本发明涉及水果品质无损检测技术领域，尤其涉及一种用于水果无损检测的方法及装置。
背景技术：
对水果进行商品化处理即对水果采收后进行再加工和再处理，是提高水果种植和经营者经济效益不可或缺的手段；其中如何对果品内部品质进行快速无损检测是进行一系列水果商品化处理的重要步骤。
专利号为201510644358.2的文献公开了一种本发明提供了一种基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法，对脐橙糖度建立预测模型，有效提取高光谱信息，提高了建模效率以及检测精度。由于脐橙糖度是衡量脐橙品质的一项重要指标，透射方法既可以使与脐橙糖度相关的内部光谱信息得到有效的获取，而又不会因为光源功率过高造成脐橙内部损伤；利用高光谱图谱峰面积进行脐橙糖度判别，较少光谱变量复杂的建模过程，计算速度快，准确率较高，可以满足对脐橙糖度快速无损检测的要求。具体地说，本方法包括以下步骤：①获取脐橙样品半透射高光谱图谱，采用高光谱仪检测脐橙样品的高光谱图谱，设定采集方式、曝光时间、光源功率、波长范围、分辨率和采集速度；②利用化学方法测定脐橙样品的糖度值，按照国标GB/T8210所述测定方法测定脐橙样品的糖度值；③选取脐橙样品平均高光谱图谱，选取脐橙平均高光谱图谱，根据脐橙高光谱图谱特性，在MATLAB环境下对光谱曲线进行光谱预处理，去除非目标信息、仪器噪音、背景干扰以及去除水峰等无关变量信息之后，简化光谱信息，保留重要信息；④计算高光谱图谱谱峰面积，在MATLAB环境下，对光谱曲线进行拟合，自适应选取光谱区域下波峰值和波谷值，通过积分计算高光谱图谱谱峰面积；⑤建立脐橙样品糖度预测模型，进行品质检测；利用脐橙样品自适应选取光谱区域下左右谱图谱峰面积之比作为模型的输入变量，对未知脐橙样品进行糖度品质检测，对脐橙糖度建立线性回归定量检测模型，利用预测集相关系数和预测集均方根误差来评价检测模型的精度。该发明基于高光谱技术通过半透射方式采集脐橙样品高光谱图谱可以有效获取脐橙内部品质信息，提高水果内部品质的检测水平和检测效率；该建模法建模效率高、准确率高，模型运算速度快，可以快速检测水果的糖度内部品质指标，对水果的内部品质进行评价。
本发明人发现，在水果的筛选技术(选果机)中,使用各种传感器和图像处理技术对大小、重量、糖度等进行了测定和筛选。在这些建立的筛选技术中,如果能够加入水果的成熟程度指标,就可以更加精确地控制水果的最佳安全加工时间或最佳安全食用时间,进一步提高水果加工效率和加工质量。
高光谱成像技术是无损检测水果内部品质一种有效手段，在可溶性固形物、糖、酸、维生素等内部品质含量无损检测方面具有很大的应用潜力。目前，对水果进行检测所用的研究方法更多的是采用全光谱波段或基于全光谱进行变量选择去挑选与水果内部品质指标相关的特征波段，建立水果内部品质的预测模型。
技术实现要素：
本发明的目的在于提供一种水果无损检测的方法及装置，不仅能检测水果的糖度，还能检测水果的成熟度。
本发明的技术方案如下：一种水果无损检测的方法，包括光源，用于对作为评价对象的水果进行光照；和光谱检测部,用于对所述水果的透射光或反射光进行分光检测并将检测结果的光谱数据输出；计算装置，用于接收所述光谱数据并计算，输出计算结果；其特征在于，包括如下步骤：
在所述计算装置中建立基于水果高光谱成像技术的糖度检测模型和成熟度检测模型；获取被检测水果的透射光或反射光的光谱数据，并将所述光谱数据输入所述糖度检测模型和成熟度检测模型进行计算，输出计算结果。
进一步地，所述糖度检测模型的建立方法包括：①获取水果样品半透射高光谱图谱，采用高光谱仪检测水果样品的高光谱图谱，设定采集方式、曝光时间、光源功率、波长范围、分辨率和采集速度；②利用化学方法测定水果样品的糖度值，按照国标GB/T8210所述测定方法测定水果样品的糖度值；③选取水果样品平均高光谱图谱，选取水果平均高光谱图谱，根据水果高光谱图谱特性，在MATLAB环境下对光谱曲线进行光谱预处理，去除非目标信息、仪器噪音、背景干扰以及去除水峰等无关变量信息之后，简化光谱信息，保留重要信息；④计算高光谱图谱谱峰面积，在MATLAB环境下，对光谱曲线进行拟合，自适应选取光谱区域下波峰值和波谷值，通过积分计算高光谱图谱谱峰面积；⑤建立水果样品糖度预测模型，进行品质检测；利用水果样品自适应选取光谱区域下左右谱图谱峰面积之比作为模型的输入变量，对未知水果样品进行糖度品质检测，对水果糖度建立线性回归定量检测模型，利用预测集相关系数和预测集均方根误差来评价检测模型的精度。
进一步地，所述成熟度检测模型的建立方法包括：按照人工评价标准选择多数个不同成熟度的水果样品，根据所述成熟度的不同建立一个成熟度序列，如成熟度1级，成熟度2级，成熟度3级，按照所述成熟度序列，对水果样品进行光照；对所述水果的透射光或反射光进行分光检测并将检测结果的光谱数据输出；分析所述光谱数据，归纳出所述水果随成熟度序列变化而变化最小的吸光度吸收波长I，以及随成熟度序列变化而变化最大的吸光度吸收波长II，从所述光谱数据中提取吸收波长为I的吸光度数据A，从所述光谱数据中提取吸收波长为II的吸光度数据B，计算所述时间序列内每60min的吸光度差值C＝A-B；结合吸光度差值C和时间序列，应用一元校正方法或机器学习算法建立成熟度检测模型。
当被检测水果为桃时，所述吸收波长I为960nm，所述吸收波长II为810nm。
当被检测水果为苹果时，所述吸收波长I为720nm，所述吸收波长II为670nm。
一种水果无损检测的装置，包括光源，用于对作为评价对象的水果进行光照；和光谱检测部,用于对所述水果的透射光或反射光进行分光检测并将检测结果的光谱数据输出；计算装置，用于接收所述光谱数据并计算，输出计算结果；其特征在于，所述计算装置包括糖度检测模型建立模块和成熟度检测模型建立模块，用于获取被检测水果的透射光或反射光的光谱数据，并将所述光谱数据输入所述糖度检测模型和成熟度检测模型进行计算，输出计算结果。
进一步地，所述糖度检测模型的建立方法包括：①获取水果样品半透射高光谱图谱，采用高光谱仪检测水果样品的高光谱图谱，设定采集方式、曝光时间、光源功率、波长范围、分辨率和采集速度；②利用化学方法测定水果样品的糖度值，按照国标GB/T8210所述测定方法测定水果样品的糖度值；③选取水果样品平均高光谱图谱，选取水果平均高光谱图谱，根据水果高光谱图谱特性，在MATLAB环境下对光谱曲线进行光谱预处理，去除非目标信息、仪器噪音、背景干扰以及去除水峰等无关变量信息之后，简化光谱信息，保留重要信息；④计算高光谱图谱谱峰面积，在MATLAB环境下，对光谱曲线进行拟合，自适应选取光谱区域下波峰值和波谷值，通过积分计算高光谱图谱谱峰面积；⑤建立水果样品糖度预测模型，进行品质检测；利用水果样品自适应选取光谱区域下左右谱图谱峰面积之比作为模型的输入变量，对未知水果样品进行糖度品质检测，对水果糖度建立线性回归定量检测模型，利用预测集相关系数和预测集均方根误差来评价检测模型的精度。
8、根据权利要求6或7所述的水果无损检测的装置，其特征在于，所述成熟度检测模型的建立方法包括：按照人工评价标准选择多数个不同成熟度的水果样品，根据所述成熟度的不同建立一个成熟度序列，如成熟度1级，成熟度2级，成熟度3级，按照所述成熟度序列，对水果样品进行光照；对所述水果的透射光或反射光进行分光检测并将检测结果的光谱数据输出；分析所述光谱数据，归纳出所述水果随成熟度序列变化而变化最小的吸光度吸收波长I，以及随成熟度序列变化而变化最大的吸光度吸收波长II，从所述光谱数据中提取吸收波长为I的吸光度数据A，从所述光谱数据中提取吸收波长为II的吸光度数据B，计算所述时间序列内每60min的吸光度差值C＝A-B；结合吸光度差值C和时间序列，应用一元校正方法或机器学习算法建立成熟度检测模型。
当被检测水果为桃时，所述吸收波长I为960nm，所述吸收波长II为810nm。
当被检测水果为苹果时，所述吸收波长I为720nm，所述吸收波长II为670nm。
本发明的有益效果在于：在水果的追熟期间,水溶性果胶提取量随着时间的增加而增加,因此在果胶的水解过程中,可以利用近红外光谱技术，通过读取不同吸收波长的吸光度差值来形成吸光度差值指标，直接反映水果中水溶性果胶的实际含量，从而可以量化水果的成熟度。
而且，本发明不仅能检测水果的糖度，还能检测水果的成熟度。
附图说明
图1是本发明实施例流程示意图。
具体实施方式
以下结合附图与实施例对本发明的技术方案作详细说明。
如图1所示，一种水果无损检测的方法，包括光源，用于对作为评价对象的水果进行光照；和光谱检测部,用于对所述水果的透射光或反射光进行分光检测并将检测结果的光谱数据输出；计算装置，用于接收所述光谱数据并计算，输出计算结果；包括如下步骤：
在所述计算装置中建立基于水果高光谱成像技术的糖度检测模型和成熟度检测模型；获取被检测水果的透射光或反射光的光谱数据，并将所述光谱数据输入所述糖度检测模型和成熟度检测模型；根据所述糖度检测模型和成熟度检测模型计算出被检测水果地糖度和成熟度数据，输出计算结果。
进一步地，所述糖度检测模型的建立方法包括：①获取水果样品半透射高光谱图谱，采用高光谱仪检测水果样品的高光谱图谱，设定采集方式、曝光时间、光源功率、波长范围、分辨率和采集速度；②利用化学方法测定水果样品的糖度值，按照国标GB/T8210所述测定方法测定水果样品的糖度值；③选取水果样品平均高光谱图谱，选取水果平均高光谱图谱，根据水果高光谱图谱特性，在MATLAB环境下对光谱曲线进行光谱预处理，去除非目标信息、仪器噪音、背景干扰以及去除水峰等无关变量信息之后，简化光谱信息，保留重要信息；④计算高光谱图谱谱峰面积，在MATLAB环境下，对光谱曲线进行拟合，自适应选取光谱区域下波峰值和波谷值，通过积分计算高光谱图谱谱峰面积；⑤建立水果样品糖度预测模型，进行品质检测；利用水果样品自适应选取光谱区域下左右谱图谱峰面积之比作为模型的输入变量，对未知水果样品进行糖度品质检测，对水果糖度建立线性回归定量检测模型，利用预测集相关系数和预测集均方根误差来评价检测模型的精度。
进一步地，所述成熟度检测模型的建立方法包括：按照人工评价标准选择多数个不同成熟度的水果样品，根据所述成熟度的不同建立一个成熟度序列，如成熟度1级，成熟度2级，成熟度3级，按照所述成熟度序列，对水果样品进行光照；对所述水果的透射光或反射光进行分光检测并将检测结果的光谱数据输出；分析所述光谱数据，归纳出所述水果随成熟度序列变化而变化最小的吸光度吸收波长I，以及随成熟度序列变化而变化最大的吸光度吸收波长II，从所述光谱数据中提取吸收波长为I的吸光度数据A，从所述光谱数据中提取吸收波长为II的吸光度数据B，计算所述时间序列内每60min的吸光度差值C＝A-B；结合吸光度差值C和时间序列，应用一元校正方法或机器学习算法建立成熟度检测模型。
当被检测水果为桃时，所述吸收波长I为960nm，所述吸收波长II为810nm。
当被检测水果为苹果时，所述吸收波长I为720nm，所述吸收波长II为670nm。
以上的描述仅仅涉及本发明的一些具体实施方式，任何本领域的技术人员基于本发明的精神所做的替换或改进均应为本发明的保护范围所涵盖，本发明的保护范围应以权利要求书为准。