一种雷竹笋硬度快速检测方法及装置

摘要

本发明公开了一种雷竹笋硬度快速检测方法及装置，包括：1)采集特征波长所对应雷竹笋的反射率；2)将获取的各个波长下的反射率转化为吸光度值；3)将各吸光度分别带入多元线性回归方程计算得到雷竹笋的硬度。本发明还公开了实施上述检测方法的装置，包括载物台、样品固定仿形胶座、半球形光谱采集盒、光源系统、计算机、单片机模块，载物台和半球形光谱采集盒之间焊接设置有弹性支撑脚，半球形光谱采集盒底部中心一体成型设置有中心开孔，半球形光谱采集盒上还配合设置有手柄。本发明主要是通过特征波长快速准确的检测雷竹笋硬度，大大缩短了检测的时间，为雷竹笋的自动化切割提供基础。

说明书

技术领域

本发明属于竹笋品质检测领域，具体涉及一种雷竹笋硬度快速检测方法及装置。

背景技术

竹笋含有人体所必须的氨基酸，以及各种微量元素和纤维素，是一种低糖、低脂、高蛋白、高纤维的绿色保健食品。硬度是竹笋品质评价的重要指标，对不同硬度的竹笋进行分切，可以物尽其用，创造更好的经济价值。传统的竹笋硬度检测方法通常是采用硬度仪进行穿孔检测，该方法为有损检测，且检测速度慢，无法满足竹笋切割加工过程中的大样品群体的快速检测需要。因此，研究无损、快速、准确检测竹笋硬度的方法对于竹笋的贮藏、自动化切割加工均具有重要的意义。

近红外光的波长范围约为780 ~ 2500 nm，是介于可见光与中红外光之间的电磁波，通过与物质中有机分子的含氢基团如C-H、O-H、N-H键的作用，形成有机分子的倍频和合频吸收光谱。根据这些近红外光谱出现的位置、吸收强度等信息特征，结合化学计量学方法可对被测物品质特性进行定量或定性分析。近红外光谱技术具有操作简便、测定速度快、无污染等优点，已广泛应用于石油化工、食品、农业、制药等领域。

发明内容

本发明的目的是提供一种雷竹笋硬度快速检测方法及装置。可快速采集雷竹笋某些特定波长的反射率，通过多元线性回归模型，快速准确检测雷竹笋硬度，为雷竹笋的自动化切割提供基础。

所述的一种雷竹笋硬度的快速检测方法，其特征在于包括以下步骤：

1）采集特征波长所对应雷竹笋的反射率，所述特征波长分别为：1181nm、1719 nm、 1867 nm、1494 nm、2296 nm、2122 nm、1144 nm、1441nm、1028 nm、 2416 nm、1164 nm、1909 nm、1000 nm、2448 nm和2037nm；

2）将获取的各个特征波长下的反射率转化为吸光度值；

3）将各吸光度值分别带入多元线性回归方程：y = -133.34 λ₁ + 92.17 λ₂ + 72.93λ₃ – 62.03 λ₄ – 33.60 λ₅ + 48.72 λ₆ – 71.16 λ₇ + 41.46 λ₈ + 66.87 λ₉ – 19.90λ₁₀ + 46.08 λ₁₁ +0.76λ₁₂ – 47.09λ₁₃ + 23.17 λ₁₄  - 25.21 λ₁₅  + 1.39，计算得到竹笋的硬度；

方程中y为被测竹笋部位的硬度，λ₁ ~ λ₁₅分别为1811 nm、1719nm、1867 nm、1494 nm、2296 nm、2122 nm、1144 nm、1441 nm、1028 nm、 2416 nm、1164 nm、1909 nm、1000 nm、2448 nm和2037nm波长所对应的测试部位的吸光度。

由于竹笋为含多种有机成分的非透明介质，当光波照射在其表面时，除部分光被吸收外，大部分均发生反射，而光波吸收的多少与竹笋的化学成分或物理性质是相关的，而竹笋硬度属性与竹笋的化学成分或物理性质相关，特别是跟少数某些特征波长光波的反射率相关。

所述的一种雷竹笋硬度的快速检测方法，其特征在于所述特征波长的获取采用以下步骤：

1）雷竹笋样品原材料的采集：选取长度大于30cm、根部直径大于5cm的雷竹笋为样品原材料；

2）将步骤1）中的样品原材料纵向剖开，用内径为1.5cm的叶片打孔器在雷竹笋的节间进行打孔取样，获得直径为1.5cm，厚度为1cm的样品；

3）用Antraris II傅立叶变换近红外光谱仪采集步骤2）中样品的近红外漫反射光谱，采集条件为：室温20±2℃、扫描范围10000～4000 cm^-1、扫描次数64次、分辨率为8 cm^-1、扫描时光纤探头与雷笋圆形表面直接接触，将采集的近红外漫反射光谱数据用TQ Analyst 9.1软件进行采集和转换；

4）用质构仪测定雷竹笋样品的纵向硬度数据，测定方法为：采用P2N针状探头对样品圆形平面间隔120°的三个测试点进行探针打入深度为5mm测量，对三点的硬度进行平均作为样品最终硬度。

5）采用蒙特卡罗采样算法剔除异常样本，确定样品集光谱数据；

6）先采用自适应竞争性权重法在1000-2500nm波长范围内进行特征波长的初选，剔除无关变量，初步得到一些与雷竹笋硬度相关的变量，然后进一步采用连续投影算法进行特征波长的二次选择，得到这些。特征波长分别为1811 nm、1719 nm、 1867 nm、1494 nm、2296 nm、2122 nm、1144 nm、1441 nm、1028 nm、 2416 nm、1164 nm、1909 nm、1000 nm、2448 nm和2037 nm。以上述波长的雷竹笋的吸光度作为输入变量，以测量的雷竹笋硬度作为输出变量进行多元线性回归，得到上述回归方程。

所述的一种快速检测雷竹笋硬度的装置，包括载物台、配合设置在载物台上的样品固定仿形胶座、半球形光谱采集盒、光源系统、计算机、单片机模块，所述半球形光谱采集盒内部配合安装有环形光谱接收器支架，环形光谱接收器支架上均布设置有光谱接收器，所述光源系统配合设置在半球形光谱采集盒的顶部，所述光谱接收器及光源系统与单片机模块相连，单片机模块通过USB数据线与计算机相连，其特征在于所述载物台和半球形光谱采集盒之间焊接设置有弹性支撑脚，所述半球形光谱采集盒底部中心一体成型设置有中心开孔，半球形光谱采集盒上还配合设置有手柄。

所述的一种快速检测雷竹笋硬度的装置，其特征在于所述光谱接收器设置有16个。

所述的一种快速检测雷竹笋硬度的装置，其特征在于所述弹性支撑脚有3个，所述3个弹性支撑脚均匀120°与半球形光谱采集盒焊接设置。

所述的一种快速检测雷竹笋硬度的装置，其特征在于所述光谱接收器包括依次安装的光敏传感器、滤光片、第一菲涅尔透镜。

所述的一种快速检测雷竹笋硬度的装置，其特征在于所述光源系统包括LED光源及设置在LED光源下方的第二菲涅尔透镜，所述LED光源波长范围为1000-2500nm。

所述的一种快速检测雷竹笋硬度的装置，其特征在于所述半球形光谱采集盒内壁设置有白色图层。

所述的一种快速检测雷竹笋硬度的装置，其特征在于所述单片机模块可提供大小可调的横流信号，为光源供电，单片机模块内置进行雷竹笋硬度测量的多元线性回归方程，用于计算、显示并将数据和结果传输给计算机，进行数据的存储和再现。

所述的一种快速检测雷竹笋硬度的装置，其特征在于所述多元线性回归方程为y = -133.34 λ₁ + 92.17 λ₂ + 72.93λ₃ – 62.03 λ₄ – 33.60 λ₅ + 48.72 λ₆ – 71.16 λ₇ + 41.46 λ₈ + 66.87 λ₉ – 19.90λ₁₀ + 46.08 λ₁₁ +0.76λ₁₂ – 47.09λ₁₃ + 23.17 λ₁₄  - 25.21 λ₁₅  + 1.39，方程中y为雷竹笋被测部位的硬度：λ₁ ~ λ₁₅分别为1811 nm、1719nm、1867 nm、1494 nm、2296 nm、2122 nm、1144 nm、1441 nm、1028 nm、 2416 nm、1164 nm、1909 nm、1000 nm、2448 nm和2037nm波长所对应的雷竹笋测试部位的吸光度。

本发明的有益效果是：

1.实现了雷竹笋硬度的快速便捷检测，测量准确度高；

2.采用少数特征波长进行多元线性回归分析，抗干扰能力强，成本低；

3.适用范围广，可根据实际情况，选择其他中心波长的滤光片，通过修正多元线性回归模型，用于不同地区、不同品种竹笋硬度或其它品质指标的检测。

4.本发明主要用于通过特征波长的光谱快速准确检测雷竹笋硬度，大大缩短了检测时间，降低了检测成本，为新鲜竹笋的贮藏以及自动化切割分级奠定了基础。

附图说明

图1为雷竹笋硬度快速检测装置的结构示意图；

图2为图1所示装置中光谱接收器的分布示意图；

图3为本发明实施例中校正集样品预测结果散点分布图；

图4为本发明实施例中测试集样品预测结构散点分布图；

图中，1-载物台，2-弹性支撑脚，3-样品固定仿形胶座，4-半球形光谱采集盒，5-光谱接收器，6-计算机，7-单片机模块，8-光源系统，9-LED光源，10-第二菲涅尔透镜，11-手柄，12-环形光谱接收器支架，13-光敏传感器，14-滤光片，15-第一菲涅尔透镜，16-中心开孔。

具体实施方式

本发明下面结合附图及实施例予以进一步详述。

如图1所示：一种快速检测竹笋硬度的装置，包括以下部件：载物台1、弹性支撑脚2、样品固定仿形胶座3、半球形光谱采集盒4、光谱接收器5、计算机6、单片机模块7、光源系统8、LED光源9、第二菲涅尔透镜10、手柄11、环形光谱接受器支架12、光敏传感器13、滤光片14、第一菲涅尔透镜15。光谱接受器5、光源系统8连接到单片机模块7，再通过USB数据线连接到计算机6上。半球形光谱采集盒4顶部嵌入光源系统8，光源系统8中放置LED光源9，半球形光谱采集盒4底部中心一体成型设置有中心开孔16，LED光源9发光后，通过第二菲涅尔透镜10将光汇聚到被测样品上。半球形光谱采集盒4上安装有手柄11，可用于移动式测量。三个弹性支撑脚2均匀120°分布并与半球形光谱采集盒4焊接，通过弹性支撑脚2可使被测部位紧贴半球形光谱采集盒4底部中心开孔16。半球形光谱采集盒4内壁为白色，使光照均匀。

如图1和2所示，半球形光谱采集盒4内部安装有环形光谱接受支架12，环形光谱接受支架12上圆周均布有16个光谱接受器5，每个光谱接收器5的中心线交汇于光源系统8在中心开孔16的中心。每个光谱接受器5上安装有一个光敏传感器13、滤光片14和第一菲涅尔透镜15。其中15个滤光片的中心波长分别为1811 nm、1719 nm、 1867 nm、1494 nm、2296 nm、2122 nm、1144 nm、1441 nm、1028 nm、 2416 nm、1164 nm、1909 nm、1000 nm、2448 nm和2037 nm。16组滤光片和光敏传感器其中一组作为参考波长，其余15组参与计算。

光敏传感器13通过特征波长的滤光片14采集特征波长的光波反射率。所谓特征波长是指其反射率与竹笋硬度相关的那些波长。

实施例

特征波长的获取：

    1）选取长度于30cm、根部直径大于5cm的雷竹笋作为样品原材料，纵向剖开，用内径为1.5cm的叶片打孔器在竹笋的节间进行打孔取样，共获取直径1.5cm，厚度为1cm的样品113个；

2）用Antraris II傅立叶变换近红外光谱仪采集上述样品的近红外漫反射光谱。采集条件：室温：20±2℃；扫描范围：10000～4000 cm^-1；扫描次数：64次；分辨率：8 cm^-1；扫描时光纤探头与雷笋圆形表面直接接触，光谱数据由TQ Analyst 9.1（热电尼高力公司，美国）软件进行采集和转换；

3）用质构仪（北京微寻超仪器技术有限公司）测定雷笋样品的纵向硬度数据，测定方法为：采用P2N针状探头对样品圆形平面间隔120°的3个测试点进行探针打入深度为5mm的测量，对3点的硬度进行平均并作为样品最终硬度；

4）采用蒙特卡罗采样算法(Monte-Carlo Sampling, MCS)剔除异常样品，最终整个样品集光谱数据为108条；

5）先采用竞争性自适应权重法(Competitive Adaptive Reweighed Sampling, CARS)进行特征波长的初选，随后采用连续投影算法(Successive Projections Algorithm, SPA)进行特征波长的二次选择，这样不仅可以避免直接采用连续投影算法造成的时间过长等现象，还可以进一步剔除无关变量，提高模型的精度。本发明的特征波长分别为1811 nm、1719 nm、 1867 nm、1494 nm、2296 nm、2122 nm、1144 nm、1441 nm、1028 nm、 2416 nm、1164 nm、1909 nm、1000 nm、2448 nm和2037 nm。15个光敏组件分别接受着15个波长的光波；

本发明先测定108个样品在1811 nm、1719 nm、 1867 nm、1494 nm、2296 nm、2122 nm、1144 nm、1441 nm、1028 nm、 2416 nm、1164 nm、1909 nm、1000 nm、2448 nm和2037 nm这些波长处的反射率，随后通过log(1/R) (R为反射率)将其转换成吸光度，然后采用浓度梯度法选择72个样品作为校正集，其余36份样品作为测试集，同时利用传统方法检测108个竹笋样品的硬度。将校正集样品的各特征波长所对应的吸光度值作为自变量，相应的实测量值作为因变量，利用多元线性回归方法（Multiple Linear Regression, MLR）得到如下多元线性回归方程：y = -133.34 λ₁ + 92.17 λ₂ + 72.93λ₃ – 62.03 λ₄ – 33.60 λ₅ + 48.72 λ₆ – 71.16 λ₇ + 41.46 λ₈ + 66.87 λ₉ – 19.90λ₁₀ + 46.08 λ₁₁ +0.76λ₁₂ – 47.09λ₁₃ + 23.17 λ₁₄  - 25.21 λ₁₅  + 1.39，计算得到竹笋的硬度。

方程中y为被测竹笋部位硬度的预测值；λ₁ ~ λ₁₅分别为1811 nm、1719 nm、 1867 nm、1494 nm、2296 nm、2122 nm、1144 nm、1441 nm、1028 nm、 2416 nm、1164 nm、1909 nm、1000 nm、2448 nm和2037 nm波长所对应的竹笋测试部位的吸光度。

然后利用上述多元线性回归方程分别对校正集和测试集样品的硬度进行预测，并对预测结果进行评价。评价指标中相关系数和斜率越接近于1，均方根误差、偏差的绝对值和截距越小，说明模型预测性能越好。预测结果如表1所示：

表1：校正集和测试集雷竹笋样品硬度预测评价

如图3所示，为校正集建模分析时的预测结果，即校正集样品的预测值和真实值的对比，并将模型用于测试集样品预测，分析模型的精度。如图4所示是测试集样品预测结果的散点分布图。上述表中，竹笋硬度的预测值与真实值测量之间相关系数均大于0.9，校正集均方根误差和测试集均方根误差较小且二者相差不大，因此认为模型的预测性能较好。上述结果说明应用本发明的方法能够快速准确的实现累竹笋硬度的检测。

上述装置检测雷竹笋硬度的方法如下：

将雷竹笋放置在样品固定仿形胶座3上，使雷竹笋被测部位对准半球形光谱采集盒4底部中心开孔16的中心，然后通过单片机模块7接通LED光源9，光照射到被测部位后，光敏传感器13通过滤光片14只接受特定波长下经第一菲涅尔透镜15反射回来的光，以第16个光敏传感器接受的光强作为参考，换算出另外15个特征波长下光波的反射率，单片机模块7接受数据并将其转化为吸光度值，带入到多元回归模型中，计算得到雷竹笋硬度。

该装置适用范围较广，可用于测定不同种类竹笋的硬度，前提是只需要按照上述方法确定不同种类的特征波长，进而确定多元回归方程，将多元回归方程置入单片机模块即可。