技術領域：

本發(fā)明屬于水果檢測技術領域，具體涉及一種快速檢測水果內(nèi)部品質的便攜式檢測設備和檢測方法。

背景技術：
：

水果產(chǎn)業(yè)在我國國民經(jīng)濟生活中意義重大，水果品質直接關系每個人的日常生活。目前我國水果商品化水平仍然較低，水果質量參差不齊，極為需要便捷方便的水果檢測和分級技術。水果的糖酸度可以從一定程度上代表水果的品質，目前對水果糖酸度的檢測主要依賴于破損式檢測，即通過將水果榨汁來檢測里面的含糖量和ph值。這種方法需要對水果進行破壞，對于水果品質的檢測只能進行抽檢，同時增加了成本，造成了大量的浪費。其繁瑣的制樣、長時間的檢測過程,無法用于消費者日常對水果的品種檢測。

近紅外光譜具有豐富的結構和組成信息，適于測量內(nèi)部組份如糖度，酸度。近紅外光譜檢測作為一種檢測速度快、準確率高、安全無損的檢測技術備受關注。近紅外光譜檢測技術在水果的無損檢測領域已得到部分應用，近紅外檢測設備也日漸趨于小型化、便捷化。然而，目前的近紅外檢測設備都需要外接電源，無法隨身攜帶，應用場景有限。而且，近紅外光譜法僅初步用于少數(shù)種類水果的糖度和酸度的檢測。為了滿足普通消費者對水果品質的越來越高的要求，急需開發(fā)可以同時檢測多種水果的真正便攜式的檢測設備。

技術實現(xiàn)要素：
：

本發(fā)明所要解決的技術問題是：提供一種檢測速度快、檢測準確率高且安全無損的用于檢測水果內(nèi)部品質的便攜式檢測設備及檢測方法。

為了解決上述技術問題，本發(fā)明是通過以下技術方案實現(xiàn)的：一種快速檢測水果內(nèi)部品質的便攜式檢測設備，包括光源及檢測器組件、主控電路板組件、外殼、數(shù)據(jù)線，供電模塊和顯示設備；

所述光源及檢測器組件由光源模塊、檢測器、檢測器芯片和數(shù)據(jù)接口組成，所述檢測器和檢測器芯片均集成在光源模塊上，所述數(shù)據(jù)接口通過電路連接至檢測器芯片；

所述主控電路板組件包括基板和設置在基板上的主控芯片，所述基板上還設置有通過電路連接至主控芯片的信號采集放大電路、模數(shù)轉化電路、藍牙芯片、電源控制電路、內(nèi)部按鈕和充電接口；

所述光源及檢測器組件的數(shù)據(jù)接口通過數(shù)據(jù)線連接至主控電路板組件的信號采集放大電路，所述主控電路板組件的電源控制電路與供電模塊通過電路相連接；

所述主控電路板組件的藍牙芯片與顯示設備之間進行藍牙通訊；

所述光源及檢測器組件安裝在外殼的殼體上，所述主控電路板組件、數(shù)據(jù)線，供電模塊均設置在殼體內(nèi)部。

作為便攜式檢測設備的一種優(yōu)選的技術方案，所述光源模塊為發(fā)射一定波長范圍的5到500個點光源，點光源的波長在500nm～1800nm區(qū)間內(nèi)，所述光源及檢測器組件的檢測器為光電二極管，光源模塊選用六枚led芯片集成在一個基板組成led陣列，一枚光電二極管集成在led陣列的中心，所述供電模塊選用可充電鋰電池。

作為便攜式檢測設備的一種優(yōu)選的技術方案，所述殼體分為通過緊固件相固定的上殼體和下殼體，所述主控電路板組件通過卡位固定在下殼體內(nèi)部，所述供電模塊安裝在主控電路板組件的基板上，所述上殼體頂部設置有圓孔，并且圓孔內(nèi)設置有內(nèi)部按鈕控制組件，所述內(nèi)部按鈕控制組件包括彈簧、外部按鈕和導光環(huán)，所述外部按鈕和導光環(huán)安裝在上殼體頂部設置的圓孔中，所述彈簧安裝在外部按鈕的卡位中，所述上殼體前端開設有與光源及檢測器組件大小相同的窗口，所述光源及檢測器組件置于窗口內(nèi)，所述窗口內(nèi)還設置有用于防護光源及檢測器組件的石英玻璃板，所述下殼體后端還開設有鑰匙孔。

快速檢測水果內(nèi)部品質的便攜式檢測設備的檢測方法，其特征在于：包括以下步驟，

s1)、通過便攜式檢測設備對水果樣品進行光譜采集，得到原始光譜；

s2)、對水果樣品進行糖度和酸度測量，并取測量值作為分析預測模型的觀測值；

s3)、構建水果糖度的預測模型，通過神經(jīng)網(wǎng)絡算法、支持向量機以及粒子群算法進行分類和多次驗證，最終確定水果糖度最佳的預測模型；

s4)、構建水果酸度的預測模型，通過神經(jīng)網(wǎng)絡算法、支持向量機以及粒子群算法進行分類和多次驗證，最終確定水果酸度最佳的預測模型；

s5)、采集待測水果的光譜信息并代入到步驟d和步驟f建立的預測模型中，得到待測水果的糖度和酸度的預測值。

作為本發(fā)明檢測方法的一種優(yōu)選技術方案，步驟a中的便攜式檢測設備采用漫反射的采集方式，隨機選取每個水果的環(huán)赤道面上的點進行光譜掃描。

作為本發(fā)明檢測方法的一種優(yōu)選技術方案，步驟b中水果糖度的測量方法為：首先用蒸餾水將糖度儀的棱鏡清洗干凈并擦凈水分后校正調零，再將已經(jīng)測過光譜的水果切開并擠出汁水于折光棱鏡的鏡面上進行測量三次，取平均值；水果酸度的測量方法為：用蒸餾水清洗手持式ph計前端，直至ph值顯示為中性，將ph計插入水果環(huán)赤道面上，測量6個位置的ph值，取平均值。

作為本發(fā)明檢測方法的一種優(yōu)選技術方案，步驟s3和步驟s4中基于bp網(wǎng)絡的水果分類算法包括bp神經(jīng)網(wǎng)絡構建、bp神經(jīng)網(wǎng)絡訓練和bp神經(jīng)網(wǎng)絡分類三個步驟。

作為本發(fā)明檢測方法的一種優(yōu)選技術方案，步驟s3和步驟s4中支持向量機學習算法的核函數(shù)包括線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)以及兩層感知器核函數(shù)。

作為本發(fā)明檢測方法的一種優(yōu)選技術方案，步驟s3和步驟s4中所述粒子群優(yōu)化算法通過比較新粒子的適應度值和個體極值、群體極值的適應度值更新個體極值pbest和群體極值gbest位置建立。

作為本發(fā)明檢測方法的一種優(yōu)選技術方案，所述檢測方法可檢測的水果包括蘋果、草莓、橘子、葡萄、龍眼、橙子、梨、獼猴桃、香蕉、圣女果。

與現(xiàn)有技術相比，本發(fā)明的有益之處是：

本發(fā)明的便攜式檢測設備具有體積小、可隨身攜帶、可充電且續(xù)航能力強的優(yōu)點。

本檢測方法相比于傳統(tǒng)的檢測水果糖酸度破壞性的有損檢測方法，可以進行實時無損的檢測水果的糖度和酸度兩個指標，具有操作簡單、方便直觀、檢測快速，成本低廉，無需化學試劑和無污染等優(yōu)點，滿足了普通消費者日常對水果品質的檢測要求，并且可以實現(xiàn)對多種水果進行檢測。

附圖說明：

下面結合附圖對本發(fā)明進一步說明。

圖1為便攜式檢測設備的整體示意圖；

圖2為便攜式檢測設備的分解結構圖；

圖3為bp神經(jīng)網(wǎng)絡算法流程；

圖4為支持向量機的體系結構；

圖5為多種水果的糖度和酸度分布圖；

圖6為由bp神經(jīng)網(wǎng)絡、支持向量機通過粒子群算法優(yōu)化組成的混合模型預測蘋果的糖度和酸度預測圖；

圖7為由bp神經(jīng)網(wǎng)絡模型預測草莓的糖度和酸度預測圖；

圖8為由bp神經(jīng)網(wǎng)絡模型預測橘子的糖度和酸度預測圖；

具體實施方式：

下面結合附圖及具體實施方式對本發(fā)明進行詳細描述：

如圖1和圖2所示的一種快速檢測水果內(nèi)部品質的便攜式檢測設備，包括光源及檢測器組件1、主控電路板組件3、外殼、數(shù)據(jù)線12，供電模塊4和顯示設備；

所述光源及檢測器組件1由光源模塊、檢測器、檢測器芯片和數(shù)據(jù)接口組成，為了減小設備體積，所述檢測器和檢測器芯片均集成在光源模塊上，所述數(shù)據(jù)接口通過電路連接至檢測器芯片；

所述主控電路板組件3包括基板和設置在基板上的主控芯片，所述基板上還設置有通過電路連接至主控芯片的信號采集放大電路、模數(shù)轉化電路、藍牙芯片、電源控制電路、內(nèi)部按鈕和充電接口；

所述光源及檢測器組件1的數(shù)據(jù)接口通過數(shù)據(jù)線12連接至主控電路板組件3的信號采集放大電路，所述主控電路板組件3的電源控制電路與供電模塊4通過電路相連接，檢測器輸出的模擬量信號通過柔性數(shù)據(jù)線傳輸給主控電路板3上的信號采集放大電路，之后數(shù)據(jù)再經(jīng)過模數(shù)轉換電路進入主控芯片進行數(shù)據(jù)處理，處理后的結果，經(jīng)過藍牙芯片進行傳輸，主控電路板3除了數(shù)據(jù)采集，數(shù)據(jù)處理，數(shù)據(jù)發(fā)送等功能，還對光源模塊和供電模塊4進行供電管理，主控電路板組件3上的內(nèi)部按鈕是整體設備的快關和檢測控制的開關。

所述主控電路板組件3的藍牙芯片與顯示設備之間進行藍牙通訊，檢測結果可顯示在與本設備配套的手機app上。

所述光源及檢測器組件1安裝在外殼的殼體上，所述主控電路板組件3、數(shù)據(jù)線12，供電模塊4均設置在殼體內(nèi)部。

所述光源模塊為發(fā)射一定波長范圍的5到500個點光源，點光源的波長在500nm～1800nm區(qū)間內(nèi)，所述光源及檢測器組件的檢測器為光電二極管，所述光源不是傳統(tǒng)的鹵鎢燈光源，而是體積小、波長窄的led光源；為了進一步減小設備的尺寸，沒有采用傳統(tǒng)的led貼片封裝，而是重新設計led的基板，光源模塊選用六枚led芯片集成在一個基板組成led陣列，一枚光電二極管集成在led陣列的中心，這樣的設計最大限度的縮小了產(chǎn)品體積，所述供電模塊4選用可充電鋰電池。

所述殼體分為通過緊固件相固定的上殼體6和下殼體2，所述主控電路板組件3通過卡位固定在下殼體2內(nèi)部，所述供電模塊4安裝在主控電路板組件3的基板上，所述上殼體6頂部設置有圓孔，并且圓孔內(nèi)設置有內(nèi)部按鈕控制組件，所述內(nèi)部按鈕控制組件包括彈簧7、外部按鈕8和導光環(huán)9，所述外部按鈕8和導光環(huán)9安裝在上殼體6頂部設置的圓孔中，外部按鈕四周環(huán)繞著用于顯示檢測進度的導光槽，所述彈簧7安裝在外部按鈕8的卡位中，外部按鈕8用作控制主控電路板組件3上的內(nèi)部按鈕，而彈簧7用作外部按鈕8按下后彈起，，所述上殼體6前端開設有與光源及檢測器組件1大小相同的窗口，所述光源及檢測器組件1置于窗口內(nèi)，所述窗口內(nèi)還設置有用于防護光源及檢測器組件1的石英玻璃板11，所述下殼體2后端還開設有鑰匙孔5。

檢測水果時，首先打開與本發(fā)明設備配套的app，并通過藍牙將手機與本設備配備，然后將本設備頂端的石英玻璃板11緊貼水果表面，按下外部按鈕8，當外部按鈕8四周的導光槽由紅變綠，表示檢測結束，此時就可以在手機app上看到水果糖酸度的數(shù)值。

實施例一：

利用上述便攜式檢測設備檢測水果的糖酸度，首先選取外表無損傷、無病蟲害且新鮮的十種水果，其分別為草莓68個、橙子46個、橘子76個、梨76個、龍眼55個、獼猴桃30個、蘋果366個、葡萄30個、圣女果60個、柿子38個及香蕉26個，并對每種水果進行小組內(nèi)編號。

近紅外光譜數(shù)據(jù)的采集由便攜式檢測設備使用漫反射的方式，獲得每個水果六個不同波長下的光譜數(shù)據(jù)，通過藍牙傳輸至手機app讀取數(shù)據(jù)，將每個樣本采集到的光譜數(shù)據(jù)用于之后的數(shù)據(jù)分析。

利用手持數(shù)字式折光糖度儀檢測每個水果樣品的糖度，首先用蒸餾水將糖度儀的棱鏡清洗干凈并擦凈水分，校正調零，再將已經(jīng)測過光譜的水果用刀切開并擠出汁水于折光棱鏡的鏡面上，測量三次，取平均值。

利用錐形筆式ph計檢測每個水果樣品的酸度，用蒸餾水清洗手持式ph計前端，直至顯示ph為中性，將ph計插入水果環(huán)赤道面上，測量6個位置的ph值，取平均值。

由于水果種類較多，我們對每種水果分別使用bp神經(jīng)網(wǎng)絡進行建模。蘋果數(shù)據(jù)量較大，我們使用由bp神經(jīng)網(wǎng)絡、支持向量機和粒子群算法優(yōu)化組成的混合模型來進行糖度、酸度預測。

如圖3所示，bp神經(jīng)網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡，該網(wǎng)絡的主要特點是信號前向傳遞，誤差反向傳播。在前向傳遞中，輸入信號從輸入層經(jīng)隱含層逐層處理，直至輸出層。每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出，則轉入反向傳播，根據(jù)預測誤差調整網(wǎng)絡權值和閾值，從而使bp神經(jīng)網(wǎng)絡預測輸出不斷逼近期望輸出。bp神經(jīng)網(wǎng)絡預測前首先要訓練網(wǎng)絡，通過訓練使網(wǎng)絡具有聯(lián)想記憶和預測能力?；赽p網(wǎng)絡的算法包括bp神經(jīng)網(wǎng)絡構建、bp神經(jīng)網(wǎng)絡訓練和bp神經(jīng)網(wǎng)絡分類三步。

支持向量機(supportvectormachine,svm)，像多層感知器網(wǎng)絡和徑向基函數(shù)網(wǎng)絡一樣，可用于模式分類和非線性回歸。支持向量機是建立一個分類超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化。支持向量機的理論基礎是統(tǒng)計學習，是結構風險最小化的近似實現(xiàn)。支持向量機具有以下優(yōu)點：(1)通用性：能夠在很廣的各種函數(shù)集中構造函數(shù)；(2)魯棒性：不需要微調；(3)有效性：在解決實際問題中總是屬于最好的方法之一；(4)計算簡單：方法的實現(xiàn)只需要利用簡單的優(yōu)化技術；(5)理論上完善：基于vc推廣性理論的框架。如圖4所示，在“支持向量”x(i)和輸入空間抽取的向量x之間的內(nèi)積核這一概念是構造支持向量機學習算法的關鍵。支持向量機是由算法從訓練數(shù)據(jù)中抽取的小的子集構成。其中k為支持向量機的核函數(shù)，其種類主要有：線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)以及兩層感知器核函數(shù)。

粒子群優(yōu)化算法(particleswarmoptimization,pso)是計算智能領域的一種群體智能的優(yōu)化算法。pso算法源于對鳥類捕食行為的研究，鳥類捕食時，每只鳥找到食物最簡單有效的方法就是搜尋當前距離食物最近的鳥的周圍區(qū)域。pso算法是從這種生物種群行為特征中得到啟發(fā)并用于求解優(yōu)化問題的，算法中每個粒子都代表問題的一個潛在解，每個粒子對應一個由適應度函數(shù)決定的適應度值。粒子的速度決定了粒子移動的方向和距離，速度隨自身及其他粒子的移動經(jīng)驗進行動態(tài)調整，從而實現(xiàn)個體在可解空間中的尋優(yōu)。pso算法首先在可解空間中初始化一群粒子，每個粒子都代表極值優(yōu)化問題的一個潛在最優(yōu)解，用位置、速度和適應度值三項指標表示該粒子特征，適應度值由適應度函數(shù)計算得到，其值的好壞表示粒子的優(yōu)劣。粒子在解空間中運動，通過跟蹤個體極值pbest和群體極值gbest更新個體位置；個體極值pbest是指個體所經(jīng)歷位置中計算得到的適應度值最優(yōu)位置，群體集資gbest是指種群中的所有粒子搜索到的適應度最優(yōu)位置。粒子每更新一次位置，就計算一次適應度值，并且通過比較新粒子的適應度值和個體極值、群體極值的適應度值更新個體極值pbest和群體極值gbest位置。

如圖5所示，我們測量了上述水果的糖度和酸度，并做成分布圖。

各類水果的糖度分布分別為：圣女果8.0-4.2,草莓8.8-5.3,橙子15.2-7.8,梨13.0-7.6,橘子13.7-8.6,柿子15.9-8.4,獼猴桃16.1-11.9,蘋果20.7-10.5,葡萄17.9-14.5以及龍眼23.0-17.4。

各類水果的酸度分布分別為：草莓3.87-3.23，橘子4.03-3.08，葡萄4.00-3.33，蘋果4.54-3.51，橙子4.94-3.02，圣女果4.55-3.69，梨5.27-4.40，獼猴桃5.56-4.32以及柿子5.40-3.73。

可見，不同水果的糖、酸度的分布區(qū)間雖然有所重疊，但是仍有明顯的差異，不同種類的水果對應不同的糖酸度的分布段。

如圖6所示，分析了bp神經(jīng)網(wǎng)絡、支持向量機、粒子群算法優(yōu)化組成的混合模型對蘋果糖度和酸度的預測效果。圖6中(a)測試集三角形為糖度實際值，方形為糖度預測值，(b)為糖度預測的誤差百分比，(c)測試集的酸度實際值(三角形)和預測值(方形)，(d)酸度預測的誤差百分比。糖度預測模型中，預測值基本與實際值相同，誤差百分比較小，平均絕對百分比誤差為3.24％。酸度預測中，大部分預測值分布于實際值周圍，平均絕對百分比誤差為13.49％。因此建立的混合模型可以很好的預測蘋果的糖度和酸度。

如圖7所示，分析了bp神經(jīng)網(wǎng)絡模型對草莓糖度和酸度的預測效果。圖7中(a)測試集三角形為糖度實際值，方形為糖度預測值，(b)為糖度預測的誤差百分比，(c)測試集的酸度實際值(三角形)和預測值(方形)，(d)酸度預測的誤差百分比。糖度預測模型中，預測值分布于實際值周圍，平均絕對百分比誤差為10.93％。酸度預測中，預測值大部分比實際值偏高，但差值不大，平均絕對百分比誤差為4.59％。因此建立的bp模型可以很好的預測草莓的糖度和酸度。

如圖8所示，分析了bp神經(jīng)網(wǎng)絡模型對橘子糖度和酸度的預測效果。圖8中(a)測試集三角形為糖度實際值，方形為糖度預測值，(b)為糖度預測的誤差百分比，(c)測試集的酸度實際值(三角形)和預測值(方形)，(d)酸度預測的誤差百分比。糖度預測模型中，預測值分布于實際值兩側，平均絕對百分比誤差為9.33％。酸度預測中，預測值分布于實際值兩側，與實際值有相同的趨勢，預測效果較好，平均絕對百分比誤差為6.41％。因此建立的bp模型可以很好的預測橘子的糖度和酸度。

對于本領域技術人員而言，顯然本發(fā)明不限于上述示范性實施例的細節(jié)，而且在不背離本發(fā)明的精神或基本特征的情況下，能夠以其他的具體形式實現(xiàn)本發(fā)明。因此，無論從哪一點來看，均應將實施例看作是示范性的，而且是非限制性的，本發(fā)明的范圍由所附權利要求而不是上述說明限定，因此旨在將落在權利要求的等同要件的含義和范圍內(nèi)的所有變化囊括在本發(fā)明內(nèi)。不應將權利要求中的任何附圖標記視為限制所涉及的權利要求。