1.本发明涉及水果检测
技术领域：
：，尤其涉及多水果酸硬度检测方法及装置。
背景技术：
：：2.果实成熟度可以通过果实的一些生理指标来反应，如果实的硬度，可溶性固形物、可滴定酸、表皮色泽等。随果实成熟度增加，硬度下降，可溶性固形物增加、可滴定酸下降、表皮颜色由底色转化为面色。研究发现，可见近红外光谱可用于水果酸度、硬度、糖度、可溶性固形物等生理指标的无损检测。3.但是现有的基于高光谱研究水果酸度、硬度等生理指标通常只针对单一水果进行分析建模，从而得出的模型只适合于单一水果的生理指标检测，无法适用于多种水果混合等复杂背景下水果的生理指标检测。技术实现要素：4.本发明的技术问题是提供一种多水果酸硬度检测方法及装置，能够适用于多水果混合的酸硬度检测。5.为实现上述目的，本发明采取的技术方案为：6.多水果酸硬度检测方法，包括以下步骤：s1获取水果样本的高光谱影像数据；对高光谱影像数据进行图像校正和光谱计算得到水果样本的光谱反射率；其中水果样本涉及若干水果种类，每一水果种类采集相同数量的若干样本；s2基于光谱反射率构建目标指数；其中，目标指数包括至少两种光谱指数；并分别筛选出对应每一光谱指数的预测水果酸度的第一目标组合波段和预测水果硬度的第二目标组合波段；其中，第一组合波段与第二组合波段均以最大决定系数为筛选标准；s3构建对应的第一目标组合波段下每一光谱指数与水果酸度的酸度一元线性关系模型，构建对应的第二目标组合波段下每一光谱指数与水果硬度的硬度一元线性关系模型，判断酸度一元线性关系模型的准确率和硬度一元线性关系模型的准确率，筛选得到多水果酸度检测模型和多水果硬度检测模型；s4基于多水果酸度检测模型和多水果硬度检测模型对目标水果的光谱反射率图进行检测，获得目标水果的酸度数据和硬度数据。7.进一步地，s1包括：对高光谱影像数据进行黑白帧校正得到原始光谱反射率；计算高光谱影像上目标区域的像素的原始光谱反射率均值得到光谱反射率；其中，目标区域的大小为m2个像素点。8.进一步地，获取水果样本的高光谱影像数据，包括：通过线性渐变滤光片式高光谱成像仪获取水果样本的高光谱影像数据。9.进一步地，目标指数包括：归一化指数、比值指数、差值指数、可调节指数、三波段归一化指数和三波段比值指数。10.进一步地，s2包括：根据各种类水果样本的光谱反射率，选取目标波段范围；分别以酸度、硬度为基准，按1:1的比例运用含量梯度法选出酸度建模集、酸度检验集、硬度建模集和硬度检验集；基于酸度建模集中各水果样本的光谱反射率构建归一化指数、比值指数、差值指数、可调节指数、三波段归一化指数和三波段比值指数；基于硬度建模集中各水果样本的光谱反射率构建归一化指数、比值指数、差值指数、可调节指数、三波段归一化指数和三波段比值指数；计算各光谱指数的决定系数，根据决定系数筛选出预测水果酸度的归一化指数第一目标组合波段、比值指数第一目标组合波段、差值指数第一目标组合波段、可调节指数第一目标组合波段、三波段归一化指数第一目标组合波段、三波段比值指数第一目标组合波段、预测水果硬度的归一化指数第二目标组合波段、比值指数第二目标组合波段、差值指数第二目标组合波段、可调节指数第二目标组合波段、三波段归一化指数第二目标组合波段、三波段比值指数第二目标组合波段。11.进一步地，s3包括：基于各光谱指数对应的第一目标组合波段和酸度建模集，分别构建归一化指数、比值指数、差值指数、可调节指数、三波段归一化指数和三波段比值指数与水果酸度的酸度一元线性关系模型；计算各光谱指数的酸度建模集精度指标；根据各光谱指数的酸度一元线性关系模型对酸度检验集进行预测，计算各光谱指数的酸度检验集精度指标；响应于多水果酸硬度检测模型的精度满足精度要求，根据酸度建模集精度指标和酸度检验集精度指标筛选出反映水果酸度的目标光谱指数及对应的酸度一元线性关系模型；基于各光谱指数对应的第二目标组合波段和硬度建模集，分别构建归一化指数、比值指数、差值指数、可调节指数、三波段归一化指数和三波段比值指数与水果硬度的硬度一元线性关系模型；计算各光谱指数的硬度建模集精度指标；根据各光谱指数的硬度一元线性关系模型对硬度检验集进行预测，计算各光谱指数的硬度检验集精度指标；响应于多水果酸硬度检测模型的精度满足精度要求，根据硬度建模集精度指标和硬度检验集精度指标筛选出反映水果硬度的目标光谱指数及对应的硬度一元线性关系模型。12.进一步地，酸度建模集精度指标包括：酸度建模集决定系数；酸度检验集精度指标包括：酸度检验集决定系数、酸度检验集平均绝对误差和酸度检验集平均相对误差；硬度建模集精度指标包括：硬度建模集决定系数；硬度检验集精度指标包括：硬度检验集决定系数、硬度检验集平均绝对误差和硬度检验集平均相对误差。根据酸度建模集精度指标和酸度检验集精度指标筛选出反映水果酸度的目标光谱指数及对应的酸度一元线性关系模型，包括：计算各光谱指数的酸度建模集决定系数与酸度检验集决定系数的和分别减去酸度检验集平均绝对误差、酸度检验集平均相对误差后的评价值，比较各光谱指数的评价值大小，选择评价值最大的光谱指数得到多水果酸度检测模型；计算各光谱指数的硬度建模集决定系数与硬度检验集决定系数的和分别减去硬度检验集平均绝对误差、硬度检验集平均相对误差后的评价值，比较各光谱指数的评价值大小，选择评价值最大的光谱指数得到多水果硬度检测模型。13.一种多水果酸硬度检测装置，包括：数据获取模块，用于获取水果样本的高光谱影像数据；数据处理模块，用于对高光谱影像数据进行图像校正和光谱计算得到水果样本的光谱反射率；指数构建模块，用于基于光谱反射率构建若干光谱指数；模型构建模块，用于筛选各光谱指数对应的第一目标组合波段和第二目标组合波段，构建对应的第一目标组合波段下每一光谱指数与水果酸度的酸度一元线性关系模型，构建对应的第二目标组合波段下每一光谱指数与水果硬度的硬度一元线性关系模型，并判断酸度一元线性关系模型的准确率和硬度一元线性关系模型的准确率，筛选得到多水果酸度检测模型和多水果硬度检测模型；预测模块，基于多水果酸度检测模型和多水果硬度检测模型对目标水果的光谱反射率图进行检测，获得目标水果的酸度数据和硬度数据。14.一种计算机设备，包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述的多水果硬度检测方法。附图说明15.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明及其特征、外形和优点将会变得更加明显。在全部附图中相同的标记指示相同的部分。并未刻意按照比例绘制附图，重点在于示出本发明的主旨。16.图1是本发明提供的多水果酸硬度检测方法的简要流程示意图；17.图2是本发明提供的样品苹果的光谱反射率曲线图；18.图3是本发明提供的样品梨的光谱反射率曲线图；19.图4是本发明提供的样品猕猴桃的光谱反射率曲线图；20.图5是本发明提供的420-1000nm范围内归一化指数ni与水果酸度的拟合关系及预测值与实测值的1:1图；21.图6是本发明提供的420-1000nm范围内比值指数ri与水果酸度的拟合关系及预测值与实测值的1:1图；22.图7是本发明提供的420-1000nm范围内差值指数di与水果酸度的拟合关系及预测值与实测值的1:1图；23.图8是本发明提供的420-1000nm范围内可调节指数ai与水果酸度的拟合关系及预测值与实测值的1:1图；24.图9是本发明提供的420-1000nm范围内三波段归一化指数tbni与水果酸度的拟合关系及预测值与实测值的1:1图；25.图10是本发明提供的420-1000nm范围内三波段比值指数tbri与水果酸度的拟合关系及预测值与实测值的1:1图；26.图11是本发明提供的420-1000nm范围内归一化指数ni与水果硬度的拟合关系及预测值与实测值的1:1图；27.图12是本发明提供的420-1000nm范围内比值指数ri与水果硬度的拟合关系及预测值与实测值的1:1图；28.图13是本发明提供的420-1000nm范围内差值指数di与水果硬度的拟合关系及预测值与实测值的1:1图；29.图14是本发明提供的420-1000nm范围内可调节指数ai与水果硬度的拟合关系及预测值与实测值的1:1图；30.图15是本发明提供的420-1000nm范围内三波段归一化指数tbni与水果硬度的拟合关系及预测值与实测值的1:1图；31.图16是本发明提供的420-1000nm范围内三波段比值指数tbri与水果硬度的拟合关系及预测值与实测值的1:1图。具体实施方式32.下面结合附图和具体的实施例对本发明作进一步的说明，但是不作为本发明的限定。33.酸度可判断水果的成熟程度，是决定水果味感的重要成分；而水果的硬度是判断其成熟状态和贮运品质的一个重要指标，它决定了水果的耐贮性和成熟度；因此检测水果的酸度、硬度具有重要意义。34.水果的酸度、硬度等内部品质常规检测方法主要是通过标准gb5009.86－2016等进行破坏性抽样检测，繁琐费时，且检测后的样品因组织遭到严重破坏，不能进行销售和食用，存在诸多弊端，而酸度、硬度等生理指标的测定方法各不相同，想同时获取这些品质指标参数需要做不同的试验来测量，化学计量学检测只能进行抽样检测，低效耗时，无法进行全部检测，检测完的试验样品在试验过程中已经破坏，无法进行销售，急需一种取代传统抽样检测的全新水果品质检测技术手段。35.因此本发明提供了一种多水果酸硬度检测方法，如图1所示，包括以下步骤：36.首先获取水果样本的高光谱影像数据，本发明具体实施时选择了不同品种的苹果50个，梨子50个，猕猴桃50个共150个水果，这150个水果经洗净、擦干后，利用线性渐变滤光片式高光谱成像仪获得水果样本的高光谱影像数据，相比于凝视型、推扫型两种分光方式，前者采用液晶可调谐或声光可调谐滤光片分光，系统设计简单，应用较广，但是存在光谱分辨率低且不均匀、光谱范围受材料限制、难以实现较宽范围覆盖以及不同谱段存在空间像差、无法对运动目标成像等缺点。后者一般采用光栅或者棱镜分光方式，同时获得样本图谱，光谱分辨率高且采样均匀，但光谱分辨率越高，但系统接收到的能量也随之降低，且光栅或者棱镜分光方式的光谱仪结构比较复杂、系统成本高，这一缺陷限制了其在水果品质检测上的应用。而基于线性渐变滤片的光谱相机利用特殊的镀膜技术，无需分光光谱仪模块，使得在光谱覆盖范围内的数十或数百条光谱波段对目标物体连续成像。在获得物体空间特征成像的同时，也获得了被测物体的光谱信息，且价格便宜，能够满足快速、无损、实时检测的效果。本发明运用的线性渐变滤光片式高光谱成像仪lambda-vn相机参数如下：[0037][0038]接着对高光谱影像数据进行黑白帧校正得到原始光谱反射率，公式如下：其中rref代表原始光谱反射率值，dnraw代表原始数据的dn值，dnwhite为白板的dn值，dndark代表仪器暗背景噪声，rwhite代表白板的反射率。其中，dn是digitalnumber的简称，代表的是影像像元亮度值，记录的地物的灰度值，无单位，是一个整数值，值大小与传感器的辐射分辨率、地物发射率、大气透过率和散射率等有关。r是reflectance的简称，代表物体反射的辐射能量占总辐射能量的百分比，其大小范围总是小于等于1，利用反射率可以判断物体的性质。[0039]然后在水果的高光谱反射影像上选取25×25的像素点为目标区域，以目标区域所有像素的光谱反射率均值得到光谱反射率用于后续酸硬度检测模型的建立与分析。[0040]苹果、梨和猕猴桃的高光谱图像经过黑白帧校正、光谱计算等步骤得到其光谱反射率如图2至图4所示。从图2至图4可知，苹果在420-1000nm范围内的光谱反射率存在较为明显的“峰谷”位置，其中一个“峰”的位置位于500nm附近，另外两个“谷”的位置分别位于560nm和680nm附近。梨在420-1000nm范围内的光谱反射率无明显的“峰谷”位置，但在420-620nm范围内其光谱反射率有强反射陡变特征。猕猴桃在420-1000nm范围内，存在有些猕猴桃在500nm附近有明显“峰”值，有些无明显“峰”值，这是因为表面为绿色的猕猴桃，由于绿色吸收作用较小，从而形成了“绿”峰，因此选取420～1000nm波段范围为目标波段范围。[0041]接着再分别以酸度、硬度为基准，按1:1的比例运用含量梯度法选出酸度建模集、酸度检验集、硬度建模集和硬度检验集，根据决定系数r2、平均绝对误差(meanabsoluteerror,mae)和平均相对误差(meanrelativeerror,mre)等进行精度评价(其中r2越大，mae和mre越小，则模型的准确性越高)，并筛选出最佳检测多种水果酸度、硬度的方法。水果酸度、硬度建模集与检验集数据统计分析如下表所示：[0042][0043]基于酸度建模集中各水果样本的光谱反射率构建归一化指数(normalizedindex,ni)、比值指数(ratioindex,ri)、差值指数(differenceindex,di)、可调节指数(adjustableindex,ai)、三波段归一化指数(threebandsnormalizedindex,tbni)和和三波段比值指数(threebandsratioindex,tbri)；基于硬度建模集中各水果样本的光谱反射率构建归一化指数、比值指数、差值指数、可调节指数、三波段归一化指数和三波段比值指数；各指数的表达公式如下：[0044]ni＝(ri-rj)/(ri+rj)[0045]ri＝ri/rj[0046]di＝ri-rj[0047]ai＝1.5*(ri-rj)/(ri+rj+0.5)[0048]tbni＝(ri-rj-rk)/(ri+rj-rk)[0049]tbri＝ri/(rj+rk)[0050]其中，i、j和k代表任意波长位置，波段范围为420～1000nm，ri、rj和rk分别代表420～1000nm波段范围的光谱反射率。[0051]决定系数r2、平均绝对误差(meanabsoluteerror,mae)和平均相对误差(meanrelativeerror,mre)计算公式如下：[0052][0053][0054][0055]其中，n为样本数，yi为第i个样本的实测值，为第i个样本的预测值，为所有样本实测值的平均值。[0056]接着运用matlab编程筛选出预测其各光谱指数计算酸度、硬度的最佳波段组合，即决定系数最大的波段组合。根据筛选结果可知，归一化指数(ni)预测水果酸度的最佳组合波段为557.89nm和728.44nm；相对指数(ri)预测水果酸度的最佳组合波段为563.99nm和717.09nm；差值指数(di)预测水果酸度的最佳组合波段为563.99nm和773.2nm；可调节指数(ai)预测水果酸度的最佳组合波段为557.89nm和745.34nm；三波段归一化指数(tbni)预测水果酸度的最佳组合波段为563.99nm、793.72nm和811.56nm；三波段比值指数(tbri)预测水果酸度的最佳组合波段为577.89nm、750.95nm和811.56nm。[0057]接着根据筛选出的酸度的最佳波段组局，分别构建归一化指数、比值指数、差值指数、可调节指数、三波段归一化指数和三波段比值指数与水果酸度的酸度一元线性关系模型；根据各光谱指数的酸度一元线性关系模型对酸度检验集进行预测，如图5至图10所示。酸度建模集精度指标包括：酸度建模集决定系数rc12；酸度检验集精度指标包括：酸度检验集决定系数rv12、酸度检验集平均绝对误差mae1和酸度检验集平均相对误差mre1；从图3至图8可知，6种光谱指数与水果酸度的拟合散点均匀分布在拟合曲线两边，建模集精度rc12在0.76以上，检验集精度rv12除差值指数外，其他5种光谱指数的经验集精度rv12均在0.75以上，且预测值与实测值形成的散点图大致分布在1:1线的附近，这说明，这6种光谱方法反演水果酸度的模型是有效的。根据建模集rc12和检验集r2v、mae和mre筛选出最能够反映水果酸度的光谱指数及其表达式。不同光谱指数预测水果酸度的精度评价如下：[0058][0059]计算各光谱指数的酸度建模集决定系数与酸度检验集决定系数的和分别减去酸度检验集平均绝对误差、酸度检验集平均相对误差后的评价值，比较各光谱指数的评价值大小，计算出三波段归一化指数tbri预测水果酸度精度最高，因此，预测水果酸度的表达式为y＝1.7488x+3.6114(y为水果酸度，x为tbri指数)。[0060]对于水果硬度，筛选出的最佳波段组合如下：归一化指数(ni)预测水果硬度的最佳组合波段为750.95nm和795.21nm；相对指数(ri)预测水果硬度的最佳组合波段为756.53nm和784.24nm；差值指数(di)预测水果硬度的最佳组合波段为762.1nm和778.73nm；可调节指数(ai)预测水果硬度的最佳组合波段为756.53nm和784.24nm；三波段归一化指数(tbni)预测水果硬度的最佳组合波段为750.95nm、789.93nm和916.96nm；三波段比值指数(tbri)预测水果硬度的最佳组合波段为406.92nm、728.44nm和854.46nm。[0061]根据筛选的最佳波段组合分别构建ni、ri、di、ai、tbni、tbri这6种光谱指数与水果硬度的一元线性关系模型，根据一元线性关系模型对检验集数据进行预测，如图11-图16所示。硬度建模集精度指标包括：硬度建模集决定系数rc22；硬度检验集精度指标包括：硬度检验集决定系数rv22、硬度检验集平均绝对误差mae2和硬度检验集平均相对误差mre2。从图9-图14可知，6种光谱指数与水果硬度的拟合散点大致均匀分布在拟合曲线两边，建模集精度rc22均在0.90以上，检验集精度rv22均在0.88以上，且预测值与实测值形成的散点图大致分布在1:1线的附近，这说明，这6种光谱方法反演水果硬度的模型是有效的。根据建模集rc22和检验集rv22、mae2和mre2筛选出最能够反映水果硬度的光谱指数及其表达式。不同光谱指数预测水果硬度的精度评价如下：[0062]计算各光谱指数的硬度建模集决定系数与硬度检验集决定系数的和分别减去硬度检验集平均绝对误差、硬度检验集平均相对误差后的评价值，比较各光谱指数的评价值大小，计算出三波段比值指数tbri预测水果硬度精度最高，rc22为0.914，rv22为0.898，mae2为0.63，mre2为0.19，预测水果硬度的表达式为y＝12.628x-5.9445(y为水果硬度，x为tbri指数)。[0063]最后，根据多水果酸度检测模型和多水果硬度检测模型对目标水果的光谱反射率图进行检测，获得目标水果的酸度数据和硬度数据。[0064]综上所述本发明能够对多类型的水果酸硬度进行检测，适用于多水果混合等复杂背景下的水果生理指标检测，具有广泛的应用前景，且基于线性渐变滤光片式高光谱成像技术进行分析，能够实现快速、无损、实时的检测。[0065]本发明还提供一种多水果酸硬度检测装置，包括：数据获取模块，用于获取水果样本的高光谱影像数据；数据处理模块，用于对高光谱影像数据进行图像校正和光谱计算得到水果样本的光谱反射率；指数构建模块，用于基于光谱反射率构建若干光谱指数；模型构建模块，用于筛选各光谱指数对应的第一目标组合波段和第二目标组合波段，构建对应的第一目标组合波段下每一光谱指数与水果酸度的酸度一元线性关系模型，构建对应的第二目标组合波段下每一光谱指数与水果硬度的硬度一元线性关系模型，并判断酸度一元线性关系模型的准确率和硬度一元线性关系模型的准确率，筛选得到多水果酸度检测模型和多水果硬度检测模型；预测模块，基于多水果酸度检测模型和多水果硬度检测模型对目标水果的光谱反射率图进行检测，获得目标水果的酸度数据和硬度数据。[0066]另一方面，本发明还提供一种计算机设备，包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述的多水果硬度检测方法。[0067]以上对本发明的较佳实施例进行了描述；需要理解的是，本发明并不局限于上述特定实施方式，其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施；任何熟悉本领域的技术人员，在不脱离本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例，这并不影响本发明的实质内容；因此，凡是未脱离本发明技术方案的内容，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、等同变化及修饰，均仍属于本发明技术方案保护的范围内。当前第1页12当前第1页12