CN101059452A - 基于多光谱成像技术的水果品质无损检测方法与*** - Google Patents
基于多光谱成像技术的水果品质无损检测方法与*** Download PDFInfo
- Publication number
- CN101059452A CN101059452A CN 200710069112 CN200710069112A CN101059452A CN 101059452 A CN101059452 A CN 101059452A CN 200710069112 CN200710069112 CN 200710069112 CN 200710069112 A CN200710069112 A CN 200710069112A CN 101059452 A CN101059452 A CN 101059452A
- Authority
- CN
- China
- Prior art keywords
- image
- fruit
- near infrared
- fruit quality
- visible
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000001514 detection method Methods 0.000 title claims description 22
- 238000000701 chemical imaging Methods 0.000 title claims description 21
- 238000001228 spectrum Methods 0.000 claims abstract description 16
- 230000006378 damage Effects 0.000 claims abstract description 14
- 238000003384 imaging method Methods 0.000 claims abstract description 11
- 230000007547 defect Effects 0.000 claims abstract description 8
- 238000010191 image analysis Methods 0.000 claims abstract description 6
- 238000005516 engineering process Methods 0.000 claims description 19
- 230000002950 deficient Effects 0.000 claims description 10
- 238000013178 mathematical model Methods 0.000 claims description 5
- 230000003760 hair shine Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000003706 image smoothing Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 208000034656 Contusions Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 208000034526 bruise Diseases 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 231100000241 scar Toxicity 0.000 description 2
- 238000003900 soil pollution Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000001429 visible spectrum Methods 0.000 description 2
- 241000675108 Citrus tangerina Species 0.000 description 1
- 241000220225 Malus Species 0.000 description 1
- 244000134242 Malus prunifolia Species 0.000 description 1
- 235000005087 Malus prunifolia Nutrition 0.000 description 1
- 241000220324 Pyrus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000021017 pears Nutrition 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于多光谱成像技术的水果品质无损检测方法与***。可调参数光源发射光束照射于水果放置平台上,可见及近红外多光谱成像仪分别通过RS-232串口线及图象采集卡数据线与经红外多光谱成像仪连接,计算机上设有图像分析处理软件。应用可见及近红外多光谱成像技术,可快速、准确地采集被测水果表面的可见及近红外多光谱图象信息,分析得到被测水果的各种缺陷及损伤,从而实现无损、快速的水果品质检测***。
Description
技术领域
本发明涉及利用光学手段来分析材料的方法,尤其是涉及一种基于多光谱成像技术的水果品质无损检测方法与***。
背景技术
我国是世界水果生产大国,水果栽培历史悠久,品种资料丰富。自1993年开始,我国果品总产量超过印度、巴西和美国,跃居世界首位。我国苹果、梨分别占世界总产量的22.8%和36%,均居世界首位;柑橘占世界总产量的10%,仅次于巴西和美国,居世界第三。然而,我国水果储藏能力只有10%,烂果率高达25%,优质果不到30%,高档果不足5%。中国苹果产量虽然居世界第一,但其出口量只占总产量的1.46%,与国际标准还有相当程度的差距。水果品质检测技术也一直徘徊不前,科技含量低,面对入世后国外水果的冲击,迫切需要提高我国的水果检测技术,改善水果品质,增强水果产业的竞争力。
目前在国内,水果品质检测的手段相对落后,绝大部分停留在靠人工感官进行识别判断的原始阶段,这种主观评定方法受个人经验、色彩分辨力、情绪、疲劳程度和光线等条件的影响,操作过程中劳动量大,生产效率低、误差较大,而且大多数停留在定性判断上,其客观性、准确性较差,这在很大程度上导致了我国出口水果的外部质量较差,良莠不齐,在国际市场上缺乏竞争力,这使得提高我国水果的品质检测水平成为当务之急。水果品质的无损检测技术综合运用了计算机和光电传感器等高新技术,目前已引起了国内外相关领域的高度重视,特别是在农产品品质检测中的应用,迄今为止已经出现了诸如声学检测、软X射线检测技术、光谱检测技术、以及机器视觉等技术。
可见及近红外多光谱成像技术是一种能够同时采集可见光谱和红外光谱等波段数字图像并进行分析的技术。它结合了光谱分析技术(敏感波段提取)和计算机图像处理技术的长处,同时可以弥补光谱仪抗干扰能力较弱和RGB图像感受范围窄的缺点。针对错综复杂的外部环境和形状各异的水果缺陷及损伤,利用可见及近红外多光谱成像技术,同时处理可见光谱和红外光谱图像中水果的颜色信息、形状信息以及纹理等信息,对水果品质进行无损、快速、准确的检测。
发明内容
本发明的目的在于提供了一种基于多光谱成像技术的水果品质无损检测方法与***,应用可见及近红外多光谱成像技术,可快速、准确地采集被测水果表面的可见及近红外多光谱图象信息,分析得到被测水果的各种缺陷及损伤,从而实现无损、快速的水果品质检测***。
本发明采用的技术方案是:
一、一种基于多光谱成像技术的水果品质无损检测方法,该方法的步骤如下:
1)用可见及近红外多光谱成像仪拍摄水果的外部并将数字化图像信息实时上传到计算机,其中,多光谱成像仪的近红外图像能将物体从背景中分离出来,便于图像的分析处理;
2)用图像处理技术进行图像增强、图像平滑、边缘锐化、图像分割、图像识别等处理,提取出各种缺陷及损伤的图像;
3)从各种缺陷及损伤的图像中测量水果的外部信息,包括色度、亮度、饱和度颜色参数,并建立数学模型计算水果形状特征参数,缺陷区域的面积、缺陷区域的伸长度参数;
4)以水果的外部特征参数建立评价水果外部品质的数学模型,并对模型进行优化改进,实现水果品质的计算机快速无损检测。
二、一种基于多光谱成像技术的水果品质无损检测***:
包括可见及近红外多光谱成像仪、图像采集卡、计算机处理***及数据库和可调参数光源;可调参数光源发射光束照射于水果放置平台上,可见及近红外多光谱成像仪分别通过RS-232串口线及图象采集卡数据线与经红外多光谱成像仪连接,计算机上设有图像分析处理软件。
与背景技术相比,本发明具有的有益效果是:
(1)功能强大,可实现水果的各种缺陷及损伤的快速、准确、稳定、实时、非破坏性的诊断,并且做到尽可能地早期检测;
(2)***简单,整个检测***只由一个可见及近红外多光谱成像***、一个图像采集卡、一台计算机和光源组成;
(3)使用方便,当测量***的各组件都连接完毕后,最后的图象采集分析工作通过图像分析处理软件完成。
附图说明
图1是本发明***框图;
图2是本发明***的软件流程图。
具体实施方式
如图1所示,本发明包括可见及近红外多光谱成像仪、图像采集卡、计算机处理***及数据库和可调参数光源;可调参数光源发射光束照射于水果放置平台上,可见及近红外多光谱成像仪分别通过RS-232串口线及图象采集卡数据线与经红外多光谱成像仪连接,计算机上设有图像分析处理软件。
所述的可见及近红外多光谱成像仪为美国Redlake公司的MS3100 DuncanCamera。
所述的图象采集卡为美国National Instrument公司的PCI1424或1428数据采集卡。
所述的可见及近红外多光谱成像仪采集图象所用光源为日光,当室内无日光时采用人工光源。
本发明***的可见及近红外多光谱成像仪可通过设置如可调节角度、高度、移动底座的三脚架或安装有可调节机械伸展臂高度、角度的车辆等固定装置进行固定,分别用于室内及室外使用。
在室内工作时,将可见及近红外多光谱成像仪固定在三角支架上,镜头垂直向下采集图象信息。
如图2所示,可见及近红外多光谱成像仪通过三个电荷耦合器件(ChargeCoupled Device,CCD)传感器实时采集被测水果的表面图像信息。RS-232串行口用于图象采集的控制。图像包括绿光波段(550nm±40nm)、红光波段(650nm±40nm)、近红外波段(800nm±40nm)三个波段通道的单色图像,图像信息通过图象采集卡输入计算机,图像分析处理软件分析水果表面三个通道图像的信息,其中,近红外图像能有效地将研究对象从背景中分离出来。采用图像处理技术进行图像增强、图像平滑、边缘锐化、图像分割、图像识别等处理,提取出各种缺陷及损伤(土壤污染,疤痕,腐烂,瘀伤等)的图像。从各种缺陷及损伤的图像中测量水果的外部信息,包括色度、亮度、饱和度等颜色参数,并建立数学模型计算水果形状特征参数,如缺陷区域的面积(area)、缺陷区域的伸长度(elongation)等参数。把以上得到的特征参数作为输入向量,各种缺陷及损伤(土壤污染,疤痕,腐烂,瘀伤等)作为输出,运用支持向量机(SupportVector Machine)作为人工智能的理论,建立已知样本的人工智能模型,以上则完成原始模型数据库的建立。待测样本只需通过上述的可见及近红外多光谱成像仪的拍摄,通过图像采集卡输入计算机,获取特征参数后,输入原始模型的数据库,进行缺陷及损伤的判断,输出最终结果。
Claims (5)
1.一种基于多光谱成像技术的水果品质无损检测方法,其特征在于该方法的步骤如下:
1)用可见及近红外多光谱成像仪拍摄水果的外部并将数字化图像信息实时上传到计算机,其中,多光谱成像仪的近红外图像能将物体从背景中分离出来,便于图像的分析处理;
2)用图像处理技术进行图像增强、图像平滑、边缘锐化、图像分割、图像识别等处理,提取出各种缺陷及损伤的图像;
3)从各种缺陷及损伤的图像中测量水果的外部信息,包括色度、亮度、饱和度颜色参数,并建立数学模型计算水果形状特征参数,缺陷区域的面积、缺陷区域的伸长度参数;
4)以水果的外部特征参数建立评价水果外部品质的数学模型,并对模型进行优化改进,实现水果品质的计算机快速无损检测。
2.一种基于多光谱成像技术的水果品质无损检测***,其特征在于:包括可见及近红外多光谱成像仪、图像采集卡、计算机处理***及数据库和可调参数光源;可调参数光源发射光束照射于水果放置平台上,可见及近红外多光谱成像仪分别通过RS-232串口线及图象采集卡数据线与经红外多光谱成像仪连接,计算机上设有图像分析处理软件。
3.根据权利要求2所述的一种基于多光谱成像技术的水果品质无损检测***,其特征在于:所述的可见及近红外多光谱成像仪为美国Redlake公司的MS3100 Duncan Camera。
4.根据权利要求2所述的一种基于多光谱成像技术的水果品质无损检测***,其特征在于:所述的图象采集卡为美国National Instrument公司的PCI1424或1428数据采集卡。
5.根据权利要求2所述的一种基于多光谱成像技术的水果品质无损检测***,其特征在于:所述的可见及近红外多光谱成像仪采集图象所用光源为日光,当室内无日光时采用人工光源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200710069112 CN101059452A (zh) | 2007-05-29 | 2007-05-29 | 基于多光谱成像技术的水果品质无损检测方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200710069112 CN101059452A (zh) | 2007-05-29 | 2007-05-29 | 基于多光谱成像技术的水果品质无损检测方法与*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101059452A true CN101059452A (zh) | 2007-10-24 |
Family
ID=38865670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200710069112 Pending CN101059452A (zh) | 2007-05-29 | 2007-05-29 | 基于多光谱成像技术的水果品质无损检测方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101059452A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101832941A (zh) * | 2010-03-19 | 2010-09-15 | 天津大学 | 一种基于多光谱图像的水果品质评价装置 |
CN102179375A (zh) * | 2011-03-09 | 2011-09-14 | 中国科学院合肥物质科学研究院 | 一种基于近红外作物单籽粒成分无损检测筛选方法 |
CN101384123B (zh) * | 2008-10-14 | 2011-11-16 | 浙江大学 | 用于果蔬视觉分选的弧柱形分色可控荧光光源 |
CN102788806A (zh) * | 2012-07-19 | 2012-11-21 | 北京农业智能装备技术研究中心 | 基于类球形亮度变换的水果表面缺陷检测方法 |
CN103175846A (zh) * | 2013-03-19 | 2013-06-26 | 南京诺威尔光电***有限公司 | 太阳能热激励红外热波成像*** |
CN104215639A (zh) * | 2013-06-05 | 2014-12-17 | 江南大学 | 一种基于机器视觉的梨表面缺陷检测方法 |
CN106454076A (zh) * | 2016-09-26 | 2017-02-22 | 西安交通大学 | 一种利用光谱信息增强物体图像信息的采集装置 |
CN106568784A (zh) * | 2016-11-09 | 2017-04-19 | 石河子大学 | 一种用于果蔬表面缺陷在线检测的多光谱成像***及实现方法 |
CN106780347A (zh) * | 2017-02-09 | 2017-05-31 | 浙江科技学院 | 一种基于oct图像处理的枇杷早期瘀伤鉴别方法 |
CN106954009A (zh) * | 2017-01-07 | 2017-07-14 | 大连欧普迪光电仪器有限公司 | 图谱获取装置、方法及便携终端 |
CN107607480A (zh) * | 2016-07-12 | 2018-01-19 | 湖南生物机电职业技术学院 | 脐橙有效酸度的无损检测方法 |
CN109827910A (zh) * | 2019-01-22 | 2019-05-31 | 塔里木大学 | 一种建立果园数据快速监测处理方法 |
CN110383049A (zh) * | 2017-03-01 | 2019-10-25 | 迈夫农业机器公司 | 水果或蔬菜的光学分析方法和装置以及自动分拣装置 |
CN113051992A (zh) * | 2020-11-16 | 2021-06-29 | 泰州无印广告传媒有限公司 | 应用透明卡槽的匀速辨识*** |
CN113379824A (zh) * | 2021-06-10 | 2021-09-10 | 浙江大学 | 一种基于双视角点云配准的类圆形水果纵横径测量方法 |
-
2007
- 2007-05-29 CN CN 200710069112 patent/CN101059452A/zh active Pending
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101384123B (zh) * | 2008-10-14 | 2011-11-16 | 浙江大学 | 用于果蔬视觉分选的弧柱形分色可控荧光光源 |
CN101832941B (zh) * | 2010-03-19 | 2013-03-13 | 天津大学 | 一种基于多光谱图像的水果品质评价装置 |
CN101832941A (zh) * | 2010-03-19 | 2010-09-15 | 天津大学 | 一种基于多光谱图像的水果品质评价装置 |
CN102179375A (zh) * | 2011-03-09 | 2011-09-14 | 中国科学院合肥物质科学研究院 | 一种基于近红外作物单籽粒成分无损检测筛选方法 |
CN102788806A (zh) * | 2012-07-19 | 2012-11-21 | 北京农业智能装备技术研究中心 | 基于类球形亮度变换的水果表面缺陷检测方法 |
CN103175846A (zh) * | 2013-03-19 | 2013-06-26 | 南京诺威尔光电***有限公司 | 太阳能热激励红外热波成像*** |
CN104215639A (zh) * | 2013-06-05 | 2014-12-17 | 江南大学 | 一种基于机器视觉的梨表面缺陷检测方法 |
CN107607480A (zh) * | 2016-07-12 | 2018-01-19 | 湖南生物机电职业技术学院 | 脐橙有效酸度的无损检测方法 |
CN106454076A (zh) * | 2016-09-26 | 2017-02-22 | 西安交通大学 | 一种利用光谱信息增强物体图像信息的采集装置 |
CN106454076B (zh) * | 2016-09-26 | 2019-04-12 | 西安交通大学 | 一种利用光谱信息增强物体图像信息的采集装置 |
CN106568784A (zh) * | 2016-11-09 | 2017-04-19 | 石河子大学 | 一种用于果蔬表面缺陷在线检测的多光谱成像***及实现方法 |
CN106954009A (zh) * | 2017-01-07 | 2017-07-14 | 大连欧普迪光电仪器有限公司 | 图谱获取装置、方法及便携终端 |
CN106954009B (zh) * | 2017-01-07 | 2020-08-04 | 大连欧普迪光电仪器有限公司 | 图谱获取装置、方法及便携终端 |
CN106780347A (zh) * | 2017-02-09 | 2017-05-31 | 浙江科技学院 | 一种基于oct图像处理的枇杷早期瘀伤鉴别方法 |
CN106780347B (zh) * | 2017-02-09 | 2020-03-03 | 浙江科技学院 | 一种基于oct图像处理的枇杷早期瘀伤鉴别方法 |
CN110383049A (zh) * | 2017-03-01 | 2019-10-25 | 迈夫农业机器公司 | 水果或蔬菜的光学分析方法和装置以及自动分拣装置 |
CN109827910A (zh) * | 2019-01-22 | 2019-05-31 | 塔里木大学 | 一种建立果园数据快速监测处理方法 |
CN113051992A (zh) * | 2020-11-16 | 2021-06-29 | 泰州无印广告传媒有限公司 | 应用透明卡槽的匀速辨识*** |
CN113051992B (zh) * | 2020-11-16 | 2022-01-18 | 山东米捷软件有限公司 | 应用透明卡槽的匀速辨识*** |
CN113379824A (zh) * | 2021-06-10 | 2021-09-10 | 浙江大学 | 一种基于双视角点云配准的类圆形水果纵横径测量方法 |
CN113379824B (zh) * | 2021-06-10 | 2022-04-01 | 浙江大学 | 一种基于双视角点云配准的类圆形水果纵横径测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101059452A (zh) | 基于多光谱成像技术的水果品质无损检测方法与*** | |
CN100480680C (zh) | 多光谱肉类新鲜度人工智能测量方法及*** | |
US11454594B2 (en) | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images | |
CN201041553Y (zh) | 基于多光谱成像技术的水果品质无损检测*** | |
Makky et al. | Development of an automatic grading machine for oil palm fresh fruits bunches (FFBs) based on machine vision | |
CN103063585B (zh) | 瓜果成熟度快速无损检测装置及检测***建立方法 | |
Yu et al. | Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing | |
CN101832941B (zh) | 一种基于多光谱图像的水果品质评价装置 | |
Qing et al. | Non-destructive analyses of apple quality parameters by means of laser-induced light backscattering imaging | |
CN107845090B (zh) | 一种硅片检测方法和硅片检测装置 | |
Sahu et al. | Identification and classification of mango fruits using image processing | |
CN101210876A (zh) | 基于可见/近红外多光谱成像的水稻养分信息测量方法 | |
CN101949686A (zh) | 水果内外综合品质在线无损检测方法及装置 | |
CN100520356C (zh) | 基于可见/近红外多光谱成像的灰霉病害早期诊断*** | |
CN103900972B (zh) | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 | |
Roseleena et al. | Assessment of palm oil fresh fruit bunches using photogrammetric grading system. | |
CN1603794A (zh) | 近红外技术快速检测牛肉嫩度的方法和装置 | |
CN101059427A (zh) | 多光谱成像技术快速无损测量茶树含氮量的方法 | |
CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
CN110009609B (zh) | 一种快速检测黄粒米的方法 | |
CN105606610A (zh) | 一种基于生物散斑技术无损检测苹果内部品质的方法 | |
CN112098415B (zh) | 一种杨梅品质无损检测方法 | |
CN107576600A (zh) | 一种抹茶粒度等级的快速检测方法 | |
CN106940292A (zh) | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 | |
KR20080060851A (ko) | 목재표면의 결함검출방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20071024 |