CN106940292A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN106940292A CN106940292A CN201710273539.8A CN201710273539A CN106940292A CN 106940292 A CN106940292 A CN 106940292A CN 201710273539 A CN201710273539 A CN 201710273539A CN 106940292 A CN106940292 A CN 106940292A
- Authority
- CN
- China
- Prior art keywords
- worms
- damaging
- bar denier
- optical spectrum
- imaging technology
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (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虫蛀巴旦木原料快速无损鉴别方法，即利用多光谱成像技术获取巴旦木果壳信息，实现将虫蛀果从正常果中快速、有效地筛选出来，同时能识别不同虫蛀等级的巴旦木。该发明能将正常巴旦木和虫蛀巴旦木以及不同虫蛀等级的巴旦木准确归类，满足巴旦木在线检测加工在准确度、识别度及稳定性方面的要求，提高产品安全性，为巴旦木的自动化深加工与提高市场竞争力提供技术支持。本发明的优点在于能够在巴旦木外形完整、一致的情况下对虫蛀果和正常果准确归类，而且操作简便、不破坏样品、不污染环境，同时还避免了人工评价和筛选中人为因素的干扰，结果更客观、准确。
Description
技术领域
本发明涉及无损检测方法领域，具体是一种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。
背景技术
巴旦木含有丰富的生物活性物质如维生素E、精氨酸、纤维、单不饱和脂肪酸、多不饱和脂肪酸以及其他微量元素，对心脏相关疾病、癌症和2型糖尿病有一定的预防作用，加上香味和口感独特，因此成为国内外消费和贸易的重要经济作物。
受高温、高湿环境影响，采摘后的巴旦木易受害虫侵染，并且巴旦木的虫蛀现象很复杂，不同于板栗，表面有虫孔，幼虫会直接啃食果仁而不啃食果皮，这些伤口有的能暴露出来，有的则被隐藏，肉眼无法识别。为了发现早期的虫蛀现象，消除潜在风险，有必要将虫蛀巴旦木分等级鉴别。在巴旦木产品加工之前通过筛选，剔除虫害的坚果，可以减少贮运期间的损失，最大限度地保持营养、新鲜程度及食用安全性，增加对消费者的吸引力，同时及时处理轻微虫蛀的巴旦木，防止进一步侵染，降低潜在风险。目前，我国商品化巴旦木的虫蛀坚果鉴别存在耗时费力、速度慢、结果不稳定等问题，因此，在巴旦木的加工过程中迫切需要一种便捷、快速的鉴别方法。
多光谱成像是近年来广泛采用的一种快速无损检测技术，与传统高光谱成像技术相比，多光谱成像技术避免了海量的光谱特征数据，更适合于农产品品质的实时在线检测。目前，在农产品的无损检测中机器视觉、近红外光谱等已初步应用在工业在线检测，但用于内部瑕疵检测的相关商业化设备较少。
发明内容
本发明的目的是提供一种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，以解决现有技术没有应用于巴旦木内部瑕疵检测的多光谱成像技术的问题。
为了达到上述目的，本发明所采用的技术方案为：
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，其特征在于：包括以下步骤：
(1)基于多光谱成像技术获取正常巴旦木样本和虫蛀巴旦木样本的光谱图像信息；
(2)依据虫蛀程度，将虫蛀果进一步分为轻微和严重虫蛀两个等级，鉴别不同虫蛀程度的巴旦木。
(3)分别对正常巴旦木样本和虫蛀巴旦木样本的光谱图像信息依次进行去噪处理、背景剔除、图像分割后，获得正常巴旦木样本、虫蛀巴旦木样本的果壳光谱图像信息；
(4)利用步骤(3)中的原始光谱数据，结合支持向量机(SVM)回归法建立正常巴旦木样本、虫蛀巴旦木样本的果壳光谱图像信息的分析模型。原始数据里记录了每个巴旦木样品的特征分量，不同类别的样品分别给出类别标签，首先将样本随机分为两组，一组作为训练集，一组作为测试集，之后用训练集训练分类器，可以得到分类模型，再用得到的模型对测试集进行类别标签预测，从而实现对虫蛀巴旦木的快速无损鉴别。
所述的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，其特征在于：步骤(1)中，选取的正常巴旦木样本和虫蛀巴旦木样本外形均是完整的。
所述的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，其特征在于：步骤(1)中的多光谱成像技术由多光谱测量仪实现，并采用多光谱测量仪包含405～970nm范围内19个特征波长的光谱波段(405,435,450,470,505,525,570,590,630,645,660,700,780,850,870,890,910,940,970nm)，以获取正常巴旦木样本和虫蛀巴旦木样本的光谱图像信息。
所述的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，其特征在于：步骤(3)中，采用VideometerLab软件进行去噪处理。
所述的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，其特征在于：步骤(3)中，采用典型判别分析和阈值设定完成背景剔除和图像分割。
所述的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，其特征在于：步骤(4)中，采用支持向量机回归法建立正常巴旦木样本、虫蛀巴旦木样本的果壳光谱图像信息的分析模型。
本发明针对巴旦木复杂的虫蛀情况，介绍了一种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，即利用多光谱成像技术获取巴旦木果壳信号，将获取的巴旦木光谱图像经由图像分割、数据分析和计算机建模，实现对虫蛀巴旦木的快速无损鉴别。此法具有操作简便、快速、无破损等优点，有利于巴旦木的精细化生产，满足消费者对高品质坚果的追求。
本发明提供了一种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，为多光谱成像在坚果内部品质的无损、实时、自动检测领域提供技术支持，可满足巴旦木在线检测加工对准确度、识别度及稳定性方面的要求，为我国巴旦木商品的自动化深加工与提高市场竞争力提供技术支持。
本发明利用多光谱成像技术具有无损、快速、无污染等优点，与常规的方法相比，该方法能够在巴旦木外形完整、一致的情况下将虫蛀巴旦木从正常果中有效地鉴别出来，识别不同虫蛀程度的巴旦木，而且不破坏样品、不污染环境，同时还避免了人工评价和筛选中的人为因素的干扰，结果更客观、准确。
附图说明
图1正常和虫蛀巴旦木的平均反射光谱图。
图2正常和虫蛀巴旦木测试集的实际分类和预测分类图。
图3正常、轻微和严重虫蛀巴旦木测试集的实际分类和预测分类图。
具体实施方式
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，包括以下步骤：
(1)基于多光谱成像技术获取正常巴旦木样本和虫蛀巴旦木样本的光谱图像信息；
(2)依据虫蛀程度，将虫蛀果进一步分为轻微和严重虫蛀两个等级，鉴别不同虫蛀程度的巴旦木。
(3)分别对正常巴旦木样本和虫蛀巴旦木样本的光谱图像信息依次进行去噪处理、背景剔除、图像分割后，获得正常巴旦木样本、虫蛀巴旦木样本的果壳光谱图像信息；
(4)利用步骤(3)中的原始光谱数据，结合支持向量机(SVM)回归法建立正常巴旦木样本、虫蛀巴旦木样本的果壳光谱图像信息的分析模型。原始数据里记录了每个巴旦木样品的特征分量，不同类别的样品分别给出类别标签，首先将样本随机分为两组，一组作为训练集，一组作为测试集，之后用训练集训练分类器，可以得到分类模型，再用得到的模型对测试集进行类别标签预测，从而实现对虫蛀巴旦木的快速无损鉴别。
步骤(1)中，选取的正常巴旦木样本和虫蛀巴旦木样本外形均是完整的。
步骤(1)中的多光谱成像技术由多光谱测量仪实现，并采用多光谱测量仪包含405～970nm范围内19个特征波长的光谱波段(405,435,450,470,505,525,570,590,630,645,660,700,780,850,870,890,910,940,970nm)，以获取正常巴旦木样本和虫蛀巴旦木样本的光谱图像信息。
步骤(3)中，采用VideometerLab软件进行去噪处理。
步骤(3)中，采用典型判别分析和阈值设定完成背景剔除和图像分割。
步骤(4)中，采用支持向量机回归法(SVM)建立正常巴旦木样本、虫蛀巴旦木样本的果壳光谱图像信息的分析模型。
实施例
实验样本：
准备两组(A、B)果壳完整的巴旦木，A组果仁正常，B组果仁有虫蛀现象；
1、快速无损检测正常和虫蛀巴旦木
检测步骤如下：
(1)从A组中随机选取115粒、B组选取230粒巴旦木，用多光谱测量仪(VideometerA/S，丹麦，其光谱范围为405-970nm，具体包含405,435,450,470,505,525,570,590,630,645,660,700,780,850,870,890,910,940,970nm)获取上述巴旦木样本和背景信息，然后使用VideometerLab软件进行去噪处理，运用典型判别分析和阈值设定完成背景剔除和图像分割，获取样本的果壳信息。
(2)采用支持向量机回归法(SVM)对上述样本建立巴旦木与所对应光谱信息的分析模型。A、B两组分别随机分配40和80个样本作为测试集，剩下的样本作为训练集。将正常坚果的标签定为1，虫蛀坚果的标签定为2，先用测试集训练分类器，再用得到的模型对测试集进行类别标签预测，图2即为测试集的预测结果。
(3)表1即为正常巴旦木和虫蛀巴旦木测试集样本的检测结果。
表1虫蛀巴旦木的快速无损鉴别结果
2、快速无损检测不同虫蛀程度的巴旦木
检测步骤如下：
(1)将实施例1中虫蛀巴旦木样品分成轻微和严重虫蛀两类，各115个样品。用多光谱测量仪(Videometer A/S，丹麦，其光谱范围为405-970nm，具体包含405,435,450,470,505,525,570,590,630,645,660,700,780,850,870,890,910,940,970nm)获取上述巴旦木样本和背景信息，然后使用VideometerLab软件进行去噪处理，运用典型判别分析和阈值设定完成背景剔除和图像分割，获取样本的果壳信息。
(2)虫蛀巴旦木的分类依据样品虫蛀程度划分，具体操作如下：
光谱图像获取后，所有的样品经过带壳称重、去壳称重，计算出果仁比重。与正常巴旦木相比后，以50％的果仁比重为界限，大于50％的视为轻微虫蛀，小于等于50％的视为严重虫蛀，并以此特征重新将虫蛀光谱分为轻微和严重两类；
(3)采用支持向量机(SVM)回归法对上述样本建立巴旦木与所对应光谱信息的分析模型。三类样品分别随机分配40和75个样本作为测试集和训练集。将正常坚果的标签定为1，轻微虫蛀坚果的标签定为2，严重虫蛀坚果的标签定为3，先用测试集训练分类器，再用得到的模型对测试集进行类别标签预测，图3即为三类巴旦木测试集的预测结果。
(4)表2即为不同虫蛀等级巴旦木测试集样本的检测结果。
表2不同虫蛀等级巴旦木的快速无损鉴别结果
从图1可看出，正常、虫蛀巴旦木在405-970nm之间有明显的光谱区分，由表1可知，120个被测结果的总正确判别率为97.50％，表2中测试集的总正确判别率为93.33％，而从图2、图3可明确看出正常、虫蛀巴旦木以及不同虫蛀等级巴旦木的错判情况，由此表明本发明利用多光谱成像对虫蛀巴旦木的快速无损鉴别是可行的。
Claims (6)
1.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，其特征在于：包括以下步骤：
（1）基于多光谱成像技术获取正常巴旦木样本和虫蛀巴旦木样本的光谱图像信息；
（2）根据权利要求1所述的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，其特征在于：多光谱成像技术除了能将正常巴旦木和虫蛀巴旦木准确归类，依据虫蛀程度，将虫蛀果进一步分为轻微和严重虫蛀两个等级，鉴别不同虫蛀程度的巴旦木，在剔除损害巴旦木的同时，还能在虫蛀早期发现问题，及时处理减少损失，提高产品利用率；
（3）分别对正常巴旦木样本和虫蛀巴旦木样本的光谱图像信息依次进行去噪处理、背景剔除、图像分割后，获得正常巴旦木样本、虫蛀巴旦木样本的果壳光谱图像信息；
（4）利用步骤（3）中的原始光谱数据，结合支持向量机（SVM）回归法建立正常巴旦木样本、虫蛀巴旦木样本的果壳光谱图像信息的分析模型；
原始数据里记录了每个巴旦木样品的特征分量，不同类别的样品分别给出类别标签，首先将样本随机分为两组，一组作为训练集，一组作为测试集，之后用训练集训练分类器，可以得到分类模型，再用得到的模型对测试集进行类别标签预测，从而实现对虫蛀巴旦木的快速无损鉴别。
2.根据权利要求1所述的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，其特征在于：步骤（1）中，选取的正常巴旦木样本和虫蛀巴旦木样本外形均是完整的。
3.根据权利要求1所述的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，其特征在于：步骤（1）中的多光谱成像技术由多光谱测量仪实现，并采用多光谱测量仪在405~970 nm范围内19个特征波长的光谱波段（405, 435, 450, 470, 505, 525, 570,590, 630, 645, 660, 700, 780, 850, 870, 890, 910, 940, 970 nm），以获取正常巴旦木样本和虫蛀巴旦木样本的光谱图像信息。
4.根据权利要求1所述的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，其特征在于：步骤（3）中，采用VideometerLab 软件进行去噪处理。
5.根据权利要求1所述的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，其特征在于：步骤（3）中，采用典型判别分析和阈值设定完成背景剔除和图像分割。
6.根据权利要求1所述的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，其特征在于：步骤（4）中，采用支持向量机回归法建立正常巴旦木样本、虫蛀巴旦木样本的果壳光谱图像信息的分析模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710273539.8A CN106940292A (zh) | 2017-04-25 | 2017-04-25 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710273539.8A CN106940292A (zh) | 2017-04-25 | 2017-04-25 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106940292A true CN106940292A (zh) | 2017-07-11 |
Family
ID=59464114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710273539.8A Pending CN106940292A (zh) | 2017-04-25 | 2017-04-25 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106940292A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107490550A (zh) * | 2017-07-17 | 2017-12-19 | 安徽谱泉光谱科技有限公司 | 一种夏威夷果在线品质检测方法 |
| CN109540814A (zh) * | 2019-01-12 | 2019-03-29 | 合肥工业大学 | 一种基于多光谱成像技术的蝴蝶兰灰霉病早期检测方法 |
| CN115575405A (zh) * | 2022-10-24 | 2023-01-06 | 江西绿萌科技控股有限公司 | 一种基于多光谱图像特征量的水果外观品质检测方法 |
| CN117253122A (zh) * | 2023-11-17 | 2023-12-19 | 云南大学 | 玉米种子近似品种筛选方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103149163A (zh) * | 2013-02-05 | 2013-06-12 | 南京农业大学 | 基于多光谱图像纹理特征的检测牛肉嫩度的装置及其方法 |
| CN103543106A (zh) * | 2013-09-30 | 2014-01-29 | 合肥工业大学 | 基于光谱成像技术的瓜子品质特征快速无损检测方法 |
| CN106290171A (zh) * | 2016-07-27 | 2017-01-04 | 内蒙古大学 | 基于svm和回归分析的玉米叶片叶绿素含量及表型参数测定方法 |
-
2017
- 2017-04-25 CN CN201710273539.8A patent/CN106940292A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103149163A (zh) * | 2013-02-05 | 2013-06-12 | 南京农业大学 | 基于多光谱图像纹理特征的检测牛肉嫩度的装置及其方法 |
| CN103543106A (zh) * | 2013-09-30 | 2014-01-29 | 合肥工业大学 | 基于光谱成像技术的瓜子品质特征快速无损检测方法 |
| CN106290171A (zh) * | 2016-07-27 | 2017-01-04 | 内蒙古大学 | 基于svm和回归分析的玉米叶片叶绿素含量及表型参数测定方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘伟 等: "基于支持向量机的多光谱成像稻谷品种鉴别", 《农业工程学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107490550A (zh) * | 2017-07-17 | 2017-12-19 | 安徽谱泉光谱科技有限公司 | 一种夏威夷果在线品质检测方法 |
| CN109540814A (zh) * | 2019-01-12 | 2019-03-29 | 合肥工业大学 | 一种基于多光谱成像技术的蝴蝶兰灰霉病早期检测方法 |
| CN115575405A (zh) * | 2022-10-24 | 2023-01-06 | 江西绿萌科技控股有限公司 | 一种基于多光谱图像特征量的水果外观品质检测方法 |
| CN117253122A (zh) * | 2023-11-17 | 2023-12-19 | 云南大学 | 玉米种子近似品种筛选方法、装置、设备及存储介质 |
| CN117253122B (zh) * | 2023-11-17 | 2024-01-23 | 云南大学 | 玉米种子近似品种筛选方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
| CN103063585B (zh) | 瓜果成熟度快速无损检测装置及检测***建立方法 | |
| CN110763698B (zh) | 一种基于特征波长的高光谱柑橘叶片病害识别方法 | |
| CN102253052B (zh) | 基于fpga的粮食品质在线检测装置 | |
| 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 | |
| CN108444924B (zh) | 一种应用高光谱图像技术判别茶叶贮藏期的方法 | |
| CN113008817A (zh) | 一种基于高光谱成像技术快速鉴别苦杏仁真伪优劣的方法 | |
| Saini et al. | Analysis of wheat grain varieties using image processing–a review | |
| Rafiq et al. | Application of computer vision system in food processing | |
| CN105628708A (zh) | 一种南疆红枣多参量品质快速无损检测方法 | |
| CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
| Carolina et al. | Classification of oranges by maturity, using image processing techniques | |
| CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
| Aredo et al. | Predicting of the Quality Attributes of Orange Fruit Using Hyperspec-tral Images | |
| Syazwan et al. | Categorization of watermelon maturity level based on rind features | |
| CN102749420B (zh) | 一种适宜凝胶型蛋白质加工的花生品质测定及其评价方法 | |
| CN202083645U (zh) | 一种基于fpga的粮食品质在线检测装置 | |
| Zhou et al. | Green plums surface defect detection based on deep learning methods | |
| CN106338488A (zh) | 一种转基因豆奶粉的快速无损鉴别方法 | |
| Ji et al. | Apple color automatic grading method based on machine vision | |
| CN110609011A (zh) | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及*** | |
| CN110231300A (zh) | 一种无损快速鉴别真假阿克苏红富士苹果的方法 | |
| Li | Classification of black tea leaf water content based on hyperspectral imaging | |
| Fu et al. | Distinguishing overripe berries of Japanese blue honeysuckle using hyperspectral imaging analysis | |
| Ravindran et al. | A review on non-destructive techniques for evaluating quality of fruits |
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: 20170711 |
|
| RJ01 | Rejection of invention patent application after publication |