CN103439270B - 一种高光谱图像检测桃果实早期冷害的方法 - Google Patents
一种高光谱图像检测桃果实早期冷害的方法 Download PDFInfo
- Publication number
- CN103439270B CN103439270B CN201310409795.7A CN201310409795A CN103439270B CN 103439270 B CN103439270 B CN 103439270B CN 201310409795 A CN201310409795 A CN 201310409795A CN 103439270 B CN103439270 B CN 103439270B
- Authority
- CN
- China
- Prior art keywords
- temperature
- sudden drop
- plants caused
- peach fruits
- damages
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种高光谱图像检测桃果实早期冷害的方法,属于农产品品质无损检测技术领域。通过高光谱成像仪,获取桃果实采后低温贮藏不同冷害阶段的半透射高光谱图像,分析冷害桃果实与正常果实的光谱值及图像间的差异,提取响应的特征参数,在此基础上优化确定反映桃果实冷害特征的变量集,建立基于Fisher判别方法对桃果实早期冷害判别的数学模型,所建基于半透射高光谱图像检测模型的判别准确率为95.6%。本方法可以对采后冷害桃果实进行准确识别,代替人工检测,降低水果采后贮藏的损失,可以用于水果采后的流通、贮藏和销售过程中的检测和监测。
Description
技术领域
本发明是一种高光谱技术光谱和图像双重响应检测桃果实采后早期冷害的方法,属于农产品采后品质检测和控制的技术领域。
背景技术
桃是深受广大人民喜爱的水果之一。我国桃栽培区域广泛,品种繁多,2007我国桃年产量达到了1600万吨,居世界第一位,占世界鲜桃总产量的36%,出口却不到世界总出口量的0.6%。一个主要原因是桃采后品质检测与分级技术水平的落后,导致我国桃产业缺乏国际市场竞争力。因此,研究和开发桃采后品质检测与分级技术显得非常重要。冷害是造成桃果实采后品质下降的重要原因。冷害表现具有滞后性,即在冷藏条件下已造成冷害,只有当到达货架条件一段时间才会表现出其冷害症状,此时造成的损失已无法挽回。因此,实现对初步冷害果实的检测具有很大的经济意义。
人工分级对于内部缺陷只能通过抽样进行破坏性检测,被检样品失去商品价值,且整体的分级结果是由样本的评定结果间接得到,正确率依赖样本的选择。需要在冷害发生初期及时进行监测和诊断,提出较早加工处理的方案,避免造成桃果实组织不可逆的伤害,从而降低损失,节约能源,保证桃的质量和品质。那么,研究高效、精确的农产品品质无损检测技术,对推动农业的健康、持续发展,提高农产品交易价格,确保我国农业大国的地位,具有十分重要的现实意义。
近年来,国内外学者对桃果实冷害的无损检测做了相关研究,如反射光谱检测油桃冷害[LurieS,VanoliM,DagarA,etal.Chillinginjuryinstorednectarineanditsdetectionbytime-resolvedreflectancespectroscopy[J].PostharvestBiologyandTechnology,2011,59:211-218.]、叶绿素荧光检测水蜜桃冷害[王允祥,杨虎清,周存山,等利用叶绿素荧光预测水蜜桃果实冷害的研究[J].园艺学报,2008,35(7):945-950.]、敲击响应和近红外检测桃絮败[OrtizC,BarreiroP,CorreaE,etal.Non-destructiveidentificationofwoollypeachesusingimpactresponseandnear-infraredspectroscopy[J].PostharvestTechnology,2001,78(3):281-289.]等,但是他们的研究多是针对桃果实冷害晚期时的特征提取和相关预测,而且检测精度相对较低,也无法针对早期冷害进行监测,对现实生产的指示作用较弱。因此,利用高光谱成像技术对桃果实的早期冷害实现监测具有很大的生产意义。
发明内容
技术问题
本发明主要针对现有无损检测方法对桃果实早期冷害检测存在空白,兼顾冷害较严重的情况,以及增强无损技术实际应用价值的需求。利用高光谱成像技术,分析不同阶段冷害桃果实图像和光谱信息,提取响应的特征参数,并提出一种基于Fisher判别判断冷害的方法,构建其识别模型。该方法,对于提升我国农产品品质检测的自动化水平具有重要的意义和应用价值。
技术方案
1.一种高光谱图像检测桃果实早期冷害的方法,其特征在于,包括半透射高光谱图像检测装置构建、高光谱图像采集、特征参数提取、检测模型开发,其中:
(1)基于半透射高光谱图像检测装置构建
a)***组成,包括高光谱成像单元、直流可调光源、计算机和图像采集软件组成,整个装置放置在密闭黑箱中;高光谱成像单元由CCD摄像机(1)、图像光谱仪(2)和焦距可变透镜摄像头(3)组成;直流可调光源由150W的卤素钨灯及控制器(4)构成,并由2个线光源(5)完成传输;计算机(6)型号为CPUE5800,3.2GHz,内存2G,显卡256MGeForceGT240;图像采集软件为自主开发的SpectralImage软件;
b)半透射采集单元:光谱摄像头(3)在距离桃果实样品(7)35cm的水平平行位置上采集光谱图像,两个线光源(5)与线光源横轴支架(8)间的夹角为0度,将桃果实夹在当中,线光源连接横轴距传送板(9)垂直距离为10em,光源强度为105W,线光源射出的光束分别打在桃果实两颊;采集曝光时间18000μs,采集速度2.1mm/s,图像分辨率804×440;采集时,将桃果实放置为除果梗、尖头或缝合线的所在面与传送板平行的位置,并固定,以防传送带移动时桃果实位置变动。
(2)高光谱图像采集
a)桃果实冷害的破坏性检测:将桃果实表面除杂后,置于5℃冷藏环境中贮存,需要检测的时候,取出果实并置于货架条件3天,即温度为20℃,相对湿度为90%;通过出汁率、褐变指数的破坏性检测方法,可以确定桃果实冷害程度,确定果实冷害早期时间点;
b)桃果实冷害的高光谱图像采集:将每次取出的果实,置于货架3天后,利用高光谱高光谱半透射采集***,进行数据采集;
c)高光谱数据分析:对不同冷害程度桃果实分别选取适宜的感兴趣区域进行ROI分析,计算半透射光谱值,以得到桃果实不同冷害阶段的光谱特性;对桃果实高光谱图像进行独立主成分ICA分析,降维、除去冗余信息后,使原始的440个波段的高光谱图像转化为440个新的独立主成分图像,其中,第一独立主成分图像所占方差贡献率最大,第二独立主成分图像所占方差贡献率次之,并依次减少,其余为噪声。
(3)特征参数提取
a)冷害特征波长的提取:对不同冷害阶段的桃果实高光谱图像进行独立主成分ICA分析后,对得到的独立主成分图像进行权重系数分析,每一个图像都是由400-1000nm的各个波段线性组合而成,且每个波长的权重系数不同;640nm、745nm和811nm为半透射条件时提取的检测桃果实早期冷害的特征波长;
b)检测桃果实冷害特征参数的确定:选择特征波长下的光谱值作为桃果实冷害的判别特征变量集,其中,640nm、745nm和811nm特征波长光谱值为半透射照射方式的特征参数;
(4)检测模型开发
a)开发的检测桃果实早期冷害模型如下:
Y0=-0.015g640+0.013g745-0.014g811-6.003
Y1=-0.001g640-0.050g745+0.073g811-5.424(1)
其中,式(1)为半透射条件下的判别模型;g是桃果实的半透射光谱值,下标为经过ICA及权重系数分析并确定的各个特征的波长,Y的下标代表桃果实是否冷害,其中0代表未冷害;1代表发生冷害;
b)冷害类别结果,将未知桃样品特征波长集合中各波长的高光谱半透射光谱值带入上式(1)中,比较Y值大小,Y值大的组其下标代表该水果冷害类别。
有益效果
本发明利用对高光谱图像仪器响应信号的监测,能够在不破坏桃完整性的情况下,通过桃的高光谱图像特性,判断出采后桃是否发生冷害,能够提前快速获得桃采后的质量信息,对采后桃质量情况进行及时预警,为操作者进一步处理提供有效信息,避免严重的经济损失。相对于传统的破坏性检测,不仅节省时间,而且避免了化学试剂的使用。技术和方法新颖,研究成果不仅可以用于实验室的快速分析和检测,而且可以通过开发在线检测设备和便携式仪器,用于桃采后贮藏和销售环节,也为其他类水果内部异常品质的检测提供了有益的借鉴。
四、附图说明
图1:技术路线
图2:高光谱半透射照射***(图2中:1.摄像机2.光谱仪3.摄像头4.可控光源5.线光源6.计算机7.样本8.线光源支架9.传送装置)
图3:半透射照射***光路示意图
图4:感兴趣区域选取实例
图5:贮存期桃果实出汁率变化
图6:贮存期桃果实褐变指数变化
图7:半透射条件获得的初步冷害桃果实ICA1图像
图8:半透射条件获得的初步冷害桃果实ICA1图像权重系数曲线
五、具体实施方式
一种高光谱图像检测桃果实冷害的方法,以水蜜桃为例,具体实施方式如下:
1.试验材料
实验材料为八成熟“霞晖5号”水蜜桃,2012年8月采于江苏省农科院,挑选色泽接近、无病虫害、无机械伤的果实。
其中225个做高光谱特性检测的无损实验,放入冷藏环境(5℃,RH≈90%),分别贮存0周、1周、2周、3周、4周,每次取出45个,并置于货架条件(20℃,RH≈90%)3d后,进行高光谱半透射信息的采集。剩余果实,做同上的贮藏处理,每次取出15个,货架3d后测定果实的出汁率、褐变指数,确定“霞晖5号”水蜜桃冷害发生的初始阶段,为高光谱无损检测“霞晖5号”水蜜桃冷害提供判断依据。
2.仪器
高光谱图像检测桃果实冷害的装置,包括***组成和半透射采集单元:
1)***组成(图2),包括高光谱成像单元、直流可调光源、计算机和图像采集软件组成,整个装置放置在密闭黑箱中。其中,高光谱成像单元由CCD摄像机(1)、图像光谱仪(2)和焦距可变透镜摄像头(3)组成,直流可调光源由150W的卤素钨灯及控制器(4)构成,并由2个线光源(5)完成传输,计算机(6)型号为CPUE5800,3.2GHz,内存2G,显卡256MGeForceGT240;图像采集软件为自主开发的SpectralImage软件;
2)半透射采集单元,光谱摄像头(3)在距离桃果实样品(7)35cm的水平平行位置上采集光谱图像,两个线光源(5)与线光源横轴支架(8)间的夹角为0度(图3),将桃果实夹在当中,线光源连接横轴距传送板(9)垂直距离为10cm,光源强度为105W,线光源射出的光束分别打在桃果实两颊,采集曝光时间18000μs,采集速度2.1mm/s,图像分辨率804×440,其中,采集时,将桃果实放置为除果梗、尖头或缝合线的所在面与传送板平行的位置,并固定,以防传送带移动时桃果实位置变动。
3.试验方法
按时取出冷藏环境(5℃,RH≈90%)中分别贮存0周、1周、2周、3周、4周的桃果实,每次取出45个,并置于货架条件(20℃,RH≈90%)3d后,将桃果实放置在构建的高光谱***上进行高光谱半透射信息的采集。剩余果实,做同上的贮藏处理,每次取出15个,货架3d后测定果实的出汁率、褐变指数。
计算褐变指数,将果实沿缝合线纵切,按果实褐变面积大小将果实划分为4级:0级,无褐变;1级,果实褐变面积占总切面面积的25%;2级,果实褐变面积占总切面面积的25%-50%,3级,果实褐变面积占总切面面积的50%以上,按下式计算褐变指数:褐变指数=∑[(褐变级别×该级果实数)/(最高褐变级别×总果实数)]×100%。褐变指数大于0,则表明水果已经发生内部褐变。
出汁率测定:以果实离心后的失重率作为果实的出汁率。
4.不同贮藏期桃果实的高光谱响应特性
对不同冷害阶段桃果实分别选取适宜的感兴趣区域进行ROI分析,计算其半透射光谱值,以得到桃果实不同冷害阶段的光谱特性。具体地,在桃果实图像桃赤道中心部位选取100×100的矩形区域(图4),图像中每个像素在各个波长下都有一个高光谱半透射值的响应,计算此区域的光谱平均值,作为该桃果实的最终光谱响应值。
5.冷害对不同贮藏期桃果实褐变指数及出汁率的影响
不同贮存期桃果实出汁率和褐变指数变化如图5、图6所示。从图中可以看出,出汁率随着果实的正常后熟软化而增加,贮存2周时,出汁率开始下降,表明此时桃果实开始发生冷害。褐变指数在贮存前期为0,表明桃果实未发生内部褐变,当贮存2周后,桃果实发生不同程度的内部组织褐变,表明桃果实初始冷害。此后,随着贮存时间的延长,冷害进一步加深,出汁率及褐变指数都剧烈变化。且从桃果实贮存期间的状况来看,桃果实在2周时肉眼无法从表面辨别出果实是否发生冷害。
6.冷害判别模型的特征参数选择
对不同冷害阶段桃果实高光谱半透射图像分别进行独立主成分ICA分析,原始的高光谱图像被去冗杂、去相关后,重新得到新的独立主成分图像。得到的440个波段的独立主成分图像互不相关,第一独立主成分图像所占方差贡献率最大,能够代表原始图像最多的信息,第二独立主成分图像所占方差贡献率次之,并依次减少,其余为噪声。对高光谱半透射图像分别进行独立主成分ICA分析,得到的ICA1图像是由400-1000nm中440个波段按照其权重系数的不同组合而成的,因此,对得到的ICA1图像进行权重系数分析后,曲线的波峰、波谷或极值处都是其特征波长,由此,可以选择桃果实冷害后的特征波长。分别对“霞晖5号”水蜜桃贮存0周、1周、2周、3周、4周的高光谱图像进行ICA分析,可以得到半透射照射条件下的ICA图像。对早期冷害的桃果实图像,即贮存2周的图像分析,得到如图7所示的ICA1图像。其所占的方差贡献率分别为98.21%、93.27%。另外,对贮存0周未冷害的桃果实进行同样的分析,可以得到其ICA1图像。
每一个独立的ICA图像都是由一些显著波长线性组合而成。对半透射照射条件下的桃果实初步冷害图像分析后,根据权重系数可以选择3个特征波长,分别是640nm、745nm和811nm,如图8所示。
另外,对未冷害果实进行ICA和权重系数分析后,可以得到半透射条件下未冷害果实的波长为658nm、678nm和700nm。
7.桃果实冷害判别模型的建立
半透射条件下,冷害后桃果实的特征波长出现了位于650-700nm波段之外的新波长,发生了波长的偏移。冷害后出现的640nm、745nm和811nm可以作为半透射照射条件下桃果实冷害发生的特征波长集。
高光谱信息丰富,同时具有光谱及图像的双重分辨能力,但与此同时带来了处理速度慢、成本高等问题,通过特征波长的选取,可以得到反映特征差别的灵敏波长,从而更加快速、有效地检测果实是否冷害。
采用Fisher判别的方法建立预测模型,以实现未冷害桃果实与初始发生冷害桃果实间的正确区分。构建模型的输入为90个桃果实,包括未冷害果实45个、冷害果实45个。
将半透射条件下640nm、745nm和811nm波长下的相同样品集的半透射光谱值作为该果实的特征变量集,判别结果如表1所示。
表1高光谱半透射模式下Fisher判别桃果实冷害模型的判别结果
得到Fisher判别式方程为:
Y0=-0.015g640+0.013g745-0.014g811-6.003
Y1=-0.001g640-0.050g745+0.073g811-5.424
Claims (1)
1.一种高光谱图像检测桃果实早期冷害的方法,其特征在于,包括基于半透射高光谱图像检测装置构建、高光谱图像采集、特征参数提取、检测模型开发,其中:
(1)基于半透射高光谱图像检测装置构建
a)***组成,包括高光谱成像单元、直流可调光源、计算机和图像采集软件组成,整个装置放置在密闭黑箱中;高光谱成像单元由CCD摄像机(1)、图像光谱仪(2)和焦距可变透镜摄像头(3)组成;直流可调光源由150W的卤素钨灯及控制器(4)构成,并由2个线光源(5)完成传输;计算机(6)型号为CPUE5800,3.2GHz,内存2G,显卡256MGeForceGT240;图像采集软件为自主开发的SpectralImage软件;
b)半透射采集单元:光谱摄像头(3)在距离桃果实样品(7)35cm的水平平行位置上采集光谱图像,两个线光源(5)与线光源横轴支架(8)间的夹角为0度,将桃果实夹在当中,线光源连接横轴距传送板(9)垂直距离为10cm,光源强度为105W,线光源射出的光束分别打在桃果实两颊;采集曝光时间18000μs,采集速度2.1mm/s,图像分辨率804×440;采集时,将桃果实放置为除果梗、尖头或缝合线的所在面与传送板平行的位置,并固定,以防传送带移动时桃果实位置变动;
(2)高光谱图像采集
a)桃果实冷害的破坏性检测:将桃果实表面除杂后,置于5℃冷藏环境中贮存,需要检测的时候,取出果实并置于货架条件3天,即温度为20℃,相对湿度为90%;通过出汁率、褐变指数的破坏性检测方法,可以确定桃果实冷害程度,确定冷害早期时间点;
b)桃果实冷害的高光谱图像采集:将每次取出的果实,置于货架3天后,利用高光谱半透射采集***进行数据采集;
c)高光谱数据分析:对不同冷害程度桃果实分别选取适宜的感兴趣区域进行ROI分析,计算其半透射光谱值,以得到桃果实不同冷害阶段的光谱特性;对桃果实高光谱图像进行独立主成分ICA分析,降维、除去冗余信息后,使原始的440个波段的高光谱图像转化为440个新的独立主成分图像,其中,第一独立主成分图像所占方差贡献率最大,第二独立主成分图像所占方差贡献率次之,并依次减少,其余为噪声;
(3)特征参数提取
a)冷害特征波长的提取:对不同冷害阶段的桃果实高光谱图像进行独立主成分ICA分析后,对得到的独立主成分图像进行权重系数分析,每一个图像都是由400-1000nm的各个波段线性组合而成,且每个波长的权重系数不同;640nm、745nm和811nm为半透射条件时提取的检测桃果实早期冷害的特征波长;
b)检测桃果实冷害特征参数的确定:选择特征波长下的光谱值作为桃果实冷害的判别特征变量集,其中,640nm、745nm和811nm特征波长光谱值为半透射照射方式的特征参数;
(4)检测模型开发
a)开发的检测桃果实早期冷害模型如下:
Y0=-0.015g640+0.013g745-0.014g811-6.003
Y1=-0.001g640-0.050g745+0.073g811-5.424(1)
其中,式(1)为半透射条件下的判别模型;g是桃果实的半透射光谱值,下标为经过ICA及权重系数分析并最终确定的各个特征的波长,Y的下标代表桃果实是否冷害,其中0代表未冷害;1代表发生冷害;
b)冷害类别结果,将未知桃样品特征波长集合中各波长的高光谱半透射光谱值带入上式(1)中,比较Y值大小,Y值大的组其下标代表该水果冷害类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310409795.7A CN103439270B (zh) | 2013-09-11 | 2013-09-11 | 一种高光谱图像检测桃果实早期冷害的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310409795.7A CN103439270B (zh) | 2013-09-11 | 2013-09-11 | 一种高光谱图像检测桃果实早期冷害的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103439270A CN103439270A (zh) | 2013-12-11 |
CN103439270B true CN103439270B (zh) | 2015-12-23 |
Family
ID=49692970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310409795.7A Active CN103439270B (zh) | 2013-09-11 | 2013-09-11 | 一种高光谱图像检测桃果实早期冷害的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103439270B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714341B (zh) * | 2014-01-21 | 2016-09-28 | 北京航空航天大学 | 基于全局敏感度分析的高光谱反射率数据光谱特征提取方法 |
CN104280349A (zh) * | 2014-10-28 | 2015-01-14 | 南京农业大学 | 一种基于高光谱图像对白萝卜糠心鉴定的方法 |
CN104297165B (zh) * | 2014-10-28 | 2017-06-16 | 南京农业大学 | 一种基于高光谱图像对腐败真菌生长预测的方法 |
CN105158186B (zh) * | 2015-09-17 | 2017-09-22 | 南京农业大学 | 一种基于高光谱图像对白萝卜黑心检测的方法 |
CN105427274B (zh) * | 2015-10-28 | 2017-12-26 | 北京农业智能装备技术研究中心 | 一种由青霉感染引起腐烂的柑橘图像检测方法 |
CN106053353B (zh) * | 2016-05-20 | 2018-11-06 | 宁波市农业科学研究院 | 一种桃果实冷害无损检测方法 |
CN105928880B (zh) * | 2016-07-06 | 2019-01-18 | 华东师范大学 | 一种折返连续型多模式高光谱成像*** |
CN106226247A (zh) * | 2016-07-15 | 2016-12-14 | 暨南大学 | 一种基于高光谱显微成像技术的细胞检测方法 |
CN109060670B (zh) * | 2018-08-08 | 2020-01-21 | 华中科技大学 | 一种反射和透射一体化的高光谱成像***及方法 |
CN109001134A (zh) * | 2018-09-14 | 2018-12-14 | 南京林业大学 | 非接触式多通道水果内部缺陷检测***及方法 |
CA3114928A1 (en) * | 2018-10-05 | 2020-04-09 | Simbe Robotics, Inc. | Method for tracking and characterizing perishable goods in a store |
CN109557074A (zh) * | 2019-01-10 | 2019-04-02 | 华东师范大学 | 一种拉曼高光谱图像的采集方法 |
CN110231341B (zh) * | 2019-04-29 | 2022-03-11 | 中国科学院合肥物质科学研究院 | 一种水稻种子内部裂纹在线检测装置及其检测方法 |
CN113218878A (zh) * | 2020-01-21 | 2021-08-06 | 青岛海尔电冰箱有限公司 | 冰箱的食材新鲜度的判断方法、冰箱及存储介质 |
CN113049760B (zh) * | 2021-03-10 | 2022-02-01 | 中国农业大学 | 一种改善冷链果蔬品质的防冻害预警调控方法及装置 |
CN114354508A (zh) * | 2021-12-31 | 2022-04-15 | 深圳铯敏发科技有限公司 | 一种智慧农业植物保障*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1837788A (zh) * | 2006-03-24 | 2006-09-27 | 浙江大学 | 基于光特性的水果内部品质在线无损检测方法和装置 |
CN202956342U (zh) * | 2012-12-21 | 2013-05-29 | 华中农业大学 | 一种农产品透射高光谱图像采集试验台 |
-
2013
- 2013-09-11 CN CN201310409795.7A patent/CN103439270B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1837788A (zh) * | 2006-03-24 | 2006-09-27 | 浙江大学 | 基于光特性的水果内部品质在线无损检测方法和装置 |
CN202956342U (zh) * | 2012-12-21 | 2013-05-29 | 华中农业大学 | 一种农产品透射高光谱图像采集试验台 |
Non-Patent Citations (4)
Title |
---|
Detecting chilling injury in Red Delicious apple using hyperspectral imaging and neural networks;Elmasry G. et al.;《Postharvest Biology and Technology》;20090430;第52卷(第1期);第2.1,2.2,2.4,2.7节 * |
Development of a Simple Algorithm for the Detection of Chilling Injury in Cucumbers from Visible/Near-Infrared Hyperspectral Imaging;Liu Y. et al.;《Applied Spectroscopy》;20051231;第59卷(第1期);第78-85页 * |
桃果实品质评价因子的选择;张海英等;《农业工程学报》;20060831;第22卷(第8期);第235-239页 * |
高光谱成像技术在禽类产品品质无损检测中的研究进展;张嫱等;《食品工业科技》;20130430(第14期);第358-362页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103439270A (zh) | 2013-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103439270B (zh) | 一种高光谱图像检测桃果实早期冷害的方法 | |
Cubero et al. | Advances in machine vision applications for automatic inspection and quality evaluation of fruits and vegetables | |
Khoje et al. | Automated skin defect identification system for fruit grading based on discrete curvelet transform | |
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 | |
Kangune et al. | Grapes ripeness estimation using convolutional neural network and support vector machine | |
CN105158186B (zh) | 一种基于高光谱图像对白萝卜黑心检测的方法 | |
CN104280349A (zh) | 一种基于高光谱图像对白萝卜糠心鉴定的方法 | |
Gill et al. | A review of automatic fruit classification using soft computing techniques | |
Yuan et al. | Detection of early bruise in apple using near-infrared camera imaging technology combined with deep learning | |
Thakur et al. | Deep transfer learning based photonics sensor for assessment of seed-quality | |
CN110826552A (zh) | 基于深度学习的葡萄无损自动检测装置及其方法 | |
Sun et al. | Detection of the soluble solid contents from fresh jujubes during different maturation periods using NIR hyperspectral imaging and an artificial bee colony | |
Zhang et al. | Nondestructive prediction of mechanical parameters to apple using hyperspectral imaging by support vector machine | |
Bhole et al. | A transfer learning-based approach to predict the shelf life of fruit | |
Yang et al. | Early apple bruise recognition based on near-infrared imaging and grayscale gradient images | |
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 | |
Zhang et al. | Development of a hyperspectral imaging system for the early detection of apple rottenness caused by P enicillium | |
Al Haque et al. | A computer vision system for bangladeshi local mango breed detection using convolutional neural network (cnn) models | |
CN1789978A (zh) | 一种快速无损检测苹果内部质量的方法 | |
Tian et al. | Recognition method of insect damage and stem/calyx on apple based on hyperspectral imaging | |
Verma et al. | CNN based Leaves Disease Detection in Potato Plant | |
Liangliang et al. | Apple internal quality classification using X-ray and SVM | |
Jiao et al. | The infrared thermal image-based monitoring process of peach decay under uncontrolled temperature conditions. | |
Frederick et al. | Classifying adaxial and abaxial sides of diseased citrus leaves with selected hyperspectral bands and YOLOv8 | |
Pandey et al. | Evaluation of transfer learning model for mango recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |