一种红枣品质检测、红枣偏振检测模型生成方法及装置制造方法及图纸

本发明专利技术实施例提供一种红枣品质检测、红枣偏振检测模型生成方法及装置，所述方法包括：获得待检测红枣的多角度偏振光谱图像；通过预先生成的红枣偏振检测模型对所述多角度偏振光谱图像进行理化特征识别，获得所述待检测红枣的理化特征，其中，所述红枣偏振检测模型是基于红枣的多角度偏振光谱图像和红枣的理化特征预先生成的；基于所述待检测红枣的理化特征，确定所述待检测红枣的品质。如此，即使在复杂场景下，通过待检测红枣的多角度偏振光谱图像以及红枣偏振检测模型，都能够准确地获得待检测红枣的理化特征，进而通过待检测红枣的理化特征，准确地确定待检测红枣的品质。

A Method and Device for Jujube Quality Detection and Polarization Detection Model Generation

The embodiment of the present invention provides a method and device for jujube quality detection and polarization detection model generation. The method includes: obtaining the multi-angle polarization spectrum image of jujube to be detected; recognizing the physical and chemical characteristics of the multi-angle polarization spectrum image by the pre-generated jujube polarization detection model, obtaining the physical and chemical characteristics of the jujube to be detected, in which the jujube is described. The polarization detection model is pre-generated based on the multi-angle polarization spectrum image of jujube and the physical and chemical characteristics of jujube, and the quality of the jujube to be detected is determined based on the physical and chemical characteristics of the jujube to be detected. Thus, even in complex scenes, the physical and chemical characteristics of jujube to be detected can be accurately obtained through the multi-angle polarization spectrum image and the polarization detection model of jujube to be detected, and then the quality of jujube to be detected can be accurately determined by the physical and chemical characteristics of jujube to be detected.

【技术实现步骤摘要】
一种红枣品质检测、红枣偏振检测模型生成方法及装置
本专利技术实施例涉及农产品品质检测领域，尤其涉及一种红枣品质检测、红枣偏振检测模型生成方法及装置。
技术介绍
现在，对红枣品质进行检测，主要采用的是近红外检测模型。首先，采集红枣样品，并对红枣样品进行预处理(例如：将红枣样品粉碎)；然后，获得红枣样品的近红外光谱图像，并通过红枣样品的近红外光谱图像获得红枣样品的光谱强度信息；最后，将红枣样品的光谱强度信息与近红外检测模型进行匹配，以获得红枣样品的组分信息，进而通过红枣样品的组分信息确定红枣品质。但是，在采用近红外检测模型对红枣品质进行检测时，由于近红外波段对场景亮度变化的灵敏度较低，在诸如场景亮度过高、场景亮度过低等复杂场景下，红枣的近红外光谱图像中红枣和环境背景的光谱差异并不明显，容易出现同物异谱或同谱异物的现象，导致获得的红枣的组分信息并不准确，进而导致红枣品质的检测结果不准确。
技术实现思路
鉴于上述问题，本专利技术实施例的目的是提供一种红枣品质检测、红枣偏振检测模型生成方法及装置，以解决在复杂场景下导致红枣品质的检测结果不准确的问题。为解决上述技术问题，本专利技术实施例提供如下技术方案：第一方面，本专利技术实施例提供一种红枣品质检测方法，所述方法包括：获得待检测红枣的多角度偏振光谱图像；通过预先生成的红枣偏振检测模型对所述多角度偏振光谱图像进行理化特征识别，获得所述待检测红枣的理化特征，其中，所述红枣偏振检测模型是基于红枣的多角度偏振光谱图像和红枣的理化特征预先生成的；基于所述待检测红枣的理化特征，确定所述待检测红枣的品质。第二方面，本专利技术实施例提供一种红枣偏振检测模型生成方法，所述方法包括：获得待训练的红枣样品数据集，其中，所述红枣样品数据集中的每个红枣样品数据包括：红枣样品的多角度偏振光谱图像及其对应的理化特征；使用机器学习算法对所述红枣样品数据集进行机器学习，生成红枣偏振检测模型。第三方面，本专利技术实施例提供一种红枣品质检测装置，所述装置包括：获得模块，被配置为获得待检测红枣的多角度偏振光谱图像；识别模块，被配置为通过预先生成的红枣偏振检测模型对所述多角度偏振光谱图像进行理化特征识别，获得所述待检测红枣的理化特征，其中，所述红枣偏振检测模型是基于红枣的多角度偏振光谱图像和红枣的理化特征预先生成的；确定模块，被配置为基于所述待检测红枣的理化特征，确定所述待检测红枣的品质。第四方面，本专利技术实施例提供一种红枣偏振检测模型生成装置，所述装置包括：获得模块，被配置为获得待训练的红枣样品数据集，其中，所述红枣样品数据集中的每个红枣样品数据包括：红枣样品的多角度偏振光谱图像及其对应的理化特征；生成模块，被配置为使用机器学习算法对所述红枣样品数据集进行机器学习，生成红枣偏振检测模型。第五方面，本专利技术实施例提供一种电子设备，所述电子设备包括：至少一个处理器；以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述红枣品质检测方法和/或红枣偏振检测模型生成方法的步骤。第六方面，本专利技术实施例提供一种计算机可读存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述红枣品质检测方法和/或红枣偏振检测模型生成方法的步骤。本专利技术实施例提供的红枣品质检测、红枣偏振检测模型生成方法及装置，在获得待检测红枣的多角度偏振光谱图像之后，通过预先生成的红枣偏振检测模型对待检测红枣的多角度偏振光谱图像进行理化特征识别，以获得待检测红枣的理化特征，再基于待检测红枣的理化特征，确定待检测红枣的品质。如此，即使在复杂场景下，通过待检测红枣的多角度偏振光谱图像以及红枣偏振检测模型，都能够准确地获得待检测红枣的理化特征，进而通过待检测红枣的理化特征，准确地确定待检测红枣的品质。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1为本专利技术实施例中的红枣偏振检测模型生成方法的流程示意图；图2为本专利技术实施例中的光谱相机与光源的相对位置示意图一；图3为本专利技术实施例中的光谱相机与光源的相对位置示意图二；图4为本专利技术实施例中的光谱相机与光源的相对位置示意图三；图5为本专利技术实施例中的红枣品质检测方法的流程示意图；图6为本专利技术实施例中的红枣品质检测装置的结构示意图；图7为本专利技术实施例中的红枣偏振检测模型生成装置的结构示意图；图8为本专利技术实施例中的电子设备的结构示意图。具体实施方式下面将参照附图更详细地描述本专利技术的示例性实施例。虽然附图中显示了本专利技术的示例性实施例，然而应当理解，可以以各种形式实现本专利技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本专利技术，并且能够将本专利技术的范围完整的传达给本领域的技术人员。本专利技术实施例提供了一种红枣偏振检测模型生成方法，通过机器学习(MachineLearning，ML)算法，对大量的红枣样品的多角度偏振光谱图像及其对应的理化特征进行学习，以获得红枣的多角度偏振光谱图像与理化特征之间的内在关系，进而生成红枣偏振检测模型。这样，在检测红枣的品质时，就可以通过待检测红枣的多角度偏振光谱图像和红枣偏振检测模型获得待检测红枣的理化特征，进而通过待检测红枣的理化特征确定待检测红枣的品质。由于多角度偏振光谱图像中目标和环境背景的光谱差异较为明显，所以，能够准确地从待检测红枣的多角度偏振光谱图像中分割出环境背景，进而获得待检测红枣准确的多角度偏振光谱图像，再通过该多角度偏振光谱图像和红枣偏振检测模型获得待检测红枣准确的理化特征，最后通过该理化特征确定待检测红枣准确的品质。可见，采用待检测红枣的多角度偏振光谱图像以及红枣偏振检测模型，能够提高红枣品质检测的准确性。图1为本专利技术实施例中的红枣偏振检测模型生成方法的流程示意图，参见图1所示，该红枣偏振检测模型生成方法可以包括：S101：获得待训练的红枣样品数据集。在这里，红枣样品数据集可以是多尺度的红枣样品数据集，也可以是同一尺度的红枣样品数据集，在此不做限定。其中，红枣样品数据集中的每个红枣样品数据包括：红枣样品的多角度偏振光谱图像及其对应的理化特征。其一，对于红枣样品的多角度偏振光谱图像，可以是由该红枣样品的多个不同角度的偏振光谱图像叠加而成。例如：将红枣样品的0°、45°、90°和135°的偏振光谱图像叠加，以获得该红枣样品的多角度偏振光谱图像。其二，对于红枣样品的理化特征，可以是红枣样品的物理特征，也可以是红枣样品的化学特征，也可以是红枣样品的物理特征和化学特征，在此不做限定，其中，物理特征可以是指表面物理特征、组织切片结构特征等，表面物理特征具体可以是指表面纹理特征，例如：表面粗糙度、表面光泽度等，化学特征可以是指含水量、糖度、酸度等。在获得红枣样品的理化特征时，可以获得上述多个具体的理化特征中的一个或多个，在此不做限定。接下来，以获得多尺度的红枣样品数据集为例，对获得红枣样品数据集的过程进行说明。其中，多尺度的红枣样品可以包括：红枣切片、单颗红枣、枣树冠层、大面积本文档来自技高网...

【技术保护点】
1.一种红枣品质检测方法，其特征在于，所述方法包括：获得待检测红枣的多角度偏振光谱图像；通过预先生成的红枣偏振检测模型对所述多角度偏振光谱图像进行理化特征识别，获得所述待检测红枣的理化特征，其中，所述红枣偏振检测模型是基于红枣的多角度偏振光谱图像和红枣的理化特征预先生成的；基于所述待检测红枣的理化特征，确定所述待检测红枣的品质。

【技术特征摘要】
1.一种红枣品质检测方法，其特征在于，所述方法包括：获得待检测红枣的多角度偏振光谱图像；通过预先生成的红枣偏振检测模型对所述多角度偏振光谱图像进行理化特征识别，获得所述待检测红枣的理化特征，其中，所述红枣偏振检测模型是基于红枣的多角度偏振光谱图像和红枣的理化特征预先生成的；基于所述待检测红枣的理化特征，确定所述待检测红枣的品质。2.根据权利要求1所述的方法，其特征在于，所述通过预先生成的红枣偏振检测模型对所述多角度偏振光谱图像进行理化特征识别，获得所述待检测红枣的理化特征，包括：从所述多角度偏振光谱图像中提取出偏振特征；将所述偏振特征输入所述红枣偏振检测模型进行理化特征识别，获得所述待检测红枣的理化特征。3.根据权利要求1所述的方法，其特征在于，所述通过预先生成的红枣偏振检测模型对所述多角度偏振光谱图像进行理化特征识别，获得所述待检测红枣的理化特征，包括：基于预先生成的枣叶偏振检测模型，将所述待检测红枣的多角度偏振光谱图像中的枣叶去除，其中，所述枣叶偏振检测模型是基于多尺度的枣叶的多角度偏振光谱图像预先生成的；通过预先生成的红枣偏振检测模型对去除枣叶后的待检测红枣的多角度偏振光谱图像进行理化特征识别，获得所述待检测红枣的理化特征。4.根据权利要求1所述的方法，其特征在于，所述基于所述待检测红枣的理化特征，确定所述待检测红枣的品质，包括：基于所述待检测红枣的理化特征，通过预先建立的理化特征与颜色值的对应关系，确定所述待检测红枣的理化特征所对应的颜色值；根据所述待检测红枣所对应的颜色值，对所述多角度偏振光谱图像进行图像填充颜色；基于图像填充颜色后的多角度偏振光谱图像，确定所述待检测红枣的品质。5.根据权利要求1所述的方法，其特征在于，在所述获得待检测红枣的多角度偏振光谱图像之前，所述方...

【专利技术属性】
技术研发人员：罗华平，郭玲，
申请(专利权)人：塔里木大学，
类型：发明
国别省市：新疆,65