CN107748165A - 基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法 - Google Patents

基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法 Download PDF

Info

Publication number
CN107748165A
CN107748165A CN201711127137.3A CN201711127137A CN107748165A CN 107748165 A CN107748165 A CN 107748165A CN 201711127137 A CN201711127137 A CN 201711127137A CN 107748165 A CN107748165 A CN 107748165A
Authority
CN
China
Prior art keywords
potato
electronic nose
solanine
sample
machine vision
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
Application number
CN201711127137.3A
Other languages
English (en)
Inventor
黄星奕
孙兆燕
任晓锋
田潇瑜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201711127137.3A priority Critical patent/CN107748165A/zh
Publication of CN107748165A publication Critical patent/CN107748165A/zh
Pending legal-status Critical Current

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
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/04—Preparation or injection of sample to be analysed
    • G01N30/06—Preparation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/04—Preparation or injection of sample to be analysed
    • G01N30/06—Preparation
    • G01N2030/062—Preparation extracting sample from raw material

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Combustion & Propulsion (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法，属于农产品无损检测技术领域。用机器视觉获得马铃薯图像，提取图像中绿皮及发芽区域的颜色及纹理特征；然后依据气相色谱‑质谱联用仪所得气体信息构建专用于马铃薯测定的电子鼻传感器阵列，优化集气装置与测定条件，对待测马铃薯进行气体成分采集，提取响应信号的稳定值作为特征值；最终将所得图像信息与电子鼻信息进行特征层融合，建立其与龙葵素含量之间的相关模型，实现对马铃薯中龙葵素含量的快速高效无损伤检测。本发明提出基于电子鼻与机器视觉融合技术对马铃薯贮藏过程中龙葵素含量进行预测，目前尚未见报道，是将无损检测技术应用于农产品安全性指标检测的积极探索。

Description

基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法
技术领域
本发明涉及基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法，属于农产品无损检测技术领域。
背景技术
马铃薯富含碳水化合物、蛋白质、矿物质(磷、钙等)、以及维生素等多种营养成分。是世界上的第四大粮食作物，同时也是世界上重要的蔬菜及经济作物，栽培范围遍布全球。目前，我国马铃薯种植面积和总产量均居世界首位。随着马铃薯产量及消费面的扩大，马铃薯及其制品的食用安全问题也越来越受关注。马铃薯存储和运输过程中绿皮与发芽个体中龙葵素(主要成分为α-茄碱和α-卡茄碱)含量剧增，龙葵素具有较强的毒性，可对人体的消化***、神经***以及胃肠***造成损伤，严重时可导致死亡，因此对马铃薯中龙葵素的检测变得尤为重要。
现阶段对绿皮及发芽样本的检测主要分为传统方法、化学方法检测以及无损检测方法。传统方法凭借人工对变绿及发芽个体进行剔除，费时费力；常用的化学检测方法分为紫外分光光度法、高效液相法等，不仅损坏样品、费时费力且对操作人员要求较高。现阶段常用的无损检测方法主要为近红外检测、高光谱检测、机器视觉等检测，经检索相关专利有：一种基于机器视觉的绿化马铃薯检测分级方法，公开号为：CN103394472A。该专利开发了一种基于色调值判别法对表皮发绿的马铃薯进行检测分级的方法。该专利对每个不停滚动的样本采集三幅不同表面的图像，提取各图像的R、G、B值并转化为色调值，通过与阈值比较后统计其绿化点和正常点数目，最终将样本划分为正常、不明显绿化和绿化样本，通过实例验证后其准确率可达90.8％。此检测方法与人工检测相比虽然提高了检测速度，对马铃薯进行了更进一步的划分，但此判别方法仅依据马铃薯外部颜色特征对其进行划分，对其内部龙葵素含量未进行测定，并不能确定样本是否可食。因此探索一种以龙葵素含量为判定依据的快速无损检测方法变得尤为重要。
本次所申请的专利不仅依据马铃薯变绿及发芽时外部颜色信息，而且同时判别其内部气味信息的变化，利用机器视觉与电子鼻技术相结合对马铃薯内部龙葵素含量进行定量分析，依据龙葵素含量及马铃薯表面颜色特征将马铃薯划分为可食用薯、绿色薯和发芽薯，实现有效分类。此方法不仅可以保证马铃薯的食用安全性，并且绿色样本可被用于医学研究，而发芽样本则可作为种薯，完全实现资源的再利用。本专利中将机器视觉与电子鼻技术相结合可以弥补单一检测技术对初期样本识别率低的缺陷。此发明采用无损的检测方法以龙葵素含量作为依据对样本进行划分，不仅为马铃薯及其制品的食用安全性提供了保障，还可促进马铃薯深加工产业发展，对我国未来马铃薯产业发展影响深远。
发明内容
为了克服背景技术中存在的问题,本发明的目的在于提供一种基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法。本专利依据高效液相测定的马铃薯中龙葵素含量将马铃薯划分为可食和不可食；采用计算机视觉获得马铃薯图像信息，对图像进行预处理、去除背景、绿皮及发芽区域分割、提取颜色特征值；通过电子鼻采集马铃薯气味信息，数据经预处理后提取其稳定值作为特征值；将所得的图像信息与电子鼻信息在特征层进行融合，并建立其与高效液相所得龙葵素含量之间的相关模型，最终将马铃薯划分为可食薯、绿皮薯和发芽薯。将马铃薯的图像信息与气味信息相结合，在不损伤样本的前提下对马铃薯中龙葵素含量进行预测，从而快速、高效的实现马铃薯是否可食用的定性判别。
本发明采用的技术方案如下:基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法，按照下述步骤进行：
首先采用电荷耦合元(Charge Coupled Device,CCD)摄像头获得马铃薯图像，对图像进行预处理，提取其绿皮及发芽区域的颜色及纹理特征；然后依据气相色谱-质谱联用仪(Gas Chromatography-Mass Spectrometer,GC-MS)所得气体成分信息构建专用于马铃薯测定的电子鼻传感器阵列，挑选样品集气装置，优化测定条件，对不同品质的马铃薯进行气体成分采集，对所得数据进行预处理，提取其稳定值作为特征值；最终将所得的图像信息与电子鼻信息进行特征层融合，建立其与龙葵素含量之间的相关模型，实现对马铃薯中龙葵素含量的快速高效无损伤检测。
具体实施步骤：基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法，按照下述步骤进行：
步骤1：采用机器视觉中专门设计的马铃薯图像采集***，对马铃薯样本进行图像采集，确保马铃薯表面颜色及纹理特征信息的完整性，将所得图像保存至计算机中。
步骤2：采用专门设计的电子鼻对马铃薯样本进行顶空气体采样，记录电子鼻传感器阵列响应信号值,从而得到传感器阵列对不同检测样品的响应曲线，将其存储于计算机中。
步骤3：对马铃薯样本前处理，提取其龙葵素后采用高效液相色谱法进行测定，获得其龙葵素含量值。
步骤4：分别对步骤1机器视觉所获取图像反映的马铃薯样本外部信息和步骤2电子鼻所测得马铃薯样本内部信息进行预处理，并提取各自特征值，将二者在特征层进行融合，然后构建其与龙葵素含量之间的相关关系，建立模型对马铃薯绿皮与发芽状态进行判别。
其中步骤1中机器视觉中专门设计的马铃薯图像采集***由光箱、光源、载物台、摄像头等几大部分组成。光箱是根据马铃薯拍摄的需要所设计的，上部为半球形，直径为38cm；下部为直筒型，直径38cm，高15cm。光源采用可调式环形发光二极管(Light EmittingDiode，LED)，光源与样本的距离根据马铃薯品种和大小的不同可调节。CCD摄像头拍摄图像时应调节光源位置与强度使得其照射在样本上的光线均匀且强度适中，无明显反射光斑。
其中步骤2中的电子鼻是专门设计的，由江苏大学无损检测团队自行研制。该电子鼻由气体采样***、气敏传感器阵列、主控***和软件分析***四部分组成。其中，气敏传感器阵列的确定过程为：采用GC-MS对马铃薯样本所产生的气体成分进行检测，依据GC-MS所得结果，结合电子鼻传感器的交互敏感特性构建适用于马铃薯龙葵素检测的传感器阵列。对GC-MS所测数据的分析结果显示，马铃薯气体成分主要包括30种，其中醇类9种、醛类8种、烃类6种还包括酮类、酸类、酯类、呋喃类等物质。最终确定传感器阵列为：TGS832、WSP2110、TGS822、TGS813、TGS880、TGS2610、TGS2611、TGS2600、TGS2620、MQ135、MQ137、MQ316。其中步骤2中样本采集之前对集气装置、集气时间、样本采集时间进行优化，经实验优化后所用集气装置为800ml圆柱形无味玻璃盒，集气时间为40min，样本采集时间为420s。
步骤3中所述的龙葵素含量测定的高效液相色谱法，按照下述步骤进行：将样本不经去皮直接粉碎后按物料比1:40加体积浓度为5％的乙酸，室温下超声20min萃取样本中的龙葵素；抽滤，滤渣用体积浓度为5％的乙酸重悬浮抽滤2遍，所有滤液合并到一个锥形烧瓶内，加入浓氨水调节pH至10-11将龙葵素沉淀下来。碱性溶液70℃条件下水浴50min后置于4℃冰箱中过夜。将碱性溶液18000r/min离心30min，用体积浓度为2％的氨水多次清洗离心至溶液澄清。所得沉淀物60℃鼓风干燥，然后完全溶于四氢呋喃/乙腈/20mmol KH2PO4(5:3:2)溶液中并离心，取2ml上清液用于高效液相色谱分析。
步骤4中所述的机器视觉获取的马铃薯样本外部信息特征值的提取过程，按照下述步骤进行：提取图像中马铃薯的颜色与纹理信息，将RGB图像颜色值分别转化为HSV和YCbCr色调值；采用色调维(H值)分割法获得完整二值图像。提取图像中的绿皮及发芽区域，采用逐点扫描法提取区域中绿色点颜色值N,采用Marius区域填充算法提取各颜色值所对应的像素点个数S，分别求出其R、G、B、H、Ycb、Cr值所对应的相对比值α，如其中Nj为完整样本所对应的某一H值，Sj为此H值所对应的像素点个数；ni为提取的绿色及发芽区域所对应的某一H值；si为此H值所对应的像素点个数。其所求各比值即为所提取的图像特征值。
步骤4中所述的电子鼻获取的马铃薯样本内部信息特征值的提取过程，按照下述步骤进行：提取步骤2中所得到的传感器阵列响应曲线上的稳定值作为电子鼻特征值。采用主成分分析对所得所有特征值数据进行降维处理。
步骤4中判别模型建立过程，按照下述步骤进行：将前一步降维后的电子鼻信息特征值与机器视觉获取的外部信息特征值采用模糊集理论在特征层进行融合，将融合信息作为模型的输入，将高效液相所得龙葵素含量值作为输出训练值，通过径向基函数(RadialBasis Function，RBF)神经网络和独立变量方法构建非线性决策模型，对马铃薯中龙葵素含量做出正确判定，进而将样本划分为可食薯、绿皮薯和发芽薯。
本发明具有的有益效果是:本发明提出基于电子鼻与机器视觉融合技术对马铃薯贮藏过程中龙葵素含量进行预测，目前尚未见报道，是将无损检测技术应用于农产品安全性指标检测的积极探索。
附图说明
图1为机器视觉图像采集装置，其中1计算机，2CCD摄像头，3为环形灯，4载物台，5图像采集箱。。
图2为样品的电子鼻采集数据，横坐标为采样时间，纵坐标为传感器响应值。
具体实施方式
以下结合实施例对本发明进一步详细说明。
实例：
(1)测试样本的采集：选择农民刚收获的完好及绿皮马铃薯样品共96个，发芽样本20个，将其放入恒温恒湿箱中存储。每隔4天选取正常及微绿样本9个、特绿样本4个、发芽样本3个共16个样品，清洗表面残留土渍，待其表面干燥后进行试验。
(2)图像采集：将样本放置于图1所示的图像采集箱(图中5)中载物台(图中4)上，其中样本与CCD摄像头(图中2)之间的距离根据马铃薯品种的不同进行调节，对于本批次样本其最佳距离为6.5cm；图像拍摄时调节环形灯(图中3)的位置，当环形灯与样本相距5.2cm时照射在样本上的光线均匀且强度适中，无明显反射光斑。每个马铃薯样品拍摄两张图像，分别为正、反两面放置时的图像并保存至1计算机中。
(3)对步骤(2)中采集得到的马铃薯样品图像进行背景分割、滤波、边缘检测。提取图像中马铃薯的RGB值，分别转化为HSV和YCbCr值；采用色调维(H)分割法获得完整二值图像并提取图像中的感兴趣区域此处为绿皮及发芽区域。采用逐点扫描法提取区域中绿色点颜色值N，通过Marius区域填充算法提取各颜色值所对应的像素点个数S，分别求出其R、G、B、H、Ycb、Cr值所对应的相对比值α，所得的相对比值即可作为马铃薯图像的特征值。经主成分降维后选定前3个主成分用于后期判定模型的建立和未知样品龙葵素含量的预测。
(4)电子鼻检测过程如下：采用江苏大学无损检测团队自制电子鼻进行检测。将选取的马铃薯样品放入800ml圆柱形无味玻璃容器中进行集气，集气时间为40min，从而获得顶空气体；电子鼻预热3h，每次电子鼻检测开始前，使用氧气对电子鼻***进行还原，还原完成后，电子鼻抽取密闭容器中的顶空气体，对马铃薯样品进行检测；检测过程中按照1次/秒的速率记录传感器响应信号，共采集420个信号值，从而得到传感器阵列对不同检测样品的响应曲线。
(5)步骤(4)中电子鼻气敏传感器阵列的确定过程为：采用GC-MS对马铃薯样本所产生的气体成分进行检测，依据GC-MS所得结果，结合电子鼻传感器的交互敏感特性构建适用于马铃薯龙葵素检测的传感器阵列。对GC-MS所测数据的分析结果显示，马铃薯气体成分主要包括30种，依据其气体百分含量由高至低进行分析，其中醇类9种：2-甲基正丁醇、1-辛稀-3-醇、正戊醇、苯甲醇、3,7-二甲基-2,6-辛二烯-1-醇、2-乙基-正己醇、1-戊烯-3-醇、3-甲基正丁醇、2-戊稀-1-醇；醛类8种：2-辛烯醛、2-甲基正丁醛、2-甲基-丙醛、苯乙醛、3-甲基正丁醛、苯甲醛、己醛、2,4-二烯醛；烃类6种：己烷、1-甲基-2-乙基环戊烷、戊烷、3-乙基-2-甲基-1,3-己二稀、右旋柠檬烯；还包括酮类、酸类、脂类、呋喃类等物质。最终确定传感器阵列为：TGS832、WSP2110、TGS822、TGS813、TGS880、TGS2610、TGS2611、TGS2600、TGS2620、MQ135、MQ137、MQ316。
(6)电子鼻传感器阵列响应信号如图2所示，对所获得的传感器阵列响应信号进行特征提取。根据之前的研究，传感器响应曲线中平稳阶段的值具有最优的判别性能，因此选择各个传感器响应曲线中380s-400s稳定响应值的平均值作为特征值。采用主成分分析法对所得特征值进行降维，最终选出前3个主成分用于后期判定模型的建立和未知样品龙葵素含量的预测。
(7)高效液相检测过程如下：龙葵素提取采用酸溶碱沉原理进行萃取，具体操作为：将样本不经去皮直接粉碎后取物料1g加入40ml体积浓度为5％的乙酸，室温下超声20min萃取样本中的龙葵素；抽滤，滤渣用体积浓度为5％的乙酸重悬浮抽滤2遍，所有滤液合并到一个锥形烧瓶内，加入浓氨水调节pH至10-11将龙葵素沉淀下来。碱性溶液70℃条件下水浴50min后置于4℃冰箱中过夜。将碱性溶液18000r/min离心30min，用体积浓度为2％氨水清洗3次离心至溶液澄清。所得沉淀物60℃鼓风干燥，然后完全溶于四氢呋喃/乙腈/20mmolKH2PO4溶液中并离心，取2ml上清液用于HPLC分析。其HPLC条件为色谱柱，InersilNH2(5um，4.0mm×250mm)；流动相，乙腈/20mmol KH2PO4(80:20，v/v)；流速，1.0ml/min；柱温为室温；检测波长210nm；上样量20ul。对液相所得结果进行分析，得出样本中龙葵素的具体含量。
(8)将降维后的电子鼻的3个内部信息特征值与机器视觉获取的3个外部信息特征值采用模糊集理论进行特征层融合，将A看作***可能决策的集合，将B看作传感器的集合，A和B的关系矩阵RA*B中的元素uij表示传感器i推断决策为j的可能性，X表示各传感器判断的可信度，经过模糊变换得到的Y就是各决策的可能性。具体地，本例中有6个传感器对***进行观测，而***可能的决策有3个，则：
A＝{y1/决策1，y2/决策2，y3/决策3}；
B＝{x1/传感器1，x2/传感器2，…，x6/传感器6}
传感器对各可能决策的判断用定义在A上的隶属函数表示。设传感器对***的判断结果是：
[ui1/决策1，ui2/决策2，ui3/决策n]0≤uij≤1
即认为结果为决策j的可能性uij，记作向量(ui1，ui2，…，uin)，则6个传感器构成3*6的关系矩阵为：
将各传感器的可信度用B上的隶属数X＝{x1/传感器1，x2/传感器2，…，x6/传感器6}表示，那么根据Y＝X·RA*B进行模糊变换，就可得出Y＝(y1,y2,y3),即综合判断后的各决策的可能性yi。
(9)融合信息做为模型的输入，高效液相所得龙葵素含量值作为输出训练值，通过RBF神经网络和独立变量方法构建非线性决策***，对马铃薯中龙葵素含量进行判定，进而将样本划分为可食薯、绿皮薯和发芽薯。RBF神经网络由三层即输入层、隐含层和输出层组成。输入层仅仅起到传递信号的作用；隐含层是对激活函数的参数进行调整，采用的是非线性优化策略。RBF神经网络学习算法需要求解的参数有3个：基函数的中心、方差以及隐含层到输出层的权值。本实例采用自组织选取中心的RBF神经网络学习法，并采用高斯函数作为径向基函数。具体表示如下:
式中，||xp-ci||为欧式范数；c为高斯函数的中心；σ为高斯函数的方差。
网络的输出为
式中，为第p个输入样本；p＝1,2,3,…，96；ci为网络隐含层节点的中心；wi为隐含层到输出层的连接权值；i＝1,2,3,…，h.h为隐含层节点数；yi为与输入样本对应的网络的第j个输出结点的实际输出。
设d是样本的期望输出值，那么基函数的方差可表示为
通过构建的RBF神经网络对试验所得数据进行处理，对马铃薯中龙葵素含量做出正确判定，进而将样本划分为可食薯、绿皮薯和发芽薯。其判定结果为：当主成分数为6时判定效果最优，其中训练集准确率为96.15％，测试集准确率为90.84％，对样本进行了很好的划分；同时也证明了本发明所提出的基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法对马铃薯绿皮及发芽样本检测的可行性。最后采用大样本试验对所构建的***进行完善，通过对马铃薯中龙葵素含量的预测来实现样本的类别判定。

Claims (7)

1.基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法，其特征在于按照下述步骤进行：
步骤1：采用机器视觉中专门设计的马铃薯图像采集***，对马铃薯样本进行图像采集，确保马铃薯表面颜色及纹理特征信息的完整性，将所得图像保存至计算机中；
步骤2：采用专门设计的电子鼻对马铃薯样本进行顶空气体采样，记录电子鼻传感器阵列响应信号值,从而得到传感器阵列对不同检测样品的响应曲线，将其存储于计算机中；
步骤3：对马铃薯样本前处理，提取其龙葵素后采用高效液相色谱法进行测定，获得其龙葵素含量值；
步骤4：分别对步骤1机器视觉所获取图像反映的马铃薯样本外部信息和步骤2电子鼻所测得马铃薯样本内部信息进行预处理，并提取各自特征值，将二者在特征层进行融合，然后构建其与龙葵素含量之间的相关关系，建立模型对马铃薯绿皮与发芽状态进行判别。
2.根据权利要求1所述的基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法，其特征在于
其中步骤1中机器视觉中专门设计的马铃薯图像采集***由光箱、光源、载物台、摄像头等几大部分组成；光箱是根据马铃薯拍摄的需要所设计的，上部为半球形，直径为38cm；下部为直筒型，直径38cm，高15cm；光源采用可调式环形发光二极管(LED)，光源与样本的距离根据马铃薯品种和大小的不同可调节；CCD摄像头拍摄图像时应调节光源位置与强度使得其照射在样本上的光线均匀且强度适中，无明显反射光斑。
3.根据权利要求1所述的基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法，其特征在于
其中步骤2中的电子鼻是专门设计的，由江苏大学无损检测团队自行研制；该电子鼻由气体采样***、气敏传感器阵列、主控***和软件分析***四部分组成；其中，气敏传感器阵列的确定过程为：采用GC-MS对马铃薯样本所产生的气体成分进行检测，依据GC-MS所得结果，结合电子鼻传感器的交互敏感特性构建适用于马铃薯龙葵素检测的传感器阵列；对GC-MS所测数据的分析结果显示，马铃薯气体成分主要包括30种，其中醇类9种、醛类8种、烃类6种还包括酮类、酸类、酯类、呋喃类等物质；最终确定传感器阵列为：TGS832、WSP2110、TGS822、TGS813、TGS880、TGS2610、TGS2611、TGS2600、TGS2620、MQ135、MQ137、MQ316；其中步骤2中样本采集之前对集气装置、集气时间、样本采集时间进行优化，经实验优化后所用集气装置为800ml圆柱形无味玻璃盒，集气时间为40min，样本采集时间为420s。
4.根据权利要求1所述的基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法，其特征在于
步骤3中所述的龙葵素含量测定的高效液相色谱法，按照下述步骤进行：将样本不经去皮直接粉碎后按物料比1:40加体积浓度为5％的乙酸，室温下超声20min萃取样本中的龙葵素；抽滤，滤渣用体积浓度为5％的乙酸重悬浮抽滤2遍，所有滤液合并到一个锥形烧瓶内，加入浓氨水调节pH至10-11将龙葵素沉淀下来；碱性溶液70℃条件下水浴50min后置于4℃冰箱中过夜；将碱性溶液18000r/min离心30min，用体积浓度为2％的氨水多次清洗离心至溶液澄清；所得沉淀物60℃鼓风干燥，然后完全溶于四氢呋喃/乙腈/20mmol KH2PO4(5:3:2)溶液中并离心，取2ml上清液用于高效液相色谱分析。
5.根据权利要求1所述的基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法，其特征在于
步骤4中所述的机器视觉获取的马铃薯样本外部信息特征值的提取过程，按照下述步骤进行：提取图像中马铃薯的颜色与纹理信息，将RGB图像颜色值分别转化为HSV和YCbCr色调值；采用色调维(H值)分割法获得完整二值图像；提取图像中的绿皮及发芽区域，采用逐点扫描法提取区域中绿色点颜色值N,采用Marius区域填充算法提取各颜色值所对应的像素点个数S，分别求出其R、G、B、H、Ycb、Cr值所对应的相对比值α，如 其中Nj为完整样本所对应的某一H值，Sj为此H值所对应的像素点个数；ni为提取的绿色及发芽区域所对应的某一H值；si为此H值所对应的像素点个数；其所求各比值即为所提取的图像特征值。
6.根据权利要求1所述的基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法，其特征在于
步骤4中所述的电子鼻获取的马铃薯样本内部信息特征值的提取过程，按照下述步骤进行：提取步骤2中所得到的传感器阵列响应曲线上的稳定值作为电子鼻特征值；采用主成分分析对所得所有特征值数据进行降维处理。
7.根据权利要求1所述的基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法，其特征在于
步骤4中判别模型建立过程，按照下述步骤进行：将前一步降维后的电子鼻信息特征值与机器视觉获取的外部信息特征值采用模糊集理论在特征层进行融合，将融合信息作为模型的输入，将高效液相所得龙葵素含量值作为输出训练值，通过径向基函数(RBF)神经网络和独立变量方法构建非线性决策模型，对马铃薯中龙葵素含量做出正确判定，进而将样本划分为可食薯、绿皮薯和发芽薯。
CN201711127137.3A 2017-11-15 2017-11-15 基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法 Pending CN107748165A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711127137.3A CN107748165A (zh) 2017-11-15 2017-11-15 基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711127137.3A CN107748165A (zh) 2017-11-15 2017-11-15 基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法

Publications (1)

Publication Number Publication Date
CN107748165A true CN107748165A (zh) 2018-03-02

Family

ID=61251983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711127137.3A Pending CN107748165A (zh) 2017-11-15 2017-11-15 基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法

Country Status (1)

Country Link
CN (1) CN107748165A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108827889A (zh) * 2018-06-13 2018-11-16 江西中医药大学 一种基于光学特性的胶类材料鉴别方法
CN109307638A (zh) * 2018-08-07 2019-02-05 江苏大学 一种馒头比容的测定方法及装置
CN110133049A (zh) * 2019-04-10 2019-08-16 浙江大学 基于电子鼻和机器视觉的茶叶等级快速无损检测方法
CN110702768A (zh) * 2019-11-05 2020-01-17 广东省农业科学院农产品公共监测中心 农产品品质流水线动态无损的仿生嗅觉检测设备及方法
CN111443160A (zh) * 2020-01-23 2020-07-24 华东理工大学 一种气敏-气相色谱信息融合和电子鼻仪器在线分析方法
CN112036470A (zh) * 2020-08-28 2020-12-04 扬州大学 一种基于云传输的多传感器融合的黄瓜烟粉虱识别方法
WO2021147274A1 (zh) * 2020-01-23 2021-07-29 华东理工大学 一种气敏-气相电子鼻仪器和发酵-恶臭多状态参数在线分析方法
CN115578553A (zh) * 2022-11-22 2023-01-06 河南知微生物工程有限公司 一种基于时序图像序列的甲醛的快速检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐海霞: "《基于机器视觉和电子鼻技术的菠菜新鲜度无损检测研究》", 《中国优秀硕士学位论文全文数据库（电子期刊）》 *
王守兰 等: "《高效液相色谱法测定马铃薯中α-茄碱含量》", 《食品科学》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108827889A (zh) * 2018-06-13 2018-11-16 江西中医药大学 一种基于光学特性的胶类材料鉴别方法
CN109307638A (zh) * 2018-08-07 2019-02-05 江苏大学 一种馒头比容的测定方法及装置
CN110133049A (zh) * 2019-04-10 2019-08-16 浙江大学 基于电子鼻和机器视觉的茶叶等级快速无损检测方法
CN110702768A (zh) * 2019-11-05 2020-01-17 广东省农业科学院农产品公共监测中心 农产品品质流水线动态无损的仿生嗅觉检测设备及方法
CN111443160A (zh) * 2020-01-23 2020-07-24 华东理工大学 一种气敏-气相色谱信息融合和电子鼻仪器在线分析方法
CN111443160B (zh) * 2020-01-23 2021-02-12 湖州老恒和酿造有限公司 一种气敏-气相色谱信息融合和电子鼻仪器在线分析方法
WO2021147274A1 (zh) * 2020-01-23 2021-07-29 华东理工大学 一种气敏-气相电子鼻仪器和发酵-恶臭多状态参数在线分析方法
CN112036470A (zh) * 2020-08-28 2020-12-04 扬州大学 一种基于云传输的多传感器融合的黄瓜烟粉虱识别方法
CN115578553A (zh) * 2022-11-22 2023-01-06 河南知微生物工程有限公司 一种基于时序图像序列的甲醛的快速检测方法

Similar Documents

Publication Publication Date Title
CN107748165A (zh) 基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法
Paymode et al. Transfer learning for multi-crop leaf disease image classification using convolutional neural network VGG
Khattak et al. Automatic detection of citrus fruit and leaves diseases using deep neural network model
Singh et al. A review of imaging techniques for plant disease detection
Yang et al. Diagnosis of plant cold damage based on hyperspectral imaging and convolutional neural network
Kolhar et al. Plant trait estimation and classification studies in plant phenotyping using machine vision–A review
Pang et al. Rapid vitality estimation and prediction of corn seeds based on spectra and images using deep learning and hyperspectral imaging techniques
Luo et al. Classification of weed seeds based on visual images and deep learning
CN105181912B (zh) 一种大米储藏过程中的新鲜度检测方法
Mishra et al. A Deep Learning-Based Novel Approach for Weed Growth Estimation.
CN101881726A (zh) 植物幼苗综合性状活体无损检测方法
Nagaraju et al. Transfer learning based convolutional neural network model for classification of mango leaves infected by anthracnose
CN108020556A (zh) 一种基于机器视觉的玉米种子在线破损检测分类方法
Weng et al. Reflectance images of effective wavelengths from hyperspectral imaging for identification of Fusarium head blight-infected wheat kernels combined with a residual attention convolution neural network
He et al. Combining multicolor fluorescence imaging with multispectral reflectance imaging for rapid citrus Huanglongbing detection based on lightweight convolutional neural network using a handheld device
Paymode et al. Tomato leaf disease detection and classification using convolution neural network
Thakur et al. Deep transfer learning based photonics sensor for assessment of seed-quality
Yudhana et al. Fish Freshness Identification Using Machine Learning: Performance Comparison of k-NN and Naïve Bayes Classifier.
Kalim et al. Citrus leaf disease detection using hybrid cnn-rf model
Mayuri et al. ROLE OF IMAGE PROCESSING AND MACHINE LEARNING TECHNIQUES IN DISEASE RECOGNITION, DIAGNOSIS AND YIELD PREDICTION OF CROPS: A REVIEW.
Sunitha et al. Modeling convolutional neural network for detection of plant leaf spot diseases
Alom et al. Species classification of brassica napus based on flowers, leaves, and packets using deep neural networks
Chauhan et al. Classification of Nutritional Deficiencies in Cabbage Leave Using Random Forest
Lee et al. Development of image recognition and classification algorithm for tea leaf diseases using convolutional neural network
Almalky et al. An Efficient Deep Learning Technique for Detecting and Classifying the Growth of Weeds on Fields

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180302