CN109342331A - 基于可见/近红外光谱技术的李子硬度无损检测方法 - Google Patents
基于可见/近红外光谱技术的李子硬度无损检测方法 Download PDFInfo
- Publication number
- CN109342331A CN109342331A CN201811308100.5A CN201811308100A CN109342331A CN 109342331 A CN109342331 A CN 109342331A CN 201811308100 A CN201811308100 A CN 201811308100A CN 109342331 A CN109342331 A CN 109342331A
- Authority
- CN
- China
- Prior art keywords
- plum
- sample
- hardness
- vis
- rigidity
- 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
本发明公开了基于可见/近红外光谱技术的李子硬度无损检测方法,该方法包括以下步骤:收集不同品种的新鲜李子样本,利用高光谱图像采集***采集李子样本的高光谱图像;对高光谱图像进行黑白校正,并采用中值滤波和数学形态学处理方法构建掩膜图像以提取李子整个果实区域的平均光谱反射率;利用SPXY算法将获取的光谱数据划分为校正集和检验集,采用标准正态变换(SNV)对光谱数据进行预处理,获得校正和检验样本集光谱数据库;利用数显果实硬度计测量校正和检验样本集中李子样本的硬度值;利用主成分回归方法(PCR)结合化学计量学,建立李子硬度的预测模型;本发明基于可见/近红外光谱技术可快速、无损地检测李子硬度。
Description
技术领域
本发明涉及水果内部品质无损检测技术领域,尤其涉及一种基于可见/近红外光谱技术的李子硬度无损检测方法。
背景技术
李子果实肥硕,汁甜肉脆且味酸,能促进胃酸和胃消化酶的分泌,具有促进消化的功效;而且李子果肉中含有丰富的氨基酸,具有利尿消肿的作用,对肝硬化有辅助治疗效果;另外,李子果肉中含有多种营养成分,经常食用又可起到非常好的美容养颜作用,非常受人们的青睐。
李子的硬度是判别其成熟度的重要指标之一,由于李子属于典型的呼吸跃变型水果,采后李子果肉极易后熟软化,难以贮藏。通常采摘还未成熟的李李,以延长其贮藏期;但若采摘过早,李子过于生硬影响口感,若采摘过晚,李子过于柔软,容易腐烂难以贮藏。因此,确定合适的采摘成熟度是延长贮藏期并保证水果品质的关键因素(李军宇,张淑娟,张学豪,等.李果实成熟度的高光谱成像判别研究[J].农机化研究,2017,39(12):141-145.)。目前对李子硬度的测定需要对样品进行处理,会破坏检测样品,难以实现快速、大样本量的无损检测。
高光谱成像技术集图像信息与光谱信息于一身,在获得样本图像的同时,还为图像上每个像素点提供其波长点的光谱信息,实现了“图谱合一”,是近年来越来越多地应用于农产品品质与安全的无损检测。有相关专利采用高光谱成像技术检测水果硬度的方法(基于高光谱的芒果冲击损伤后硬度预测方法,CN201710738975.8;一种无损检测梨的硬度方法,CN201410630019.4),均需先采用特征波长提取方法提取有效预测水果硬度的特征波段,然后利用偏最小二乘算法建立回归模型,导致建模过程相对复杂,建模周期长,劳动付出大。因此利用主成分回归方法(PCR)结合化学计量学,建立李子硬度的预测模型,可实现快速、无损检测。
发明内容
本发明的目的在于提供一种基于可见/近红外光谱技术的李子硬度无损检测方法,旨在实现快速、无损的识别。
本发明的技术方案:一种基于可见/近红外光谱技术的李子硬度无损检测方法,该方法的步骤如下:
1)收集不同品种的新鲜李子样本,利用高光谱图像采集***采集李子样本的高光谱图像,并对采集到的高光谱图像进行黑白校正,进一步采用中值滤波和数学形态学处理方法构建掩膜图像以提取李子整个果实区域的平均光谱反射率,获得李子样本的原始光谱数据;
2)利用数显果实硬度计(GY-4)测量步骤1)所述李子样本的硬度,进而建立李子硬度数据库;
3)利用SPXY算法将步骤1)所得的光谱数据划分为校正集和检验集,采用标准正态变换(SNV)对校正集和检验集原始光谱数据进行预处理,以消除表面散射以及光程变化对光谱的影响,建立校正和检验样本集光谱数据库;
4)结合预处理后的校正样本集光谱数据和实际测得的硬度值,采用主成分回归方法(PCR)结合化学计量学建立预测模型,模型先选择累积贡献率超过一定阈值(≤1)的若干个主成分进行主成分回归建模,再利用步骤3)所得预处理后预测样本集光谱数据对预测模型进行验证和校正,最后获得最优的预测模型;
5)利用高光谱图像采集***扫描待检李子样本,构建掩膜图像以提取样本整个果实区域的平均光谱反射率,获得样本的原始光谱数据,对所得光谱数据进行预处理后,采用主成分分析法选择累积贡献率超过一定阈值(≤1)的若干个主成分采用主成分分析法选择累积贡献率超过一定阈值(≤1)的若干个主成分输入步骤4)所得的预测模型,计算得到测定待检李子样本的硬度。
所述步骤1)中的高光谱图像采集***包括:CCD相机、成像光谱仪、镜头、漫反射光源、电动平移台、暗箱和计算机,李子样本放在电动平移台上。
所述步骤1)中的高光谱图像采集***中CCD相机的曝光时间是12.6ms,相机镜头与样本距离为40cm,电动平移台的移动速度是1.35cm/s,光谱采集范围为400~1000nm,光谱波段为256个;漫反射光源为四个200W溴钨灯,采用梯形结构安装于暗箱中。
所述的步骤1)采用ENVI 5.4图像处理软件构建掩膜图像以提取李子整个果实区域的平均光谱。
所述的步骤3)和步骤4)采用MATLAB R2016b软件实现对样本原始光谱数据的预处理以及预测模型的建立。
本发明的有益效果在于:
本发明提供的光谱数据的预处理方法(标准正态变换(SNV))有效地降低了噪声信号对原始光谱数据的干扰,有利于对原始高光谱数据进行深度挖掘。
本发明通过采集李子的高光谱图像,获取李子感兴趣区域(ROI)的平均光谱反射率,采用主成分回归方法(PCR)结合化学计量学建立了李子硬度的预测模型,为李子硬度的检测提供了一种快速、无损的方法。
附图说明
图1为本发明实施例提供的李子样本高光谱图像的平均光谱曲线图;
图2为本发明实施例提供的经标准正态变换(SNV)处理后的光谱曲线图;
图3为本发明实施例提供的PCR建模方法下建模集李子硬度预测值与实际值的比较示意图。
具体实施方式
下面对本发明的具体实施方式作进一步详细的说明,但本发明并不局限于这些实施方式,任何在本实施例基本精神上的改进或代替,仍属于本发明权利要求所要求保护的范围。
一种基于可见/近红外光谱技术的李子硬度无损检测方法,包括以下步骤:
1.收集不同品种的新鲜李子样本,利用高光谱图像采集***采集李子样本的高光谱图像,其中CCD相机的曝光时间是12.6ms,相机镜头与样本距离为40cm,电动平移台的移动速度是1.35cm/s,采集400~1000nm波段高光谱图像;并对采集到的高光谱图像进行黑白校正,即在与样本采集相同的***条件下,首先扫描标准白色校正板,得到全白的标定图像W;然后,盖上相机的镜头盖进行图像采集得到全黑的标定图像;最后,按照下面校正公式完成图像标定,采集得到的原始图像I变成校正图像R;
2.利用数显果实硬度计(GY-4)测量步骤1所述李子样本的硬度,进而建立李子硬度数据库;
3.利用SPXY算法将步骤1所得的光谱数据划分为校正集和检验集,采用标准正态变换(SNV)对校正集和检验集原始光谱数据进行预处理,以消除表面散射以及光程变化对光谱的影响,建立校正和检验样本集光谱数据库;
4.结合预处理后的校正样本集光谱数据和实际测得的硬度值,采用主成分回归方法(PCR)结合化学计量学建立预测模型,模型先选择累积贡献率超过一定阈值(≤1)的若干个主成分进行主成分回归建模,再利用步骤3所得预处理后预测样本集光谱数据对预测模型进行验证和校正,最后获得最优的预测模型;
5.利用高光谱图像采集***扫描待检李子样本,构建掩膜图像以提取样本整个果实区域的平均光谱反射率,获得样本的原始光谱数据,对所得光谱数据进行预处理后,采用主成分分析法选择累积贡献率超过一定阈值(≤1)的若干个主成分输入步骤4所得的预测模型,计算得到测定待检李子样本的硬度。
实施例1
1.本实施例中在当地沃尔玛超市选取一批大小均匀完好无损红李子120个、青李子60个,共180个李子样本;将所有样本按顺序编号,利用高光谱图像采集***采集李子样本的高光谱图像,其中CCD相机的曝光时间是12.6ms,相机镜头与样本距离为40cm,电动平移台的移动速度是1.35cm/s;
图像采集过程由Spectral SENS(Spectral Imaging Ltd.,Finland)软件控制,光谱范围为集400~1000nm,在此范围内共256个波段;
对采集到的李子样本高光谱图像进行黑白校正,即在与样本采集相同的***条件下,首先扫描标准白色校正板,得到全白的标定图像W;然后,盖上相机的镜头盖进行图像采集得到全黑的标定图像;最后,按照下面校正公式完成图像标定,采集得到的原始图像I变成校正图像R;
进一步在ENVI 5.4(Research System,INc.,USA)图像处理软件中采用中值滤波和数学形态学处理方法构建掩膜图像以提取李子整个果实区域的平均光谱反射率,获得李子样本的原始光谱数据如图1所示;
2.将李子样本去皮后,利用数显果实硬度计(GY-4)测量所有李子样本的硬度,每个样本分别测量3次求平均值,建立李子硬度数据库;
3.利用SPXY算法将采集的光谱数据划分为校正集(135个样本)和检验集(45个样本),在MATLAB R2016b软件中采用标准正态变换(SNV)对校正集和检验集原始光谱数据进行预处理,以消除表面散射以及光程变化对光谱的影响,建立校正和检验样本集光谱数据库;经标准正态变换(SNV)处理后的光谱曲线如图2所示;
4.结合预处理后的校正样本集光谱数据和实际测得的硬度值,采用主成分回归方法(PCR)结合化学计量学建立预测模型,模型选择累积贡献率超过99.99%的前30个主成分进行主成分回归建模,再利用步骤3)所得预处理后预测样本集光谱数据对预测模型进行验证和校正,最后获得最优的预测模型,模型建模集中李子样本预测值与实际的决定系数(R2)为0.8808,残差平均值为0.2766,其预测值与实际值的比较示意图如图3所示;
5.利用高光谱图像采集***扫描待检李子样本,构建掩膜图像以提取样本整个果实区域的平均光谱反射率,获得样本的原始光谱数据,对所得光谱进行标准正态变换(SNV)后,采用主成分分析法选择累积贡献率超过99.99%的前30个主成分输入李子硬度预测模型,计算得到测定待检李子样本的硬度。
由以上实施例可以看出,本发明利用可见/近红外光谱技术检测李子硬度不但能实现快速无损检测,而且检测效果很好。
对比例
本发明人利用专利号CN201710738975.8进行李子冲击损伤后硬度预测,最后模型建模集中李子样本预测值与实际的决定系数(R2)为0.84。
最后,本发明的上述实施方案都只能认为是对本发明的说明而不能限制本发明。权利要求书指出了本发明的保护范围,因此,在与本发明的权利要求书相当的含义和范围内的任何改变,都应认为是包括在权利要求书的范围内。
Claims (5)
1.一种基于可见/近红外光谱技术的李子硬度无损检测方法,其特征在于:该方法的步骤如下:
1)收集不同品种的新鲜李子样本,利用高光谱图像采集***采集李子样本的高光谱图像,并对采集到的高光谱图像进行黑白校正,进一步采用中值滤波和数学形态学处理方法构建掩膜图像以提取李子整个果实区域的平均光谱反射率,获得李子样本的原始光谱数据;
2)利用数显果实硬度计(GY-4)测量步骤1)所述李子样本的硬度,进而建立李子硬度数据库;
3)利用SPXY算法将步骤1)所得的光谱数据划分为校正集和检验集,采用标准正态变换(SNV)对校正集和检验集原始光谱数据进行预处理,以消除表面散射以及光程变化对光谱的影响,建立校正和检验样本集光谱数据库;
4)结合预处理后的校正样本集光谱数据和实际测得的硬度值,采用主成分回归方法(PCR)结合化学计量学建立预测模型,模型先选择累积贡献率超过一定阈值(≤1)的若干个主成分进行主成分回归建模,再利用步骤3)所得的预处理后预测样本集光谱数据对预测模型进行验证和校正,最后获得最优的预测模型;
5)利用高光谱图像采集***扫描待检李子样本,构建掩膜图像以提取样本整个果实区域的平均光谱反射率,获得样本的原始光谱数据,对所得光谱数据进行预处理后,采用主成分分析法选择累积贡献率超过一定阈值(≤1)的若干个主成分输入步骤4)所得的预测模型,计算得到测定待检李子样本的硬度。
2.根据权利要求书1所述的基于可见/近红外光谱技术的李子硬度无损检测方法,其特征在于:所述步骤1)中的高光谱图像采集***包括:CCD相机、成像光谱仪、镜头、漫反射光源、电动平移台、暗箱和计算机,李子样本放在电动平移台上。
3.根据权利要求书1所述的基于可见/近红外光谱技术的李子硬度无损检测方法,其特征在于:所述步骤1)中的高光谱图像采集***中CCD相机的曝光时间是12.6ms,相机镜头与样本距离为40cm,电动平移台的移动速度是1.35cm/s,光谱采集范围为400~1000nm,光谱波段为256个;漫反射光源为四个200W溴钨灯,采用梯形结构安装于暗箱中。
4.根据权利要求书1所述的基于可见/近红外光谱技术的李子硬度无损检测方法,其特征在于:所述的步骤1)采用ENVI5.4图像处理软件构建掩膜图像以提取李子整个果实区域的平均光谱反射率。
5.根据权利要求书1所述的基于可见/近红外光谱技术的李子硬度无损检测方法,其特征在于:所述的步骤3)和步骤4)采用MATLAB R2016b软件实现对样本原始光谱数据的预处理以及预测模型的建立。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811308100.5A CN109342331A (zh) | 2018-11-05 | 2018-11-05 | 基于可见/近红外光谱技术的李子硬度无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811308100.5A CN109342331A (zh) | 2018-11-05 | 2018-11-05 | 基于可见/近红外光谱技术的李子硬度无损检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109342331A true CN109342331A (zh) | 2019-02-15 |
Family
ID=65313936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811308100.5A Pending CN109342331A (zh) | 2018-11-05 | 2018-11-05 | 基于可见/近红外光谱技术的李子硬度无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109342331A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109975217A (zh) * | 2019-03-26 | 2019-07-05 | 贵阳学院 | 基于高光谱成像***的李子可溶性固形物含量值检测方法 |
CN113740276A (zh) * | 2021-09-02 | 2021-12-03 | 福州大学 | 基于多光谱探测***果蔬农残可视化实时检测方法及*** |
CN113777057A (zh) * | 2021-09-07 | 2021-12-10 | 福州大学 | 一种基于光谱成像的海洋赤潮快速检测***及其使用方法 |
CN114088645A (zh) * | 2021-10-15 | 2022-02-25 | 扬州大学 | 一种种子活性与健康在线快速检测***及检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007118215A2 (en) * | 2006-04-06 | 2007-10-18 | Monsanto Technology Llc | Method for multivariate analysis in predicting a trait of interest |
CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 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 |
CN104458744A (zh) * | 2014-11-17 | 2015-03-25 | 浙江大学 | 椭球形水果全表面高光谱图像在线采集装置 |
CN105067531A (zh) * | 2014-12-31 | 2015-11-18 | 广西师范学院 | 一种芒果品质无损检测方法及装置 |
-
2018
- 2018-11-05 CN CN201811308100.5A patent/CN109342331A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007118215A2 (en) * | 2006-04-06 | 2007-10-18 | Monsanto Technology Llc | Method for multivariate analysis in predicting a trait of interest |
CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 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 |
CN104458744A (zh) * | 2014-11-17 | 2015-03-25 | 浙江大学 | 椭球形水果全表面高光谱图像在线采集装置 |
CN105067531A (zh) * | 2014-12-31 | 2015-11-18 | 广西师范学院 | 一种芒果品质无损检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
李军宇 等: "李果实成熟度的高光谱成像判别研究", 《农机化研究》 * |
李锋霞 等: "基于高光谱成像技术的哈密瓜坚实度检测研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
赵志磊 等: "近红外光谱无损检测李果实硬度的研究", 《安徽农业科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109975217A (zh) * | 2019-03-26 | 2019-07-05 | 贵阳学院 | 基于高光谱成像***的李子可溶性固形物含量值检测方法 |
CN113740276A (zh) * | 2021-09-02 | 2021-12-03 | 福州大学 | 基于多光谱探测***果蔬农残可视化实时检测方法及*** |
CN113777057A (zh) * | 2021-09-07 | 2021-12-10 | 福州大学 | 一种基于光谱成像的海洋赤潮快速检测***及其使用方法 |
CN114088645A (zh) * | 2021-10-15 | 2022-02-25 | 扬州大学 | 一种种子活性与健康在线快速检测***及检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109342331A (zh) | 基于可见/近红外光谱技术的李子硬度无损检测方法 | |
CN108956604B (zh) | 一种基于高光谱图像技术识别中华绒螯蟹品质的方法 | |
Xing et al. | Detecting bruises on ‘Golden Delicious’ apples using hyperspectral imaging with multiple wavebands | |
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 | |
CN109100323B (zh) | 一种苹果水心病的透射光谱无损定量评价方法 | |
Li et al. | Detection of early decayed oranges based on multispectral principal component image combining both bi-dimensional empirical mode decomposition and watershed segmentation method | |
CN107271375A (zh) | 一种羊肉品质指标的高光谱图像检测方法 | |
CN105021562A (zh) | 一种大米产地溯源方法及其应用 | |
Khodabakhshian et al. | Application of Vis/SNIR hyperspectral imaging in ripeness classification of pear | |
CN109001218A (zh) | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 | |
CN107505268A (zh) | 血糖检测方法及*** | |
CN109253975A (zh) | 基于msc-cfs-ica的苹果轻微损伤高光谱检测方法 | |
CN109975217A (zh) | 基于高光谱成像***的李子可溶性固形物含量值检测方法 | |
Xing et al. | Stem-end/calyx identification on apples using contour analysis in multispectral images | |
CN109883967A (zh) | 一种基于信息融合的中华绒螯蟹品质等级判别方法 | |
Pang et al. | Detection of early bruises on apples using hyperspectral imaging combining with YOLOv3 deep learning algorithm | |
CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
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 | |
CN115908257A (zh) | 缺陷识别模型训练方法及果蔬缺陷识别方法 | |
CN114295556A (zh) | 一种基于一维卷积的高光谱理化指标拟合方法及*** | |
Hu et al. | Modelling postharvest quality of blueberry affected by biological variability using image and spectral data | |
Xing et al. | Wavelength selection for surface defects detection on tomatoes by means of a hyperspectral imaging system | |
CN110118735B (zh) | 一种检测香梨公母的高光谱成像检测方法及装置 | |
JPH0929185A (ja) | 果皮表面に固有のネットパターンを有する青果物の等級判定方法 | |
Díaz | Classification and quality evaluation of table olives |
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: 20190215 |
|
RJ01 | Rejection of invention patent application after publication |