一种基于可见近红外高光谱成像技术的多品种苹果果实硬度检测方法技术

本发明专利技术涉及了一种基于可见近红外高光谱成像技术的多品种苹果果实硬度检测方法，包括以下步骤：(1)选取大小接近、无表面缺陷的红富士、奶油富士和花牛苹果各30个作为实验样本；(2)每个苹果被平均划分成四个纵向区域(A、B、C、D)和三个水平区域(花萼、赤道、花茎)，共计12个区域，使用记号笔划线标记；(3)对每个苹果的四个纵向区域按顺序(A

【技术实现步骤摘要】
一种基于可见近红外高光谱成像技术的多品种苹果果实硬度检测方法


[0001]本专利技术属于光谱分析
，涉及应用可见近红外高光谱成像技术开发一种多品种苹果果实硬度检测方法。

技术介绍

[0002]我国苹果属苹果品种较多，总产量、栽培面积、人均占有量与出口量均居世界第一，在果品的生产、消费和对外贸易中占有举足轻重的地位。硬度是苹果最主要的食用和商品品质之一，对采收、贮藏、运输与加工都有重要的指导意义，因此，苹果硬度的准确评价十分重要。传统的水果硬度检测为手持式硬度计或质构仪戳穿果肉方法，不仅破坏水果组织，而且无法实现大批量全数检测，难以满足现代自动化智能化工业生产的需求。光学检测具有非接触、快速无损、易于自动化的优势，目前已广泛应用于水果果实内部品质如硬度的无损检测研究，取得了较好的结果。但研究主要集中在不同种类果实硬度评价模型的开发和优化，开发的模型和技术精度不理想，通用性欠佳，难以满足实际生产中水果硬度无损检测的要求。其次，现有的研究在采集光谱信号和硬度数据时主要集中在苹果果实赤道区域，没有考虑到果实硬度的异构性和代表性。因此，为实现多品种苹果果实硬度的检测，可见近红外高光谱成像(Vis
‑
NIR HSI)技术用来分析苹果果实不同区域对硬度预测模型精度的影响，然后分别建立单品种和多品种苹果果实硬度预测模型。目前，还没有人尝试用这种方法来构建多品种苹果果实可见近红外高光谱成像硬度预测模型。

技术实现思路

[0003]本专利技术目的是提供一种基于可见近红外高光谱成像技术的多品种苹果果实硬度检测方法，包括以下步骤：
[0004]S1、采集待检测苹果果实的三个水平区域高光谱数据，所述三个水平区域分别为花萼、赤道、花茎；
[0005]S2、提取苹果感兴趣区域内平均光谱并进行预处理；
[0006]S3、使用多品种苹果硬度预测模型进行预测，输出苹果果实硬度。
[0007]具体的，S3中，多品种苹果硬度预测模型通过以下步骤构建：
[0008]S3
‑
1、选取商业成熟、大小相似、无表面缺陷的不同苹果苹果各n个作为实验样本；
[0009]S3
‑
2、将每个苹果高度、赤道周长进行测量，并划分成四个纵向区域和三个水平区域，共计12个区域，使用记号笔划线标记；
[0010]S3
‑
3、对所有苹果样品进行400
‑
1000nm的高光谱数据采集：系统经黑白校正完毕后，对每个苹果的四个纵向区域按编号分别采集光谱数据；
[0011]S3
‑
4、采用穿刺法测定苹果样品的硬度值；
[0012]S3
‑
5、提取苹果感兴趣区域内平均光谱并进行预处理；
[0013]S3
‑
6、将苹果样品划分为训练集和预测集；
[0014]S3
‑
7、构建单品种苹果样品全局硬度预测模型：
[0015]使用偏最小二乘PLS回归或最小二乘支持向量机LS
‑
SVM构建校正模型(优选的，使用最小二乘支持向量机LS
‑
SVM构建校正模型，LSSVM模型关键参数gam/sig2值是采用的自动寻参程序确定的)；合并使用每种苹果的花萼、赤道和花茎的光谱数据构建全局校正模型，用来分别预测花萼、赤道和花茎区域的硬度值；
[0016]S3
‑
8、构建多品种苹果硬度预测模型；将多种苹果样品光谱和硬度数据集按3：1划分，基于S3
‑
7最优部位构建多品种苹果硬度预测模型，最优部位指苹果的花萼、赤道和花茎；根据校正集R
c2
和预测集R
p2
的模型决定系数、预测均方根误差RMSEP、剩余预测偏差值RPD评价模型性能，选取最优性能的模型作为多品种苹果硬度预测模型。
[0017]具体的，高光谱采集通过以下参数设置进行：
[0018]高光谱成像采集光强为45W、样品和相机之间的距离为22cm、曝光时间为3ms，平台移动速度为6.5mm/s。
[0019]具体的，S
‑
4中，所述穿刺法测定苹果样品的硬度值具体是：
[0020]使用直径为6mm、速度2mm/s、穿透深度为8mm的钢探针纹理分析仪测定苹果果实硬度，对每个苹果的12个区域分别测量硬度。
[0021]具体的，提取苹果感兴趣区域内平均光谱并进行预处理具体是：
[0022]高光谱图像校正后，设定一个固定尺寸的矩形框分别提取每副图像12个子区域的光谱数据，对光谱数据集进行一阶导数变换预处理。
[0023]具体的，S3
‑
6中，利用KS算法将苹果样品按3：1划分为训练集和预测集。
[0024]本专利技术的有益之处在于：1)分析了数据采集区域对三种苹果果实硬度检测精度的影响，发现在构建硬度光学检测模型时应考虑苹果果实硬度的异构性，即同时采集花萼、赤道和花茎三个区域的光学信号和硬度数据构建的预测模型精度更高、更稳定；2)使用Vis
‑
NIR HSI技术结合LS
‑
SVM构建了三种苹果果实硬度混合预测模型，解决了单品种苹果果实硬度预测模型的通用性差、精度低的问题，为苹果产业的快速、高效、稳定的质量控制提供技术支持。
附图说明
[0025]图1：三种苹果果实图片
[0026]图2：苹果果实不同区域划分方法
[0027]图3：可见近红外高光谱成像系统
[0028]图4：三种苹果硬度值箱线图和方差分析结果
[0029]图5：三种苹果单个苹果的12个区域的原始光谱图
[0030]图6：LS
‑
SVM模型硬度预测值和真实值散点图
具体实施方式
[0031]一种基于可见近红外高光谱成像技术的多品种苹果果实硬度检测方法，具体实施方式如下：
[0032]1.试验材料与方法
[0033]苹果样品：选取商业成熟的三种苹果(图1)：“红富士”(RF)、“奶油富士”(CF)、“花
牛苹果”(HA)，每种苹果选取大小相似、无表面缺陷的各30个，其中RF和CF产自山东烟台，HA产自甘肃天水。
[0034]区域划分：将每个苹果的高度、赤道周长准确测量，并划分成四个纵向区域(A、B、C、D)和三个水平区域(花萼、赤道、花茎)，共计12个区域，并使用记号笔划线标记(图2)。
[0035]光谱采集：可见近红外光谱成像系统(图3)用来采集每个苹果四个纵向区域的400
–
1000nm光谱数据，共获取360副高光谱图像(3种苹果
×
30个果实
×
4个图像)。采集参数为：光强45W、样品和相机之间的距离约为22cm、曝光时间为3ms，平台移动速度为6.5mm/s。
[0036]光谱校正和提取：高光谱图像经黑白校正后，设定一个固定尺寸(30
×本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可见近红外高光谱成像技术的多品种苹果果实硬度检测方法，其特征在于，包括以下步骤：S1、采集待检测苹果果实的三个水平区域高光谱数据，所述三个水平区域分别为花萼、赤道、花茎；S2、提取苹果感兴趣区域内平均光谱并进行预处理；S3、使用多品种苹果硬度预测模型进行预测，输出苹果果实硬度。2.根据权利要求1所述的方法，其特征在于S3中，多品种苹果硬度预测模型通过以下步骤构建：S3
‑
1、选取商业成熟、大小相似、无表面缺陷的不同苹果苹果各n个作为实验样本；S3
‑
2、将每个苹果高度、赤道周长进行测量，并划分成四个纵向区域和三个水平区域，共计12个区域，使用记号笔划线标记；S3
‑
3、对所有苹果样品进行400
‑
1000nm的高光谱数据采集：系统经黑白校正完毕后，对每个苹果的四个纵向区域按编号分别采集光谱数据；S3
‑
4、采用穿刺法测定苹果样品的硬度值；S3
‑
5、提取苹果感兴趣区域内平均光谱并进行预处理；S3
‑
6、将苹果样品划分为训练集和预测集；S3
‑
7、构建单品种苹果样品全局硬度预测模型：使用偏最小二乘PLS回归或最小二乘支持向量机LS
‑
SVM构建校正模型；合并使用每种苹果的花萼、赤道和花茎的光谱数据构建全局校正模型，用来分别预测花萼、赤道和花茎区域的硬度值；S3
‑
8...

【专利技术属性】
技术研发人员：潘磊庆，王振杰，兰维杰，吴莎莎，袁栋栋，李晏，屠康，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：