高光谱相机在食物检测中的应用：榴莲糖度分级测试报告

01测试地点介绍

共测试12组榴莲果肉样本：

根据标号采集每组榴莲果肉高光谱数据。

榴莲果肉解冻后，利用糖度计采集每块样本的糖度值并记录、拍照，作为模型训练的样本。

糖度采集记录现场

榴莲果肉高光谱图像

 高光谱相机装置实物图

本次测试采用高光谱设备进行测量

高光谱相机覆盖900~1700nm波长范围

线性推扫成像方案

照明光源采用卤素光源

测试时在暗室环境，样品放置在水平位移台上

02测试设备介绍

本次测试采用高光谱设备进行测量

高光谱相机覆盖400~1700nm波长范围

线性推扫成像方案

照明光源采用卤素光源

测试时在暗室环境，样品放置在水平位移台上

03数据采集

不同糖度范围榴莲果肉900-1700nm光谱曲线：

根据实测糖度值的范围（26.9~42.5），将糖度分为五个等级，进行后续实验研究。

榴莲样本在900-1700的反射率曲线如下所示，各糖度范围的榴莲果肉表面反射率曲线差异较小。通过目视观察谱线无法找出对糖度敏感的光谱特征。

随机选择相同糖度范围的不同样本绘制高光谱反射率曲线如下图，各样本之间的反射曲线差异较小。

04

分析方法

CNN深度学习模型建模分类结果（原始样本，糖度分五级）

利用CNN深度学习模型对不同糖度等级的样本进行训练和预测，分类结果如下图所示。由于糖度等级分布比较零散，模型训练后结果图破碎化比较严重。

糖度真值

分类结果

将糖度分五个等级，对每块榴莲糖度值取平均处理，重新对样本进行训练和预测，分类结果如下图所示，相比第一组实验的糖度分级结果，破碎化情况减轻，但每块果肉基本呈现两种或以上糖度等级。

糖度真值

分类结果

将糖度分三个等级，利用CNN深度学习模型对不同糖度等级的样本进行训练和预测，分类结果如下图所示。大部分果肉的糖度级别分类正确，每块果肉糖度级别相对均一。

糖度真值

分类结果

04结论

测试结果：

➣利用900-1700nm高光谱相机采集的榴莲果肉高光谱数据质量良好，但通过目视观察难以获取对糖度等级敏感的光谱特征波段。

➣榴莲果肉糖度分五级时，CNN深度学习建模分类结果不理想，果肉糖度分级破碎化严重。糖度分三级时，建模后的分类效果良好，大部分果肉被正确分级。

结果影响因素：

➣部分榴莲果肉表面反光，直接影响模型分类结果。

➣现场利用糖度计测量榴莲果肉时受解冻时间不统一、采集果肉部位有差异等影响，采集的榴莲糖度真值存在一定误差。