一种智慧农业植物保障系统技术方案

本发明专利技术公开一种智慧农业植物保障系统，属于领域，系统包括：获取水果物理属性数据：利用多模态测量工具，获取水果的物理属性数据；获取水果品质性状数据：利用光谱测量方法，获取水果品质性状数据；水果品质评估：根据所述水果物理属性数据和所述水果品质性状数据，采用信息融合方法，综合评定得到水果品质。本发明专利技术的有益效果是：利用了多模态信息融合具有信息量大、容错性好以及与人类认知过程相似的优点，并对数据进行处理，与对应特征进行关联。此方法不仅能够提高水果单一品质指标的检测能力，而且可进行水果多品质指标同时检测，实现水果综合品质的分级分选。水果综合品质的分级分选。水果综合品质的分级分选。

【技术实现步骤摘要】
一种智慧农业植物保障系统


[0001]本专利技术涉及水果品质检测领域，尤其涉及一种智慧农业植物保障系统。

技术介绍

[0002]水果外部品质检测的重要研究内容之一是外部缺陷检测。Costa等建立了一个包含外部缺陷番茄的43843幅图像的数据集，提出了一种用于番茄外部缺陷检测的深层神经网络模型。Luna等也研究了番茄的外观缺陷问题，他们基于深度学习，利用Python中的OpenCV库进行编程，对外部品质有问题的番茄进行了识别。Azizah等采用深度学习CNN模型检测了山竹的表面缺陷，采用CNN结合四次交叉验证的方法解决了二值分类问题。该方法对山竹缺陷表面检测的分类准确率可达97.5％。由已发表的文献可知，水果的外部缺陷检测主要集中在机械损伤和外观缺陷参数两方面。对于水果外观缺陷检测一般RGB图像可以反映，而机械损伤早期水果外观不明显，其检测常利用光谱图像。
[0003]水果的内部品质主要取决于它们的可溶性固形物含量、硬度、糖度、成熟度等营养元素含量，对水果的经济价值影响较大，是人们十分关注的问题。Yu等结合深度学习与Vis/NIR高光谱反射成像技术，预测了库尔勒香梨采后硬度和可溶性固形物(SSC)含量。Bai等建立了多产地苹果中SSC的预测模型，该模型将深度学习、光谱指纹特征、多元回归分析等方法相结合，能够消除不同产地的苹果造成的预测偏差。Zhang等采用近红外高光谱成像技术测定了干燥黑枸杞中的总酚、总黄酮和总花色苷，使用卷积神经网络预测其化学成分。Lashgari等将深度学习技术与声音传感技术相结合，将苹果反馈的声音转换为图像，通过探究果实内部粉状物的含量，预测出了苹果的成熟度与健康程度。
[0004]有时利用单一手段检测水果某一品质指标时，由于信息缺失，准确度不高，国内外学者尝试利用多种传感器提取水果的不同信息，多个传感器之间相互补充对方缺少的信息，提高其准确性。Dull首次提出使用多个信息源决定水果质量。Fildes等提出了融合技术的重要意义。Steinmetz等总结了一套传感器信息融合应用于水果品质分级的方法论。国内外学者将机器视觉、近红外光谱、电子鼻以及高光谱等多种传感技术进行信息融合，用于水果单一品质或综合品质的检测。

技术实现思路

[0005]本专利技术的目的在于克服上述技术不足，提供一种智慧农业植物保障系统，解决现在技术水果品质检测方法单一、无法全面细致对水果品质进行检测与分级的问题。
[0006]为达到上述技术目的，本专利技术的技术方案提供一种智慧农业植物保障系统，该方法基于多模态传感器融合，使得对于水果的品质检测鉴定有了更加明确标准，能够从数据角度科学严谨的对水果进行分级。
[0007]本专利技术提供的一种智慧农业植物保障系统，具体包括以下模块：
[0008]水果物理属性数据获取模块：利用多模态测量方法，获取水果的物理属性数据；
[0009]水果品质性状数据获取模块：利用光谱测量方法，获取水果品质性状数据；
[0010]水果品质评估模块：根据所述水果物理属性数据和所述水果品质性状数据，采用信息融合方法，综合评定得到水果品质。
[0011]进一步地，所述多模态测量方法，包括：尺寸测量、称重测量和图像测量。
[0012]进一步地，所述图像测量，具体指采用基于深度学习CNN模型的水果表面缺陷检测方法，获取水果色泽、水果表面缺陷位置及缺陷程度。
[0013]进一步地，所述水果的物理属性数据，包括：体积、重量、外观缺陷和色泽。
[0014]进一步地，所述光谱测量方法，具体值，采用反射、半透射和全投射3种方式对水果进行检测。
[0015]进一步地，所述水果品质性状数据，包括：糖度、酸度、水分、果肉占比和皮厚程度。
[0016]本专利技术还提供了一种计算机设备，其包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述智慧农业植物保障系统的模块。
[0017]本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述智慧农业植物保障系统的模块。
[0018]与现有技术相比，本专利技术的有益效果包括：利用了多模态信息融合具有信息量大、容错性好以及与人类认知过程相似的优点，并对数据进行处理，与对应特征进行关联。此方法不仅能够提高水果单一品质指标的检测能力，而且可进行水果多品质指标同时检测，实现水果综合品质的分级分选。
附图说明
[0019]图1是本专利技术提供的智慧农业植物保障系统的结构示意图。
具体实施方式
[0020]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0021]本专利技术提供了一种智慧农业植物保障系统。请参考图1，该系统包括以下模块：
[0022]水果物理属性数据获取模块：利用多模态测量方法，获取水果的物理属性数据；
[0023]所述多模态测量方法，包括：尺寸测量、称重测量和图像测量。
[0024]作为一种实施例，对于一些水果常见的物理属性，可直接实用传感器或者相应的测量工具自动进行测量；
[0025]在本专利技术实施例中，所述水果的物理属性数据，包括：体积、重量、外观缺陷和色泽。在一些其它实施例中，也可包括其它物理特征，比如形状等。
[0026]作为一种实施例，本专利技术利用图像测量方法，对水果的外观、色泽等物理特征进行检测。具体的说，本专利技术将彩色摄像机等光学传感器得到的图像数据通过图像数据进行处理，使用深度学习方法将图像中的特征进行提取，把图像数据转变为能够体现水果外观、色泽的数值数据。
[0027]所述图像测量，具体指采用基于深度学习CNN模型的水果表面缺陷检测方法，获取水果色泽、水果表面缺陷位置及缺陷程度。
[0028]作为一种实施例，在本专利技术中利用图像测量方法时，为增强特征识别模型的鲁棒性，使用数据扩增技术让有限的数据集产生更多的数据，增加训练样本的数量，使模型能够更加精准的从图像中提取对应水果的特征信息。通过随机对训练集进行更改来降低模型对某些属性的依赖，提高模型泛化能力。具体方案包括使用传统图像处理方法对数据集图像进行调整，使用GAN方法对抗生成新的数据图像。
[0029]水果品质性状数据获取模块：利用光谱测量方法，获取水果品质性状数据；作为一种实施例，所述水果品质性状数据，包括：糖度、酸度、水分、果肉占比和皮厚程度。作为其它实施例，还可包括其它水果品质形状数据，比如水果的坚硬程度等。
[0030]作为一种实施例，在本专利技术中，为获取水果内部品质信息，需要在不损伤果实的条件下获取水果内部品质信息，采用光谱检测方法实现。光谱技术主要是以反射、半透射和全透射3种方式经过水果并携带水果品质相关信息从而对水果品质进行检测，其中，反射光谱是光照射在水果表面反射回来的光谱信号，主要关注的是水本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智慧农业植物保障系统，其特征在于：包括以下模块：水果物理属性数据获取模块：利用多模态测量方法，获取水果的物理属性数据；水果品质性状数据获取模块：利用光谱测量方法，获取水果品质性状数据；水果品质评估模块：根据所述水果物理属性数据和所述水果品质性状数据，采用信息融合方法，综合评定得到水果品质。2.如权利要求1所述的一种智慧农业植物保障系统，其特征在于：所述多模态测量方法，包括：尺寸测量、称重测量和图像测量。3.如权利要求1所述的一种智慧农业植物保障系统，其特征在于所述多模态测量方法中的图像测量，具体指采用基于深度学习CNN模型的水果表面缺陷检测方法，获取水果色泽、水果表面缺陷位置及缺陷程度。4.如权利要求1所述的一种智慧农业植物保障系统，其特征在于：所述水果的物理属...

【专利技术属性】
技术研发人员：廖伟华，陈振宇，
申请(专利权)人：南京大学深圳研究院，
类型：发明
国别省市：