(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111255699.2 (22)申请日 2021.10.27 (71)申请人 太原科技大 学 地址 030024 山西省太原市万柏林区窊流 路66号 (72)发明人 郭古青　马成聪　李传亮　邱选兵　 (74)专利代理 机构 北京中南长风知识产权代理 事务所(普通 合伙) 11674 代理人 郑海 (51)Int.Cl. G01N 21/25(2006.01) G01N 21/41(2006.01) G01N 21/47(2006.01) G06N 20/00(2019.01) (54)发明名称 基于多光谱机器学习的苹果糖度检测装置 及检测方法 (57)摘要 本发明公开了基于多光谱机器学习的苹果 糖度检测装置及检测方法， 包括亚克力黑箱、 主 控电路板、 多光谱传感器和移动电源； 所述亚克 力黑箱包括黑箱体、 黑箱门和置物底座， 所述黑 箱门安装在黑箱 体的前侧面， 所述置物底座固定 安装在黑箱 体的内腔底部； 所述主控电路板安装 在黑箱体的右侧面上， 所述多光谱传感器置于置 物底座内， 且呈嵌入状态， 所述移动电源安装在 黑箱体的顶面， 所述主控电路板与移动电源和多 光谱传感器 之间电连接。 本发明便于解决现有水 果品质无损检测技术操作复杂、 携带困难、 成本 高的问题。 权利要求书2页 说明书6页 附图7页 CN 113884447 A 2022.01.04 CN 113884447 A 1.基于多光谱机器学习的苹果糖度检测装置， 其特征在于： 包括亚克力黑箱(1)、 主控 电路板(2)、 多光谱传感器(3)和移动电源(4)； 所述亚克力黑箱(1)包括黑箱体(101)、 黑箱门(102)和置物底座(103)， 所述黑箱门 (102)安装在黑箱体(101)的前侧面， 所述置物底座(103)固定安装在黑箱 体(101)的内腔底 部； 所述主控电路板(2)安装在黑箱体(101)的右侧面上， 所述多光谱传感器(3)置于置物 底座(103)内， 且呈嵌入状态， 所述移动电源(4)安装在黑箱体(101)的顶面， 所述主控电路 板(2)与移动电源(4)和多光谱传感器(3)之间电连接 。 2.根据权利要求1所述的基于多光谱机器学习的苹果糖度检测装置， 其特征在于： 光源 采用AS7341多光谱传感芯片， 补光 光源采用两颗白光高亮LED。 3.根据权利要求2所述的基于多光谱机器学习的苹果糖度检测装置， 其特征在于： 所述 LED的峰值波长为 415nm， 445nm， 480nm， 510nm， 5 50nm， 590nm， 6 30nm， 680nm； 带宽20nm。 4.根据权利要求1所述的基于多光谱机器学习的苹果糖度检测装置， 其特征在于： 所述 置物底座(103)做涂黑处 理。 5.根据权利要求1所述的基于多光谱机器学习的苹果糖度检测装置， 其特征在于： 所述 主控电路板(2)包括主控MCU(201)、 显示模块(202)和蓝牙通信模块(203)， 所述主控MCU (201)选用STM32F103RCT6型号， 所述显示模块(202)采用LCD 1602液晶显示器， 所述蓝牙通 信模块(20 3)为HC‑05蓝牙模块。 6.基于多光谱机器学习的苹果糖度检测方法， 其特 征在于： 该检测方法的具体步骤为： 步骤S1： 将苹果样本 置于置物底座(103)上， 采集苹果样本在各波段通道的反射 光谱； 步骤S2： 采用折 光计糖度仪测量苹果样本的参 考糖度值； 步骤S3： 根据可见光分量值和参考糖度值， 建立苹果糖度的预测模型， 对预测模型进行 预测分析； 步骤S4： 将待测 样本置于置物底座(103)上， 采集待测苹果各特征波长通道的可见光分 量值， 将可见光分量 值代入到预测模型中， 获得待测苹果的糖度的预测值。 7.根据权利要求6所述的基于多光谱机器学习的苹果糖度检测方法， 其特征在于： 采集 苹果样本在各特征波长通道的反射光谱具体过程为： 苹 果样本在赤道轴上均匀选择三个点 采样， 采样点相隔120度， 每 个采样点采集 三次反射 光谱。 8.根据权利要求6所述的基于多光谱机器学习的苹果糖度检测方法， 其特征在于： 样本 光谱数据处 理的具体步骤为： 步骤一： 平均： 将同一个样本的各位置采集的多条光谱进行平均处理， 以平均光谱代表 该样本， 目的是避免单次测量可能引起的波动误差和随机误差； 步骤二： 去背景： 测定黑箱内部的无测量样本下的光谱， 将步骤一得到的样本光谱减去 黑箱光谱， 用于消除背景的影响； 步骤三： 标准化： 将步骤二得到的样本光谱的各特征波长通道分量值减去各通道分量 值的均值再除以各通道分量 值的标准差： 公式如下：权　利　要　求　书 1/2 页 2 CN 113884447 A 2采用标准 化的目的是消除由于原 始样本的颗粒的散射而产生的光谱误差 。 9.根据权利要求6所述的基于多光谱机器学习的苹果糖度检测方法， 其特征在于： 建立 糖度预测模型的具体步骤为： 步骤1： 分别计算每个波长点在剩余波长点上的投影， 选择投影值最大的波长点； 重复 投影过程， 直到在向量空间中获得共线性最小的变量子集； 该步骤可有效消除光谱中多变 量之间的共线性问题； 步骤2： 将被选择的特征波段通道与样本糖度进行偏最小二乘回归， 公式(1)和(2)分别 为光谱矩阵X和 糖度矩阵Y经分解后的表达式， 公式(3)表示得分矩阵T与V之间的多元线性 回归关系， 公式(4)为回归系数矩阵B的计算公式； X＝TP+E      (1) Y＝VQ+F    (2) V＝TB        (3) B＝(TTT)‑1TTW    (4) 其中， T和V分别表示光谱矩阵X和糖度矩阵Y的得分矩阵， P和Q分别表示光谱矩阵X和糖 度矩阵W的载荷矩阵， E和F分别表示 光谱矩阵X和糖度矩阵W的残差矩阵； d＝tB      (5) 公式(5)表示预测样品的公式； 将得到的样品光谱数据进行分解， 并得到光谱的得分矩 阵t， 即可算出糖度值d； 步骤3： 残差分析， 该步骤用于去掉奇异点使模型 更优； 步骤4： 模型 预测， 根据需要， 对待测量的苹果进行模型 预测。 10.根据权利要求6所述的基于多光谱机器学习的苹果糖度检测方法， 其特征在于： 所 述苹果糖度的预测模型为偏最小二乘回归模型、 所述预测分析为偏最小二乘 回归分析， 偏 最小二乘回归分析包括建立反射 光谱与糖度值的线性模型、 残差分析和模型 预测。权　利　要　求　书 2/2 页 3 CN 113884447 A 3