苹果冲击损伤面积的高光谱无损预测方法.pdf

《苹果冲击损伤面积的高光谱无损预测方法.pdf》由会员分享，可在线阅读，更多相关《苹果冲击损伤面积的高光谱无损预测方法.pdf（9页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010111166.6 (22)申请日 2020.02.24 (71)申请人 天津商业大学 地址 300134 天津市北辰区光荣道409号 (72)发明人 乔志霞李蕊赵倩梁艳书 郭桂梅 (74)专利代理机构 天津市三利专利商标代理有 限公司 12107 代理人 仝林叶 (51)Int.Cl. G01N 21/359(2014.01) G01N 21/84(2006.01) G01N 21/3563(2014.01) G01L 5/00(2006.01) G01B 5/26(。

2、2006.01) G01M 7/08(2006.01) (54)发明名称 苹果冲击损伤面积的高光谱无损预测方法 (57)摘要 本发明公开了一种苹果冲击损伤面积的高 光谱无损预测方法。 本发明具体步骤包括： 1)确 定苹果样品的冲击损伤面积； 2)提取苹果样品受 损与未受损区域的平均光谱； 3)光谱分析； 4)建 立苹果冲击损伤面积的预测模型。 本发明能够快 速、 准确地实现对苹果冲击损伤面积的无损量化 及预测， 可为无损评估果实的机械损伤提供重要 手段， 也为高光谱成像技术应用于农产品领域提 供借鉴。 权利要求书2页 说明书4页 附图2页 CN 111289463 A 2020.06.16 C。

3、N 111289463 A 1.一种苹果冲击损伤面积的高光谱无损预测方法， 其特征在于， 步骤如下： 1)确定苹果样品的冲击损伤面积 将苹果样品放置在跌落试验机的不同高度使其自由跌落产生冲击损伤； 其中， 在跌落 平台上苹果的冲击位置处放上测压胶片， 由压力扫描仪读出测压胶片上苹果样品的损伤面 积； 2)提取苹果样品受损与未受损区域的平均光谱 用近红外高光谱成像系统扫描受损与未受损样品， 采集样品高光谱图像； 分别选取样品的受损区域和未受损区域为感兴趣区， 从样品高光谱图像提取平均光 谱， 获得原始光谱； 3)光谱分析 基于原始光谱选取特征波长， 得到波段较少的有效波长用于预测模型的建立； 4。

4、)建立苹果冲击损伤面积的预测模型 由以上步骤得到的特征波长矩阵和损伤面积矩阵建立苹果冲击损伤面积的预测模型； 5)评估待测受损伤苹果样品 采集待测受损伤苹果样品的高光谱图像， 提取特征波长， 将特征波长矩阵输入预测模 型， 即得到苹果损伤面积的预测值。 2.根据权利要求1所述苹果冲击损伤面积的高光谱无损预测方法， 其特征在于， 采用竞 争性自适应重加权算法提取原始光谱的特征波长， 其步骤如下： (1)蒙特卡罗采样， 每次波长变量采样从建模样本集随机抽取80-90的样本， 建立 偏最小二乘回归模型； (2)基于指数衰减函数去除不符合要求的波长变量： 假定样本光谱矩阵为X(np)， n为 样本数，。

5、 p为变量数， 样本损伤面积矩阵为Y(n1)， 则偏最小二乘回归模型为： YXb+e (1) b为回归系数， e为残差； 基于指数衰减函数强行去除|bi|值相对较小的波长； 在第i次采样运算后， 波长变量点 的保存率通过如下指数函数计算： riae-ki (2) a和k均为常数； 在第一次釆样时， 所有的p个变量都参与建模， 即r11； 在第N次采样时， 仅2个变量参与建模， 即rN2/P； 从而计算出a和k： 使用指数衰减函数， 大量不重要的波长变量逐步且有效地被去除； (3)基于自适应重加权采样算法对保留的波长变量进行竞争性筛选， 模拟达尔文进化 论中 “适者生存” 的法则， 通过评价每个。

6、波长变量的权重i进行变量筛选， 权重值的计算如 下： 回归系数绝对值权重越大的波长越容易被选中， 越小的波长越容易被删除； 权利要求书 1/2 页 2 CN 111289463 A 2 (4)N次蒙特卡罗采样后得到N个波长变量子集， 比较每次蒙特卡罗采样产生的波长变 量子集的交叉， 验证均方根误差， 误差值最小的变量子集为最优波长变量子集； 基于该方法提取的特征波长共10个， 分别为1017， 1060， 1120， 1167， 1200， 1230， 1263， 1370， 1406， 1466， 单位为nm。 3.根据权利要求1所述苹果冲击损伤面积的高光谱无损预测方法， 其特征在于， 建立。

7、的 损伤面积的预测模型为偏最小二乘回归模型。 权利要求书 2/2 页 3 CN 111289463 A 3 苹果冲击损伤面积的高光谱无损预测方法 技术领域 0001 本发明涉及光谱检测技术， 具体涉及一种苹果冲击损伤面积的高光谱无损预测方 法。 背景技术 0002 我国每年生产的果蔬损失率达2530， 特别是果品， 有42.7的损耗来自于 机械损伤， 其中冲击损伤最为严重且最容易发生。 常见的冲击损伤来源于果品的跌落、 果品 与果品之间或者果品与包装容器之间的动态碰撞。 苹果是我国的优势农产品之一， 近些年 来苹果产量和种植面积稳步增长。 因此， 提出一种快速、 准确地评估和预测苹果冲击损伤的。

8、 方法极为重要。 0003 传统检测方法主要是人工感官检测或直接测量损伤的面积来建立损伤的预测模 型。 但该方法不仅费时费力， 而且精度不高， 难以适合大规模工业化自动检测分级的需求。 近些年来， 基于无损、 快速、 有效等独特优势， 高光谱成像技术已经成为食品质量和安全监 测的重要监测手段， 尤其在苹果果实质量的评估方面有诸多应用。 但目前该技术对苹果跌 落损伤程度的无损评估还停留在苹果质量的分级和缺陷、 损伤的定性检测方面， 对损伤的 无损量化及预测国内外还未见报道。 因此， 有必要开展基于高光谱成像技术的对苹果冲击 损伤面积无损量化及预测的研究。 发明内容 0004 本发明的目的在于提供。

9、一种苹果冲击损伤面积的高光谱无损预测方法， 旨在实现 无损、 快速、 准确地检测苹果受冲击损伤后的损伤面积。 0005 本发明是这样实现的， 步骤如下： 0006 1)确定苹果样品的冲击损伤面积 0007 将苹果样品分为对照组(未受损)和实验组(受损)， 将实验组的样品分别放置在跌 落试验机的不同高度使其自由跌落产生冲击损伤； 0008 其中， 在跌落平台上苹果的冲击位置处放上测压胶片， 由压力扫描仪读出测压胶 片上苹果样品的损伤面积， 测压胶片受冲击压力而使发色层的微胶囊破裂， 导致显色层出 现红色， 胶片上的着色面积即苹果的损伤面积； 0009 2)提取苹果样品受损与未受损区域的平均光谱 。

10、0010 用近红外高光谱成像系统扫描受损与未受损样品， 采集样品高光谱图像； 0011 选取实验组样品受损伤区域和对照组样品任意区域作为感兴趣区， 从样品高光谱 图像提取平均光谱， 获得原始光谱； 0012 3)光谱分析 0013 采用竞争性自适应重加权算法提取原始光谱的特征波长用于预测模型的建立， 其 步骤如下： 0014 (1)蒙特卡罗采样， 每次波长变量采样从建模样本集随机抽取80-90的样本， 说明书 1/4 页 4 CN 111289463 A 4 建立偏最小二乘回归模型； 0015 (2)基于指数衰减函数去除不符合要求的波长变量： 假定样本光谱矩阵为X(n p)， n为样本数， p。

11、为变量数， 样本浓度矩阵为Y(n1)， 则偏最小二乘回归模型为： 0016 YXb+e (1) 0017 b为回归系数， e为残差； 0018 基于指数衰减函数强行去除|bi|值相对较小的波长。 在第i次采样运算后， 波长变 量点的保存率通过如下指数函数计算： 0019 riae-ki (2) 0020 a和k均为常数。 在第一次釆样时， 所有的p个变量都参与建模， 即r11； 在第N次采 样时， 仅2个变量参与建模， 即rN2/P。 从而计算出a和k： 0021 0022 使用指数衰减函数， 大量不重要的波长变量逐步且有效地被去除； 0023 (3)基于自适应重加权采样算法对保留的波长变量进。

12、行竞争性筛选， 模拟达尔文 进化论中 “适者生存” 的法则， 通过评价每个波长变量的权重i进行变量筛选， 权重值的计 算如下： 0024 0025 回归系数绝对值权重越大的波长越容易被选中， 越小的波长越容易被删除； 0026 (4)N次蒙特卡罗采样后得到N个波长变量子集， 比较每次蒙特卡罗采样产生的波 长变量子集的交叉， 验证均方根误差， 误差值最小的变量子集为最优波长变量子集； 0027 基于该方法提取的特征波长共10个， 分别为1017， 1060， 1120， 1167， 1200， 1230， 1263， 1370， 1406， 1466， 单位为nm。 0028 4)建立苹果冲击损。

13、伤面积的预测模型 0029 由以上步骤得到的特征波长矩阵和损伤面积矩阵建立苹果冲击损伤面积的偏最 小二乘回归预测模型； 采集待测受损伤苹果样品的高光谱图像， 提取特征波长， 将特征波长 矩阵输入预测模型， 即得到苹果损伤面积的预测值。 0030 本发明基于高光谱成像技术快速、 准确地实现了对苹果冲击损伤面积的无损量化 及预测。 相对于传统的破坏性检测方法， 不仅节省时间， 而且避免了不必要的浪费。 研究成 果不仅可以用于实验室的快速分析和检测， 而且可以通过开发在线检测设备和便携式仪 器， 用于工业自动化生产中的苹果损伤的评估。 另外， 该方法也为高光谱成像技术应用于农 产品领域提供借鉴。 附。

14、图说明 0031 图1为本发明经过反射率校正的苹果样品的原始光谱曲线图； 0032 图2为本发明所有苹果样品的平均光谱曲线图； 0033 图3为本发明基于偏最小二乘回归模型得出的实际测得损伤面积与预测损伤面积 的散点示意图。 说明书 2/4 页 5 CN 111289463 A 5 具体实施方式 0034 下面， 结合具体实施实例对本发明作进一步描述， 以下所述的仅是本发明的具体 实施实例， 但本发明的保护范围并不仅限于此。 0035 苹果冲击损伤面积的高光谱无损预测方法， 步骤如下： 0036 1)确定苹果样品的冲击损伤面积 0037 将168个新鲜、 无损的苹果样品分为3个组别， 分别从0。

15、.5m、 1.0m、 1.5m高处跌落， 记 为H0.5、 H1.0和H1.5， 每个跌落高度56个样品。 然后将样品分别放置在跌落试验机的三个不 同高度使其自由跌落产生冲击损伤。 在跌落平台上苹果的冲击位置处放上测压胶片。 由压 力扫描仪读出测压胶片上苹果样品的损伤面积。 0038 2)提取苹果样品受损与未受损区域的平均光谱 0039 分别从样品的受损和未受损区域(感兴趣区)提取平均光谱， 获得原始光谱。 近红 外高光谱成像系统扫描时， 光谱范围为900-1700nm， 共256个波段， 光谱分辨率为3nm。 相关 参数设置如下： 曝光时间为20ms， 移动台前进速度为1.68cm/s， 镜。

16、头与样本距离为32cm。 0040 3)光谱分析 0041 采用竞争性自适应重加权算法提取原始光谱的特征波长用于预测模型的建立。 经 竞争性自适应重加权算法50次采样后， 共获得50个变量子集。 当采样21次时， 变量子集的交 叉验证均方根误差最小， 其对应的最优特征波长共10个， 分别为1017， 1060， 1120， 1167， 1200， 1230， 1263， 1370， 1406， 1466， 单位为nm。 0042 4)建立苹果冲击损伤面积的预测模型 0043 由以上步骤得到的特征波长矩阵和损伤面积矩阵建立苹果冲击损伤面积的偏最 小二乘回归预测模型。 在建模过程中， 1/2的样品。

17、作为建模集， 1/2的样品作为预测集。 预测 集的决定系数和均方根误差RMSEP被用来评价模型的效果。越大， RMSEP越小， 意味 着预测结果越好。 其中，和RMSEC， RMSECV分别为建模集校正系数， 交叉验证系数 和均方根校正误差， 均方根交叉验证误差。 预测结果的统计数据见表1。 0044 表1 基于高光谱模型的预测结果 0045 0046 注：“ALL” 意味着建模时同时把三个组别的所有样品考虑进去 0047 从表1中可以看出， 当跌落高度为1.5m时， 预测模型取得较好的预测结果。 其中， 和RMSECV， RMSEP分别为0.96， 0.8和14.43， 116.73。 可以。

18、看出， 当跌落高度较低 时模型的预测结果并不十分理想。 原因总结如下： 一方面， 较低的跌落高度导致苹果表面损 伤不明显(尤其是0.5m跌落高度)， 高光谱成像仪在采集样品图像时不能有效识别损伤区 域； 另一方面， 由于苹果形状的多样性， 苹果的冲击位置并不总是落在其赤道平面附近， 使 得样品的损伤面积不能较好地反应其损伤程度。 因此建模时当把所有组别的样品同时考虑 说明书 3/4 页 6 CN 111289463 A 6 进去， 模型结果稍有改善。 说明书 4/4 页 7 CN 111289463 A 7 图1 图2 说明书附图 1/2 页 8 CN 111289463 A 8 图3 说明书附图 2/2 页 9 CN 111289463 A 9 。