买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京林业大学

摘要：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。

主权项：1.一种基于深度学习的油茶果成熟度高光谱检测方法，其特征在于，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Ro；S22.对S21得到的原始高光谱图像Ro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Ro通过如下公式进行校正，得到校正后的高光谱图像Rc， 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Pλ的光谱强度值归一化，然后比上所有n个波长下所有像素点的光谱强度值之和，最终得到的数据立方体Xλ就是与照度、光源方向和曲率无关的高光谱图像， S24.对所述进行过照度和曲率校正后的高光谱图像结合波段数学算法确定感兴趣区域以去除掉包括背景、培养皿边缘的不需要像素点的光谱信息仅提取出纯样品部分，利用高反射率700nm波段处的图像减去低反射率425nm波段处的图像得到波段运算图像，在波段运算图像上以0.25作为阈值提取大于等于0.25阈值的像素点部分生成感兴趣区域ROI，提取每个油茶果样品对应的平均光谱；S3.对S1得到的每个样本开展成熟度相关指标的测定与量化，包括果高、果径、硬度测定，以及含水率、籽出油率、硬度、木质素含量、淀粉含量，针对以上参量指标的Pearson相关性分析，数值上等于协方差covX，Y除以标准差的乘积σX，σY，相关性越强说明参量间趋于共线，进一步对原始成熟度参量指标进行KMO及Bartlett检验，结合检验系数取值计算变量之间偏相关性或独立性强弱，检验是否适合因子分析，提取主成分特征，利用最大平衡值法、最大方差法以及最大四次方法分别旋转，比较旋转前后结果并优选提取分析中贡献率最大公因子，作为差异参量角度反映成熟度的主要综合评价信息，见下式： 式中，X为差异参量指标，a代表因子载荷，F代表公共因子，ε代表特殊因子，其中F和ε不相关，协方差为0，而F1…Fm也不相关即是相互垂直的因子集合；基于载荷信息将贡献率最高的公共因子标准化后将其定义为单一综合评价因子CMI，对所有参量指标进行线性拟合并构造综合评价函数，见下式CMI＝C1×X1+C2×X2+...+Cn×Xn3式中，CMI代表综合评价因子，C代表权重贡献率，X为参量指标，n为参量数量；S4.对步骤S2获得的样本的光谱进行预处理，预处理方法包括标准化、SNV、MSC、去趋势、导数；同时对ROI内的主成分图像提取包括均值、对比度、相关度、能量、同质性、方差，具体如下：求均值mean 求对比度contrast 求相关度correlation 求能量energy 求同质性homogeneity 求方差variance 求差异性dissimilarity 求熵entropy 式中，gi,j代表的是灰度共生矩阵，X是灰度共生矩阵的列数，Y是灰度共生矩阵的行数，其中： S5.对步骤S4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；S6.对步骤S4预处理光谱进行二维相关光谱分析，以步骤S5得到的成熟度信息为微扰，选出随成熟度变化剧烈同步谱自动峰特征波长，作为深度学习模型输入，建立少变量成熟度预测模型并进行评价；S7.将步骤S6得到的深度学习模型迁移植入到分选设备的主控制器中进行预测分选；具体过程是：油茶果由入料箱1落下、由通道隔板15进行隔档进入到不同通道16、动分选杆14和静分选杆13的相互作用下油茶果不断向前运动，分选杆前段直径大后端直径小，动分选杆上有螺纹带17，动力源来自电机5带动动力输出轴4、皮带轮3和皮带传动，驱动减速器2转动工作，随着动分选杆14的转动油茶果将在螺纹带17的推动下运送至设备的另一头，静分选杆13起支撑作用；先落处输送管9直径大后落处输送管9直径小，即动静态分选杆之间的缝隙会随着离入料箱1的距离变化，距离入料箱越远的缝隙越大，使得油茶果在分选杆上运输的过程中，小果先落、大果后落，从而完成油茶果的大小分级；油茶果落入落料盒12后，进入分选系统，油茶果在重力作用下从落料盒12落入输送管9，输送管上端固定着多光谱传感器盒10，内置三个多光谱相机18，微电脑对拍摄的多光谱图像带入到步骤S1-S6中建立的深度学习模型中进行预测分析，根据分析结果延时控制分选管8下方的拨片7将不同成熟度油茶果拨到不同的收集箱6内；还包括在步骤S2获得每个样本的光谱后进行蒙特卡罗交叉验证剔除奇异样本以保证模型预测准确率的步骤，蒙特卡罗交叉验证的具体方法是：每次随机选取Mt个样本，选取A个主成分建立偏最小二乘模型，剩余的MpM-Mt个样本用于预测，计算Mp样本各自的预测残差的均值μm和标准偏差σm； 重复此随机过程K次，则每个样本都会有一组预测残差，设第m个样本在MCCV中进入预测集的次数为Tm，各残差分别记为Rmn0≤n≤K；对所有样本，作μm-σm分布图，由于正常样本的预测残差近似服从具有低均值的正态分布，奇异样本的预测残差一般均值较高，呈现较明显的拖尾分布，在此分布图上，直观地找出奇异样本，并进行剔除；步骤S4所述获取纹理信息特征后还包括应用连续投影法、竞争性自适应加权算法、蚁群优化算法、粒子群优化算法、模拟退火算法、随机蛙跳算法或遗传算法中的一种或多种算法分别建立简化模型并进行对比，选取最优简化模型植入到分选设备中。

全文数据：

权利要求：

百度查询： 南京林业大学 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