[发明专利]一种融合糖度和霉心病光谱信息的果蔬无损检测方法

说明书

本发明属于果蔬检测技术领域，涉及一种融合糖度和霉心病光谱信息的果蔬无损检测方法，包括：分别采集糖度和霉心病光谱数据；对光谱数据标注标签，构建数据集；设置以数据集作为输入的双模态神经网络回归模型；采用训练集训练双模态神经网络回归模型，并优化，得到训练好的双模态神经网络回归模型；利用训练好的双模态神经网络回归模型对苹果是否存在霉心病和苹果的糖度值进行预测。本申请实现同时检测糖度和霉心病的功能，与单一检测糖度或霉心病的其他方法比较，利用了更多的光谱信息，能够得到更准确的预测结果；只需一次检测，即可同时得到糖度和霉心病的信息，有利于简化检测流程。

技术领域

本发明属于果蔬检测技术领域，涉及一种融合糖度和霉心病光谱信息的果蔬无损检测方法。

背景技术

对果蔬进行分等级处理是提高农产品经济附加值的重要发展方向；其中，对果蔬品质等级影响较大的两个因素是糖度和霉心病，怎样提高对糖度和霉心病的检测准确度具有较大的实际应用意义。现有检测果蔬糖度和霉心病的常用方法多基于果蔬的单一光谱信息，例如：糖度检测仅使用了与糖度相关的光谱信息。这些方法容易受到打光方式和采集位置等因素的影响，从而导致对同一样品的多次检测结果出现较大的离散性。尤其是当果蔬的糖度较高，甚或出现糖心的情况时，糖度检测和霉心病检测将存在较大概率的误判，很可能将糖心误判为霉心病。另一不足之处是：这些方法大都采用了非神经网络的传统机器学习算法，提取光谱曲线高阶特征的能力不足，鲁棒性欠佳，且检测结果的重复性较差。

由上可知，果蔬糖度和霉心病现有检测技术水平和功能需求之间还存在较大的差距，亟需新技术的引入。

发明内容

为实现上述发明目的，本发明提供一种融合糖度和霉心病光谱信息的果蔬无损检测方法，通过构建能够同时处理糖度和霉心病光谱信息的神经网络回归模型，实现对糖度和霉心病的协同检测，具体技术方案如下：

一种融合糖度和霉心病光谱信息的果蔬无损检测方法，包括以下步骤：

S1、分别采集若干果蔬样本的糖度光谱数据和霉心病光谱数据；

S2、对所述糖度光谱数据标注糖度值标签，对所述霉心病光谱数据标注是否存在霉心病的标签；

将同一个果蔬样本的糖度光谱数据及对应标签和霉心病光谱数据及对应标签组合成双通道数据格式，构建数据集；

S3、设置以数据集作为输入的双模态神经网络回归模型；

S4、将数据集划分为训练集和测试集，采用训练集训练双模态神经网络回归模型，采用测试集对双模态神经网络回归模型进行性能评价，得到训练好的双模态神经网络回归模型；

S5、利用训练好的双模态神经网络回归模型对果蔬的糖度值和是否存在霉心病进行预测。

在上述技术方案的基础上，在所述步骤S1中，通过两套光谱仪分别采集若干果蔬样本的糖度光谱数据和霉心病光谱数据。

在上述技术方案的基础上，在所述步骤S1中，分别采集不同果蔬样本在等距时间序列点上的糖度光谱数据和霉心病光谱数据。

在上述技术方案的基础上，所述果蔬样本的数量不少于200个。

在上述技术方案的基础上，步骤S3所述双模态神经网络回归模型包括：糖度特征提取模块、霉心病特征提取模块和联合特征提取模块；

所述糖度特征提取模块包括：卷积层C11、RELU层R11、Pooling层P11、卷积层C12、RELU层R12、Pooling层P12和Dropout层D11；

所述霉心病特征提取模块包括：卷积层C21、RELU层R21、Pooling层P21、卷积层C22、RELU层R22、Pooling层P22和Dropout层D21；