用于在线无损检测苹果霉心病设备的分选装置的制作方法

本实用新型属于农业智能设备
技术领域：
，特别涉及用于在线无损检测苹果霉心病设备的分选装置。
背景技术：
：苹果霉心病作为常见的苹果病害，发病后果实从心室开始腐烂，逐渐向外扩展，严重时整个果实发霉腐烂。霉心病发病初期果实外表无明显特征，且病害发病由内及外，在果实采摘和分拣环节中难以对病害进行识别，如何检测霉心病苹果已经成为果品鉴定和深加工过程中的一大难题，如果能够通过无损的方式有效地对霉心病进行识别，将有效提高果品品质，对提高我国苹果产业质量和效益有着重要意义。近年来，随着果品品质和食品安全问题越来越受到关注，相关领域专家对苹果霉心病的机理和检测方法开展深入研究，从生物阻抗特性、机器视觉、光学特性等方面对霉心病检测进行探索，已有研究表明，基于生物阻抗特性的病害检测由于影响阻抗的因素较多，检测难度较大，机器视觉检测分析过程复杂、耗时，并且目前尚无较合适的用于霉心病检测的检测仪器。光谱分析技术在处理不可接触和不许损伤的对象时有着其他技术不可比拟的优势，在果品无损检测上应用较多。近红外分析兼备了可见区光谱分析信号容易获取与红外区光谱分析信息量丰富两方面的优点,在有机物质定性和定量分析中较为有效。基于光特性的病害检测主要采用近红外光谱分析技术，根据物质特征吸收峰来进行病害判别，精度高，效果好，但数据分析和模型建立复杂，多采用专用计算机进行数据分析处理，且光谱仪价格高昂，难以将研究成果设备化在实际果品生产加工中推广应用。技术实现要素：为了克服上述现有技术的缺点，本实用新型的目的在于提供一种用于在线无损检测苹果霉心病设备的分选装置，可在线上无损检测苹果霉心病后，将苹果自动分选，具有成本低，操作简单，自动进行病害判别与分选等特点。为了实现上述目的，本实用新型采用的技术方案是：一种用于在线无损检测苹果霉心病设备的分选装置，包括检测输送机8，检测输送机8的输送带上设置有若干苹果托盘9，在检测输送机8上设置有摄像头1和检测黑箱2，检测黑箱2内设置的光谱检测模块15对经过检测黑箱2的苹果进行光谱检测，在检测输送机8的后级设置有称重台4，完成检测后的苹果进入称重台4称重，称重台4后级设置有斜面分选输送机6，根据检测结果和称重以及大小进行果品分选。所述苹果托盘9中做内陷处理，在输送带上沿输送方向单排设置，所述摄像头1设置在检测黑箱2之前，对经过的苹果进行拍照识别，将结果输送至处理器判断其大小。所述检测黑箱2内设置有十字滑台10，十字滑台10的竖直方向上为两个同轴步进滑台电机，水平方向上为一个反向丝杆电机，同轴步进滑台电机带动反向丝杆电机在竖直方向运动，光谱检测模块15通过支架固定在反向丝杆电机的两端。所述光谱检测模块15包括光源和接收装置，光源采用中心波长为710nm，半波宽度为20nm的LED，工作电压3.4V，光源散射角120°；接收装置采用雪崩二极管作为敏感器件，采用滤波放大电路作为信号处理电路，通过采样模块将透射光强转换为电信号，得到透射强度M，判别模型为：当结果为0，则为健康果，当结果为1，则为霉心病果，其中，为Largrange系数，b*为权值矩阵，x为输入样本，xi为支持向量，xi＝[Mi,Pi,Ri,Gi]T，＝1,2,…，yi＝1，δ是几何间隔，Mi是样品透射强度，Pi是样品果形指数，Ri是样品直径，Gi是样品质量。所述称重台4上设置有前拨片3和后拨片5，苹果在前拨片3的作用下从检测输送机8进入称重台4，在后拨片5的作用下从称重台4进入斜面分选输送机6。所述斜面分选输送机6上设置有若干格档，在斜面的下方沿输送方向依次设置有一号出口12、二号出口13和三号出口14，各个出口处均设置有活动挡板7。所述二号出口13的入口尺径为70mm，所述三号出口14的入口尺径大于70mm。所述摄像头1、称重台4和光谱检测模块15均与处理器连接，所述处理器的控制端连接各个活动挡板7，所述光谱检测模块15的检测结果输入处理器，如果处理器判断其为霉心病果，则打开一号出口12的活动挡板7，使得霉心病果进入一号出口12，所述摄像头1的识别结果输入处理器，如果处理器判断其尺径小于70mm，则打开二号出口13的活动挡板7，使得霉心病果进入二号出口13，如果处理器判断其尺径大于70mm，则打开三号出口14的活动挡板7，使得霉心病果进入三号出口14。与现有技术相比，本实用新型的有益效果是：本实用新型基于近红外检测技术，提出了苹果霉心病在线检测方法，自主设计苹果霉心病分选装置，检测速度仅为1-2s，能够满足线上检测需求，对苹果霉心病线上无损检测检测理论与方法提供了新的思路，在苹果原料入库过程中能有效识别发病苹果，降低生产加工及储藏期发病率，保障质量。自主设计窄带LED光源及检测系统，检测灵敏度高，能够代替现有病害分选线上的光谱仪，有效降低设备成本。本实用新型可用于在线无损检测苹果霉心病设备的分选，在线上无损检测苹果霉心病后，将苹果自动分选。附图说明图1是苹果透射光谱与发病程度的关系示意图。图2是本实用新型分选装置的结构示意图。图3是本实用新型检测黑箱的结构示意图。图4是本实用新型高频驱动模块结构示意图。图5是本实用新型判别模型构建示意图。图6是本实用新型训练结果示意图。具体实施方式下面结合附图和实施例详细说明本实用新型的实施方式。本实用新型的理论依据：近红外波段范围内，特定的原子群均有与之对应的特征吸收峰，且光被吸收的比例满足朗伯-比尔定律。苹果霉心病发病后，苹果内部的物质种类、各物质比例均发生变化，对光谱的吸收、反射、与散射能力造成显著影响，从而导致近红外透射光谱曲线不同。试验搭建苹果霉心病透射光谱数据采集平台，采用1个50w高聚光卤素灯作为光源，光谱仪采用便携式光谱仪OFS1100(OceanOptics公司)，为排除环境光干扰，试验均在暗箱中完成，暗箱内壁采用亚光喷漆，同时采用吸光海绵降低漫反射等光线干扰。试验苹果样本共304个，对每个苹果编号并测量其重量、果柄方向高度、赤道方向直径，利用检测平台对304个苹果样本进行光谱测量并沿果柄处切开，取试验病果中发病程度不同的样品分析其光谱数据如图1，可得健康果在波长710nm附近透过性好，病果在波长710nm附近透过性差，且随着病害程度与透过性成负相关关系，对试验所得苹果光谱数据与霉心病病害做相关性分析得到表1。表1霉心病与透射光谱的关系序号波段相关系数序号波段相关系数1709.36-0.7206711.14-0.7112709.8-0.7197708.47-0.7113708.91-0.7178708.02-0.7104710.69-0.7159706.69-0.7095710.25-0.71310707.58-0.705苹果透射光谱中与霉心病相关性最强的波段为706-710nm附近区域，其中在709nm相关性最大，因此最终选取的与苹果霉心病相关的特征波段为709nm。同时根据朗伯比尔定理，苹果检测方向即赤道方向上果径差异造成了光源距光谱接收器件的距离，即光程的变化，苹果密度的不同影响光线透过能力，也对检测造成较大影响，已有研究表明，用果径和果柄方向上高度的比值以及重量即果型指数能够有效表征密度信息。因此以及上述原理，已知光谱透射吸收强度和果型指数、重量便可以准确判别苹果霉心病病害。如图2所示，本实用新型一种在线无损检测霉心病的苹果分选装置，包括检测输送机8，输送带材质采用PVC皮带，皮带上设置有苹果托盘9，托盘中做内陷处理，托盘底部通过螺栓固定在输送机上，检测输送机8带动苹果托盘9上的苹果进行运动，摄像头1固定在检测上，对经过摄像头拍照范围内的苹果进行拍照识别，检测黑箱2对进入黑箱的苹果进行光谱等病害参数检测，十字滑台10放置在黑箱2内部，通过螺栓固定在黑箱内壁上，其中竖直方向上为同轴电机，带动固定在滑台上的反向丝杆电机在竖直方向运动，光谱检测模块15通过支架固定在反向丝杆上，苹果在检测输送机8上进行各项检测后，在前拨片3的作用下在从检测输送机8上进入称重台4，后拨片5在称重检测完成后将苹果推出称重台4，进入斜面分选输送机6，根据各个苹果检测结果和大小尺寸的不同进行果品分选，霉心病果在通过分选线时，一号出口12上的开关打开，在重力作用下，霉心病果滚出分选线进入一号出口，健康果根据直径不同划分为小于70mm和大于70mm，果径小于70mm的进入二号出口13，大于70mm的进入三号出口14。本实用新型中，摄像头1采用香港九鼎公司的PCCAMERA，通过USB传输的方式将采样图像信息上传至处理器，采用OPENCV数据库技术建立基于C+++语言的分析程序，通过程序分析得到待测苹果的高度H和赤道方向果径R，从而得到果形指数P＝H/R。称重台4是秤台11的一部分，秤台11核心采用朝阳仪器公司的分体式 电子天平，测量量程1kg，测量精度0.01，数据可通过串口上传至处理器进行数据保存和处理，秤盘两侧分别设置前拨片3和后拨片5，拨片由雷塞公司的42型步进电机、雷塞驱动模块DM320C和拨片本体组成，由前拨片3拨到称重台4上，对其进行重量测量，得到苹果重量G，重量测量完成后再由后拨片5把苹果拨到倾斜传送带6上。倾斜传送带6的传送带倾斜角度10°，倾斜面下端设置活动挡板7以及一号出口12、二号出口13、三号出口14，上位机根据苹果特征进行病害判别与分类，根据其不同特征让其落入不同的出口中，当苹果进过其匹配出口时，出口处的活动挡板7升起，苹果滚入该出口。如图3所示，检测黑箱2为遮光检测暗室，内部设置有十字滑台10，设置两个竖直方向上的步进滑台电机和一个水平方向上的反向丝杆电机，反向丝杆电机两端带有光透射检测模块15。光透射检测模块15由光源和接收装置组成，光源采用中心波长为710nm，半波宽度为20nm的LED，工作电压3.4V，光源散射角120°，基于NSI45030AZT1恒流二极管搭建LED高频驱动电路，其电路如图4。接收装置采用雪崩二极管作为敏感器件，采用滤波放大电路作为信号处理电路，通过采样模块将透射光强转换为电信号，得到透射强度M。判别函数：其中，为Largrange系数，b*为权值矩阵，x为输入样本，xi为支持向量，xi＝[Mi,Pi,Ri,Gi]T，i＝1,2,…，yi＝1，δ是几何间隔，Mi是样品透射强度，Pi是样品果形指数，Ri是样品直径，Gi是样品质量。判别方法：设样本苹果为{(Xi,Yi),i＝1,2,…,l},Xi为苹果编号，Yi为苹果健康情况，Yi＝0为健康果，Yi＝1为霉心病果。存在分类超平面wxi+b＝0(1)可以将苹果根据病害正确分为两类。其中w、b为一维参数向量，定义样本点Xi到式(1)所指的分类超平面的间隔εi为εi＝yi(wxi+b)＝|wxi+b|(2)将(2)中的w和b进行归一化，并将归一化后的间隔定义为几何间隔δi=wxi+b||w||---(3)]]>分类性能最优即使样本集与分类超平面的几何间隔δi最大，即问题转化为min||w||22s.t.yi(wxi+b)≥1,i=1,2,...l---(4)]]>由于计算复杂，一般不进行直接求解，依据Largrange对偶理论将式(4)转化为对偶问题，maxQ(α)=Σi=1lαi-Σi=1lΣj=1lαiαj(xixj)s.t.Σi=1lαiyi=0,αi≥0---(5)]]>在解决对偶问题时，需要计算样本点向量的点积，采用满足Mercer条件的核函数K(xi,xj)来代替点积运算能简化计算，提高处理速度,则式5转化为：maxQ(α)=Σi=1lαi-12Σi=1lΣj=1lαiαj(xi,xj)s.t.{Σi=1lαiyi=00≤αi≤C,α≥0---(6)]]>由式6可解的最优解为：α*=[α1*,α2*,...αl*]T]]>w*=Σi=1lαi*yiΦ(xi)]]>从而最终的判别函数：在C++语言环境中基于MFC技术设计判别程序，通过调用Matlab软件接口将检测环节测得的各项数据输入SVM算法程序中进行判别。支持向量机(SupportVectorMachine)是一种依据统计学习理论提出的一种新的学习方法，它根据结构风险最小化准则，以最大化分类间隔构造最 优超平面，SVM解决非线性分类问题时，通过引入核函数实现低cheg维空间到高维空间转化，运算量小且和样本的维数是无关的，同时其模型参数包括惩罚参数C、径向基核函数参数g、阶数p，中止训练误差ε等，其中惩罚因子C是一个由用户去指定的系数，表示在模型训练时对判断失误的点加入多少的惩罚，当C在合理范围内提高的时候，分错的点会显著减少，在样本数据不均衡或需要人为调整时，可以通过对模型参数C的寻优，有效提高预测精度。径向基核函数参数g是将非线性可分样本转换到线性可分的特征空间，不同的核函数选择会使SVM模型产生的分类超平面不同，产生较大的差异性，对SVM模型的性能有直接的影响。本实用新型中苹果霉心病分类问题属于非线性分类，由于霉心病果发病过程由内到外，从外观上难以与正常果实区分，导致样本中健康果与病果比例严重失调，前期特征波段提取试验中，304个样品中健康果250个，病果仅54个，好果坏果比例达到5:1，样品比例严重失衡，对建模方法的选择提出了很高要求。针对实际情况，本项目选用SVM算法进行模型构建，设置惩罚因子C，消除样本数失衡对判别模型的影响。通过大量参数寻优，最终设定判别模型中好果惩罚因子为1，坏果惩罚因子1.53，能够降低坏果样本数少对模型构建的影响，模型构建流程图如图5所示。依据前期特征提取试验数据，采用支持向量机进行训练，最后得到霉心病判别模型，训练集判别准确率100％，训练集判别准确率92.3％，训练结果如图所6示，仅判错1个样品，训练误差较小，判别性能好，可以作为霉心病分选线判别模型。当前第1页1 2 3