CN117783287B - 一种菠萝果传输同时进行无损检测的装置及其检测方法 - Google Patents
一种菠萝果传输同时进行无损检测的装置及其检测方法 Download PDFInfo
- Publication number
- CN117783287B CN117783287B CN202410207499.7A CN202410207499A CN117783287B CN 117783287 B CN117783287 B CN 117783287B CN 202410207499 A CN202410207499 A CN 202410207499A CN 117783287 B CN117783287 B CN 117783287B
- Authority
- CN
- China
- Prior art keywords
- pineapple
- existing
- fruits
- fruit
- ultrasonic
- 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.)
- Active
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 345
- 235000007119 Ananas comosus Nutrition 0.000 title claims abstract description 314
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000005540 biological transmission Effects 0.000 title claims abstract description 19
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 13
- 244000099147 Ananas comosus Species 0.000 title 1
- 241000234671 Ananas Species 0.000 claims abstract description 313
- 231100000241 scar Toxicity 0.000 claims abstract description 55
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000003384 imaging method Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 36
- 238000010219 correlation analysis Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 25
- 239000011800 void material Substances 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 208000032544 Cicatrix Diseases 0.000 description 5
- 238000003908 quality control method Methods 0.000 description 5
- 230000037387 scars Effects 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 235000019640 taste Nutrition 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 239000010794 food waste Substances 0.000 description 2
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000037390 scarring Effects 0.000 description 2
- FFRBMBIXVSCUFS-UHFFFAOYSA-N 2,4-dinitro-1-naphthol Chemical compound C1=CC=C2C(O)=C([N+]([O-])=O)C=C([N+]([O-])=O)C2=C1 FFRBMBIXVSCUFS-UHFFFAOYSA-N 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003181 biological factor Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 235000021049 nutrient content Nutrition 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 235000019614 sour taste Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 235000019605 sweet taste sensations Nutrition 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供一种菠萝果传输同时进行无损检测的装置及其检测方法，涉及菠萝果检测技术领域，包括：数据采集模块，用于通过超声波成像技术，对通过传输带传送的现有菠萝果进行数据采集，采集的数据包括现有菠萝果的外表和内部的超声波数据，并将现有菠萝果外部的超声波数据映射成现有菠萝果的实际表面特征，所述现有菠萝果的实际表面特征包括裂缝长度和疤痕面积，将现有菠萝果内部的超声波数据映射成现有菠萝果的实际内部特征。本发明在不破坏菠萝果的果皮的情况下，利用设置的阈值范围，可以有效判断出菠萝果的损坏与否，提高检测的精度，避免检测过程中的误判问题，还能够判断菠萝果的损坏程度，并根据损坏程度将菠萝果分类。
Description
技术领域
本发明涉及菠萝果检测技术领域，具体为一种菠萝果传输同时进行无损检测的装置及其检测方法。
背景技术
菠萝果是凤梨科多年生常绿草本果树，是中国南方最具特色和竞争优势的热带水果品种之一，其果实呈圆锥形或圆筒形，外皮带有鳞片状的凸起，有刺，颜色可变，从绿色到金黄色，果实内部有纤维状的、多汁的果肉，味道酸甜。
现有技术中，在对菠萝果的外观检测时，通过人眼观察外观，包括果皮颜色、形状、表面是否有瑕疵或损坏，或者利用图像处理技术，使用相机拍摄果实图像，然后通过图像处理软件进行分析，识别果实的外观特征，而菠萝果的内部检测，则可以通过光学成像技术，在不破坏果皮的情况下获取果实的内部信息，从而根据内部信息，反映果实内部的质地和组织状态。
但是还存在如下不足，由上述的陈述可知，在判断菠萝果的外表和内部损坏时，并没有设置损坏阈值范围，继而在检测时可能会出现误判的情况，检测精度有待进一步提高，且缺少一种判断菠萝果的损坏程度的机制，从而不能根据损坏程度将菠萝果分类。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于提供一种菠萝果传输同时进行无损检测的装置及其检测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种菠萝果传输同时进行无损检测的装置，包括：
数据采集模块，用于通过超声波成像技术，对通过传输带传送的现有菠萝果进行数据采集，采集的数据包括现有菠萝果的外表和内部的超声波数据，并将现有菠萝果外部的超声波数据映射成现有菠萝果的实际表面特征，现有菠萝果的实际表面特征包括裂缝长度和疤痕面积，将现有菠萝果内部的超声波数据映射成现有菠萝果的实际内部特征，现有菠萝果的实际内部特征包括果肉密度和果实的空洞体积；
数据处理模块，用于将现有菠萝果的实际表面特征进行无量纲化处理，并进行相关性分析，生成现有菠萝果的外观质量系数，将现有菠萝果的实际内部特征进行无量纲化处理，并进行相关性分析，生成现有菠萝果的内部质量系数；
数据分析模块，用于将现有菠萝果的外观质量系数和预设的外观质量系数阈值比较，判断现有菠萝果表面是否存在损坏，将现有菠萝果的内部质量系数和预设的内部质量系数阈值比较，判断现有菠萝果内部是否存在损坏；
提取模块，用于提取历史数据中菠萝果的外观质量系数和内部质量系数，以及对应的菠萝果的综合评估指数阈值的区间范围；
判断模块，用于将现有菠萝果的外观质量系数和现有菠萝果的内部质量系数进行无量纲化处理，并进行相关性分析，生成现有综合评估指数，并将现有综合评估指数和综合评估指数阈值的区间范围对比，判断现有菠萝果的损坏程度。
进一步地，将现有所述菠萝果外部的超声波数据映射成菠萝果的裂缝长度和疤痕面积的具体步骤如下：
数据采集：使用超声波传感器对菠萝果的外表进行扫描，超声波传感器发射超声波脉冲并测量其反射，获取果皮和果肉的距离信息；
信号处理：接收到的超声波数据需要经过预处理步骤，包括滤波、去噪和补偿，并对信号进行时域和频域分析，以识别不同的反射特征，果皮和果肉的反射特征表现为不同的波形和频谱；
特征提取：从处理后的超声波数据中提取与裂缝长度和疤痕面积相关的特征，包括反射波的振幅、频率和时延，建立与裂缝和疤痕的几何形状和结构相关的特征，包括裂缝的深度和长度，疤痕的大小和形状；
建模：基于提取的特征，建立一个机器学习模型，将特征与实际的裂缝长度和疤痕面积进行关联，采用监督学习方法，使用已知裂缝长度和疤痕面积的样本数据进行模型的训练；
映射和预测：将未知菠萝果的超声波数据输入建立的模型，进行裂缝长度和疤痕面积的预测；
验证和优化：使用一组已知裂缝长度和疤痕面积的测试数据验证模型的准确性。
进一步地，将现有所述菠萝果内部的超声波数据映射成菠萝果的果肉的密度和果实的空洞体积的具体逻辑为：
数据采集：使用超声波传感器对菠萝果的内部进行扫描，超声波在穿过不同密度和介质的组织时会发生反射，并通过接收反射波来获取内部结构的信息，信息包含了不同位置的超声波回波时间和振幅；
信号处理：将采集到的超声波数据进行信号处理，并提取果实内部结构的信息，获得清晰的超声波图像；
图像重构：通过处理后的超声波数据，使用超声成像算法，对图像进行重构，形成菠萝果内部结构的图像；
密度计算：利用重构的图像，计算果肉的密度，密度通过分析图像中不同区域的超声波反射强度或回波时间来推断；
空洞检测和体积测量：利用图像，进行空洞的检测和体积测量，包括识别图像中的空洞区域，并通过分析空洞区域的形状和大小来估算果实的空洞体积。
进一步地，将现有所述菠萝果的裂缝长度和疤痕面积/>进行无量纲化处理，并进行相关性分析，生成现有菠萝果的外观质量系数/>，依据的公式如下：
；
其中，为裂缝长度的比例因子系数，/>为疤痕面积的比例因子系数，/>，且, C1为常数修正系数。
进一步地，将现有所述菠萝果的果肉密度和果实的空洞体积/>进行无量纲化处理，并进行相关性分析，生成现有菠萝果的内部质量系数/>，依据的公式如下：
；
其中，为菠萝果的果肉密度的比例因子系数，/>为果实的空洞体积的比例因子系数，/>，且/>, C2为常数修正系数。
进一步地，将现有所述菠萝果的外观质量系数和预设的外观质量系数阈值比较，判断现有菠萝果表面是否存在损坏的过程如下：
当时，则现有菠萝果的外观质量未达到预期标准，存在损坏；
当时，则现有菠萝果的外观质量达到预期标准，没有损坏；
将现有所述菠萝果的内部质量系数和预设的内部质量系数阈值/>比较，判断现有菠萝果内部是否存在损坏的过程如下：
当时，则现有菠萝果的内部质量未达到预期标准，存在损坏；
当时，则现有菠萝果的内部质量达到预期标准，没有损坏。
进一步地，将现有所述菠萝果的外观质量系数和现有菠萝果的内部质量系数/>进行无量纲化处理，并进行相关性分析，生成现有综合评估指数/>，依据的公式如下：
；
其中，为菠萝果的外观质量系数的比例因子系数，/>为菠萝果的内部质量系数的比例因子系数，/>，且/>；
将所述现有综合评估指数和提取的综合评估指数阈值/>的区间范围对比，判断现有菠萝果的损坏程度的过程如下：
当时，则现有菠萝果的损坏程度较轻；
当时，则现有菠萝果的损坏程度较重。
一种菠萝果传输同时进行无损检测的方法，具体步骤包括：
S1.通过超声波成像技术，对通过传输带传送的现有菠萝果进行数据采集，采集的数据包括现有菠萝果的外表和内部的超声波数据，并将现有菠萝果外部的超声波数据映射成现有菠萝果的实际表面特征，现有菠萝果的实际表面特征包括裂缝长度和疤痕面积，将现有菠萝果内部的超声波数据映射成现有菠萝果的实际内部特征，现有菠萝果的实际内部特征包括果肉密度和果实的空洞体积；
S2.将现有菠萝果的实际表面特征进行无量纲化处理，并进行相关性分析，生成现有菠萝果的外观质量系数，将现有菠萝果的实际内部特征进行无量纲化处理，并进行相关性分析，生成现有菠萝果的内部质量系数；
S3.将现有菠萝果的外观质量系数和预设的外观质量系数阈值比较，判断现有菠萝果表面是否存在损坏，将现有菠萝果的内部质量系数和预设的内部质量系数阈值比较，判断现有菠萝果内部是否存在损坏；
S4.提取历史数据中历史菠萝果的外观质量系数和内部质量系数，以及对应的菠萝果的综合评估指数阈值的区间范围；
S5.将现有菠萝果的外观质量系数和现有菠萝果的内部质量系数进行无量纲化处理，并进行相关性分析，生成现有综合评估指数，并将现有综合评估指数和综合评估指数阈值的区间范围对比，判断现有菠萝果的损坏程度。
与现有技术相比，本发明的有益效果是：
本发明通过超声波成像技术对传输带上传送的菠萝果进行数据采集，获得菠萝果表面的裂缝长度和疤痕面积，以及菠萝果内部的果肉密度和果实的空洞体积，将菠萝果表面的裂缝长度和疤痕面积进行处理和分析，生成菠萝果的外观质量系数，将菠萝果内部的果肉密度和果实的空洞体积进行处理和分析，生成菠萝果的内部质量系数，将菠萝果的外观质量系数和预设的外观质量系数阈值比较，菠萝果的内部质量系数和预设的内部质量系数阈值比较，在不破坏菠萝果的果皮的情况下，利用设置的阈值范围，可以有效区分出菠萝果破损与否，提高检测的精度，避免检测过程中的误判；
除了可以判断出菠萝果是否有损坏，还能够将菠萝果的外观质量系数和菠萝果的内部质量系数进行处理和分析，生成综合评估指数，并将综合评估指数和提取的综合评估指数阈值相比较，判断菠萝果的损坏程度，并根据损坏程度将菠萝果分类。
附图说明
图1为本发明的模块组成框图；
图2为本发明的整体方法流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”“下”“左”“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
实施例：
请参阅图1至图2，本发明提供一种技术方案：
一种菠萝果传输同时进行无损检测的装置，如图1所示，包括：
数据采集模块，用于通过超声波成像技术，对通过传输带传送的现有菠萝果进行数据采集，采集的数据包括现有菠萝果的外表和内部的超声波数据，并将现有菠萝果外部的超声波数据映射成现有菠萝果的实际表面特征，现有菠萝果的实际表面特征包括裂缝长度和疤痕面积，将现有菠萝果内部的超声波数据映射成现有菠萝果的实际内部特征，现有菠萝果的实际内部特征包括果肉密度和果实的空洞体积；
数据处理模块，用于将现有菠萝果的实际表面特征进行无量纲化处理，并进行相关性分析，生成现有菠萝果的外观质量系数，将现有菠萝果的实际内部特征进行无量纲化处理，并进行相关性分析，生成现有菠萝果的内部质量系数；
数据分析模块，用于将现有菠萝果的外观质量系数和预设的外观质量系数阈值比较，判断现有菠萝果表面是否存在损坏，将现有菠萝果的内部质量系数和预设的内部质量系数阈值比较，判断现有菠萝果内部是否存在损坏；
提取模块，用于提取历史数据中历史菠萝果的外观质量系数和内部质量系数，以及对应的菠萝果的综合评估指数阈值的区间范围；
判断模块，用于将现有菠萝果的外观质量系数和现有菠萝果的内部质量系数进行无量纲化处理，并进行相关性分析，生成现有综合评估指数，并将现有综合评估指数和综合评估指数阈值的区间范围对比，判断现有菠萝果的损坏程度。
当菠萝果的裂缝长度超过设定的阈值时，菠萝果的外表不符合质量要求，以下为具体原因：
外观影响：裂缝过长会严重影响菠萝果的外观，使其看起来不够吸引人或者不符合销售标准，特别是如果裂缝非常明显或者占据了果皮的大面积，会影响消费者的购买欲望。
食用品质受损：裂缝会导致果汁流失或者外界空气进入果实内部，从而加速果实的腐烂，这会降低菠萝果的食用品质，使其口感变差或者出现腐败现象。
储存和运输问题：裂缝使果实更容易受到外界环境的影响，包括温度、湿度和微生物等，这可能会增加果实在储存和运输过程中的损耗和腐败率，导致供应链中的损失和浪费。
因此，准确测量菠萝果的裂缝长度，对于菠萝果的外表质量尤为重要，如可做到会产生如下效果：
质量控制和品牌标准：精确测量裂缝长度有助于建立质量控制标准和品牌要求，通过设定阈值，供应商和品牌可以明确何种程度的裂缝被认为是可接受的，从而确保产品在外表上符合特定标准。
减少质量异议：客户和供应商之间的质量异议可能源于对外表瑕疵的不同理解，通过准确测量裂缝长度，可以提供客观的、可量化的数据，减少因为外观问题而引起的争议和误解。
提高供应链效率：在生产和供应链管理中，对裂缝长度的准确测量有助于迅速识别不合格产品，减少次品或次品率，这有助于提高供应链效率，避免不良产品流入市场。
满足市场需求：不同市场和消费者对于外表的要求可能有所不同，通过准确测量裂缝长度，可以确保提供符合特定市场和消费者期望的菠萝产品，增加市场竞争力。
优化库存管理：通过及时检测和测量裂缝长度，可以更好地了解库存中的菠萝果的质量状况，这有助于优化库存管理，减少因为质量问题而导致的过期和损耗。
当菠萝果的疤痕面积超过设定的阈值时，菠萝果的外表不符合质量要求，以下为具体原因：
外观影响：疤痕面积超过设定的阈值可能会明显影响菠萝果的外观，使其看起来不够吸引人或者不符合销售标准，大面积的疤痕可能会让菠萝看起来不新鲜、不完整，影响消费者的购买欲望。
品质问题：疤痕通常是果实受到损坏或创伤的痕迹，如果疤痕面积过大，会导致果肉部分质地变差，口感不佳，影响整体食用品质。
储存和运输问题：大面积的疤痕可能使果实更容易受到外界环境的影响，增加果实在储存和运输过程中的损耗和腐败率，导致供应链中的损失和浪费。
消费者印象：大面积的疤痕可能会让消费者对产品产生负面印象，认为该产品的质量不佳或者不符合期望，对品牌形象和产品信誉造成影响。
因此，准确测量菠萝果的疤痕面积，对于菠萝果的外表质量尤为重要，如可做到会产生如下效果：
质量控制：精确测量疤痕面积有助于建立质量控制标准和品牌要求，通过设定阈值，供应商和品牌可以明确何种程度的疤痕被认为是可接受的，从而确保产品在外表上符合特定标准。
减少争议：客户和供应商之间的质量异议可能源于对疤痕的大小和数量的不同理解，通过准确测量疤痕面积，可以提供客观的、可量化的数据，减少因外观问题而引起的争议和误解。
当菠萝果的果肉密度不同时，则菠萝果的内部均匀度就不同，以下为具体原因：
声波传播特性：在使用如超声波等无损检测技术时，声波在物体内部的传播速度和衰减程度会受到物体密度的影响，果肉密度的不均匀性会导致声波在菠萝果内部的传播路径和速度不一致，进而影响检测信号的一致性。
内部结构反映：密度差异可能反映了菠萝果内部结构的不均匀性，如果肉的多汁程度、成熟度、纤维含量等，这些因素影响果肉的均匀性。
影响成像结果：在进行内部成像时，不同密度的区域可能表现为不同的成像特征，高密度区域可能对声波或其他扫描形式的穿透有更大的阻碍，导致成像上的暗区或亮区，这影响了内部均匀度的评估。
内部损坏或病变检测：密度差异可能是内部损坏或病变的指标，如腐烂和干燥，准确测量和分析密度差异有助于及时识别潜在问题。
因此，准确测量菠萝果的果肉的密度，对于菠萝果的无损检测尤为重要，如可做到会产生如下效果：
质量控制：通过测量菠萝果果肉的密度，可以快速发现潜在的质量问题，如成熟度不均匀、内部腐烂或虫害等，这有助于生产者及时采取措施，防止次品进入市场，提高产品整体质量。
产品分级：根据测得的果肉密度，可以将菠萝果进行准确的分级和分类，高密度差值可能表示成熟度更高或质量更好的果实，适合高端市场或加工用途，而低密度差值则可能表示果实存在问题或未成熟，适合低价销售或加工。
减少损失：及时检测果肉密度可以帮助生产者发现受损或不合格的果实，并及时进行处理或隔离，减少库存中的损失和废品量。
提高市场竞争力：提供经过无损检测验证的高质量菠萝果，可以提升品牌形象，增强消费者信任，并在市场上占据竞争优势。
当菠萝果的果实的空洞体积不同时，则菠萝果的内部均匀度就不同，以下为具体原因：
损坏：空洞的出现可能与受到外部损坏或内部腐烂有关，这些问题可能导致果实内部结构的不均匀性，表现为不同大小的空洞。
病虫害：某些病虫害可能导致果实内部的空洞或腐烂，不同的空洞体积可能是这些生物因素引起的结果。
因此，准确测量菠萝果的果实的空洞体积，对于菠萝果的无损检测尤为重要，如可做到会产生如下效果：
减少食品浪费：对果实的无损检测，特别是对空洞体积的准确测量，有助于在供应链中及早识别质量问题，可以减少由于不合格果实的流入市场而导致的食品浪费。
节约成本：无损检测可以避免传统的破坏性检测方法，减少在检测过程中对果实造成的损坏，降低了损耗和成本。
提高生产效率：通过使用无损检测技术，可以更快速地对大批量的果实进行检测，提高生产线的效率和流水线的速度。
综上所述，数据采集模块获取裂缝长度、疤痕面积、果肉的密度和果实的空洞体积对菠萝果的无损检测有着极为重要的作用，以下为本实施方式中菠萝果的无损检测的具体实施方式。
在上述实施例的基础上，将现有菠萝果外部的超声波数据映射成菠萝果的裂缝长度和疤痕面积的方法和过程如下：
S11.数据采集：使用超声波传感器对菠萝果的外表进行扫描，超声波传感器可以发射超声波脉冲并测量其反射，获取果皮和果肉的距离信息；
S12.信号处理：接收到的超声波数据需要经过滤波、去噪和补偿，并对信号进行时域和频域分析，识别不同的反射特征，果皮和果肉的反射特征表现为不同的波形和频谱；
S13.特征提取：从处理后的超声波数据中提取与裂缝长度和疤痕面积相关的特征，包括反射波的振幅、频率和时延，建立与裂缝和疤痕的几何形状和结构相关的特征，包括裂缝的深度和长度，疤痕的大小和形状；
S14.建模：基于提取的特征，建立一个机器学习模型，将特征与实际的裂缝长度和疤痕面积进行关联，采用监督学习方法，使用已知裂缝长度和疤痕面积的样本数据进行模型的训练；
S15.映射和预测：将未知菠萝果的超声波数据输入建立的模型，进行裂缝长度和疤痕面积的预测；
S16.验证和优化：使用一组已知裂缝长度和疤痕面积的测试数据验证模型的准确性。
本实施例中，在S12中，接收到的超声波数据需要经过滤波、去噪和补偿，其中滤波、去噪和补偿的过程如下：
滤波：
采用数字滤波器，如低通滤波器，首先确定滤波器的截止频率，截止频率是滤波器在频域上的特性，用于区分所需的信号与噪声，低通滤波器允许低频信号通过而阻止高频信号，利用低通滤波器的特性滤除高频噪声；
去噪：
将超声波数据进行小波变换，将信号分解为不同尺度的小波系数，对每个小波系数应用阈值处理，通常将较小的系数设为零，以消除高频噪声，将经过阈值处理的小波系数进行逆小波变换，以重构去噪后的超声波信号；
补偿：
确定超声波在介质中传播的衰减规律，使用经验模型得出衰减函数，根据衰减模型和传播距离计算衰减校正因子，这是一个距离的函数，用于校正信号的振幅，将获得的衰减校正因子应用于超声波信号，对每个采样点进行振幅调整，以补偿信号的衰减效应。
本实施例中，在S12中，信号进行时域和频域分析，以识别不同的反射特征，果皮和果肉的反射特征表现为不同的波形和频谱的过程如下：
时域分析：将处理后的信号在时域上绘制波形图，通过观察波形，尝试识别和区分果皮和果肉的不同反射特征，果皮和果肉通常表现为不同的振幅、形状或持续时间的波形；
频域分析：进行傅里叶变换，将时域信号转换为频域信号，得到频谱信息，分析频谱信息，观察不同频率成分的贡献；
特征提取：提取频域特征，识别不同频率的成分，成分对应于果皮和果肉的特定反射特征，将频域特征与时域波形中观察到的特征相关联，以更准确地识别反射特征。
本实施例中，在S14中，机器学习模型为深度学习网络。
将现有菠萝果内部的超声波数据映射成菠萝果的果肉的密度和果实的空洞体积的方法和过程如下：
S21.数据采集：使用超声波传感器对菠萝果的内部进行扫描，超声波在穿过不同密度和介质的组织时会发生反射，并通过接收反射波来获取内部结构的信息，信息包含了不同位置的超声波回波时间和振幅；
S22.信号处理：将采集到的超声波数据需要进行信号处理，并提取果实内部结构的信息，获得清晰的超声波图像；
S23.图像重构：通过处理后的超声波数据，使用超声成像算法，对图像进行重构，形成菠萝果内部结构的图像；
S24.密度计算：利用重构的图像，计算果肉的密度，密度可以通过分析图像中不同区域的超声波反射强度或回波时间来推断；
S25.空洞检测和体积测量：利用图像，进行空洞的检测和体积测量，包括识别图像中的空洞区域，并通过分析空洞区域的形状和大小来估算果实的空洞体积。
本实施例中，在S22中，将采集到的超声波数据需要进行信号处理，并提取果实内部结构的信息，获得清晰的超声波图像的过程如下：
对采集到的超声波数据进行中值滤波处理，以降低噪声的影响，对超声波信号进行时域波形分析，获取反映内部结构特征的时域信息，对超声波信号进行傅里叶变换，以获取信号的频谱特征，使用波束成形技术，对传感器接收到的多个超声波信号进行整合，增强图像分辨率和对比度；
本实施例中，在S23中，图像重构的过程如下：使用超声成像算法对处理后的超声波数据进行图像重构，生成菠萝果内部结构的二维图像。
在上述实施例的基础上，将现有菠萝果的裂缝长度和疤痕面积/>进行无量纲化处理，并进行相关性分析，生成现有菠萝果的外观质量系数/>，依据的公式如下：
；
其中，为裂缝长度的比例因子系数，/>为疤痕面积的比例因子系数，因为裂缝长度通常会直接影响菠萝果的整体外观，长而深的裂缝会在表面形成清晰可见的线条或裂痕，影响果品的整体美观度，相比之下，疤痕面积虽然也会对外观产生影响，但如果分布均匀或者较小，则可能不会像裂缝一样引人注意；长时间的裂缝可能会导致菠萝果内部组织的暴露，增加水分蒸发和氧化的可能性，进而导致营养价值的损失，虽然疤痕面积也可能导致类似的问题，但由于其通常较小或分布均匀，对营养价值的影响相对较小。因此裂缝长度的比例因子系数大于疤痕面积的比例因子系数，即/>，且/>, C1为常数修正系数。
由上述的公式可知，当和/>越高，现有菠萝果的外观质量系数/>越低，则表明/>、/>和/>呈负相关关系，式中因子系数用于均衡各项数据在公式中的占比比重，从而促进计算结果的准确性。
在上述实施例的基础上，将现有菠萝果的果肉密度和果实的空洞体积/>进行无量纲化处理，并进行相关性分析，生成现有菠萝果的内部质量系数/>，依据的公式如下：
；
其中，为菠萝果的果肉密度的比例因子系数，/>为果实的空洞体积的比例因子系数，因为较高的果肉密度通常表示果实更为饱满、紧实，口感更好，果汁含量和营养成分较高，因此，果肉密度对于菠萝果的内部质量影响较大，虽然果实的空洞体积对菠萝果的内部质量也有影响，但通常它的影响程度相对于果肉密度较小。因此菠萝果的果肉密度的比例因子系数大于果实的空洞体积的比例因子系数，即/>，且/>, C2为常数修正系数。
由上述的公式可知，当和/>越高，现有菠萝果的内部质量系数/>越低，则表明/>、/>和/>呈负相关关系，式中因子系数用于均衡各项数据在公式中的占比比重，从而促进计算结果的准确性。
在上述实施例的基础上，将现有菠萝果的外观质量系数和预设的外观质量系数阈值/>比较，判断现有菠萝果表面是否存在损坏的过程如下：
当时，则现有菠萝果的外观质量未达到预期标准，存在损坏；
当时，则现有菠萝果的外观质量达到预期标准，没有损坏；
将现有菠萝果的内部质量系数和预设的内部质量系数阈值/>比较，判断现有菠萝果内部是否存在损坏的过程如下：
当时，则现有菠萝果的内部质量未达到预期标准，存在损坏；
当时，则现有菠萝果的内部质量达到预期标准，没有损坏。
在上述实施例的基础上，将现有菠萝果的外观质量系数和现有菠萝果的内部质量系数/>进行无量纲化处理，并进行相关性分析，生成现有综合评估指数/>，依据的公式如下：
；
其中，为菠萝果的外观质量系数的比例因子系数，/>为菠萝果的内部质量系数的比例因子系数，外观是菠萝果的第一印象，也是消费者购买时最直观的感受，市场接受度往往受到外观的影响，因此外观质量系数对于菠萝果在市场上的销售和消费者选择起着关键作用，且消费者通常更注重外观，因为外观直接与他们的感官体验相关。因此菠萝果的外观质量系数大于菠萝果的内部质量系数，即/>，且/>；
将现有综合评估指数和提取的综合评估指数阈值/>的区间范围对比，判断现有菠萝果的损坏程度的过程如下：
当时，则现有菠萝果的损坏程度较轻；
当时，则现有菠萝果的损坏程度较重。
公式中的、/>、/>、/>、/>和/>的具体取值一般由本领域技术人员根据实际情况来确定，该公式本质为加权求和进行综合分析，由本领域技术人员采集多组样本数据，并对每一组样本数据设定对应的预设比例系数，将设定的预设比例系数和采集的样本数据代入公式，通过反复试验和参数调整，观察模型输出的准确性和结果的合理性，逐步调整这些比例因子系数，并对比不同参数设置下模型的性能和效果，找到最优的系数组合，将计算得到的比例因子系数进行筛选并取均值，得到/>、/>、/>、/>、/>和/>的取值。
另外，预设比例因子系数的大小是为了将各个参数进行量化得到的一个具体的数值，其为了便于后续比较，关于比例因子系数的大小，取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的预设比例因子系数，并不唯一，只要不影响参数与量化后数值的比例关系即可。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
请参阅图2，本发明另外还提供一种菠萝果传输同时进行无损检测的方法，所述检测方法由上述的无损检测的装置执行，具体步骤包括：
S1.通过超声波成像技术，对通过传输带传送的现有菠萝果进行数据采集，采集的数据包括现有菠萝果的外表和内部的超声波数据，并将现有菠萝果外部的超声波数据映射成现有菠萝果的实际表面特征，现有菠萝果的实际表面特征包括裂缝长度和疤痕面积，将现有菠萝果内部的超声波数据映射成现有菠萝果的实际内部特征，现有菠萝果的实际内部特征包括果肉密度和果实的空洞体积；
S2.将现有菠萝果的实际表面特征进行无量纲化处理，并进行相关性分析，生成现有菠萝果的外观质量系数，将现有菠萝果的实际内部特征进行无量纲化处理，并进行相关性分析，生成现有菠萝果的内部质量系数；
S3.将现有菠萝果的外观质量系数和预设的外观质量系数阈值比较，判断现有菠萝果表面是否存在损坏，将现有菠萝果的内部质量系数和预设的内部质量系数阈值比较，判断现有菠萝果内部是否存在损坏；
S4.提取历史数据中历史菠萝果的外观质量系数和内部质量系数，以及对应的菠萝果的综合评估指数阈值的区间范围；
S5.将现有菠萝果的外观质量系数和现有菠萝果的内部质量系数进行无量纲化处理，并进行相关性分析，生成现有综合评估指数，并将现有综合评估指数和综合评估指数阈值的区间范围对比，判断现有菠萝果的损坏程度。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够、电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方法来执行，取决于技术方案的特定应用和设计约束条件。
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，既可以位于一个地方，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单元来实现本实施例方案的目的。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (4)
1.一种菠萝果传输同时进行无损检测的装置，其特征在于，包括：
数据采集模块，用于通过超声波成像技术，对通过传输带传送的现有菠萝果进行数据采集，采集的数据包括现有菠萝果的外表和内部的超声波数据，并将现有菠萝果外部的超声波数据映射成现有菠萝果的实际表面特征，现有菠萝果的实际表面特征包括裂缝长度和疤痕面积，将现有菠萝果内部的超声波数据映射成现有菠萝果的实际内部特征，现有菠萝果的实际内部特征包括果肉密度和果实的空洞体积；
数据处理模块，用于将现有菠萝果的实际表面特征进行无量纲化处理，并进行相关性分析，生成现有菠萝果的外观质量系数，将现有菠萝果的实际内部特征进行无量纲化处理，并进行相关性分析，生成现有菠萝果的内部质量系数；
数据分析模块，用于将现有菠萝果的外观质量系数和预设的外观质量系数阈值比较，判断现有菠萝果表面是否存在损坏，将现有菠萝果的内部质量系数和预设的内部质量系数阈值比较，判断现有菠萝果内部是否存在损坏；
提取模块，用于提取历史数据中菠萝果的外观质量系数和内部质量系数，以及对应的菠萝果的综合评估指数阈值的区间范围；
判断模块，用于将现有菠萝果的外观质量系数和现有菠萝果的内部质量系数进行无量纲化处理，并进行相关性分析，生成现有综合评估指数，并将现有综合评估指数和综合评估指数阈值的区间范围对比，判断现有菠萝果的损坏程度；
将现有所述菠萝果外部的超声波数据映射成菠萝果的裂缝长度和疤痕面积的具体步骤如下：
数据采集：使用超声波传感器对菠萝果的外表进行扫描，超声波传感器发射超声波脉冲并测量其反射，获取果皮和果肉的距离信息；
信号处理：接收到的超声波数据需要经过预处理步骤，包括滤波、去噪和补偿，并对信号进行时域和频域分析，以识别不同的反射特征，果皮和果肉的反射特征表现为不同的波形和频谱；
特征提取：从处理后的超声波数据中提取与裂缝长度和疤痕面积相关的特征，包括反射波的振幅、频率和时延，建立与裂缝和疤痕的几何形状和结构相关的特征，包括裂缝的深度和长度，疤痕的大小和形状；
建模：基于提取的特征，建立一个机器学习模型，将特征与实际的裂缝长度和疤痕面积进行关联，采用监督学习方法，使用已知裂缝长度和疤痕面积的样本数据进行模型的训练；
映射和预测：将未知菠萝果的超声波数据输入建立的模型，进行裂缝长度和疤痕面积的预测；
验证和优化：使用一组已知裂缝长度和疤痕面积的测试数据验证模型的准确性；
将现有所述菠萝果内部的超声波数据映射成菠萝果的果肉的密度和果实的空洞体积的具体逻辑为：
数据采集：使用超声波传感器对菠萝果的内部进行扫描，超声波在穿过不同密度和介质的组织时会发生反射，并通过接收反射波来获取内部结构的信息，信息包含了不同位置的超声波回波时间和振幅；
信号处理：将采集到的超声波数据进行信号处理，并提取果实内部结构的信息，获得清晰的超声波图像；
图像重构：通过处理后的超声波数据，使用超声成像算法，对图像进行重构，形成菠萝果内部结构的图像；
密度计算：利用重构的图像，计算果肉的密度，密度通过分析图像中不同区域的超声波反射强度或回波时间来推断；
空洞检测和体积测量：利用图像，进行空洞的检测和体积测量，包括识别图像中的空洞区域，并通过分析空洞区域的形状和大小来估算果实的空洞体积；
将现有所述菠萝果的裂缝长度和疤痕面积/>进行无量纲化处理，并进行相关性分析，生成现有菠萝果的外观质量系数/>，依据的公式如下：
其中，为裂缝长度的比例因子系数，/>为疤痕面积的比例因子系数，/>，且, C1为常数修正系数；
将现有所述菠萝果的果肉密度和果实的空洞体积/>进行无量纲化处理，并进行相关性分析，生成现有菠萝果的内部质量系数/>，依据的公式如下：
其中，为菠萝果的果肉密度的比例因子系数，/>为果实的空洞体积的比例因子系数，，且/>, C2为常数修正系数。
2.根据权利要求1所述的一种菠萝果传输同时进行无损检测的装置，其特征在于，将现有所述菠萝果的外观质量系数和预设的外观质量系数阈值/>比较，判断现有菠萝果表面是否存在损坏的过程如下：
当时，则现有菠萝果的外观质量未达到预期标准，存在损坏；
当时，则现有菠萝果的外观质量达到预期标准，没有损坏；
将现有所述菠萝果的内部质量系数和预设的内部质量系数阈值/>比较，判断现有菠萝果内部是否存在损坏的过程如下：
当时，则现有菠萝果的内部质量未达到预期标准，存在损坏；
当时，则现有菠萝果的内部质量达到预期标准，没有损坏。
3.根据权利要求1所述的一种菠萝果传输同时进行无损检测的装置，其特征在于，将现有所述菠萝果的外观质量系数和现有菠萝果的内部质量系数/>进行无量纲化处理，并进行相关性分析，生成现有综合评估指数/>，依据的公式如下：
其中，为菠萝果的外观质量系数的比例因子系数，/>为菠萝果的内部质量系数的比例因子系数，/>，且/>；
将所述现有综合评估指数和提取的综合评估指数阈值/>的区间范围对比，判断现有菠萝果的损坏程度的过程如下：
当时，则现有菠萝果的损坏程度较轻；
当时，则现有菠萝果的损坏程度较重。
4.一种菠萝果传输同时进行无损检测的方法，其特征在于，所述方法由权利要求1至3任一所述的菠萝果传输同时进行无损检测的装置执行，具体步骤包括：
S1.通过超声波成像技术，对通过传输带传送的现有菠萝果进行数据采集，采集的数据包括现有菠萝果的外表和内部的超声波数据，并将现有菠萝果外部的超声波数据映射成现有菠萝果的实际表面特征，现有菠萝果的实际表面特征包括裂缝长度和疤痕面积，将现有菠萝果内部的超声波数据映射成现有菠萝果的实际内部特征，现有菠萝果的实际内部特征包括果肉密度和果实的空洞体积；
S2.将现有菠萝果的实际表面特征进行无量纲化处理，并进行相关性分析，生成现有菠萝果的外观质量系数，将现有菠萝果的实际内部特征进行无量纲化处理，并进行相关性分析，生成现有菠萝果的内部质量系数；
S3.将现有菠萝果的外观质量系数和预设的外观质量系数阈值比较，判断现有菠萝果表面是否存在损坏，将现有菠萝果的内部质量系数和预设的内部质量系数阈值比较，判断现有菠萝果内部是否存在损坏；
S4.提取历史数据中菠萝果的外观质量系数和内部质量系数，以及对应的菠萝果的综合评估指数阈值的区间范围；
S5.将现有菠萝果的外观质量系数和现有菠萝果的内部质量系数进行无量纲化处理，并进行相关性分析，生成现有综合评估指数，并将现有综合评估指数和综合评估指数阈值的区间范围对比，判断现有菠萝果的损坏程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410207499.7A CN117783287B (zh) | 2024-02-26 | 2024-02-26 | 一种菠萝果传输同时进行无损检测的装置及其检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410207499.7A CN117783287B (zh) | 2024-02-26 | 2024-02-26 | 一种菠萝果传输同时进行无损检测的装置及其检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117783287A CN117783287A (zh) | 2024-03-29 |
| CN117783287B true CN117783287B (zh) | 2024-05-24 |
Family
ID=90379989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410207499.7A Active CN117783287B (zh) | 2024-02-26 | 2024-02-26 | 一种菠萝果传输同时进行无损检测的装置及其检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117783287B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102095797A (zh) * | 2010-10-29 | 2011-06-15 | 华南理工大学 | 一种基于比较法的超声无损检测水果成熟度的方法与*** |
| CN204989006U (zh) * | 2015-06-16 | 2016-01-20 | 江西农业大学 | 一种脐橙糖度快速无损检测装置 |
| CN107064304A (zh) * | 2017-04-10 | 2017-08-18 | 苏春 | 一种水果结构无损检测装置及方法 |
| CN113751345A (zh) * | 2021-09-15 | 2021-12-07 | 广东省农业科学院农业质量标准与监测技术研究所 | 一种菠萝无损检测分级装置和方法 |
| CN114841974A (zh) * | 2022-05-11 | 2022-08-02 | 北京市真我本色科技有限公司 | 一种水果内部结构无损检测方法、***、电子设备及介质 |
| CN115453045A (zh) * | 2022-07-29 | 2022-12-09 | 华南农业大学 | 一种菠萝黑心病无损检测模型及无损检测方法 |
| CN117007681A (zh) * | 2023-09-27 | 2023-11-07 | 苏州有执激光智能科技有限公司 | 超声波探伤方法及*** |
-
2024
- 2024-02-26 CN CN202410207499.7A patent/CN117783287B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102095797A (zh) * | 2010-10-29 | 2011-06-15 | 华南理工大学 | 一种基于比较法的超声无损检测水果成熟度的方法与*** |
| CN204989006U (zh) * | 2015-06-16 | 2016-01-20 | 江西农业大学 | 一种脐橙糖度快速无损检测装置 |
| CN107064304A (zh) * | 2017-04-10 | 2017-08-18 | 苏春 | 一种水果结构无损检测装置及方法 |
| CN113751345A (zh) * | 2021-09-15 | 2021-12-07 | 广东省农业科学院农业质量标准与监测技术研究所 | 一种菠萝无损检测分级装置和方法 |
| CN114841974A (zh) * | 2022-05-11 | 2022-08-02 | 北京市真我本色科技有限公司 | 一种水果内部结构无损检测方法、***、电子设备及介质 |
| CN115453045A (zh) * | 2022-07-29 | 2022-12-09 | 华南农业大学 | 一种菠萝黑心病无损检测模型及无损检测方法 |
| CN117007681A (zh) * | 2023-09-27 | 2023-11-07 | 苏州有执激光智能科技有限公司 | 超声波探伤方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117783287A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113192117B (zh) | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 | |
| Cho et al. | Detection of surface cracks in shell eggs by acoustic impulse method | |
| Qing et al. | Non-destructive analyses of apple quality parameters by means of laser-induced light backscattering imaging | |
| Ali et al. | Rapid and nondestructive techniques for internal and external quality evaluation of watermelons: A review | |
| CN109932333B (zh) | 声学振动和近红外光谱融合的水果坚实度测量***和方法 | |
| CN108663339A (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
| CN108956604A (zh) | 一种基于高光谱图像技术识别中华绒螯蟹品质的方法 | |
| CA2309916C (en) | Ultrasonic system for grading meat | |
| US20210247318A1 (en) | Non-Destructive Detection of Egg Freshness Based on Raman Spectroscopy | |
| CN110161119B (zh) | 风电叶片缺陷识别方法 | |
| Lin et al. | Stiffness measurement of eggshell by acoustic resonance and PLS models | |
| Zhena et al. | Quality evaluation of mango using non-destructive approaches: A | |
| 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 | |
| Parmar et al. | Unified approach in food quality evaluation using machine vision | |
| KR100800597B1 (ko) | 후지 사과의 당도 측정방법 및 당도 판정판 | |
| Sood et al. | Internal crack detection in kidney bean seeds using X-ray imaging technique | |
| Ekramirad et al. | Application of hyperspectral imaging and acoustic emission techniques for apple quality prediction | |
| CN110622651A (zh) | 一种甜玉米质量检测方法 | |
| CN117783287B (zh) | 一种菠萝果传输同时进行无损检测的装置及其检测方法 | |
| CN105954309B (zh) | 一种快速无损检测鲍鱼干制及复水过程水分含量的方法 | |
| CN110231302A (zh) | 一种快速测定奇亚籽粗脂肪含量的方法 | |
| CN110609011A (zh) | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及*** | |
| Phuangsombut et al. | Combination of visible reflectance and acoustic response to improve non‐destructive assessment of maturity and indirect prediction of internal quality of red‐fleshed pomelo | |
| Yildiz et al. | Non-destructive testing (NDT): Development of a custom designed ultrasonic system for fruit quality evaluation | |
| CN108240806A (zh) | 一种高光谱水深反演波段选择的方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |