基于FPGA及高光谱的水果品质实时无损检测方法技术

本发明专利技术公开了基于FPGA及高光谱的水果品质实时无损检测方法，其包括有高光谱仪以及用于处理通过高光谱仪拍摄的模块，在模块中构件了水果各项目的检测模型，高光谱仪与模块通过以太网进行数据传输；而检测模型能够将其输入的光谱图进行测试处理，并得出待检项目的结果，使仪器更加贴合实际的生产需求，通过在高光谱检测技术上融入了FPGA的数据加速处理系统以便于水果品质的大批量实时检测，提升了检测效率，检测项目包含了三种及以上的水果品质指标，丰富了检测项目，使得多个项目能够同时进行检测，进一步提升了检测效率。进一步提升了检测效率。进一步提升了检测效率。

【技术实现步骤摘要】
基于FPGA及高光谱的水果品质实时无损检测方法


[0001]本专利技术涉及无损检测
，具体涉及基于FPGA及高光谱的水果品质实时无损检测方法。

技术介绍

[0002]如今的生活方式对于水果的品质要求更加细致，主要通过内部的糖酸度、硬度、含水量内部病变以及外部损伤等方面来对水果进行品质分类。对于这些评价指标目前所采用的主流检测方案包括了常规的物理、化学法以及近年来较流行的近红外高光谱和机器视觉技术，前两种属于破坏性的检测，后两种属于无损检测方法。
[0003]有损的检测方法工作量大、试验周期长，属于抽样检测，难以确保准确性。而采用无损检测方法的设备检测项目较为单一，且一样一检，这使得对于其多个检测项目要求实现困难，效率低下、成本较高。

技术实现思路

[0004]针对现有技术中的缺陷，本专利技术提供一种基于FPGA及高光谱的水果品质实时无损检测方法，以提高检测效率，提升检测品质，能满足多个项目的同时检测。
[0005]为了达到上述目的，本申请提供了基于FPGA及高光谱的水果品质实时无损检测方法，包括一个或多个具有检测模型的模块，水果的光谱图输入到检测模型中，通过检测模型输出各个水果的糖酸度以及损伤程度；
[0006]其中，检测模型的建立步骤如下：
[0007]S1.获取水果的光谱图像；将水果进行不同程度的撞击形成损伤，然后散落的置于检测平台上，高光谱相机垂直于检测平台，自上而下的进行拍摄，捕捉到所有水果的光谱图象
[0008]S2.获取水果样品的指标参数；利用糖酸计测量每个水果的糖度与酸度值，根据测得的糖度与酸度值作为标签值；并根据步骤S1中水果撞击次数来对外部损伤程度进行分级；
[0009]S3.分隔单个样品图像；利用语义分割模型进行图像分割的数据预处理；
[0010]S4.基于卷积神经网络的光谱特征筛选；通过卷积层和采样层来提取对象特征，选择Sigmoid作为卷积层的激活函数，采样层选择均值采样函数，利用梯度下降法来训练找到网络中最小的全局误差；
[0011]S5.利用IPSO和ELM进行分类回归汇聚；初始化IPSO，随机产生粒子的速度和位置，再ELM初始化对特征数据进行训练及验证来得到IPSO的适应度值，然后保存最优值，直到迭代值到达最大退出巡优，计算测试的分类度。
[0012]上述实施例中，把CNN
‑
IPSO
‑
ELM结合算法运用到水果高光谱无损检测领域，并移植到FPGA上通过硬件加速及高速接口提高检测速度，高光谱能扩大检测范围，且通过高光谱检测技术上融入了FPGA的数据加速处理系统以便于水果品质的大批量实时检测，检测项
目包含了三种及以上的水果品质指标，能够一次同时通过模型批量进行检测，相对于现有技术中的无损检测无疑极大提升了其检测效率，提高了检测质量。
[0013]进一步地，为了提升模型的适用性，以及可精细调整，其实施例中所述检测模型通过高层次综合工具HLS移植到所述模块上，由此在设计迭代时可以进行精细调整，每个修订版本即HLS专业术语中的一个新的“解决方案”。还可以对设计的评估做更多的基础性评审，然后对原本的算法做进一步的调整，也就是对用C代码进行的设计和HLS流程的输入做调整。
[0014]进一步地，为了提高数据传输速率，以提升水果光谱的传输效率，其模块采用FPGA开发板，使得光谱仪器具有USB3.0接口和以太网接口，选用以太网通信进行数据传输，可实现10/100/1000Mb/s。
[0015]进一步地，为了更好实现水果的光谱图像获取，选用高光谱仪，并将高光谱仪垂直安装在检测平台的上方，使其自上而下的进行拍摄，捕捉到所有水果的光谱图象。
[0016]进一步地，为了获得较为准确的指标参数，其对于水果糖度与酸度值的确定采用一个水果多次测量，取其平均值的方式作为最终确定的标签值。
[0017]本专利技术的有益效果体现在：提高检测效率扩大检测范围，使仪器更加贴合实际的生产需求，通过在高光谱检测技术上融入了FPGA的数据加速处理系统以便于水果品质的大批量实时检测，提升了检测效率，检测项目包含了三种及以上的水果品质指标，丰富了检测项目，使得多个项目能够同时进行检测，进一步提升了检测效率。
附图说明
[0018]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介。
[0019]图1为本专利技术一实施例提供的检测方法的工作流程框图；
[0020]图2为本专利技术构建基于极限学习机的分类回归模型流程图；
[0021]图3为本专利技术CNN、IPSO和ELM组合网络流程框图；
[0022]图4为本专利技术高层次综合工具HLS设计流程图。
具体实施方式
[0023]下面将结合附图对本专利技术技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，因此只作为示例，而不能以此来限制本专利技术的保护范围。
[0024]需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本专利技术所属领域技术人员所理解的通常意义。
[0025]本专利技术的一实施例为：整个系统关键设备包括有高光谱仪以及用于处理通过高光谱仪拍摄的模块，在模块中构件了水果各项目的检测模型，高光谱仪与模块通过以太网进行数据传输；而检测模型能够将其输入的光谱图进行测试处理，并得出待检项目的结果；如图1所示，其系统流程为：
[0026]S1.使用高光谱相机拍摄水果；使用的是莱森光学的iSpecHyper
‑
VS1000推扫式高光谱仪。将水果进行不同程度的撞击形成损伤，然后散落的置于检测平台上，高光谱相机垂
直于检测平台，自上而下的进行拍摄，捕捉到所有水果的光谱图象(696*700*400)；
[0027]S2.利用糖度计和酸度计对水果各个部位进行定标检测，并把各个水果按照先前的撞击次数进行损伤程度分级，以此来构建水果高光谱数据集和标签值；其中一个水果可测量多次，取其平均值作为该水果的标签值；
[0028]S3.图像分割：利用语义分割模型对图像进行处理，去除背景并把水果个体分离出来。减少了图像噪声对模型训练的干扰；
[0029]S4.利用CNN(卷积神经网络)进行光谱特征筛选；通过CNN的卷积层和采样层来提取对象特征，选择Sigmoid作为卷积层的激活函数，采样层选择均值采样函数，利用梯度下降法来训练找到网络中最小的全局误差；
[0030]S5.利用IPSO(改进粒子群优化算法)和ELM(极限学习机)进行分类回归汇聚；初始化IPSO，随机产生粒子的速度和位置，再ELM初始化对特征数据进行训练及验证来得到IPSO的适应度值，然后保存最优值，直到迭代值到达最大退出巡优，计算测试的分类度，然后检测模型的构建；
[0031]S6.将CNN、IPSO和ELM结合起来，通过HLS(高层次综合工具)工具把算法的C代码转为RTL代码，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于FPGA及高光谱的水果品质实时无损检测方法，其特征在于，包括一个或多个具有检测模型的模块，水果的光谱图输入到检测模型中，通过检测模型输出各个水果的糖酸度以及损伤程度；其中，检测模型的建立步骤如下：S1.获取水果的光谱图像；将水果进行不同程度的撞击形成损伤，然后散落的置于检测平台上，高光谱相机垂直于检测平台，自上而下的进行拍摄，捕捉到所有水果的光谱图象S2.获取水果样品的指标参数；利用糖酸计测量每个水果的糖度与酸度值，根据测得的糖度与酸度值作为标签值；并根据步骤S1中水果撞击次数来对外部损伤程度进行分级；S3.分隔单个样品图像；利用语义分割模型进行图像分割的数据预处理；S4.基于卷积神经网络的光谱特征筛选；通过卷积层和采样层来提取对象特征，选择Sigmoid作为卷积层的激活函数，采样层选择均值采样函数，利用梯度下降法来训练找到网络中最小的全局误差；S5.利用IPS...

【专利技术属性】
技术研发人员：汤斌，张金富，王建旭，雷斯越，徐艺菲，赵明富，钟年丙，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：