CN111445469A - 一种基于高光谱的苹果冲击后损伤参数的无损预测方法 - Google Patents
一种基于高光谱的苹果冲击后损伤参数的无损预测方法 Download PDFInfo
- Publication number
- CN111445469A CN111445469A CN202010293066.XA CN202010293066A CN111445469A CN 111445469 A CN111445469 A CN 111445469A CN 202010293066 A CN202010293066 A CN 202010293066A CN 111445469 A CN111445469 A CN 111445469A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- damage
- original
- image
- sample
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001228 spectrum Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims description 18
- 238000002310 reflectometry Methods 0.000 claims description 15
- 238000009499 grossing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 230000001066 destructive effect Effects 0.000 claims description 2
- 238000009530 blood pressure measurement Methods 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 abstract description 35
- 238000011161 development Methods 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000001953 sensory effect Effects 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 3
- 241000220225 Malus Species 0.000 description 29
- 238000005516 engineering process Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 235000021016 apples Nutrition 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 2
- 239000004810 polytetrafluoroethylene Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 208000034656 Contusions Diseases 0.000 description 1
- -1 Polytetrafluoroethylene Polymers 0.000 description 1
- 235000010724 Wisteria floribunda Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000003094 microcapsule Substances 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
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000013097 stability assessment Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于高光谱的苹果冲击后损伤参数的无损预测方法，包括以下步骤，获取样品跌落损伤的平均压强和接触力；获取样品的高光谱图像；对高光谱图像进行黑白校正，提取校正后高光谱图像损伤区域的平均光谱；获取平均光谱的特征波长；建立高光谱数据与损伤参数的预测模型。本发明的有益效果是实现果品力学参数的预测，量化果品的损伤程度，可以为评估果品的机械损伤提供重要依据，相对于传统的人工感官检测及计算相关参数的方法，可以节省时间，提高效率，能实现快速、无损评估与预测，对果品市场的产业发展有重要意义。
Description
技术领域
本发明属于果品无损预测技术领域，尤其是涉及一种基于高光谱的苹果冲击后损伤参数的无损预测方法。
背景技术
苹果因其丰富的营养以及松脆的口感一直广受消费者喜爱，是市场上销量最高的水果之一。根据国家统计局的数据来源：2018年中国生产苹果3923.4万吨，出口总值达13亿美元。苹果产量很高，但是在收获、包装、运输和储存过程中不可避免地会受到外力的影响。水果由于机械损伤造成的经济损失约占总体的30％。据调查，机械损伤是苹果品质和价值下降的主要原因，其中冲击损伤最为常见。水果受到冲击损伤后在储存过程中生理变化会加剧，从而加速果实的腐烂，减少保质期。由于缺乏对苹果损伤程度的客观定量评估，因此无法准确估算经济损失。人工感官检测苹果损伤程度费时费力，难以适应工业化大规模苹果品质分级的趋势。
发明内容
鉴于上述问题，本发明提供一种基于高光谱的苹果冲击后损伤参数的无损预测方法，以解决现有技术存在的以上或者其他前者问题。
为解决上述技术问题，本发明采用的技术方案是：一种基于高光谱的苹果冲击后损伤参数的无损预测方法，包括以下步骤，
获取样品跌落损伤的平均压强和接触力；
获取样品的原始高光谱图像；
对原始高光谱图像进行黑白校正，提取校正后高光谱图像损伤区域的平均光谱；
获取平均光谱的特征波长；
建立高光谱数据与损伤参数的预测模型。
进一步的，获取样品跌落损伤的平均压强和接触力步骤中，采用压力测量装置测量样品跌落损伤的平均压强和接触力，并通过压力扫描系统获取平均压强和接触力的参数值。
进一步的，压力测量装置为感压胶片，感压胶片为超低压LLLW型胶片，测量范围为0.2-0.6MPa。
进一步的，获取原始样品的高光谱图像步骤中，分别获取未损伤样品的原始高光谱数据和损伤样品的高光谱数据。
进一步的，对原始高光谱图像进行黑白校正，提取校正后高光谱图像损伤区域的平均光谱的步骤中，包括以下步骤：
对原始高光谱图像的反射率进行校正：在与获取原始高光谱图像相同条件和参数设置下，通过采集白色校准板获取白板标定图像，通过相机盖覆盖相机镜头获取反射率为0％的全黑标定图像；
选择校正后高光谱图像的感兴趣区域，提取感兴趣区域的光谱均值。
进一步的，对原始高光谱图像的反射率进行校正的过程中，通过以下公式进行计算：
其中，I为校正后的高光谱图像，Ir为原始高光谱图像，Id为全黑标定图像，Iw为白板标定图像。
进一步的，获取平均光谱的特征波长的步骤中，采用SG 2nd Der对原始高光谱图像进行计算，选择特征波长。
进一步的，采用SG 2nd Der对原始高光谱图像进行计算时，计算步骤如下：
对平均光谱进行平滑处理，采用最小二乘卷积进行计算，计算方程如下：
其中，Y是原始光谱，Y*是平滑后光谱，Ci是平滑窗口，N是卷积整数的数量，j是原始坐标数据的运行索引，平滑数组由2m+1个点组成，其中m是平滑窗口的一半宽度；
对平滑处理后的光谱曲线依次进行一阶导数计算和二阶导数计算，获取特征波长，一阶导数计算公式为：
二阶导数的计算公式为：
其中，Δλ是相邻波段间隔，且Δλ＝λk-λj＝λj-λi,λk>λj>λi；
获取特征波长，特征波长为波峰和波谷。
进一步的，特征波长分别为967nm，1001nm，1100nm，1154nm，1190nm，1407nm和1443nm。
进一步的，建立高光谱数据与损伤参数的预测模型步骤中，根据获取的特征波长，采用PLS回归模型分别建立光谱数据与接触力、平均压强之间的预测模型。
由于采用上述技术方案，利用近红外高光谱技术并使用Savitzky-Golay二阶导数(SG 2nd Der)选取特征波长，基于苹果跌落实验使用感压胶片测量接触力和平均压强参数，基于偏最小二乘(PLS)回归模型建立了高光谱数据与测量参数之间的定量关系并寻找最优预测模型，将待检测果品样品的高光谱数据值输入模型，即可得到损伤参数对应的预测值，能快速有效地实现苹果损伤程度的定量表征，促进果品损伤程度的量化，有利于减少农产品经济损失，同时有利于高光谱农产品检测技术的发展；
该基于高光谱的苹果冲击后损伤参数的无损预测方法是一种快速、可靠的方法实现果品力学参数的预测，量化果品的损伤程度，可以为评估果品的机械损伤提供重要依据，相对于传统的人工感官检测及计算相关参数的方法，可以节省时间，提高效率，能实现快速、无损评估与预测，对果品市场的产业发展有重要意义；
在建模前通过采用SG 2nd Der方法提取特征波长，极大地提高了模型的运算效率，而且一定程度上提高了预测模型的准确度。
附图说明
图1为本发明一实施例的流程图；
图2为本发明一实施例的经过反射率校正的苹果样品高光谱图像的原始光谱曲线图；
图3为本发明一实施例的利用SG 2nd Der提取特征光谱的结果图；
图4为本发明一实施例的基于PLS回归模型得出的接触力散点示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的说明。
图1示出了本发明一实施例的方法流程图，本实施例涉及一种基于高光谱的苹果冲击后损伤参数的无损预测方法，用于实现果品损伤程度量化，采用近红外高光谱技术进行果品受损程度的定量预测，能够快速有效的实现果品损伤程度的定量表征，有利于减少农产品经济损失，有利于高光谱农产品检测技术的发展。
一种基于高光谱的苹果冲击后损伤参数的无损预测方法，用于实现果品损伤程度量化，通过近红外高光谱技术，结合感压胶片的使用，采用SG 2ndDer提取特征波长，建立预测损伤参数的模型，即，通过果品的跌落冲击损伤实验，结合感压胶片测量样品损伤的平均压强和接触力，使用高光谱采集系统采集样品损伤区域的高光谱图像，同时采集黑白标定图像用于黑白校正，提取校正后高光谱图像中心损伤区域的平均光谱，基于所提取的光谱使用SG2nd Der方法提取特征波长，分别基于特征波长与损伤参数建立PLS回归模型。
具体地，该基于高光谱的苹果冲击后损伤参数的无损预测方法，以苹果样品为例进行说明，如图1所示，包括以下步骤，
获取样品跌落损伤的平均压强和接触力，通过跌落实验进行样品的损伤参数的采集：
在该获取样品跌落损伤的平均压强和接触力步骤中，采用压力测量装置测量样品跌落损伤的平均压强和接触力，并通过压力扫描系统获取平均压强和接触力的参数值，使得样品跌落损伤的压强和接触力实现量化，可以测量具体的参数值，具体为：
对苹果样品进行跌落试验，确定样品的损伤参数：选取形状规则的苹果样品进行平均分组，以其中一组作为对照组，其他组别作为实验组，实验组的数量根据实际需求进行选择，这里不做具体要求。
将实验组样品放置在跌落试验机托盘上，从不同的高度自由跌落产生冲击损伤。将压力测量装置放置在跌落试验机的冲击点钢板上以测量样品的损伤参数，使用压力扫描系统进行读取，以获得参数数值；其中，压力测量装置为感压胶片，该感压胶片优选为超低压LLLW型胶片，该胶片的测量范围为0.2～0.6MPa，测试精度≤±10％，感压胶片承受冲击力致胶片发色层微胶囊破裂，显色层出现红色，胶片的着色面积及显色的深浅表示不同的值，由压力扫描系统采集感压胶片的参数，得到接触力和平均压强，该压力扫描系统优选为FPD-8010专用扫描仪。
其中，每一组内果品的数量相同，其数量根据实际需求进行选择，这里不做具体要求，实验组内的果品在进行跌落试验时，分别从不同高度自由跌落，其高度根据实际需求进行选择，这里不做具体要求。例如：在本实施例中，选取240个没有任何瘀伤且形状规则的红富士苹果，选择标准为：样品高度约为7.5cm，赤道直径约为8cm，质量为185g±18g。将样品平均分为6组，每组包含40个水果。以其中一组作为对照组，获取原始光谱数据，其他5组作为实验组。将样品放置在跌落试验机托盘上，从不同的高度自由跌落产生冲击损伤，每组跌落的高度不同，每组的跌落高度分别为0.3m、0.6m、0.9m、1.2m和1.5m。
将感压胶片放置在跌落试验机的钢板上以测量接触力和平均压强，并使用FPD-8010专用扫描仪和校正板读取参数，以获得接触力和平均压强等参数。
获取样品的原始高光谱图像，分别获取未损伤的样品的原始高光谱数据和损伤的样品的原始高光谱数据，具体包括以下步骤：
获取对照组的样品的原始高光谱数据：采用光谱相机进行对照组的高光谱图像采集，获取原始高光谱数据；
获取实验组的样品的原始高光谱数据：采用光谱相机进行实验组的高光谱图像采集，采集整体信息。
在进行实验组样品的高光谱数据采集的过程中，将样品置于移动平台上，受损区域正对光谱相机，通过平台的移动，采集整体信息，调整好高光谱采集系统的相关参数后，采集实验组样品的高光谱图像。
参数设置如下：样品与光谱相机的镜片之间的距离为28-36cm，曝光时间为18-22ms，移动平台的前进速度为0.72-0.80cm/s，每个波段的图像在其中一个维度的尺寸是固定值，其图像的大小为320x174像素-320x214像素。
由于CCD相机中的暗电流以及光照的不均匀性，首先要对获取的所有原始的高光谱图像的反射率进行校正，对高光谱图像进行黑白校正，提取校正后高光谱图像损伤区域的平均光谱，包括以下步骤：
对原始高光谱图像的反射率进行校正：在与获取原始高光谱图像相同条件和参数设置下，通过采集白色校准板获取白板标定图像，该白色校准板为标准聚四氟乙烯(PTFE)，反射率接近100％，通过相机盖覆盖相机镜头获取反射率为0％的全黑标定图像，该相机盖完全不透明，反射率为0％。
对原始高光谱图像的反射率进行校正的过程中，通过以下公式进行计算：
其中，I为校正后的高光谱图像，Ir为原始高光谱图像，Id为全黑标定图像，Iw为白板标定图像。
图2显示了本实施例经过反射率校正的苹果样品高光谱图像的原始光谱曲线图，选择校正后高光谱图像的感兴趣区域，提取感兴趣区域(ROI)的光谱均值，选择校正后图像中果品损伤区域正中间部位作为ROI，通过ENVI5.1软件提取该区域所有像素点的光谱均值，提取ROI的平均光谱。
对样品光谱数据进行分析，获取平均光谱的特征波长：
对光谱数据进行预处理，预处理方法包括：标准正态变换(SNV)、多元散射校正(MSC)、Norris一阶导数(1st Der)和Norris二阶导数(2nd Der)。不同预处理后数据建模结果表明基于原始光谱数据结果最优，因此以下光谱数据处理基于原始光谱数据，为了提高模型的分析效率同时保持较高的稳定性，采用SG 2nd Der对原始高光谱数据进行计算，选择特征波长，通过二阶导数提取特征波长，有助于消除冗余信息，快速提取特征波段，使得模型更适合在线监测。
采用SG 2nd Der对原始高光谱图像进行计算时，其基本原理及计算步骤如下：
Savitzky和Golay使用简化最小二乘拟合卷积来平滑和计算一组连续值的导数，因此，对平均光谱进行平滑处理，采用最小二乘卷积进行计算，简化的最小二乘卷积的计算方程如下：
其中，Y是原始光谱，Y*是平滑后光谱，Ci是平滑窗口，即，滤波器的第i个光谱值的系数，N是卷积整数的数量，j是原始坐标数据的运行索引，平滑数组由2m+1个点组成，其中m是平滑窗口的一半宽度；
光谱导数对光谱信噪比非常敏感，对平滑处理后的光谱曲线依次进行一阶导数计算和二阶导数计算，获取特征波长，一阶导数计算公式为：
二阶导数的计算公式为：
其中，Δλ是相邻波段间隔，且Δλ＝λk-λj＝λj-λi,λk>λj>λi；
在算法运行结束后可得二阶导数光谱曲线图，获取特征波长，特征波长为波峰和波谷，根据实际二阶导数光谱曲线图进行特征波长的波长选择及特征波长的数量的选择。
图3是本实施例使用SG 2nd Der提取特征光谱的结果图，特征峰值选为特征波长建立模型，选取了7个变量，则特征波长分别为967nm，1001nm，1100nm，1154nm，1190nm，1407nm和1443nm。
建立高光谱数据与损伤参数的预测模型，根据获取的特征波长，采用PLS回归模型分别建立光谱数据与接触力、平均压强之间的预测模型。
从样本中选取3/4作为建模集，其余1/4作为预测集，依据所选特征波段，采用PLS回归模型分别建立光谱数据与接触力、平均压强之间的预测模型。将因子分析和回归分析相结合，对光谱矩阵X和参数矩阵Y同时进行主成分分解，求取潜在变量，并采用留一法交叉验证计算预测残差平方和，再根据潜在变量的累积贡献率和预测残差平方和，寻找最佳的潜在变量个数将X和Y关联，建立两者的线性回归模型。将预测集相关系数(RP)和预测集均方根误差(RMSEP)作为对模型的稳定性评估的依据。RP越接近1，RMSEP越小，则表示模型越稳定。同样地，对于校正集、交叉验证集的样品，对应的相关系数和均方根误差分别为RC和RMSEC、RCV和RMSECV。
表1给出了本实施例基于SG 2nd Der的苹果参数的PLS回归模型的预测结果。通过表中数据可知基于SG 2nd Der提取特征波长所建立的预测模型取得的了较好的结果，表1表明预测集的结果接近于校正集和验证集。对于接触力，RC和RCV值均为0.91。接触力的RP和RMSEP的预测结果分别为0.91和65.91N。进一步表明，基于SG 2nd Der方法提取的特征波长基本覆盖了苹果的特征信息，PLS回归可以准确预测损伤参数。由于该模型仅使用7个变量，因此与全波长相比，速度和效率得到了显著提高，有利于实际应用。
表1基于SG 2nd Der提取特征波长的PLS回归模型的性能
图4显示了本实施例建模和预测集的预测值和测量值的散点图，x轴表示参数实际测量值，y轴表示预测值，样本点分布在回归线附近，回归线相对接近回归线，表明存在明显的线性关系。散点图结果表明，基于SG 2nd Der算法提取的特征波长基本覆盖了苹果果实的特征信息，结合PLS回归可以准确预测损伤参数。
平均压强的预测结果稍差，RP为0.73，鲁棒性有待提高。预测结果不理想的原因是平均压强通过感压胶片所采集的接触力除以损伤面积计算，由于所选胶片型号的限制，超出范围的接触力无法显示准确的数据，从而导致计算中存在一定范围的误差，但仍可为平均压强参数的预测提供一定程度的借鉴。
样品损伤参数的无损快速测定：采集待测损伤果品的高光谱数据，将样品的特征光谱数据输入预测模型即可得到迅速得到平均压强和接触力，从而作为损伤程度的判断依据。
由于采用上述技术方案，利用近红外高光谱技术并使用SG 2nd Der选取特征波长，基于苹果跌落实验使用感压胶片测量接触力和平均压强参数，基于PLS回归模型建立了高光谱数据与测量参数之间的定量关系并寻找最优预测模型，将待检测果品样品的高光谱数据值输入模型，即可得到损伤参数对应的预测值，能快速有效地实现苹果损伤程度的定量表征，促进果品损伤程度的量化，有利于减少农产品经济损失，同时有利于高光谱农产品检测技术的发展；
该基于高光谱的苹果冲击后损伤参数的无损预测方法是一种快速、可靠的方法实现果品力学参数的预测，量化果品的损伤程度，可以为评估果品的机械损伤提供重要依据，相对于传统的人工感官检测及计算相关参数的方法，可以节省时间，提高效率，能实现快速、无损评估与预测，对果品市场的产业发展有重要意义；
在建模前通过采用SG 2nd Der方法提取特征波长，极大地提高了模型的运算效率，而且一定程度上提高了预测模型的准确度。
以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (10)
1.一种基于高光谱的苹果冲击后损伤参数的无损预测方法，其特征在于：包括以下步骤，
获取样品跌落损伤的平均压强和接触力；
获取所述样品的原始高光谱图像；
对所述原始高光谱图像进行黑白校正，提取校正后高光谱图像损伤区域的平均光谱；
获取所述平均光谱的特征波长；
建立高光谱数据与损伤参数的预测模型。
2.根据权利要求1所述的基于高光谱的苹果冲击后损伤参数的无损预测方法，其特征在于：所述获取样品跌落损伤的平均压强和接触力步骤中，采用压力测量装置测量所述样品跌落损伤的平均压强和接触力，并通过压力扫描系统获取所述平均压强和接触力的参数值。
3.根据权利要求2所述的基于高光谱的苹果冲击后损伤参数的无损预测方法，其特征在于：所述压力测量装置为感压胶片，所述感压胶片为超低压LLLW型胶片，测量范围为0.2-0.6MPa。
4.根据权利要求1-3任一项所述的基于高光谱的苹果冲击后损伤参数的无损预测方法，其特征在于：所述获取样品的原始高光谱图像步骤中，分别获取未损伤样品的原始高光谱数据和损伤样品的原始高光谱数据。
5.根据权利要求1-4任一项所述的基于高光谱的苹果冲击后损伤参数的无损预测方法，其特征在于：所述对原始高光谱图像进行黑白校正，提取校正后高光谱图像损伤区域的平均光谱的步骤中，包括以下步骤：
对所述原始高光谱图像的反射率进行校正：在与获取所述原始高光谱图像相同条件和参数设置下，通过采集白色校准板获取白板标定图像，通过相机盖覆盖相机镜头获取反射率为0％的全黑标定图像；
选择校正后高光谱图像的感兴趣区域，提取所述感兴趣区域的光谱均值。
6.根据权利要求5所述的基于高光谱的苹果冲击后损伤参数的无损预测方法，其特征在于：所述对原始高光谱图像的反射率进行校正的过程中，通过以下公式进行计算：
其中，I为校正后的高光谱图像，Ir为原始高光谱图像，Id为全黑标定图像，Iw为白板标定图像。
7.根据权利要求1-6任一项所述的基于高光谱的苹果冲击后损伤参数的无损预测方法，其特征在于：所述获取所述平均光谱的特征波长的步骤中，采用SG 2nd Der对所述原始高光谱图像进行计算，选择所述特征波长。
8.根据权利要求7所述的基于高光谱的苹果冲击后损伤参数的无损预测方法，其特征在于：所述采用SG 2nd Der对原始高光谱图像进行计算时，计算步骤如下：
对所述平均光谱进行平滑处理，采用最小二乘卷积进行计算，计算方程如下：
其中，Y是原始光谱，Y*是平滑后光谱，Ci是平滑窗口，N是卷积整数的数量，j是原始坐标数据的运行索引，平滑数组由2m+1个点组成，其中m是平滑窗口的一半宽度；
对平滑处理后的光谱曲线依次进行一阶导数计算和二阶导数计算，获取所述特征波长，所述一阶导数计算公式为：
所述二阶导数的计算公式为：
其中，Δλ是相邻波段间隔，且Δλ＝λk-λj＝λj-λi,λk>λj>λi；
获取所述特征波长，所述特征波长为波峰和波谷。
9.根据权利要求8所述的基于高光谱的苹果冲击后损伤参数的无损预测方法，其特征在于：所述特征波长分别为967nm，1001nm，1100nm，1154nm，1190nm，1407nm和1443nm。
10.根据权利要求1所述的基于高光谱的苹果冲击后损伤参数的无损预测方法，其特征在于：所述建立高光谱数据与损伤参数的预测模型步骤中，根据获取的所述特征波长，采用PLS回归模型分别建立光谱数据与接触力、平均压强之间的预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010293066.XA CN111445469A (zh) | 2020-04-15 | 2020-04-15 | 一种基于高光谱的苹果冲击后损伤参数的无损预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010293066.XA CN111445469A (zh) | 2020-04-15 | 2020-04-15 | 一种基于高光谱的苹果冲击后损伤参数的无损预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111445469A true CN111445469A (zh) | 2020-07-24 |
Family
ID=71656018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010293066.XA Pending CN111445469A (zh) | 2020-04-15 | 2020-04-15 | 一种基于高光谱的苹果冲击后损伤参数的无损预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111445469A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329296A (zh) * | 2020-10-28 | 2021-02-05 | 天河超级计算淮海分中心 | 水果机械损伤计算方法、装置、计算机设备及存储介质 |
| CN113008815A (zh) * | 2021-02-24 | 2021-06-22 | 浙江工业大学 | 一种基于高光谱图像信息无损检测酸枣仁中总黄酮的方法 |
| CN113643388A (zh) * | 2021-10-14 | 2021-11-12 | 深圳市海谱纳米光学科技有限公司 | 一种用于高光谱图像的黑帧标定、矫正方法和系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11148865A (ja) * | 1997-11-17 | 1999-06-02 | Kurabo Ind Ltd | ２次元表現によるスペクトルデータの処理方法及び補正方法 |
| WO2015147403A1 (ko) * | 2014-03-28 | 2015-10-01 | 강원대학교산학협력단 | 근적외 분광법을 이용하여 원료 및 형태가 다른 다양한 식품에 함유된 영양성분의 함량을 동시에 분석하는 방법 |
| CN105021617A (zh) * | 2015-07-14 | 2015-11-04 | 华中农业大学 | 基于高光谱成像的整株水稻叶绿素含量测量装置及方法 |
| CN107271375A (zh) * | 2017-07-21 | 2017-10-20 | 石河子大学 | 一种羊肉品质指标的高光谱图像检测方法 |
| CN109100323A (zh) * | 2018-08-20 | 2018-12-28 | 江苏大学 | 一种苹果水心病的透射光谱无损定量评价方法 |
| CN110320165A (zh) * | 2019-08-08 | 2019-10-11 | 华南农业大学 | 香蕉可溶性固形物含量的可见/近红外光谱无损检测方法 |
| 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 |
-
2020
- 2020-04-15 CN CN202010293066.XA patent/CN111445469A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11148865A (ja) * | 1997-11-17 | 1999-06-02 | Kurabo Ind Ltd | ２次元表現によるスペクトルデータの処理方法及び補正方法 |
| WO2015147403A1 (ko) * | 2014-03-28 | 2015-10-01 | 강원대학교산학협력단 | 근적외 분광법을 이용하여 원료 및 형태가 다른 다양한 식품에 함유된 영양성분의 함량을 동시에 분석하는 방법 |
| CN105021617A (zh) * | 2015-07-14 | 2015-11-04 | 华中农业大学 | 基于高光谱成像的整株水稻叶绿素含量测量装置及方法 |
| CN107271375A (zh) * | 2017-07-21 | 2017-10-20 | 石河子大学 | 一种羊肉品质指标的高光谱图像检测方法 |
| CN109100323A (zh) * | 2018-08-20 | 2018-12-28 | 江苏大学 | 一种苹果水心病的透射光谱无损定量评价方法 |
| CN110320165A (zh) * | 2019-08-08 | 2019-10-11 | 华南农业大学 | 香蕉可溶性固形物含量的可见/近红外光谱无损检测方法 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| DOUGLAS BARBIN等: "Near-infrared hyperspectral imaging for grading and classification of pork", 《MEAT SCIENCE》 * |
| 吴瑾光: "《近代傅里叶变换红外光谱技术及应用 下》", 31 December 1994 * |
| 徐夺花: "基于高光谱成像技术的典型水果冲击损伤的研究", 《硕士电子期刊工程科技Ⅰ辑》 * |
| 王志慧, 黄河水利出版社 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329296A (zh) * | 2020-10-28 | 2021-02-05 | 天河超级计算淮海分中心 | 水果机械损伤计算方法、装置、计算机设备及存储介质 |
| CN113008815A (zh) * | 2021-02-24 | 2021-06-22 | 浙江工业大学 | 一种基于高光谱图像信息无损检测酸枣仁中总黄酮的方法 |
| CN113643388A (zh) * | 2021-10-14 | 2021-11-12 | 深圳市海谱纳米光学科技有限公司 | 一种用于高光谱图像的黑帧标定、矫正方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Nondestructive measurement of soluble solids content in apple using near infrared hyperspectral imaging coupled with wavelength selection algorithm | |
| CN111968080B (zh) | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 | |
| Huang et al. | Rapid and nondestructive prediction of amylose and amylopectin contents in sorghum based on hyperspectral imaging | |
| Zhang et al. | Fast prediction of sugar content in Dangshan pear (Pyrus spp.) using hyperspectral imagery data | |
| Mendoza et al. | Integrated spectral and image analysis of hyperspectral scattering data for prediction of apple fruit firmness and soluble solids content | |
| Talens et al. | Prediction of water and protein contents and quality classification of Spanish cooked ham using NIR hyperspectral imaging | |
| Hu et al. | Estimating blueberry mechanical properties based on random frog selected hyperspectral data | |
| CN109100323B (zh) | 一种苹果水心病的透射光谱无损定量评价方法 | |
| CN110411957B (zh) | 水果货架期及新鲜程度的无损快速预测方法及装置 | |
| Qing et al. | Non-destructive analyses of apple quality parameters by means of laser-induced light backscattering imaging | |
| CN106596416A (zh) | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 | |
| Tang et al. | Multispectral imaging for predicting sugar content of ‘Fuji’apples | |
| CN111445469A (zh) | 一种基于高光谱的苹果冲击后损伤参数的无损预测方法 | |
| CN108956545B (zh) | 一种水果内部品质无损检测模型建立方法及系统 | |
| CN108169165B (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
| Yu et al. | Rapid and visual measurement of fat content in peanuts by using the hyperspectral imaging technique with chemometrics | |
| Zhu et al. | Study on the quantitative measurement of firmness distribution maps at the pixel level inside peach pulp | |
| CN111044483A (zh) | 一种基于近红外光谱的奶油中色素测定方法、系统和介质 | |
| Zhang et al. | Quantitative evaluation of impact damage to apples using NIR hyperspectral imaging | |
| Lin et al. | Prediction of protein content in rice using a near-infrared imaging system as diagnostic technique | |
| CN110609011A (zh) | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 | |
| Zhao et al. | Determination of apple firmness using hyperspectral imaging technique and multivariate calibrations | |
| Itoh et al. | Measurement of nitrate concentration distribution in vegetables by near-infrared hyperspectral imaging | |
| CN116008225A (zh) | 高光谱成像叶用银杏叶总黄酮含量检测方法 | |
| Zhang et al. | Analysis of moisture and total sugar content of Huizao based on surface images |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200724 |
|
| RJ01 | Rejection of invention patent application after publication |