基于深度學習的青梅品質(zhì)智能分選技術(shù)與裝備研究

張 曉 莊子龍 劉 英 王 旭

(1.南京林業(yè)大學機械電子工程學院，南京 210037；2.農(nóng)業(yè)農(nóng)村部南京農(nóng)業(yè)機械化研究所，南京 210014)

0 引言

青梅對心血管、泌尿、消化系統(tǒng)疾病有明顯的預防作用和療效[1-2]。青梅需經(jīng)加工后方可食用，不同青梅精深加工產(chǎn)品對原料果的成分特點要求不同，其中糖度低的青梅果主要用于加工糖制青梅、青梅干、話梅等，糖度高的青梅果主要用于加工梅汁類飲品[3]。青梅深加工時主要依據(jù)青梅缺陷、糖度等進行原果分類，常規(guī)人工分選不僅分級效率較低，且受個人主觀因素影響難以實現(xiàn)標準化作業(yè)，不能滿足市場需求。檢測水果糖度時，通常用測定原果中可溶性固形物含量(Soluble solids content，SSC)來表示其糖度，但傳統(tǒng)理化檢測方法具有破壞性，且效率低下，無法滿足實際檢測要求[4-5]。

利用光譜成像技術(shù)進行原果分選的研究和應用越來越多，外觀分類方面，傳統(tǒng)的神經(jīng)網(wǎng)絡已無法適應越來越龐大且復雜的數(shù)據(jù)量[6-7]。近年來深度學習在食品檢測領(lǐng)域取得了較多成果[8]，文獻[9]將改進的Faster R-CNN(區(qū)域卷積神經(jīng)網(wǎng)絡)應用于蘋果、芒果、橙子的識別，平均識別率達到91.21%。文獻[10]將ResNet網(wǎng)絡應用于番茄外表缺陷的識別，識別率達到94.65%。文獻[11]對AlexNet網(wǎng)絡進行優(yōu)化，油茶籽完整性識別準確率達到98.05%。

內(nèi)部品質(zhì)檢測方面，文獻[12]利用高光譜成像技術(shù)對柑橘葡萄糖、果糖和蔗糖含量進行檢測，建立了偏最小二乘回歸模型，模型預測相關(guān)系數(shù)RP分別為0.880 2、0.902 8和0.833 5。文獻[13]利用PLSR(偏最小二乘)模型實現(xiàn)小麥蛋白質(zhì)含量的預測，預測模型相關(guān)系數(shù)RP為0.798 1，均方根誤差為0.009 4。文獻[14-15]分別采用結(jié)合競爭性自適應權(quán)重算法和多元線性回歸模型、偏最小二乘回歸模型建立了肥城桃、庫勒爾香梨的SSC預測模型，模型預測集相關(guān)系數(shù)分別為0.843 9、0.915。但高光譜圖像數(shù)據(jù)量龐大、冗余度高，采用傳統(tǒng)的線性方法數(shù)據(jù)分析時，耗時較長且效果不理想，還需對高光譜圖像進行去噪處理[16-17]，而深度學習能夠有效地提取復雜任務的高階非線性特征來彌補其不足[18-19]。

因此本文以青梅為研究對象，以深度學習技術(shù)為基礎，將Vision Transformer網(wǎng)絡模型應用到機器視覺系統(tǒng)中，實現(xiàn)青梅表面的多類(腐爛、裂紋、疤痕、雨斑、完好5類)檢測分選；結(jié)合低秩張量恢復(Low-rank tensor recovery，LRTR)的去噪優(yōu)勢和堆疊卷積自動編碼器(Stack convolution auto encoder，SCAE)的降維優(yōu)勢，構(gòu)建LRTR-SCAE-PLSR青梅糖度預測模型；設計并搭建青梅內(nèi)外品質(zhì)智能分選裝備，以期為青梅加工自動化提供技術(shù)支持。

1 整體結(jié)構(gòu)與工作原理

青梅品質(zhì)智能分選裝備主要由外表缺陷檢測模塊、內(nèi)部品質(zhì)檢測模塊、傳送臺、裝備底座、分選機構(gòu)、驅(qū)動電機、控制系統(tǒng)等組成。其結(jié)構(gòu)如圖1所示，整機參數(shù)如下：外形尺寸為 3 600 mm×650 mm×1 390 mm，電機總功率為600 W，傳動形式為鏈傳動，青梅外表缺陷分選效率不小于1 800顆/h，青梅內(nèi)部品質(zhì)分選效率不小于600顆/h。

圖1 青梅品質(zhì)智能分選裝備

工作流程如圖2所示。首先，青梅進入傳送臺后由光電傳感器觸發(fā)外表缺陷檢測模塊，采集青梅外表圖像信息；隨后，青梅向前運動至內(nèi)部品質(zhì)檢測模塊，采集青梅內(nèi)部光譜信息；然后，分選系統(tǒng)完成圖譜信息處理與分析，對青梅等級作出判斷；最終，上位機與西門子PLC s7-200通信，將等級信息傳遞給分選模塊，并啟動氣嘴將青梅吹入相應等級的分選箱。

圖2 青梅智能分選系統(tǒng)工作流程圖

2 關(guān)鍵部件設計

2.1 外表缺陷檢測模塊

缺陷檢測模塊由彩色相機、環(huán)形光源、暗箱、傳送臺等組成。其中工業(yè)相機鏡頭選用日本Computar 公司的 M1620-MP2型(焦距16 mm、最小物距20 cm)，工業(yè)相機選用北京大恒圖像技術(shù)公司的MER-531-20GC-型工業(yè)相機，相機采用安森美PYTHON5000型CMOS傳感器芯片，光源采用LED環(huán)形光源。具體結(jié)構(gòu)如圖3所示。檢測時，單顆青梅樣品隨傳送臺進入缺陷檢測模塊后，光電傳感器觸發(fā)彩色相機采集青梅外表圖像信息，并傳送至上位機圖像處理系統(tǒng)，完成圖像預處理、背景分割、特征提取、缺陷分選等工作。

圖3 缺陷檢測模塊結(jié)構(gòu)圖

2.2 內(nèi)部品質(zhì)檢測模塊

內(nèi)部品質(zhì)檢測模塊主要由光譜相機、光譜檢測光源、暗箱、支架、傳送臺等組成。具體結(jié)構(gòu)如圖4所示。其中光譜相機為四川雙利合普公司GaiaField-V10E型可見近紅外高光譜相機，光譜成像范圍為400～1 000 nm，光譜分辨率為2.8 nm；檢測光源為PHILIPS Essential光管燈，功率50 W。為了提高分選效率，將順序進入內(nèi)部品質(zhì)檢測模塊的4顆青梅樣品作為一組(青梅體積較小)，由光電傳感器觸發(fā)相機進行高光譜圖像數(shù)據(jù)采集，上位機圖像處理系統(tǒng)對光譜數(shù)據(jù)進行預處理、建模、分析等。

圖4 內(nèi)部品質(zhì)檢測模塊結(jié)構(gòu)圖

2.3 控制系統(tǒng)

控制系統(tǒng)主要由上位機、PLC控制器、光電傳感器、電機、串口模塊等組成。硬件構(gòu)成如圖5所示，主要實現(xiàn)青梅智能分選系統(tǒng)的啟動和關(guān)閉、圖像采集與處理、傳送機構(gòu)運行、檢測觸發(fā)、自動分選等，整機的通訊接口采用RS485標準方式傳輸。上位機圖像處理系統(tǒng)對青梅圖像信息進行處理與分析后，通過RS485串口通訊將青梅分級信號傳輸給PLC移位寄存器中，PLC控制器保證青梅分選信息與其位置一致，確保青梅品質(zhì)智能分選系統(tǒng)能夠?qū)崟r檢測、準確分選。

圖5 控制硬件構(gòu)成圖

2.4 傳送及分選機構(gòu)

傳送及分選機構(gòu)主要由傳送臺、步進電機、氣動噴嘴、分選箱、氣泵等組成，如圖6所示。青梅經(jīng)傳送臺進入分選機構(gòu)后，PLC控制器依據(jù)分選信息啟動相應的氣動噴嘴將青梅吹入對應的分選箱內(nèi)，完成青梅的分選工作。

圖6 青梅傳送及分選機構(gòu)

3 智能分選算法

3.1 基于Vision Transformer的青梅外表缺陷分類模型

在圖像分類領(lǐng)域，常見的卷積神經(jīng)網(wǎng)絡(CNN)利用不斷地堆積卷積層運算提取局部特征，在提取全局特征方面存在一定的局限性。而Vision Transformer(ViT)模型作為一種基于Self-Attention機制的編碼器-解碼器架構(gòu)，不采用RNN(循環(huán)神經(jīng)網(wǎng)絡)順序結(jié)構(gòu)，并行化訓練，能夠反映復雜的空間變換和長距離特征依賴性，通過Softmax函數(shù)減少梯度[20-21]；Multihead self-attention基于多頭注意力機制聯(lián)合不同學習得到的信息，增加多組獨立權(quán)重、參數(shù)量，以提升表達能力，其全局特征表示能力更強、遷移效果更好[22]。

3.1.1圖像預處理與數(shù)據(jù)集制作

2021年5月由云南省網(wǎng)購1 200個青梅樣本，由于單顆青梅表面缺陷具有多樣性，采集并篩選了具有典型外觀缺陷RGB圖像1 250幅，結(jié)合青梅分選需求，按嚴重程度將青梅分為5類：腐爛(嚴重程度最高)、裂紋、疤痕、雨斑、完好，如圖7所示。以比例8∶2隨機抽取劃分訓練集和驗證集，并將訓練集和測試集的數(shù)據(jù)分別通過鏡像、以每45°旋轉(zhuǎn)角度來擴展數(shù)據(jù)集，獲得10倍增量，獲得訓練集樣本10 000個，驗證集樣本2 500個。

圖7 青梅樣本分類

原始青梅RGB圖像預處理既可以減少背景對缺陷識別的影響，又可以提升網(wǎng)絡分析、處理的速度。具體過程如下：利用11×11卷積核進行高斯濾波轉(zhuǎn)化成灰度圖，采用自適應閾值二值化、Laplacian濾波、Canny算子邊緣提取，最終獲得224像素×224像素的青梅圖像。

研究軟硬件為：系統(tǒng)Windows 10、處理器Inter I9-9900K 3.60 GHz、顯卡 Nvidia GeForce RTX 2080 Ti(11GB)、環(huán)境配置 PyCharm+Pytorch 1.7.1+Python 3.7.7 Cuda 10.0+cudnn 7.6.5+tensorboardX 2.1。

3.1.2青梅分類算法

ViT模型由3個模塊組成：Linear projection of flattened patches(Embedding層)、Transformer encoder、MLP head。首先通過Embedding層進行數(shù)據(jù)變換，輸入圖像(224像素×224像素)按照16×16尺寸劃分成196個Patches，使用卷積核大小為16×16、步距為16、個數(shù)為768的卷積來實現(xiàn)，采用將Position embedding和Patch embedding相加的方式能夠更好地反映全圖信息；其次數(shù)據(jù)進入Transformer encoder層，重復堆疊Encoder blockL次，Transformer encoder后輸出的Shape與輸入的Shape一致；最后通過MLP head中Linear得到青梅分類結(jié)果。青梅算法框架圖如圖8所示。

圖8 缺陷分類算法框架圖

其中Encoder第1層輸入

(E∈R(P2C)×D；Epos∈R(N+1)×D)

(1)

E——Patch embedding矩陣

Epos——Position embedding矩陣

xclass——輸入分類值

P——Patch尺寸

C——通道數(shù)

N——D維向量的個數(shù)

Encoder第l層，輸入記為Zl-1，輸出記為Zl，公式為

(2)

(3)

式中MSA——多頭注意力機制參數(shù)

MLP——多層感知器參數(shù)

LN——圖層歸一化參數(shù)

3.2 基于LRTR-SCAE-PLSR的青梅內(nèi)部品質(zhì)預測模型

3.2.1高光譜圖像采集及預處理

利用理化檢測方法(便攜式糖度計等儀器設備)獲取不同青梅樣本的糖度(SSC)。采集1 000個不同成熟度青梅樣本高光譜數(shù)據(jù)，按照3∶1比例劃分為訓練集和測試集。對得到的高光譜數(shù)據(jù)進行黑白校準。

利用高光譜成像系統(tǒng)采集青梅圖像，每顆青梅采集119幀光譜圖像，利用ENVI 5.3軟件確定圖像的感興趣區(qū)域ROI(Region of interest)，并提取青梅樣本在ROI的平均光譜作為該樣本的原始光譜數(shù)據(jù)。利用PyCharm 2019軟件對青梅光譜數(shù)據(jù)進行預處理、建模、分析等。圖9為所有青梅樣本的原始光譜反射率曲線。

圖9 青梅樣品原始光譜反射率曲線

3.2.2低秩張量恢復

高光譜成像具有潛在的低秩張量性質(zhì)和稀疏性，利用張量模型進行降噪處理能夠比較充分地利用其在3個維度空間的互補信息[23]。LRTR基于低秩表示與張量分解的高光譜降噪算法研究將 LRMR(低秩矩陣恢復)模型擴展到張量模型之中，提升了降噪性能[24]。本文基于低秩張量恢復LRTR對青梅高光譜圖像進行降維去噪處理，利用核范數(shù)作為秩函數(shù)的凸代理函數(shù)，應用于張量的不同展開。

將原始含噪的高光譜數(shù)據(jù)Y∈Rn×b分解成低秩矩陣Xn∈RI1×I2×I3和稀疏噪聲矩陣Sn∈RI1×I2×I3(n=1,2,3)。最小化問題可以轉(zhuǎn)換為

‖Y(n)-(Xn)n-(Sn)n‖F(xiàn)≤δ

(4)

式中 (Xn)(n)——張量Xn的模n展開矩陣

‖X‖2,1——矩陣X中每行L2范數(shù)之和

‖·‖F(xiàn)——Frobenius范數(shù)，即矩陣元素絕對值的平方和再開平方

Y——原始含噪的高光譜數(shù)據(jù)矩陣

Ymin——優(yōu)化后最小化高光譜數(shù)據(jù)矩陣

λ——正則化參數(shù)，用于平衡張量秩函數(shù)與范數(shù)

δ——常數(shù)，與高斯分布噪聲標準差相關(guān)

使用IALM(不精確拉格朗日乘子法)解決最優(yōu)化問題，求解公式為

(5)

其中Λn=Tn/βTn∈TI1×I2×I3

式中β——懲罰參數(shù)

Tn——拉格朗日乘子

Dτ(·)為奇異值閾值算子，其定義為

Dτ(X)=USτ(Σ)VT

(6)

X=UΣVT

Sτ[x]=sgn(x)max(|x|-τ,0)

其中

τ=λ/β

式中X——初始輸入低秩矩陣

U、V——正交矩陣Σ——對角矩陣

Sτ——收縮算子

更新(Sn)(n)，可以求解表達式

(7)

上述優(yōu)化問題通過向量軟閾值函數(shù)求解，公式為

(8)

3.2.3堆疊卷積自動編碼器模型

堆疊卷積自動編碼器網(wǎng)絡由多個卷積自動編碼器(Convolutional auto-encoders，CAE)堆疊而成[25]，將編碼層和解碼層分別建模成深度卷積神經(jīng)網(wǎng)絡。利用卷積神經(jīng)網(wǎng)絡的卷積和池化操作，實現(xiàn)特征不變性提取的無監(jiān)督提取。為盡可能減小自編碼器輸入與輸出數(shù)據(jù)之間的差異，自編碼器損失函數(shù)為

(9)

式中W——權(quán)重bJ——偏置

n——輸入樣本個數(shù)

xi、yi——第i個樣本的輸入和輸出值

誤差計算公式為

(10)

式中h——編碼后的隱含層特征參數(shù)

y——確定參數(shù)wh、bh、by后的輸出數(shù)據(jù)

x——輸入數(shù)據(jù)

3.2.4LRTR-SCAE-PLSR青梅糖度預測模型

本文結(jié)合低秩張量恢復的去噪優(yōu)勢和堆疊卷積自動編碼器的降維優(yōu)勢，構(gòu)建了LRTR-SCAE-PLSR模型對不同青梅樣本的糖度進行預測。選用相關(guān)系數(shù)R和均方根誤差(RMSE)作為模型性能評價指標：訓練集相關(guān)系數(shù)RC、均方根誤差(RMSEC)；預測集相關(guān)系數(shù)RP、均方根誤差(RMSEP)。RMSEC和RMSEP越小且R越大的情況下，模型性能和預測效果越好。輸入為119維的青梅高光譜特征曲線。具體模型預測流程如圖10所示。

圖10 青梅糖度預測流程圖

基于LRTR-SCAE-PLSR青梅糖度預測模型主要步驟如下：

(1)利用低秩張量恢復方法對青梅樣本ROI光譜數(shù)據(jù)進行求解尋優(yōu)，對正則化參數(shù)λ、懲罰參數(shù)β、拉格朗日乘子Tn等參數(shù)尋優(yōu)，得到低秩矩陣Xn和稀疏噪聲矩陣Sn。

(2)低秩矩陣Xn作為SCAE網(wǎng)絡輸入，激活函數(shù)為Sigmoid函數(shù)，學習率設置為0.2。利用SCAE網(wǎng)絡中權(quán)重參數(shù)w、b，對隱含網(wǎng)絡層數(shù)m、隱含層神經(jīng)元個數(shù)j進行調(diào)參尋優(yōu)。

(3)構(gòu)建SAE-PLSR預測模型，將輸出結(jié)果與理化檢測數(shù)據(jù)進行對比，計算誤差并反向傳播，訓練網(wǎng)絡尋優(yōu)，直至輸出青梅樣本SSC預測。

4 試驗與結(jié)果分析

4.1 青梅缺陷分類結(jié)果與分析

青梅缺陷分類網(wǎng)絡代碼采用Python編寫，利用深度學習框架PyTorch定義網(wǎng)絡計算圖，在遷移學習策略基礎上對其進行優(yōu)化，加速訓練學習速度。將測試集青梅數(shù)據(jù)導入訓練好的青梅缺陷檢測網(wǎng)絡模型，得出測試結(jié)果，如圖11所示。

圖11 青梅缺陷判別準確率曲線

基于ViT模型青梅缺陷分類網(wǎng)絡的訓練集平均判別準確率達到99.53%，驗證集平均判別準確率達到99.16%。由圖12可知，280個疤痕缺陷青梅圖像、800個腐爛缺陷青梅圖像、460個完好青梅圖像、160個裂紋缺陷青梅圖像均被正確識別，其準確率達到100%。但800個雨斑缺陷青梅中有779個被正確識別，21個被誤識為完好青梅，占比2.6%。根據(jù)截圖識別結(jié)果分析，如圖13所示部分測試結(jié)果，紅色框選為識別錯誤的圖像，該圖像上雨斑的位置較偏、雨斑點數(shù)較淺，雨斑未被識別，所以識別錯誤。

圖12 青梅缺陷分類測試混淆矩陣圖

圖13 青梅測試結(jié)果截圖

將ViT網(wǎng)絡與VGG網(wǎng)絡、ResNet-18網(wǎng)絡進行模型性能對比，以各類判別準確率、平均判別準確率、每組平均測試時間(每32幅圖像為一組)作為評價指標。將3個網(wǎng)絡模型充分訓練，在訓練集上交叉熵損失均小于0.005時得到3種模型，將模型在同一未知樣品數(shù)據(jù)集上進行測試，得到最終準確率，結(jié)果如表1所示。可知ViT網(wǎng)絡平均判別準確率達到99.16%，其中腐爛、疤痕、裂紋以及完好青梅圖像的各類判別準確率達到100%，雨斑達到97.38%，均明顯優(yōu)于其他網(wǎng)絡，但其每組平均測試時間為100.59 ms，稍大于其他兩組網(wǎng)絡。ViT網(wǎng)絡以其獨有的多頭注意力機制，增加多組獨立權(quán)重，全局特征表示能力更強、遷移效果更好，驗證了其在缺陷分類性能上的優(yōu)越性；但參數(shù)量增加，致使其運算時間加長。

表1 與其他網(wǎng)絡的青梅缺陷測試結(jié)果對比

4.2 青梅糖度預測結(jié)果與分析

采用低秩張量恢復和堆疊卷積自動編碼器對青梅樣本高光譜數(shù)據(jù)進行去噪和降維處理，提取低維特征。試驗可知，SCAE網(wǎng)絡隱含層數(shù)m、隱含層神經(jīng)元個數(shù)j是影響模型預測結(jié)果的重要因素，3種不同模型規(guī)模的青梅糖度預測結(jié)果如圖14，不同網(wǎng)絡層數(shù)及隱含層神經(jīng)元個數(shù)對應的預測結(jié)果如表2所示。

圖14 不同網(wǎng)絡規(guī)模青梅糖度預測結(jié)果

表2 基于LRTR-SCAE-PLSR青梅糖度預測結(jié)果

由表2可知，當隱含層數(shù)為3，網(wǎng)絡規(guī)模為 119-90-55-36時，LRTR-SCAE-PLSR模型最終預測集相關(guān)系數(shù)RP最大，為0.965 4，RMSEP最小，為0.582 7%；特征數(shù)為36，降維效果明顯。網(wǎng)絡規(guī)模為119-90-55-36-27時，RP為0.906 1，RMSEP為0.732 3%，隨著網(wǎng)絡層數(shù)增加，網(wǎng)絡訓練成本加大，預測集相關(guān)系數(shù)RP并未進一步提高，可能是網(wǎng)絡層數(shù)增加導致訓練誤差變大的原因。

與其他回歸模型預測結(jié)果的對比如表3所示。由結(jié)果可知，對于PLSR回歸模型，經(jīng)過SCAE降維后，原高光譜數(shù)據(jù)降至47維，RC為0.945 1，RP為0.930 8，而LRTR-SCAE處理后，數(shù)據(jù)維度降至36，RC為0.978 3，RP為0.965 4，不僅維度更低，預測集相關(guān)系數(shù)也明顯提高，驗證了LRTR-SCAE模型的降維去噪優(yōu)勢，有效提取了原光譜的有效特征，優(yōu)化了模型規(guī)模。對于BP、SVR、PLSR這3種不同回歸模型，在模型規(guī)模、訓練集相關(guān)系數(shù)RC和預測集相關(guān)系數(shù)RP方面，PLSR回歸模型表現(xiàn)均明顯優(yōu)于其他模型，故青梅糖度預測最終確定選用LRTR-

表3 各模型預測結(jié)果對比

SCAE-PLSR模型。

5 青梅分選人機交互系統(tǒng)

青梅品質(zhì)分選系統(tǒng)主要完成對采集的青梅圖像信息和光譜信息進行處理、分析、判定等，并在界面顯示功能及預測結(jié)果等，具體如圖15所示。交互系統(tǒng)軟件主要是基于Windows平臺利用PyQt5進行設計搭建。依據(jù)青梅深加工對品質(zhì)的實際需求，綜合考慮青梅表面缺陷以及糖度(SSC)預測結(jié)果，將青梅分為4個品級。具體如下：根據(jù)外表缺陷，一等品為完好，二等品為雨斑，三等品為裂紋、疤痕，四等品為腐爛；根據(jù)內(nèi)部品質(zhì)(糖度)，SSC為6%以上時是一等品，為4%～6%時是二等品，為2%～4%時是三等品；為2%以下時是四等品。當缺陷、SSC屬于同一品級時，青梅將被分為該品級，當缺陷、SSC不屬于同一品級時，將根據(jù)較低品級進行判定。

圖15 計算機軟件界面

6 結(jié)論

(1)青梅外表缺陷分類方面，結(jié)合青梅分選需求，以ViT網(wǎng)絡模型為基礎，通過softmax函數(shù)減少梯度，引入多頭注意力機制，其全局特征表示能力更強、遷移效果更好。平均判別準確率達到99.16%，其中腐爛、疤痕、裂紋以及完好青梅圖像的判別準確率達到100%、雨斑達到97.38%。ViT網(wǎng)絡的平均判別準確率、各類判別準確率均明顯優(yōu)于VGG網(wǎng)絡、ResNet-18網(wǎng)絡。但其每組平均測試時間為100.59 ms，略高于VGG網(wǎng)絡、ResNet-18網(wǎng)絡的86.56、81.69 ms，主要是參數(shù)量增加，致使其運算時間加長。

(2)青梅內(nèi)部品質(zhì)(SSC)預測方面，基于高光譜成像技術(shù)，結(jié)合低秩張量恢復的去噪優(yōu)勢和堆疊卷積自動編碼器的降維優(yōu)勢，構(gòu)建了LRTR-SCAE-PLSR青梅糖度預測模型。網(wǎng)絡規(guī)模為119-90-55-36時，模型預測集相關(guān)系數(shù)為0.965 4，均方根誤差為0.582 7%，表現(xiàn)最佳；但隨著網(wǎng)絡層數(shù)增加，RP并未進一步提高，可能是網(wǎng)絡層數(shù)增加導致訓練誤差變大。通過與BP、SVR回歸模型比對，在模型規(guī)模、訓練集相關(guān)系數(shù)RC和預測集相關(guān)系數(shù)RP方面，LRTR-SCAE-PLSR模型表現(xiàn)最優(yōu)。通過SCAE、LRTR-SCAE兩種降維模型比對，LRTR-SCAE模型不僅維度更低，預測集相關(guān)系數(shù)也明顯提高，驗證了LRTR-SCAE模型的降維去噪優(yōu)勢。

(3)基于上述外表缺陷分類及內(nèi)部品質(zhì)預測模型，設計并搭建了可用于青梅內(nèi)外品質(zhì)無損分選的智能裝備，主要由外表缺陷檢測模塊、內(nèi)部品質(zhì)檢測模塊、傳送機構(gòu)、分選機構(gòu)、控制系統(tǒng)、人機交互系統(tǒng)等組成。該裝備整機尺寸小，結(jié)構(gòu)簡單，分選結(jié)果滿足青梅深加工需求，對提高青梅產(chǎn)品附加值具有重要意義。