本技术涉及水果分拣，具体涉及一种基于x射线及神经网络的糖度分类方法。
背景技术：
1、水果采摘完毕后，果农通常会迅速对其进行检测和分类，这样做的好处主要有两点，第一可以让果农及时知道水果的品质，进而通过当前水果的品质判断出土壤、气候、种植技术、采摘时间对水果品质的影响，以期来年得到更好的收成；第二便是将不同品质的水果按大小、糖度进行分类，这样可以把不同品质的水果卖出不同的价格，以获得更大的收益。
2、现有技术中，通常采用近红外光方案对水果糖度进行检测分类，该方案能够无损地测量水果的糖度，近红外方案测量水果糖度的原理是根据水果中糖分对特定波长的吸收率的不同从而测量水果的糖度，但由于通常水果的大小并不规整、形状轮廓不同、而且水果不同部位的糖度也不同，导致该方法无法一次性准确测量水果的实际糖度，因此，这会造成后续根据实际糖度进行分类的结果不够准确。
技术实现思路
1、鉴于现有技术中的上述缺陷或不足，本技术旨在提供一种基于x射线及神经网络的糖度分类方法，包括以下步骤：
2、获取多个参照样本的第一测试集合，各所述第一测试集合至少包括各个所述参照样本的x射线图像以及与所述参照样本对应的糖度类别；
3、选取初始神经网络，以所述参照样本的x射线图像作为所述初始神经网络的输入，以所述参照样本对应的糖度类别作为所述初始神经网络的输出，对所述初始神经网络进行训练，得到第一网络模型；
4、获取待测样本的x射线图像，并将所述待测样本的x射线图像输入至所述第一网络模型，得到所述待测样本的糖度类别。
5、根据本技术实施例提供的技术方案，所述获取多个参照样本的第一测试集合，至少包括获取多个参照样本对应的糖度类别；
6、所述获取多个参照样本对应的糖度类别，至少包括以下步骤：
7、将每个所述参照样本进行破坏化处理，测量破坏化处理后的每个所述参照样本的糖度值；
8、获取糖度分类表，并基于所述糖度分类表，得到每个所述参照样本的糖度值所处的糖度区间，进而得到所述参照样本的糖度类别；所述糖度分类表至少包括多组糖度区间，以及每组所述糖度区间对应的糖度类别。
9、根据本技术实施例提供的技术方案，所述初始神经网络至少包括卷积层；
10、所述以所述参照样本的x射线图像作为所述初始神经网络的输入，以所述参照样本对应的糖度类别作为所述初始神经网络的输出，对所述初始神经网络进行训练，至少包括以下步骤：
11、将所述参照样本的x射线图像输入至所述卷积层，提取出所述参照样本的x射线图像的图像特征；
12、将所述待测样本的x射线图像的所述图像特征与所述糖度类别建立关系。
13、根据本技术实施例提供的技术方案，所述将所述参照样本的x射线图像输入至所述卷积层，提取出所述参照样本的x射线图像的图像特征，至少包括以下步骤：
14、获取所述参照样本的x射线图像的若干个像素点，以及每个所述像素点的像素点灰度值；
15、计算所有所述像素点灰度值的加权平均值，并将该所述加权平均值作为图像灰度值；
16、基于每个所述像素点灰度值，得到每个所述像素点的位置对应的该所述参照样本的厚度值；
17、基于所有所述像素点对应的所述厚度值，得到所述参照样本的样本体积。
18、根据本技术实施例提供的技术方案，所述获取多个参照样本的第一测试集合，还包括获取每个所述参照样本的x射线图像；
19、所述获取每个所述参照样本的x射线图像，至少包括以下步骤：
20、获取参照样本集，拍摄所述参照样本集的x射线图像；每个所述参照样本集包括若干个所述参照样本；
21、对所述参照样本集的x射线图像进行图像预处理，并裁剪图像预处理后的所述参照样本集的x射线图像，得到每个所述参照样本的x射线图像。
22、根据本技术实施例提供的技术方案，所述对所述参照样本集的x射线图像进行图像预处理，至少包括以下步骤：
23、对所述参照样本集的x射线图像进行bmp格式转换，得到转换后x射线图像；
24、对所述转换后x射线图像至少进行高斯滤波、对比度提升、直方图均衡化处理，得到图像预处理后的所述参照样本集的x射线图像。
25、根据本技术实施例提供的技术方案，所述选取初始神经网络，以所述参照样本的x射线图像作为所述初始神经网络的输入，以所述参照样本对应的糖度类别作为所述初始神经网络的输出，对所述初始神经网络进行训练，得到第一网络模型，至少包括以下步骤：
26、将所有所述参照样本划分为测试样本和训练样本；
27、选取多个所述初始神经网络，用所有所述训练样本的x射线图像和所述糖度类别训练所述训练模型，得到多个优化模型；
28、将所有所述测试样本的所述x射线图像分别输入至所有所述优化模型，得到与各所述优化模型对应的、且与所述x射线图像对应的糖度预测类别；
29、获取各所述测试样本的糖度实际类别，根据各所述优化模型对应的所有所述测试样本的所述糖度预测类别与所述糖度实际类别，得到第一网络模型。
30、根据本技术实施例提供的技术方案，所述根据各所述优化模型对应的所有所述测试样本的所述糖度预测类别与所述糖度实际类别，得到第一网络模型，至少包括以下步骤：
31、选取所述测试样本的所述糖度预测类别与所述糖度实际类别吻合的任意一个所述优化模型作为所述第一网络模型。
32、根据本技术实施例提供的技术方案，所述参照样本包括果核部分和以及除所述果核部分的果肉部分；
33、所述将每个所述参照样本进行破坏化处理，测量破坏化处理后的每个所述参照样本的糖度值，至少包括以下步骤：
34、获取所述参照样本的所述果肉部分，并将所述果肉部分榨汁，并充分搅拌，得到液体的参照样本，进而测量液体的所述参照样本的糖度值。
35、根据本技术实施例提供的技术方案，所述获取所述参照样本的所述果肉部分之后，该方法还包括以下步骤：
36、获取所述参照样本的所述果核部分，并拍摄每个所述果核部分的局部x射线图像；
37、基于每个所述果核部分的所述局部x射线图像，得到每个所述果核部分的局部样本体积；
38、所述基于所有所述像素点对应的所述厚度值，得到所述参照样本的样本体积，至少包括以下步骤：
39、基于所有所述像素点对应的所述厚度值，得到所述参照样本的整体样本体积；
40、将所述整体样本体积与所述局部样本体积作差，得到所述参照样本的样本体积。
41、与现有技术相比，本技术的有益效果在于：本技术通过获取参照样本(各种类型的水果)的x射线图像，再利用卷积神经网络提取x图像的图像特征，然后经过不断训练，将图像特征与参照样本的糖度分类建立联系，从而实现对待测样本的糖度类别的预测，该无损对待测样本的糖度类别预测的方法可以帮助农户将不同品质的水果按糖度进行分类，把不同品质的水果卖出不同的价格，以获得更大的收益。
1.一种基于x射线及神经网络的糖度分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于x射线及神经网络的糖度分类方法，其特征在于：所述获取多个参照样本的第一测试集合，至少包括获取多个参照样本对应的糖度类别；
3.根据权利要求1所述的基于x射线及神经网络的糖度分类方法，其特征在于：所述初始神经网络至少包括卷积层；
4.根据权利要求3所述的基于x射线及神经网络的糖度分类方法，其特征在于：所述将所述参照样本的x射线图像输入至所述卷积层，提取出所述参照样本的x射线图像的图像特征，至少包括以下步骤：
5.根据权利要求2所述的基于x射线及神经网络的糖度分类方法，其特征在于：所述获取多个参照样本的第一测试集合，还包括获取每个所述参照样本的x射线图像；
6.根据权利要求5所述的基于x射线及神经网络的糖度分类方法，其特征在于：所述对所述参照样本集的x射线图像进行图像预处理，至少包括以下步骤：
7.根据权利要求1所述的基于x射线及神经网络的糖度分类方法，其特征在于：所述选取初始神经网络，以所述参照样本的x射线图像作为所述初始神经网络的输入，以所述参照样本对应的糖度类别作为所述初始神经网络的输出，对所述初始神经网络进行训练，得到第一网络模型，至少包括以下步骤：
8.根据权利要求7所述的基于x射线及神经网络的糖度分类方法，其特征在于：所述根据各所述优化模型对应的所有所述测试样本的所述糖度预测类别与所述糖度实际类别，得到第一网络模型，至少包括以下步骤：
9.根据权利要求2所述的基于x射线及神经网络的糖度分类方法，其特征在于：所述参照样本包括果核部分和以及除所述果核部分的果肉部分；
10.根据权利要求9所述的基于x射线及神经网络的糖度分类方法，其特征在于：所述获取所述参照样本的所述果肉部分之后，该方法还包括以下步骤：
