【技術實現步驟摘要】
本專利技術涉及品質檢測分級，尤其涉及一種基于深度學習的柑橘內外品質檢測分級方法及系統。
技術介紹
1、深度學習技術通過構建卷積神經網絡(cnn)等模型，利用大量的柑橘圖像和相應的品質數據進行訓練，實現對柑橘內外品質的自動檢測。該方法首先利用圖像采集系統獲取柑橘的外觀圖像，通過圖像處理技術提取表面特征，如顏色、紋理和缺陷；同時，通過非破壞性檢測技術(如近紅外光譜分析)采集柑橘內部品質數據，如糖酸比、內部結構異常等。深度學習模型能夠通過對這些數據的分析和學習，構建復雜的非線性關系，實現高效、準確的柑橘品質分級。相比于傳統方法，基于深度學習的檢測分級方法具有更高的精度、可擴展性和自動化程度，可以減少人為干預、提高分級效率，并支持大規模應用于柑橘生產線，促進農業數字化與智能化轉型。然而，傳統的一種基于深度學習的柑橘內外品質檢測分級方法存在著對柑橘內外成熟度識別不精確，以及自動化程度低的問題。
技術實現思路
1、基于此，有必要提供一種基于深度學習的柑橘內外品質檢測分級方法及系統，以解決至少一個上述技術問題。
2、為實現上述目的，一種基于深度學習的柑橘內外品質檢測分級方法，所述方法包括以下步驟：
3、步驟s1：通過高光譜成像儀對柑橘進行光譜圖像采集，得到光譜特征波段數據；通過機械爪中內置的觸覺傳感器對柑橘進行觸覺感知數據采集，得到柑橘觸覺感知數據；
4、步驟s2：根據光譜特征波段數據進行柑橘不同區域的糖酸比值梯度識別，得到柑橘糖酸比值梯度數據；根據柑橘糖酸比
5、步驟s3：根據光譜特征波段數據對柑橘內部成熟度等級數據進行不同成熟度區域的外部形態感知分析，得到柑橘外部形態感知數據；
6、步驟s4：基于近端策略優化算法對柑橘外部形態感知數據和柑橘內部成熟度等級數據進行柑橘內外品質記憶學習，到柑橘內外品質記憶歸一化數據；基于柑橘內外品質記憶歸一化數據進行柑橘內外品質挑選固件設計，得到柑橘內外品質挑選固件，并將橘內外品質挑選固件發送至云平臺，以執行柑橘內外品質檢測分級。
7、本專利技術通過高光譜成像儀與觸覺傳感器對柑橘進行光譜圖像和觸覺感知數據的采集，極大地提升了質量檢測的準確性與全面性。高光譜成像儀能獲取柑橘表面的細致光譜特征，這些光譜數據能夠揭示果實內部的化學成分及其狀態，特別是糖分和酸度的含量。這一過程通過不同波段的分析，能夠有效地識別出果實在不同成熟階段的特征。此外，內置的觸覺傳感器通過接觸獲取柑橘的硬度和彈性數據，補充了光譜成像未能完全反映的物理特性。這種多維數據的結合為后續的分類提供了扎實的基礎，使得柑橘的質量檢測不僅限于視覺特征，而是全面考慮了化學成分與物理性質，從而能夠更精確地評估果實的成熟度和風味特征。利用光譜特征波段數據進行柑橘不同區域的糖酸比值梯度識別，這是進行質量分類的重要依據。糖酸比是評價水果口感的重要指標，直接影響消費者的選擇和市場接受度。通過對不同區域的比值進行梯度識別，能夠明確哪些區域的果實更甜或更酸，從而分類為不同的消費市場或使用目的。此外，結合柑橘的觸覺感知數據進行果肉彈性差異評估，為果實的內部品質提供了更全面的視角。彈性較好的果實通常意味著更高的水分含量和更好的口感，這對于市場營銷至關重要。這一階段的綜合評估使得柑橘在分類上更加科學，為后續的銷售策略提供了數據支持。通過對柑橘內部成熟度等級數據進行外部形態感知分析，能夠更全面地了解果實的表觀特征與內在品質之間的關系。利用光譜特征波段數據，這一過程不僅關注果實的顏色、大小和形狀等物理特征，還通過這些外部形態特征推測內部的成熟度。這種方法允許研究人員和果農對不同成熟度區域的柑橘進行系統分析，從而制定相應的采摘和銷售策略。通過外部形態感知數據，可以快速識別果實的健康狀況、成熟度及其適合的市場定位，提高了分類的效率和精準度。此外，該步驟為后續的品質評估與選擇提供了科學依據，確保消費者能獲得更優質的柑橘產品，進而提升整個供應鏈的效率和效益?；诮瞬呗詢灮惴▽Ω涕賰韧馄焚|數據進行記憶學習的過程，標志著對果實品質檢測與分級的一次重大進步。通過對外部形態感知數據和內部成熟度等級數據的結合，算法能夠識別出影響柑橘品質的關鍵因素，并形成一個高效的品質記憶模型。這一模型可以歸一化不同數據，使得各個特征在進行后續分析時具有一致的標準。基于這些歸一化數據，設計出的柑橘內外品質挑選固件，能夠智能地識別和分類不同品質的果實，進一步提升了檢測的自動化和智能化水平。這種方法不僅提高了檢測效率，還減少了人為因素的干擾，確保每個柑橘都能夠得到科學、客觀的評估。通過將挑選固件與云平臺相結合，數據可以實時上傳和分析，為整個行業提供了強大的數據支持和反饋機制，最終推動柑橘品質管理的智能化與現代化進程。因此，本專利技術是對傳統的一種基于深度學習的柑橘內外品質檢測分級方法提供了優化處理，解決了傳統的一種基于深度學習的柑橘內外品質檢測分級方法存在著對柑橘內外成熟度識別不精確，以及自動化程度低的問題，提高了對柑橘內外成熟度識別的精確度，提高了自動化程度水平。
8、優選地，步驟s1包括以下步驟：
9、步驟s11：通過高光譜成像儀對柑橘進行光譜圖像采集，得到柑橘光譜圖像；
10、步驟s12：對柑橘光譜圖像進行圖像增強處理，得到柑橘光譜增強圖像；
11、步驟s13：對柑橘光譜增強圖像進行特征波段提取，得到光譜特征波段數據；
12、步驟s14：通過機械爪中內置的觸覺傳感器對柑橘進行觸覺感知數據采集，得到柑橘觸覺感知數據。
13、本專利技術通過高光譜成像儀對柑橘進行光譜圖像采集，生成了詳細的柑橘光譜圖像。這一過程能夠捕捉到柑橘在不同波段下的反射特征，為后續分析提供了豐富的光譜信息。高光譜成像技術的應用，使得研究者可以獲取到比傳統成像技術更多的光譜數據，這些數據不僅揭示了柑橘的化學成分、成熟度和健康狀況，還可以幫助識別與果實質量相關的細微差異。這一初步步驟為后續的質量檢測、分類和成熟度評估奠定了堅實的基礎，確保了后續分析的科學性和可靠性。對柑橘光譜圖像進行圖像增強處理，旨在提升圖像的對比度和清晰度，使得光譜特征更加明顯。通過使用各種圖像處理技術，例如直方圖均衡化、濾波和銳化等，可以有效去除噪聲和模糊，突顯柑橘表面細微的光譜變化。這一處理不僅提高了圖像的質量，還增強了后續特征提取的準確性。經過增強的光譜圖像能夠更清晰地展示果實的表面特征，為科學分析提供了更可靠的數據支持。此外，圖像增強還幫助研究者更直觀地識別不同成熟度和質量等級的果實，從而在品質評估中實現更高的精度和效率。對柑橘光譜增強圖像進行特征波段提取，這是數據分析過程中的關鍵環節。通過分析光譜圖像中不同波段的反射強度，可以識別出與果實內部成分(如糖分、酸度等)相關的特征波段。這一過程有效地將大量光譜信息簡化為可操作的特征數本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的柑橘內外品質檢測分級方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的柑橘內外品質檢測分級方法，其特征在于，步驟S1包括以下步驟：
3.根據權利要求1所述的基于深度學習的柑橘內外品質檢測分級方法，其特征在于，步驟S2包括以下步驟：
4.根據權利要求3所述的基于深度學習的柑橘內外品質檢測分級方法，其特征在于，步驟S22包括以下步驟：
5.根據權利要求3所述的基于深度學習的柑橘內外品質檢測分級方法，其特征在于，步驟S23包括以下步驟：
6.根據權利要求4所述的基于深度學習的柑橘內外品質檢測分級方法，其特征在于，對柑橘糖酸比值梯度數據進行不同柑橘區域的周期沉積預測包括以下步驟：
7.根據權利要求1所述的基于深度學習的柑橘內外品質檢測分級方法，其特征在于，步驟S3包括以下步驟：
8.根據權利要求7所述的基于深度學習的柑橘內外品質檢測分級方法，其特征在于，步驟S32包括以下步驟：
9.根據權利要求1所述的基于深度學習的柑橘內外品質檢測分級方法，其特征在
10.一種基于深度學習的柑橘內外品質檢測分級系統，其特征在于，用于執行如權利要求1所述的基于深度學習的柑橘內外品質檢測分級方法，該基于深度學習的柑橘內外品質檢測分級系統包括：
...【技術特征摘要】
1.一種基于深度學習的柑橘內外品質檢測分級方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的柑橘內外品質檢測分級方法，其特征在于，步驟s1包括以下步驟：
3.根據權利要求1所述的基于深度學習的柑橘內外品質檢測分級方法，其特征在于，步驟s2包括以下步驟：
4.根據權利要求3所述的基于深度學習的柑橘內外品質檢測分級方法，其特征在于，步驟s22包括以下步驟：
5.根據權利要求3所述的基于深度學習的柑橘內外品質檢測分級方法，其特征在于，步驟s23包括以下步驟：
6.根據權利要求4所述的基于深度學習的柑橘內外品質檢測分級方法，...
【專利技術屬性】
技術研發人員：魯勁峰，廖明系，周熠，
申請(專利權)人：辣妹子食品股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。