CN110596280B - 基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法 - Google Patents
基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法 Download PDFInfo
- Publication number
- CN110596280B CN110596280B CN201911039334.9A CN201911039334A CN110596280B CN 110596280 B CN110596280 B CN 110596280B CN 201911039334 A CN201911039334 A CN 201911039334A CN 110596280 B CN110596280 B CN 110596280B
- Authority
- CN
- China
- Prior art keywords
- image
- wheat
- sample
- data
- hyperspectral
- 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.)
- Active
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 87
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 87
- 230000004927 fusion Effects 0.000 title claims abstract description 47
- LINOMUASTDIRTM-QGRHZQQGSA-N deoxynivalenol Chemical compound C([C@@]12[C@@]3(C[C@@H](O)[C@H]1O[C@@H]1C=C(C([C@@H](O)[C@@]13CO)=O)C)C)O2 LINOMUASTDIRTM-QGRHZQQGSA-N 0.000 title claims description 60
- LINOMUASTDIRTM-UHFFFAOYSA-N vomitoxin hydrate Natural products OCC12C(O)C(=O)C(C)=CC1OC1C(O)CC2(C)C11CO1 LINOMUASTDIRTM-UHFFFAOYSA-N 0.000 title claims description 60
- 238000001228 spectrum Methods 0.000 title claims description 43
- 238000001514 detection method Methods 0.000 title abstract description 15
- 230000003595 spectral effect Effects 0.000 claims abstract description 32
- 235000013312 flour Nutrition 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000004128 high performance liquid chromatography Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims abstract description 5
- 238000002360 preparation method Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 31
- 229930002954 deoxynivalenol Natural products 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000003702 image correction Methods 0.000 claims description 7
- 239000000843 powder Substances 0.000 claims description 6
- 238000000701 chemical imaging Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 239000012535 impurity Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000000227 grinding Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 abstract description 4
- 238000011109 contamination Methods 0.000 abstract 2
- 235000013339 cereals Nutrition 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 239000003053 toxin Substances 0.000 description 6
- 231100000765 toxin Toxicity 0.000 description 6
- 108700012359 toxins Proteins 0.000 description 6
- 241000223218 Fusarium Species 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- UHPMCKVQTMMPCG-UHFFFAOYSA-N 5,8-dihydroxy-2-methoxy-6-methyl-7-(2-oxopropyl)naphthalene-1,4-dione Chemical compound CC1=C(CC(C)=O)C(O)=C2C(=O)C(OC)=CC(=O)C2=C1O UHPMCKVQTMMPCG-UHFFFAOYSA-N 0.000 description 4
- 229920002472 Starch Polymers 0.000 description 4
- 235000019698 starch Nutrition 0.000 description 4
- 239000008107 starch Substances 0.000 description 4
- WEVYAHXRMPXWCK-UHFFFAOYSA-N Acetonitrile Chemical compound CC#N WEVYAHXRMPXWCK-UHFFFAOYSA-N 0.000 description 3
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 239000003925 fat Substances 0.000 description 3
- 229910052736 halogen Inorganic materials 0.000 description 3
- 150000002367 halogens Chemical class 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 241001024327 Oenanthe <Aves> Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000706 filtrate Substances 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000004817 gas chromatography Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000228212 Aspergillus Species 0.000 description 1
- 241000132177 Aspergillus glaucus Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 235000019750 Crude protein Nutrition 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 231100000678 Mycotoxin Toxicity 0.000 description 1
- 241000228143 Penicillium Species 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 101710084578 Short neurotoxin 1 Proteins 0.000 description 1
- 101710182532 Toxin a Proteins 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000019658 bitter taste Nutrition 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000019197 fats Nutrition 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 229920002521 macromolecule Polymers 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 239000012982 microporous membrane Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002636 mycotoxin Substances 0.000 description 1
- 238000002414 normal-phase solid-phase extraction Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 235000018102 proteins Nutrition 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 229930000044 secondary metabolite Natural products 0.000 description 1
- 239000006228 supernatant Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
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
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/04—Preparation or injection of sample to be analysed
- G01N30/06—Preparation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/04—Preparation or injection of sample to be analysed
- G01N30/06—Preparation
- G01N30/14—Preparation by elimination of some components
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N2030/022—Column chromatography characterised by the kind of separation mechanism
- G01N2030/027—Liquid chromatography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/04—Preparation or injection of sample to be analysed
- G01N30/06—Preparation
- G01N2030/062—Preparation extracting sample from raw material
Landscapes
- Physics & Mathematics (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)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法，包括：样本制备、小麦中呕吐毒素含量高效液相色谱测定、获取小麦原始高光谱三维图像、提取感兴趣区域、高光谱三维图像预处理、提取特征波长以及构建小麦粉呕吐毒素判别模型，基于特征波长对应的平均光谱数据和特征参数对应的图像数据，以及光谱和图像特征融合后的数据，建立呕吐毒素判别模型，判断小麦中呕吐毒素是否超标。本发明将光谱特征波长与图像特征参数进行数据融合，利用冗余和互补的数据改善输出性能，基于融合特征建立小麦呕吐毒素污染程度判别模型，进而判断小麦中呕吐毒素是否超标，可提高判别模型准确性和鲁棒性。
Description
技术领域
本发明涉及小麦呕吐毒素的快速鉴别方法，具体涉及光谱和图像信息融合的小麦呕吐毒素的快速判别方法。
背景技术
小麦是中国的第二大粮食作物，也是世界上最主要的农作物。赤霉病是小麦的主要病发症之一，脱氧雪腐镰刀菌稀醇(DON)又称呕吐毒素，是引发小麦赤霉病的主要真菌毒素，为镰刀菌属真菌分泌的次级代谢产物。小麦生长成熟阶段，在高温湿条件下易受镰刀菌感染，真菌汲取麦穗中营养物质，并造成麦穗麦粒表面形成霉状物，感染严重的麦粒成熟收获后呈红色或白色，称为赤霉病粒。随着赤霉病粒含量的增加，小麦中DON含量逐渐增大，加工品质特性均发生劣变。国家标准规定小麦中DON含量应低于1000μg/kg。为了避免DON毒素对人畜造成潜在的健康风险，DON毒素超标的小麦必须在加工之前被处理掉。
目前高效液相色谱法(HPLC)和气相色谱(GC)可以精确地对小麦中的DON毒素进行定性定量分析，但是操作繁琐、重现性较差。而且这两种方法所需色谱仪、检测器等价格昂贵，样品处理比较复杂，操作时需要专门的技术人员，不便推广应用，也不适合大批量样品的检测。因此寻找一种能够实时快速监测储藏小麦中毒素的方法就成为当前的迫切需求。
高光谱技术在近几年发展迅速，该技术将一维光谱技术和二维图像技术完美结合，可以提取出被测样本的外观信息和内部品质信息，具有不破坏样本、不需预处理样本、多组分同时分析、分析速度快及操作简便等优点，结合化学计量学方法可实现样本组分快速、无损的分析检测，目前已广泛应用于食品安全检测等领域。T.Senthilkumar等利用1000～1600nm近红外高光谱成像系统检测小麦是否被灰绿曲霉、青霉、储曲霉毒素A侵染。利用主成分分析选择波段作为特征波长。研究结果表明，线性、二次和马氏判别三种分类器识别被微生物感染的种子准确率均达到90％以上。梁栋等利用高光谱成像系统对小麦进行检测研究。采用主成分分析法进行降维，利用支持向量机进行建模识别。研究结果表明，利用特征波段进行建模精度达到92％，可以有效的识别出小麦种子是否含有病害。
但现有技术多只对平均光谱进行分析，存在样品涵盖信息不全、模型预测稳定性差等问题，鲁棒性能差。
发明内容
本发明目的在于基于高光谱技术、化学计量学方法，筛选特征波长并最终判别样品DON含量的技术，提出一种基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法与系统。
本发明的上述目的通过独立权利要求的技术特征实现，从属权利要求以另选或有利的方式发展独立权利要求的技术特征。
为达成上述目的，本发明提出一种基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法，包括：
步骤1、样本制备
取得受呕吐毒素侵染的小麦样品，筛除样品中的杂质，将样品磨粉，于-4℃储藏备用；
步骤2、小麦中呕吐毒素含量高效液相色谱测定
利用高效液相色谱法检测小麦粉中的脱氧雪腐镰刀菌烯醇，获取样品的DON含量水平，依据国标GB 2617-2017，将小麦粉样品分为超标和不超标两类
步骤3、获取小麦原始高光谱三维图像
利用高光谱成像系统采集400～1000nm波段内的光谱和图像信息，获得样品中每个像素点在不同波长下的图像信息，得到样品的三维高光谱图像；
步骤4、提取感兴趣区域
采用九宫格法对高光谱图像划分并提取感兴趣区域；
步骤5、高光谱三维图像预处理
对样品原始高光谱图像进行图像校正、图像分割及小麦粉图像参数提取处理，并获得样品的光谱数据；
步骤6、提取特征波长
采用特征波长提取方法对可见光波段样品的平均光谱数据进行特征波长选择；
步骤7、构建小麦粉呕吐毒素判别模型
基于特征波长对应的平均光谱数据和特征参数对应的图像数据，以及光谱和图像特征融合后的数据，建立呕吐毒素判别模型，并根据实际检测的数据判断小麦中呕吐毒素是否超标。
进一步地，在所述步骤5中，小麦原始高光谱三维图像预处理包括以下步骤：
(1)对原始高光谱图像进行基于黑白版的图像校正处理；
(2)对原始高光谱图像进行均值滤波处理，去除样品中的噪音；
(3)提取这一区域图像的颜色特征参数，包括RGB颜色模型和HIS颜色模型中的各颜色分量均值和方差参数。
进一步地，在所述步骤6中，采用连续投影算法提取特征波长，具体包括：
设光谱矩阵为Xn×p，其中n为样本容量，p为全谱波长数，要选出m个最优波长，步骤如下：
(1)第1次迭代之前(n＝1)，将训练集光谱矩阵X的第k列赋值给x(k(l))，k∈(1，2，…，p)；
(2)令S为所有未被选入的波长变量的集合，S＝{k,1≤k≤p，
(3)计算剩余列向量xk与当前所选向量的投影；
(4)记下投影值范数最大的波长的位置k(n+1)＝arg[mac(‖x(k(n+1)))‖)]，n∈S；
(5)令n＝n+1，若n<p，返回第2步进行下一波长矢量的选择；
(6)分别使用各子集中的变量建立多元线性回归模型，选出均方根误差最小的子集，然后进行逐步回归建模，在尽量不损失预测准确度的前提下，得到1个变量数较少的集合，以该集合中的波长变量即为所选有效波长。
进一步地，在所述步骤6中，采用连续投影算法提取特征波长过程中，选择m-max＝10，m-min＝5，其中m-max为筛选特征波长个数最大值，获得最小均方根误差0.63646，m-min为筛选特征波长个数最小值，最终筛选特征波长个数为5个，分别为388.48nm、381.44nm、995.76nm、367.41nm、366.41nm。
进一步地，在所述步骤7中，构建判别模型时，采用Kenstone算法或者随机法对样本的建模集与验证集进行挑选，分别选取2/3样品的数据用于模型构建，剩余1/3样品作为预测集样本；建模时，对于光谱和图像信息的融合，融合方式为特征层融合，融合后的特征为17个，其中先分别从图像信息数据和光谱信息数据中提取特征信息，然后在所提的特征信息的基础上进行融合建模，将实际待检测的小麦数据输入判别模型进行分析后，与设定的DON阈值进行比对，超出阈值范围的则判定超标，否则不超标。
进一步地，在所述步骤7中，构建判别模型时，假设A和B是定义在模式样本空间Ω上的两个特征空间；对于任意的样ξ∈Ω，且相应的两个特征矢量为α∈A和β∈B，那么ξ的组合特征可以定义为γ＝(α,β)T；则，如果特征矢量是一个n维的矢量，而另一组特征矢量是m维矢量，那么组合特征则为n+m维；如此，将所有模式样本的组合特征空间形成一个n+m维的组合特征空间，其中n+m＝17。
进一步地，基于光谱和图像特征融合后的数据所建立的呕吐毒素判别模型为：
y＝0.2356·λ388.48+0.1613·λ381.44+0.2093·λ995.76+0.1914·λ367.41+
0.1614·λ366.41-0.0133·IR+0.2003·IG+0.3447·IB+0.2438·Ir+0.3123·
Ig+0.3169·Ib-0.1377·IH-0.3556·Is+0.2467·II+0.2798·Ih+0.1213·
Is+0.3100·Ii
其中，λ为不同特征波长处的高光谱反射率值，IR、IG、IB和IH、IS、II分别代表提取的图像参数的R、G、B和H、I、S的均值，Ir、Ig、Ib和Ih、Is、Ii分别代表提取的图像参数的R、G、B和H、I、S的方差。
与现有技术相比，本发明提出的基于高光谱信息融合的小麦呕吐毒素快速检测方法的显著效果在于采用光谱和图像融合的处理方法，利用冗余和互补的数据改善输出性能，本发明将平均光谱的特征波长与图像特征参数进行数据融合，提高系统预测模型的鲁棒性。
(1)本发明可实现了麦呕吐毒素的快速判别分析检测，检测过程快捷、简便，不破坏样品，降低了检测成本；
(2)本发明将光谱和图像信息进行特征层融合，能够大大减少只采用光谱数据建模所带来的信息不全、模型稳定性差等问题，提高了建模的准确性和鲁棒性；
(3)本发明采用SPA提取方法对高光谱数据进行特征波长提取，克服了以往实验中检测算法所需的特征波段数过多、检测精度较低的问题，能够提高数据处理效率，可以提高本方法的适用性。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是本发明中光谱和图像采集的示意图；
图2是本发明实施例的基于高光谱信息融合的小麦呕吐毒素快速检测方法技术路线示意图；
图3是本发明实施例的基于SPA特征波长提取的信息融合的LDA得分图；
图4是本发明实施例的第一主成分载荷图；
图5是本发明实施例的原始反射光谱曲线；
图6是本发明实施例的三维主成分得分图；
图7a-7c是本发明实施例的样本RGB分量直方图，分别对应超标和不超标2类。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是应为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
结合图1、2以及图5-7所示，根据本发明公开的基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法，包括：
步骤1、样本制备
取得受呕吐毒素侵染的小麦样品，筛除样品中的杂质，将样品磨粉，于-4℃储藏备用；
步骤2、小麦中呕吐毒素含量高效液相色谱测定
利用高效液相色谱法检测小麦粉中的脱氧雪腐镰刀菌烯醇，获取样品的DON含量水平，依据国标GB 2617-2017，将小麦粉样品分为超标和不超标两类
步骤3、获取小麦原始高光谱三维图像
利用高光谱成像系统采集400～1000nm波段内的光谱和图像信息，获得样品中每个像素点在不同波长下的图像信息，得到样品的三维高光谱图像；
步骤4、提取感兴趣区域
采用九宫格法对高光谱图像划分并提取感兴趣区域；
步骤5、高光谱三维图像预处理
对样品原始高光谱图像进行图像校正、图像分割及小麦粉图像参数提取处理，并获得样品的光谱数据；
步骤6、提取特征波长
采用特征波长提取方法对可见光波段样品的平均光谱数据进行特征波长选择；
步骤7、构建小麦粉呕吐毒素判别模型
基于特征波长对应的平均光谱数据和特征参数对应的图像数据，以及光谱和图像特征融合后的数据，建立呕吐毒素判别模型，并根据实际检测的数据判断小麦中呕吐毒素是否超标。
如此，通过上述方式，将平均光谱的特征波长与图像特征参数进行数据融合，利用冗余和互补的数据改善输出性能，基于融合特征建立准确度、鲁棒性高的小麦呕吐毒素污染判决模型，进行判断小麦中呕吐毒素是否超标。通过本发明的方式可显著减少只采用光谱数据建模所带来的信息不全、模型稳定性差等问题，提高判别模型准确性和鲁棒性；同时，可克服以往实验中检测算法所需的特征波段数过多、检测精度较低的问题，能够提高数据处理效率，可以提高本方法的适用性。
进一步地，在所述步骤5中，小麦原始高光谱三维图像预处理包括以下步骤：
(1)对原始高光谱图像进行基于黑白版的图像校正处理；
(2)对原始高光谱图像进行均值滤波处理，去除样品中的噪音；
(3)提取这一区域图像的颜色特征参数，包括RGB颜色模型和HIS颜色模型中的各颜色分量均值和方差参数。
进一步地，在所述步骤6中，采用连续投影算法提取特征波长，具体包括：
设光谱矩阵为Xn×p，其中n为样本容量，p为全谱波长数，要选出m个最优波长，步骤如下：
(1)第1次迭代之前(n＝1)，将训练集光谱矩阵X的第k列赋值给x(k(l))，k∈(1，2，…，p)；
(2)令S为所有未被选入的波长变量的集合，S＝{k,1≤k≤p，
(3)计算剩余列向量xk与当前所选向量的投影；
(4)记下投影值范数最大的波长的位置k(n+1)＝arg[mac(‖x(k(n+1)))‖)]，n∈S；
(5)令n＝n+1，若n<p，返回第2步进行下一波长矢量的选择；
(6)分别使用各子集中的变量建立多元线性回归模型，选出均方根误差最小的子集，然后进行逐步回归建模，在尽量不损失预测准确度的前提下，得到1个变量数较少的集合，以该集合中的波长变量即为所选有效波长。
进一步地，在所述步骤6中，采用连续投影算法提取特征波长过程中，选择m-max＝10，m-min＝5，其中m-max为筛选特征波长个数最大值，获得最小均方根误差0.63646，m-min为筛选特征波长个数最小值，最终筛选特征波长个数为5个，分别为388.48nm、381.44nm、995.76nm、367.41nm、366.41nm。
进一步地，在所述步骤7中，构建判别模型时，采用Kenstone算法或者随机法对样本的建模集与验证集进行挑选，分别选取2/3样品的数据用于模型构建，剩余1/3样品作为预测集样本；建模时，对于光谱和图像信息的融合，融合方式为特征层融合，融合后的特征为17个，其中先分别从图像信息数据和光谱信息数据中提取特征信息，然后在所提的特征信息的基础上进行融合建模，将实际待检测的小麦数据输入判别模型进行分析后，与设定的DON阈值进行比对，超出阈值范围的则判定超标，否则不超标。
进一步地，在所述步骤7中，构建判别模型时，假设A和B是定义在模式样本空间Ω上的两个特征空间；对于任意的样ξ∈Ω，且相应的两个特征矢量为α∈A和β∈B，那么ξ的组合特征可以定义为γ＝(α，β)T；则，如果特征矢量是一个n维的矢量，而另一组特征矢量是m维矢量，那么组合特征则为n+m维；如此，将所有模式样本的组合特征空间形成一个n+m维的组合特征空间，其中n+m＝17。
进一步地，基于光谱和图像特征融合后的数据所建立的呕吐毒素判别模型为：
y＝0.2356·λ388.48+0.1613·λ381.44+0.2093·λ995.76+0.1914·λ367.41+
0.1614·λ366.41-0.0133·IR+0.2003·IG+0.3447·IB+0.2438·Ir+0.3123·
Ig+0.3169·Ib-0.1377·IH-0.3556·IS+0.2467·II+0.2798·Ih+0.1213·
Is+0.3100·Ii
其中，λ为不同特征波长处的高光谱反射率值，IR、IG、IB和IH、IS、II分别代表提取的图像参数的R、G、B和H、I、S的均值，Ir、Ig、Ib和Ih、Is、Ii分别代表提取的图像参数的R、G、B和H、I、S的方差。
下面结合具体的实施例进行更加具体的说明。
一、小麦样品搜集和制备
从粮库(例如江苏14个地市的良苦)中搜集大量受呕吐毒素侵染的小麦样品，共计195个，筛除样品中的杂质，将样品磨粉，于-4℃储藏备用。
二、小麦中呕吐毒素含量高效液相色谱测定
样本DON毒素含量测定：称取5.0g小麦粉于100mL锥形瓶中，加入25mL的提取液(乙睛∶水＝84∶16)，置于180r/min振荡摇床30min后，2500r/min离心，5min后取上清液；
将净化柱连接到固相萃取装置上，加入3mL的提取液过柱，流速2mL/min，对柱子进行活化，取3mL提取的样品过柱，流速1mL/min。
收集滤液；重复洗涤1次后，把两次的滤液合并至氮吹仪吹干后，加入1mL色谱纯甲醇重溶，过0.22μm微孔滤膜，转移至进样瓶，然后利用高效液相色谱仪进行毒素含量测定。
最后依据国标GB 2617-2017，将小麦粉样品分为超标(＞1000μg/kg)和不超标(0～1000μg/kg)两类，合计超标样本95个，不超标样本100个。
三、小麦原始高光谱三维图像获取
结合图1所示的高光谱成像仪，包括计算机1、图像采集卡2、照相机3、光谱仪4、镜头5、滑轨6、对称的两个卤素灯7、移动载物台8和暗箱9。其中摄像头和光谱仪直接连接，光谱仪与卤素灯被固定在暗箱内部，滑轨用来上下调节物距，暗箱内部设有移动载物台，计算机控制移动载物台的传送速度。
高光谱图像采集是通过照相机和光谱仪对暗箱内的小麦粉样品进行拍摄，经图像采集卡传入计算机。
试验时，在移动载物台上铺黑色不反光摄影布作为背景，样品平铺于9mm培养皿中置于载物台上，然后调整计算机上的采集软件的相关参数，移动载物台的速度与物距、焦距相匹配，速度确定为6.5mm/s，采集曝光时间8.5ms。
参数设置完毕，打开卤素灯(双光源)，启动计算机，使载物台匀速移动，获取样品图像，光谱以标准白板(300mm×25mm×10mm)为参比，试验前先采参比和暗场光谱，经过校正，获得样品的反射光谱信息。
四、感兴趣区域提取
利用HSI数据集软件对样本图像划取感兴趣区域，采用九宫格法，将图像划分为九宫格，提取九宫格的中心格为感兴趣区域。
优选的实施例中，具体包括：利用高光谱图像(HSI)数据集软件对得到的样本图像进行感兴趣区域的划取，感兴趣区域提取是采取九宫格法，样品平铺于直径9mm的培养皿中，采用
九宫格法，将图像划分为九宫格，提取九宫格的中心格为感兴趣区域，随后获得这一部分区域的平均光谱数据和图像数据。
五：高光谱三维图像预处理
基于HSI软件，对原始高光谱图像进行黑白板校正和均值滤波，并提取颜色特征参数，包括RGB(红色、绿色、蓝色)颜色模型和HIS(色调、饱和度、亮度)颜色模型中的各颜色分量均值和方差参数。RGB分量直方图客观地表现出超标和不超标样品的R、G、B分量的明显差距。
具体地，高光谱三维图像的预处理包括：
(1)对原始高光谱图像进行图像校正处理，对采集的图像进行黑白板校正，公式如下：
其中，Rr原始噪声图像，Rd为黑板校正图像，Rw为白板校正，R为校正后的高光谱图像。
(2)均值滤波是一种典型的线性滤波算法，原理是基于领域平均法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的相邻靠近的像素点，然后求得的平均值作为该像素新图中的灰度值，再用模板中的全部像素的平均值来代替原来的像素值。
(3)图像颜色特征参数的提取，包括RGB(红色、绿色、蓝色)颜色模型和HIS(色调、饱和度、亮度)颜色模型中的各颜色分量均值和方差参数；
i.R、G、B值的表示
利用三原色叠加原理，若某一像素点的颜色值为P，则该点的R、G、B值可表示为：
P取P/256的余数；
G的值为((P-R)/256)/256的余数；
B为(P-G×256-R)/65536；
ii.H、I、S值的表示在颜色模型中，H、I、S的值由R、G、B可表示为：
六、特征波长提取
基于MATLAB 7.0软件，采用特征波长提取方法——连续投影算法(SPA)对可见光波段样品的平均光谱数据进行特征波长选择。SPA是一种使矢量空间共线性最小化的前向变量选择算法，用于剔除光谱冗余信息。SPA提取时，选择m-max＝10，m-min＝5，其中m-max为筛选特征波长个数最大值，获得最小均方根误差0.63646，最终筛选特征波长个数为5个，分别为388.48nm、381.44nm、995.76nm、367.41nm、366.41nm。
其中，SPA连续投影算法(successive projections algorithm)作为一种使矢量空间共线性最小化的前向变量选择算法，用于剔除光谱冗余信息。设光谱矩阵为Xn×p，其中n为样本容量，p为全谱波长数，要选出m个最优波长，步骤如下：
(1)：第1次迭代之前(n＝1)，将训练集光谱矩阵X的第k列赋值给x(k(l))，k∈(1，2，…，p)；
(2)：令S为所有未被选入的波长变量的集合，S＝{k,1≤k≤p，
(3)：计算剩余列向量xk与当前所选向量的投影；
(4)：记下投影值范数最大的波长的位置k(n+1)＝arg[mac(‖x(k(n+1)))‖)]，n∈S；
(5)：令n＝n+1，若n＜p，返回第2步进行下一波长矢量的选择；
(6)：分别使用各子集中的变量建立多元线性回归(简称YILR)模型，选出均方根误差(简称RMSE)最小的子集，然后进行逐步回归建模，在尽量不损失预测准确度的前提下，得到1个变量数较少的集合。
所得的集合中的波长变量即为所选有效波长。
七、构建小麦粉呕吐毒素判别模型
上述步骤(7)构建判别模型时，Kenstone算法和随机法对样本的建模集与验证集进行挑选，选取2/3样品的数据用于模型构建，剩余1/3样品作为预测集样本；建模时，对于光谱和图像信息的融合，融合方式为特征层融合，即先分别从图像信息数据和光谱信息数据中提取特征信息，然后在所提的特征信息的基础上进行融合，步骤如下：
假设A和B是定义在模式样本空间Ω上的两个特征空间；对于任意的样ξ∈Ω，且相应的两个特征矢量为α∈A和β∈B，那么ξ的组合特征可以定义为γ＝(α，β)T；显然，如果特征矢量是一个n维的矢量，而另一组特征矢量是m维矢量，那么组合特征则为n+m维；所有模式样本的组合特征空间形成一个n+m维的组合特征空间。
具体地，构建判别模型时，采用Kenstone算法或者随机法对样本的建模集与验证集进行挑选，分别选取2/3样品的数据用于模型构建，剩余1/3样品作为预测集样本；建模时，对于光谱和图像信息的融合，融合方式为特征层融合，融合后的特征为17个，其中先分别从图像信息数据和光谱信息数据中提取特征信息，然后在所提的特征信息的基础上进行融合建模，将实际待检测的小麦数据输入判别模型进行分析后，与设定的DON阈值(例如国标的1000μg/kg)进行比对，超出阈值范围的则判定超标，否则不超标。
本实施例中，基于17维度融合特征建立的判别模型为：
y＝0.2356·λ388.48+0.1613·λ381.44+0.2093·λ995.76+0.1914·λ367.41+
0.1614·λ366.41-0.0133·IR+0.2003·IG+0.3447·IB+0.2438·Ir+0.3123·
Ig+0.3169·Ib-0.1377·IH-0.3556·IS+0.2467·II+0.2798·Ih+0.1213·
Is+0.3100·Ii
其中，λ为不同特征波长处的高光谱反射率值，IR、IG、IB和IH、IS、II分别代表提取的图像参数的R、G、B和H、I、S的均值，Ir、Ig、Ib和Ih、Is、Ii分别代表提取的图像参数的R、G、B和H、I、S的方差。
下表1表示了模型判别结果的示例。
表1模型判别结果表
| 特征变量 | 建模集准确率(％) | 预测集准确率(％) | |
| Kenstone-单光谱模型 | 5 | 83.85 | 81.54 |
| Kenstone-融合模型 | 17 | 93.85 | 92.31 |
| 随机算法-单光谱模型 | 5 | 92.31 | 90.77 |
| 随机算法-融合模型 | 17 | 96.15 | 95.38 |
由图示以及表1的结果可见，SPA提取方法所建立的LDA模型，判别结果均在80％以上，表明基于特征波长构建的识别模型均能对小麦呕吐毒素是否超标进行良好的判别。而单一光谱信息建模的预测结果在80％以上，由于镰刀菌的呼吸作用会分解大分子物质，当小麦中DON含量增加时，淀粉、蛋白质和脂肪会发生不同程度的变化，同时镰刀菌产生的DON会进入淀粉和蛋白质中从而导致淀粉和蛋白质之间的结合变疏松，进而导致粗淀粉和粗蛋白的含量降低。但镰刀菌的生长需要消耗能量，同时导致脂肪的氧化，故粗脂肪的含量逐渐下降，脂肪酸值在逐渐上升。这一系列内部结构的改变使得样本的光谱信息产生了明显的变化。
为此，我们采用融合图像信息和光谱信息的方式进行融合建模，利用冗余和互补的数据改善输出性能，从对比结果来看，信息融合后的样品判别准确率较之单一光谱信息的准确率，有很大的改善，准确率均能提升到90％以上。融合是将光谱和颜色特征参数进行特征层融合(不论是采用Kenstone或者随机算法对样本进行分类预测)，本实施例的RGB分量直方图突出了呕吐毒素超标和不超标的样品的RGB的分量的差异，呕吐毒素超标的样本和蓝色分量值均低于不超标的样本，而其中的颜色特征参数体现了一部分呕吐毒素的信息，有效提高融合后的模型效果和鲁棒性。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。
Claims (2)
1.一种基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法，其特征在于，包括：
步骤1、样本制备
取得受呕吐毒素侵染的小麦样品，筛除样品中的杂质，将样品磨粉，于-4℃储藏备用；
步骤2、小麦中呕吐毒素含量高效液相色谱测定
利用高效液相色谱法检测小麦粉中的脱氧雪腐镰刀菌烯醇，获取样品的DON含量水平，依据国标GB 2617-2017，将小麦粉样品分为超标和不超标两类；
步骤3、获取小麦原始高光谱三维图像
利用高光谱成像系统采集400～1000nm波段内的光谱和图像信息，获得样品中每个像素点在不同波长下的图像信息，得到样品的三维高光谱图像；
步骤4、提取感兴趣区域
采用九宫格法对高光谱图像划分并提取感兴趣区域；
步骤5、高光谱三维图像预处理
对样品原始高光谱图像进行图像校正、图像分割及小麦粉图像参数提取处理，并获得样品的光谱数据；
步骤6、提取特征波长
采用特征波长提取方法对可见光波段样品的平均光谱数据进行特征波长选择；
步骤7、构建小麦粉呕吐毒素判别模型
基于特征波长对应的平均光谱数据和特征参数对应的图像数据，以及光谱和图像特征融合后的17个特征数据，建立呕吐毒素判别模型，并根据实际检测的数据判断小麦中呕吐毒素是否超标；
其中所述17个特征数据分别为：
5个不同特征波长处的高光谱反射率值，对应为5个特征数据，所述5个不同特征波长分别为388.48nm、381.44nm、995.76nm、367.41nm与366.41nm；提取的图像参数的R、G、B和H、I、S的均值IR、IG、IB和IH、IS、II，对应为6个特征数据；以及提取的图像参数的R、G、B和H、I、S的方差Ir、Ig、Ib和Ih、Is、Ii，对应为6个特征数据；
其中，在所述步骤7中，构建判别模型时，采用Kenstone算法或者随机法对样本的建模集与验证集进行挑选，分别选取2/3样品的数据用于模型构建，剩余1/3样品作为预测集样本；建模时，对于光谱和图像信息的融合，融合方式为特征层融合，融合后的特征为17个，其中先分别从图像信息数据和光谱信息数据中提取特征信息，然后在所提的特征信息的基础上进行融合建模，将实际待检测的小麦数据输入判别模型进行分析后，与设定的DON阈值进行比对，超出阈值范围的则判定超标，否则不超标；
在构建判别模型时，假设A和B是定义在模式样本空间Ω上的两个特征空间；对于任意的样ξ∈Ω，且相应的两个特征矢量为α∈A和β∈B，那么ξ的组合特征定义为γ＝(α，β)T；则，如果特征矢量是一个n维的矢量，而另一组特征矢量是m维矢量，那么组合特征则为n+m维；如此，将所有模式样本的组合特征空间形成一个n+m维的组合特征空间，其中n+m＝17；
基于光谱和图像特征融合后的数据所建立的呕吐毒素判别模型为：
y＝0.2356·λ388.48+0.1613·λ381.44+0.2093·λ995.76+0.1914·λ367.41+0.1614·λ366.41-0.0133·IR+0.2003·IG+0.3447·IB+0.2438·Ir+0.3123·Ig+0.3169·Ib-0.1377·IH-0.3556·IS+0.2467·II+0.2798·Ih+0.1213·Ia+0.3100·Ii
其中，λ为不同特征波长处的高光谱反射率值。
2.根据权利要求1所述的基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法，其特征在于，在所述步骤5中，小麦原始高光谱三维图像预处理包括以下步骤：
(1)对原始高光谱图像进行基于黑白版的图像校正处理；
(2)对原始高光谱图像进行均值滤波处理，去除样品中的噪音；
(3)提取这一区域图像的颜色特征参数，包括RGB颜色模型和HIS颜色模型中的各颜色分量均值和方差参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911039334.9A CN110596280B (zh) | 2019-10-29 | 2019-10-29 | 基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911039334.9A CN110596280B (zh) | 2019-10-29 | 2019-10-29 | 基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110596280A CN110596280A (zh) | 2019-12-20 |
| CN110596280B true CN110596280B (zh) | 2022-04-05 |
Family
ID=68851865
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911039334.9A Active CN110596280B (zh) | 2019-10-29 | 2019-10-29 | 基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110596280B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111310571B (zh) * | 2020-01-17 | 2022-11-22 | 中国科学院长春光学精密机械与物理研究所 | 一种基于空谱维滤波的高光谱图像分类方法及装置 |
| CN111398199A (zh) * | 2020-04-29 | 2020-07-10 | 中国农业大学 | 一种基于高光谱成像的小麦面粉微量元素快速检测方法 |
| CN111767863B (zh) * | 2020-07-01 | 2023-10-31 | 安徽大学 | 一种基于近地高光谱技术冬小麦赤霉病遥感识别方法 |
| CN113505918B (zh) * | 2021-06-25 | 2022-02-01 | 国家粮食和物资储备局科学研究院 | 一种动态预测小麦收获期呕吐毒素含量的方法及系统 |
| CN113505919B (zh) * | 2021-06-25 | 2022-02-25 | 国家粮食和物资储备局科学研究院 | 一种基于关键因素预测收获小麦呕吐毒素的方法及系统 |
| CN113959961B (zh) * | 2021-12-22 | 2022-03-08 | 广东省农业科学院动物科学研究所 | 一种基于高光谱图像的单宁添加剂防伪检测方法及系统 |
| CN115797812B (zh) * | 2023-02-09 | 2023-04-14 | 北京和颐林生物科技有限公司 | 用于改善睡眠的高sod含量麦类产程中共生液施控方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106203522A (zh) * | 2016-07-15 | 2016-12-07 | 西安电子科技大学 | 基于三维非局部均值滤波的高光谱图像分类方法 |
| CN108663339A (zh) * | 2018-05-15 | 2018-10-16 | 南京财经大学 | 基于光谱和图像信息融合的霉变玉米在线检测方法 |
| CN109657653A (zh) * | 2019-01-21 | 2019-04-19 | 安徽大学 | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 |
| CN109883967A (zh) * | 2019-02-26 | 2019-06-14 | 江苏大学 | 一种基于信息融合的中华绒螯蟹品质等级判别方法 |
| CN110082298A (zh) * | 2019-05-15 | 2019-08-02 | 南京农业大学 | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 |
| CN110132862A (zh) * | 2019-05-30 | 2019-08-16 | 安徽大学 | 小麦赤霉病检测专属病情指数构建方法及其应用 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6771400B2 (en) * | 2001-03-16 | 2004-08-03 | Larry Kleiman | Hyperspectral system for capturing graphical images |
| US7340099B2 (en) * | 2003-01-17 | 2008-03-04 | University Of New Brunswick | System and method for image fusion |
-
2019
- 2019-10-29 CN CN201911039334.9A patent/CN110596280B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106203522A (zh) * | 2016-07-15 | 2016-12-07 | 西安电子科技大学 | 基于三维非局部均值滤波的高光谱图像分类方法 |
| CN108663339A (zh) * | 2018-05-15 | 2018-10-16 | 南京财经大学 | 基于光谱和图像信息融合的霉变玉米在线检测方法 |
| CN109657653A (zh) * | 2019-01-21 | 2019-04-19 | 安徽大学 | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 |
| CN109883967A (zh) * | 2019-02-26 | 2019-06-14 | 江苏大学 | 一种基于信息融合的中华绒螯蟹品质等级判别方法 |
| CN110082298A (zh) * | 2019-05-15 | 2019-08-02 | 南京农业大学 | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 |
| CN110132862A (zh) * | 2019-05-30 | 2019-08-16 | 安徽大学 | 小麦赤霉病检测专属病情指数构建方法及其应用 |
Non-Patent Citations (4)
| Title |
|---|
| DETERMINATION AND VISUALIZATION OF DIFFERENT LEVELS OF DEOXYNIVALENOL IN BULK WHEAT KERNELS BY HYPERSPECTRAL IMAGING;Liang K 等;《Journal of Applied Spectroscopy》;20181031;第85卷(第5期);第953-961页 * |
| 基于ICO-SPA特征提取的近红外高光谱小麦赤霉病粒呕吐毒素含量预测;丁静 等;《麦类作物学报》;20190623;第39卷(第7期);第867-876页 * |
| 基于高光谱图像和光谱信息融合的马铃薯多指标检测方法;金瑞 等;《农业工程学报》;20150831;第31卷(第16期);第258-263页 * |
| 基于高光谱成像技术的小麦籽粒赤霉病识别;梁琨 等;《农业机械学报》;20160229;第47卷(第2期);第309-315页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110596280A (zh) | 2019-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110596280B (zh) | 基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法 | |
| CN109657653B (zh) | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 | |
| Zhang et al. | Integrating spectral and image data to detect Fusarium head blight of wheat | |
| CN110132862A (zh) | 小麦赤霉病检测专属病情指数构建方法及其应用 | |
| 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 | |
| Ganesh Babu et al. | Different stages of disease detection in squash plant based on machine learning | |
| CN113920376B (zh) | 一种基于轻量型卷积神经网络的小麦种子品种鉴别的方法 | |
| CN104990892B (zh) | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 | |
| CN109883967B (zh) | 一种基于信息融合的中华绒螯蟹品质等级判别方法 | |
| CN110363125A (zh) | 采用模型传递识别不同品种柑橘黄龙病的方法 | |
| CN107748165A (zh) | 基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法 | |
| Yan et al. | Application and interpretation of deep learning methods for the geographical origin identification of Radix Glycyrrhizae using hyperspectral imaging | |
| CN116844053B (zh) | 一种小麦种植区域识别方法、系统、电子设备及存储介质 | |
| CN116152524A (zh) | 一种小麦种子分类方法 | |
| Cheng et al. | CACFTNet: A hybrid cov-attention and cross-layer fusion transformer network for hyperspectral image classification | |
| Wang et al. | Nondestructive identification of millet varieties using hyperspectral imaging technology | |
| Wang et al. | Characterization and classification of urban weed species in northeast China using terrestrial hyperspectral images | |
| CN115690781A (zh) | 一种基于多光谱图像的果树病害识别方法及系统 | |
| CN114694043A (zh) | 复杂场景下机载多光谱多域优选特征的地面伤员识别方法、装置及介质 | |
| CN118212481A (zh) | 一种基于深度学习的高光谱图像目标智能检测方法 | |
| CN105606544A (zh) | 无损检测冬虫夏草虫体真伪的方法 | |
| CN117288692A (zh) | 一种酿酒粮食中单宁含量的检测方法 | |
| CN105527241A (zh) | 无损检测冬虫夏草原草真伪的方法 | |
| CN116824171A (zh) | 中医高光谱舌象图像波段的选择方法及相关装置 | |
| CN108021874A (zh) | 一种基于空-谱结合的高光谱端元提取预处理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 |