本實用新型屬于農(nóng)業(yè)智能設(shè)備
技術(shù)領(lǐng)域：
，特別涉及用于在線無損檢測蘋果霉心病設(shè)備的分選裝置。
背景技術(shù)：
：蘋果霉心病作為常見的蘋果病害，發(fā)病后果實從心室開始腐爛，逐漸向外擴展，嚴重時整個果實發(fā)霉腐爛。霉心病發(fā)病初期果實外表無明顯特征，且病害發(fā)病由內(nèi)及外，在果實采摘和分揀環(huán)節(jié)中難以對病害進行識別，如何檢測霉心病蘋果已經(jīng)成為果品鑒定和深加工過程中的一大難題，如果能夠通過無損的方式有效地對霉心病進行識別，將有效提高果品品質(zhì)，對提高我國蘋果產(chǎn)業(yè)質(zhì)量和效益有著重要意義。近年來，隨著果品品質(zhì)和食品安全問題越來越受到關(guān)注，相關(guān)領(lǐng)域?qū)＜覍μO果霉心病的機理和檢測方法開展深入研究，從生物阻抗特性、機器視覺、光學特性等方面對霉心病檢測進行探索，已有研究表明，基于生物阻抗特性的病害檢測由于影響阻抗的因素較多，檢測難度較大，機器視覺檢測分析過程復(fù)雜、耗時，并且目前尚無較合適的用于霉心病檢測的檢測儀器。光譜分析技術(shù)在處理不可接觸和不許損傷的對象時有著其他技術(shù)不可比擬的優(yōu)勢，在果品無損檢測上應(yīng)用較多。近紅外分析兼?zhèn)淞丝梢妳^(qū)光譜分析信號容易獲取與紅外區(qū)光譜分析信息量豐富兩方面的優(yōu)點,在有機物質(zhì)定性和定量分析中較為有效。基于光特性的病害檢測主要采用近紅外光譜分析技術(shù)，根據(jù)物質(zhì)特征吸收峰來進行病害判別，精度高，效果好，但數(shù)據(jù)分析和模型建立復(fù)雜，多采用專用計算機進行數(shù)據(jù)分析處理，且光譜儀價格高昂，難以將研究成果設(shè)備化在實際果品生產(chǎn)加工中推廣應(yīng)用。技術(shù)實現(xiàn)要素：為了克服上述現(xiàn)有技術(shù)的缺點，本實用新型的目的在于提供一種用于在線無損檢測蘋果霉心病設(shè)備的分選裝置，可在線上無損檢測蘋果霉心病后，將蘋果自動分選，具有成本低，操作簡單，自動進行病害判別與分選等特點。為了實現(xiàn)上述目的，本實用新型采用的技術(shù)方案是：一種用于在線無損檢測蘋果霉心病設(shè)備的分選裝置，包括檢測輸送機8，檢測輸送機8的輸送帶上設(shè)置有若干蘋果托盤9，在檢測輸送機8上設(shè)置有攝像頭1和檢測黑箱2，檢測黑箱2內(nèi)設(shè)置的光譜檢測模塊15對經(jīng)過檢測黑箱2的蘋果進行光譜檢測，在檢測輸送機8的后級設(shè)置有稱重臺4，完成檢測后的蘋果進入稱重臺4稱重，稱重臺4后級設(shè)置有斜面分選輸送機6，根據(jù)檢測結(jié)果和稱重以及大小進行果品分選。所述蘋果托盤9中做內(nèi)陷處理，在輸送帶上沿輸送方向單排設(shè)置，所述攝像頭1設(shè)置在檢測黑箱2之前，對經(jīng)過的蘋果進行拍照識別，將結(jié)果輸送至處理器判斷其大小。所述檢測黑箱2內(nèi)設(shè)置有十字滑臺10，十字滑臺10的豎直方向上為兩個同軸步進滑臺電機，水平方向上為一個反向絲桿電機，同軸步進滑臺電機帶動反向絲桿電機在豎直方向運動，光譜檢測模塊15通過支架固定在反向絲桿電機的兩端。所述光譜檢測模塊15包括光源和接收裝置，光源采用中心波長為710nm，半波寬度為20nm的LED，工作電壓3.4V，光源散射角120°；接收裝置采用雪崩二極管作為敏感器件，采用濾波放大電路作為信號處理電路，通過采樣模塊將透射光強轉(zhuǎn)換為電信號，得到透射強度M，判別模型為：當結(jié)果為0，則為健康果，當結(jié)果為1，則為霉心病果，其中，為Largrange系數(shù)，b*為權(quán)值矩陣，x為輸入樣本，xi為支持向量，xi＝[Mi,Pi,Ri,Gi]T，＝1,2,…，yi＝1，δ是幾何間隔，Mi是樣品透射強度，Pi是樣品果形指數(shù)，Ri是樣品直徑，Gi是樣品質(zhì)量。所述稱重臺4上設(shè)置有前撥片3和后撥片5，蘋果在前撥片3的作用下從檢測輸送機8進入稱重臺4，在后撥片5的作用下從稱重臺4進入斜面分選輸送機6。所述斜面分選輸送機6上設(shè)置有若干格檔，在斜面的下方沿輸送方向依次設(shè)置有一號出口12、二號出口13和三號出口14，各個出口處均設(shè)置有活動擋板7。所述二號出口13的入口尺徑為70mm，所述三號出口14的入口尺徑大于70mm。所述攝像頭1、稱重臺4和光譜檢測模塊15均與處理器連接，所述處理器的控制端連接各個活動擋板7，所述光譜檢測模塊15的檢測結(jié)果輸入處理器，如果處理器判斷其為霉心病果，則打開一號出口12的活動擋板7，使得霉心病果進入一號出口12，所述攝像頭1的識別結(jié)果輸入處理器，如果處理器判斷其尺徑小于70mm，則打開二號出口13的活動擋板7，使得霉心病果進入二號出口13，如果處理器判斷其尺徑大于70mm，則打開三號出口14的活動擋板7，使得霉心病果進入三號出口14。與現(xiàn)有技術(shù)相比，本實用新型的有益效果是：本實用新型基于近紅外檢測技術(shù)，提出了蘋果霉心病在線檢測方法，自主設(shè)計蘋果霉心病分選裝置，檢測速度僅為1-2s，能夠滿足線上檢測需求，對蘋果霉心病線上無損檢測檢測理論與方法提供了新的思路，在蘋果原料入庫過程中能有效識別發(fā)病蘋果，降低生產(chǎn)加工及儲藏期發(fā)病率，保障質(zhì)量。自主設(shè)計窄帶LED光源及檢測系統(tǒng)，檢測靈敏度高，能夠代替現(xiàn)有病害分選線上的光譜儀，有效降低設(shè)備成本。本實用新型可用于在線無損檢測蘋果霉心病設(shè)備的分選，在線上無損檢測蘋果霉心病后，將蘋果自動分選。附圖說明圖1是蘋果透射光譜與發(fā)病程度的關(guān)系示意圖。圖2是本實用新型分選裝置的結(jié)構(gòu)示意圖。圖3是本實用新型檢測黑箱的結(jié)構(gòu)示意圖。圖4是本實用新型高頻驅(qū)動模塊結(jié)構(gòu)示意圖。圖5是本實用新型判別模型構(gòu)建示意圖。圖6是本實用新型訓練結(jié)果示意圖。具體實施方式下面結(jié)合附圖和實施例詳細說明本實用新型的實施方式。本實用新型的理論依據(jù)：近紅外波段范圍內(nèi)，特定的原子群均有與之對應(yīng)的特征吸收峰，且光被吸收的比例滿足朗伯-比爾定律。蘋果霉心病發(fā)病后，蘋果內(nèi)部的物質(zhì)種類、各物質(zhì)比例均發(fā)生變化，對光譜的吸收、反射、與散射能力造成顯著影響，從而導(dǎo)致近紅外透射光譜曲線不同。試驗搭建蘋果霉心病透射光譜數(shù)據(jù)采集平臺，采用1個50w高聚光鹵素燈作為光源，光譜儀采用便攜式光譜儀OFS1100(OceanOptics公司)，為排除環(huán)境光干擾，試驗均在暗箱中完成，暗箱內(nèi)壁采用亞光噴漆，同時采用吸光海綿降低漫反射等光線干擾。試驗蘋果樣本共304個，對每個蘋果編號并測量其重量、果柄方向高度、赤道方向直徑，利用檢測平臺對304個蘋果樣本進行光譜測量并沿果柄處切開，取試驗病果中發(fā)病程度不同的樣品分析其光譜數(shù)據(jù)如圖1，可得健康果在波長710nm附近透過性好，病果在波長710nm附近透過性差，且隨著病害程度與透過性成負相關(guān)關(guān)系，對試驗所得蘋果光譜數(shù)據(jù)與霉心病病害做相關(guān)性分析得到表1。表1霉心病與透射光譜的關(guān)系序號波段相關(guān)系數(shù)序號波段相關(guān)系數(shù)1709.36-0.7206711.14-0.7112709.8-0.7197708.47-0.7113708.91-0.7178708.02-0.7104710.69-0.7159706.69-0.7095710.25-0.71310707.58-0.705蘋果透射光譜中與霉心病相關(guān)性最強的波段為706-710nm附近區(qū)域，其中在709nm相關(guān)性最大，因此最終選取的與蘋果霉心病相關(guān)的特征波段為709nm。同時根據(jù)朗伯比爾定理，蘋果檢測方向即赤道方向上果徑差異造成了光源距光譜接收器件的距離，即光程的變化，蘋果密度的不同影響光線透過能力，也對檢測造成較大影響，已有研究表明，用果徑和果柄方向上高度的比值以及重量即果型指數(shù)能夠有效表征密度信息。因此以及上述原理，已知光譜透射吸收強度和果型指數(shù)、重量便可以準確判別蘋果霉心病病害。如圖2所示，本實用新型一種在線無損檢測霉心病的蘋果分選裝置，包括檢測輸送機8，輸送帶材質(zhì)采用PVC皮帶，皮帶上設(shè)置有蘋果托盤9，托盤中做內(nèi)陷處理，托盤底部通過螺栓固定在輸送機上，檢測輸送機8帶動蘋果托盤9上的蘋果進行運動，攝像頭1固定在檢測上，對經(jīng)過攝像頭拍照范圍內(nèi)的蘋果進行拍照識別，檢測黑箱2對進入黑箱的蘋果進行光譜等病害參數(shù)檢測，十字滑臺10放置在黑箱2內(nèi)部，通過螺栓固定在黑箱內(nèi)壁上，其中豎直方向上為同軸電機，帶動固定在滑臺上的反向絲桿電機在豎直方向運動，光譜檢測模塊15通過支架固定在反向絲桿上，蘋果在檢測輸送機8上進行各項檢測后，在前撥片3的作用下在從檢測輸送機8上進入稱重臺4，后撥片5在稱重檢測完成后將蘋果推出稱重臺4，進入斜面分選輸送機6，根據(jù)各個蘋果檢測結(jié)果和大小尺寸的不同進行果品分選，霉心病果在通過分選線時，一號出口12上的開關(guān)打開，在重力作用下，霉心病果滾出分選線進入一號出口，健康果根據(jù)直徑不同劃分為小于70mm和大于70mm，果徑小于70mm的進入二號出口13，大于70mm的進入三號出口14。本實用新型中，攝像頭1采用香港九鼎公司的PCCAMERA，通過USB傳輸?shù)姆绞綄⒉蓸訄D像信息上傳至處理器，采用OPENCV數(shù)據(jù)庫技術(shù)建立基于C+++語言的分析程序，通過程序分析得到待測蘋果的高度H和赤道方向果徑R，從而得到果形指數(shù)P＝H/R。稱重臺4是秤臺11的一部分，秤臺11核心采用朝陽儀器公司的分體式 電子天平，測量量程1kg，測量精度0.01，數(shù)據(jù)可通過串口上傳至處理器進行數(shù)據(jù)保存和處理，秤盤兩側(cè)分別設(shè)置前撥片3和后撥片5，撥片由雷塞公司的42型步進電機、雷塞驅(qū)動模塊DM320C和撥片本體組成，由前撥片3撥到稱重臺4上，對其進行重量測量，得到蘋果重量G，重量測量完成后再由后撥片5把蘋果撥到傾斜傳送帶6上。傾斜傳送帶6的傳送帶傾斜角度10°，傾斜面下端設(shè)置活動擋板7以及一號出口12、二號出口13、三號出口14，上位機根據(jù)蘋果特征進行病害判別與分類，根據(jù)其不同特征讓其落入不同的出口中，當蘋果進過其匹配出口時，出口處的活動擋板7升起，蘋果滾入該出口。如圖3所示，檢測黑箱2為遮光檢測暗室，內(nèi)部設(shè)置有十字滑臺10，設(shè)置兩個豎直方向上的步進滑臺電機和一個水平方向上的反向絲桿電機，反向絲桿電機兩端帶有光透射檢測模塊15。光透射檢測模塊15由光源和接收裝置組成，光源采用中心波長為710nm，半波寬度為20nm的LED，工作電壓3.4V，光源散射角120°，基于NSI45030AZT1恒流二極管搭建LED高頻驅(qū)動電路，其電路如圖4。接收裝置采用雪崩二極管作為敏感器件，采用濾波放大電路作為信號處理電路，通過采樣模塊將透射光強轉(zhuǎn)換為電信號，得到透射強度M。判別函數(shù)：其中，為Largrange系數(shù)，b*為權(quán)值矩陣，x為輸入樣本，xi為支持向量，xi＝[Mi,Pi,Ri,Gi]T，i＝1,2,…，yi＝1，δ是幾何間隔，Mi是樣品透射強度，Pi是樣品果形指數(shù)，Ri是樣品直徑，Gi是樣品質(zhì)量。判別方法：設(shè)樣本蘋果為{(Xi,Yi),i＝1,2,…,l},Xi為蘋果編號，Yi為蘋果健康情況，Yi＝0為健康果，Yi＝1為霉心病果。存在分類超平面wxi+b＝0(1)可以將蘋果根據(jù)病害正確分為兩類。其中w、b為一維參數(shù)向量，定義樣本點Xi到式(1)所指的分類超平面的間隔εi為εi＝y(tǒng)i(wxi+b)＝|wxi+b|(2)將(2)中的w和b進行歸一化，并將歸一化后的間隔定義為幾何間隔δi=wxi+b||w||---(3)]]>分類性能最優(yōu)即使樣本集與分類超平面的幾何間隔δi最大，即問題轉(zhuǎn)化為min||w||22s.t.yi(wxi+b)≥1,i=1,2,...l---(4)]]>由于計算復(fù)雜，一般不進行直接求解，依據(jù)Largrange對偶理論將式(4)轉(zhuǎn)化為對偶問題，maxQ(α)=Σi=1lαi-Σi=1lΣj=1lαiαj(xixj)s.t.Σi=1lαiyi=0,αi≥0---(5)]]>在解決對偶問題時，需要計算樣本點向量的點積，采用滿足Mercer條件的核函數(shù)K(xi,xj)來代替點積運算能簡化計算，提高處理速度,則式5轉(zhuǎn)化為：maxQ(α)=Σi=1lαi-12Σi=1lΣj=1lαiαj(xi,xj)s.t.{Σi=1lαiyi=00≤αi≤C,α≥0---(6)]]>由式6可解的最優(yōu)解為：α*=[α1*,α2*,...αl*]T]]>w*=Σi=1lαi*yiΦ(xi)]]>從而最終的判別函數(shù)：在C++語言環(huán)境中基于MFC技術(shù)設(shè)計判別程序，通過調(diào)用Matlab軟件接口將檢測環(huán)節(jié)測得的各項數(shù)據(jù)輸入SVM算法程序中進行判別。支持向量機(SupportVectorMachine)是一種依據(jù)統(tǒng)計學習理論提出的一種新的學習方法，它根據(jù)結(jié)構(gòu)風險最小化準則，以最大化分類間隔構(gòu)造最 優(yōu)超平面，SVM解決非線性分類問題時，通過引入核函數(shù)實現(xiàn)低cheg維空間到高維空間轉(zhuǎn)化，運算量小且和樣本的維數(shù)是無關(guān)的，同時其模型參數(shù)包括懲罰參數(shù)C、徑向基核函數(shù)參數(shù)g、階數(shù)p，中止訓練誤差ε等，其中懲罰因子C是一個由用戶去指定的系數(shù)，表示在模型訓練時對判斷失誤的點加入多少的懲罰，當C在合理范圍內(nèi)提高的時候，分錯的點會顯著減少，在樣本數(shù)據(jù)不均衡或需要人為調(diào)整時，可以通過對模型參數(shù)C的尋優(yōu)，有效提高預(yù)測精度。徑向基核函數(shù)參數(shù)g是將非線性可分樣本轉(zhuǎn)換到線性可分的特征空間，不同的核函數(shù)選擇會使SVM模型產(chǎn)生的分類超平面不同，產(chǎn)生較大的差異性，對SVM模型的性能有直接的影響。本實用新型中蘋果霉心病分類問題屬于非線性分類，由于霉心病果發(fā)病過程由內(nèi)到外，從外觀上難以與正常果實區(qū)分，導(dǎo)致樣本中健康果與病果比例嚴重失調(diào)，前期特征波段提取試驗中，304個樣品中健康果250個，病果僅54個，好果壞果比例達到5:1，樣品比例嚴重失衡，對建模方法的選擇提出了很高要求。針對實際情況，本項目選用SVM算法進行模型構(gòu)建，設(shè)置懲罰因子C，消除樣本數(shù)失衡對判別模型的影響。通過大量參數(shù)尋優(yōu)，最終設(shè)定判別模型中好果懲罰因子為1，壞果懲罰因子1.53，能夠降低壞果樣本數(shù)少對模型構(gòu)建的影響，模型構(gòu)建流程圖如圖5所示。依據(jù)前期特征提取試驗數(shù)據(jù)，采用支持向量機進行訓練，最后得到霉心病判別模型，訓練集判別準確率100％，訓練集判別準確率92.3％，訓練結(jié)果如圖所6示，僅判錯1個樣品，訓練誤差較小，判別性能好，可以作為霉心病分選線判別模型。當前第1頁1 2 3