CN106525732B - 基于高光谱成像技术的苹果内外品质快速无损检测方法 - Google Patents
基于高光谱成像技术的苹果内外品质快速无损检测方法 Download PDFInfo
- Publication number
- CN106525732B CN106525732B CN201610938290.3A CN201610938290A CN106525732B CN 106525732 B CN106525732 B CN 106525732B CN 201610938290 A CN201610938290 A CN 201610938290A CN 106525732 B CN106525732 B CN 106525732B
- Authority
- CN
- China
- Prior art keywords
- apple
- area
- internal
- normal
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 22
- 238000005516 engineering process Methods 0.000 title claims abstract description 18
- 241000220225 Malus Species 0.000 claims abstract description 170
- 230000003595 spectral effect Effects 0.000 claims abstract description 51
- 201000010099 disease Diseases 0.000 claims abstract description 45
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 45
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 33
- 241000238631 Hexapoda Species 0.000 claims abstract description 28
- 235000021016 apples Nutrition 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 235000013399 edible fruits Nutrition 0.000 claims description 41
- 241001164374 Calyx Species 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 19
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000002310 reflectometry Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 101000836906 Homo sapiens Signal-induced proliferation-associated protein 1 Proteins 0.000 claims description 10
- 101150012812 SPA2 gene Proteins 0.000 claims description 10
- 102100027163 Signal-induced proliferation-associated protein 1 Human genes 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 5
- 230000000873 masking effect Effects 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims 2
- 239000000284 extract Substances 0.000 claims 1
- 238000012937 correction Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229910052736 halogen Inorganic materials 0.000 description 2
- 150000002367 halogens Chemical class 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000009137 wuling Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/255—Details, e.g. use of specially adapted sources, lighting or optical systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供的基于高光谱成像技术的苹果内外品质的快速无损检测方法，利用高光谱成像系统采集苹果图谱信息，分析苹果光谱曲线的特征，并对光谱数据进行分析。然后，确定单波段图像，对其进行二次阈值分割，提取相应区域，并提取相应区域的光谱曲线。针对病害、虫害等苹果外部特征，提出二次连续投影算法以提取特征波长集SP1；针对糖度、硬度等苹果内部品质提出多参数连续投影算法以提取特征波长集SP2。最后融合反应苹果内外品质的特征波长集SP1、SP2采用BP神经网络实现对苹果内外品质的快速、无损检测。本发明操作简单方便、检测速度快、检测结果精度高，而且对苹果没有损伤。
Description
技术领域
本发明属于一种水果无损检测技术领域，特别涉及一种基于高光谱成像技术的苹果内外品质快速无损检测方法。
背景技术
苹果是我国种植规模最大的品种之一，其产量居世界首位，但不是苹果贸易强国，进口价格远高于出口价格，其主要原因是我国苹果采后品质检测技术落后，大多是人工操作，耗时耗力，而且效率低，因而无法满足大规模生产的需求，在国际市场上缺乏竞争力，也无法满足国内的高端需求。因此，亟需开发快速无损智能高效的采后品质检测技术，推动水果采后处理向优质化、标准化和产业化方向健康发展，以营养和功能引导苹果消费。因此，开发研制一种快速、无损、高效的苹果品质检测方法在水果分级领域中具有较好的应用前景。
高光谱成像技术是利用光谱成像设备同时采集目标的光谱信息和图像信息，并结合光谱分析技术(特定敏感波段的选择)、计算机图像处理和机器视觉技术的优点，对目标物进行识别和分析的技术。采集到的高光谱图像是在特定波长范围内由一系列连续的较窄波段图像组成的三维图像数据块。高光谱图像可以同时获取某个特定波长下的图像信息和x-y平面内某个特定像素点下的不同波长的光谱信息。在每个波长下x-y平面内每个像素点的灰度值与其在该波长下的光谱值之间一一对应；在某个特定波长下，感兴趣区域(ROIs)与正常区域之间的光谱值会存在较大差异。因此，在此波长下的图像中，它们之间的灰度也必然存在着一定的差异，进而对被测物进行判别分析，从而实现被测物在线检测。由此可见高光谱成像技术结合了图像分析与光谱技术两者的优点，并通过合适的数据处理方法寻找到最能准确辨别农产品内外品质的特征波长下的图像，从而实现高光谱成像技术对苹果品质的快速无损检测。
发明内容
本发明的目的是提供一种基于高光谱成像技术的苹果内外品质快速无损检测方法。
本发明的技术方案如下：
1)利用高光谱成像系统采集苹果图谱信息；
2)分析苹果光谱曲线的特征，并对光谱数据进行分析；
3)确定单波段图像，使用二次最大类间阈值分割算法对单波段图像进行阈值分割，分割出苹果与背景，从而得到苹果的高光谱图像；对苹果的高光谱图像进行掩膜；
4)对掩膜后的苹果高光谱图像进行第二次最大类间阈值分割，在苹果的高光谱图像中提取苹果病害区域、虫害区域、果梗/花萼区域、正常区域；
5)对分割出来的苹果病害区域、虫害区域、果梗/花萼区域、正常区域进行腐蚀膨胀运算；确定病虫害区域、花萼区域和果梗区域等感兴趣区域的像素点位置；对于苹果糖度、硬度等参数区域取苹果的正常区域中间部分的像素点位置。
6)对掩膜后的苹果高光谱图像进行第二次最大类间阈值分割，在苹果的高光谱图像中提取病害区域光谱曲线、虫害病害区域光谱曲线、果梗/花萼病害区域光谱曲线、正常区域糖度光谱曲线、正常区域硬度光谱曲线；
7)针对苹果病害区域、虫害区域、果梗/花萼区域、正常区域光谱曲线，采用二次连续投影法从500nm～970nm波长下的367个波段中提取苹果病害、虫害、果梗、花萼、正常的特征波长集SP1；
8)对于苹果的糖度、硬度等品质参数采用多参数连续投影算法SPA2提取苹果内部品质特征波长集SP2。
9)用苹果内部品质特征波长集SP1中特征波长的反射率融合苹果内部品质特征波长集SP2中特征波长的反射率，作为BP人工神经网络输入量，其隐层数为1，输入层和隐层传递函数为正切S型传递函数；加入趋势动量项的梯度下降的训练函数；输出为5个量，分别为苹果是否染有病害、是否染有虫害、是否是正常果、糖度值、硬度值；
10)通过苹果是否染有病害、是否染有虫害、是否是正常果、糖度值、硬度值实现苹果内外品质的快速、无损检测。
步骤7中采用二次连续投影算法SP1提取苹果外部品质特征波长集SPA1，SPA1包含如下10个特征波长502nm、573nm、589nm、655nm、681nm、727nm、867nm、904nm、942nm和967nm，对10个特征波长再次使用连续投影法选出3个特征波长681nm、867nm和942nm，从而构成特征波长集SP1。
步骤8中对于苹果的糖度、硬度等品质参数采用多参数连续投影算法SPA2提取苹果内部品质特征波长集SPA2，即先采用连续投影算法筛选出苹果硬度的9个特征波长403nm、405nm、409nm、469nm、543nm、614nm、676nm、725nm、963nm，对9个特征波长的光谱信息再次使用连续投影法筛选出苹果糖度的2个特征波长543nm和676nm，从而构成特征波长集SP2。
本发明提供的快速、无损苹果内外品质的检测方法，还包括以下操作步骤：
1.构建高光谱成像采集系统，该系统是由高光谱成像光谱仪(型号：ImSpectorV10E,光谱成像技术有限公司，芬兰)、一架像素为1392×1040的面阵CCD相机(型号：IGVB1410M,IMPERX公司,美国)、一台精密位移控制平台(型号：IRCP0076-1 COM，中国台湾)、一套150W的光纤卤素灯、一个减少环境光影响的暗箱(120*50*140cm)和数据处理机组成。高光谱摄像头的光谱范围为400-1100nm，光谱分辨率为2.8nm。
2.利用高光谱成像采集系统获取苹果高光谱图像，事先调节物距、光源强度、镜头光圈度数、相机曝光时间、移动平台速度，以确保采集的图像清晰且不失真。最终确定的采集参数为物距350mm，相机曝光时间65ms，平台移动速度2.2mm/s。将一个待测苹果放置于移动平台上，且赤道位对准相机。当平台移动时，通过光谱仪获得苹果空间位置的一条线在整个光谱区域的光谱信息，然后通过平台带动苹果运动，获取苹果在其他位置的光谱信息，直至获得样品完整的光谱信息。
3.高光谱图像数据校正处理。在与样本采集相同的系统条件下，首先扫描标准白色校正板得到全白的标定图像IW；然后，关闭摄像机快门进行图像采集得到全黑的标定图像ID；最后，按照下面校正公式完成图像标定，采集得到的原始图像IS变成校正图像R。
4.分析图谱特征，确定感兴趣区域。本发明首先分析所采集的苹果波谱噪声情况，发现噪声较少的波段，故选择此区间的波谱作为以后的分析。另外为便于苹果图像清晰与背景界限明了易于分割，故本发明选取单波长图像采用二次最大类间阈值分割算法首先分割出苹果与背景，从而得到苹果的二值化图像。然后用此二值化图像对高光谱图像进行掩膜，以消除背景和噪声等。对掩膜后的苹果高光谱图像进行第二次最大类间阈值分割，实现苹果病虫害区域、花萼区域和果梗区域的分割。最后对分割出来的区域进行腐蚀膨胀运算，从而确定病虫害区域、花萼区域和果梗区域等感兴趣区域的像素点位置，为后续试验提供依据。另外对于苹果糖度、硬度等参数的感兴趣区域可取苹果的中间部分某些区域。
提取感兴趣区域的光谱曲线。由于果梗、花萼部分与周围区域灰度有些区别，在分割过程中经常被分割出来误认成病虫害，因此本发明应提取果梗、花萼感兴趣区域部分的光谱信息与病虫害感兴趣区域部分的光谱信息做进一步的检测，进而检测出真正的病虫害部分。对上述分割出的苹果病虫害区域、果梗、花萼感兴趣区域，提取500nm～970nm波长下的光谱曲线。对于苹果的正常区域，则提取苹果中间部分80×60像素大小的感兴趣区域中500nm～970nm波长下的光谱曲线。
苹果内外品质特征波长的提取。先后采用二次连续投影算法SPA1、多参数连续投影算法SPA2提取苹果外部品质特征波长集SP1、提取苹果内部品质特征波长集SP2。为了选取较少的特征波长代表全波长光谱特征，首先采用二次连续投影法从500nm～970nm波长下的367个波段中提取苹果病害、虫害、果梗、花萼、正常的特征波长集SP1。即第一次采用SPA1筛选出了10个特征波长。考虑到10个特征波长数量较多计算量较大，不利于后续的在线检测。所以对优选出的10个特征波长再次使用连续投影法选出3个特征波长，从而构成特征波长集SP1。对于苹果的糖度、硬度等品质参数采用多参数连续投影算法SPA2提取苹果内部品质特征波长集SP2，即先采用连续投影算法筛选出苹果硬度的9个特征波长。考虑到9个特征波长数量较多计算量较大，不利于后续的在线检测。所以对优选出的9个特征波长的光谱信息再次使用连续投影法筛选出苹果糖度的2个特征波长，从而构成特征波长集SP2。
采用BP人工神经网络对苹果内外部品质进行检测。采用苹果内部品质特征波长集SP2中三个特征波长681nm、867nm和942nm处的反射率，融合苹果内部品质特征波长集SP2中两个特征波长543nm、676nm处的反射率，共五个光谱特征作为BP人工神经网络输入量，其隐层数为1，输入层和隐层传递函数为正切S型传递函数。学习方式为加入趋势动量项的梯度下降的训练函数。输出为5个量，分别为苹果是否染有病害、是否染有虫害、是否是正常果、糖度值、硬度值。
本发明的积极效果：操作简单方便、检测速度快、检测精度高，而且对苹果没有损伤。
具体实施方式
实施例1
1)利用高光谱成像系统采集苹果图谱信息；
2)分析苹果光谱曲线的特征，并对光谱数据进行分析；
3)确定单波段图像，使用二次最大类间阈值分割算法对单波段图像进行阈值分割，分割出苹果与背景，从而得到苹果的高光谱图像；对苹果的高光谱图像进行掩膜；
4)对掩膜后的苹果高光谱图像进行第二次最大类间阈值分割，在苹果的高光谱图像中提取苹果病害区域、虫害区域、果梗/花萼区域、正常区域；
5)对分割出来的苹果病害区域、虫害区域、果梗/花萼区域、正常区域进行腐蚀膨胀运算；确定病虫害区域、花萼区域和果梗区域等感兴趣区域的像素点位置；对于苹果糖度、硬度等参数区域取苹果的正常区域中间部分的像素点位置。
6)对掩膜后的苹果高光谱图像进行第二次最大类间阈值分割，在苹果的高光谱图像中提取病害区域光谱曲线、虫害病害区域光谱曲线、果梗/花萼病害区域光谱曲线、正常区域糖度光谱曲线、正常区域硬度光谱曲线；
7)针对苹果病害区域、虫害区域、果梗/花萼区域、正常区域光谱曲线，采用二次连续投影法从500nm～970nm波长下的367个波段中提取苹果病害、虫害、果梗、花萼、正常的特征波长集SPA1，SPA1包含10个特征波长如下502nm、573nm、589nm、655nm、681nm、727nm、867nm、904nm、942nm和967nm，对10个特征波长再次使用连续投影法选出3个特征波长681nm、867nm和942nm，从而构成特征波长集SP1；
8)对于苹果的糖度、硬度等品质参数采用多参数连续投影算法SPA2提取苹果内部品质特征波长集SPA2，即先采用连续投影算法筛选出苹果硬度的9个特征波长403nm、405nm、409nm、469nm、543nm、614nm、676nm、725nm、963nm，对9个特征波长的光谱信息再次使用连续投影法筛选出苹果糖度的2个特征波长543nm和676nm，从而构成特征波长集SP2。
9)用苹果外部品质特征波长集SP1中特征波长的反射率融合苹果内部品质特征波长集SP2中特征波长的反射率，作为BP人工神经网络输入量，其隐层数为1，输入层和隐层传递函数为正切S型传递函数；加入趋势动量项的梯度下降的训练函数；输出为5个量，分别为苹果是否染有病害、是否染有虫害、是否是正常果、糖度值、硬度值；
10)通过苹果是否染有病害、是否染有虫害、是否是正常果、糖度值、硬度值实现苹果内外品质的快速、无损检测。
上述步骤的硬件体系统构成及具体操作方式如下：
1.构建高光谱成像采集系统采集苹果的高光谱图像。该系统是由高光谱成像光谱仪(型号：ImSpector V10E,光谱成像技术有限公司，芬兰)、一架像素为1392×1040的面阵CCD相机(型号：IGV-B1410M,IMPERX公司,美国)、一台精密位移控制平台(型号：IRCP0076-1COM，中国台湾)、一套150W的光纤卤素灯、一个减少环境光影响的暗箱(120*50*140cm)和数据处理机等部分组成。高光谱摄像头的光谱范围为400-1100nm，光谱分辨率为2.8nm。
2.利用高光谱成像采集系统获取苹果高光谱图像。首先将待测苹果放置于移动平台上，把有虫眼面的赤道位对准相机。调整苹果上面到镜头的距离为350mm，相机曝光时间65ms，平台移动速度2.2mm/s。然后将苹果从移动平台上拿下，将校正白板放在移动平台上，并保证与苹果同一高度，调整光源强度使最大DN值在3200左右，通过高光谱图像采集软件Spectral Image(台湾五玲光学股份有限公司，中国台湾)采集白板的高光谱图像W。然后，关闭镜头快门进行图像采集得到全黑的标定图像B。最后将待测苹果放置于移动平台上。当平台移动时，通过光谱仪获得苹果空间位置的一条线在整个光谱区域的光谱信息，然后通过平台带动苹果运动，获取苹果在其他位置的光谱信息，直至获得样品完整的光谱信息。
3.高光谱图像数据校正处理。结合全白的标定图像IW和全黑的标定图像ID及实际样本高光谱图像IS，按照下面校正公式完成图像标定，采集得到的原始图像IS变成校正图像R。
4.分析图谱特征，确定感兴趣区域。本发明，发现500nm--970nm区间的噪声较少，故选择此区间的波谱作为以后的分析。另外在波长700nm下苹果图像清晰与背景界限明了易于分割，故本发明选取单波长700nm图像采用二次最大类间阈值分割算法首先分割出苹果与背景，从而得到苹果的二值化图像。然后用此二值化图像对高光谱图像进行掩膜，以消除背景和噪声等。对掩膜后的苹果高光谱图像进行第二次最大类间阈值分割，实现苹果病虫害区域、花萼区域和果梗区域的分割。最后对分割出来的区域进行腐蚀膨胀运算，从而确定病虫害区域、花萼区域和果梗区域等感兴趣区域的像素点位置，为后续试验提供依据。另外对于苹果糖度、硬度等参数的感兴趣区域可取苹果的中间部分80×60像素大小的区域。
提取感兴趣区域的光谱曲线。对上述分割出的苹果病虫害区域、果梗、花萼感兴趣区域，提取500nm～970nm波长下的光谱曲线。对于苹果的正常区域，则提取苹果中间部分80×60像素大小的感兴趣区域中500nm～970nm波长下的光谱曲线。
苹果内外品质特征波长的提取。先后采用二次连续投影算法SPA1、多参数连续投影算法SPA2提取苹果外部品质特征波长集SP1、提取苹果内部品质特征波长集SP2。为了选取较少的特征波长代表全波长光谱特征，首先采用二次连续投影法从500nm～970nm波长下的367个波段中提取苹果病害、虫害、果梗、花萼、正常的特征波长集SP1。即第一次采用SPA1筛选出了10个特征波长，分别是502nm、573nm、589nm、655nm、681nm、727nm、867nm、904nm、942nm和967nm。考虑到10个特征波长数量较多计算量较大，不利于后续的在线检测。
所以对优选出的10个特征波长再次使用连续投影法选出3个特征波长，分别是681nm、867nm和942nm，从而构成特征波长集SP1。对于苹果的糖度、硬度等品质参数采用多参数连续投影算法SPA2提取苹果内部品质特征波长集SP2，即先采用连续投影算法筛选出苹果硬度的9个特征波长，分别是403nm、405nm、409nm、469nm、543nm、614nm、676nm、725nm、963nm。考虑到9个特征波长数量较多计算量较大，不利于后续的在线检测。所以对优选出的9个特征波长的光谱信息再次使用连续投影法筛选出苹果糖度的2个特征波长，分别是543nm和676nm,从而构成特征波长集SP2。
采用BP人工神经网络对苹果内外部品质进行检测。采用苹果内部品质特征波长集SP2中三个特征波长681nm、867nm和942nm处的反射率，融合苹果内部品质特征波长集SP2中两个特征波长543nm、676nm处的反射率，共五个光谱特征作为BP人工神经网络输入量，其隐层数为1，输入层和隐层传递函数为正切S型传递函数。学习方式为加入趋势动量项的梯度下降的训练函数。输出为5个量，分别为苹果是否染有病害、是否染有虫害、是否是正常果、糖度值、硬度值。
Claims (1)
1.基于高光谱成像技术的苹果内外品质快速无损检测方法，其特征为：包括以下步骤：
1）利用高光谱成像系统采集苹果图谱信息；
2）分析苹果光谱曲线的特征，并对光谱数据进行分析；
3）确定单波段图像，使用二次最大类间阈值分割算法对单波段图像进行阈值分割，分割出苹果与背景，从而得到苹果的高光谱图像；对苹果的高光谱图像进行掩膜；
4）对掩膜后的苹果高光谱图像进行第二次最大类间阈值分割，在苹果的高光谱图像中提取苹果病害区域、虫害区域、果梗/花萼区域、正常区域；
5）对分割出来的苹果病害区域、虫害区域、果梗/花萼区域、正常区域进行腐蚀膨胀运算；确定病虫害区域、花萼区域和果梗区域的像素点位置；对于苹果糖度、硬度参数区域取苹果的正常区域中间部分的像素点位置；
6）对掩膜后的苹果高光谱图像进行第二次最大类间阈值分割，在苹果的高光谱图像中提取病害区域光谱曲线、虫害病害区域光谱曲线、果梗/花萼病害区域光谱曲线、正常区域糖度光谱曲线、正常区域硬度光谱曲线；
7）针对苹果病害区域、虫害区域、果梗/花萼区域、正常区域光谱曲线，采用二次连续投影法从500nm～970nm波长下的367个波段中提取苹果病害、虫害、果梗、花萼、正常的特征波长集SP1；
所述二次连续投影算法SP1提取苹果外部品质特征波长集SPA1，SPA1包含
10个特征波长包括502nm、573nm、589nm、655nm、681nm、727nm、867nm、904nm、942nm和967nm，对10个特征波长再次使用连续投影法选出3个特征波长681 nm、867 nm和942 nm，从而构成特征波长集SP1；
8）对于苹果的糖度、硬度品质参数采用多参数连续投影算法SPA2提取苹果内部品质特征波长集SP2；即先采用连续投影算法筛选出苹果硬度的9个特征波长403nm、405nm、409nm、469nm、543nm、614nm、676nm、725nm、963nm，对9个特征波长的光谱信息再次使用连续投影法筛选出苹果糖度的2个特征波长543nm和676nm，从而构成特征波长集SP2；
9）用苹果外部品质特征波长集SP1中特征波长的反射率融合苹果内部品质特征波长集SP2中特征波长的反射率，作为BP人工神经网络输入量，其隐层数为1，输入层和隐层传递函数为正切S型传递函数；加入趋势动量项的梯度下降的训练函数；输出为5个量，分别为苹果是否染有病害、是否染有虫害、是否是正常果、糖度值、硬度值；具体方法如下：
采用BP人工神经网络对苹果内外部品质进行检测，采用苹果外部品质特征波长集SP1中三个特征波长681 nm、867 nm和942 nm处的反射率，融合苹果内部品质特征波长集SP2中两个特征波长543nm、676nm处的反射率，共五个光谱特征作为BP人工神经网络输入量，其隐层数为1，输入层和隐层传递函数为正切S型传递函数；学习方式为加入趋势动量项的梯度下降的训练函数；输出为5个量，分别为苹果是否染有病害、是否染有虫害、是否是正常果、糖度值、硬度值；
10）通过苹果是否染有病害、是否染有虫害、是否是正常果、糖度值、硬度值实现苹果内外品质的快速、无损检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610938290.3A CN106525732B (zh) | 2016-10-25 | 2016-10-25 | 基于高光谱成像技术的苹果内外品质快速无损检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610938290.3A CN106525732B (zh) | 2016-10-25 | 2016-10-25 | 基于高光谱成像技术的苹果内外品质快速无损检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106525732A CN106525732A (zh) | 2017-03-22 |
| CN106525732B true CN106525732B (zh) | 2021-08-17 |
Family
ID=58292908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610938290.3A Expired - Fee Related CN106525732B (zh) | 2016-10-25 | 2016-10-25 | 基于高光谱成像技术的苹果内外品质快速无损检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106525732B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107860720B (zh) * | 2017-12-27 | 2019-11-19 | 清华大学 | 一种获取红枣品质的方法和装置 |
| CN109001218A (zh) * | 2018-09-03 | 2018-12-14 | 贵阳学院 | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 |
| CN109829464B (zh) * | 2018-12-24 | 2021-01-05 | 核工业北京地质研究院 | 一种利用光谱数据筛选红富士苹果的方法 |
| CN109827908B (zh) * | 2018-12-24 | 2021-04-13 | 核工业北京地质研究院 | 一种利用光谱数据判别红富士苹果腐烂程度的方法 |
| CN109752376A (zh) * | 2018-12-28 | 2019-05-14 | 佛山科学技术学院 | 一种基于计算机视觉的皇帝柑健康监测系统 |
| CN110596117A (zh) * | 2019-08-15 | 2019-12-20 | 山东科技大学 | 一种基于高光谱成像的苹果表面损伤快速无损检测方法 |
| CN110490861A (zh) * | 2019-08-22 | 2019-11-22 | 石河子大学 | 一种用于黄板上蚜虫的识别方法及系统 |
| CN110849828A (zh) * | 2019-12-13 | 2020-02-28 | 嘉兴职业技术学院 | 一种基于高光谱图像技术的藏红花分类方法 |
| CN112488998B (zh) * | 2020-11-19 | 2022-10-14 | 安徽农业大学 | 一种基于条纹投影的苹果果梗和花萼检测方法 |
| CN113418874A (zh) * | 2021-03-15 | 2021-09-21 | 安徽工业技术创新研究院六安院 | 面向果实品质检测的高光谱图像重构方法及检测方法 |
| CN112974303B (zh) * | 2021-04-26 | 2022-11-08 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的果品品质检测方法、设备及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
| WO2012074372A2 (en) * | 2010-11-30 | 2012-06-07 | Universiti Putra Malaysia (Upm) | A system for fruit grading and quality determination |
| CN103344575A (zh) * | 2013-07-01 | 2013-10-09 | 江南大学 | 基于高光谱图像技术的干燥毛豆多品质无损检测方法 |
| CN103808669A (zh) * | 2014-01-26 | 2014-05-21 | 沈阳农业大学 | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 |
| CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
| CN104089925A (zh) * | 2014-06-30 | 2014-10-08 | 华南理工大学 | 一种基于高光谱成像检测虾仁品质的目标区域提取方法 |
| CN104359838A (zh) * | 2014-11-11 | 2015-02-18 | 上海理工大学 | 一种无损检测梨的硬度方法 |
| CN104597052A (zh) * | 2015-02-09 | 2015-05-06 | 淮阴工学院 | 基于多特征融合的马铃薯高速无损分级检测方法及系统 |
| CN105372203A (zh) * | 2015-11-04 | 2016-03-02 | 江南大学 | 基于多传感器融合的新鲜苹果损伤敏感度无损检测方法 |
-
2016
- 2016-10-25 CN CN201610938290.3A patent/CN106525732B/zh not_active Expired - Fee Related
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
| WO2012074372A2 (en) * | 2010-11-30 | 2012-06-07 | Universiti Putra Malaysia (Upm) | A system for fruit grading and quality determination |
| CN103344575A (zh) * | 2013-07-01 | 2013-10-09 | 江南大学 | 基于高光谱图像技术的干燥毛豆多品质无损检测方法 |
| CN103808669A (zh) * | 2014-01-26 | 2014-05-21 | 沈阳农业大学 | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 |
| CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
| CN104089925A (zh) * | 2014-06-30 | 2014-10-08 | 华南理工大学 | 一种基于高光谱成像检测虾仁品质的目标区域提取方法 |
| CN104359838A (zh) * | 2014-11-11 | 2015-02-18 | 上海理工大学 | 一种无损检测梨的硬度方法 |
| CN104597052A (zh) * | 2015-02-09 | 2015-05-06 | 淮阴工学院 | 基于多特征融合的马铃薯高速无损分级检测方法及系统 |
| CN105372203A (zh) * | 2015-11-04 | 2016-03-02 | 江南大学 | 基于多传感器融合的新鲜苹果损伤敏感度无损检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 采用二次连续投影法和 BP 神经网络的寒富苹果病害高光谱图像无损检测;刘思伽等;《食品科学》;20161021;摘要及材料与方法、结果与分析部分 * |
| 高光谱成像技术对鲜枣内外部品质检测的研究;薛建新等;《光谱学与光谱分析》;20150815;第35卷(第8期);第2297-2300页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106525732A (zh) | 2017-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106525732B (zh) | 基于高光谱成像技术的苹果内外品质快速无损检测方法 | |
| Kolhar et al. | Plant trait estimation and classification studies in plant phenotyping using machine vision–A review | |
| Bhargava et al. | Fruits and vegetables quality evaluation using computer vision: A review | |
| US11454594B2 (en) | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images | |
| Blasco et al. | Recognition and classification of external skin damage in citrus fruits using multispectral data and morphological features | |
| CN107576618B (zh) | 基于深度卷积神经网络的水稻穗瘟检测方法及系统 | |
| Mahendran et al. | Application of computer vision technique on sorting and grading of fruits and vegetables | |
| Bauriegel et al. | Early detection of Fusarium infection in wheat using hyper-spectral imaging | |
| Kim et al. | Classification of grapefruit peel diseases using color texture feature analysis | |
| Pydipati et al. | Identification of citrus disease using color texture features and discriminant analysis | |
| CN102495005B (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
| CN103808669B (zh) | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 | |
| CN112016392B (zh) | 一种基于高光谱图像的大豆虫害程度的小样本检测方法 | |
| CN106290238A (zh) | 一种基于高光谱成像的苹果品种快速鉴别方法 | |
| CN109883967A (zh) | 一种基于信息融合的中华绒螯蟹品质等级判别方法 | |
| CN114136920A (zh) | 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 | |
| CN115862004A (zh) | 一种玉米果穗表面缺陷检测方法及装置 | |
| CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
| Sarkar et al. | Supervised learning aided multiple feature analysis for freshness class detection of Indian gooseberry (Phyllanthus emblica) | |
| CN104677920B (zh) | 一种基于果面局部灰度突变的水果表面虫眼检测标记方法 | |
| Concepcion II et al. | Variety classification of Lactuca sativa seeds using single-kernel RGB images and spectro-textural-morphological feature-based machine learning | |
| CN116297236A (zh) | 一种基于高光谱的单粒玉米种子活力鉴别方法及装置 | |
| Bortolotti et al. | A computer vision system for in-field quality evaluation: Preliminary results on peach fruit | |
| Janardhana et al. | Computer aided inspection system for food products using machine vision—a review | |
| CN109308464A (zh) | 一种基于数码相机图像的水稻穗子识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210817 |