一种基于机器学习的苹果无损检测方法技术

本发明专利技术公开了一种基于机器学习的苹果无损检测方法，涉及利用图像分析对苹果进行智能化检测分级的方法。所述方法包括：得到苹果多参数的训练模型；设定苹果品质筛选区间；获取待检测苹果的外观图片，去噪后利用训练模型对苹果的外观图片进行识别，筛选出的所需苹果进行内部无损检测，利用训练模型对苹果的内部进行无损判断，无病的苹果进行内部共振声波检测，利用训练模型判断其内部物质含量，完成所有苹果的分类。本发明专利技术快速高效的对大量苹果进行精准检测，提高了检测精准度和效率，优化了检测流程。既能够减少果农的工作量，又可以提高果农的收入。还可以根据消费者要求，提供不同等级的果品，对提升国产果品的地位有一定作用。用。用。

【技术实现步骤摘要】
一种基于机器学习的苹果无损检测方法


[0001]本专利技术涉及利用图像分析对苹果进行智能化检测分级的方法。

技术介绍

[0002]农业的发展与我国的综合国力的发展和国情的稳定性息息相关，振兴农业是现阶段的主要目标之一。我国目前正处在从传统农业向现代农业转变的关键时期。虽然水果资源非常丰富，水果产量已经占据世界的首位，但出口量及品质却较低，目前的水果出口量只占有世界的2％，大部分的水果都是在本国进行销售。以苹果为例，影响其发展的一个重要因素就是对果品分级筛选不准确，果品的检测达不到出口标准，导致果品售价有影响。经常出现将一级产品降级为二级产品，或者将二级产品升级为一级产品造成重大的经济损失和消费者的不满的现象。由于大部分的水果都是在本国进行销售的，因此现阶段的果品检测装置主要使用传统的苹果分级方法，即依靠人工和不成熟的机器识别，根据苹果的大小和外观而进行筛选，出错率高、效率低，受主观感受的影响比较大，无法适应现在苹果生产和销售的需要，使得果品的品质有所下降，因而让市场竞争力难以获得全面保障。这突出表明需要发展更好的自动化的苹果分类技术。
[0003]无损检测技术在不损坏果品的基础上，通过信号采集与控制、对采集信号进行处理分析达到对进行食品的检测、分级的目的。现阶段，果品的无损检测的研究主要是运用光学、电磁、力学、信号处理等原理，集中在核磁共振技术、介电特性技术、振动声学技术、近红外光谱分析技术、机器视觉技术及X射线技术，许多研究者用此方法构建出果品检测的系统。但这些系统都存在无法精准识别、不能大量快速检测，无法实现智能化的问题。随着人工智能技术、机械自动化技术的大力发展，一种机器学习技术逐渐普及，深度学习的算法具有敏锐性强、可利用范围广的优势。将深度学习技术与无损检测技术深度融合从而实现对果品的精准筛选分级成为未来发展的重要趋势。

技术实现思路

[0004]本专利技术要解决的技术问题在于针对现有技术的缺陷，提供一种基于机器学习的苹果无损检测方法。不仅能对苹果的外形好坏进行判断，同时对其内部糖分等含量进行判断从而实现苹果品质的筛选和分级。专利技术装置整体实现智能化，解决现有技术无法精准识别的问题，快速高效准确的对苹果进行分级筛选。所述技术方案如下：
[0005]一种基于机器学习的苹果无损检测方法，所述方法包括：
[0006]S0、收集苹果的外观图片、大小数据以及内部超声无损数据、内部共振声波数据，并对其进行训练得到训练模型；
[0007]S1、设定苹果品质筛选区间；
[0008]S2、传送苹果到外观无损检测区；
[0009]S3、获取待检测苹果的外观图片，去除图片椒盐噪声，并利用训练好的模型对苹果的外观图片进行识别，从识别结果可以确定所需苹果；
[0010]S4、将S3中筛选出的所需苹果传送至内部无损检测区，同时将无关苹果传送至另选区，待重新设置参数进行筛选；
[0011]S5、获取内部无损检测区待检测苹果的内部超声无损数据，利用训练好的模型对苹果的内部进行无损判断，确定其内部无病，若内部有病，传送至专门区域，若无病，进入步骤S6；
[0012]S6、获取待检测苹果的内部共振声波数据，利用训练好的模型对苹果的内部物质含量进行判断，按照其物质含量进行分类，将筛选好的苹果传送至指定区域；
[0013]S7、重新设置品质筛选区间对S4中无关苹果进行另行筛选，重复步骤S2
‑
步骤S7，完成所有苹果的分类。
[0014]优选地，所述步骤S5中的获取内部无损检测区待检测苹果的内部超声无损数据是利用超声穿透法，采用非接触的空气耦合技术的方法获取内部超声无损数据。空气耦合超声检测技术：类似于传统的水浸法，不同之处是探头与被检测对象之间是空气而不是水。可以通过改变探头的倾斜角度来改变入射角，同时可以激励出多种模式的超声波，还更易于形成聚焦的超声波，进行内部超声无损数据的采集。
[0015]较优选地，所述步骤S0为：
[0016]通过苹果的外观图片，使用步骤S1中所述的品质区间进行标注，给予标签，用于训练基于深度学习的卷积神经网络模型(即CNN模型)；
[0017]通过收集内部超声无损数据、内部共振声波数据，使用步骤S1中所述的品质区间进行标注，给予标签，用于训练基于深度学习的卷积神经网络
‑
循环神经网络模型(即CNN
‑
RNN模型)。
[0018]更优选地，所述训练基于深度学习的卷积神经网络模型包括：
[0019](1)对采集到的苹果外观图像进行预处理，得到子图像，按照一定比例随机分为训练集、验证集和测试集；
[0020](2)将训练集的数据输入卷积神经网络进行训练，在得到训练好的网络模型；
[0021](3)将测试集的数据输入训练好的网络模型中，得到初步测试结果；
[0022](4)基于训练后的模型对样本数据集进行测试和和精度评价，根据评价结果对模型参数进行调试和优化，重复步骤(1)
‑
步骤(3)，直到模型稳定后生成最终模型参数；
[0023]模型采用SSIM损失函数描述真实值与预测值的差异，并基于此对模型进行调试和优化，具体为：
[0024][0025]式中，x与y分别表示两张图片，μ
x
、μ
y
表示x、y的平均值，σ
x
、σ
y
表示x、y的标准差，σ
xy
表示x、y的协方差，c1、c2代表常数，避免分母为零造成的系数错误。
[0026]进一步优选地，步骤S3中所述的模型为CNN模型(即卷积神经网络模型)。
[0027]或者更优选地，所述训练基于深度学习的卷积神经网络
‑
循环神经网络模型包括：
[0028](1)对采集到的苹果内部超声无损数据、内部共振声波数据进行预处理，按照一定比例随机分为训练集、验证集和测试集；
[0029](2)将训练集的数据输入卷积神经网络
‑
循环神经网络进行训练，在得到训练好的网络模型；
[0030](3)将测试集的数据输入训练好的网络模型中，得到初步测试结果；
[0031](4)基于训练后的模型对样本数据集行进测试和和精度评价，根据评价结果对模型参数进行调试和优化，重复步骤(1)
‑
步骤(3)，直到模型稳定后生成最终模型参数；
[0032]模型采用循环神经网络取代卷积神经网络全连接层，输出模型为循环神经网络中的LSTM模型。
[0033]进一步优选地，步骤S5和S6中所述的模型为CNN
‑
RNN模型(即卷积神经网络
‑
循环神经网络模型)。
[0034]在另一个优选的实施例中，所述步骤S3中是利用中值滤波法去除图片椒盐噪声。
[0035]其中，优选的所述中值滤波法公式为：cv2.medianBlur(img,ksize)，
[0036]其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的苹果无损检测方法，其特征在于，所述方法包括：S0、收集苹果的外观图片、大小数据以及内部超声无损数据、内部共振声波数据，并对其进行训练得到训练模型；S1、设定苹果品质筛选区间；S2、传送苹果到外观无损检测区；S3、获取待检测苹果的外观图片，去除图片椒盐噪声，并利用训练好的模型对苹果的外观图片进行识别，从识别结果可以确定所需苹果；S4、将S3中筛选出的所需苹果传送至内部无损检测区，同时将无关苹果传送至另选区，待重新设置参数进行筛选；S5、获取内部无损检测区待检测苹果的内部超声无损数据，利用训练好的模型对苹果的内部进行无损判断，确定其内部无病，若内部有病，传送至专门区域，若无病，进入步骤S6；S6、获取待检测苹果的内部共振声波数据，利用训练好的模型对苹果的内部物质含量进行判断，按照其物质含量进行分类，将筛选好的苹果传送至指定区域；S7、重新设置品质筛选区间对S4中无关苹果进行另行筛选，重复步骤S2
‑
步骤S7，完成所有苹果的分类。2.如权利要求1所述的一种基于机器学习机器学习的苹果无损检测方法，其特征在于，所述步骤S5中的获取内部无损检测区待检测苹果的内部超声无损数据是利用超声穿透法，采用非接触的空气耦合技术的方法获取内部超声无损数据。3.如权利要求2所述的一种基于机器学习机器学习的苹果无损检测方法，其特征在于，所述步骤S0为：通过苹果的外观图片，使用步骤S1中所述的品质区间进行标注，给予标签，用于训练基于深度学习的卷积神经网络模型；通过收集内部超声无损数据、内部共振声波数据，使用步骤S1中所述的品质区间进行标注，给予标签，用于训练基于深度学习的卷积神经网络
‑
循环神经网络模型。4.如权利要求3所述的一种基于机器学习的苹果无损检测方法，其特征在于，所述训练基于深度学习的卷积神经网络模型包括：(1)对采集到的苹果外观图像进行预处理，得到子图像，按照一定比例随机分为训练集、验证集和测试集；(2)将训练集的数据输入卷积神经网络进行训练，在得到训练好的网络模型；(3)将测试集的数据输入训练好的网络模型中，得到初步测试结果；(4)基于训练后的模型对样本数据集进行测试和和精度评价，根据评价结果对模型参数进行调试和优化，重复步骤(1)
‑
步骤(3)，直...

【专利技术属性】
技术研发人员：郝红娟，王九鑫，刘宇程，卢定泽，苏耀恒，杨宁，吴鑫，李文龙，王康华，杜雨蓉，杨彤彤，王明墺，张倩，陈琳，张芷叶，黄磊，张亚鑫，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：