技术领域
本发明属于农产品无损检测领域,特别涉及一种不同检测方式互补的苹果霉心病无损检测系统与方法。
背景技术
苹果具有口感酸甜、营养价值高、可预防多种疾病等益处,成为消费者最青睐的水果之一。苹果在生长和储藏过程易受到病虫害、生理失调等侵害,导致苹果内部发生缺陷。霉心病是一种由多种真菌复合浸染所产生的果实内部病害,其中链格孢菌、镰刀菌、单端孢等真菌会分泌70多种具有不同化学结构的次级代谢产物,部分成分有影响生育、引发癌症以及减弱人体免疫等危害。由于苹果霉心病病发于果心,霉心病苹果与健康苹果表面没有明显的差异,传统的检测方法需要将苹果切开后才能判断,存在破坏苹果、检测复杂、浪费资源等问题,因此采用无损检测技术实现苹果霉心病快速无损检测对于保障苹果品质、提升苹果商品价值具有重要意义。
专利公告号CN 110954483 A,专利名称为“一种剔除苹果严重霉心病果实的简易测定”,其特征在于:选取待检测苹果样本,使用色差计分别测定果实胴部两侧,记录变黄b值,两側取平均值,将待测苹果样本果实切半检测有无严重霉心病,确定严重霉心病果实的最低b值,并将最低b值设定色差计报警提醒值,以此对果园内其它苹果进行检测,该专利基于色差仪用于苹果霉心病检测,但只能检测严重霉心病苹果;专利公告号CN 104965973 B,专利名称为“一种苹果霉心病多因子无损检测判别模型及其建立方法”,其特征在于:确定与苹果霉心病检测最相关的12个透射波长值、1个直径值、1个重量值,将数据进行归一化处理后进行主成分分析,选取累计贡献率超过90%的前四个主成分,建立了Fisher判别模型,实现了对苹果霉心病的快速、无损、精准检测,但该专利采用USB2000+商用光谱仪,存在设备价格昂贵、成本高等不足;此外专利公告号CN 104931439 B,专利名称为“苹果霉心病检测仪”,其特征在于:基于窄带光源和影响霉心病吸光度的苹果直径来检测苹果霉心病,该专利只采用了半波宽度为25nm、中心波长为710nm的LED光源作为检测光源,尽管可以有效简化判别模型,并开发便携式检测设备,但获取的光谱信息较少,导致模型判别准确率较低。
综上所述,现有的研究都是基于单一的检测方式获取的光谱信息用于苹果霉心病无损检测,由于不同的检测方式所获取的光谱信息代表着不同维度的信息,如:透射检测方式可以获取更多的苹果内部信息,而漫反射检测方式更多的是苹果表皮及浅层信息,不同的检测方式具有各自检测的优势及实际应用场景,但目前还未发现将不同的检测方式融合实现光谱信息间优势互补用于提高苹果霉心病判别模型性能。
发明内容
本发明目的在于提供一种不同检测方式互补的苹果霉心病无损检测系统与方法,基于微型光谱仪技术,透射与相互作用融合的检测方式用于提高苹果霉心病检测的准确性。
为了实现上述目的,本发明所采用的技术方案是:
一种不同检测方式互补的苹果霉心病无损检测系统与方法,其特征在于:将苹果放入检测暗室的苹果托盘上,关闭检测门时自动触发检测程序,透射检测光源和相互作用检测光源依次打开,光与检测苹果生物组织相互作用后,微型光谱仪依次接收光信号并转化为电信号发送至核心处理模块,根据获取的透射与相互作用光谱数据运行苹果霉心病判别模型,将检测结果发送至显示屏,具体包括以下步骤:
(1)样本选取:富士苹果样本于2020年10月3日从陕西省扶风县某果园获得,挑选大小均匀、表面无缺陷的329个疑似霉心病和健康苹果,获取苹果光谱数据后,用水果刀沿苹果茎轴处切开,根据果核内部是否有病害组织,分为健康苹果和霉心病果,用“1”表示健康苹果,“-1”表示霉心病;
(2)光源预热:检测系统开机系统初始化后,打开透射与相互作用检测光源预热15分钟;
(3)光谱校正:在检测暗室中分别保存透射暗光谱T
(4)光谱数据采集:将苹果样本放置于暗室的苹果检测托盘上,且果柄轴向方向与透射检测光源照射方向垂直,在每个样本赤道面处以120°均匀选择3个位置进行透射及相互作用光谱测量,将3个数据的平均值作为该样本的光谱数据;
(5)光谱预处理:所有光谱数据采用Savitzky-Golay(S-G)平滑预处理,降低光谱数据噪声、提高光谱数据的信噪比和可靠性;
(6)变量选择:采用竞争性自适应加权(CARS)变量选择算法消除近红外光谱数据中大量的无关、冗余以及重叠信息,达到降低模型计算复杂度、提高模型判别性能的目的;
(7)苹果霉心病判别模型:建立了基于透射与相互作用方式检测融合的特征光谱的偏最小二乘线性判别(PLS-DA)模型。
进一步,所述透射和相互作用积分时间分别为:70 ms和6 ms,平均扫描次数为5,平滑度为5,透射检测光谱波长范围为500-850nm,相互作用检测光谱波长范围为400-850nm。
进一步,所述校正后透射率T的计算方法为T=(T
进一步,所述竞争性自适应加权变量选择算法中根据交叉验证建模中均方根误差(RMSECV)最小的变量作为特征波长,蒙特卡洛采样次数为100,采用10折交叉验证;偏最小二乘线性判别(PLS-DA)模型中最佳潜在变量个数是根据10折交叉验证的最低均方根误差确定。
一种不同检测方式互补的苹果霉心病无损检测系统与方法,其特征在于:包括微型光谱仪、检测暗室、检测光源驱动模块、核心控制模块、电源模块、人机交互模块、检测自动触发模块等。
进一步,所述检测系统模块及整个检测过程是在暗室中进行,避免外界环境杂散光影;响透射检测光源位于检测苹果的正上方处,漫反射检测光源内嵌在苹果托盘上,且安装方向与微型光谱安装方向成45°;微型光谱仪在橡胶苹果托盘的正下方,透射检测光源中心与微型光谱仪探测器中心在空间位置上对齐,保证透射检测光源穿过苹果果心,获取到苹果内部病害信息。
进一步,所述微型光谱仪采用日本滨松公司生产的C12880MA型,光谱分辨率:2nm,光谱光谱范围:340nm-850nm,重量:5g,价格:1000元左右,是一种高灵敏度、宽光谱范围、低成本、超紧凑型的可见/近红外微型光谱仪。
进一步,所述检测光源驱动模块包括透射光源驱动电路和相互作用光源驱动电路,保证检测光信号稳定输出;核心控制模块完成霉心病判别模型运行、控制检测光源、光谱数据采集、系统电量监测等任务;电源模块分为为光源驱动模块、微型光谱仪、核心控制模块、人机交互模块等提供电源;人机交互模块用于显示霉心病判别模型计算结果。
本发明的检测原理:
近红外光谱无损检测技术以水果生物组织与光的相互作用(吸收、反射、散射、透射等)为基础,水果的物理结构、化学成分、生理状态等因素都会影响影响光在水果组织中的相互作用规律,霉心病发病于果心,透射光谱穿过整个苹果,因此透射检测方式的光谱携带了更多的苹果的内部病害信息,而研究发现霉心病果果皮颜色与健康苹果有显著性差异,相互作用检测方式的光谱尽管穿透能力较弱,不能获取苹果内部信息,但能获取更多的苹果表皮及浅层信息;将透射与相互作用检测方式的融合可以有效实现不同检测方式之间的优势互补,增强模型性能,提高苹果霉心病判别模型准确率。
与现有技术相比,本发明的优点在于:基于微型光谱仪技术的不同的检测方式的融合不仅实现了单一检测方式间的优势互补、提高了光谱仪利用率、提升了苹果霉心病判别模型准确率,还可以将基于微型光谱仪技术所建立的苹果霉心病判别模型直接用于低成本、便携式检测设备的开发,不需要再进行复杂的模型转移传递工作。
附图说明
图1是检测系统原理示意图。
图2是检测方法流程图。
图3是微型光谱仪采集的透射原始光谱数据。
图4是微型光谱仪采集的相互作用原始光谱数据。
图5是竞争性自适应加权(CARS)算法变量选择图。
图6是霉心病判别模型预测集混淆矩阵图。
具体实施方式
下面结合附图和具体实例对本发明作进一步详细说明:
如图1所示为一种不同检测方式互补的苹果霉心病无损检测系统原理示意图,其特征在于:包括微型光谱仪、检测暗室、检测光源驱动模块、核心控制模块、电源模块、人机交互模块、检测自动触发模块等;检测系统模块及整个检测过程是在暗室中进行,可避免外界环境杂散光影响透射检测光源位于检测苹果的正上方处,漫反射检测光源内嵌在苹果托盘上,且安装方向与微型光谱安装方向成45°;微型光谱仪在橡胶苹果托盘的正下方,透射检测光源中心与微型光谱仪探测器中心在空间位置上对齐,保证透射检测光源穿过苹果果心,获取到苹果内部病害信息;微型光谱仪采用日本滨松公司生产的C12880MA型,光谱分辨率:2nm,光谱光谱范围:340nm-850nm,重量:5g,价格:1000元左右,是一种高灵敏度、宽光谱范围、低成本、超紧凑型的可见/近红外微型光谱仪;光源驱动模块包括透射光源驱动电路和相互作用光源驱动电路,保证检测光信号稳定输出;核心控制模块完成霉心病判别模型运行、控制检测光源、光谱数据采集、系统电量监测等任务;电源模块分为为光源驱动模块、微型光谱仪、核心控制模块、人机交互模块等提供电源;人机交互模块用于显示霉心病判别模型计算结果。
如图2所示为一种不同检测方式互补的苹果霉心病无损检测检测方法流程图,其特征在于:检测系统开机系统初始化后,打开透射与相互作用检测光源预热15分钟,在检测暗室中分别保存透射暗光谱T
选取400 nm-850 nm范围的光谱信息作为相互作用光谱的有效波段,所有苹果的相互作用原始光谱如图3所示,在500 nm和680 nm附近有明显的两个吸收峰,可能是由花青素和叶绿素的吸收所产生的。
选取550 nm-850 nm范围的光谱信息作为透射光谱的有效波段,所有苹果透射原始光谱如图4所示,在650 nm、710 nm、810 nm附近有明显的波峰,在680 nm与760 nm有明显波谷,其中710 nm附近波峰最高,可能是由C-H键和O-H键的拉伸振动引起的。
如图5所示为竞争性自适应加权算法所选择的特征变量,变量分布在相互作用和透射光谱的关键信息处均有分布,相互作用光谱中的特征峰多于透射光谱中;变量的选择是根据交叉验证建模中均方根误差(RMSECV)最小的变量作为特征波长,蒙特卡洛采样次数为100,采用10折交叉验证;以模型的预测精度最佳为目标的CARS变量选择算法,不仅可以保证模型具有较高的判别结果,还可以有效简化模型结构。
基于CARS变量选择算法提取与霉心病相关的特征光谱数据,建立了透射与相互作用检测方式融合的偏最小二乘线性判别(PLS-DA)模型,预测集混淆矩阵结果如图6所示,召回率和准确率分别为96.67%和93.75%,将一个霉心病果误判成健康果,将四个健康果误判为霉心病果。
本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的;本领域的技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,均属于本发明的保护范围之内。
机译: “一种基于测量的矫顽力值的无损检测方法,用于选择不同等级的有色金属,不同等级的有色金属焊接金属和剩余材料(机械性能)”
机译: 一种部分地通过剪刀零件无损切削不同长度的车辆的切削刃的方法
机译: 一种用于区分不同类型的扫描错误的方法,基于计算机的电路仿真和错误检测系统