基于机器学习的苹果霉心病超声无损快速检测设备及方法与流程

1.本发明涉及农业智能设备技术领域，具体为基于机器学习的苹果霉心病超声无损快速检测设备及方法。


背景技术：

2.苹果富含丰富的营养，是我国的生产水果的主要品种之一。优秀果和精品果少，导致果品的检测达不到出口标准，同时对果品售价有影响。而苹果霉心病是影响苹果内在品质的主要病害之一。霉心病被分为霉心型和心腐型，霉心型通常会在果实心室内出现各种霉状物，一般不会蔓延到果肉。但心腐型不同，果实一旦出现病变症状就会逐渐从心室向外扩展腐烂，病变腐烂的区域通常呈现出水渍状、腐烂斑块或失水变空。而且发病时从果实外表无法判断，如有发病将会对果农和消费者的利益造成伤害。
3.目前，苹果霉心病检测方法主要有利用相对介电常数、核磁共振、x射线、近红外无损检测、超声无损检测等方法，其中利用相对介电常数可行度较高，但该方法暂时处于研究阶段，且没有明显的规律，需要进一步的研究与优化；核磁共振技术存在测定条件和分析过程复杂、检测费用高等问题，很难实现快速无损检测；x射线具有超强的穿透力，利用x射线成像能够直观地反应检测样本的结构缺陷和变化，利用机器视觉分析与x射线成像相结合的方法构建多传感器融合的苹果霉心病检测系统，不仅检测耗时短，而且对霉心病苹果的判别率达92％，可以用于苹果霉心病的实时检测，但由于潜在危险系数高等问题，并不能很好解决实际应用；近红外无损检测是业界最常用的苹果霉心病检测方法，其原理是水果内部分子与化学键相结合的各种基团的自身振动具有固定频率，在近红外光照射下水果吸收近红外光谱区特定波长的光线，可以获取该物质的特征光谱，但由于成本高昂，不利于大规模生产；而超声无损检测技术，潜在危险系数低，与x射线一样，具有检测耗时短，判别率高，同时成本低，利于大规模生产，然而现有的设备在进行超声检测的过程中，由于苹果大小不一，从而难以保证超声波完美的穿过苹果的果心，继而造成一定的检测偏差，降低了设备的检测精度。


技术实现要素：

4.本发明的目的在于提供基于机器学习的苹果霉心病超声无损快速检测设备及方法，以解决上述背景技术中提出检测精度低、耗时长以及成本高的问题。
5.为了解决上述技术问题，本发明提供如下技术方案：基于机器学习的苹果霉心病超声无损快速检测设备，包括安装板，所述安装板顶部一侧安装有滑台机构，且安装板顶部一角安装有底板，底板顶部中心固定连接有支撑架，且支撑架顶部安装有显示器，安装板顶部另一角安装有机箱。
6.优选的，所述滑台机构包括v型滑台、螺杆、第一固定块、滑块、连接块、限位孔、第二固定块、限位块、轴承块、主动锥齿轮、导向杆、从动锥齿轮和伺服电机，安装板顶部一侧安装有v型滑台，且安装板底部一侧安装有伺服电机，伺服电机输出端活动贯穿v型滑台底
部中心，且v型滑台内部底面中心安装有轴承块，轴承块套接在伺服电机输出端，且轴承块与伺服电机输出端转动连接，伺服电机输出端顶部套接固定有主动锥齿轮，主动锥齿轮外圆周两侧分别啮合有从动锥齿轮，且两个从动锥齿轮分别套接固定在螺杆一端，螺杆两端分别套接有第一固定块，且第一固定块与螺杆转动连接，第一固定块有四块，且第一固定块对称安装在v型滑台内部顶面两侧。
7.优选的，两个所述螺杆中心一端分别套接有滑块，且滑块分别与螺杆通过滚珠螺母配合连接，两个滑块顶部分别固定连接有连接块，两个连接块活动贯穿限位孔，且限位孔对称开设在v型滑台顶部两侧，两个连接块顶部分别安装有第一隔板和第二隔板，第一隔板一侧中心固定连接有非聚焦探头，第二隔板一侧中心固定连接有超声接收器，且超声接收器通过数据线与主板电性连接，主板安装在机箱内部底面中心，且主板一侧顶部安装有处理器。
8.优选的，所述第一固定块底部安装有第二固定块，且两个第二固定块相对一侧中心分别与导向杆两端固定连接，导向杆中心一端滑动连接有限位块，且限位块顶部与滑块底部中心固定连接。
9.优选的，所述安装板顶部一角设置有人机交互板，且人机交互板通过导线与主板电性连接，安装板底部四角位置分别固定连接有支撑腿，且支撑腿底部安装有自锁万向轮。
10.基于机器学习的苹果霉心病超声无损快速检测的方法，包括步骤一，设备调试；步骤二，数据采集；步骤三，数据降噪；步骤四，机器学习；步骤五，数据显示；
11.其中上述步骤一中，首先按照技术方案将设备组装完成，随即将苹果放置到v型滑台顶部，随后根据苹果的大小来对非聚焦探头和超声接收器的高度进行调整，打开伺服电机，伺服电机输出端开始转动，继而带动主动锥齿轮转动，然后带动从动锥齿轮，随后带动螺杆转动，随即带动滑块沿着螺杆对中滑动，然后带动连接块对中滑动，继而带动第一隔板和第二隔板对中滑动，然后带动非聚焦探头和超声接收器对中滑动，从而保证非聚焦探头中心、苹果中心以及超声接收器中心处于同一条直线上，非聚焦探头采用100khz p20sj；
12.其中上述步骤二中，当步骤一中的设备调试完成后，此时打开非聚焦探头，非聚焦探头产生超声波穿透苹果心后打到超声接收器上，随后接收到的数据通过数据线传递到主板上的处理器内；
13.其中上述步骤三中，利用处理器对步骤二中接收的超声波图像进行降噪，降噪步骤如下：
14.1)对图像进行编码，选取浮点数编码方法，将图像的灰度图转化为包含像素个数个元素的列向量，并将这些列向量分成包含固定元素个数的行向量，并将这些向量组成新的矩阵；
15.2)从向量组成新的矩阵中选择进行杂交或变异的个体，首先计算适应度值，其计算公式为其中v(i)表示适应度值r(i)(k)表示基因值；其次，对个体的适应度值进行排序；最后，根据选择概率选择进行杂交运算的个体，其阈值计算公式为t＝v
′
(k)(k＝n
×
(1-ra))，其中t表示阈值，ra表示选择率；
16.3)使用诱导杂交方法对“劣质基因”进行杂交变换产生新的个体，首先，确定染色体的绝对偏差，计算公式为其次，按照杂交确
定阈值，基因适应度值大于该阈值的为劣质基因，阈值计算公式为s＝u(i)′
(k)，k＝m
×
(1-hra),其中u(i)′
(k)表示u(i)(k)排序后的结果,hra为杂交率，最后将基因适应度值大于阈值s的基因进行杂交，杂交的方法为r(i)(m)＝r(i)(m)，其中r(i)(m)为选择p1的第i个染色体上的第m个基因，r(i)(m)表示p2中第i个染色体上的第m个基因；
17.4)对杂交后的子代进行变异，首先，计算基因的适应度值b，方法同s3；其次，对b进行从小到大排列，得到b
′
，由s3中方法计算阈值；最后进行变异运算，其计算公式为：
[0018][0019]
5)对变异操作结果进行解码，首先将p1(n)转置得到p1(n)’，其次，将此列向量转化为像素个数个元素的列向量，最后，将此列向量分割为图像列数个元素的小段，并将一个小段作为新的行向量，并将这些小段按列组成新的矩阵，这个矩阵便是滤波后的图像；
[0020]
其中上述步骤四中，得到杂交小波变化降噪处理后的苹果超声图像，采用机器学习的方式得到检测模型，机器学习的过程如下：
[0021]
1)对杂交小波变化降噪处理后的苹果超声图像进行预处理，得到子图像，将子图像随机分为训练集、验证集和测试集备用；
[0022]
2)将训练集的数据输入卷积神经网络进行训练，在得到训练好的网络模型；
[0023]
3)将测试集的数据输入训练好的网络模型中，得到初步测试结果；
[0024]
4)基于训练后的模型对样本数据集进行测试和和精度评价，根据评价结果对模型参数进行调试和优化，重复上述步骤，直到模型稳定后生成最终模型参数，模型采用ssim损失函数描述真实值与预测值的差异，并基于此对模型进行调试和优化，具体为：
[0025][0026]
式中，x与y分别表示两张图片，μ
x
、μy表示x、y的平均值，σ
x
、σy表示x、y的标准差，σ
xy
表示x、y的协方差，c1、c2代表常数，避免分母为零造成的系数错误，测试和评价完成后得出测试模型；
[0027]
其中上述步骤五中，当步骤四中的测试模型生成之后，根据超声波图像判断苹果是否具有霉心病，随即结果传输到显示器上显示，从而完成苹果霉心病的判别。
[0028]
优选的，所述步骤二中，处理器为树莓派。
[0029]
优选的，所述步骤四中，训练集、验证集和测试集的比例为6∶2∶2。
[0030]
与现有技术相比，本发明所达到的有益效果是：
[0031]
1.本发明通过滑台机构的设置，实现了非聚焦探头和超声接收器的高度调整，有利于根据苹果的大小来上下调整非聚焦探头和超声接收器的高度，保证了非聚焦探头中心、苹果果心以及超声接收器中心处理同一直线上，有利于提升检测的准确性；
[0032]
2.本发明通过自主设计的设备以及方法，实现了对苹果霉心病的检测，检测时间仅为0.1s左右，大大提高了检测效率，同时对苹果霉性病检测提供了新思路，能够在苹果储藏期及时去除病害，防止霉心病扩散对果农造成严重的经济损失，能够有效提升苹果质量；
[0033]
3.本发明的设备简单，制造成本低，检测方法易于操作，并且采用超声检测，检测成本低，大大降低了整体成本，有利于提高经济效益，适合大范围推广。
附图说明
[0034]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0035]
图1是本发明的整体结构立体图；
[0036]
图2是本发明的整体结构正视图；
[0037]
图3是本发明的整体结构正视剖视图；
[0038]
图4是本发明的图3中a区域放大示意图；
[0039]
图5是本发明的图3中b区域放大示意图；
[0040]
图6是本发明的超声图像降噪流程；
[0041]
图7是本发明的超声图像降噪过程中选择流程图；
[0042]
图8是本发明的超声图像降噪过程中杂交流程图；
[0043]
图9是本发明的超声图像降噪过程中变异流程图；
[0044]
图10是本发明的机器学习过程示意图；
[0045]
图11是本发明的本发明的方法流程图；
[0046]
图中：1、安装板；2、滑台机构；3、第一隔板；4、超声接收器；5、第二隔板；6、机箱；7、显示器；8、支撑架；9、底板；10、人机交互板；11、自锁万向轮；12、支撑腿；13、非聚焦探头；14、数据线；15、主板；16、处理器；201、v型滑台；202、螺杆；203、第一固定块；204、滑块；205、连接块；206、限位孔；207、第二固定块；208、限位块；209、轴承块；210、主动锥齿轮；211、导向杆；212、从动锥齿轮；213、伺服电机。
具体实施方式
[0047]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0048]
请参阅图1-5，本发明提供一种技术方案：基于机器学习的苹果霉心病超声无损快速检测设备，包括安装板1，安装板1顶部一侧安装有滑台机构2，滑台机构2包括v型滑台201、螺杆202、第一固定块203、滑块204、连接块205、限位孔206、第二固定块207、限位块208、轴承块209、主动锥齿轮210、导向杆211、从动锥齿轮212和伺服电机213，安装板1顶部一侧安装有v型滑台201，且安装板1底部一侧安装有伺服电机213，伺服电机213输出端活动贯穿v型滑台201底部中心，且v型滑台201内部底面中心安装有轴承块209，轴承块209套接在伺服电机213输出端，且轴承块209与伺服电机213输出端转动连接，伺服电机213输出端顶部套接固定有主动锥齿轮210，主动锥齿轮210外圆周两侧分别啮合有从动锥齿轮212，且两个从动锥齿轮212分别套接固定在螺杆202一端，螺杆202两端分别套接有第一固定块203，且第一固定块203与螺杆202转动连接，两个螺杆202中心一端分别套接有滑块204，且滑块204分别与螺杆202通过滚珠螺母配合连接，两个滑块204顶部分别固定连接有连接块
205，两个连接块205活动贯穿限位孔206，且限位孔206对称开设在v型滑台201顶部两侧，两个连接块205顶部分别安装有第一隔板3和第二隔板5，第一隔板3一侧中心固定连接有非聚焦探头13，第二隔板5一侧中心固定连接有超声接收器4，且超声接收器4通过数据线14与主板15电性连接，主板15安装在机箱6内部底面中心，且主板15一侧顶部安装有处理器16，第一固定块203有四块，且第一固定块203对称安装在v型滑台201内部顶面两侧，第一固定块203底部安装有第二固定块207，且两个第二固定块207相对一侧中心分别与导向杆211两端固定连接，导向杆211中心一端滑动连接有限位块208，且限位块208顶部与滑块204底部中心固定连接，有利于导向杆211的固定安装，安装板1顶部一角设置有人机交互板10，且人机交互板10通过导线与主板15电性连接，安装板1底部四角位置分别固定连接有支撑腿12，且支撑腿12底部安装有自锁万向轮11，有利于通过自锁万向轮11移动设备，且安装板1顶部一角安装有底板9，底板9顶部中心固定连接有支撑架8，且支撑架8顶部安装有显示器7，安装板1顶部另一角安装有机箱6。
[0049]
请参阅图6-11，本发明提供一种技术方案：基于机器学习的苹果霉心病超声无损快速检测的方法，包括步骤一，设备调试；步骤二，数据采集；步骤三，数据降噪；步骤四，机器学习；步骤五，数据显示；
[0050]
其中上述步骤一中，首先按照技术方案将设备组装完成，随即将苹果放置到v型滑台201顶部，随后根据苹果的大小来对非聚焦探头13和超声接收器4的高度进行调整，打开伺服电机213，伺服电机213输出端开始转动，继而带动主动锥齿轮210转动，然后带动从动锥齿轮212，随后带动螺杆202转动，随即带动滑块204沿着螺杆202对中滑动，然后带动连接块205对中滑动，继而带动第一隔板3和第二隔板5对中滑动，然后带动非聚焦探头13和超声接收器4对中滑动，从而保证非聚焦探头13中心、苹果中心以及超声接收器4中心处于同一条直线上，非聚焦探头13采用100khz p20sj；
[0051]
其中上述步骤二中，当步骤一中的设备调试完成后，此时打开非聚焦探头13，非聚焦探头13产生超声波穿透苹果心后打到超声接收器4上，随后接收到的数据通过数据线14传递到主板15上的处理器16内，且处理器16为树莓派；
[0052]
其中上述步骤三中，利用处理器16对步骤二中接收的超声波图像进行降噪，降噪步骤如下：
[0053]
1)对图像进行编码，选取浮点数编码方法，将图像的灰度图转化为包含像素个数个元素的列向量，并将这些列向量分成包含固定元素个数的行向量，并将这些向量组成新的矩阵；
[0054]
2)从向量组成新的矩阵中选择进行杂交或变异的个体，首先计算适应度值，其计算公式为其中v(i)表示适应度值r(i)(k)表示基因值；其次，对个体的适应度值进行排序；最后，根据选择概率选择进行杂交运算的个体，其阈值计算公式为t＝v
′
(k)(k＝n
×
(1-ra))，其中t表示阈值，ra表示选择率；
[0055]
3)使用诱导杂交方法对“劣质基因”进行杂交变换产生新的个体，首先，确定染色体的绝对偏差，计算公式为其次，按照杂交确定阈值，基因适应度值大于该阈值的为劣质基因，阈值计算公式为s＝u(i)′
(k)，k＝m
×
(1-hra),其中u(i)′
(k)表示u(i)(k)排序后的结果,hra为杂交率，最后将基因适应度值大于阈值
s的基因进行杂交，杂交的方法为r(i)(m)＝r(i)(m)，其中r(i)(m)为选择p1的第i个染色体上的第m个基因，r(i)(m)表示p2中第i个染色体上的第m个基因；
[0056]
4)对杂交后的子代进行变异，首先，计算基因的适应度值b，方法同s3；其次，对b进行从小到大排列，得到b
′
，由s3中方法计算阈值；最后进行变异运算，其计算公式为：
[0057][0058]
5)对变异操作结果进行解码，首先将p1(n)转置得到p1(n)’，其次，将此列向量转化为像素个数个元素的列向量，最后，将此列向量分割为图像列数个元素的小段，并将一个小段作为新的行向量，并将这些小段按列组成新的矩阵，这个矩阵便是滤波后的图像；
[0059]
其中上述步骤四中，得到杂交小波变化降噪处理后的苹果超声图像，采用机器学习的方式得到检测模型，机器学习的过程如下：
[0060]
1)对杂交小波变化降噪处理后的苹果超声图像进行预处理，得到子图像，将子图像随机分为训练集、验证集和测试集备用，且训练集、验证集和测试集的比例为6∶2∶2；
[0061]
2)将训练集的数据输入卷积神经网络进行训练，在得到训练好的网络模型；
[0062]
3)将测试集的数据输入训练好的网络模型中，得到初步测试结果；
[0063]
4)基于训练后的模型对样本数据集进行测试和和精度评价，根据评价结果对模型参数进行调试和优化，重复上述步骤，直到模型稳定后生成最终模型参数，模型采用ssim损失函数描述真实值与预测值的差异，并基于此对模型进行调试和优化，具体为：
[0064][0065]
式中，x与y分别表示两张图片，μ
x
、μy表示x、y的平均值，σ
x
、σy表示x、y的标准差，σ
xy
表示x、y的协方差，c1、c2代表常数，避免分母为零造成的系数错误，测试和评价完成后得出测试模型；
[0066]
其中上述步骤五中，当步骤四中的测试模型生成之后，根据超声波图像判断苹果是否具有霉心病，随即结果传输到显示器7上显示，从而完成苹果霉心病的判别。
[0067]
基于上述，本发明的优点在于，该发明在使用时，通过滑台机构2的设置，实现了非聚焦探头13和超声接收器4高度的调整，便于根据检测的苹果的大小来调整非聚焦探头13和超声接收器4的高度，保证了检测过程中非聚焦探头13、超声接收器4以及苹果在同一直线，有利于准确得到苹果果心的超声波图像，减少了误差，有利于提升设备检测的准确性，同时在检测的过程中，利用超声波探测得到超声波图像，对超声波图像采用基于遗传学的杂交小波降噪方法进行降噪，减少图像的噪声，提升了检测的准确性，并且对降噪之后的图像利用卷积神经网络进行模型构建，得出检测模型，从而监测判别苹果是否有霉心病，检测方法简单可靠，检测成本低。
[0068]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖
非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0069]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。