專(zhuān)利名稱(chēng)：水果內(nèi)部品質(zhì)檢測(cè)分級(jí)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種水果內(nèi)部品質(zhì)檢測(cè)分級(jí)方法，具體地，涉及一種基于近紅外光譜 檢測(cè)技術(shù)和支持向量機(jī)模型(即SVM模型)的水果內(nèi)部品質(zhì)檢測(cè)分級(jí)方法。
背景技術(shù)：
水果無(wú)損檢測(cè)是指在不破壞水果外形的前提下，對(duì)水果的糖度、酸度、硬度等內(nèi)部 品質(zhì)參數(shù)進(jìn)行檢測(cè)，這些指標(biāo)對(duì)水果的分級(jí)和定價(jià)有著重要影響。水果具有一定的光譜特 性，檢測(cè)并分析其光譜特性(即水果對(duì)光的選擇、吸收以及反射等性質(zhì))是水果無(wú)損檢測(cè)的
一個(gè)重要方面。光與水果的相互作用過(guò)程為當(dāng)一束光射向水果時(shí)，水果會(huì)對(duì)光發(fā)生反射、透射、 吸收等現(xiàn)象。典型地，通過(guò)水果和近紅外光線(xiàn)的相互作用，使得水果成分以及內(nèi)部品質(zhì)參數(shù) 等有關(guān)信息負(fù)載到近紅外光線(xiàn)上，并從近紅外光線(xiàn)中分析并提取出水果內(nèi)部品質(zhì)參數(shù)。具 體地，水果中的碳水化合物、淀粉、糖分等成分分子屬于紅外活性分子，當(dāng)近紅外光照射到 水果上時(shí)，不同水果的內(nèi)部成分對(duì)于不同波長(zhǎng)的光學(xué)吸收和散射程度不同。隨著水果內(nèi)部 成分以及各成分質(zhì)量分?jǐn)?shù)的不同，其光譜特性(例如近紅外光譜特性)也將發(fā)生變化，利用 這一特性，可以根據(jù)近紅外光譜分析出水果中的主要成分以及相關(guān)的內(nèi)部品質(zhì)信息。隨著世界各國(guó)對(duì)水果品質(zhì)和食用安全性提出越來(lái)越高的要求，近紅外光譜(Near Infrared Spectrum, NIRS)檢測(cè)技術(shù)在在水果無(wú)損檢測(cè)中已經(jīng)得到日益廣泛的應(yīng)用。所謂 近紅外光譜檢測(cè)技術(shù)，即是利用水果對(duì)近紅外光線(xiàn)的吸收、散射、反射以及透射等特性來(lái)確 定水果成分和相關(guān)內(nèi)部品質(zhì)參數(shù)(例如糖度、酸度、硬度等)的一種方法。此外，利用近紅外 光譜檢測(cè)技術(shù)來(lái)確定水果品質(zhì)的方法在一些論文中也已經(jīng)進(jìn)行了公開(kāi)，這些文獻(xiàn)在近紅外 光線(xiàn)的不同波長(zhǎng)范圍內(nèi)，對(duì)水果的糖度、酸度、硬度等內(nèi)部品質(zhì)的近紅外檢測(cè)進(jìn)行了研究。從目前的研究情況來(lái)看，研究的焦點(diǎn)主要集中在獲得預(yù)測(cè)精度更高、更穩(wěn)定的水 果內(nèi)部品質(zhì)預(yù)測(cè)模型。但是，在此基礎(chǔ)上，依據(jù)水果內(nèi)部品質(zhì)預(yù)測(cè)值對(duì)水果口感進(jìn)行分級(jí)的 研究還很少涉及，目前還沒(méi)有統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)可以作為水果口感分級(jí)的依據(jù)，這是阻礙水 果口感分級(jí)研究進(jìn)展的一個(gè)重要原因。水果品質(zhì)如糖度、酸度和硬度所反映的水果口感具 有一定的模糊性，即不同的人對(duì)同一水果的口感是有所差異的。這種模糊性體現(xiàn)在判定的 標(biāo)準(zhǔn)不清晰，即無(wú)法使用統(tǒng)一既定的標(biāo)準(zhǔn)來(lái)對(duì)水果的口感進(jìn)行明確的分級(jí)。同時(shí)，這種模糊 性也導(dǎo)致使用傳統(tǒng)的分級(jí)方法來(lái)對(duì)水果進(jìn)行口感分級(jí)往往很難獲得確定性評(píng)判結(jié)果。鑒于現(xiàn)有技術(shù)的上述缺陷，需要一種新的水果內(nèi)部品質(zhì)檢測(cè)分級(jí)方法，以能夠有 效地對(duì)水果進(jìn)行無(wú)損檢測(cè)，并依據(jù)檢測(cè)值來(lái)對(duì)水果的品質(zhì)、尤其是口感進(jìn)行分級(jí)。

發(fā)明內(nèi)容
本發(fā)明的目的是要提供一種水果內(nèi)部品質(zhì)檢測(cè)分級(jí)方法以克服現(xiàn)有技術(shù)的上述 缺陷，其不僅能夠有效地對(duì)水果進(jìn)行無(wú)損檢測(cè)，并能夠依據(jù)檢測(cè)值來(lái)對(duì)水果的內(nèi)部品質(zhì)、尤 其是口感進(jìn)行相對(duì)可靠的分級(jí)。
為解決上述技術(shù)問(wèn)題，本發(fā)明提供一種水果內(nèi)部品質(zhì)檢測(cè)分級(jí)方法，該水果內(nèi)部 品質(zhì)檢測(cè)分級(jí)方法包括如下步驟1)水果樣本的數(shù)據(jù)采集步驟通過(guò)近紅外光譜檢測(cè)技術(shù)獲取所述水果樣本的近 紅外光譜，并通過(guò)理化方法獲取所述水果樣本的內(nèi)部品質(zhì)參數(shù)信息；2)水果樣本內(nèi)部品質(zhì)分級(jí)的支持向量機(jī)模型建立步驟(1)選取1為水果樣本的個(gè)數(shù)，每個(gè)水果樣本的測(cè)試誤差P _一之和與水果樣本總
數(shù)的比值為預(yù)測(cè)平均誤差，其中 為水果樣本內(nèi)部品質(zhì)的預(yù)測(cè)隸屬度,Ui為水果樣本內(nèi)部品 質(zhì)的測(cè)定隸屬度，并且1 < i < 1 ；(2)設(shè)定分級(jí)規(guī)則如下=Ui >0. 55，水果樣本屬于高品質(zhì)；0< Ui彡0. 55，水果樣 本屬于中品質(zhì)叫<-0.55，水果樣本屬于低品質(zhì)；并且選定一個(gè)實(shí)數(shù)￡，其中0彡ε彡1，
對(duì)于各個(gè)水果樣本，若測(cè)試誤差P，則對(duì)該水果樣本的內(nèi)部品質(zhì)分級(jí)正確；若測(cè)試誤 差ρ - Μ,| > ，則對(duì)該水果樣本的內(nèi)部品質(zhì)分級(jí)錯(cuò)誤，其中分級(jí)正確的樣本數(shù)量與水果樣本總數(shù)1的比值為正確率；3)水果樣本內(nèi)部品質(zhì)的測(cè)定隸屬度的確定步驟基于所述水果樣本的內(nèi)部品質(zhì) 參數(shù)信息確定所述水果樣本內(nèi)部品質(zhì)的測(cè)定隸屬度Ui ；4)水果樣本內(nèi)部品質(zhì)的預(yù)測(cè)隸屬度的確定步驟通過(guò)所述近紅外光譜建立基于 支持向量數(shù)據(jù)域描述的隸屬度函數(shù)，通過(guò)該隸屬度函數(shù)預(yù)測(cè)所述水果樣本所對(duì)應(yīng)級(jí)別的預(yù) 測(cè)隸屬度 ；5)水果樣本內(nèi)部品質(zhì)的分級(jí)步驟在上述基礎(chǔ)上，將各個(gè)水果樣本內(nèi)部品質(zhì)的預(yù) 測(cè)隸屬度 和測(cè)定隸屬度Ui代入所述支持向量機(jī)模型進(jìn)行分析評(píng)判，得到預(yù)測(cè)平均誤差，并 且依據(jù)所述支持向量機(jī)模型的分級(jí)規(guī)則對(duì)各個(gè)水果樣本進(jìn)行分級(jí)并判斷內(nèi)部品質(zhì)分級(jí)的 正確率。本發(fā)明的水果內(nèi)部品質(zhì)檢測(cè)分級(jí)方法基于近紅外光譜檢測(cè)技術(shù)以及SVM模型(即 “支持向量機(jī)”模型)，對(duì)于水果預(yù)測(cè)樣本的內(nèi)部品質(zhì)進(jìn)行模糊分級(jí)，平均誤差低，正確率高， 可以取得良好的水果品質(zhì)分級(jí)、尤其是口感程度分級(jí)的效果。不同于傳統(tǒng)分級(jí)方法所進(jìn)行 的分類(lèi)，本發(fā)明基于水果內(nèi)部品質(zhì)分級(jí)的SVM模型，依據(jù)規(guī)則把蘋(píng)果樣本分成高品質(zhì)、中品 質(zhì)、低品質(zhì)三級(jí)。一方面，利用口感隸屬度的預(yù)測(cè)值與設(shè)定值的差值來(lái)進(jìn)行分級(jí)正確與否的 評(píng)判，降低了作出錯(cuò)誤評(píng)判所帶來(lái)的風(fēng)險(xiǎn)。另一方面，通過(guò)口感隸屬度還可以了解到水果樣 本對(duì)于所屬類(lèi)的口感隸屬程度，使得水果樣本的內(nèi)部品質(zhì)信息更加清晰明了，從而獲得優(yōu) 質(zhì)的分級(jí)效果。有關(guān)本發(fā)明的其他特征和優(yōu)點(diǎn)將在隨后的具體實(shí)施方式
部分予以詳細(xì)說(shuō) 明。


圖1是水果的近紅外光漫反射檢測(cè)平臺(tái)的示意圖；圖2是基于支持向量機(jī)模型(即SVM模型)的水果品質(zhì)分級(jí)過(guò)程。圖中1光源、2蘋(píng)果、3密封墊圈、4光纖探頭、5檢測(cè)光纖、6光譜儀、7數(shù)據(jù)線(xiàn)、8計(jì) 算機(jī)。
具體實(shí)施例方式以下結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式
進(jìn)行詳細(xì)說(shuō)明。需要說(shuō)明的是，本發(fā)明的水果內(nèi)部品質(zhì)檢測(cè)分級(jí)方法可以適用各種水果，例如蘋(píng) 果、梨、桃子等。下文為描述方便，將使用蘋(píng)果作為例子進(jìn)行闡述。但是，本領(lǐng)域技術(shù)人員顯 然能夠想到的是，由于蘋(píng)果與其它水果一般僅是在糖度、酸度、成分存在一定的差異，因此 本發(fā)明的水果內(nèi)部品質(zhì)檢測(cè)分級(jí)方法同樣是適用的。本發(fā)明所提供的水果內(nèi)部品質(zhì)檢測(cè)分級(jí)方法包括如下步驟第一，通過(guò)近紅外光譜檢測(cè)技術(shù)和理化方法采集水果樣本的近紅外光譜和內(nèi)部品 質(zhì)參數(shù)。采用近紅外光譜檢測(cè)技術(shù)，例如，可以采用近紅外光漫反射檢測(cè)方式來(lái)采集水果 樣本的內(nèi)部品質(zhì)參數(shù)信息。圖1顯示了水果的近紅外光漫反射檢測(cè)平臺(tái)的示意圖，其中，將 四個(gè)光源1放在被測(cè)水果(例如蘋(píng)果2)的周?chē)?，在設(shè)計(jì)過(guò)程中，把檢測(cè)光纖5集成在一個(gè) 光纖探頭4上，密封墊圈3既對(duì)光線(xiàn)的漫反射起到密封的作用，又能起到放置水果樣本的作 用。工作時(shí)，由光源1發(fā)出的光透入蘋(píng)果2內(nèi)部，經(jīng)蘋(píng)果內(nèi)部組織漫反射后攜帶相應(yīng)的組織 結(jié)構(gòu)信息的光返回到蘋(píng)果表皮，再通過(guò)檢測(cè)光纖5進(jìn)入光譜儀6的檢測(cè)器，通過(guò)數(shù)據(jù)線(xiàn)7把 光譜信息傳送到計(jì)算機(jī)8，以進(jìn)行進(jìn)一步的處理。測(cè)量光譜時(shí)，檢測(cè)參數(shù)可以設(shè)置為測(cè)量 波長(zhǎng)范圍為400 lOOOnm，采樣間隔為0. 37nm,并可以使用白板作為光譜信息的參比材料。例如，可以準(zhǔn)備四十個(gè)水果樣本，隨機(jī)選取30個(gè)水果作為訓(xùn)練樣本，10個(gè)作為測(cè) 試樣本。使用海洋光學(xué)公司的USB2000光纖光譜儀采集水果近紅外吸收光譜，采集波長(zhǎng)范 圍是400-1000nm，采樣間隔為0. 37nm，得到每個(gè)水果樣本的平均原始光譜。對(duì)原始光譜進(jìn) 行平滑處理、微分處理以及多元散射校正，然后通過(guò)主成分法提取蘋(píng)果的近紅外特征光譜。此外，可以通過(guò)理化方法，例如使用上海雷磁儀器公司的Phs j_4A型PH計(jì)測(cè)量蘋(píng) 果的有效酸度，上海光學(xué)儀器五廠生產(chǎn)的阿貝折射儀測(cè)量糖度。第二，建立水果樣本內(nèi)部品質(zhì)分級(jí)的SVM模型。SVM模型，即“支持向量機(jī)”模型。在此需要說(shuō)明的是，“支持向量機(jī)”(SVM)是一 種基于統(tǒng)計(jì)學(xué)理論的模式識(shí)別方法，其主要應(yīng)用于模式識(shí)別領(lǐng)域?！爸С窒蛄繖C(jī)”實(shí)際是一 種算法，而并非實(shí)際的“機(jī)器”?！爸С窒蛄繖C(jī)”已經(jīng)發(fā)展出多個(gè)分支，例如模糊支持向量機(jī) (FSVM)、最小階乘支持向量機(jī)、加權(quán)支持向量機(jī)等。需要說(shuō)明的是，在本發(fā)明的水果內(nèi)部品 質(zhì)檢測(cè)分級(jí)方法中建立的SVM模型主要應(yīng)用“模糊支持向量機(jī)”的原理，其中，“隸屬度”是 “支持向量機(jī)的一個(gè)關(guān)鍵概念”，其主要含義是若對(duì)域(即研究的范圍)U中的任一元素X， 都有一個(gè)數(shù)A(x) e
與之對(duì)應(yīng)，則稱(chēng)A為U上的模糊集，A(X)稱(chēng)為χ對(duì)A的隸屬度。 當(dāng)χ在U中變動(dòng)時(shí)，A(X)就是一個(gè)函數(shù)，稱(chēng)為A的隸屬函數(shù)。隸屬度A(X)越接近于1，表示 χ屬于A的程度越高，A(X)越接近于0表示χ屬于A的程度越低，從而可以采用取值在區(qū)間
的隸屬函數(shù)A(X)來(lái)表征χ屬于A的程度高低。本發(fā)明的水果內(nèi)部品質(zhì)檢測(cè)分級(jí)方法建立的SVM模型具體如下(1)選取1為水果樣本的個(gè)數(shù)，將每個(gè)水果樣本的測(cè)試誤差P _一之和與樣本總數(shù)
1的比值為預(yù)測(cè)平均誤差，平均誤差越小，表明模型的識(shí)別精度越高。其中 為樣本的預(yù)測(cè) 隸屬度，Ui為樣本的測(cè)定隸屬度。(2)設(shè)定分級(jí)規(guī)則如下=Ui > 0. 55，水果樣本屬于高品質(zhì)；0 < | Ui | ( 0. 55，水果樣本屬于中品質(zhì)；Ui<-0. 55，水果樣本屬于低品質(zhì)。依據(jù)分級(jí)規(guī)則把水果樣本分成高品質(zhì)、中 品質(zhì)、低品質(zhì)三類(lèi)。選定一個(gè)實(shí)數(shù)ε (0彡ε彡1)，對(duì)于每一個(gè)水果樣本，若誤差
則認(rèn)為對(duì)于此水果樣本的分級(jí)正確；若誤差ρ-一> 〃則認(rèn)為對(duì)于此水果樣本的分級(jí)錯(cuò)誤，
分級(jí)正確的水果樣本數(shù)與水果樣本總數(shù)的比值為正確率。ε取值越小，所作錯(cuò)誤分級(jí)的風(fēng) 險(xiǎn)相對(duì)較小，一般而言，ε可以取為0.5以下，以增加預(yù)測(cè)的準(zhǔn)確性。第三，水果樣本內(nèi)部品質(zhì)的測(cè)定隸屬度的確定。水果樣本測(cè)定隸屬度的確定可以包括基于支持向量數(shù)據(jù)域描述的隸屬度的確定 和基于糖度和酸度得分的隸屬度的確定。其中，基于糖度和酸度得分的隸屬度是水果樣本 內(nèi)部品質(zhì)的測(cè)定隸屬度的主要確定方式，而基于支持向量數(shù)據(jù)域描述的隸屬度可以作為對(duì) 基于糖度和酸度得分的隸屬度的修正，以提高水果樣本內(nèi)部品質(zhì)的測(cè)定隸屬度的基于支持向量數(shù)據(jù)域描述的口感隸屬度可以描述為給定訓(xùn)練樣本集X = {Xl，…，Xi,…Xl}(其中XiERn為輸入空間)，建立樣本的數(shù)據(jù)域描述模型，需要尋找樣本 的最小包含超球。當(dāng)輸入空間中的樣本為非球形分布時(shí)，引入映射φ :Rn —F將輸入空間 中的樣本映射到一個(gè)高維的特征空間F，然后通過(guò)一個(gè)二次規(guī)劃進(jìn)行口感隸屬度的求解，有 關(guān)支持向量機(jī)模型的算法已經(jīng)比較成熟，對(duì)此不再贅述。基于糖度和酸度得分的測(cè)定隸屬度的確定可以描述為例如，就蘋(píng)果而言，酸度和 糖度含量高的蘋(píng)果，風(fēng)味才會(huì)好，在國(guó)際市場(chǎng)上也更具有競(jìng)爭(zhēng)力。按照中華人民共和國(guó)國(guó)家 標(biāo)準(zhǔn)——鮮蘋(píng)果(GB/T 10651-2008)的蘋(píng)果理化指標(biāo)參考值，蘋(píng)果糖度的含量通常希望超 過(guò)10%。通常把高糖度和高酸度的蘋(píng)果歸于高品質(zhì)，相反低糖度和低酸度的蘋(píng)果則歸于低 品質(zhì)。通過(guò)對(duì)樣本的糖度和酸度值進(jìn)行打分，得分值高的蘋(píng)果則隸屬于高品質(zhì)的可能性大， 得分值低的蘋(píng)果則隸屬于低品質(zhì)的可能性較大，以此來(lái)確定蘋(píng)果的測(cè)定隸屬度。因?yàn)闆](méi)有糖度和酸度對(duì)口感影響的標(biāo)準(zhǔn)，可以設(shè)定糖度和酸度內(nèi)部品質(zhì)指標(biāo)的權(quán) 值相等，即假設(shè)糖度和酸度對(duì)水果的風(fēng)味口感影響因素相同，因此水果樣本內(nèi)部品質(zhì)的測(cè) 定隸屬度則為以0. 5為界限對(duì)所對(duì)應(yīng)的水果樣本劃分為兩類(lèi)，大于0. 5的水果樣本，對(duì)高 品質(zhì)的隸屬度較高；小于0. 5的水果樣本，對(duì)低品質(zhì)的隸屬度較高。通過(guò)基于糖度和酸度得 分的隸屬度的大小來(lái)反映水果內(nèi)部品質(zhì)所屬級(jí)別及其可信度。水果樣本內(nèi)部品質(zhì)測(cè)定隸屬度的確定以基于糖度和酸度得分的內(nèi)部品質(zhì)隸屬度 為基礎(chǔ)，而將水果樣本的上述基于數(shù)據(jù)域描述的隸屬度作為對(duì)前者的一種修正。通過(guò)上述 隸屬度的定義可知，當(dāng)基于數(shù)據(jù)域描述的隸屬度值為1或接近1時(shí)，即樣本Xi滿(mǎn)足數(shù)據(jù)域 描述，則基于糖度和酸度得分所確定的內(nèi)部品質(zhì)隸屬度可以完全信任或充分；當(dāng)該值小于 1時(shí)，樣本Xi偏離數(shù)據(jù)域描述，也就是偏離其所在的類(lèi)總體，則基于糖度和酸度得分所確定 的內(nèi)部品質(zhì)隸屬度的信任程度隨著樣本的模糊隸屬度的減小而降低，需要對(duì)其進(jìn)行修正， 降低Xi所屬類(lèi)的隸屬度。通過(guò)上述過(guò)程，最終獲得基于數(shù)據(jù)域描述和品質(zhì)得分的水果樣本 內(nèi)部品質(zhì)的測(cè)定隸屬度。第四，水果樣本內(nèi)部品質(zhì)的預(yù)測(cè)隸屬度的確定步驟。在上述基礎(chǔ)上，可以通過(guò)近紅外特征光譜建立基于支持向量數(shù)據(jù)域描述的隸屬度 函數(shù)，針對(duì)上述建立的SVM模型，核函數(shù)選擇為徑向基核函數(shù)，通過(guò)選擇參數(shù)優(yōu)化的置信水 平等，以得到最優(yōu)分類(lèi)函數(shù)的隸屬度函數(shù)，這涉及到支持向量機(jī)模型的公知算法。簡(jiǎn)而言
6之，九十通過(guò)所述近紅外光譜建立基于支持向量數(shù)據(jù)域描述的隸屬度函數(shù)，通過(guò)該隸屬度 函數(shù)預(yù)測(cè)所述水果樣本所對(duì)應(yīng)級(jí)別的預(yù)測(cè)隸屬度 ；第五，水果樣本內(nèi)部品質(zhì)的分級(jí)將水果樣本輸入到SVM模型中，根據(jù)水果樣本的預(yù)測(cè)隸屬度和測(cè)定隸屬度的關(guān) 系，得到預(yù)測(cè)平均誤差，依據(jù)規(guī)則把水果樣本分級(jí)，對(duì)預(yù)測(cè)樣本的分級(jí)并判斷其判決正確率。也就是說(shuō)，基于SVM模型進(jìn)行分級(jí)效果的評(píng)價(jià)是根據(jù)預(yù)測(cè)正確率，測(cè)試正確的預(yù) 測(cè)樣本數(shù)與預(yù)測(cè)樣本總數(shù)的比值為正確率。對(duì)于水果內(nèi)部品質(zhì)的分級(jí)結(jié)果評(píng)價(jià)，首先需要 進(jìn)行樣本的預(yù)測(cè)隸屬度和測(cè)定隸屬度比較，計(jì)算一個(gè)預(yù)測(cè)樣本的測(cè)試誤差p-",|，其中G為 樣本的預(yù)測(cè)隸屬度，Ui為樣本的測(cè)定隸屬度?；赟VM模型的水果內(nèi)部品質(zhì)分級(jí)模型建立的關(guān)鍵是確定水果樣本的測(cè)定隸屬 度。本發(fā)明以基于水果樣本的內(nèi)部品質(zhì)得分的測(cè)定隸屬度為基礎(chǔ)，以基于支持向量數(shù)據(jù)域 描述的隸屬度進(jìn)行修正，得到綜合特征光譜數(shù)據(jù)信息以及內(nèi)部品質(zhì)狀況的測(cè)定隸屬度，一 方面將特征光譜數(shù)據(jù)樣本映射到一個(gè)高維的空間，然后在這個(gè)高維空間中尋找其最小包含 超球(“支持向量機(jī)”模型的基本概念)，并根據(jù)樣本到超球球心的距離確定其數(shù)據(jù)域描述 的隸屬度；另一方面根據(jù)樣本理化方法測(cè)定的糖度和酸度值在整個(gè)糖酸度區(qū)域內(nèi)的位置， 計(jì)算得分值，作為內(nèi)部品質(zhì)得分的隸屬度。本發(fā)明的水果內(nèi)部品質(zhì)檢測(cè)分級(jí)方法通過(guò)SVM模型，對(duì)于預(yù)測(cè)樣本品質(zhì)的進(jìn)行品 質(zhì)分級(jí)，其平均誤差低，正確率高，可以取得良好的品質(zhì)分級(jí)、尤其是口感分級(jí)的效果。本發(fā) 明的水果內(nèi)部品質(zhì)檢測(cè)分級(jí)方法不同于傳統(tǒng)分級(jí)器進(jìn)行的二值分類(lèi)，本發(fā)明基于水果品質(zhì) 分級(jí)的SVM模型，依據(jù)規(guī)則把蘋(píng)果樣本分成高品質(zhì)、中品質(zhì)、低品質(zhì)三級(jí)。一方面，利用口感 隸屬度的預(yù)測(cè)值與設(shè)定值的差值來(lái)進(jìn)行分級(jí)正確與否的判斷，降低了作出錯(cuò)誤判定所帶來(lái) 的風(fēng)險(xiǎn)。另一方面，通過(guò)隸屬度還可以了解樣本對(duì)于所屬類(lèi)的口感程度，使得樣本的品質(zhì)信 息更加清晰明了，從而獲得優(yōu)質(zhì)的分級(jí)效果。需要說(shuō)明的是，在上述具體實(shí)施方式
中所描述的各個(gè)具體技術(shù)特征，可以通過(guò)任 何合適的方式進(jìn)行任意組合，其同樣落入本發(fā)明所公開(kāi)的范圍之內(nèi)。以上結(jié)合附圖詳細(xì)描述了本發(fā)明的優(yōu)選實(shí)施方式，但是，本發(fā)明并不限于上述實(shí) 施方式中的具體細(xì)節(jié)，在本發(fā)明的技術(shù)構(gòu)思范圍內(nèi)，可以對(duì)本發(fā)明的技術(shù)方案進(jìn)行多種簡(jiǎn) 單變型，這些簡(jiǎn)單變型均屬于本發(fā)明的保護(hù)范圍。本發(fā)明的保護(hù)范圍由權(quán)利要求限定。
權(quán)利要求
一種水果內(nèi)部品質(zhì)檢測(cè)分級(jí)方法，其特征是，包括如下步驟1)水果樣本的數(shù)據(jù)采集通過(guò)近紅外光譜檢測(cè)技術(shù)獲取所述水果樣本的近紅外光譜，并通過(guò)理化方法獲取所述水果樣本的內(nèi)部品質(zhì)參數(shù)信息；2)水果樣本內(nèi)部品質(zhì)分級(jí)的支持向量機(jī)模型的建立(1)選取l為水果樣本的個(gè)數(shù)，每個(gè)水果樣本的測(cè)試誤差之和與水果樣本總數(shù)的比值為預(yù)測(cè)平均誤差，其中為水果樣本內(nèi)部品質(zhì)的預(yù)測(cè)隸屬度，ui為水果樣本內(nèi)部品質(zhì)的測(cè)定隸屬度，并且1≤i≤l；(2)設(shè)定分級(jí)規(guī)則如下ui＞0.55，水果樣本屬于高品質(zhì)；0＜|ui|≤0.55，水果樣本屬于中品質(zhì)；ui＜ 0.55，水果樣本屬于低品質(zhì)；并且選定一個(gè)實(shí)數(shù)ε，其中0≤ε≤1，對(duì)于各個(gè)水果樣本，若測(cè)試誤差則對(duì)該水果樣本的品質(zhì)分級(jí)正確；若測(cè)試誤差則對(duì)該水果樣本的品質(zhì)分級(jí)錯(cuò)誤，其中分級(jí)正確的樣本數(shù)量與水果樣本總數(shù)l的比值為正確率；3)水果樣本內(nèi)部品質(zhì)的測(cè)定隸屬度的確定基于所述水果樣本的內(nèi)部品質(zhì)參數(shù)信息確定所述水果樣本內(nèi)部品質(zhì)的測(cè)定隸屬度ui；4)水果樣本內(nèi)部品質(zhì)的預(yù)測(cè)隸屬度的確定通過(guò)所述近紅外光譜建立基于支持向量數(shù)據(jù)域描述的隸屬度函數(shù)，通過(guò)該隸屬度函數(shù)預(yù)測(cè)所述水果樣本所對(duì)應(yīng)級(jí)別的預(yù)測(cè)隸屬度5)水果樣本內(nèi)部品質(zhì)的分級(jí)在上述基礎(chǔ)上，將各個(gè)水果樣本內(nèi)部品質(zhì)的預(yù)測(cè)隸屬度和測(cè)定隸屬度ui代入所述支持向量機(jī)模型進(jìn)行分析評(píng)判，得到預(yù)測(cè)平均誤差，并且依據(jù)所述支持向量機(jī)模型的分級(jí)規(guī)則對(duì)各個(gè)水果樣本進(jìn)行分級(jí)并判斷品質(zhì)分級(jí)的正確率。FSA00000220634000011.tif,FSA00000220634000012.tif,FSA00000220634000013.tif,FSA00000220634000014.tif,FSA00000220634000015.tif,FSA00000220634000016.tif
2.根據(jù)權(quán)利要求1所述的水果內(nèi)部品質(zhì)檢測(cè)分級(jí)方法，其特征是，在所述水果樣本的 數(shù)據(jù)采集步驟中，所述近紅外光譜檢測(cè)技術(shù)包括采用近紅外光漫反射檢測(cè)方式獲取所述水 果樣本的近紅外光譜。
3.根據(jù)權(quán)利要求1所述的水果內(nèi)部品質(zhì)檢測(cè)分級(jí)方法，其特征是，在所述水果樣本的 數(shù)據(jù)采集步驟中，所述理化方法包括采用PH計(jì)和折射儀獲取所述水果樣本的糖度和酸度。
4.根據(jù)權(quán)利要求1所述的水果內(nèi)部品質(zhì)檢測(cè)分級(jí)方法，其特征是，在所述水果樣本品 質(zhì)分級(jí)的支持向量機(jī)模型建立步驟中，ε選取為0.5以下。
5.根據(jù)權(quán)利要求1所述的水果內(nèi)部品質(zhì)檢測(cè)分級(jí)方法，其特征是，在所述水果樣本內(nèi) 部品質(zhì)的測(cè)定隸屬度的確定步驟中，還通過(guò)基于所述支持向量數(shù)據(jù)域描述的隸屬度來(lái)修正 基于所述水果樣本的內(nèi)部品質(zhì)參數(shù)信息所確定的所述水果樣本內(nèi)部品質(zhì)的測(cè)定隸屬度Uitl
全文摘要
本發(fā)明涉及一種基于支持向量機(jī)模型和近紅外光譜檢測(cè)技術(shù)的水果內(nèi)部品質(zhì)檢測(cè)分級(jí)方法。該方法針對(duì)水果口感的模糊性，將隸屬度概念引入水果的品質(zhì)分析，在確定水果品質(zhì)測(cè)定隸屬度的過(guò)程中，同時(shí)考慮水果近紅外光譜特性和理化測(cè)量的品質(zhì)參數(shù)，利用基于支持向量數(shù)據(jù)域描述的隸屬度來(lái)對(duì)基于糖度和酸度確定的測(cè)定隸屬度進(jìn)行修正，從而建立出有效的水果分級(jí)的支持向量機(jī)模型。本發(fā)明的基于支持向量機(jī)模型與近紅外光譜檢測(cè)技術(shù)的無(wú)損檢測(cè)和分級(jí)方法不僅實(shí)現(xiàn)了傳統(tǒng)方法對(duì)水果樣本品質(zhì)的分級(jí)，而且可以通過(guò)隸屬度來(lái)衡量樣本對(duì)于所屬品質(zhì)級(jí)別的隸屬程度，根據(jù)水果樣本隸屬度的預(yù)測(cè)值和測(cè)定值的差值能夠獲得更高的分級(jí)準(zhǔn)確性，從而更好地識(shí)別水果內(nèi)部品質(zhì)。
文檔編號(hào)G01N21/35GK101949834SQ201010247589
公開(kāi)日2011年1月19日 申請(qǐng)日期2010年8月2日 優(yōu)先權(quán)日2010年8月2日
發(fā)明者吳正祥, 李軍良, 李鵬飛, 王叢慶, 高林杰 申請(qǐng)人:揚(yáng)州福爾喜果蔬汁機(jī)械有限公司