果蔬干制过程中的果蔬含水率检测方法及系统技术方案

本发明专利技术提供一种果蔬干制过程中的果蔬含水率检测方法及系统，属于果蔬干制技术领域，获取待检测的果蔬样品切片图像；利用训练好的预测模型，对所述待检测的果蔬样品切片图像进行处理，获得处理结果，所述处理结果包括果蔬样品的含水率；其中，所述训练好的预测模型由训练集训练得到，所述训练集包括多张果蔬样品切片图像以及标注图像中果蔬样品的真实含水率的标签。本发明专利技术提取了图像中果品的灰度特征、色彩特征和形状体征，验证了其与果品的含水率间的联系，通过多项式拟合与GRNN神经网络结合的方式，可以有效测定果品的含水率，降低了测量误差，实现了果蔬干制中的果蔬无损含水率测定。率测定。率测定。

【技术实现步骤摘要】
果蔬干制过程中的果蔬含水率检测方法及系统


[0001]本专利技术涉及果蔬干制
，具体涉及一种果蔬干制过程中的果蔬含水率检测方法及系统。

技术介绍

[0002]对于胡萝卜、苹果等季节性蔬菜，如果存储或运输方式不当，将会造成重大损失，果蔬干制是调节供需、消化季节性剩余的一个有效途径。通过干燥技术，有效降低了果蔬的含水率，可抑制果品中微生物的活动，降低酶的活性和化学反应速率，使得果蔬干制品能够长期保存。
[0003]含水率是衡量干燥程度与干燥效果的重要指标。因此，快速、准确的测定果蔬中的水分含量对干燥工艺以及进一步的贮藏和销售都有着重要意义。传统测量含水率检测方法主要有直接干燥法、减压干燥法、共沸蒸馏法等。传统测量方法在可靠性与准确性方面都具有良好的表现，但是其测定流程复杂，耗时长，并且对胡萝卜片破坏性大。
[0004]为了解决传统含水率检测方法中存在的问题，食品含水率的快速无损检测技术得到广泛研究。通过果蔬的介电常数对含水率进行研究是一种常见的方法。Guo等人通过介电常数与含水率之间的强线性相关性，对蜂蜜的含水率进行简单快速测量。Besharati等人使用带有震荡电路的电容器来测量种子的电容，通过线性回归建模来估算种子的含水率。Ling等人研究了含水率、温度、微波频率和含盐量与介电常数的关系，建立了含水率、温度与介电常数的多项式方程，可用于含水率检测。通过测量果蔬的介电常数获取果蔬含水率的方法在操作上简单，但果蔬物质的介电常数受温度影响较大，在温度变化较大的干燥箱中易产生偏差。
[0005]为了更加准确的实现含水率快速测定，Li等人采用低场核磁共振(LF
‑
NMR)技术对苹果在干燥过程中的不同水分变化进行研究，通过这项技术可以准确测定水分含量和水分活度。Sun等人采用LF
‑
NMR和反向传播人工神经网络(BP
‑
ANN)相结合的技术实现了胡萝卜干燥过程中的水分含量在线检测。核磁技术不仅可以准确的测量含水率，还可以看到水分的运移状态和运动规律，在食品科研领域有着重要意义，但是核磁共振设备成本高，操作复杂，难以在产品附加值较低的果品干制工艺中应用。
[0006]为了降低含水率检测的成本，Tham等人采用近红外光谱测量木材的含水率，近红外光谱具有对化学成分敏感的优点，可以准确检测到样品的颜色变化，但是它只能测量样品的局部区域，局部区域的信息并不能真实反映整体的水分信息。
[0007]高光谱成像技术可以同时获取光谱和空间信息。由于高光谱图像的大量数据都是在宽波段范围内采集和处理的，其检测速度难以满足实际应用中需要的实时检测速度。为了提高高光谱图像检测的实时性，在高光谱图像质量检测中引入了多光谱图像技术，利用多光谱成像技术对胡萝卜等的含水率进行检测。但是该方法无法做到较高的准确率。

技术实现思路

[0008]本专利技术的目的在于提供一种无接触、无损、高效、高精度的果蔬干制过程中的果蔬含水率检测方法及系统，以解决上述
技术介绍
中存在的至少一项技术问题。
[0009]为了实现上述目的，本专利技术采取了如下技术方案：
[0010]一方面，本专利技术提供一种果蔬干制过程中的果蔬含水率检测方法，包括：
[0011]获取待检测的果蔬样品切片图像；
[0012]利用训练好的预测模型，对所述待检测的果蔬样品切片图像进行处理，获得处理结果，所述处理结果包括果蔬样品的含水率；其中，所述训练好的预测模型由训练集训练得到，所述训练集包括多张果蔬样品切片图像以及标注图像中果蔬样品的真实含水率的标签。
[0013]优选的，由训练集训练得到所述预测模型包括：
[0014]提取果蔬样品切片图像的色彩特征，计算色调特征值；
[0015]提取果蔬样品切片图像的灰度特征，计算灰度特征值；
[0016]提取果蔬样品切片图像的形状特征，计算形状特征值；
[0017]通过多项式拟合将色调特征值、灰度特征值以及形状特征值与含水率进行关联，引入广义回归神经网络GRNN对每个特征的权值进行计算，采用最小二乘法多项式曲线拟合对GRNN进行优化，直至真实值和预测值的误差平方和最小，得到训练好的预测模型。
[0018]优选的，计算色调特征值包括：将图像转换成HSV图像后，提取样本的色调特征进行统计分析，得到色调直方图，不同的果蔬样品切片色调峰值不同，含水率越高，色调峰值越高，色调峰值即为色调特征值。
[0019]优选的，计算灰度特征值包括：将图像转换成灰度图像后，提取的灰度特征进行分析，得到灰度直方图，计算灰度特征值F
G
如下式所示：
[0020][0021]其中，v
i
表示灰度直方图中样品所对应峰值范围内第i个最大值，F
G
为这n个最大值的平均数。
[0022]优选的，计算形状特征值包括：
[0023]将图像灰度化，使用阈值分割算法OTSU将其分割为二值图像，提取果蔬区域；使用形态学方法中的开运算，平滑果蔬区域轮廓，计算果蔬区域的投影面积，求得区域的最小外接圆的面积，投影面积与最小外接圆的面积之比即为形状特征值。
[0024]优选的，为评估预测模型的性能，计算模型预测的相关系数和均方根误差，相关系数越大且均方根误差越小，预测结果越准确。
[0025]优选的，计算模型预测的相关系数R和均方根误差RMSE包括：
[0026][0027][0028]其中，X表示真实含水率，Y表示预测含水率，cov代表协方差，E是数学期望。
[0029]第二方面，本专利技术提供一种果蔬干制过程中的果蔬含水率检测系统，包括：
[0030]获取模块，用于获取待检测的果蔬样品切片图像；
[0031]预测模块，用于利用训练好的预测模型，对所述待检测的果蔬样品切片图像进行处理，获得处理结果，所述处理结果包括果蔬样品的含水率；其中，所述训练好的预测模型由训练集训练得到，所述训练集包括多张果蔬样品切片图像以及标注图像中果蔬样品的真实含水率的标签。
[0032]第三方面，本专利技术提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的果蔬干制过程中的果蔬含水率检测方法的指令。
[0033]第四方面，本专利技术提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行如上所述的果蔬干制过程中的果蔬含水率检测方法。
[0034]本专利技术有益效果：提取了图像中果品的灰度特征、色彩特征和形状体征，验证了其与果品的含水率间的联系，通过多项式拟合与GRNN神经网络结合的方式，可以有效测定果品的含水率，降低了测量误差，实现了果蔬干制中的果蔬无损含水率测定。
[0035]本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种果蔬干制过程中的果蔬含水率检测方法，其特征在于，包括：获取待检测的果蔬样品切片图像；利用训练好的预测模型，对所述待检测的果蔬样品切片图像进行处理，获得处理结果，所述处理结果包括果蔬样品的含水率；其中，所述训练好的预测模型由训练集训练得到，所述训练集包括多张果蔬样品切片图像以及标注图像中果蔬样品的真实含水率的标签。2.根据权利要求1所述的果蔬干制过程中的果蔬含水率检测方法，其特征在于，由训练集训练得到所述预测模型包括：提取果蔬样品切片图像的色彩特征，计算色调特征值；提取果蔬样品切片图像的灰度特征，计算灰度特征值；提取果蔬样品切片图像的形状特征，计算形状特征值；通过多项式拟合将色调特征值、灰度特征值以及形状特征值与含水率进行关联，引入广义回归神经网络GRNN对每个特征的权值进行计算，采用最小二乘法多项式曲线拟合对GRNN进行优化，直至真实值和预测值的误差平方和最小，得到训练好的预测模型。3.根据权利要求2所述的果蔬干制过程中的果蔬含水率检测方法，其特征在于，计算色调特征值包括：将图像转换成HSV图像后，提取样本的色调特征进行统计分析，得到色调直方图，不同的果蔬样品切片色调峰值不同，含水率越高，色调峰值越高，色调峰值即为色调特征值。4.根据权利要求2所述的果蔬干制过程中的果蔬含水率检测方法，其特征在于，计算灰度特征值包括：将图像转换成灰度图像后，提取的灰度特征进行分析，得到灰度直方图，计算灰度特征值F
G
如下式所示：其中，v
i
表示灰度直方图中样品所对应峰值范围内第i个最大值，F
G
为这n个最大值的平均数。5.根据权利要求2所述的果蔬干制过程中的果蔬含水率检测方法，其特征在于，计算形状特征值包括：将图像灰度...

【专利技术属性】
技术研发人员：马宾，葛邦国，付永康，徐健，高玲，张一鸣，王春鹏，李健，李琦，
申请(专利权)人：中华全国供销合作总社济南果品研究院，
类型：发明
国别省市：