一种加工番茄品质检测方法、系统、设备及介质技术方案

本发明专利技术公开一种加工番茄品质检测方法、系统、设备及介质，涉及加工番茄品质检测领域，该方法包括：获取待检测加工番茄的高光谱图像；根据所述高光谱图像计算平均光谱反射率；将所述平均光谱反射率输入至加工番茄的不同品质检测模型中，得到检测结果；所述检测结果包括待检测加工番茄的可溶性固形物含量、番茄红素含量、硬度、可滴定酸含量和成熟度；其中，所述不同品质检测模型是利用不同的样本数据对不同的循环神经网络模型进行训练得到的；所述样本数据包括多个加工番茄样品的平均光谱反射率和对应的品质标签。采用本发明专利技术的加工番茄品质检测方法，能够同时对加工法番茄的多个品质进行检测，提高了监测指标的多样性，并且提高了检测效率。了检测效率。了检测效率。

【技术实现步骤摘要】
一种加工番茄品质检测方法、系统、设备及介质


[0001]本专利技术涉及加工番茄品质检测领域，特别是涉及一种加工番茄品质检测方法、系统、设备及介质。

技术介绍

[0002]加工番茄果实的形状多为椭圆形，果皮较厚，耐储运，果实内含有丰富的番茄红素、类胡萝卜素等抗氧化剂，营养价值极高，是制作番茄酱、果脯、番茄红素的主要原料。果实的品质与采收时间有密切关系，采收过早，会降低果实的品质，采收过晚会减少果实的储存时间，造成资源浪费，因此成熟度的检测对保证果实的质量有重要意义。硬度、可溶性固形物、可滴定酸、番茄红素含量不仅是决定加工番茄果实品质的四个重要指标，而且还与果实的成熟度密切相关。选择优良的加工番茄原材料可以提高番茄制品的质量，而传统的品质检测方法检测指标单一，费时费工，并且破坏性强，很难用于果实的批量化检测。
[0003]高光谱成像技术是基于多波段的影像数据技术，可以同时获得被测物体的空间图像信息和光谱信息，可以针对研究对象进行快速无损的分析。深度学习是机器学习的一个领域，旨在学习样本数据的内在规律和表示层次，它可以提取数据的特征并学习数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种加工番茄品质检测方法，其特征在于，包括：获取待检测加工番茄的高光谱图像；根据所述高光谱图像计算平均光谱反射率；将所述平均光谱反射率输入至加工番茄的不同品质检测模型中，得到检测结果；所述不同品质检测模型包括可溶性固形物检测模型、番茄红素检测模型、硬度检测模型、可滴定酸检测模型和成熟度检测模型；所述检测结果包括待检测加工番茄的可溶性固形物含量、番茄红素含量、硬度、可滴定酸含量和成熟度；其中，所述不同品质检测模型是利用不同的样本数据对循环神经网络模型进行训练得到的；所述样本数据包括多个加工番茄样品的平均光谱反射率和对应的品质标签；所述品质标签为可溶性固形物含量标签、番茄红素含量标签、硬度标签、可滴定酸含量标签或者成熟度标签；所述循环神经网络模型包括第一循环神经网络模型、第二循环神经网络模型、第三循环神经网络模型、第四循环神经网络模型和第五循环神经网络模型。2.根据权利要求1所述的加工番茄品质检测方法，其特征在于，所述获取待检测加工番茄的高光谱图像，具体包括：获取待检测加工番茄相对方向的两个高光谱图像。3.根据权利要求1所述的加工番茄品质检测方法，其特征在于，所述根据所述高光谱图像计算平均光谱反射率，具体包括：对所述高光谱图像进行校准，得到校准后的高光谱图像；提取所述校准后的高光谱图像的感兴趣区域，得到感兴趣区域图像；计算所述感兴趣区域图像的平均光谱；根据所述平均光谱确定平均光谱反射率。4.根据权利要求3所述的加工番茄品质检测方法，其特征在于，所述对所述高光谱图像进行校准，得到校准后的高光谱图像，具体包括：利用公式对所述高光谱图像进行校准，得到校准后的高光谱图像；其中，C
r
表示校准后的高光谱图像，C
I
表示高光谱图像，C
b
表示灰度参考图像。5.根据权利要求1所述的加工番茄品质检测方法，其特征在于，所述利用不同的样本数据对循环神经网络模型进行训练，具体包括：利用第一样本数据对第一循环神经网络模型进行训练，得到所述可溶性固形物检测模型；所述第一样本数据包括...

【专利技术属性】
技术研发人员：徐巍，赵明蕊，高攀，仓浩，陈会新，
申请(专利权)人：石河子大学，
类型：发明
国别省市：