阅读说明：本技术 一种柚子品质分类方法与装置 (Grapefruit quality classification method and device ) 是由 曾镜源 冯亚芬 于 2019-11-29 设计创作，主要内容包括：本发明公开了一种柚子品质分类方法,属于柚子分类技术领域,主要解决的是现有分类方式效果差的技术问题,该方法是根据口感对同一批次的柚子挑选训练样本,根据训练样本的参数构建分类模型,利用该分类模型对该批次的柚子进行品质分类。本发明还公开了一种柚子品质分类装置。本发明分类效果好,柚子品质的一致性好。(The invention discloses a grapefruit quality classification method, belongs to the technical field of grapefruit classification, and mainly solves the technical problem that the existing classification method is poor in effect. The invention also discloses a grapefruit quality classification device. The invention has good classification effect and good consistency of grapefruit quality.)

一种柚子品质分类方法与装置

技术领域

本发明涉及柚子分类技术领域，更具体地说，它涉及一种柚子品质分类方法及装置。

背景技术

现有的设备、科技论文和专利中，对果实类的农产品的分类一般采用计算机视觉(或称机器视觉)、高光谱、红外、称重等设备或传感器对果实的内外特征进行无损检测。由于柚类果实品质的一致性较差，不同年份、区域、采摘时间、果实在树上的朝向等因素，对品质都可以产生较大的影响，所以采用柚子内外检测数据来判断柚子的品质的方法，在实践中不可行，分类效果差。另外，柚子表皮对果肉的保护比较重要，任何对表皮的损伤，都会导致柚子快速腐烂，所以实践中只考虑无损检测方案。

发明内容

本发明要解决的技术问题是针对现有技术的上述不足，本发明的目的一是提供一种分类效果好的柚子品质分类方法。

本发明的目的二是提供一种分类效果好的柚子品质分类装置。

为了实现上述目的一，本发明提供一种柚子品质分类方法，该方法是根据口感对同一批次的柚子挑选训练样本，根据训练样本的参数构建分类模型，利用该分类模型对该批次的柚子进行品质分类。

作为进一步地改进，包括如下步骤：

S1.获取所述批次的柚子的年份、区域、采摘时间、种植监测数据并作为第一参数；

S2.口感检测人员从所述批次的柚子中挑选能代表各个类型的柚子；

S3.口感检测人员对挑选的柚子进行品尝，根据其感觉将品尝的柚子进行品质分类，并为每个类别挑选多个训练样本；

S4.获取各所述训练样本的轮廓、表面及表层图像特征、重量并作为第二参数；

S5.根据所述训练样本的轮廓、重量得到品质评价指标，将各所述训练样本的品质评价指标之间的比值作为第三参数；

S6.分别将所述第一参数、第二参数、第三参数输入不同的数据挖掘分类模型进行训练，分别使用各数据挖掘分类模型对待测样本进行分类，由口感检测人员挑选最适合的分类模型作为最终的分类模型；

S7.使用最终的分类模型对所述批次的柚子进行品质分类。

进一步地，所述同一批次的柚子的年份、区域、采摘时间一致。

进一步地，在所述步骤S5中，其中一个训练样本的品质评价指标Q_p为：

其中，

x为图像像素的边长，hx为柚子的高，nx为柚子的宽，m柚子的质量，v柚子的体积，

另一个训练样本的品质评价指标Q_s为：

m_s为训练样本的质量，v_s为训练样本的体积，其中，

h_s为当前训练样本高的像素个数，n_s为其宽的像素个数，品质评价指标Q_p与品质评价指标Q_s的比值R_p为：

令：

在同一测试批次上，A_p为常数，

其中，

进一步地，在所述步骤S6中，所述数据挖掘分类模型包括PCA数据挖掘分类模型、K-Means数据挖掘分类模型。

为了实现上述目的二，本发明提供一种柚子品质分类装置，包括计算机，还包括传送带，所述传送带上方设有检测箱，所述检测箱内腔顶部设有顶部光源，所述检测箱内腔两侧分别设有第一侧光源、第二侧光源，所述检测箱内腔设有若干个图像采集单元，所述传送带下方设有称重传感器，所述计算机分别电性连接所述顶部光源、第一侧光源、第二侧光源、图像采集单元、称重传感器；所述计算机通过图像采集单元、称重传感器采集柚子的参数并利用上述的方法对柚子进行品质分类。

作为进一步地改进，所述图像采集单元包括相机、高光谱图像传感器、红外图像传感器中的至少一种。

进一步地，所述检测箱由不透光的物质制成。

有益效果

本发明与现有技术相比，具有的优点为：

1.本发明通过根据口感对同一批次的柚子挑选训练样本，根据训练样本的参数构建分类模型，利用该分类模型对该批次的柚子进行品质分类，分类效果好，柚子品质的一致性好。

2.本发明通过口感检测人员挑选能代表各个类型的柚子，对挑选的柚子进行品尝，并根据柚子的口感进行品质分类和挑选各类别的训练样本，可以准确分类，保证柚子品质的一致性。

3.本发明将柚子的年份、区域、采摘时间、种植监测数据并作为第一参数，将训练样本的轮廓、表面及表层图像特征、重量作为第二参数，将各训练样本的品质评价指标之间的比值作为第三参数，根据第一参数、第二参数、第三参数挑选最适合的分类模型，分类模型的泛化能力强，稳定性好。

附图说明

图1为本发明的结构示意图；

图2为柚子的高度和宽度的示意图。

其中：1-计算机、2-传送带、3-检测箱、4-顶部光源、5-第一侧光源、6-第二侧光源、7-图像采集单元、8-称重传感器、9-柚子。

具体实施方式

下面结合附图中的具体实施例对本发明做进一步的说明。

参阅图1，一种柚子品质分类方法，该方法是根据口感对同一批次的柚子挑选训练样本，根据训练样本的参数构建分类模型，利用该分类模型对该批次的柚子进行品质分类。具体包括如下步骤：

S1.获取批次的柚子的年份、区域、采摘时间、种植监测数据并作为第一参数；

S2.口感检测人员从该批次的柚子中挑选能代表各个类型的柚子；

S3.口感检测人员对挑选的柚子进行品尝，根据其感觉将品尝的柚子进行品质分类，并为每个类别挑选多个训练样本；

S4.获取各训练样本的轮廓、表面及表层图像特征、重量并作为第二参数；

S5.根据训练样本的轮廓、重量得到品质评价指标，将各训练样本的品质评价指标之间的比值作为第三参数；

S6.分别将第一参数、第二参数、第三参数输入不同的数据挖掘分类模型进行训练，分别使用各数据挖掘分类模型对待测样本进行分类，由口感检测人员挑选最适合的分类模型作为最终的分类模型；

S7.使用最终的分类模型对该批次的柚子进行品质分类。

同一批次的柚子的年份、区域、采摘时间一致。柚子的体积与重量的比值是柚子口感的重要挑选标准，可以作为品质评价指标，质评价指标直接计算涉及到像素长度的标定，精确的长度标定甚至还需要线纹尺，不但成本高，而且步骤复杂。由于同一批次的柚子之间的品质评价指标的比值更有实际意义。

在步骤S5中，其中一个训练样本的品质评价指标Q_p为：

其中，

如图2所示，x为图像像素的边长，hx为柚子的高，nx为柚子的宽，m柚子的质量，v柚子的体积，

另一个训练样本的品质评价指标Q_s为：

m_s为训练样本的质量，v_s为训练样本的体积，其中，

h_s为当前训练样本高的像素个数，n_s为其宽的像素个数，品质评价指标Q_p与品质评价指标Q_s的比值R_p：

令：

在同一测试批次上，A_p为常数，

其中，

求取品质评价指标的比值R_p的n和h不再需要像素标定，也减少了运算量。质量m由称重传感器测出来，运行时只需要计算V_t，则可得到R_p的值。若柚子分为k个类别，则R_p为包含k个元素的向量，其每个元素取类内的平均值。

在步骤S6中，数据挖掘分类模型包括PCA数据挖掘分类模型、K-Means数据挖掘分类模型，当然不可以包括其他数据挖掘分类模型。

一种柚子品质分类装置，包括计算机1，还包括传送带2，传送带2上方设有检测箱3，检测箱3内腔顶部设有顶部光源4，检测箱3内腔两侧分别设有第一侧光源5、第二侧光源6，检测箱3内腔设有若干个图像采集单元7，传送带2下方设有称重传感器8，计算机1分别电性连接顶部光源4、第一侧光源5、第二侧光源6、图像采集单元7、称重传感器8。柚子9果柄朝上置于托盘上，托盘运动到称重传感器8上后称重结果实时传输至计算机1。计算机1可以对顶部光源4、第一侧光源5、第二侧光源6进行调节，使柚子9表面的打光达到拍照所需的亮度。若干个图像采集单元7固定于箱体内部，在计算机1的控制下，图像采集单元7对柚子9采集图像，得到的图像供计算机1处理。计算机1根据采集到的参数利用上述的方法对柚子9进行品质分类。计算机1处理主要包含提取柚子9的轮廓、纹理、柚皮表面的斑点特征、斑点数量、有无腐烂或机械伤害。其中具有腐烂或机械伤害特征的柚子9不受其它特征影响，直接规定为不合格。

图像采集单元7包括相机、高光谱图像传感器、红外图像传感器中的至少一种。检测箱3由不透光的物质制成，以免外部光源对内部图像采集单元7采集的图像造成干扰。

本发明通过根据口感对同一批次的柚子挑选训练样本，根据训练样本的参数构建分类模型，利用该分类模型对该批次的柚子进行品质分类，分类效果好，柚子品质的一致性好。通过口感检测人员挑选能代表各个类型的柚子，对挑选的柚子进行品尝，并根据柚子的口感进行品质分类和挑选各类别的训练样本，可以准确分类，保证柚子品质的一致性。将柚子的年份、区域、采摘时间、种植监测数据并作为第一参数，将训练样本的轮廓、表面及表层图像特征、重量作为第二参数，将各训练样本的品质评价指标之间的比值作为第三参数，根据第一参数、第二参数、第三参数挑选最适合的分类模型，分类模型的泛化能力强，稳定性好。

以上仅是本发明的优选实施方式，应当指出对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些都不会影响本发明实施的效果和专利的实用性。