CN111008970A - 基于高光谱图像采集***的梅干菜中杂质检测方法 - Google Patents

基于高光谱图像采集***的梅干菜中杂质检测方法 Download PDF

Info

Publication number
CN111008970A
CN111008970A CN201911267095.2A CN201911267095A CN111008970A CN 111008970 A CN111008970 A CN 111008970A CN 201911267095 A CN201911267095 A CN 201911267095A CN 111008970 A CN111008970 A CN 111008970A
Authority
CN
China
Prior art keywords
coral
hyperspectral image
sample
pixel point
image
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.)
Granted
Application number
CN201911267095.2A
Other languages
English (en)
Other versions
CN111008970B (zh
Inventor
黄敏
李明泽
张慜
王玉川
朱启兵
郭亚
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.)
Jiangnan University
Original Assignee
Jiangnan 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 Jiangnan University filed Critical Jiangnan University
Priority to CN201911267095.2A priority Critical patent/CN111008970B/zh
Publication of CN111008970A publication Critical patent/CN111008970A/zh
Application granted granted Critical
Publication of CN111008970B publication Critical patent/CN111008970B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/90—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in food processing or handling, e.g. food conservation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于高光谱图像采集***的梅干菜中杂质检测方法，涉及食品无损检测领域，该方法利用高光谱图像采集***采集运动情况下的梅干菜样本以及不同类杂质样本的高光谱图像，提取感兴趣区域中的像素点光谱数据后，利用珊瑚礁算法进行波段选择，利用波段选择后的像素点光谱数据建立最佳分类模型，利用最佳分类模型对待测梅干菜产品的高光谱图像实现像素级别的分类检测，从而自动识别出待测梅干菜产品中的各类杂质，该检测方法自动化程度高、判别准确度高、简单快速。

Description

基于高光谱图像采集***的梅干菜中杂质检测方法
技术领域
本发明涉及食品无损检测领域，尤其是一种基于高光谱图像采集***的梅干菜中杂质检测方法。
背景技术
梅干菜是我国南方的一种传统发酵蔬菜产品，具有丰富营养价值，其富含氨基酸、维生素等化学成分及多种微量元素，对人体是有益的。随着人民生活水平的提高，梅干菜的食品安全逐渐受到人们的重视。然而梅干菜的加工仍然主要是家庭作坊式的传统生产，在露天生产过程中，梅干菜中会混入各种杂质。虽然在食品加工之前，会经过人手动挑选，但是费时费力，效果也不好。因此有必要寻找一种先进的检测方法，以快速，低成本，方便的方法检测梅干菜中的杂质。
发明内容
本发明人针对上述问题及技术需求，提出了一种基于高光谱图像采集***的梅干菜中杂质检测方法，本发明的技术方案如下：
一种基于高光谱图像采集***的梅干菜中杂质检测方法，该高光谱图像采集***包括控制装置及其连接的抖散装置、输送装置和高光谱图像采集装置，控制装置执行的方法包括：
获取梅干菜样本和各类杂质样本，利用抖散装置抖散样本后通过输送装置进行输送，通过高光谱图像采集装置采集样本在运动过程中的样本高光谱图像，样本高光谱图像包括梅干菜样本的高光谱图像以及各类杂质样本的高光谱图像；
对样本高光谱图像进行数据预处理并提取各个样本高光谱图像中的感兴趣区域，提取感兴趣区域的各个像素点的各个波段下的像素点光谱数据，感兴趣区域是样本高光谱图像中样本所在的区域；
对于提取到的所有像素点光谱数据利用珊瑚礁算法选取特征波段，提取各个样本高光谱图像的感兴趣区域中各个像素点在特征波段下的像素点光谱数据，将提取得到的所有特征波段下的像素点光谱数据分为训练集和测试集训练得到最佳分类模型；
利用高光谱图像采集***获取待测梅干菜产品在运动过程中的待测高光谱图像；
对待测高光谱图像进行数据预处理并提取待测高光谱图像中的感兴趣区域，获取感兴趣区域的各个像素点在特征波段下的像素点光谱数据并输入最佳分类模型得到对各个像素点的分类结果；
根据像素点的分类结果对像素点进行聚合形成杂质区域并在待测高光谱图像上进行标识。
其进一步的技术方案为，对样本高光谱图像进行数据预处理并提取各个样本高光谱图像中的感兴趣区域，包括：
对样本高光谱图像进行黑白校正使所有光谱数据在0到1之间；
根据各个样本高光谱图像确定区别波段，通过高光谱图像采集装置采集背景的背景高光谱图像，在区别波段下利用波段运算公式对黑白校正后的样本高光谱图像进行图像校正，在区别波段a下的波段运算公式为I′＝Ia(i,j)-Ba(i,j)，其中，I′是黑白校正且图像校正后的样本高光谱图像，Ia(i,j)是黑白校正后的样本高光谱图像在区别波段a下的灰度图像，Ba(i,j)是背景高光谱图像在区别波段a下的灰度图像；
利用图像全局阈值分割技术对黑白校正且图像校正后的样本高光谱图像进行背景分割移除背景，提取得到样本高光谱图像中的感兴趣区域。
其进一步的技术方案为，根据像素点的分类结果对像素点进行聚合形成杂质区域，包括：
将分类结果为梅干菜的像素点置为0，将分类结果为杂质的像素点为1，将待测高光谱图像重建为二值图像；
用去除小的连通域操作移除二值图像中的噪音点；
利用形态学膨胀操作将分类结果为杂质的各个像素点聚合起来，得到杂质区域。
其进一步的技术方案为，利用珊瑚礁算法选取特征波段，包括：
参数初始化：珊瑚礁网格的大小为M*N，每个珊瑚长度为波段数B、里面放置的是波段序列，初始珊瑚占据总体珊瑚礁的比例为ρ0，珊瑚中广播产卵的比例Fb，珊瑚中内部有性生殖孵卵的比例1-Fb，无性繁殖的比例Fa，珊瑚幼虫尝试占领珊瑚的次数为k，珊瑚形成阶段，以一定概率Pd使不健康的珊瑚被掠夺的比例为Fd，世代数目Ngen；
珊瑚礁初始化：生成大小为M*N的珊瑚礁，以比例ρ0在珊瑚礁中不重复随机放置珊瑚，已放置的珊瑚个数为M*N*ρ0，然后通过自定义的健康函数计算每个珊瑚的健康值；
珊瑚广播产卵：珊瑚广播产卵的个数为M*N*ρ0*Fb，分成两部分随机交叉产卵，每部分珊瑚个数为
Figure BDA0002313159090000031
并且在某一特定步骤中，两个珊瑚只有一次成为双亲，故产卵生成的珊瑚幼虫的个数为M*N*ρ0*Fb，并计算珊瑚幼虫的健康值；
珊瑚内部有性生殖：珊瑚内部有性生殖的个数为M*N*ρ0*(1-Fb)，通过孵卵模型随机突变来产生珊瑚幼虫，珊瑚幼虫的个数为M*N*ρ0*(1-Fb)，并计算幼虫的健康值；
珊瑚幼虫安置：对于广播产卵以及孵卵生成的珊瑚幼虫，将每个珊瑚幼虫随机尝试设定在珊瑚礁一个区域，如果区域是空的，则将珊瑚幼虫安置在区域里生长；如果区域已经被珊瑚占据，则当珊瑚幼虫的健康值比现有的珊瑚更高时，将珊瑚幼虫安置区域里生长；定义k次尝试将珊瑚幼虫放置在珊瑚礁，在k次不成功的尝试之后，确定珊瑚幼虫被珊瑚礁里的动物毁坏；
珊瑚无性繁殖：在进行无性繁殖建模时，珊瑚礁内现存的全部珊瑚均按其健康程度分类，其中一部分Fa进行自我繁殖，并按照珊瑚幼虫安置的方法在珊瑚礁的不同部分定居下来；
珊瑚虫阶段掠夺：在每个繁殖的k步，占据比例为Fd的健康值较小的不健康的珊瑚以概率Pd被掠夺，从而解放空间为下一代珊瑚礁；
结束条件：每一个世代中都保存健康值最大的珊瑚数据，直到迭代到预设的世代数目，所有世代中保存的珊瑚数据中健康值最大的光谱波段序列为特征波段。
其进一步的技术方案为，将提取得到的所有特征波段下的像素点光谱数据分为训练集和测试集训练得到最佳分类模型，包括：
将提取得到的所有特征波段下的像素点光谱数据分为训练集和测试集，训练集和测试集中均包括梅干菜样本对应的像素点的像素点光谱数据以及杂质样本对应的像素点的像素点光谱数据；
通过训练集分别建立SVM和BPNN像素等级的分类模型；
利用测试集评估分类模型的性能，性能包括分类精度和预测时间；
选择性能最优的分类模型作为最佳分类模型。
本发明的有益技术效果是：
本申请公开了一种基于高光谱图像采集***的梅干菜中杂质检测方法，该方法利用高光谱图像采集***采集运动情况下的梅干菜样本以及不同类杂质样本的高光谱图像，提取感兴趣区域中的像素点光谱数据后，利用珊瑚礁算法进行波段选择，利用波段选择后的像素点光谱数据建立最佳分类模型，利用最佳分类模型对待测梅干菜产品的高光谱图像实现像素级别的分类检测，从而自动识别出待测梅干菜产品中的各类杂质，该检测方法自动化程度高、判别准确度高、简单快速。
附图说明
图1是本申请中的高光谱图像采集***的部分结构示意图。
图2是本申请的梅干菜中杂质检测方法的流程图。
图3是本申请利用珊瑚礁算法确定特征波段的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请公开了一种基于高光谱图像采集***的梅干菜中杂质检测方法，本申请使用到的高光谱图像采集***主要包括控制装置及其连接的抖散装置、输送装置和高光谱图像采集装置，其中，抖散装置可以采用抖动电机实现或者采用翻动抓实现，用于将物料抖散使其平铺在输送装置上。请参考图1，输送装置主要包括PLC控制器和传送带1，控制装置2连接PLC控制器，PLC控制器连接并驱动传送带1运动实现输送。高光谱图像采集装置主要包括高光谱相机3、光源4和光源控制器5，高光谱相机3朝向传送带1设置，控制装置2连接高光谱相机3，光源4朝向传送带1并照射高光谱相机3的拍摄位置，光源控制器5连接光源4。控制装置2是整个***中用于集中控制和信号处理的部分，其执行的梅干菜中杂质检测方法过程包括如下步骤，请参考图2所示的流程图：
1、样本高光谱图像的获取，包括梅干菜样本的高光谱图像以及各类杂质样本的高光谱图像。首先获取干净的梅干菜样本以及各类杂质样本，然后将获取到的每一种样本置于高光谱图像采集***中，利用高光谱图像采集***采集样本在运动过程中的高光谱图像：利用抖散装置抖散样本后通过输送装置进行输送，然后通过高光谱图像采集装置采集样本在运动过程中的高光谱图像。
2、光谱数据预处理，包括如下几种预处理方式：
S1，对样本高光谱图像进行黑白校正，使所有光谱数据在0到1之间，从而保证光谱数据的稳定性。
S2，在某些波段下，梅干菜、杂质和背景有着相对明显的区分，根据各个样本高光谱图像确定区别波段a，区别波段a是梅干菜/杂质与背景的光谱数据差距最大的波段。
然后获得一张仅有背景的背景高光谱图像，在区别波段a下利用如下波段运算公式对黑白校正后的样本高光谱图像进行图像校正：
I′＝Ia(i,j)-Ba(i,j)；
其中，I′是黑白校正且图像校正后的样本高光谱图像，Ia(i,j)是黑白校正后的样本高光谱图像在所述区别波段a下的灰度图像，Ba(i,j)是背景高光谱图像在所述区别波段a下的灰度图像；
S3，利用图像全局阈值分割技术黑白校正且图像校正后的样本高光谱图像进行背景分割移除背景，提取得到样本高光谱图像中的感兴趣区域，感兴趣区域是样本高光谱图像中样本所在的区域。
3、像素光谱数据获取，提取各个样本高光谱图像的感兴趣区域的各个像素点的各个波段下的像素点光谱数据。
4、特征波段选择：利用珊瑚礁算法这种新的生物元启发算法来获取像素点高光谱数据的特征波段，请参考图3所示的流程图，具体的：
S1，参数初始化：珊瑚礁网格的大小为M*N，每个珊瑚长度为波段数B、里面放置的是波段序列，初始珊瑚占据总体珊瑚礁的比例为ρ0，珊瑚中广播产卵的比例Fb，珊瑚中内部有性生殖孵卵的比例1-Fb，无性繁殖的比例Fa，珊瑚幼虫尝试占领珊瑚的次数为k，珊瑚形成阶段，以一定概率Pd使不健康的珊瑚被掠夺的比例为Fd，世代数目Ngen。
S2，珊瑚礁初始化：生成大小为M*N的珊瑚礁，以比例ρ0在珊瑚礁中不重复随机放置珊瑚，已放置的珊瑚个数为M*N*ρ0，然后通过自定义的健康函数计算每个珊瑚的健康值。
S3，珊瑚广播产卵：珊瑚广播产卵的个数为M*N*ρ0*Fb，分成两部分随机交叉产卵，每部分珊瑚个数为
Figure BDA0002313159090000051
并且在某一特定步骤中，两个珊瑚只有一次成为双亲，故产卵生成的珊瑚幼虫的个数为M*N*ρ0*Fb，并计算珊瑚幼虫的健康值。
S4，珊瑚内部有性生殖：珊瑚内部有性生殖的个数为M*N*ρ0*(1-Fb)，通过孵卵模型随机突变来产生珊瑚幼虫，珊瑚幼虫的个数为M*N*ρ0*(1-Fb)，并计算幼虫的健康值。
S5，珊瑚幼虫安置：无论通过广播产卵或敷卵，一旦所有珊瑚幼虫形成，他们将试图在珊瑚礁里安家和成长，由于已知每个珊瑚幼虫的健康值，将每个珊瑚幼虫随机尝试设定在珊瑚礁一个区域，如果区域是空的(珊瑚礁中的自由空间)，则无论健康值如何，直接将珊瑚幼虫安置在该区域里生长。如果区域已经被珊瑚占据，则只有当该珊瑚幼虫的健康值比区域中现有的珊瑚更高时，才会将新的珊瑚幼虫安置区域里生长。定义k次尝试将珊瑚幼虫放置在珊瑚礁，在k次不成功的尝试之后，确定珊瑚幼虫被珊瑚礁里的动物毁坏。
S6，珊瑚无性繁殖：在进行无性繁殖建模时，珊瑚礁内现存的全部珊瑚均按其健康程度分类，其中一部分Fa进行自我繁殖，并按照S5所展示的珊瑚幼虫安置的方法在珊瑚礁的不同部分定居下来。
S7，珊瑚虫阶段掠夺：在每个繁殖的k步，少量的珊瑚可能死亡，设定占据比例为Fd的健康值较小的不健康的珊瑚以概率Pd被掠夺，从而解放空间为下一代珊瑚礁；
S8，结束条件：每一个世代中都保存健康值最大的珊瑚数据，直到迭代到预设的世代数目，所有世代中保存的珊瑚数据中健康值最大的光谱波段序列为特征波段。
比如在本申请的一个实例中，珊瑚礁的参数初始化为：珊瑚礁网格的大小10*10，每个珊瑚长度为波段数B＝300(里面放置的是波段序列)，初始珊瑚占据总体珊瑚礁的比例为ρ0＝0.6，珊瑚中广播产卵的比例Fb＝0.9，珊瑚中内部有性生殖孵卵的比例1-Fb＝0.1，无性繁殖的比例Fa＝0.01，珊瑚幼虫尝试占领珊瑚的次数k＝5，珊瑚形成阶段，以一定概率Pd＝0.1使不健康的珊瑚被掠夺的比例Fd＝0.01，世代数目Ngen＝100。按照珊瑚礁算法的流程直到迭代到预设的世代数目，所有世代中保存的珊瑚数据中健康值最大的那个光谱波段序列，就是特征波段。
5、最佳分类模型的建立。提取各个样本高光谱图像的感兴趣区域中各个像素点在特征波段下的像素点光谱数据，将其分为训练集和测试集，训练集和测试集中均包括梅干菜样本对应的像素点的像素点光谱数据以及杂质样本对应的像素点的像素点光谱数据。通过训练集分别建立SVM和BPNN像素等级的分类模型。利用测试集评估分类模型的性能，性能包括分类精度和预测时间。选择性能最优的分类模型作为最佳分类模型。
6、利用最佳分类模型对待测梅干菜产品进行杂质检测，包括：
S1，利用高光谱图像采集***获取待测梅干菜产品在运动过程中的待测高光谱图像，获取方法与步骤1相似，本申请不再赘述。
S2，对待测高光谱图像进行数据预处理并提取待测高光谱图像中的感兴趣区域，然后获取感兴趣区域的各个像素点在特征波段下的像素点光谱数据，操作步骤与上述步骤2和3相似，本申请不再赘述。
S3，将提取到的特征波段下的像素点光谱数据输入最佳分类模型得到对各个像素点的分类结果，分类结果为梅干菜或＝杂质。
S4，将分类结果为梅干菜的像素点置为0，将分类结果为杂质的像素点为1，将待测高光谱图像重建为二值图像。
S5，用去除小的连通域操作移除二值图像中的噪音点。
S6，利用形态学膨胀操作将分类结果为杂质的各个像素点聚合起来，得到杂质区域，然后在待测高光谱图像上对杂质区域进行标识，从而达到检测待测梅干菜产品中杂质的目的。同时，用杂质识别率和平均预测时间来评估最佳分类模型的性能，从而在检测过程中不断优化最佳分类模型。
以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (5)

1.一种基于高光谱图像采集***的梅干菜中杂质检测方法，其特征在于，所述高光谱图像采集***包括控制装置及其连接的抖散装置、输送装置和高光谱图像采集装置，所述控制装置执行的所述方法包括：
获取梅干菜样本和各类杂质样本，利用所述抖散装置抖散样本后通过所述输送装置进行输送，通过所述高光谱图像采集装置采集所述样本在运动过程中的样本高光谱图像，所述样本高光谱图像包括梅干菜样本的高光谱图像以及各类杂质样本的高光谱图像；
对所述样本高光谱图像进行数据预处理并提取各个所述样本高光谱图像中的感兴趣区域，提取所述感兴趣区域的各个像素点的各个波段下的像素点光谱数据，所述感兴趣区域是所述样本高光谱图像中样本所在的区域；
对于提取到的所有像素点光谱数据利用珊瑚礁算法选取特征波段，提取各个样本高光谱图像的感兴趣区域中各个像素点在所述特征波段下的像素点光谱数据，将提取得到的所有所述特征波段下的像素点光谱数据分为训练集和测试集训练得到最佳分类模型；
利用所述高光谱图像采集***获取待测梅干菜产品在运动过程中的待测高光谱图像；
对所述待测高光谱图像进行数据预处理并提取所述待测高光谱图像中的感兴趣区域，获取所述感兴趣区域的各个像素点在所述特征波段下的像素点光谱数据并输入所述最佳分类模型得到对各个像素点的分类结果；
根据像素点的分类结果对像素点进行聚合形成杂质区域并在所述待测高光谱图像上进行标识。
2.根据权利要求1所述的方法，其特征在于，所述对所述样本高光谱图像进行数据预处理并提取各个所述样本高光谱图像中的感兴趣区域，包括：
对所述样本高光谱图像进行黑白校正使所有光谱数据在0到1之间；
根据各个所述样本高光谱图像确定区别波段，通过所述高光谱图像采集装置采集背景的背景高光谱图像，在所述区别波段下利用波段运算公式对黑白校正后的样本高光谱图像进行图像校正，在所述区别波段a下的波段运算公式为I′＝Ia(i,j)-Ba(i,j)，其中，I′是黑白校正且图像校正后的样本高光谱图像，Ia(i,j)是黑白校正后的样本高光谱图像在所述区别波段a下的灰度图像，Ba(i,j)是背景高光谱图像在所述区别波段a下的灰度图像；
利用图像全局阈值分割技术对黑白校正且图像校正后的样本高光谱图像进行背景分割移除背景，提取得到所述样本高光谱图像中的感兴趣区域。
3.根据权利要求1所述的方法，其特征在于，所述根据像素点的分类结果对像素点进行聚合形成杂质区域，包括：
将分类结果为梅干菜的像素点置为0，将分类结果为杂质的像素点为1，将所述待测高光谱图像重建为二值图像；
用去除小的连通域操作移除所述二值图像中的噪音点；
利用形态学膨胀操作将分类结果为杂质的各个像素点聚合起来，得到所述杂质区域。
4.根据权利要求1所述的方法，其特征在于，所述利用珊瑚礁算法选取特征波段，包括：
参数初始化：珊瑚礁网格的大小为M*N，每个珊瑚长度为波段数B、里面放置的是波段序列，初始珊瑚占据总体珊瑚礁的比例为ρ0，珊瑚中广播产卵的比例Fb，珊瑚中内部有性生殖孵卵的比例1-Fb，无性繁殖的比例Fa，珊瑚幼虫尝试占领珊瑚的次数为k，珊瑚形成阶段，以一定概率Pd使不健康的珊瑚被掠夺的比例为Fd，世代数目Ngen；
珊瑚礁初始化：生成大小为M*N的珊瑚礁，以比例ρ0在珊瑚礁中不重复随机放置珊瑚，已放置的珊瑚个数为M*N*ρ0，然后通过自定义的健康函数计算每个珊瑚的健康值；
珊瑚广播产卵：珊瑚广播产卵的个数为M*N*ρ0*Fb，分成两部分随机交叉产卵，每部分珊瑚个数为
Figure FDA0002313159080000021
并且在某一特定步骤中，两个珊瑚只有一次成为双亲，故产卵生成的珊瑚幼虫的个数为M*N*ρ0*Fb，并计算珊瑚幼虫的健康值；
珊瑚内部有性生殖：珊瑚内部有性生殖的个数为M*N*ρ0*(1-Fb)，通过孵卵模型随机突变来产生珊瑚幼虫，珊瑚幼虫的个数为M*N*ρ0*(1-Fb)，并计算幼虫的健康值；
珊瑚幼虫安置：对于广播产卵以及孵卵生成的珊瑚幼虫，将每个珊瑚幼虫随机尝试设定在珊瑚礁一个区域，如果区域是空的，则将所述珊瑚幼虫安置在所述区域里生长；如果区域已经被珊瑚占据，则当所述珊瑚幼虫的健康值比现有的珊瑚更高时，将所述珊瑚幼虫安置所述区域里生长；定义k次尝试将珊瑚幼虫放置在珊瑚礁，在k次不成功的尝试之后，确定所述珊瑚幼虫被珊瑚礁里的动物毁坏；
珊瑚无性繁殖：在进行无性繁殖建模时，珊瑚礁内现存的全部珊瑚均按其健康程度分类，其中一部分Fa进行自我繁殖，并按照所述珊瑚幼虫安置的方法在珊瑚礁的不同部分定居下来；
珊瑚虫阶段掠夺：在每个繁殖的k步，占据比例为Fd的健康值较小的不健康的珊瑚以概率Pd被掠夺，从而解放空间为下一代珊瑚礁；
结束条件：每一个世代中都保存健康值最大的珊瑚数据，直到迭代到预设的世代数目，所有世代中保存的珊瑚数据中健康值最大的光谱波段序列为所述特征波段。
5.根据权利要求1-4任一所述的方法，其特征在于，所述将提取得到的所有所述特征波段下的像素点光谱数据分为训练集和测试集训练得到最佳分类模型，包括：
将提取得到的所有特征波段下的像素点光谱数据分为训练集和测试集，所述训练集和所述测试集中均包括梅干菜样本对应的像素点的像素点光谱数据以及杂质样本对应的像素点的像素点光谱数据；
通过所述训练集分别建立SVM和BPNN像素等级的分类模型；
利用所述测试集评估所述分类模型的性能，性能包括分类精度和预测时间；
选择性能最优的分类模型作为所述最佳分类模型。
CN201911267095.2A 2019-12-11 2019-12-11 基于高光谱图像采集***的梅干菜中杂质检测方法 Active CN111008970B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911267095.2A CN111008970B (zh) 2019-12-11 2019-12-11 基于高光谱图像采集***的梅干菜中杂质检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911267095.2A CN111008970B (zh) 2019-12-11 2019-12-11 基于高光谱图像采集***的梅干菜中杂质检测方法

Publications (2)

Publication Number Publication Date
CN111008970A true CN111008970A (zh) 2020-04-14
CN111008970B CN111008970B (zh) 2023-04-18

Family

ID=70114452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911267095.2A Active CN111008970B (zh) 2019-12-11 2019-12-11 基于高光谱图像采集***的梅干菜中杂质检测方法

Country Status (1)

Country Link
CN (1) CN111008970B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990028A (zh) * 2021-03-22 2021-06-18 精英数智科技股份有限公司 基于分类器对煤和矸石进行分类的方法和煤矸分选装置
CN113433076A (zh) * 2021-05-18 2021-09-24 中国检验检疫科学研究院 基于高光谱成像技术的玉米籽粒中黄曲霉毒素鉴别方法
CN114359539A (zh) * 2022-03-17 2022-04-15 广东省农业科学院农业质量标准与监测技术研究所 一种生鱼片中寄生虫高光谱图像智能识别方法
WO2023000907A1 (zh) * 2021-07-23 2023-01-26 奥比中光科技集团股份有限公司 一种光谱图像的确定方法、装置、终端和存储介质
CN117074353A (zh) * 2023-08-18 2023-11-17 广东省农业科学院设施农业研究所 一种荔枝果实蒂蛀虫无损检测方法和***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2049213A2 (en) * 2006-08-04 2009-04-22 University of York Display systems
CN108446582A (zh) * 2018-01-25 2018-08-24 西安电子科技大学 基于纹理特征和仿射传播聚类算法的高光谱图像分类方法
CN109253975A (zh) * 2018-11-08 2019-01-22 江南大学 基于msc-cfs-ica的苹果轻微损伤高光谱检测方法
CN110516668A (zh) * 2019-08-16 2019-11-29 浙江理工大学 一种基于高光谱成像技术的蜂蜜掺假检测方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2049213A2 (en) * 2006-08-04 2009-04-22 University of York Display systems
CN108446582A (zh) * 2018-01-25 2018-08-24 西安电子科技大学 基于纹理特征和仿射传播聚类算法的高光谱图像分类方法
CN109253975A (zh) * 2018-11-08 2019-01-22 江南大学 基于msc-cfs-ica的苹果轻微损伤高光谱检测方法
CN110516668A (zh) * 2019-08-16 2019-11-29 浙江理工大学 一种基于高光谱成像技术的蜂蜜掺假检测方法和装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990028A (zh) * 2021-03-22 2021-06-18 精英数智科技股份有限公司 基于分类器对煤和矸石进行分类的方法和煤矸分选装置
CN113433076A (zh) * 2021-05-18 2021-09-24 中国检验检疫科学研究院 基于高光谱成像技术的玉米籽粒中黄曲霉毒素鉴别方法
WO2023000907A1 (zh) * 2021-07-23 2023-01-26 奥比中光科技集团股份有限公司 一种光谱图像的确定方法、装置、终端和存储介质
CN114359539A (zh) * 2022-03-17 2022-04-15 广东省农业科学院农业质量标准与监测技术研究所 一种生鱼片中寄生虫高光谱图像智能识别方法
US11727669B1 (en) 2022-03-17 2023-08-15 Institute of Facility Agriculture, Guangdong Academy of Agricultural Science Intelligent recognition method of hyperspectral image of parasites in raw fish
CN117074353A (zh) * 2023-08-18 2023-11-17 广东省农业科学院设施农业研究所 一种荔枝果实蒂蛀虫无损检测方法和***
CN117074353B (zh) * 2023-08-18 2024-05-03 广东省农业科学院设施农业研究所 一种荔枝果实蒂蛀虫无损检测方法和***

Also Published As

Publication number Publication date
CN111008970B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN111008970B (zh) 基于高光谱图像采集***的梅干菜中杂质检测方法
Nandi et al. An automated machine vision based system for fruit sorting and grading
Blasco et al. Automatic sorting of satsuma (Citrus unshiu) segments using computer vision and morphological features
CN108287010B (zh) 一种螃蟹多指标分级装置与方法
Koszela et al. Computer image analysis in the quality in procedure for selected carrot varieties
May et al. Automated ripeness assessment of oil palm fruit using RGB and fuzzy logic technique
Thinh et al. Mango classification system based on machine vision and artificial intelligence
Sung et al. Automatic grader for flatfishes using machine vision
CN116363505A (zh) 一种基于采摘机器人视觉***的目标采摘方法
Thong et al. Mango classification system uses image processing technology and artificial intelligence
CN104089925A (zh) 一种基于高光谱成像检测虾仁品质的目标区域提取方法
CN101034440A (zh) 一种类球形果蔬的识别方法
CN112816487B (zh) 一种基于机器视觉的皮蛋内部品质无损检测方法
EP4018180A1 (en) Devices, systems and methods for sorting and labelling food products
CN113588596A (zh) 一种鱼粉中掺假动物源蛋白粉鉴别和含量检测方法及***
CN112676195B (zh) 基于线阵cmos相机的实木地板的颜色分选装置及方法
KR102596206B1 (ko) 영상 분석을 이용한 건해삼 등급 분류 시스템
Manickavasagan et al. Computer vision technique to classify dates based on hardness
Sabanci et al. Weight estimation of wheat by using image processing techniques
CN102680488A (zh) 一种基于pca的块状农产品在线识别装置及方法
Thinh et al. Sorting and classification of mangoes based on artificial intelligence
Micaraseth et al. Coffee Bean Inspection Machine with Deep Learning Classification
Gila et al. Automatic classification of olives for oil production using computer vision
US20230080863A1 (en) Method for operating a machine for harvesting and/or separating root crops, associated machine and associated computer program product
Hanibah et al. Determination of physical rice composition using image processing technique

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
GR01 Patent grant
GR01 Patent grant