一种检测空壳核桃的方法
阅读说明：本技术 一种检测空壳核桃的方法 (Method for detecting empty-shell walnuts ) 是由 彭丹 毕艳兰 刘亚丽 陈竞男 杨嘉盛 于 2021-08-12 设计创作，主要内容包括：本发明涉及一种检测空壳核桃的方法,包括如下步骤：1)采集被检测核桃的近红外光谱；2)将采集的近红外光谱输入空壳核桃检测模型,得到核桃空壳与否的检测结果；空壳核桃检测模型利用训练集训练得到,训练集包括若干组空壳核桃及其对应的近红外光谱,和若干组实仁核桃及其对应的近红外光谱。本发明采用近红外光谱技术对核桃空壳率进行检测研究,提高了空壳核桃检测的准确度和检测速度,为无损检测空壳核桃提供了技术支持。(The invention relates to a method for detecting empty walnuts, which comprises the following steps: 1) collecting the near infrared spectrum of the detected walnut; 2) inputting the collected near infrared spectrum into a detection model of the empty walnut to obtain a detection result of whether the walnut is empty or not; the empty shell walnut detection model is obtained by training by utilizing a training set, wherein the training set comprises a plurality of groups of empty shell walnuts and corresponding near infrared spectrums thereof, and a plurality of groups of real kernel walnuts and corresponding near infrared spectrums thereof. The invention adopts the near infrared spectrum technology to carry out detection research on the empty shell rate of the walnut, improves the detection accuracy and the detection speed of the empty shell walnut and provides technical support for nondestructive detection of the empty shell walnut.)
技术领域
本发明涉及一种检测空壳核桃的方法，属于农业种植领域。
背景技术
我国核桃种植面积和产量位居世界前列，核桃中核仁状态会直接影响其销售价格，因此核桃空壳率成为核桃收购过程中必检指标，也是评定核桃等级的重要依据。
目前，核桃空壳率检测方法主要为重量分析法，如表1的实仁核桃和空壳核桃的重量比较所示，实仁核桃和空壳核桃的重量范围为5.23～11.60g和2.61～7.50g，实仁核桃的平均重量约为空壳核桃的1.5倍，两种类型核桃重量在5.23g～7.50g范围内存在重叠。
表1实仁和空壳核桃的重量比较
类型
样品量
范围/g
平均值/g
标准偏差/g
实仁
100
5.23～11.60
7.26
1.34
空壳
100
2.61～7.50
4.84
1.16
若以空壳核桃的重量上限值7.50g为基准，虽然空壳核桃的判别准确度为100％，但实仁核桃中有68％判定为空壳核桃；而当以实仁核桃的重量下限值5.23g为基准时，其空壳核桃的判别准确度仅为66％，而且如图1的不同品种核桃的重量差异图所示，不同品种实仁核桃的重量范围存在一定的差异。此外，贮藏时间对实仁核桃的重量也会产生影响，这可能与核桃中水分含量变化有关系。如图2的不同种类核桃贮藏前后重量差异图所示，贮藏时间会造成实仁核桃重量的减少，以重量范围的下限值为基准，空壳核桃的判别正确率会进一步降低。因此，重量法并不能够准确判别核桃中的空壳情况。除此检测方法之外还有人工检测、分级设备法、X射线法等，存在误判率较高、检测时间长等问题。
发明内容
本发明的目的是提供一种检测空壳核桃的方法，用以解决误判率高、检测时间长的问题。
本发明为一种检测空壳核桃的方法，包括如下步骤：
1)采集被检测核桃的近红外光谱；
2)将采集的近红外光谱输入空壳核桃检测模型，得到核桃空壳与否的检测结果；
空壳核桃检测模型利用训练集训练得到，训练集包括若干组空壳核桃及其对应的近红外光谱，和若干组实仁核桃及其对应的近红外光谱。
这样做的有益效果为：本发明采用近红外光谱技术对核桃空壳率进行检测研究，提高了空壳核桃检测的准确度和速度，为无损检测空壳核桃提供技术支持。
进一步的，空壳核桃检测模型为SVM模型或者LDA模型。
进一步的，空壳核桃检测模型为SVM模型，采用RBF作为SVM建模过程中的核函数。
进一步的，采用网格搜索法确定RBF参数，得到SVM模型中核函数与惩罚系数的组合为：核函数为1.93×10-2，惩罚系数为2.68×105。
进一步的，空壳核桃检测模型为LDA模型，采用Linear作为判别函数。
进一步的，近红外光谱为近红外光照射核桃肚处得到的近红外光谱。
这样做的有益效果为：选择核桃肚为最佳近红外光谱检测位置，使数据的均方根误差降低，提高了近红外光谱的重复性和稳定性，也即提高了近红外光谱的信噪比。
进一步的，还包括对采集的近红外光谱进行预处理，预处理的方法包括以下处理方法中的至少一种：归一化算法处理、一阶求导处理、多元散射校正处理、正态变量变换处理、多项式卷积平滑法处理、以及去趋势化处理。
这样做的有益效果为：在建模前对原始光谱进行预处理，消除基线漂移、背景、噪声等其他无关的干扰信息，提高建模的准确性。
进一步的，近红外光谱的波段为780nm-1100nm。
这样做的有益效果为：波段选择为了在建模前进一步的避免无关信息干扰，并且减少了建模变量，提高建模速度和精度。
进一步的，采用正态变量变换对采集的近红外光谱进行预处理。
进一步的，检测空壳核桃的方法还包括计算空壳率的步骤：
按照步骤1)～步骤2)的方法确定所有被检测核桃空壳与否的检测结果，以确定空壳核桃的空壳果数；计算空壳果数与共测果数的比值，得到空壳率。
附图说明
图1是本发明背景技术中不同品种核桃的重量差异图；
图2是本发明背景技术中不同种类核桃贮藏前后重量差异图；
图3是核桃不同测量位置图；
图4是不同扫描位置核桃的近红外光谱的信噪比；
图5是核桃不同样品状态图；
图6是不同核桃外壳状态的近红外光谱图；
图7是不同种类核桃样品的近红外光谱图；
图8是未处理前核桃近红外原始光谱图；
图9是经过正态变量变换(SNV)预处理后的核桃近红外光谱图；
图10是经过归一化算法(Normalize)预处理后的核桃近红外光谱图；
图11是经过一阶求导(1st)预处理后的核桃近红外光谱图；
图12是经过多元散射校正(MSC)预处理后的核桃近红外光谱图；
图13是经过多项式卷积平滑法(S-G平滑法)预处理后的核桃近红外光谱图；
图14是经过去趋势化(De-trending)预处理后的核桃近红外光谱图；
图15是支持向量机模型中核函数G和惩罚因子C网络优化过程图。
具体实施方式
下面结合附图对本发明做进一步详细的说明。
实施例：
本发明分别对空壳核桃和实仁核桃的近红外光谱进行测量，由于核桃的脂肪、蛋白质和水分主要存在于核仁中，使得空壳核桃的近红外吸光度明显低于实仁核桃，两类核桃的近红外光谱具有较为显著的差异。因此，采用近红外光谱技术检测核桃空壳情况是具有可行性。
本发明核桃空壳率的检测方法步骤为：
1)选择核桃最佳近红外光谱检测位置；
核桃外壳不同部位的结构有很大差异，如图3所示，其中核桃肚③(平放)的外壳纹路较少且平整，壳皮厚度较薄；核桃边②(沿缝合线放)边较宽且桩高尖大，外壳纹路粗旷；核桃底①(立放)的外壳纹路较多且深，壳皮较厚。近红外光入射的核桃外壳表面位置对进入壳内的光所经过的路径有重要的影响，因此，测量位置是空壳核桃近红外检测的一个关键因素。
如图4不同扫描位置核桃的近红外光谱的信噪比所示，根据信噪比与预测的均方根误差(RMSEP)相关方程式可知，其它条件不变情况下，信噪比(SNR)提高10.0％，均方根误差(RMSEP)会降低9.1％。
其中，B为回归系数，与具体的建模方法和建模参数有关。
因此本发明选择核桃肚③(平放)为核桃的最佳检测位置。
2)对采集的核桃近红外光谱进行预处理；
如图5核桃不同样品状态图所示，核桃外壳状态常见的有两种：一种是光滑的外壳较薄且舒展，另一种是褶皱的外壳较厚且棱角多。如图6不同核桃外壳状态的近红外光谱所示，不同核桃外壳状态对近红外光谱的重复性和稳定性影响较大，因为近红外光照射到核桃外表面时，相比于光滑外壳，褶皱外壳会对入射光产生强烈的散射作用，从而干扰近红外光谱信息的采集。因此，需要对采集的核桃近红外光谱进行预处理。
同时现有核桃种类很多，在我国核桃就有二十多种，目前常见的品种有新疆薄壳核桃、云南泡核桃和河南绵仁核桃三种。不同品种核桃的外观有一定的差异(如结构、尺寸、颜色等)，这有可能增加空壳核桃近红外检测的无关信息。为此，以三个不同品种的核桃为研究对象，每个品种随机取10个样品，考察核桃种类对其近红外光谱的影响，结果如图7不同种类核桃样品的近红外光谱图所示。不同品种核桃的近红外光谱相差不大，整个光谱的平均变异系数不超过0.06，远远小于空壳核桃与实仁核桃之间光谱的平均变异系数0.18，这说明核桃样品种类对核桃近红外光谱影响较小。因此，本研究将三个不同品种核桃的近红外光谱汇合到一起进行建模研究。
如图8未处理前核桃近红外原始光谱图所示，核桃近红外光谱中不仅包含自身内部的结构信息，还可能包含基线漂移、背景、噪声等其他无关的干扰信息，这些干扰信息的存在会直接影响所建模型稳健性和准确性。因此，本发明采用正态变量变换(SNV)的方法对核桃近红外光谱进行预处理。如图9所示为经过正态变量变换(SNV)预处理后的核桃近红外光谱图，处理后光谱整体形状与原始光谱基本相同，样品光谱的分散程度降低。
除本实施例中对核桃近外光谱进行预处理的方法采用正态变量变换(SNV)外，还可以应用归一化算法(Normalize)(如图10所示)、一阶求导(1st)(如图11所示)、多元散射校正(MSC)(如图12所示)、多项式卷积平滑法(S-G平滑法)(如图13所示)及去趋势化(De-trending)(如图14所示)的方法，如表2不同预处理方法下核桃空壳率的线性判别模型结果所示，根据表2分析可得，以上所述的各种预处理方法中，本实施例采用的正态变量变换(SNV)的空壳识别率最高。
表2不同预处理方法下核桃空壳率的线性判别模型结果
3)对预处理之后的近红外光谱进行波段选择；
波段选择一方面避免无关信息干扰，提取待测核桃组成相关的光谱信息；另一方面减少建模变量，提高建模速度，不同检测波段核桃空壳率的建模结果相差较大，如表3不同波段下核桃空壳率的线性判别模型结果所示，在整个核桃近红外光谱波长范围内780～1100nm的空壳率的判别效果最好，因此本发明选择780～1100nm范围作为核桃空壳率最佳建模波段。
表3不同波段下核桃空壳率的线性判别模型结果
作为其他实施方式，本发明也可以先进行波段选择，在获得近红外光谱后，截选出判别效果好的780～1100nm范围，再对选出的波长范围进行上述步骤2)的预处理过程，这样能降低预处理的数据处理量，增加处理效率。对于波段选择和预处理过程的先后顺序，本发明不做限定。
4)将最佳波段的近红外光谱进行建模分析；
本发明选择以Linear为判别函数建立LDA鉴别模型。线性判别分析(LDA)是一种有监督的识别方法，其分类思想是将高维样本数据投影到最佳分类的向量空间，以达到抽取分类信息和压缩特征空间维数的效果。根据判别函数不同，该法可分为线性判别分析(Linear)、二次判别分析(Quadratic)、马氏距离判别分析(Mahalanobis)等。如表4空壳核桃的线性判别模型结果所示，其中，在核桃近红外光谱建模中，Linear为判别函数建模效果较好，整个模型识别率达100.0％，在保真的前提下，可以实现空壳核桃100％鉴别。
表4空壳核桃的线性判别模型结果
除本实施例之外，对于最佳波段的近红外光谱的建模分析还可以采用支持向量机(SVM)的方法进行建模，支持向量机(SVM)是通过引入核函数将低维空间线性不可分的模式通过非线性映射到高维特征空间，从而实现线性可分的目的。在SVM建模过程中，需要确定两个关键参数：核函数和核函数参数，其值的选择直接影响模型的分类效果和预测精度。目前，常见的核函数有线性核函数(Linear)、多项式核函数(Polynomial)、径向基核函数(RBF)、S型核函数(Sigmoid)等。本发明参考已有研究经验，并经过比较选择RBF作为核函数。对RBF参数的确定采用网格搜索法，核函数G的选择范围1.0×10-3～1.0×100，预设惩罚系数C的选择范围1.0×102～1.0×106，经过10000次迭代，通过交互验证的识别准确率选择G和C值，其结果如图15所示。
根据图15分析可得，经过网络搜索法得到(G，C)的最优组合是一个范围，采用网格搜索法结合粒子群算法进行全局搜索，寻找最佳参数，经计算(G，C)的最优组合为(1.93×10-2，2.68×105)，此时对应的支持向量个数为31。采用所建立的支持向量机模型对随机分配的50个核桃样品进行预测，其结果见表5所示。
表5空壳核桃的支持向量机判别结果
对于两种模型的验证，采用50个未知核桃样品进行检测，结果如表6所示。本发明采用的LAD法预测效果更好。
表6空壳核桃的模型验证结果
在检测出空壳核桃之后采用计数法，将核桃铺放在洁净的平面上，把空壳核桃挑出记其数量，用空壳核桃数与核桃总样品数的比值计算空壳率，计算公式如下：
本发明采用近红外技术结合化学计量学方法建立核桃空壳率的鉴别模型，通过该模型可以对核桃空壳情况进行准确的识别。现有技术中通过重量检测核桃是否空壳的方法，易受核桃品种和储藏时间等因素的影响，导致空壳核桃判别正确率较低的问题。针对现有技术中存在的问题，本发明基于空壳核桃内水分、蛋白质和脂肪等物质对近红外光的吸收度明显低于实仁核桃的特点，采用近红外光照射的方法进行核桃空壳率的检测。具体利用近红外光对核桃肚(平放)进行检测，将检测得到的数据(近红外光谱)通过正态变量变换(SNV)的方法进行预处理，预处理之后选择780～1100nm范围作为核桃空壳率的检测波段和建模波段，最后选择以Linear为判别函数建立LDA鉴别模型进行空壳率检测，达到100.0％的核桃空壳识别率。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种光稳定剂-123中120号溶剂油的检测方法