[发明专利]基于深度学习的油茶果成熟度高光谱检测方法及分选设备

说明书

本发明公开一种基于深度学习的油茶果成熟度高光谱检测方法及分选设备。本发明的方法包括步骤：首先获取不同成熟度的油茶果样本，再获得每个样本的光谱，然后对每个样本进行理化指标测定并提取指示成熟度信息的单一综合评价因子，再对样本的光谱进行预处理，将预处理光谱和纹理信息作为人工智能深度卷积神经网络的信息输入，以成熟度因子得分作为预测输出，建立模型预测并评价选取最优预处理方法和特征信息组合；建立少变量成熟度预测模型并进行评价；最后将深度学习简化模型迁移植入到分选设备的主控制器中进行预测分选。本发明能够快速对不同成熟度果实进行检测，并进行分类图像可视化，同时借助机械设备进行分选。

技术领域

本发明属于木本粮油林果无损检测技术与设备领域，具体涉及一种基于深度学习的油茶果成熟度高光谱检测方法及分选设备。

背景技术

油茶是我国与少数东南亚国家特有的木本油料作物，在我国已有数千年种植历史，与油棕、椰子、橄榄并称为世界四大油料作物。油茶在中国分布很广，全国油茶种植面积约6550万亩，年产茶油60万吨，产值近千亿元。中国15个油茶主要生产省(区)的油茶产量占全国的99.99％，产量与品种丰富度均是世界首位。油茶果榨出的茶油不饱和度高，堪比橄榄油。近年来全球消费者对高品质木本食用油需求逐年增加，要生产出高质量的茶油、维持茶油的核心竞争力则需要保证用于产油的果堆里没有不成熟等劣质油茶果。但我国采后农林产品加工机械化程度较低，对于检测分选不同成熟度油茶果这样的工作长期需人工作业完成，作业效率低下、成本高昂、严重影响油茶产业加工效率。

高光谱成像无损检测技术在如水果、蔬菜、肉、蛋、奶等农产品检测领域已有广泛应用，但在油茶果检测方面起步较晚。针对近年来出现的影响木本粮油产业发展的不同成熟度油茶果为研究对象，因会引起林果果实组织外部表达和内部成分综合变化，从融合外部对比度、无序性、随机性等光学纹理特征(二阶矩、同质性、熵等)以及内部含氢有机官能团C-H、N-H、O-H和S-H振动的合频和倍频吸收等光谱特征差异角度，明晰光学特性信息差异，确定指纹图谱基础特征参数，结合化学计量学和深度学习方法进行判别，实现由简单人工感官向光学模型预测评价方法传递，能够克服人工检测分选精度低、无法实现逐果筛查精选等缺点，集成自动化开关控制，取代人工的同时可在原材料关卡提高生产粮油品质及档次。

发明内容

为解决上述问题，本发明公开了一种基于深度学习的油茶果成熟度高光谱检测方法及分选设备，能够快速对不同成熟度果实进行检测，并进行分类图像可视化，同时借助机械设备进行分选。

为达到上述目的，本发明的技术方案如下：

一种基于深度学习的油茶果成熟度高光谱检测方法，该方法包括如下步骤：

S1.获取不同成熟度的油茶果样本，

S2.获得S1得到的每个样本的光谱，具体方法如下：

S21.采用线扫描高光谱成像系统进行油茶果高光谱图像采集得到原始高光谱图像R_o；

S22.对S21得到的原始高光谱图像R_o进行黑白校正，计算公式如(1)，打开光源，待10-15分钟后光源照度稳定时对反射率为100％的白色参考板进行高光谱图像的采集W，之后，在采集环境稳定的情况下，关掉光源，盖上相机镜头盖使得反射率为0％采集黑色参考板的高光谱图像D，原始高光谱图像R_o通过如下公式进行校正，得到校正后的高光谱图像R_c，

S23.对所述黑白校正后的油茶果高光谱图像采用公式(2)进行照度和曲率校正以及裁剪，具体是对某一波长下图像的每个像素点P_λ的光谱强度值归一化，然后比上所有波长(n个)下所有像素点的光谱强度值之和，最终得到的数据立方体X_λ就是与照度、光源方向和曲率无关的高光谱图像，