[发明专利]一种基于高光谱和深度学习的肥城桃内外品质检测方法

说明书

本发明涉及水果品质无损检测领域，具体来说是一种基于高光谱和深度学习的肥城桃内外品质检测方法。该方法首先采集肥城桃样本的高光谱数据与理化指标并进行高光谱图像校准，然后通过蒙特卡罗偏最小二乘法剔除光谱数据异常值并采用光谱理化值共生距离法进行样本划分，再使用多种变量选择算法识别可溶性固形物含量与硬度的敏感特征波长，同时通过分析样本与背景光谱差值优选高光谱图像，利用深度学习YOLOv3算法进行目标框选与预测框尺寸面积提取，最后，建立特征波长光谱数据和可溶性固形物、硬度的回归预测模型，以及像素尺寸、面积和真实尺寸、重量的回归模型，实现肥城桃可溶性固形物、硬度、果径、重量的快速无损检测与内部品质空间分布可视化。

技术领域

本发明涉及水果品质无损检测领域，具体来说是一种基于高光谱和深度学习的肥城桃内外品质检测方法。

背景技术

肥城桃，又名“佛桃”，个大质优，外形美观，营养物质丰富，被誉为“群桃之冠”，已有1000多年种植历史。但是，目前肥城桃生产水平较低，果品检测分级技术落后，远不能满足人们“优质精品”水果的消费需求，进行肥城桃果实品质快速分级对实现优果优价和提升产业发展至关重要。然而水果分级涉及多项理化指标，目前肥城桃鲜果分级主要依靠果农传统经验，对包括颜色、尺寸重量、质地、成分等做出判断，这些方法虽然取得较好效果，但往往是破坏性的，且操作繁琐费时，因此，如何快速、准确的检测肥城桃内外品质成为亟需解决的问题。本发明结合高光谱与深度学习技术提出了一种快速、无损、准确的肥城桃内外品质检测方法，为肥城桃产业的高质量发展提供了技术支撑。

发明内容

本发明针对上述问题及技术需求，提出了一种基于高光谱与深度学习的肥城桃内外品质检测方法，此方法可实现肥城桃内部品质(可溶性固形物、硬度等)与外部品质(果径、重量等)的快速无损检测，并将内部品质以伪彩色图像的形式直观显示。

本发明的目的通过以下的技术方案实现：

一种基于高光谱与深度学习的肥城桃内外品质检测方法，包括以下步骤：

步骤一：采集肥城桃样本在400-1000nm范围内的高光谱图像，并测量包括可溶性固形物含量、硬度值、果实最大横径、重量在内的理化指标，对高光谱图像进行黑白校准并通过掩膜选取整个肥城桃样品为兴趣区，获取样本的高光谱图像和兴趣区平均光谱数据立方体。

步骤二：结合光谱数据和理化指标进行异常值剔除与光谱数据集样本划分。

步骤三：对样本原始光谱数据进行预处理，并通过三种变量选择算法选取可溶性固形物、硬度的敏感特征波长。

步骤四：对高光谱图像进行样本与背景偏差光谱值分析，在光谱维中寻找样本与背景区分最为明显的波段，此波段下图像特征提取最为简单。

步骤五：使用深度学习目标框选技术提取样本的像素尺寸、面积。

步骤六：依据理化指标与步骤三所选特征波长，分别建立可溶性固形物、硬度的偏最小二乘回归(PLSR)、支持向量回归(SVR)、多元线性回归(MLR) 预测模型，预测模型的输入数据为特征光谱，输出数据为可溶性固形物含量、硬度值。

步骤七：依据步骤六所建最优模型预测高光谱图像上像素点的可溶性固形物含量与硬度值，并绘制其伪彩色分布图，完成内部品质分布的可视化。

步骤八：依据理化指标与步骤五提取的像素尺寸与面积，分别建立果径与重量的预测模型，预测模型的输入数据为像素尺寸、面积，输出数据为果径、重量。

步骤九：将待测样本的特征波段光谱数据与像素尺寸面积输入所建预测模型即可获得肥城桃的糖度、硬度、果径、重量信息与可视化图像。

优选的，所述步骤二中剔除异常值方法为蒙特卡罗偏最小二乘法 (MCPLS)，该方法通过计算所有样本的预测残差平均值(Mean)和预测残差方差(STD)，判定较高预测残差平均值和预测残差方差的样本为异常样本。