CN103528967B - 基于高光谱图像的过熟蓝靛果果实识别方法 - Google Patents
基于高光谱图像的过熟蓝靛果果实识别方法 Download PDFInfo
- Publication number
- CN103528967B CN103528967B CN201310463530.5A CN201310463530A CN103528967B CN 103528967 B CN103528967 B CN 103528967B CN 201310463530 A CN201310463530 A CN 201310463530A CN 103528967 B CN103528967 B CN 103528967B
- Authority
- CN
- China
- Prior art keywords
- fruit
- pixel
- overdone
- wave band
- ripe
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明是一种基于高光谱图像的过熟蓝靛果识别方法,包括步骤:S1:采集蓝靛果的高光谱图像;S2:高光谱图像中的果实和背景像素采样,分析并提出去除图像背景的函数模型;S3:根据S2建立的函数模型去除图像背景;S4:采用中值滤波、形态学滤波、空间处理和阈值判断的方法去除噪声,确定果实位置;S5:对过熟果和适熟果的像素进行采样,用逐步向前变量选择的方法选出最具有判别性的波段,采用线性判别分析法建立判别过熟果像素与适熟果像素的函数模型;S6:根据S5建立的判别模型对每一个果实像素进行分类,并分别标记;S7:采用多数原则对每一个果实进行分类。本发明提出的方法,不仅利用了对象物的光谱信息,还利用了果实的空间信息,提高了判别率。
Description
技术领域
本发明涉及红外光谱识别领域,具体涉及一种基于高光谱图像的过熟蓝靛果果实识别方法。
背景技术
蓝靛果为多年生落叶灌木,其果实营养价值很高,含有灰分、蛋白质、脂肪、单宁、果胶、挥发酸、维生素和磷等多种元素,特别是维生素C的含量较高,并且它还含有人类必须从食物中获取的7种氨基酸和多种微量元素。鲜果可生食,更是酿造果酒和饮料的好原料,是难得的天然色素品。其浆果亦可入药,有清热解毒作用。通过机械振动式采摘装置收获的蓝靛果果实中包含未熟的红色、青色果实,刚熟和过熟的深蓝色果实。其中,未熟的红色、青色果实可通过普通的RGB图像处理方法判断出来;而过熟的果实与适熟的果实表面颜色相同,无法采用上述方法进行区分。但过熟的果实偏软,在运输过程中极易破损导致果浆外漏而影响其他正常果实,降低其市场价值。目前常用的方法是人工用手指判断果实的硬度,将偏软的果实挑拣出来,工作量大且效率低。
高光谱图像技术是将成像技术与光谱探测技术结合,在对目标的空间特征成像的同时,对每个空间像元经过色散形成几十个乃至几百个窄波段以进行连续的光谱覆盖。高光谱图像集图像信息与光谱信息于一身。图像信息可以反映成像对象的大小、形状、缺陷等外部品质特征,由于不同成分对光谱吸收也不同,在某个特定波长下图像对某个缺陷会有较显著的反映,而光谱信息能充分反映样品内部的物理结构、化学成分的差异。这些特点决定了高光谱图像技术在农产品内部品质的检测方面的独特优势。
发明内容
基于以上的分析,本发明的目的是利用高光谱图像,为过熟蓝靛果果实的识别提供一种全新的方法。
为了解决上述技术问题,本发明提供一种基于高光谱图像的过熟蓝靛果果实的识别方法,包括步骤:
S1:将待识别的蓝靛果果实置入高光谱成像装置,采集高光谱图像;
S2:分别对高光谱图像中的果实像素和背景像素进行采样,分析其光谱特征,提出去除图像背景的函数模型;
S3:根据S2中建立的函数模型去除图像背景;
S4:采用中值滤波、形态学滤波、空间处理和阈值判断的方法去除噪声,从而确定果实的位置;
S5:分别对过熟果像素和适熟果像素进行采样,利用逐步向前变量选择(Forward stepwise variable selection)的方法对光谱信息进行分析,从而优选出最具有判别性的波段,再采用线性判别分析(Linear discriminant analysis)法建立判别过熟果像素与适熟果像素的函数模型;
S6:根据S5建立的判别模型对每一个果实的每一个像素进行计算和判别分类,并分别标记为过熟果像素或适熟果像素;
S7:采用多数原则对每一个果实进行分类,当判别为过熟的像素数超过一个果实50%的像素数时,则该果实判为过熟果,否则为适熟果。
将每类果实的全部样本随机分成两个部分,一部分样本用于建模,另一部分样本用于测试;
设高光谱图像包含p个连续的波段,任一像素在任意波段q的亮度值Iq;
其中,所述步骤S2的去除图像背景的函数模型的获取方法为:
分别对高光谱图像中的果实像素和背景像素进行采样,对各个波段的取各自在果实像素和背景像素的平均亮度值,得到果实像素和背景像素的光谱特性曲线,分别寻找这两条曲线的亮度最大值所在波段,设果实像素的光谱特性曲线的最大亮度值所在波段为m,背景像素的光谱特性曲线的最大亮度值所在波段为n,由此提出去除图像背景的模型为:
VB=Im/In
通过试验研究确定一个阈值V,当VB>V时,该像素属于果实像素,否则,该像素属于背景像素,从而获得初步去除背景的二值图像;
其中,所述步骤S4中的阈值判断为:
根据具体成像装置的分辨率以及与果实的距离,进行试验分析,确定一个阈值A,当图像中某区域的像素数大于A,则将其判定为果实区域,否则,判定为噪声区域并处理;
其中,所述步骤S5中建立判别过熟果像素与适熟果像素的函数模型的方法为:
S51:分别对过熟果像素和适熟果像素进行采样;
S52:利用逐步向前变量选择(Forward stepwise variable selection)的方法对所有p个波段的光谱信息进行分析,从而优选出最具有判别性的k个波段x1、x2、...、xk;
S53:利用上述k个波段的光谱信息,采用线性判别分析(Linear discriminantanalysis)法建立判别过熟果像素与适熟果像素的判别函数模型:y=b0+b1Ix1-b2Ix2+...+bkIxk,y是判别值,b0是常数项,bj为第j(j=1、2、...、k)个波段的判别系数。
本发明提出的方法,不仅利用了对象物的光谱信息,还利用了果实的空间信息,并将这两类信息结合起来,提高判别率。与现有的人工手指判断果实的硬度从而决定其是否过熟的方法相比,本发明提出的方法,对果实没有伤害,为无损检测,且准备率高,具有科学依据,并可利用该方法所选择的特征波段开发相应的分选设备,具有很强的技术优势。
附图说明
图1为本发明基于高光谱图像的过熟蓝靛果果实识别方法的流程图;
图2为高光谱图像中果实与背景的光谱特性曲线;
图3为基于高光谱图像的过熟蓝靛果果实识别过程;其中(a)为蓝靛果果实的RGB图像,奇数列为过熟果,偶数列为适熟果;(b)为(a)中所示果实的高光谱图像在波段35(751nm)处的灰度图;(c)为根据步骤S2中建立的函数模型去除背景后的图像,白色表示被判别为果实像素,黑色表示被判别为背景像素;(d)为采用中值滤波、形态学滤波、空间处理和阈值判断的方法去除噪声后的果实位置图像;(e)为根据(d)中所示果实位置提取的果实高光谱图像在波段35(751nm)处的灰度图;(f)为根据步骤S5建立的过熟果像素与适熟果像素的判别分类模型对每一个果实像素进行判别分类后的结果,其中灰色像素为过熟果像素,白色像素为适熟果像素;(g)为根据步骤S7的多数原则确定的果实类别,灰色表示被判别为过熟果,白色表示被判别为适熟果;(h)为实际的果实类别,灰色表示实际为过熟果,白色表示实际为适熟果。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式做进一步详细描述。
如图1所示,本发明所述的基于高光谱图像的过熟蓝靛果果实识别方法包括:
步骤S1,将采集的蓝靛果果实置入高光谱成像装置中,采集高光谱图像,本实例的光谱波长范围为369-1042nm,包含60个波段,每个波段的范围为11nm,每个波段的中心波长的计算公式为:
wl=0.000324(8wn+1)2+1.273(8wn+1)+367.7
其中wl为中心波长,wn为波段号,n的取值为0,1,2,...,59;
步骤S2:分别对高光谱图像中的果实像素和背景像素进行采样,获得如图2所示的光谱特性曲线,其中果实在波段35(751nm)时取得最大值,背景在波段28(671nm)时取得最大值,因此提出去除图像背景的模型为:
VB=I35/I28
其中I35是像素在波段35(751nm)处的亮度值,I28是像素在波段28(671nm)处的亮度值;
步骤S3:根据S2中建立的函数模型,取图像中每个像素在波段35(751nm)和波段28(671nm)处的亮度值,相比后获得VB,以试验研究获得的VB=1.0为阈值,当VB>1.0时,该像素属于果实像素,否则,该像素属于背景像素,从而获得初步去除背景的二值图像,如图3(b)所示,白色表示被判别为果实像素,黑色表示被判别为背景像素;
步骤S4,针对上述二值图像,采用9×9的算子进行中值滤波后进行腐蚀操作,再应用空间处理的方法即将连接的像素区域用相同的数字进行标记,不连接的像素用不同的数字进行标记,从而获取图像内的区域数及每个区域的像素数,最后以实验研究确定的400像素为阈值,将像素数小于400的区域作为噪声并去除,由此确定图像内的果实数量和位置,以及每个果实的像素数,如图3(d)中所示的白色区域即为果实的位置;
步骤S5,分别对过熟果像素和适熟果像素进行采样,利用逐步向前变量选择的方法对光谱信息进行分析,从而优选出最具有判别性的波段为波段35(751nm)和波段5(420nm),再采用线性判别分析法建立判别过熟果像素与适熟果像素的函数模型为
y=2.317×I35-4.057×I5-5.593
其中I35是像素在波段35(751nm)处的亮度值,I5是像素在波段5(420nm)处的亮度值;
步骤S6:针对S4确定的每一个果实像素,提取其在波段35(751nm)和波段5(420nm)处的亮度值,应用S5确定的判别式模型对每一个果实像素进行分类,当y>0时,该像素被判断为过熟果像素,否则,该像素被判断为适熟果像素,如图3(f)所示,其中灰色像素为过熟果像素,白色像素为适熟果像素;
步骤S7:针对每一个果实,采用多数原则对其进行最终分类,当一个果实的过熟果像素数超过该果实总像素数的50%时,则该果实判断为过熟果,否则,该果实判断为适熟果,如图3(g)所示,灰色表示被判别为过熟果,白色表示被判别为适熟果。
Claims (1)
1.一种基于高光谱图像的过熟蓝靛果果实识别方法,其特征在于,包括步骤:
S1:将待识别的蓝靛果果实利用高光谱成像装置采集波长范围为369-1042nm共60个波段高光谱图像,每个波段的范围为11nm,每个波段的中心波长的计算公式为:wl=0.000324×(8wn+1)2+1.273×(8wn+1)+367.7,其中wl为中心波长,wn为波段号,n的取值为0,1,2,...,59;
S2:分别对高光谱图像中的果实像素和背景像素进行采样,对各个波段的取各自在果实像素和背景像素的平均亮度值,得到果实像素和背景像素的光谱特性曲线,分别寻找这两条曲线的亮度最大值所在波段,设果实像素的光谱特性曲线的最大亮度值所在波段为m,背景像素的光谱特性曲线的最大亮度值所在波段为n,由此提出去除图像背景的模型为:
VB=Im/In
S3:根据S2中建立的函数模型,通过试验研究确定一个阈值V,当VB>V时,该像素属于果实像素,否则,该像素属于背景像素,从而获得初步去除背景的二值图像;
S4:采用中值滤波、形态学滤波、空间处理和阈值判断的方法去除噪声,从而确定果实的位置;
S5:分别对过熟果像素和适熟果像素进行采样,利用逐步向前变量选择的方法对光谱信息进行分析,从而优选出最具有判别性的波段,再采用线性判别分析法建立判别过熟果像素与适熟果像素的函数模型为:
y=2.317×I35-4.057×I5-5.593
其中I35是像素在波段35、即751nm波长处的亮度值,I5是像素在波段5、即420nm波长处的亮度值;
S6:根据S5建立的判别模型对每一个果实的每一个像素进行计算和判别分类,并分别标记为过熟果像素或适熟果像素;
S7:采用多数原则对每一个果实进行分类,当判别为过熟的像素数超过一个果实50%的像素数时,则该果实判为过熟果,否则为适熟果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310463530.5A CN103528967B (zh) | 2013-09-25 | 2013-09-25 | 基于高光谱图像的过熟蓝靛果果实识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310463530.5A CN103528967B (zh) | 2013-09-25 | 2013-09-25 | 基于高光谱图像的过熟蓝靛果果实识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103528967A CN103528967A (zh) | 2014-01-22 |
CN103528967B true CN103528967B (zh) | 2016-08-31 |
Family
ID=49931154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310463530.5A Expired - Fee Related CN103528967B (zh) | 2013-09-25 | 2013-09-25 | 基于高光谱图像的过熟蓝靛果果实识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103528967B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103822879B (zh) * | 2014-02-24 | 2016-08-17 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
CN106644958B (zh) * | 2016-11-14 | 2019-04-05 | 浙江大学 | 一种桃果实内部果胶含量空间分布成像的方法 |
CN106871569A (zh) * | 2016-12-30 | 2017-06-20 | 青岛海尔智能技术研发有限公司 | 冰箱内部食物的种类识别方法与冰箱 |
CN107505325B (zh) * | 2017-08-18 | 2023-04-25 | 西北农林科技大学 | 冬枣果实的全方位品质检测方法 |
CN113252585B (zh) * | 2021-04-21 | 2024-02-09 | 深圳市海谱纳米光学科技有限公司 | 一种基于高光谱图像判断黄金表面覆膜的方法和装置 |
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*** |
CN117288692B (zh) * | 2023-11-23 | 2024-04-02 | 四川轻化工大学 | 一种酿酒粮食中单宁含量的检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1868610A (zh) * | 2006-04-29 | 2006-11-29 | 江西农业大学 | 小型可移动式水果及禽蛋智能分级装置 |
CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
CN102661920A (zh) * | 2012-04-11 | 2012-09-12 | 东北林业大学 | 一种对杂草进行分类识别的装置和方法 |
CN102706813A (zh) * | 2012-05-31 | 2012-10-03 | 北京林业大学 | 基于高光谱图像的草地早熟禾品种识别方法 |
CN103033512A (zh) * | 2012-07-24 | 2013-04-10 | 南京农业大学 | 一种基于高光谱识别种蛋孵化的装置与方法 |
CN103111427A (zh) * | 2013-01-10 | 2013-05-22 | 上海交通大学 | 基于图像处理的水果分选装置 |
-
2013
- 2013-09-25 CN CN201310463530.5A patent/CN103528967B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1868610A (zh) * | 2006-04-29 | 2006-11-29 | 江西农业大学 | 小型可移动式水果及禽蛋智能分级装置 |
CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
CN102661920A (zh) * | 2012-04-11 | 2012-09-12 | 东北林业大学 | 一种对杂草进行分类识别的装置和方法 |
CN102706813A (zh) * | 2012-05-31 | 2012-10-03 | 北京林业大学 | 基于高光谱图像的草地早熟禾品种识别方法 |
CN103033512A (zh) * | 2012-07-24 | 2013-04-10 | 南京农业大学 | 一种基于高光谱识别种蛋孵化的装置与方法 |
CN103111427A (zh) * | 2013-01-10 | 2013-05-22 | 上海交通大学 | 基于图像处理的水果分选装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103528967A (zh) | 2014-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103528967B (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
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 | |
Bauriegel et al. | Early detection of Fusarium infection in wheat using hyper-spectral imaging | |
Xing et al. | Combination of chemometric tools and image processing for bruise detection on apples | |
Mebatsion et al. | Automatic classification of non-touching cereal grains in digital images using limited morphological and color features | |
CN102435713B (zh) | 中药品质自动检测*** | |
Zapotoczny et al. | Application of image analysis for the varietal classification of barley:: Morphological features | |
Eissa et al. | Understanding color image processing by machine vision for biological materials | |
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 | |
Guzmán et al. | Infrared machine vision system for the automatic detection of olive fruit quality | |
Abdullah et al. | Automated inspection system for colour and shape grading of starfruit (Averrhoa carambola L.) using machine vision sensor | |
CN105427274B (zh) | 一种由青霉感染引起腐烂的柑橘图像检测方法 | |
CN110763698A (zh) | 一种基于特征波长的高光谱柑橘叶片病害识别方法 | |
Nogales-Bueno et al. | Comparative study on the use of anthocyanin profile, color image analysis and near-infrared hyperspectral imaging as tools to discriminate between four autochthonous red grape cultivars from La Rioja (Spain) | |
CN102855640A (zh) | 基于神经网络的水果等级分类*** | |
CN105606473B (zh) | 一种基于机器视觉的红提葡萄硬度无损检测方法 | |
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 | |
CN109883967A (zh) | 一种基于信息融合的中华绒螯蟹品质等级判别方法 | |
CN102788806B (zh) | 基于类球形亮度变换的水果表面缺陷检测方法 | |
Alfatni et al. | Recent methods and techniques of external grading systems for agricultural crops quality inspection-review | |
CN114965346A (zh) | 基于深度学习和高光谱成像技术的猕猴桃品质检测方法 | |
CN114295556A (zh) | 一种基于一维卷积的高光谱理化指标拟合方法及*** | |
CN201041547Y (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 | |
Ji et al. | Apple color automatic grading method based on machine vision | |
CN112132792A (zh) | 基于高光谱和深度学习的山核桃内源异物像素级检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Fu Longsheng Inventor after: Sun Shipeng Inventor after: Feng Yali Inventor after: Peng Jun Inventor after: Li Rui Inventor before: Fu Longsheng Inventor before: Li Rui |
|
COR | Change of bibliographic data | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160831 Termination date: 20170925 |
|
CF01 | Termination of patent right due to non-payment of annual fee |