60A1162.60+b1165.80A1165.80+b1183.60A1183.60+b1193.20A1193.20+b1204.50A1204.50+b1209.30A1209.30+b1231.80A1231.80+b1235.00A1235.00+b1241.40A1241.40+b1249.40A1249.40+b1251.00A1251.00+b1259.00A1259.00+b1260.60A1260.60+b1270.20A1270.20+b1316.50A1316.50+b1319.70A1319.70+b1345.20A1345.20+b1350.00A1350.00+Z2
其中，YpEWs1+EWs2为基于第一特征波长(EWs1)和第二特征波长(EWs2)建立的可溶性固形物含量预测模型；A表示在第一特征波长(或第二特征波长)下的果皮果肉的总反射率值，b表示在相应的特征波长下的回归系数，Z2为由可溶性固形物含量预测模型回归得到的常数。
其中CARS优选后的第二总反射率预测光谱(基于第一特征波长和第二特征波长下的总反射率光谱)具有38个光谱，其校正集与预测集的相关系数均大于0.89，校正集与预测集的均方根误差均小于0.51°Brix，同样取得了较好的预测结果。通过对比独立验证集的结果发现，第二总反射率预测光谱取得了较优的结果，即验证集相关系数为0.81，验证集均方根误差为0.50°Brix，同时其潜变量数较少，进一步说明该结合光谱模型更加稳定。利用该结合光谱特征波长，充分考虑了果皮果肉层和果肉层的有效光谱波段，可以改进全波段建立的单一果皮果肉层模型，使其在保证模型预测精度的前提下，实现了模型的简化，提高了模型的稳定性和适用性。基于CARS优选后的第一总反射率预测光谱和第二总反射率预测光谱建模后的预测集样本的结果散点分布分别如图9和图10所示，预测值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第一总反射率预测光谱和第二总反射率预测光谱的建模方法能够有效实现梨果可溶性固形物近红外检测且具有更优的预测结果，能够实现水果的无损检测。
如图11所示，本发明实施例还提供一种基于单积分球的水果可溶性固形物检测方法，包括：
步骤310：获取目标水果的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱。
获取目标水果中每个鸭梨样本的果肉透射光谱T、果肉透射参考光谱Tr、果肉漫反射光谱R和果肉漫反射参考光谱Rr，采集方式与步骤211相同，此处不再赘述。
步骤320：基于目标水果的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，得到目标水果的果肉吸收系数光谱。
基于目标水果的果肉透射光谱T、果肉透射参考光谱Tr、果肉漫反射光谱R和果肉漫反射参考光谱Rr，得到目标水果的果肉吸收系数光谱μa，计算方式与步骤211相同，此处不再赘述。
步骤330：将目标水果的果肉吸收系数光谱输入至预设的可溶性固形物含量预测模型，输出目标水果的可溶性固体物含量。
在上述实施例的基础上，预设的可溶性固形物含量预测模型通过以下步骤得到：
步骤410：获取第二校正集的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，基于第二校正集的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，得到第二校正集的果肉吸收系数光谱，第二校正集包括用于建立模型的水果样本。
其中，第二校正集可以与第一校正集相同，也可以不同。本实施例中以相同为例进行说明。获取第二校正集中每个鸭梨样本的果肉透射光谱T、果肉透射参考光谱Tr、果肉漫反射光谱R和果肉漫反射参考光谱Rr，采集方式与步骤310相同，此处不再赘述。
基于第二校正集的果肉透射光谱T、果肉透射参考光谱Tr、果肉漫反射光谱R和果肉漫反射参考光谱Rr，得到第二校正集的果肉吸收系数光谱μa，计算方式与步骤320相同，此处不再赘述。
步骤420：获取第二校正集的可溶性固体物含量的实测值，基于第二校正集的可溶性固体物含量的实测值和第二校正集的预设波段范围内的果肉吸收系数光谱，利用偏最小二乘算法建立可溶性固形物含量预测模型。水果可溶性固形物含量预测模型具体为：
Yp＝ΣmλBλ+N；
其中，Yp为水果可溶性固形物含量的预测值，λ为特征波长，Bλ为λ波长下的果肉吸收系数值，mλ为Bλ的回归系数，N为常数。
具体地，本实施例中的预设波段范围为900nm～1350nm。最后利用偏最小二乘算法(Partial Least Squares，简称PLS)建立可溶性固形物含量预测模型。具体方式与步骤220相似，此处不再赘述。
更具体地，还可以对采集到的原始光谱进行预处理。预处理的方式包括：平滑处理、一阶导数计算、二阶导数计算或者多元散射校正处理等。本实施例采用平滑对原始光谱进行预处理，以提高光谱的可靠性。通常采集到的原始光谱，不可避免地包含有仪器的随机噪音，也可能存在基线漂移等问题，影响光谱与可溶性固形物之间对应关系的建立，使模型的可靠性和稳定性变差。本实施例中通过对原始的光谱进行7点Savitzky-Golay平滑(7-SGS)处理，将预处理后的光谱数据进行后续的建模分析，以提高光谱的可靠性。对果肉吸收系数光谱μa和约化散射系数光谱μ's进行7-SGS预处理，并将预处理后的光谱数据进行后续的建模分析，建模方法为偏最小二乘算法(PLS)。预测结果表4所示。
在上述实施例的基础上，在步骤410之后，在步骤420之前，还包括：
通过竞争性自适应重加权算法从第二校正集的预设波段范围内的果肉吸收系数光谱中筛选出若干个第三特征波长，从第二校正集的果肉吸收系数光谱中提取第三特征波长处的果肉吸收系数光谱，作为果肉吸收系数预测光谱；其中，果肉吸收系数预测光谱用于结合偏最小二乘算法建立可溶性固形物含量预测模型。
具体地，利用竞争性自适应重加权算法(CARS)对梨果预设波段范围(900nm～1350nm)内的近红外透射光谱信息进行优化，从279个波长中，优选出14个第三特征波长(本实施例中以第二校正集与第一校正集相同为例进行说明，因而第三特征波长与第二特征波长相同)，第三特征波长包括：900.90nm、917.30nm、932.00nm、948.40nm、976.10nm、1070.50nm、1104.50nm、1162.60nm、1165.80nm、1183.60nm、1235.00nm、1241.40nm、1251.00nm、1270.20nm。然后从第二校正集的果肉吸收系数光谱中提取第三特征波长处的果肉吸收系数光谱，作为果肉吸收系数预测光谱，进一步利用偏最小二乘算法(PLS)建立可溶性固形物含量预测模型。具体为：
YpEWs3＝m900.90B900.90+m917.30B917.30+m932.00B932.00+m948.40B948.40+
m976.10B976.10+m1070.50B1070.50+m1104.50B1104.50+m1162.60B1162.60+m1165.80B1165.80+m1183.60B1183.60+m1235.00B1235.00+m1241.40B1241.40+m1251.00B1251.00+m1270.20B1270.20+N
其中，YpEWs3为基于第三特征波长(EWs3)建立的可溶性固形物含量预测模型；B表示在第三特征波长下的果肉吸收系数值，m表示在第三特征波长下的回归系数，N为由可溶性固形物含量预测模型回归得到的常数。
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：利用预设波段范围(900nm～1350nm)内的果肉吸收系数光谱(见表3中的序号2的数据)和果肉吸收系数预测光谱(见表3中的序号4的数据)分别建立可溶性固形物含量预测模型，对预测集中的梨果的可溶性固形物含量进行预测，并将获取的预测值分别与预测集中的可溶性固体物含量实测值进行比较，完成对光谱检测模型的验证。从表3中的序号4的数据可以看出，利用特征波长筛选后的μa光谱具有较优的预测能力和较好的稳定性，独立验证集结果较好，即rv和RMSEV的值可以有力说明这一点。
基于CARS优选后的果肉吸收系数预测光谱建模后的预测集样本的结果散点分布分别如图12所示，预测值靠近分布于回归直线两侧，具有很好的线性预测效果。
基于CARS优选后的模型，在保证模型预测精度略微提高的同时，基于吸收系数光谱μa波长数由原始的279个减少到14个，其校正集与预测集的相关系数均大于0.86，校正集与预测集的均方根误差均小于0.55°Brix，同时其独立验证集的相关系数达到了0.91，均方根误差小于0.36°Brix，预测效果十分优异。因此，该方法在精简模型的同时，获得了更优的预测精度，满足实际检测精度要求。
图13为本发明实施例提供的电子设备结构示意图，参照图13，该电子设备可以包括：处理器(Processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信。
处理器501可以调用存储器503中的逻辑指令，以执行如下方法：首先获取目标水果的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱，然后基于目标水果的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱，得到目标水果的总反射率光谱，最后将目标水果的总反射率光谱输入至预设的可溶性固形物含量预测模型，输出目标水果的可溶性固体物含量。
另外，处理器501还可以调用存储器503中的逻辑指令，以执行如下方法：首先获取目标水果的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，然后基于目标水果的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，得到目标水果的果肉吸收系数光谱，最后将目标水果的果肉吸收系数光谱输入至预设的可溶性固形物含量预测模型，输出目标水果的可溶性固体物含量。
此外，上述的存储器503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基于单积分球的水果可溶性固形物检测方法。
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。
通过以上实施例可以看出，本发明通过单积分球***的方式，分别采集水果的果皮果肉漫反射光谱、果皮果肉漫反射参考光谱、果肉透射光谱、果肉透射参考光谱、果肉反射参考光谱和果肉反射光谱六种鸭梨组织的光谱信息，结合特征波长筛选算法，建立梨果可溶性固形物近红外透射光谱检测模型。结合水果光学特性和反射光谱的光谱信息，建立更加稳定的可溶性固形物预测模型。
进一步地，针对校正后光谱信息下原始光谱产生随机噪音、透射光谱强度差异大等问题，进行7点Savitzky-Golay平滑处理对原始光谱进行了预处理后，优化了反射光谱和光学特性信息下梨果可溶性固形物的预测精度。
进一步地，基于预处理后900nm～1350nm波段下的预测模型，进行梨果可溶性固形物近红外特征波长筛选，重点对总反射率光谱和吸收系数光谱的结合光谱信息对比，并进行建模分析，优化了建模结果。
本发明提出了利用水果果肉组织的光学特性信息和果皮果肉组织的反射光谱信息对梨果可溶性固形物近红外检测模型的影响，提高了模型的稳定性和适用性，为实际生产中梨果可溶性固形物含量的检测提供了新的检测思路。本发明结合选取的特征波长筛选方法，建立的结合光学特性和反射光谱的可溶性固形物近红外光谱检测模型，为改进前期文献中仅通过单一反射光谱样本建立的模型，同时考虑了水果果皮果肉层和果肉层的光谱信息，提高了可溶性固形物的预测精度。另外，本发明结合特征波长筛选方法，在保证模型预测精度略微提高的同时，又使模型得到精简，对实际检测模型的优化具有一定的指导意义。
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)

1.一种基于单积分球的水果可溶性固形物检测方法，其特征在于，包括：
获取目标水果的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱；
基于所述目标水果的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱，得到所述目标水果的总反射率光谱；
将所述目标水果的总反射率光谱输入至预设的可溶性固形物含量预测模型，输出所述目标水果的可溶性固体物含量。
2.根据权利要求1所述的基于单积分球的水果可溶性固形物检测方法，其特征在于，所述预设的可溶性固形物含量预测模型通过以下步骤得到：
获取第一校正集的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱，基于所述第一校正集的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱，得到所述第一校正集的总反射率光谱，所述第一校正集包括用于建立模型的水果样本；
获取所述第一校正集的可溶性固体物含量的实测值，基于所述第一校正集的可溶性固体物含量的实测值和所述第一校正集的预设波段范围内的总反射率光谱，利用偏最小二乘算法建立可溶性固形物含量预测模型。
3.根据权利要求2所述的基于单积分球的水果可溶性固形物检测方法，其特征在于，总反射率光谱的计算公式具体为：
Figure FDA0002348300720000011
其中，R'c为总反射率光谱，R'为果皮果肉漫反射光谱，R'r为果皮果肉漫反射参考光谱，D为关闭光源且盖上光谱仪进光孔后采集的暗光谱。
4.根据权利要求2所述的基于单积分球的水果可溶性固形物检测方法，其特征在于，在所述得到所述第一校正集的总反射率光谱之后，在所述基于所述第一校正集的可溶性固体物含量的实测值和所述第一校正集的预设波段范围内的总反射率光谱，利用偏最小二乘算法建立可溶性固形物含量预测模型之前，还包括：
通过竞争性自适应重加权算法从所述第一校正集的预设波段范围内的总反射率光谱中筛选出若干个第一特征波长，从所述第一校正集的总反射率光谱中提取所述第一特征波长处的总反射率光谱，作为第一总反射率预测光谱；其中，所述第一总反射率预测光谱用于结合偏最小二乘算法建立可溶性固形物含量预测模型。
5.根据权利要求4所述的基于单积分球的水果可溶性固形物检测方法，其特征在于，所述获取第一校正集的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱，基于所述第一校正集的果皮果肉漫反射光谱和果皮果肉漫反射参考光谱，得到所述第一校正集的总反射率光谱，还包括：
获取所述第一校正集的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，基于所述第一校正集的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，得到所述第一校正集的果肉吸收系数光谱；
通过竞争性自适应重加权算法从所述第一校正集的预设波段范围内的果肉吸收系数光谱中筛选出若干个第二特征波长，从所述第一校正集的总反射率光谱中提取所述第一特征波长处和所述第二特征波长处的总反射率光谱，作为第二总反射率预测光谱；其中，所述第二总反射率预测光谱用于结合偏最小二乘算法建立可溶性固形物含量预测模型。
6.一种基于单积分球的水果可溶性固形物检测方法，其特征在于，包括：
获取目标水果的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱；
基于所述目标水果的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，得到所述目标水果的果肉吸收系数光谱；
将所述目标水果的果肉吸收系数光谱输入至预设的可溶性固形物含量预测模型，输出所述目标水果的可溶性固体物含量。
7.根据权利要求6所述的基于单积分球的水果可溶性固形物检测方法，其特征在于，所述预设的可溶性固形物含量预测模型通过以下步骤得到：
获取第二校正集的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，基于所述第二校正集的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，得到所述第二校正集的果肉吸收系数光谱，所述第二校正集包括用于建立模型的水果样本；
获取所述第二校正集的可溶性固体物含量的实测值，基于所述第二校正集的可溶性固体物含量的实测值和所述第二校正集的预设波段范围内的果肉吸收系数光谱，利用偏最小二乘算法建立可溶性固形物含量预测模型。
8.根据权利要求7所述的基于单积分球的水果可溶性固形物检测方法，其特征在于，所述基于所述第二校正集的果肉透射光谱、果肉透射参考光谱、果肉反射光谱和果肉反射参考光谱，得到所述第二校正集的果肉吸收系数光谱，具体为：
按照如下公式计算出果肉透射率光谱和果肉反射率光谱，
Figure FDA0002348300720000031
其中，Tc为果肉透射率光谱，T为果肉透射光谱，Tr为果肉透射参考光谱，Rc为果肉反射率光谱，R为果肉漫反射光谱，Rr为果肉漫反射参考光谱，D为关闭光源且盖上光谱仪进光孔后采集的暗光谱；
将果肉透射率光谱Tc、果肉反射率光谱Rc和散射各向异性因子g代入开源的反向倍加算法中进行计算，得到果肉吸收系数光谱μa，其中散射各向异性因子g为常数。
9.根据权利要求8所述的基于单积分球的水果可溶性固形物检测方法，其特征在于，在所述得到所述第二校正集的果肉吸收系数光谱之后，在所述基于所述第二校正集的可溶性固体物含量的实测值和所述第二校正集的预设波段范围内的果肉吸收系数光谱，利用偏最小二乘算法建立可溶性固形物含量预测模型之前，还包括：
通过竞争性自适应重加权算法从所述第二校正集的预设波段范围内的果肉吸收系数光谱中筛选出若干个第三特征波长，从所述第二校正集的果肉吸收系数光谱中提取所述第三特征波长处的果肉吸收系数光谱，作为果肉吸收系数预测光谱；其中，所述果肉吸收系数预测光谱用于结合偏最小二乘算法建立可溶性固形物含量预测模型。
10.一种电子设备，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9中任一项所述的方法。
CN201911404604.1A 2019-12-30 2019-12-30 基于单积分球的水果可溶性固形物检测方法及设备 Pending CN111044469A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911404604.1A CN111044469A (zh) 2019-12-30 2019-12-30 基于单积分球的水果可溶性固形物检测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911404604.1A CN111044469A (zh) 2019-12-30 2019-12-30 基于单积分球的水果可溶性固形物检测方法及设备

Publications (1)

Publication Number Publication Date
CN111044469A true CN111044469A (zh) 2020-04-21

Family

ID=70242195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911404604.1A Pending CN111044469A (zh) 2019-12-30 2019-12-30 基于单积分球的水果可溶性固形物检测方法及设备

Country Status (1)

Country Link
CN (1) CN111044469A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112924417A (zh) * 2021-03-08 2021-06-08 三亚市南繁科学技术研究院 一种测定南瓜果实可溶性固形物含量的方法
CN113063750A (zh) * 2021-03-23 2021-07-02 上海市农业科学院 一种基于高光谱的黄桃可溶性固形物快速检测方法及装置
CN114894730A (zh) * 2022-05-12 2022-08-12 广西大学 基于可见光-近红外的甘蔗糖分无损检测装置及检测方法
CN115728303A (zh) * 2022-11-30 2023-03-03 南京农业大学 一种基于间隔偏最小二乘算法的果皮对内部果肉信息干扰剔除的方法
CN116577287A (zh) * 2023-07-12 2023-08-11 北京市农林科学院智能装备技术研究中心 植物叶片光谱采集***、检测方法、装置及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103048277A (zh) * 2012-12-14 2013-04-17 北京农业智能装备技术研究中心 近红外光谱无损检测水果内部品质的***及方法
CN107064056A (zh) * 2017-03-08 2017-08-18 北京农业智能装备技术研究中心 一种水果无损检测的方法及装置
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
CN108519337A (zh) * 2018-02-28 2018-09-11 北京农业智能装备技术研究中心 一种基于单积分球的农产品组织光学特性参数检测装置
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***
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
CN109946243A (zh) * 2019-03-26 2019-06-28 贵阳学院 快速无损检测李子可溶性固形物含量的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103048277A (zh) * 2012-12-14 2013-04-17 北京农业智能装备技术研究中心 近红外光谱无损检测水果内部品质的***及方法
CN107064056A (zh) * 2017-03-08 2017-08-18 北京农业智能装备技术研究中心 一种水果无损检测的方法及装置
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
CN108519337A (zh) * 2018-02-28 2018-09-11 北京农业智能装备技术研究中心 一种基于单积分球的农产品组织光学特性参数检测装置
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***
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
CN109946243A (zh) * 2019-03-26 2019-06-28 贵阳学院 快速无损检测李子可溶性固形物含量的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YU XIA ET AL.,: "Prediction and Comparision of Models for Soluble Solids Content Determination in ‘Ya’Pears Using Optical Properties and Diffuse Reflectance in 900-1700nm Spectral Region", 《IEEE ACCESS》 *
何学明: "空间频域成像技术与梨光学特性参数检测研究", 《中国优秀博硕士学位论文全文数据库（博士） 工程科技I辑》 *
唐长波 等: "黄桃可溶性固形物的近红外漫反射光谱检测", 《江苏农业科学》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112924417A (zh) * 2021-03-08 2021-06-08 三亚市南繁科学技术研究院 一种测定南瓜果实可溶性固形物含量的方法
CN113063750A (zh) * 2021-03-23 2021-07-02 上海市农业科学院 一种基于高光谱的黄桃可溶性固形物快速检测方法及装置
CN114894730A (zh) * 2022-05-12 2022-08-12 广西大学 基于可见光-近红外的甘蔗糖分无损检测装置及检测方法
CN114894730B (zh) * 2022-05-12 2023-06-16 广西大学 基于可见光-近红外的甘蔗糖分无损检测装置及检测方法
CN115728303A (zh) * 2022-11-30 2023-03-03 南京农业大学 一种基于间隔偏最小二乘算法的果皮对内部果肉信息干扰剔除的方法
CN116577287A (zh) * 2023-07-12 2023-08-11 北京市农林科学院智能装备技术研究中心 植物叶片光谱采集***、检测方法、装置及电子设备
CN116577287B (zh) * 2023-07-12 2023-10-20 北京市农林科学院智能装备技术研究中心 植物叶片光谱采集***、检测方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN111044469A (zh) 基于单积分球的水果可溶性固形物检测方法及设备
Lin et al. Theory and application of near infrared spectroscopy in assessment of fruit quality: a review
Wang et al. Development of multi-cultivar models for predicting the soluble solid content and firmness of European pear (Pyrus communis L.) using portable vis–NIR spectroscopy
Liu et al. Use of FT-NIR spectrometry in non-invasive measurements of internal quality of ‘Fuji’apples
Magwaza et al. NIR spectroscopy applications for internal and external quality analysis of citrus fruit—a review
McGlone et al. Vis/NIR estimation at harvest of pre-and post-storage quality indices for ‘Royal Gala’apple
Liu et al. Nondestructive determination of pear internal quality indices by visible and near-infrared spectrometry
Ma et al. Calibration of SilviScan data of Cryptomeria japonica wood concerning density and microfibril angles with NIR hyperspectral imaging with high spatial resolution
Wedding et al. Non‐destructive prediction of ‘Hass’ avocado dry matter via FT‐NIR spectroscopy
CN105548070B (zh) 一种苹果可溶性固形物近红外检测部位补偿方法及***
Huishan et al. Application Fourier transform near infrared spectrometer in rapid estimation of soluble solids content of intact citrus fruits
Xia et al. Effect of fruit moving speed on online prediction of soluble solids content of apple using Vis/NIR diffuse transmission
Yan-de et al. Measurement of sugar content in Fuji apples by FT-NIR spectroscopy
CN110672578A (zh) 针对煎炸油极性组分检测的模型通用性及稳定性验证方法
CN110376154A (zh) 基于光谱校正的水果在线检测方法及***
CN109946246A (zh) 一种苹果可溶性固形物的检测方法及装置
Amaral et al. Evaluating basic density calibrations based on NIR spectra recorded on the three wood faces and subject to different mathematical treatments
CN113484278A (zh) 一种基于光谱和主成分分析的番茄综合品质无损检测方法
Xia et al. Prediction and comparison of models for soluble solids content determination in ‘Ya’pears using optical properties and diffuse reflectance in 900–1700 nm spectral region
Subedi et al. Assessment of titratable acidity in fruit using short wave near infrared spectroscopy. Part B: intact fruit studies
Wang et al. Application of visible/near-infrared spectroscopy combined with machine vision technique to evaluate the ripeness of melons (Cucumis melo L.)
Yang et al. Relationship between optical properties and internal quality of melon tissues during storage and simulation-based optimization of spectral detection in diffuse reflectance mode
Yu et al. Parameter optimization in soluble solid content prediction of entire bunches of grape based on near infrared spectroscopic technique
Liu et al. Optical properties combined with convolutional neural networks to predict soluble solids content of peach
Shi et al. Signal optimization approaches on the prediction of apples firmness by near infrared spectroscopy

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200421