一种苹果损伤检测方法

1.本发明涉及水果损伤检测技术领域，尤其涉及一种苹果损伤检测方法。


背景技术：

2.苹果是家喻户晓的水果，作为世界四大水果之冠，苹果富含有机酸、果胶、维生素和矿物质、膳食纤维、多酚和黄酮类化合物，营养价值很高，可以帮助调节酸碱平衡，对人体健康有很大的帮助。苹果在运输过程中，由于包装或运输方式不当，很容易受到机械性损伤，从而加速营养成分的流失，加速苹果腐败，最终导致营养价值及商品价值下降。
3.传统的苹果损伤检测，主要以人工目测或常规机器分类技术以及化学测试为主，受表皮、时间、设备等很多因素影响，一是检测过程复杂，费时费力，二是检测精度不高。


技术实现要素：

4.本发明为了解决上述技术问题，提供了一种苹果损伤检测方法，其能够无损、准确的检测出苹果表面的待测区域是否有损伤。
5.为了解决上述问题，本发明采用以下技术方案予以实现：
6.本发明的一种苹果损伤检测方法，包括以下步骤：
7.s1：将待测苹果放入遮光罩内，遮光罩内的激光器发射波长为650nm的激光到待测苹果表面的待测区域，激光照射到待测区域后产生的波长为650nm的漫反射光被遮光罩内的光谱仪的感光纤维探头采集到；
8.s2：控制器控制激光器发出波长为650nm的激光从初始光谱强度开始递增n次，每次递增的强度都为1000counts，初始光谱强度的激光以及每次强度递增后的激光照射到待测苹果表面的待测区域后产生的波长为650nm的漫反射光都被光谱仪的感光纤维探头采集到，感光纤维探头依次采集到n 1个漫反射光的光谱强度，并将其发送到控制器；
9.s3：控制器将n 1个漫反射光的光谱强度作为一组检测数据输入到苹果损伤判别模型中，苹果损伤判别模型输出待测苹果表面的待测区域是否有损伤的结果。
10.在本方案中，检测前，用蒸馏水清洗待测苹果表皮并用擦拭纸吸干残余水分，重复两次，确保待测苹果表面的灰尘、石蜡等物质被彻底清洗，减少对实验的干扰。清洗完毕后，在待测苹果表面的待测区域上选取一个位置作为激光入射点，调整激光器位置，使激光从激光入射点射入待测苹果，在待测区域上选取一个与激光入射点的距离为 1cm的点作为采样点，将感光纤维探头移至采样点，保证感光纤维探头不与待测苹果表皮接触。位置调整完毕后，罩上遮光罩以创造黑暗环境，防止外来光源对实验环境造成干扰。
11.激光器发射波长为650nm、初始光谱强度为8000counts的激光到待测苹果表面的待测区域，初始光谱强度的激光照射到待测苹果表面的待测区域后产生的波长为650nm的漫反射光都被光谱仪的感光纤维探头采集到，之后激光器发射的激光以1000counts强度递增步长，每次激光器发射的激光增大1000counts，光谱仪的感光纤维探头采集一次当前的漫反射光，激光从初始光谱强度开始递增n次，所以感光纤维探头依次采集到n 1个漫反射
光的光谱强度，并将其发送到控制器。这n 1个漫反射光的光谱强度作为一组检测数据输入到苹果损伤判别模型中，苹果损伤判别模型输出待测苹果表面的待测区域是否有损伤的结果。
12.作为优选，所述苹果损伤判别模型通过如下方法得到：
13.n1：将表面没有损伤的苹果放入遮光罩内，遮光罩内的激光器发射波长为650nm的激光到苹果表面的待测区域，激光照射到待测区域后产生的波长为650nm的漫反射光被遮光罩内的光谱仪的感光纤维探头采集到；
14.n2：控制器控制激光器发出波长为650nm的激光从初始光谱强度开始递增n次，每次递增的强度都为1000counts，初始光谱强度的激光以及每次强度递增后的激光照射到苹果表面的待测区域后产生的波长为650nm的漫反射光都被光谱仪的感光纤维探头采集到，感光纤维探头依次采集到n 1个漫反射光的光谱强度，将这n 1个漫反射光的光谱强度作为一组检测数据发送到控制器；
15.重复执行本步骤m次，控制器共获得无损待测区域的m组检测数据；
16.n3：取出该苹果，用研钵棒按压该苹果表面的待测区域，在保证苹果表皮没有破损的情况下，使得待测区域的果肉受到深度为 1mm的损伤；
17.n4：将该苹果重新放入遮光罩内，遮光罩内的激光器发射波长为650nm的激光到苹果表面的待测区域，激光照射到待测区域后产生的波长为650nm的漫反射光被遮光罩内的光谱仪的感光纤维探头采集到；
18.n5：控制器控制激光器发出波长为650nm的激光从初始光谱强度开始递增n次，每次递增的强度都为1000counts，初始光谱强度的激光以及每次强度递增后的激光照射到苹果表面的待测区域后产生的波长为650nm的漫反射光都被光谱仪的感光纤维探头采集到，感光纤维探头依次采集到n 1个漫反射光的光谱强度，将这n 1个漫反射光的光谱强度作为一组检测数据发送到控制器；
19.重复执行本步骤m次，控制器共获得有损待测区域的m组检测数据；
20.n6：控制器将无损待测区域的m组检测数据、有损待测区域的 m组检测数据输入卷积神经网络模型中进行训练，训练完成的卷积神经网络模型就是苹果损伤判别模型。
21.选取表面没有损伤的苹果，选取该苹果上的一个待测区域，检测出无损待测区域的m组检测数据，然后用研钵棒按压该苹果表面的待测区域，在保证苹果表皮没有破损的情况下，使得待测区域的果肉受到深度为1mm的损伤，将待测区域变成有损待测区域，检测出有损待测区域的m组检测数据，将无损待测区域的m组检测数据、有损待测区域的m组检测数据输入卷积神经网络模型中进行训练，训练完成的卷积神经网络模型就是苹果损伤判别模型。一般，m＞2000。
22.作为优选，所述每组检测数据在输入到苹果损伤判别模型之前需进行数据优化处理，具体步骤如下：将每组检测数据中的每个漫反射光的光谱强度代入数据优化公式，得到对应的优化数据；
23.某组检测数据中的第k个漫反射光的光谱强度zk代入数据优化公式得到对应的优化数据vk的公式如下：
[0024][0025]
其中，表示该组检测数据的平均值。
[0026]
对检测数据进行优化，消除实验操作等外界因素带来的数据的误差。
[0027]
作为优选，所述每组检测数据经过数据优化后还需进行标准化处理；某组检测数据中的第k个漫反射光的光谱强度zk对应的优化数据 vk经过标准化处理得到对应的标准化数据wk的公式如下：
[0028][0029]
其中，表示该组检测数据对应的优化数据的平均值。
[0030]
对优化后的数据进行标准化处理，统一下数量级，消除量级不同带来的误差。
[0031]
作为优选，所述卷积神经网络模型包括依次连接的输入层、第1 卷积层、第2卷积层、最大池化层、第3卷积层、第4卷积层、平均池化层、dropout层、全连接层、输出层。
[0032]
作为优选，所述输入层用于接收检测数据并输出到第1卷积层进行处理，第1卷积层对检测数据进行一次特征提取，将提取的特征数据输出到第2卷积层，第2卷积层对接收到的特征数据进行一次特征提取，将提取的特征数据输出到最大池化层，最大池化层对接收到的特征数据进行降维处理，将降维数据输出到第3卷积层，第3卷积层对降维数据进行一次特征提取，将提取的特征数据输出到第4卷积层，第4卷积层对接收到的特征数据进行一次特征提取，将提取的特征数据输出到平均池化层，平均池化层对接收到的特征数据再进行降维处理，将降维后的数据输出到dropout层，dropout层随机将h％数据置零，将最终数据输出到全连接层，全连接层将接收到的最终数据映射到(0，1)区间内，通过softmax-rs函数对最终数据进行分类，输出层接收到全连接层传来的数据并输出。
[0033]
作为优选，所述第1卷积层、第2卷积层、第3卷积层、第4卷积层都设置有a个卷积核，卷积核的尺寸为f。一般设置a＝100，f＝9。
[0034]
作为优选，所述第r卷积层中的每个卷积核都对输入第r卷积层的所有组数据进行处理，第r卷积层中的每个卷积核都提取出dr个特征数据，1≤r≤4，dr＝c
r-f 1，dr表示第r卷积层的每个卷积核提取出的特征数据总数，cr表示输入第r卷积层的数据组数，第r卷积层每个卷积核提取出的特征数据排成一列，第r卷积层的所有卷积核提取出的特征数据组成一个dr*a的特征数据矩阵，将特征数据矩阵的每一行特征数据作为一组特征数据输出；
[0035]
所述第r卷积层的第i个卷积核提取出的第j个特征数据x(r)
ij
的公式如下，1≤i≤a，1≤j≤dr：
[0036][0037]
其中，w(r)i表示第r卷积层的第i个卷积核对应的特征数据权重， f表示第r卷积层的卷积核的尺寸，x(r)
ipq
表示第r卷积层的第i个卷积核需要处理的第p组数据中的第q个数据，t表示输入第r卷积层的每组数据包含的数据个数，b(r)i表示第r卷积层的第i个卷积
核对应的特征数据偏置值。
[0038]
本发明的有益效果是：能够无损、准确的检测出苹果表面的待测区域是否有损伤，采用“变激光强度、定波长”方式采集的单波长弛豫光谱作为检测数据，可以大大降低检测系统对光谱检测波段的需求，降低实验设备价格，操作简单，缩短检测时间，降低检测成本，提高了检测精度。
附图说明
[0039]
图1是实施例的流程图；
[0040]
图2是卷积神经网络模型的结构示意图；
[0041]
图3是卷积神经网络模型的参数设置表。
[0042]
图中：1、输入层，2、第1卷积层，3、第2卷积层，4、最大池化层，5、第3卷积层，6、第4卷积层，7、平均池化层，8、dropout 层，9、全连接层，10、输出层。
具体实施方式
[0043]
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
[0044]
实施例：本实施例的一种苹果损伤检测方法，如图1所示，包括以下步骤：
[0045]
s1：将待测苹果放入遮光罩内，遮光罩内的激光器发射波长为 650nm的激光到待测苹果表面的待测区域，激光照射到待测区域后产生的波长为650nm的漫反射光被遮光罩内的光谱仪的感光纤维探头采集到；
[0046]
s2：控制器控制激光器发出波长为650nm的激光从初始光谱强度开始递增n次，每次递增的强度都为1000counts，初始光谱强度的激光以及每次强度递增后的激光照射到待测苹果表面的待测区域后产生的波长为650nm的漫反射光都被光谱仪的感光纤维探头采集到，感光纤维探头依次采集到n 1个漫反射光的光谱强度，并将其发送到控制器；
[0047]
s3：控制器将n 1个漫反射光的光谱强度作为一组检测数据输入到苹果损伤判别模型中，苹果损伤判别模型输出待测苹果表面的待测区域是否有损伤的结果。
[0048]
在本方案中，检测前，用蒸馏水清洗待测苹果表皮并用擦拭纸吸干残余水分，重复两次，确保待测苹果表面的灰尘、石蜡等物质被彻底清洗，减少对实验的干扰。清洗完毕后，在待测苹果表面的待测区域上选取一个位置作为激光入射点，调整激光器位置，使激光从激光入射点射入待测苹果，在待测区域上选取一个与激光入射点的距离为1cm的点作为采样点，将感光纤维探头移至采样点，保证感光纤维探头不与待测苹果表皮接触。位置调整完毕后，罩上遮光罩以创造黑暗环境，防止外来光源对实验环境造成干扰。
[0049]
激光器发射波长为650nm、初始光谱强度为8000counts的激光到待测苹果表面的待测区域，初始光谱强度的激光照射到待测苹果表面的待测区域后产生的波长为650nm的漫反射光都被光谱仪的感光纤维探头采集到，之后激光器发射的激光以1000counts强度递增步长，每次激光器发射的激光增大1000counts，光谱仪的感光纤维探头采集一次当前的漫反射光，激光从初始光谱强度开始递增n次，所以感光纤维探头依次采集到n 1个漫反射光的光谱强度，并将其发送到控制器。这n 1个漫反射光的光谱强度作为一组检测数据输入到苹果损伤判别模型中，苹果损伤判别模型输出待测苹果表面的待测区域是否有损伤的结果。
[0050]
当需要检测苹果整个表面是否有损伤时，将苹果整个表面分成多个待测区域，检测每个待测区域是否有损伤，就能够检测出苹果整个表面是否有损伤。可以同时对苹果上的多个待测区域同时进行检测，提高检测效率。
[0051]
苹果损伤判别模型通过如下方法得到：
[0052]
n1：将表面没有损伤的苹果放入遮光罩内，遮光罩内的激光器发射波长为650nm的激光到苹果表面的待测区域，激光照射到待测区域后产生的波长为650nm的漫反射光被遮光罩内的光谱仪的感光纤维探头采集到；
[0053]
n2：控制器控制激光器发出波长为650nm的激光从初始光谱强度开始递增n次，每次递增的强度都为1000counts，初始光谱强度的激光以及每次强度递增后的激光照射到苹果表面的待测区域后产生的波长为650nm的漫反射光都被光谱仪的感光纤维探头采集到，感光纤维探头依次采集到n 1个漫反射光的光谱强度，将这n 1个漫反射光的光谱强度作为一组检测数据发送到控制器；
[0054]
重复执行本步骤m次，控制器共获得无损待测区域的m组检测数据；
[0055]
n3：取出该苹果，用研钵棒按压该苹果表面的待测区域，在保证苹果表皮没有破损的情况下，使得待测区域的果肉受到深度为 1mm的损伤；
[0056]
n4：将该苹果重新放入遮光罩内，遮光罩内的激光器发射波长为650nm的激光到苹果表面的待测区域，激光照射到待测区域后产生的波长为650nm的漫反射光被遮光罩内的光谱仪的感光纤维探头采集到；
[0057]
n5：控制器控制激光器发出波长为650nm的激光从初始光谱强度开始递增n次，每次递增的强度都为1000counts，初始光谱强度的激光以及每次强度递增后的激光照射到苹果表面的待测区域后产生的波长为650nm的漫反射光都被光谱仪的感光纤维探头采集到，感光纤维探头依次采集到n 1个漫反射光的光谱强度，将这n 1个漫反射光的光谱强度作为一组检测数据发送到控制器；
[0058]
重复执行本步骤m次，控制器共获得有损待测区域的m组检测数据；
[0059]
n6：控制器将无损待测区域的m组检测数据、有损待测区域的 m组检测数据分别进行如下处理：
[0060]
将每组检测数据中的每个漫反射光的光谱强度代入数据优化公式，得到对应的优化数据，某组检测数据中的第k个漫反射光的光谱强度zk代入数据优化公式得到对应的优化数据vk的公式如下：
[0061][0062]
其中，表示该组检测数据的平均值；
[0063]
每组检测数据经过数据优化后还需进行标准化处理，某组检测数据中的第k个漫反射光的光谱强度zk对应的优化数据vk经过标准化处理得到对应的标准化数据wk的公式如下：
[0064][0065]
其中，表示该组检测数据对应的优化数据的平均值；
[0066]
无损待测区域的m组检测数据经过处理后得到对应的m组无损标准化数据，有损待测区域的m组检测数据经过处理后得到对应的 m组有损标准化数据，将这m组无损标准化数据、m组有损标准化数据输入卷积神经网络模型中进行训练，训练完成的卷积神经网络模型就是苹果损伤判别模型。一般，m＞2000。
[0067]
选取表面没有损伤的苹果，选取该苹果上的一个待测区域，检测出无损待测区域的m组检测数据，然后用研钵棒按压该苹果表面的待测区域，在保证苹果表皮没有破损的情况下，使得待测区域的果肉受到深度为1mm的损伤，将待测区域变成有损待测区域，检测出有损待测区域的m组检测数据，将无损待测区域的m组检测数据、有损待测区域的m组检测数据输入卷积神经网络模型中进行训练，训练完成的卷积神经网络模型就是苹果损伤判别模型。
[0068]
对检测数据进行优化能够消除实验操作等外界因素带来的数据的误差。对优化后的数据进行标准化处理，统一下数量级，能够消除量级不同带来的误差。
[0069]
卷积神经网络模型，如图2所示，包括依次连接的输入层1、第 1卷积层2、第2卷积层3、最大池化层4、第3卷积层5、第4卷积层6、平均池化层7、dropout层8、全连接层9、输出层10。第1卷积层、第2卷积层、第3卷积层、第4卷积层都设置有a个卷积核，卷积核的尺寸为f。
[0070]
输入层用于接收检测数据并输出到第1卷积层进行处理，第1卷积层对检测数据进行一次特征提取，将提取的特征数据输出到第2卷积层，第2卷积层对接收到的特征数据进行一次特征提取，将提取的特征数据输出到最大池化层，最大池化层对接收到的特征数据进行降维处理，将降维数据输出到第3卷积层，第3卷积层对降维数据进行一次特征提取，将提取的特征数据输出到第4卷积层，第4卷积层对接收到的特征数据进行一次特征提取，将提取的特征数据输出到平均池化层，平均池化层对接收到的特征数据再进行降维处理，将降维后的数据输出到dropout层，dropout层随机将h％数据置零，将最终数据输出到全连接层，全连接层将接收到的最终数据映射到(0，1)区间内，通过softmax-rs函数对最终数据进行分类，输出层接收到全连接层传来的数据并输出。通过设置各层参数，可以使得此模型网络处理后的特征数据为一维数据，准确率高且运行时间短。
[0071]
第r卷积层中的每个卷积核都对输入第r卷积层的所有组数据进行处理，第r卷积层中的每个卷积核都提取出dr个特征数据，1≤r≤ 4，dr＝c
r-f 1，dr表示第r卷积层的每个卷积核提取出的特征数据总数，cr表示输入第r卷积层的数据组数，第r卷积层每个卷积核提取出的特征数据排成一列，第r卷积层的所有卷积核提取出的特征数据组成一个dr*a的特征数据矩阵，将特征数据矩阵的每一行特征数据作为一组特征数据输出；
[0072]
第r卷积层的第i个卷积核提取出的第j个特征数据x(r)
ij
的公式如下，1≤i≤a，1≤j≤dr：
[0073][0074]
其中，w(r)i表示第r卷积层的第i个卷积核对应的特征数据权重 (权重为0～2之
间的随机数)，f表示第r卷积层的卷积核的尺寸， x(r)
ipq
表示第r卷积层的第i个卷积核需要处理的第p组数据中的第q个数据，t表示输入第r卷积层的每组数据包含的数据个数，b(r)i表示第r卷积层的第i个卷积核对应的特征数据偏置值。
[0075]
举例说明：设定n＝22，m＝2100，则建立苹果损伤判别模型时，将这2100组无损标准化数据、2100组有损标准化数据输入卷积神经网络模型中进行训练。
[0076]
输入层、第1卷积层、第2卷积层、最大池化层、第3卷积层、第4卷积层、平均池化层、dropout层、全连接层、输出层的参数设置，如图3所示。
[0077]
输入层的参数为80
×
23，表示卷积神经网络模型处理数据将以 80组为一批次，每组数据包含23个光谱强度数据。
[0078]
以一个批次为例，输入层将80*23的数据矩阵输出到第1卷积层，第1卷积层、第2卷积层、第3卷积层、第4卷积层都有100个卷积核，卷积核的尺寸为9，所以第1卷积层提取出72个特征值，因为第1卷积层有100个卷积核，所以第1卷积层提取出72*100的特征数据矩阵输出到第2卷积层；
[0079]
第2卷积层提取出64*100的特征数据矩阵输出到最大池化层；
[0080]
最大池化层的参数设置为3，一次读入3组特征数据，只保留3 组特征数据中数值最大的一组，最后1组舍去，即得到21*100的特征数据矩阵，及将输入的特征数据矩阵缩小了66％；
[0081]
第3卷积层提取出13*100的特征数据矩阵输出到第4卷积层；
[0082]
第4卷积层提取出5*100的特征数据矩阵输出到平均池化层；
[0083]
平均池化层对5组特征数据进行平均值求取，处理后得到大小为 1*100的特征数据矩阵，将1*100的特征数据矩阵输出到dropout层；
[0084]
dropout层用于防止卷积神经网络过度拟合，随机将部分数据置零，本层参数为0.5，即将50％的特征数据置零，通过这种操作，模型对较小的数据变化的反应敏感度降低，防止出现过拟合的情况，dropout层处理之后，将最终数据处理结果全连接层；
[0085]
全连接层将接收到的最终数据映射到(0，1)区间内，通过 softmax-rs函数对最终数据进行分类，使得同一类型的所有特征数据概率相加为1；输出层接收到全连接层传来的数据并输出。