CN203275285U - 一种基于高光谱成像的大米品质在线无损检测装置 - Google Patents
一种基于高光谱成像的大米品质在线无损检测装置 Download PDFInfo
- Publication number
- CN203275285U CN203275285U CN 201320188804 CN201320188804U CN203275285U CN 203275285 U CN203275285 U CN 203275285U CN 201320188804 CN201320188804 CN 201320188804 CN 201320188804 U CN201320188804 U CN 201320188804U CN 203275285 U CN203275285 U CN 203275285U
- Authority
- CN
- China
- Prior art keywords
- rice
- camera bellows
- sample
- image
- harm
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 132
- 235000009566 rice Nutrition 0.000 title claims abstract description 132
- 238000009659 non-destructive testing Methods 0.000 title abstract description 6
- 238000000701 chemical imaging Methods 0.000 title abstract description 5
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 131
- 238000001228 spectrum Methods 0.000 claims abstract description 52
- 230000003287 optical effect Effects 0.000 claims abstract description 3
- 238000001514 detection method Methods 0.000 claims description 27
- 229910052736 halogen Inorganic materials 0.000 claims description 17
- 150000002367 halogens Chemical class 0.000 claims description 17
- 238000012360 testing method Methods 0.000 abstract description 8
- 230000006378 damage Effects 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 65
- 238000000034 method Methods 0.000 description 23
- 230000003595 spectral effect Effects 0.000 description 17
- 235000013339 cereals Nutrition 0.000 description 16
- 238000004611 spectroscopical analysis Methods 0.000 description 10
- 210000003491 skin Anatomy 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000011521 glass Substances 0.000 description 4
- 238000003754 machining Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 210000001161 mammalian embryo Anatomy 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 235000014633 carbohydrates Nutrition 0.000 description 2
- 150000001720 carbohydrates Chemical class 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 235000013343 vitamin Nutrition 0.000 description 2
- 229940088594 vitamin Drugs 0.000 description 2
- 229930003231 vitamin Natural products 0.000 description 2
- 239000011782 vitamin Substances 0.000 description 2
- 150000003722 vitamin derivatives Chemical class 0.000 description 2
- FFRBMBIXVSCUFS-UHFFFAOYSA-N 2,4-dinitro-1-naphthol Chemical compound C1=CC=C2C(O)=C([N+]([O-])=O)C=C([N+]([O-])=O)C2=C1 FFRBMBIXVSCUFS-UHFFFAOYSA-N 0.000 description 1
- 229930195730 Aflatoxin Natural products 0.000 description 1
- XWIYFDMXXLINPU-UHFFFAOYSA-N Aflatoxin G Chemical compound O=C1OCCC2=C1C(=O)OC1=C2C(OC)=CC2=C1C1C=COC1O2 XWIYFDMXXLINPU-UHFFFAOYSA-N 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 239000005409 aflatoxin Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 229910052785 arsenic Inorganic materials 0.000 description 1
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001915 proofreading effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本实用新型公开了一种基于高光谱成像的大米品质在线无损检测装置，包括：暗箱；位于暗箱内，用于放置大米样品的移动平台；位于暗箱内，用于向大米样品发射检测光的光源，检测光的光轴与水平面的夹角为45～80度；用于采集大米样品的光谱和图像的图像采集模块；安装在暗箱内的伸展臂，所述图像采集模块安装在伸展臂的自由端；用于接收所述图像采集模块的信号计算大米样品品质的控制单元。本实用新型基于高光谱成像的大米品质在线无损检测装置，可以实现简单、快速、非破坏性的大米内外品质的同时检测，检测效率高，准确性好。
Description
技术领域
本实用新型涉及农产品检测领域，具体涉及一种基于高光谱成像的大米品质在线无损检测装置。
背景技术
大米内部营养成分有水分、蛋白质、脂肪、碳水化合物和矿物质等；此外，还有一定量的维生素。大米外部品质的指标有加工精度、光泽度、碎米率、杂质含量、不完善粒、垩白度、透明度、粒形等，同时，大米作为食品首先必须是卫生的，健康的，因此，通常需要检查大米中的农药残留量，砷、汞、铅等重金属的含量以及黄曲霉毒素等指标，检测指标对照国家有关的卫生标准，凡是超标的，一律为不合格产品。
大米没有皮壳保护，营养物质直接暴露于外，因此，对外界的温、湿、氧的影响比较敏感，吸湿性强，害虫、霉菌易于直接危害，易导致营养物质加速代谢，所以，大米容易受潮、发热、生霉、生虫，不耐储藏。
目前人工判别大米品质的方法主要有：
（1）新陈米的判别方法：
一看：大米等级越高，表皮去除越干净，含碎米、米糠、黄粒、霉变粒、病斑粒、砂石、草籽等杂物越少。
二闻：新米有自然清香味，色亮；陈米色暗，有异味或霉味。
三摸：新米光滑，手摸有凉爽感；陈米色暗，手摸有涩感，浮糠明显。
（2）霉变米的判别方法：
颜色：米粒表面已有水汽凝集，并产生黑点或绿点，说明大米已霉变。
气味：大米本身具有正常的清香味，如果闻到大米有一股怪味（霉味），即是因高温高湿大米脱糠，外表层生绿色，显而易见已经开始霉变。
霉变米主要表现为：
首先，米粒显得毛糙，不光洁，这是大米发霉的一个重要特征。
其次，“起眼”问题，由于大米胚部组织较松，含蛋白质、脂肪较多，一般情况下，霉菌容易从胚部侵入，使大米胚部变色，称为“起眼”，形成霉变。
最后，“起筋”问题，米粒侧面与背面有沟纹，如果变成白银色，以后又逐渐变成灰色，这种现象称为“起筋”，“起筋”会使米粒的光泽消失、变暗、甚至霉变。
目前，我国对大米精度的等级鉴别，是以米粒背沟和粒面留有多少皮层（即留皮程度）来决定的。根据第GB1354-2009号国家标准的规定，各类大米按加工精度分为特等、标准一等、标准二等和标准三等四级。各等级加工精度以国家制定的精度加工标准样品对照检验留皮程度如下：
特等：背沟有皮，粒面皮层基本去净的占85％以上。
标准一等：背沟有皮，粒面留皮不超过1/5的占80％以上。
标准二等：背沟有皮，粒面留皮不超过1/3的占5％以上。
标准三等：背沟有皮，粒面留皮不超过1/2的占0％以上。
新鲜正常的稻谷，色泽鲜黄色或金黄色，富有光泽，无不良气味，研究快速无损的检测大米内外品质的方法和装置成为迫切需要。
目前国内外对可见近红外光谱在水稻品质无损检测领域进行了一些基础研究，例如，何勇等人在申请公开号为CN10121086A的发明中公开了一种基于可见近红外多光谱成像的水稻养分信息测量方法，张晓东等人在申请公开号为CN201010255104A的发明中公开了一种环境可控的作物营养水分高光谱图像检测装置。国内学者的研究集中在农作物品质方面，如小麦、玉米、作物长势、水果、蔬菜和谷物等，但投入实际生产线应用的不多，原因主要是装置的通用性太差，检测速度慢，检测的精度不高和装置的制造成本高。
从以上国内的研究报道来看，国内使用高光谱成像技术在农产品品质分析方面，主要集中在谷物品质和部分果蔬内部品质的无损检验，而对大米重要内外部品质指标同时进行无损检测的方法和装置尚未有报道。
实用新型内容
本实用新型公开了一种基于高光谱成像的大米品质在线无损检测装置，可以实现简单、快速、非破坏性的大米内外品质的同时检测，检测效率高，准确性好。
一种基于高光谱成像的大米品质在线无损检测装置，包括：
暗箱；
位于暗箱内，用于放置大米样品的移动平台；
位于暗箱内，用于向大米样品发射检测光的光源，检测光与水平面的夹角为45～80度；
用于采集大米样品的光谱和图像的图像采集模块；
安装在暗箱内的伸展臂，所述图像采集模块安装在伸展臂的自由端；
用于接收所述图像采集模块的信号计算大米样品品质的控制单元。
收集同一品种，不同产地，不同收获和加工时期的各种等级的大米样品，将大米样品置于移动平台上，利用图像采集模块逐一线性扫描得到大米样品的光谱和图像信息，构建大米样品的校正集标准原始光谱。
对校正集标准原始光谱的进行校正与预处理，消除或减少背景干扰，提高光谱信号的质量；运用平滑、求导、标准正态变量变换和归一化光谱的预处理方法，把原来隐藏的信号差异放大，提高光谱的分辨率。
对获得的图像光谱信息数据进行数据预处理，预处理后的图像信息反映样品外部品质特征信息，包括霉变、陈化、暴腰、恶白度、粒形、缺陷、透明度、加工精度、光泽度、不完善粒、纹理、大小等信息，预处理后的光谱信息反映样品内部品质的特征信息，包括水分、蛋白质、脂肪、碳水化合物、矿物质、维生素。
处理图像信息时，用图像处理技术进行图像增强、图像平滑、边缘锐化、图像特征提取和图像识别等处理，提取出各种缺陷及损伤的图像，从大米图像中测量大米的外部信息，并建立数学模型计算大米形状特征参数，如缺陷区域的面积和缺陷区域的伸长度等参数。
针对待预测的大米样品，根据大米品质检测的标准，先对其中一部分样品进行感官评定，以及常规的理化分析，建立与大米品质等级质量相关的样品校正集的标准品质数据。利用图像采集模块获取这些大米样品的图像和光谱信息数据，并传输到控制单元（即计算机），控制单元上安装有光谱数据处理软件对大米样品图像和光谱信息进行处理，把大米样品光谱数据经过预处理后在数据层进行融合（融合方法包括独立变量分析、主成分分析、卷积分析和正交分析），融合后的光谱数据能够综合表征大米样品内、外部品质的特征信息，同时将样品内、外部品质的特征信息与样品校正集的标准品质数据进行关联分析，在控制单元中形成能够决定大米品质质量等级、优劣及合格与否的不同品质的校正集模型，同时，建立大米样品预测集（待预测的大米样品），利用大米校正集模型来验证样品预测集的结果。
把预处理后的光谱数据和样品校正集的标准品质数据（利用现有的检测方法获得）进行关联，通过偏最小二乘法、主成分分析或逐步回归等多元回归算法来建立校正集模型，在校正集模型中，大米样品的光谱信号与标准品质数据相对应。
多元回归算法包括多元线性回归算法和多元非线性回归算法，尤其是多元非线性回归算法可以针对生产实际中普遍存在的非线性现象进行拟合，并建立非线性回归方程。选择特征波段在光谱数据处理中是很重要的，常用的方法是逐步回归的方法来寻找特征波段，或者用回归曲线分析的方法来实现。
在与建立样品校正集模型相同条件下，对待测大米样品进行光谱和图像的采集，相同条件包括采样方法、分辨率、扫描间隔或扫描时间、暴光时间和移动平台运行速度；图像采集模块采集待测大米样品的光谱和图像数据，同时将光谱和图像数据信息输送至控制单元。
控制单元把得到的光谱和图像数据进行预处理后，提取能表达大米外部品质的图像特征信息以及能表达大米内部品质的光谱特征信息，所提取的特征光谱数据导入样品校正集模型中，输出待预测大米的品质优劣、等级及合格与否的判定结果并进行显示。
利用大米样品的图像特征参数建立评价大米外部品质的数学模型，并对该数学模型进行优化改进，将提取得到内部品质对应的光谱信息特征和图像特征信息在特征层上进行融合，融合方法包括神经网络和多元非线性回归，结合已经建立的标准品质数据，通过模式识别如模糊神经网络方法对大米样品给予综合评价。
作为优选，还设有贯穿暗箱底部的丝杠，所述移动平台与该丝杠螺纹配合，所述暗箱外部设有驱动该丝杠的电机，所述电机的控制信号来自所述控制单元。
所述暗箱的外部固定有托架，所述丝杠的一端与所述电机的输出轴相连接，丝杠的另一端与托架转动配合。通过电机带动丝杠转动，进而驱动移动平台移动。
所述光源为两个安装在暗箱相对内壁上的卤素灯，每个卤素灯与移动平台的垂直距离为30～50cm，每个卤素灯的检测光与水平面的夹角为
45～80度。所述暗箱的内壁上设有两个角度调节座，两个卤素灯分别安装在对应的角度调节座上。通过角度调节座调节卤素灯的旋转角度，使卤素灯发出的检测光与水平面形成合适的夹角，汇聚在大米样品上。
作为优选，所述图像采集模块与移动平台的垂直距离为50～100cm。
本实用新型基于高光谱成像的大米品质在线无损检测装置，应用于大米内、外部品质的检测过程中，具有检测精度高、无损和自动化程度强等优点，为大米品质等级标准化在线无损分级创造了条件。
附图说明
图1为本实用新型基于高光谱成像的大米品质在线无损检测装置的示意图；
图2为本实用新型基于高光谱成像的大米品质在线无损检测装置的检测过程流程图。
具体实施方式
下面结合附图，对本实用新型基于高光谱成像的大米品质在线无损检测装置做详细描述。
如图1所示，一种基于高光谱成像的大米品质在线无损检测装置，包括：
暗箱3；
位于暗箱3内，用于放置大米样品7的移动平台；
位于暗箱3内，用于向大米样品7发射检测光的光源，检测光的光轴与水平面的夹角为45～80度；
用于采集大米样品7的光谱和图像的图像采集模块4；
安装在暗箱3内的伸展臂，图像采集模块4安装在伸展臂的自由端；
用于接收图像采集模块4的信号计算大米样品7品质的控制单元9。
图像采集模块4包括成像光谱仪（Imspector V10E-QE,Spectral ImagingLtd.,Oulu,Finland）CCD线性相机（hamamatus digital camera,Japan,1344个像素），其中成像光谱仪的曝光时间为0.12ms，光谱波长范围为400～2500nm，成像光谱仪的前端连接镜头Xenics xeva-1321，成像光谱仪的后端与CCD相机的前端相连接，在成像光谱仪扫描大米样品前利用标准校正板校正光强，控制单元9（计算机系统）通过1394线与图像采集模块4连接，可调电源为IT0062，共有9级可调，安装在暗箱3内，与移动平台平齐放置。
在采集大米样品的光谱和图像数据之前，需要调整各类装置的参数，其调整参数步骤如下：
图像采集模块4通过数据线与控制单元9相连接，将大米样品置于特制的玻璃容器中，调整伸展臂（可以实现图像采集模块4的水平和竖直高度的调节）使图像采集模块4与玻璃容器中心点的夹角为90度，图像采集模块4与玻璃容器中心点的垂直距离为60cm。
图像采集模块4采集数据前要先进行白板校正和黑板校正，调节成像光谱仪的曝光时间和移动平台的运行速度，保证采集到的大米样品光谱图像清晰且不变形。
还设有贯穿暗箱3底部的丝杠1，移动平台与该丝杠1螺纹配合，暗箱3外部设有驱动该丝杠1的电机2，暗箱3的外部固定有托架8，丝杠1的一端与电机2的输出轴相连接，丝杠1的另一端与托架8转动配合，电机2的控制信号来自控制单元9。移动平台为基于电机2闭环控制的移动平台，为电机2配置移动平台的控制装置5，控制装置5采用PAS200-11-X,ZolixInstruments Co.,Ltd.,Beijing,China。
光源为两个安装在暗箱3相对内壁上的卤素灯6，每个卤素灯6与移动平台的垂直距离为35cm，暗箱3的内壁上设有两个角度调节座10，两个卤素灯6分别安装在对应的角度调节座10（角度调节座10可以实现最大角度为90度的旋转）上，调整每个卤素灯6的检测光与水平面的夹角为45度。卤素灯6型号为Unit6391Pro lamp，14.5伏供电。
光谱和图像数据的采集软件是Spectral Image-N1E，大米样品置于玻璃容器中后置于移动平台上，移动平台自右向左移动，速度为19mm/s；卤素灯6光源发出的检测光射于移动平台上的大米样品，控制单元9通过1394线与图像采集模块4连接。待光谱和图像数据采集完毕，用光谱专用分析软件ENVI4.6、ASD ViewSpec Pro V5.6和Unscramble V8.0进行数据处理分析。
采集光谱图像时，图像采集模块4中的探头垂直向下扫描大米样品的光谱信息，挑选同一品种不同等级大米样品（每个等级60个大米样品）用来建立校正集模型，得到大米样品的原始光谱信息数据，把采集得到的光谱信息数据传输到计算机中。大米综合品质等级通过专业的感官评审人员感官评定和理化分析的结果来确定，感官评定和理化分析的过程严格按国家标准GB1354-2009指定的各项指标执行，然后将这些大米样品作为标准样品建立一个校正集模型，在校正集模型中，将大米样品的规格等级与无损检测得到的光谱图像信息进行关联，即每一种大米样品的规格等级对应一种光谱图像信息。
利用本实用新型预测大米品质的流程如图2所示，包括校正集模型的建立和利用校正集模型进行预测集样品的预测。
建立校正集模型的具体步骤为：
首先，挑选同一品种不同等级大米样品，每个等级大米取60个样品，运用图像采集模块4对样品进行逐一线扫描得到样品校正集的标准原始光谱，同一样品需多次重复测量，以平均光谱作为该样品原始标准光谱。
其次，原始光谱的校正与预处理，获得样品原始标准光谱数据后对光谱数据进行校正和预处理；消除或减少背景干扰并提高光谱信号的质量；运用平滑、求导、标准正态变量变换和归一化方法对光谱进行预处理，把原来隐藏的信号差异放大出来，提高光谱的分辨率。
最后，把预处理后的光谱数据和样品校正集的标准品质数据进行关联，通过偏最小二乘法、主成分分析或逐步回归等多元回归算法来建立校正集模型。
预测大米样品品质的过程为：
每个等级的待预测的大米取30个样品放置在移动平台上，进行光谱数据采集，调节图像采集模块4的高度和焦距，大米样品在移动平台自右向左移动，高光谱仪进行线扫描得到大米的光谱图像信息，通过图像采集模块4把图像光谱信息传输到计算机，卤素灯6发出的光照射到大米样品上形成漫反射，漫反射光经光纤进入图像采集模块4，得到的近红外光谱信号数据通过数据线传输到控制单元9。在控制单元9内完成光谱和图像信息数据预处理、特征提取和信息融合，把光谱数据导入相应的校正集模型，给出大米样品品质等级的测定，并显示结果，至此该大米样品的品质等级测试结束。
预测大米样品品质的具体步骤为：
首先，在与建立样品校正集模型相同条件下对待预测大米样品进行光谱图像数据采集，相同条件包括采样方法、分辨率、扫描间隔或扫描时间、曝光时间和移动平台的运行速度；图像采集模块4采集待预测大米样品的光谱图像数据，同时将光谱图像数据信息输送至控制单元9处理。
其次，控制单元9得到的光谱数据并进行预处理后，提取能表达大米品质的图像特征光谱信息以及能表达大米内部品质的光谱特征信息。
最后，控制单元9将所提取的特征光谱数据导入大米样品的校正集模型，输出待预测大米品质的优劣、等级及合格与否的判定结果并进行显示。
Claims (6)
1.一种基于高光谱成像的大米品质在线无损检测装置，其特征在于，包括：
暗箱；
位于暗箱内，用于放置大米样品的移动平台；
位于暗箱内，用于向大米样品发射检测光的光源，检测光的光轴与水平面的夹角为45～80度；
用于采集大米样品的光谱和图像的图像采集模块；
安装在暗箱内的伸展臂，所述图像采集模块安装在伸展臂的自由端；
用于接收所述图像采集模块的信号计算大米样品品质的控制单元。
2.如权利要求1所述的基于高光谱成像的大米品质在线无损检测装置，其特征在于，还设有贯穿暗箱底部的丝杠，所述移动平台与该丝杠螺纹配合，所述暗箱外部设有驱动该丝杠的电机，所述电机的控制信号来自所述控制单元。
3.如权利要求2所述的基于高光谱成像的大米品质在线无损检测装置，其特征在于，所述暗箱的外部固定有托架，所述丝杠的一端与所述电机的输出轴相连接，丝杠的另一端与托架转动配合。
4.如权利要求3所述的基于高光谱成像的大米品质在线无损检测装置，其特征在于，所述光源为两个安装在暗箱相对内壁上的卤素灯，每个卤素灯与移动平台的垂直距离为30～50cm，每个卤素灯的检测光与水平面的夹角为45～80度。
5.如权利要求4所述的基于高光谱成像的大米品质在线无损检测装置，其特征在于，所述暗箱的内壁上设有两个角度调节座，两个卤素灯分别安装在对应的角度调节座上。
6.如权利要求1所述的基于高光谱成像的大米品质在线无损检测装置，其特征在于，所述图像采集模块与移动平台的垂直距离为50～100cm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201320188804 CN203275285U (zh) | 2013-04-12 | 2013-04-12 | 一种基于高光谱成像的大米品质在线无损检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201320188804 CN203275285U (zh) | 2013-04-12 | 2013-04-12 | 一种基于高光谱成像的大米品质在线无损检测装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN203275285U true CN203275285U (zh) | 2013-11-06 |
Family
ID=49505665
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201320188804 Expired - Fee Related CN203275285U (zh) | 2013-04-12 | 2013-04-12 | 一种基于高光谱成像的大米品质在线无损检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN203275285U (zh) |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN104215584A (zh) * | 2014-08-29 | 2014-12-17 | 华南理工大学 | 一种基于高光谱图像技术区分大米产地的检测方法 |
| CN104406940A (zh) * | 2014-12-01 | 2015-03-11 | 上海理工大学 | 一种打工业蜡大米的无损鉴别方法 |
| CN104677839A (zh) * | 2015-01-22 | 2015-06-03 | 浙江大学 | 一种旋转扫描式的高光谱作物茎秆信息获取系统 |
| CN105928861A (zh) * | 2016-05-06 | 2016-09-07 | 安徽贝通智能科技有限公司 | 一种小麦品质检测方法 |
| CN106124417A (zh) * | 2016-06-06 | 2016-11-16 | 东北电力大学 | 一种利用高光谱技术检测苹果涩味的回味的方法 |
| CN104215584B (zh) * | 2014-08-29 | 2017-01-04 | 华南理工大学 | 一种基于高光谱图像技术区分大米产地的检测方法 |
| CN106546541A (zh) * | 2016-10-31 | 2017-03-29 | 浙江大学 | 一种基于高光谱转基因玉米籽粒的识别装置与方法 |
| CN106706622A (zh) * | 2016-12-27 | 2017-05-24 | 安徽鲜森绿色食品有限公司 | 一种家禽养殖过程中农药残留监控及控制方法 |
| CN106982654A (zh) * | 2016-01-19 | 2017-07-28 | 石河子大学 | 一种单目识别式棉花打顶机 |
| CN107960833A (zh) * | 2016-10-20 | 2018-04-27 | 佛山市顺德区美的电热电器制造有限公司 | 储物装置和烹饪器具 |
| CN107960838A (zh) * | 2016-10-20 | 2018-04-27 | 佛山市顺德区美的电热电器制造有限公司 | 储物装置和烹饪器具 |
| 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 |
| CN109444052A (zh) * | 2018-10-29 | 2019-03-08 | 合刃科技（武汉）有限公司 | 高光谱成像装置、成像系统及监控方法 |
| CN105717115B (zh) * | 2016-01-31 | 2019-05-14 | 浙江大学 | 基于光学成像技术的高通量植物表型分析装置和方法 |
| CN110261348A (zh) * | 2019-07-04 | 2019-09-20 | 中南林业科技大学 | 近红外光谱水果内部品质检测装置 |
| WO2019179251A1 (zh) * | 2018-03-20 | 2019-09-26 | 深圳市太赫兹科技创新研究院有限公司 | 基于太赫兹波检测大米的方法及系统 |
| US10466111B2 (en) | 2016-05-05 | 2019-11-05 | Walmart Apollo, Llc | Systems and methods for monitoring temperature or movement of merchandise |
| CN111047003A (zh) * | 2018-10-15 | 2020-04-21 | 武汉大学 | 一种用于大米烹饪的智能识别系统与方法 |
| CN111507148A (zh) * | 2019-12-31 | 2020-08-07 | 浙江苏泊尔家电制造有限公司 | 一种储米装置的控制系统及控制方法 |
| US11070895B2 (en) | 2014-12-31 | 2021-07-20 | Walmart Apollo, Llc | System and method for monitoring gas emission of perishable products |
| US11138554B2 (en) | 2017-05-23 | 2021-10-05 | Walmart Apollo, Llc | Automated inspection system |
| US11388325B2 (en) | 2018-11-20 | 2022-07-12 | Walmart Apollo, Llc | Systems and methods for assessing products |
| US11393082B2 (en) | 2018-07-26 | 2022-07-19 | Walmart Apollo, Llc | System and method for produce detection and classification |
| US11448632B2 (en) | 2018-03-19 | 2022-09-20 | Walmart Apollo, Llc | System and method for the determination of produce shelf life |
| US11715059B2 (en) | 2018-10-12 | 2023-08-01 | Walmart Apollo, Llc | Systems and methods for condition compliance |
-
2013
- 2013-04-12 CN CN 201320188804 patent/CN203275285U/zh not_active Expired - Fee Related
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103808669B (zh) * | 2014-01-26 | 2016-03-23 | 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 |
| 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 |
| CN104215584A (zh) * | 2014-08-29 | 2014-12-17 | 华南理工大学 | 一种基于高光谱图像技术区分大米产地的检测方法 |
| CN104215584B (zh) * | 2014-08-29 | 2017-01-04 | 华南理工大学 | 一种基于高光谱图像技术区分大米产地的检测方法 |
| CN104406940A (zh) * | 2014-12-01 | 2015-03-11 | 上海理工大学 | 一种打工业蜡大米的无损鉴别方法 |
| US11070895B2 (en) | 2014-12-31 | 2021-07-20 | Walmart Apollo, Llc | System and method for monitoring gas emission of perishable products |
| CN104677839A (zh) * | 2015-01-22 | 2015-06-03 | 浙江大学 | 一种旋转扫描式的高光谱作物茎秆信息获取系统 |
| CN106982654A (zh) * | 2016-01-19 | 2017-07-28 | 石河子大学 | 一种单目识别式棉花打顶机 |
| CN105717115B (zh) * | 2016-01-31 | 2019-05-14 | 浙江大学 | 基于光学成像技术的高通量植物表型分析装置和方法 |
| US10466111B2 (en) | 2016-05-05 | 2019-11-05 | Walmart Apollo, Llc | Systems and methods for monitoring temperature or movement of merchandise |
| CN105928861A (zh) * | 2016-05-06 | 2016-09-07 | 安徽贝通智能科技有限公司 | 一种小麦品质检测方法 |
| CN106124417A (zh) * | 2016-06-06 | 2016-11-16 | 东北电力大学 | 一种利用高光谱技术检测苹果涩味的回味的方法 |
| CN107960833A (zh) * | 2016-10-20 | 2018-04-27 | 佛山市顺德区美的电热电器制造有限公司 | 储物装置和烹饪器具 |
| CN107960838A (zh) * | 2016-10-20 | 2018-04-27 | 佛山市顺德区美的电热电器制造有限公司 | 储物装置和烹饪器具 |
| CN107960833B (zh) * | 2016-10-20 | 2023-12-29 | 佛山市顺德区美的电热电器制造有限公司 | 储物装置和烹饪器具 |
| CN107960838B (zh) * | 2016-10-20 | 2023-12-22 | 佛山市顺德区美的电热电器制造有限公司 | 储物装置和烹饪器具 |
| CN106546541A (zh) * | 2016-10-31 | 2017-03-29 | 浙江大学 | 一种基于高光谱转基因玉米籽粒的识别装置与方法 |
| CN106706622B (zh) * | 2016-12-27 | 2019-05-07 | 安徽鲜森绿色食品有限公司 | 一种家禽养殖过程中农药残留监控及控制方法 |
| CN106706622A (zh) * | 2016-12-27 | 2017-05-24 | 安徽鲜森绿色食品有限公司 | 一种家禽养殖过程中农药残留监控及控制方法 |
| US11836674B2 (en) | 2017-05-23 | 2023-12-05 | Walmart Apollo, Llc | Automated inspection system |
| US11138554B2 (en) | 2017-05-23 | 2021-10-05 | Walmart Apollo, Llc | Automated inspection system |
| US11448632B2 (en) | 2018-03-19 | 2022-09-20 | Walmart Apollo, Llc | System and method for the determination of produce shelf life |
| WO2019179251A1 (zh) * | 2018-03-20 | 2019-09-26 | 深圳市太赫兹科技创新研究院有限公司 | 基于太赫兹波检测大米的方法及系统 |
| 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 |
| US11734813B2 (en) | 2018-07-26 | 2023-08-22 | Walmart Apollo, Llc | System and method for produce detection and classification |
| US11393082B2 (en) | 2018-07-26 | 2022-07-19 | Walmart Apollo, Llc | System and method for produce detection and classification |
| US12106261B2 (en) | 2018-10-12 | 2024-10-01 | Walmart Apollo, Llc | Systems and methods for condition compliance |
| US11715059B2 (en) | 2018-10-12 | 2023-08-01 | Walmart Apollo, Llc | Systems and methods for condition compliance |
| CN111047003A (zh) * | 2018-10-15 | 2020-04-21 | 武汉大学 | 一种用于大米烹饪的智能识别系统与方法 |
| CN109444052A (zh) * | 2018-10-29 | 2019-03-08 | 合刃科技（武汉）有限公司 | 高光谱成像装置、成像系统及监控方法 |
| US11388325B2 (en) | 2018-11-20 | 2022-07-12 | Walmart Apollo, Llc | Systems and methods for assessing products |
| US11733229B2 (en) | 2018-11-20 | 2023-08-22 | Walmart Apollo, Llc | Systems and methods for assessing products |
| CN110261348A (zh) * | 2019-07-04 | 2019-09-20 | 中南林业科技大学 | 近红外光谱水果内部品质检测装置 |
| CN110261348B (zh) * | 2019-07-04 | 2021-06-22 | 中南林业科技大学 | 近红外光谱水果内部品质检测装置 |
| CN111507148B (zh) * | 2019-12-31 | 2023-10-24 | 浙江苏泊尔家电制造有限公司 | 一种储米装置的控制系统及控制方法 |
| CN111507148A (zh) * | 2019-12-31 | 2020-08-07 | 浙江苏泊尔家电制造有限公司 | 一种储米装置的控制系统及控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN203275285U (zh) | 一种基于高光谱成像的大米品质在线无损检测装置 | |
| CN103063585B (zh) | 瓜果成熟度快速无损检测装置及检测系统建立方法 | |
| CN101718683B (zh) | 快速检测叶片叶绿素含量的建模方法及检测方法 | |
| Chu et al. | Detection of aflatoxin B1 (AFB1) in individual maize kernels using short wave infrared (SWIR) hyperspectral imaging | |
| CN101251526B (zh) | 鲜猪肉综合品质无损检测方法与装置 | |
| Ambrose et al. | High speed measurement of corn seed viability using hyperspectral imaging | |
| Mendoza et al. | Comparison and fusion of four nondestructive sensors for predicting apple fruit firmness and soluble solids content | |
| Nolasco-Perez et al. | Comparison of rapid techniques for classification of ground meat | |
| Liu et al. | Discriminating and elimination of damaged soybean seeds based on image characteristics | |
| US10031118B1 (en) | Method of determining and evaluating quality of peanut raw material suitable for protein processing | |
| CN204287031U (zh) | 一种基于高光谱成像技术的鱼新鲜度在线无损检测装置 | |
| JP2006170669A (ja) | 青果物の品質検査装置 | |
| Tian et al. | Measurement orientation compensation and comparison of transmission spectroscopy for online detection of moldy apple core | |
| Shao et al. | Detection and analysis of sweet potato defects based on hyperspectral imaging technology | |
| He et al. | Classification of aflatoxin B1 naturally contaminated peanut using visible and near-infrared hyperspectral imaging by integrating spectral and texture features | |
| Wang et al. | Identification of mildew degrees in honeysuckle using hyperspectral imaging combined with variable selection | |
| Tan et al. | Identification of soybean seed varieties based on hyperspectral image | |
| CN201156043Y (zh) | 食品综合品质无损检测装置 | |
| Wang et al. | Application of hyperspectral imaging for prediction of textural properties of maize seeds with different storage periods | |
| 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 | |
| Yang et al. | Early apple bruise recognition based on near-infrared imaging and grayscale gradient images | |
| Zhu et al. | Identification of wheat cultivars based on the hyperspectral image of single seed | |
| KR20100043768A (ko) | 밥의 식미 측정기 | |
| JP6765643B2 (ja) | 穀類の搗精度評価方法及びその装置 | |
| Li et al. | Hyperspectral imaging technique for determination of pork freshness attributes |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C14 | Grant of patent or utility model | ||
| 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: 20131106 Termination date: 20180412 |