[发明专利]基于卷积神经网络的桑椹可溶性固形物含量的检测方法

说明书

本发明提供了一种基于卷积神经网络的桑椹可溶性固形物含量的检测方法，使用便携式NIR光谱仪获取待测样本的NIR光谱，将NIR光谱经SNV预处理、CARS选择变量后，作为CNN模型的输入，即可获得桑椹的可溶性固形物含量信息。本发明所述的基于卷积神经网络的桑椹可溶性固形物含量的检测方法，具有无损、绿色、快速和准确的特点；可以对桑椹整个生长期的品质进行监控，为最佳采摘时期的确定提供参考；适合NIR光谱等一维数据的分析；对于后期模型的维护，可以采用迁移学习的方法进行。

技术领域

本发明涉及水果检测技术领域，具体涉及一种基于卷积神经网络的桑椹可溶性固形物含量的检测方法。

背景技术

桑椹是桑属(Morus L.)植物的果实，其多汁，味甜，营养丰富，不仅是风味独特的水果，而且具有补肝、益肾、滋液、乌发明目等保健功效，被赞誉为“21世纪的最佳健康食品”。目前，新鲜桑椹及桑椹加工产品均展示出了良好的市场前景，但是摘后贮藏以及销售时果品品质检测的问题限制了其在市场中的表现。另外，桑椹常规果品品质的检测由于具有破坏性，且费时、价格昂贵的特点，已经不适应快速发展的21世纪。因此，在桑果生产、流通及产品加工过程质量控制中建立快速、无损、准确的方法显得意义十分重要。

近红外(Near infrared,NIR)光谱是一种无损、快速、无需预处理、无污染的现代分析技术，这些特点使得NIR检测被称为评价果品品质的一种重要工具。目前近红外光谱技术已在如梨、芒果、苹果、西红柿等水果的果品品质检测中应用。这些成功的研究表明，近红外光谱在快速、无损评价果品品质中的应用是可行的。但由于实验室级的NIR光谱仪器存在体积大、功耗高，携带不方便的缺点，无法满足众多用户的现场检测需求。近年来，便携式近红外光谱仪的研制已经成为近红外光谱分析领域发展的重要方向之一，这种近红外光谱仪因体积小、质重量轻和方便携带等独特优点，有着广阔的应用前景，尤其适用于个人对农产(食)品品质的检测等。随着个人掌上设备的快速发展，针对个人应用的近红外分析技术也会快速发展，如美国JDSU公司生产的MicroNIR系列掌上近红外光谱仪具有体积小、能耗低等优点，特别适合随身携带用于现场快速检测。

深度学习是机器学习中一种基于对数据进行表征学习的算法。卷积神经网络(Convolutional neural network,CNN)作为深度学习的一种代表性技术，由于其局部连接、权值共享的特征，已经在医学、环境等领域取得了很大的成功。和传统的深度神经网络相比，CNN具有较少的训练参数，训练不容易过拟合的特点，计算结果更准确。目前暂无利用CNN结合NIR光谱对桑椹的可溶性固形物含量进行预测的技术。开发一种基于CNN的绿色、快速、无损检测桑椹的可溶性固形物含量的检测技术对提升桑椹果品品质和市场竞争力是非常必要的。

发明内容

有鉴于此，本发明旨在提出一种基于卷积神经网络的桑椹可溶性固形物含量的检测方法，该方法具有无损、绿色、快速和准确的特点。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于卷积神经网络的桑椹可溶性固形物含量的检测方法，包括如下步骤：

步骤一：选择6～9成成熟度桑椹作为样本；

步骤二：获取样本的NIR光谱；

步骤三：检测桑椹的可溶性固形物含量；

步骤四：根据桑椹的可溶性固形物含量值划分数据集，分为校正集和预测集；

步骤五：对校正集和预测集光谱进行标准正态变量变换(SNV)预处理；

步骤六：对预处理后的光谱进行竞争自适应加权重采样(CARS)变量选择；

步骤七：使用经预处理、变量选择后的数据集训练CNN模型，用于检测桑椹的可溶性固形物含量；

步骤八：对CNN模型的性能进行验证。