[发明专利]一种加工番茄品质检测方法、系统、设备及介质

说明书

本发明公开一种加工番茄品质检测方法、系统、设备及介质，涉及加工番茄品质检测领域，该方法包括：获取待检测加工番茄的高光谱图像；根据所述高光谱图像计算平均光谱反射率；将所述平均光谱反射率输入至加工番茄的不同品质检测模型中，得到检测结果；所述检测结果包括待检测加工番茄的可溶性固形物含量、番茄红素含量、硬度、可滴定酸含量和成熟度；其中，所述不同品质检测模型是利用不同的样本数据对不同的循环神经网络模型进行训练得到的；所述样本数据包括多个加工番茄样品的平均光谱反射率和对应的品质标签。采用本发明的加工番茄品质检测方法，能够同时对加工法番茄的多个品质进行检测，提高了监测指标的多样性，并且提高了检测效率。

技术领域

本发明涉及加工番茄品质检测领域，特别是涉及一种加工番茄品质检测方法、系统、设备及介质。

背景技术

加工番茄果实的形状多为椭圆形，果皮较厚，耐储运，果实内含有丰富的番茄红素、类胡萝卜素等抗氧化剂，营养价值极高，是制作番茄酱、果脯、番茄红素的主要原料。果实的品质与采收时间有密切关系，采收过早，会降低果实的品质，采收过晚会减少果实的储存时间，造成资源浪费，因此成熟度的检测对保证果实的质量有重要意义。硬度、可溶性固形物、可滴定酸、番茄红素含量不仅是决定加工番茄果实品质的四个重要指标，而且还与果实的成熟度密切相关。选择优良的加工番茄原材料可以提高番茄制品的质量，而传统的品质检测方法检测指标单一，费时费工，并且破坏性强，很难用于果实的批量化检测。

高光谱成像技术是基于多波段的影像数据技术，可以同时获得被测物体的空间图像信息和光谱信息，可以针对研究对象进行快速无损的分析。深度学习是机器学习的一个领域，旨在学习样本数据的内在规律和表示层次，它可以提取数据的特征并学习数据内部的规律。循环神经网络是一种深度学习方法，擅长挖掘序列数据，具有一定的记忆能力。在存储单元的帮助下，当前时刻的输出序列可以与之前的所有序列建立数学关系，所以循环神经网络对于具有序列特征的数据非常有效，它可以挖掘数据中的时间序列和语义信息。

目前已经存在利用光谱成像和深度学习技术对农产品品质进行预测的技术，但以前的研究大多集中在对加工番茄的硬度和固形物含量的检测上，对加工番茄的成熟度、番茄红素和可滴定酸含量的检测研究很少。此外，在检测农产品质量时，大多选择经典的机器学习模型，而对深度学习模型的应用较少。

发明内容

本发明的目的是提供一种加工番茄品质检测方法、系统、设备及介质，以实现对加工番茄的多品质检测，提高检测指标的多样性。

为实现上述目的，本发明提供了如下方案：

一种加工番茄品质检测方法，包括：

获取待检测加工番茄的高光谱图像；

根据所述高光谱图像计算平均光谱反射率；

将所述平均光谱反射率输入至加工番茄的不同品质检测模型中，得到检测结果；所述不同品质检测模型包括可溶性固形物检测模型、番茄红素检测模型、硬度检测模型、可滴定酸检测模型和成熟度检测模型；所述检测结果包括待检测加工番茄的可溶性固形物含量、番茄红素含量、硬度、可滴定酸含量和成熟度；

其中，所述不同品质检测模型是利用不同的样本数据对循环神经网络模型进行训练得到的；所述样本数据包括多个加工番茄样品的平均光谱反射率和对应的品质标签；所述品质标签为可溶性固形物含量标签、番茄红素含量标签、硬度标签、可滴定酸含量标签或者成熟度标签；所述循环神经网络模型包括第一循环神经网络模型、第二循环神经网络模型、第三循环神经网络模型、第四循环神经网络模型和第五循环神经网络模型。

可选地，所述获取待检测加工番茄的高光谱图像，具体包括：

获取待检测加工番茄相对方向的两个高光谱图像。

可选地，所述根据所述高光谱图像计算平均光谱反射率，具体包括：

对所述高光谱图像进行校准，得到校准后的高光谱图像；