01測試地點介紹

共測試12組榴蓮果肉樣本：

根據(jù)標號采集每組榴蓮果肉高光譜數(shù)據(jù)。

榴蓮果肉解凍后，利用糖度計采集每塊樣本的糖度值并記錄、拍照，作為模型訓練的樣本。

糖度采集記錄現(xiàn)場

榴蓮果肉高光譜圖像

 高光譜相機裝置實物圖

本次測試采用高光譜設(shè)備進行測量

高光譜相機覆蓋900~1700nm波長范圍

線性推掃成像方案

照明光源采用鹵素光源

測試時在暗室環(huán)境，樣品放置在水平位移臺上

02測試設(shè)備介紹

本次測試采用高光譜設(shè)備進行測量

高光譜相機覆蓋400~1700nm波長范圍

線性推掃成像方案

照明光源采用鹵素光源

測試時在暗室環(huán)境，樣品放置在水平位移臺上

03數(shù)據(jù)采集

不同糖度范圍榴蓮果肉900-1700nm光譜曲線：

根據(jù)實測糖度值的范圍（26.9~42.5），將糖度分為五個等級，進行后續(xù)實驗研究。

榴蓮樣本在900-1700的反射率曲線如下所示，各糖度范圍的榴蓮果肉表面反射率曲線差異較小。通過目視觀察譜線無法找出對糖度敏感的光譜特征。

隨機選擇相同糖度范圍的不同樣本繪制高光譜反射率曲線如下圖，各樣本之間的反射曲線差異較小。

04

分析方法

CNN深度學習模型建模分類結(jié)果（原始樣本，糖度分五級）

利用CNN深度學習模型對不同糖度等級的樣本進行訓練和預(yù)測，分類結(jié)果如下圖所示。由于糖度等級分布比較零散，模型訓練后結(jié)果圖破碎化比較嚴重。

糖度真值

分類結(jié)果

將糖度分五個等級，對每塊榴蓮糖度值取平均處理，重新對樣本進行訓練和預(yù)測，分類結(jié)果如下圖所示，相比第一組實驗的糖度分級結(jié)果，破碎化情況減輕，但每塊果肉基本呈現(xiàn)兩種或以上糖度等級。

糖度真值

分類結(jié)果

將糖度分三個等級，利用CNN深度學習模型對不同糖度等級的樣本進行訓練和預(yù)測，分類結(jié)果如下圖所示。大部分果肉的糖度級別分類正確，每塊果肉糖度級別相對均一。

糖度真值

分類結(jié)果

04結(jié)論

測試結(jié)果：

?利用900-1700nm高光譜相機采集的榴蓮果肉高光譜數(shù)據(jù)質(zhì)量良好，但通過目視觀察難以獲取對糖度等級敏感的光譜特征波段。

?榴蓮果肉糖度分五級時，CNN深度學習建模分類結(jié)果不理想，果肉糖度分級破碎化嚴重。糖度分三級時，建模后的分類效果良好，大部分果肉被正確分級。

結(jié)果影響因素：

?部分榴蓮果肉表面反光，直接影響模型分類結(jié)果。

?現(xiàn)場利用糖度計測量榴蓮果肉時受解凍時間不統(tǒng)一、采集果肉部位有差異等影響，采集的榴蓮糖度真值存在一定誤差。