干制红枣中可溶性固形物含量的快速无损检测方法

1.本发明涉及农产品品质无损检测及深度学习领域，具体涉及一种基于高光谱成像的干制红枣可溶性固形物含量检测方法。


背景技术：

2.红枣的鲜食期较短，大量的鲜枣采收后进行干制处理，以便于长期存储和长途运输。干制后的红枣不仅保留了鲜枣的营养成分，还增加了多种食用方式，是目前世面上最主要的销售类型。可溶性固形物可以反映干制红枣中果糖、葡萄糖、附加糖等化合物的总含量，不仅决定了干制红枣的口感、甜味和贮藏性能，也是红枣产业确定营销标准和等级划分的最重要参数。目前干制红枣可溶性固形物含量的测定以理化手段有损检测为主，需要对样品进行复杂处理，具有破坏性、费时费力等特点，难以应用于大范围的工业化生产实际。因此亟需建立一种快速、有效的干制红枣可溶性固形物含量无损检测方法。


技术实现要素：

3.本发明的目的在于提出一种干制红枣中可溶性固形物含量的快速无损检测方法，实现干制红枣可溶性固形物含量的快速无损检测，操作简单且检测结果准确。
4.为了实现本发明的目的，本发明采用技术方案如下：
5.本发明提出一种干制红枣中可溶性固形物含量的快速无损检测方法，包括以下步骤：
6.s1，采集干制红枣样本的高光谱图像；
7.s2，采用折射仪法测定干制红枣样本的可溶性固形物含量；
8.s3，提取干制红枣感兴趣区域内平均光谱并进行预处理；
9.s4，利用区间抽样法按照一定比例划分训练集和测试集；
10.s5，构建k折交叉验证的一维卷积回归神经网络模型；
11.s6，输出干制红枣可溶性固形物含量检测结果。
12.优选地，所述步骤s1中，获取的高光谱图像为短波红外高光谱图像，其采集设备及参数包括：imspector n25e 2/3
″
成像光谱仪，光谱分辨率5.68nm，波段范围属于短波红外范围，具体为1000～2500nm；zephir-2.5-320高分辨率相机，图像分辨率320
×
256，距离干制红枣表面33.5cm；150w卤素面光源及步进电机；高光谱图像采集模式为漫反射，相机曝光时间为13ms，位移台移动速度为23.5mm/s。
13.优选地，所述步骤s2中，折射仪法测定干制红枣样本的可溶性固形物含量包括：
14.s2-1，干制红枣样本去核，取可食用部分粉碎并充分混合均匀；精确称量可食用部分粉末重量，放入称量过的烧杯，加入50ml蒸馏水，置沸水浴浸提30min，期间持续使用玻璃棒搅动；取下烧杯，待冷却至室温，对混合物溶液称重、过滤并移置100ml容量瓶中，使用蒸馏水定容；
15.s2-2，使用atago pal-α数字手持式折射仪测定待测试样，可溶性固形物含量的计
算公式为：
[0016][0017]
式中p是数字折射计显示的值(％)，m0是可食用部分的质量(g)，m1是稀释样品的质量(g)；
[0018]
s2-3，同一试样取三个平行样测定，以其算是平均值作为干制红枣的可溶性固形物测定结果，保留两位小数。
[0019]
优选地，所述步骤s3中，以整颗干制红枣区域作为感兴趣区域，以该区域内所有像素的光谱平均值作为干制红枣的原始光谱数据，去除光谱数据首尾两端噪声波段并利用savitzky-golay一阶导数算法进行预处理。
[0020]
优选地，所述步骤s4中：训练集与测试集比例为8:2；根据实际可溶性固形物含量测定值，对干制红枣样本按照升序排序，将五个连续样本视为一个独立的子集，选择每个子集中的第三个样本作为测试集，其余作为训练集。
[0021]
优选地，所述步骤s5中：k折交叉验证的一维卷积回归神经网络模型包括1个输入层、2个卷积层、2个批量归一化层、2个池化层、1个平坦层、1个全连接层和1个输出层。
[0022]
优选地，所述k折交叉验证中折数k为10。
[0023]
优选地，所述卷积层中卷积核的数量分别为64和32，尺寸均为5，步幅均为2，激活函数为线性整流单元relu。
[0024]
优选地，所述池化层中池化方式为最大池化，所述全连接层中神经元个数为32。
[0025]
优选地，所述步骤s6中，利用步骤s4中的训练集数据训练步骤s5中模型，利用测试集数据测试步骤s5中模型性能，以训练集的决定系数(r
p2
)、均方根误差(rmsep)和剩余预测偏差(rpd)为指标来判定模型的有效性。
[0026]
本发明所述的干制红枣品种为新疆哈密大枣。
[0027]
本发明以干制哈密大枣为研究对象，通过采集样本的短波红外高光谱图像，测定干制红枣的可溶性固形物含量，结合k折交叉验证的一维卷积回归神经网络建立短波红外高光谱数据和理化指标之间的相关性，构建干制红枣可溶性固形物含量的准确预测模型，提出一种基于短波红外高光谱成像和深度学习的干制红枣可溶性固形物含量快速无损检测方法。
[0028]
本发明具有有益效果。本发明提出的干制红枣中可溶性固形物含量快速无损检测方法，对干制红枣品质分级和加工标准化具有重要意义，同时为其他同类干制水果品质无损检测研究提供参考，具体有益效果如下：
[0029]
(1)采用短波红外高光谱成像技术进行干制红枣可溶性固形物含量检测，无需对样品进行复杂处理，与理化检测手段相比操作简单且检测效率高，为干制水果品质无损检测提供技术参考。
[0030]
(2)采用k折交叉验证的一维卷积回归神经网络构建预测模型，能够自动提取高光谱数据的深度特征并同时处理数据间的线性和非线性关系，避免了传统化学计量学建模方法中特征筛选的人为因素影响，有效提高了建模速度与模型预测准确率，可端到端的实现干制红枣可溶性固形物含量的准确预测。
附图说明
[0031]
图1为发明实施例中干制红枣中可溶性固形物含量的快速无损检测方法的流程图；
[0032]
图2为本发明实施例中k折交叉验证的一维卷积回归神经网络模型的结构图；
[0033]
图3为本发明实施例中的模型测试结果散点图。
具体实施方式
[0034]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行详细地描述。本发明不仅限于所描述的实施例，本领域的普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，均包含于本发明保护的范围。
[0035]
若未特别指明，本发明实施例中所用的技术手段为本领域技术人员所熟知的常规手段，所用原料均为市售商品。
[0036]
本发明实施例提供干制红枣中可溶性固形物含量的快速无损检测方法，其检测流程图如图1所示，具体按照以下步骤进行：
[0037]
s1，采集干制红枣样本的高光谱图像。
[0038]
本实施例中干制红枣样本共180颗，品种均为哈密大枣，来源于新疆维吾尔自治区哈密市农副产品合作社，干制方式为自然晾晒法，水分含量约25％；对干制红枣每颗样本进行吹灰清洁并编号，单独入袋保存。将样本置于室内干燥通风处24小时候，采集干制红枣的高光谱图像。
[0039]
具体的，高光谱图像采集装置为短波红外高光谱成像设备，光谱范围1000～2500nm，设置适当的采集参数以获得清晰且无失真的高光谱图像。本实施例中，干制红枣以果核水平方向放置于载物台，表面距离相机镜头33.5cm，相机曝光时间为13ms，位移台移动速度23.5mm/s。使用spectral image-swir软件采集高光谱图像并完成黑白校正。
[0040]
s2，采用折射仪法测定干制红枣样本的可溶性固形物含量。
[0041]
s2-1，干制红枣样本去核，取可食用部分粉碎并充分混合均匀；精确称量可食用部分粉末重量，放入称量过的烧杯，加入50ml蒸馏水，置沸水浴中浸提30min，期间持续使用玻璃棒搅动；取下烧杯，待冷却至室温，对混合物溶液称重、过滤并移置100ml容量瓶中，使用蒸馏水定容；
[0042]
s2-2，使用atago pal-α数字手持式折射仪测定待测试样，可溶性固形物含量的计算公式为：
[0043][0044]
式中p是数字折射计显示的值(％)，m0是可食用部分的质量(g)，m1是稀释样品的质量(g)；
[0045]
s2-3，同一试样取三个平行样测定，以其算是平均值作为干制红枣的可溶性固形物测定结果，保留两位小数。
[0046]
s3，提取干制红枣感兴趣区域内平均光谱并进行预处理。
[0047]
对校正后的干制红枣高光谱图像，利用envi 5.3软件提取感兴趣区域的平均光谱
信息并进行预处理，用于后续分析。
[0048]
具体的，考虑到干制红枣高光谱图像中紫红色样本与背景之间的鲜明对比，选取1171nm和1567nm的图像进行减法操作，然后阈值分割和形态学方法创建掩膜，阈值设定为0.25；选择整颗干制红枣表面为感兴趣区域，计算感兴趣区域内所有像素点的光谱信息获得每颗干制红枣的平均光谱，本实例中共获得180条平均光谱。
[0049]
为避免杂散光、噪声及基线漂移所带来的干扰，对原始平均光谱采用savitzky-golay一阶导数算法进行预处理，平滑点个数为5，多项式阶数为2。
[0050]
s4，利用区间抽样法按照一定比例划分训练集和测试集。
[0051]
本实施例中训练集与测试集划分比例为8:2。具体划分方式为：根据实际可溶性固形物含量测定值，对干制红枣样本按照升序排序，将五个连续样本视为一个独立的子集，选择每个子集中的第三个样本作为测试集，其余作为训练集。
[0052]
s5，构建k折交叉验证的一维卷积回归神经网络模型，包括1个输入层、2个卷积层、2个批量归一化层、2个池化层、1个平坦层、1个全连接层和1个输出层，其结构如图2所示。
[0053]
具体的，卷积层中卷积核的数量分别为64和32，尺寸均为5
×
1，步幅均为2，激活函数为线性整流单元relu；批量归一化层用于加速模型学习速度并缓解梯度消失问题；池化层中池化方式为最大池化，滤波器尺寸为2
×
1，步幅为2；平坦层用于将所提取的特征一维化；全连接层包含32个神经元；输出层包含1个神经元。
[0054]
特别的，卷积神经网络采用k折交叉验证的方式进行训练，交叉折数k设置为10。
[0055]
采用adam优化器进行模型训练优化，以均方误差(mse)作为损失函数，学习率为0.005，批大小设置为64，训练迭代的最大次数设置为300。
[0056]
s6，输出干制红枣可溶性固形物含量检测结果，利用测试集数据对k折交叉验证的一维卷积回归神经网络模型进行测试，以训练集的决定系数r
p2
、均方根误差rmsep和剩余预测偏差rpd为指标来判定模型的有效性。本实例中，测试集的r
p2
、rmsep和rpd分别为0.87、0.56和2.73，图3为模型测试结果散点图。
[0057]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；上述内容已使用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对其中部分技术特征进行修改或替换，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或替换，均属于本发明要求保护的范围。

技术特征：
1.干制红枣中可溶性固形物含量的快速无损检测方法，其特征在于，包括如下步骤：s1，采集干制红枣样本的高光谱图像；s2，采用折射仪法测定干制红枣样本的可溶性固形物含量；s3，提取干制红枣感兴趣区域内平均光谱并进行预处理；s4，利用区间抽样法按照一定比例划分训练集和测试集；s5，构建k折交叉验证的一维卷积回归神经网络模型；s6，输出干制红枣可溶性固形物含量检测结果。2.根据权利要求1所述的干制红枣中可溶性固形物含量的快速无损检测方法，其特征在于，所述步骤s1中，所获取的高光谱图像为短波红外高光谱图像，其采集设备及参数包括：imspector n25e 2/3
″
成像光谱仪，光谱分辨率5.68nm，波段属于短波红外范围，具体为1000～2500nm；zephir-2.5-320高分辨率相机，图像分辨率320
×
256，距离干制红枣表面33.5cm；150w卤素面光源及步进电机；高光谱图像采集模式为漫反射，相机曝光时间为13ms，位移台移动速度为23.5mm/s。3.根据权利要求1所述的干制红枣中可溶性固形物含量的快速无损检测方法，其特征在于，所述步骤s2中，折射仪法测定干制红枣样本的可溶性固形物含量包括：s2-1，干制红枣样本去核，取可食用部分粉碎并充分混合均匀；精确称量可食用部分粉末重量，放入称量过的烧杯，加入50ml蒸馏水，置沸水浴中浸提30min，期间持续使用玻璃棒搅动；取下烧杯，待冷却至室温，对混合物溶液称重、过滤并移置100ml容量瓶中，使用蒸馏水定容；s2-2，使用atago pal-α数字手持式折射仪测定待测试样，可溶性固形物含量的计算公式为：式中p是数字折射计显示的值(％)，m0是可食用部分的质量(g)，m1是稀释样品的质量(g)；s2-3，同一试样取三个平行样测定，以其算是平均值作为干制红枣的可溶性固形物测定结果，保留两位小数。4.根据权利要求1所述的干制红枣中可溶性固形物含量的快速无损检测方法，其特征在于，所述步骤s3中：以整颗干制红枣区域作为感兴趣区域，以该区域内所有像素的光谱平均值作为干制红枣的原始光谱数据，去除光谱数据首尾两端噪声波段并利用savitzky-golay一阶导数算法进行预处理。5.根据权利要求1所述的干制红枣中可溶性固形物含量的快速无损检测方法，其特征在于，所述步骤s4中：训练集与测试集比例为8:2；根据实际可溶性固形物含量测定值，对干制红枣样本按照升序排序，将五个连续样本视为一个独立的子集，选择每个子集中的第三个样本作为测试集，其余作为训练集。6.根据权利要求1所述的干制红枣中可溶性固形物含量的快速无损检测方法，其特征在于，所述步骤s5中：k折交叉验证的一维卷积回归神经网络模型包括1个输入层、2个卷积层、2个批量归一化层、2个池化层、1个平坦层、1个全连接层和1个输出层；交叉验证折数k为
10，卷积核的数量分别为64和32，尺寸均为5，步幅均为2，激活函数为线性整流单元relu；池化方式为最大池化，全连接层神经元个数为32。7.根据权利要求1所述的干制红枣中可溶性固形物含量的快速无损检测方法，其特征在于，所述步骤s6中，以训练集的决定系数(r
p2
)、均方根误差(rmsep)和剩余预测偏差(rpd)为指标来判定模型的有效性。8.根据权利要求1-7任一项所述方法，其特征在于，所述干制红枣品质为新疆哈密大枣。

技术总结
本发明提供一种干制红枣中可溶性固形物含量的快速无损检测方法，本发明以哈密大枣干制红枣为研究对象，通过采集试验样品的短波红外高光谱图像，测定干制红枣样本中可溶性固形物含量，结合k折交叉验证的一维卷积回归神经网络建立短波红外高光谱数据和理化指标之间的相关性，构建干制红枣可溶性固形物含量预测模型，建立一种基于短波红外高光谱图像和深度学习的干制红枣可溶性固形物含量快速无损检测方法。本发明快速高效、不损坏样本且无需人工提取特征，测定结果准备，可以实现干制红枣中可溶性固形物含量的快速无损检测。本发明基于短波红外高光谱成像和深度学习技术检测干制红枣中可溶性固形物含量，为实现干制红枣品质分级和加工标准化提供有效方法。质分级和加工标准化提供有效方法。质分级和加工标准化提供有效方法。


技术研发人员：李玉洁 马本学 李聪 喻国威 胡雅婷 张原嘉
受保护的技术使用者：石河子大学
技术研发日：2022.03.27
技术公布日：2022/5/25