基于水果无损糖度检测结果的分拣技术研究*

付 洋 ，冯鑫祥 ，衡 星 ，陈文杰 ，高 昕 ，陈宇峰

（成都工业学院，四川 成都 611730）

0 引言

当前，世界范围内的新冠肺炎疫情刚刚告一段落，世界经济复苏脆弱，气候变化挑战凸显，我国经济社会发展面临的各项任务异常繁重和艰巨。党中央认为，从容应对百年变局和世纪疫情，促进经济社会平稳健康发展，必须着眼国家重大战略需要，稳住农业基本盘，做好“三农”工作，接续全面推进乡村振兴，确保农业稳定发展、农民稳定增收、农村安定祥和。此外，要牢牢守住确保国家粮食安全和不发生大面积返贫两条底线，突出年度性任务、针对性举措、实效性导向。在促进乡村振兴上有新进展，在发展农业农村现代化上迈出新步伐。

我国是水果生产大国，水果年产量高，但消费市场占比小，主要原因是缺乏水果品质检测分级精选技术和设备，导致水果品质不稳定，加工利用率低，极大地降低了市场竞争力[1-2]。糖度含量是水果品质的一个重要指标[3]，是水果分级销售的一个重要因素。目前，国内外一些果品糖度检测装置主要依靠破坏性采样来进行，不仅工作量大，而且还很难保证测量速度，检测的方便快捷性也很难得到保障。在水果产品的传统检测方法和装置中，核心仪器均为传统光谱仪，导致测试系统具有体积庞大、造价昂贵、不易于广泛推广的缺点，而且还会破坏试验样品、操作过程复杂、消耗时间长、有污染、成本高。典型的产品还有数显糖度计，这种数显高精度光学仪器是根据折射原理设计的，可在食品、饮料等行业中测定液体中糖分，并可通过折射率的测定推算液体的其他物理指标，但无法做到糖度的无损检测[4-6]。针对这一市场痛点，十分有必要寻求一种新型的无损检测方法。因此，实现水果糖度的无损测量，不仅可以大幅提高果农检测效率，实现水果的分级销售，还能减少不必要的测量成本[7]。

1 系统优势

1.1 系统关键技术

1）基于Android开发环境及糖度测试软件的开发，将MATLAB中的算法部署到安卓手机平台，自主设计检测软件。

2）对卷积神经网络模型进行设计与优化以及模型的训练，获得了完美的果糖回归模式。

3）建立相应的样本数据库和模型库，力求拓展在水果分级应用中的适用范围，持续研究，使测量结果更准确。

4）利用糖度检测结果，结合机器人柔性抓取技术，将其应用在水果多级分拣中。

1.2 系统创新点与特色

1）采用高敏感特征光谱优先采集与分析的思路，无需光谱波长的宽范围采集，简化了数据预处理过程。

2）利用安卓手机研制了一台体型较小、方便携带、操作容易及适用于现场实时操作的便携式水果品质无损检测装置，并开发了相应的操作软件。

3）自主设计了测试仪工作的光源环境，它具有对环境条件要求小、搭建简单的特点。

4）使用安卓手机即可实现对光谱图像的采集、模型的加载和计算以及结果的稳定显示，具有便捷、智能的设计特点。

5）实现了柔性分拣技术的应用与创新。

2 系统总体设计

2.1 系统硬件设计

硬件设计包含光路设计、光源环境设计、电路设计等。其中，光源环境在水果无损检测中对检测结果有举足轻重的作用，光源环境的选择与检测结果的稳定性、检测精度有着直接的关系[8]。在设计过程中，制作了相对稳定的暗箱，能在低成本情况下实现作品更小、更简便、更美观、效果更好。同时，为降低相关变动对预计结果的冲击，建立相应的样本数据库和模型库，力求拓展在水果分级应用中的适用范围，使测量结果可以更准确。硬件设计成品图如图1所示。

图1 硬件设计成品图

进一步将水果糖度无损检测和水果多级分拣两者相结合，将糖度检测结果作为分拣指标之一，再结合水果外观、大小进行多级分拣。目前，根据市场调查，水果（以苹果为例）分类标准参数如表1、表2所示[9]，水果多级分类图如图2所示[10]。

表1 苹果大小分类标准参数

表2 苹果糖度分类标准参数

图2 水果多级分类图

将苹果进行上述分类后，可将苹果分为不同等级进行分拣包装，则可以满足不同消费者的糖度、大小要求。比如，高糖特大果、高糖大果、中糖特大果等精品果还能作为地区特色产品进行销售，可提高苹果质量，收获口碑，提高区域知名度，以点带面，带动地方经济发展，推动乡村振兴[11-12]。此外，按糖度无损检测结果柔性分拣后所剩余的低糖果或小果不易于直接销售，可通过深加工制成果干、果脯、水果罐头、果味饮品等再进行销售，提高产品附加值，增加果农收入[13]。

2.2 系统软件设计

为了让检测结果和糖度数值可视化，自主开发了一款基于安卓手机的苹果糖度无损检测App，将MATLAB中的算法部署到安卓手机平台，实现包括调取系统相册图片，获取摄像头权限、拍照，图片预处理，如彩色图像转灰度图、中值滤波处理等功能[14-15]。最核心的功能是苹果的糖度测量，并展示糖度计算结果。本软件设计的几个重要步骤如下。

1）做好开发前的基础性配置，比如在清单文件中获取手机摄像头的权限以及对内存卡的读写权限进行相应声明。

2）界面设计：设计相应的欢迎界面以及主程序界面。初步设计的交互界面如图3所示，糖度测量过程中的交互界面如图4所示。

图3 初步设计的交互界面

图4 糖度测量过程中的交互界面

3）程序算法模块的集成：拍摄图片后提取苹果对应的特征参量，设置相应的特征参量的回归系数数组，将最后得到的数据在糖度值文本框中显示。

4）改善软件交互界面、优化图像处理过程，在不同安卓版本下进行调试，提高运算速率并充分利用运行内存。

调试结束后，可以将应用软件安装在手机上，并且可以拍摄苹果红外光谱图像，从而对糖度值进行预测，并显示出与标准值误差较小的预测值。

3 系统调试与试验

3.1 测试手段与方法

1）使用图像处理技术、卷积神经网络模型，实现对水果糖度的检测。

2）使用现代数据库技术，完成对糖度检测信息的记录工作。

3）通过FACTORY IO提供的仿真技术搭建分拣工艺流程。

4）搭建实物，启动检测与分拣全过程。

3.2 测试数据与结果

3.2.1试验材料

选取80个无外部机械损伤和缺陷的红富士苹果，其中果径小于75 mm的苹果20个，75 mm~85 mm（即75 mm≤果径﹤85 mm）的苹果20个，85 mm~95 mm（即85 mm≤果径﹤95 mm）的苹果20个，果径大于或等于95 mm的苹果20个，用湿巾将苹果表面的灰尘和水果蜡擦尽，避免水果因表面的异物、颜色等问题对光谱采集造成误差。

3.2.2测试数据

将苹果在擦拭风干后采集近红外光谱，每个苹果在不同方向上采集，每采样一次将苹果顺时针旋转90°再进行采样，每个苹果共4次，4次光谱平均值作为苹果的真实光谱数据，在一定程度上可以减少表皮颗粒不平、颜色不统一造成的误差；再交由手机软件将光谱信息转化为糖度数值，进行可视化显示。苹果糖度值测试数据如表3所示。

表3 苹果糖度值

分析测试数据可知，检测仪具有较高的精度，经过多次测量，无损检测误差在0.64%~8.37%之间，能够较好地与模型拟合。

4 总结与展望

1）通过试验发现利用近红外光谱无损测量糖度的技术在苹果上可以得到体现，智能手机与简易硬件设备再结合的水果多级柔性分拣技术也预示了本技术存在的商业价值和社会价值。由试验数据可知，本模型能够与生产实际相结合，具有较高的精度，能够很好地实现苹果糖度无损检测。

2）试验中所采用的水果均为无外部机械损伤和缺陷、无病害的水果，而针对内部有损害或表面有破损的苹果糖度检测模型还需要进一步研究。

3）测试对象仅为苹果、梨等薄皮水果，对于其他类型水果尚未进行充分研究。