【技术实现步骤摘要】
本专利技术涉及糖分检测领域，具体是指一种基于机器学习的荔枝糖分检测方法。
技术介绍
1、荔枝作为重要的经济作物，其品质与糖分含量密切相关，基于机器学习的荔枝糖分检测方法是指一种利用计算机视觉对荔枝糖分进行检测的方法。
2、在目前已有的近似方案中，例如，cn113192090b一种基于机器学习的水蜜桃分拣方法及装置，这种方案，针对在水蜜桃现有分拣方式准确率和效率不高的技术问题，通过采集水蜜桃图像，对水蜜桃的大小形态进行分类，通过近红外传感器，利用近红外漫反射技术建立光信号大小与含糖量之间的关系模型，预测水蜜桃的含糖量，结合大小形态、颜色形态和含糖量的分析结果，控制水蜜桃分拣，实现了对水蜜桃的非接触式检测，有效减少在分拣过程中的损耗的技术效果，但首先，现有技术存在采用目标检测算法进行大小和颜色，图像通常受光照、遮挡、角度等因素影响，且通常会存在水蜜桃贴近传输带的一面无法被摄像头采集，导致检测误差，其次，近红外检测可能受水蜜桃表皮厚度、水分含量等因素影响，导致糖度测量偏差，仅依赖820nm波长进行检测，可能不足以区分不同品种水蜜桃的糖度变化的技术问题；
3、此外，例如，cn112697984b基于神经网络的水果缺陷无损检测方法及水果分级方法，这种方案针对现有技术现对水果缺陷检测和分级不够准确的技术问题，通过将外观图像、切片图像和切片化学检测数据和缺陷信息整合，与x射线图像对应，训练水果缺陷无损检测模型，输出分级结果，实现了对水果内外部缺陷的准确检测和对水果质量的全面评估的技术效果，但存在x射线成像虽然穿透性强，
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于机器学习的荔枝糖分检测方法，针对现有技术存在采用目标检测算法进行大小和颜色，图像通常受光照、遮挡、角度等因素影响，且通常会存在荔枝贴近传输带的一面无法被摄像头采集，导致检测误差，其次，近红外检测可能受荔枝表皮厚度、水分含量等因素影响，导致糖度测量偏差，仅依赖820nm波长进行检测，可能不足以区分不同品种荔枝的糖度变化的技术问题，本方案首先采用旋转滚筒让荔枝在通过检测区前自动滚动，在旋转滚筒的前后两段和输送带的左右两侧的不同角度分别安装摄像头，从多个角度捕捉荔枝的外观信息，减少单角度拍摄导致的误差，采用重量传感器，获取荔枝的更多物理信息，提高测糖准确度；针对现有技术存在x射线成像虽然穿透性强，却会对水果造成一定的辐射损伤，影响其品质和安全性，且x射线成像设备价格昂贵，维护成本高，限制了x射线成像设备在生产线上应用普及度，此外，多源多尺度数据存在冗余信息，增加数据处理和模型训练的负担，传统机器学习是黑箱模型，无法直接解释哪些光谱特征影响糖度预测的技术问题，本方案采用无损、快速且成本较低的近红外光谱成像技术，根据波长对糖分检测结果的重要性筛选近红外波长，去除冗余信息，提取对检测和分级有贡献的特征，大大减少了模型训练的计算资源和时间消耗，采用可解释人工智能技术，优化归回模型设计，减少数据维度，提高计算效率。
2、本专利技术采取的技术方案如下：本专利技术提供的一种基于机器学习的荔枝糖分检测方法，该方法包括以下步骤：
3、步骤s1：完整信息采集，具体为，使用旋转滚筒，将旋转滚筒固定设于输送荔枝的输送带顶部，所述旋转滚筒将荔枝进行滚动翻转，在旋转滚筒的前后两段和输送带的左右两侧的不同角度分别安装摄像头，捕捉荔枝形态，采集荔枝原始图像，采用重量传感器，获取荔枝重量数据；
4、步骤s2：先验知识学习，用于捕捉荔枝形态的空间结构，具体为，收集荔枝形态数据集，预定义荔枝模型，确定荔枝模型关键点，通过图卷积网络从荔枝形态数据集中提取荔枝模型的先验知识，所述先验知识具体指荔枝形态特征，所用提取荔枝模型关键点的先验知识的公式如下：
5、；
6、式中，表示图卷积网络提取的先验知识，表示荔枝模型关键点，表示归一化的图拉普拉斯矩阵，表示采用切比雪夫多项式作用于的结果，表示图卷积阶数，表示阶数下标索引，表示图卷积网络的可学习参数；
7、步骤s3：特征融合，用于增加先验知识与图像特征的相关性，具体为，提取图像特征，使用多头交叉注意力机制，将先验知识与图像特征融合，补偿荔枝遮挡区域的数据缺失；
8、步骤s4：根据先验知识、图像特征和所述荔枝重量数据，预测荔枝被遮挡区域的形态，更新荔枝模型；
9、步骤s5：采用傅立叶变换近红外光谱仪，扫描并记录荔枝的反射光谱，扫描时使用白色参考板进行光谱校正；
10、步骤s6：预处理，具体为，校正散射和基线漂移，得到光谱特征数据；
11、步骤s7：可解释性分析，用于提升糖分检测的可解释性，构建回归模型，采用可解释人工智能技术，分析用于采集的傅立叶变换近红外光谱仪的波长范围，通过计算波长对糖分检测结果的重要性，确定对糖分检测具有关键作用的波长范围，根据波长范围，筛选光谱特征数据，所用公式如下：
12、；
13、式中，表示波长对糖分检测结果的重要性，表示所述光谱特征数据的总波长集合，表示的一个子集，表示所述回归模型在仅使用进行预测时的糖分预测值，表示在的基础上，额外加入波长，重新训练所述回归模型后的糖分预测值，表示在，且，且的条件下遍历波长求累计和，表示集合中元素的数量，表示阶乘；
14、步骤s8：模型输出，具体为，回归模型对筛选后的所述光谱特征数据和更新后的所述荔枝模型进行分析，输出荔枝糖分预测值。
15、进一步地，在步骤s3中，所述特征融合，具体包括以下步骤：
16、步骤s31：图像特征提取，用于提取荔枝的特征，具体为，采用特征提取器从所述荔枝原始图像中获取图像特征，对所述图像特征和所述先验知识分别进行逐点卷积处理，分别获得所述图像特征和所述先验知识的查询向量、键向量和值向量；
17、计算图像特征的查询向量和键向量之间的相似度，将图像特征的查询向量和键向量之间的相似度作为注意力权重a，所述注意力权重a表示图像特征中每个像素对先验知识中每个像素的关注程度，将注意力权重a与图像特征的值向量加权求和的结果添加到先验知识中；
18、步骤s32：图像遮挡补偿，用于补偿荔枝被遮挡区域的特征，计算先验知识的查询向量和键向量之间的相似度，将先验知识的查询向量和键向量之间的相似度作为注意力权重b，所述注意力权重b表示先验知识中每个像素对图像特征中每个像素的关注程度，将注意力权重b与先验知识的值向量加权求和的结果添加到图像特征中。
19、进一步地，在步骤s6中，所述预处理，具体包括以下步骤：
20、步骤s61：伪吸收光谱转换，将反射光谱转换为伪吸收光谱，所用公式如下本文档来自技高网...
【技术保护点】
1.一种基于机器学习的荔枝糖分检测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的荔枝糖分检测方法，其特征在于：
3.根据权利要求2所述的一种基于机器学习的荔枝糖分检测方法，其特征在于：
【技术特征摘要】
1.一种基于机器学习的荔枝糖分检测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于机器...
【专利技术属性】
技术研发人员：邹枚伶，夏雨，夏志强，江思容，
申请(专利权)人：海南大学三亚南繁研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。