CN111968080A - 一种基于高光谱和深度学习的肥城桃内外品质检测方法 - Google Patents
一种基于高光谱和深度学习的肥城桃内外品质检测方法 Download PDFInfo
- Publication number
- CN111968080A CN111968080A CN202010741945.4A CN202010741945A CN111968080A CN 111968080 A CN111968080 A CN 111968080A CN 202010741945 A CN202010741945 A CN 202010741945A CN 111968080 A CN111968080 A CN 111968080A
- Authority
- CN
- China
- Prior art keywords
- prediction
- feicheng
- sample
- peaches
- deep learning
- 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
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及水果品质无损检测领域,具体来说是一种基于高光谱和深度学习的肥城桃内外品质检测方法。该方法首先采集肥城桃样本的高光谱数据与理化指标并进行高光谱图像校准,然后通过蒙特卡罗偏最小二乘法剔除光谱数据异常值并采用光谱理化值共生距离法进行样本划分,再使用多种变量选择算法识别可溶性固形物含量与硬度的敏感特征波长,同时通过分析样本与背景光谱差值优选高光谱图像,利用深度学习YOLOv3算法进行目标框选与预测框尺寸面积提取,最后,建立特征波长光谱数据和可溶性固形物、硬度的回归预测模型,以及像素尺寸、面积和真实尺寸、重量的回归模型,实现肥城桃可溶性固形物、硬度、果径、重量的快速无损检测与内部品质空间分布可视化。
Description
技术领域
本发明涉及水果品质无损检测领域,具体来说是一种基于高光谱和深度学习的肥城桃内外品质检测方法。
背景技术
肥城桃,又名“佛桃”,个大质优,外形美观,营养物质丰富,被誉为“群桃之冠”,已有1000多年种植历史。但是,目前肥城桃生产水平较低,果品检测分级技术落后,远不能满足人们“优质精品”水果的消费需求,进行肥城桃果实品质快速分级对实现优果优价和提升产业发展至关重要。然而水果分级涉及多项理化指标,目前肥城桃鲜果分级主要依靠果农传统经验,对包括颜色、尺寸重量、质地、成分等做出判断,这些方法虽然取得较好效果,但往往是破坏性的,且操作繁琐费时,因此,如何快速、准确的检测肥城桃内外品质成为亟需解决的问题。本发明结合高光谱与深度学习技术提出了一种快速、无损、准确的肥城桃内外品质检测方法,为肥城桃产业的高质量发展提供了技术支撑。
发明内容
本发明针对上述问题及技术需求,提出了一种基于高光谱与深度学习的肥城桃内外品质检测方法,此方法可实现肥城桃内部品质(可溶性固形物、硬度等)与外部品质(果径、重量等)的快速无损检测,并将内部品质以伪彩色图像的形式直观显示。
本发明的目的通过以下的技术方案实现:
一种基于高光谱与深度学习的肥城桃内外品质检测方法,包括以下步骤:
步骤一:采集肥城桃样本在400-1000nm范围内的高光谱图像,并测量包括可溶性固形物含量、硬度值、果实最大横径、重量在内的理化指标,对高光谱图像进行黑白校准并通过掩膜选取整个肥城桃样品为兴趣区,获取样本的高光谱图像和兴趣区平均光谱数据立方体。
步骤二:结合光谱数据和理化指标进行异常值剔除与光谱数据集样本划分。
步骤三:对样本原始光谱数据进行预处理,并通过三种变量选择算法选取可溶性固形物、硬度的敏感特征波长。
步骤四:对高光谱图像进行样本与背景偏差光谱值分析,在光谱维中寻找样本与背景区分最为明显的波段,此波段下图像特征提取最为简单。
步骤五:使用深度学习目标框选技术提取样本的像素尺寸、面积。
步骤六:依据理化指标与步骤三所选特征波长,分别建立可溶性固形物、硬度的偏最小二乘回归(PLSR)、支持向量回归(SVR)、多元线性回归(MLR) 预测模型,预测模型的输入数据为特征光谱,输出数据为可溶性固形物含量、硬度值。
步骤七:依据步骤六所建最优模型预测高光谱图像上像素点的可溶性固形物含量与硬度值,并绘制其伪彩色分布图,完成内部品质分布的可视化。
步骤八:依据理化指标与步骤五提取的像素尺寸与面积,分别建立果径与重量的预测模型,预测模型的输入数据为像素尺寸、面积,输出数据为果径、重量。
步骤九:将待测样本的特征波段光谱数据与像素尺寸面积输入所建预测模型即可获得肥城桃的糖度、硬度、果径、重量信息与可视化图像。
优选的,所述步骤二中剔除异常值方法为蒙特卡罗偏最小二乘法 (MCPLS),该方法通过计算所有样本的预测残差平均值(Mean)和预测残差方差(STD),判定较高预测残差平均值和预测残差方差的样本为异常样本。
优选的,步骤二中样本集划分方法为光谱理化值共生距离(SPXY)法,该方法能兼顾样本的光谱数据与理化指标,使数据集的划分更合理,其距离公式:
其中,dx(p,q)为光谱距离;dy(p,q)为理化指标特征距离。
优选的,所述步骤三中采用多元散射校正(MSC)对光谱数据进行预处理,以消除球形果实表面漫反射的影响。
优选的,步骤三中采用竞争性自适应权重取样法(CARS)、连续投影算法 (SPA)、CARS-SPA方法进行特征波长选取。
其中,CARS使用蒙特卡洛抽样选择建模集以建立偏最小二乘模型,从而计算所有波长的回归系数,然后使用自适应重加权抽样和指数递减函数选择回归系数较大的关键波长,最后通过交叉验证获得具有最小均方根误差的波长子集; SPA利用向量的投影分析,选取含有最小冗余度和最小共线性的有效波长,通过比较波段投影向量大小,将最大投影量波段列为有效波段,并根据校正模型确定最佳的特征波段。
优选的,所述步骤五中深度学习目标框选的具体方法为:
利用迁移学习迁移已经在大数据集上预训练的YOLOv3模型;
改变模型语义层面的参数,使用步骤四选取的肥城桃高光谱图像完成对模型的精确训练;
以预测框、真实范围的交集和并集的比值IOU评价预测框的准确性,其计算公式为:
其中,Intersection为预测范围与真实范围的交集,Union为预测范围与真实范围的并集;
预测框为样本最小外接矩形,预测像素尺寸为:
X=ymax-ymin (3)
预测框面积为:
S=(xmax-xmin)(ymax-ymin) (4)
其中,x,y为同步生成检测文件中预测框的像素坐标。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明只需将待测样本特征光谱数据与预测框尺寸、面积输入检测模型即可获得肥城桃的可溶性固形物、硬度、果径、重量信息,实现内外品质的综合、无损检测,且检测精度高、检测速度快。
2、本发明对比分析了多种特征波长选取方法,建立了多种回归模型,可根据实际情况优选最佳组合。
3、本检测方法可实现内部品质的可视化,以伪彩色图像形式直观显示可溶性固形物与硬度的空间分布。
附图说明
图1为本发明方法流程图;
图2为全样本感兴趣区域的平均光谱;
图3为多元散射校正效果图;
图4为YOLOv3模型训练过程IOU曲线;
图5为样本目标框选图;
图6为可溶性固形物与硬度的最优模型预测散点图。
具体实施方式
为了更好的理解本发明的技术方案,下面结合附图详细描述本发明提供的实施例,但本发明的实施方式不限于此。
如图1所示,一种基于高光谱和深度学习的肥城桃内外品质检测方法,包括以下步骤:
步骤一:采集肥城桃样本在400-1000nm范围内的高光谱图像,并测量包括可溶性固形物含量、硬度值、果实最大横径、重量在内的理化指标,对高光谱图像进行黑白校准并通过掩膜选取整个肥城桃样品为兴趣区,获取样本的高光谱图像和兴趣区平均光谱数据立方体,全样本感兴趣区域的平均光谱如图2所示。
步骤一中,高光谱图像采集***组成主要包括高光谱成像仪 (GaiaField-V10E)、成像镜头(HSIA-OL23)、专用光源(HSIA-LS-T-200W)、标准白板(HSIA-CT-150×150)、三脚架(HSIA-TP-S)及装有高光谱数据采集软件(SpecView)的专用计算机,***参数设置为:成像距离为47cm,曝光时间为15ms;采集样本高光谱图像时应采集有最大投影面积时的样品图像,共采集150个样本的高光谱数据。
步骤一中,肥城桃硬度使用指针式水果硬度计测定,取五个不同位置测量结果平均值作为样本的硬度值;可溶性固形物含量使用数显折射仪测定,在每个样本五个硬度测试点处分别取1cm3果肉,榨汁后滴到数显折射仪镜面窗口,取五次测定平均值作为样本可溶性固形物含量;果径采用电子数显卡尺测量,测量时应测量其最大横径,重量采用电子天平进行称量。
步骤一中,采用白板和黑暗环境对高光谱成像***进行黑白校正,以消除相机暗电流、光照不均等对图像的影响,根据公式(5)得到校正后肥城桃的图像R:
其中,I为样品的原始漫反射光谱图像,Iwhite为白板的漫反射图像,Idark为暗图像,R为校正后的漫反射光谱图像。
步骤二:结合光谱数据和理化指标进行异常值剔除与光谱数据集样本划分。
步骤二中,异常值剔除方法为蒙特卡罗偏最小二乘法(MCPLS),该方法通过计算所有样本的预测残差平均值(Mean)和预测残差方差(STD),判定较高预测残差平均值和预测残差方差的样本为异常样本,可溶性固形物、硬度及其对应特征光谱数据各剔除10个异常值。
步骤二中,使用光谱理化值共生距离(SPXY)法按3∶1的比例划分建模集与预测集,该方法能兼顾样本的光谱数据与理化指标,使数据集的划分更合理,其距离公式:
其中,dx(p,q)为光谱距离;dy(p,q)为理化指标特征距离。
经检验,肥城桃高光谱数据集中建模集分布范围均比预测集分布范围广,证明数据集划分合理。
步骤三:对样本原始光谱数据进行预处理,并通过三种变量选择算法选取可溶性固形物、硬度的敏感特征波长。
步骤三中采用多元散射校正(MSC)对光谱数据进行预处理,以消除球形果实表面漫反射的影响,为验证MSC预处理的效果,在图3所示位置取像素点反射率,由图3可知多元散射校正取得了较好的效果,校正后的光谱与理想光谱更为接近,减弱了光照不均对桃子表面反射率的影响,从而使可视化结果更为准确。
步骤三中采用竞争性自适应权重取样法(CARS)、连续投影算法(SPA)、 CARS-SPA方法进行特征波长选取。
其中,CARS使用蒙特卡洛抽样选择校准集以建立偏最小二乘模型,从而计算所有波长的回归系数,然后使用自适应重加权抽样和指数递减函数选择回归系数较大的关键波长,最后通过交叉验证获得具有最小均方根误差的波长子集; SPA利用向量的投影分析,选取含有最小冗余度和最小共线性的有效波长,通过比较波段投影向量大小,将最大投影量波段列为有效波段,并根据校正模型确定最佳的特征波段。
选取的具体特征波长数据如表1所示:
表1
步骤四:对高光谱图像进行样本与背景偏差光谱值分析,在光谱维中寻找样本与背景区分最为明显的波段,此波段下图像特征提取最为简单。
步骤四中,样本反射率在400-750nm变化剧烈,在730-810nm反射率最高且起伏平缓,此时样本与背景偏差光谱值最大,特征提取最为简单,因此选用 730-810nm范围内高光谱图像进行图像分割与目标框选。
步骤五:使用深度学习目标框选技术提取样本的像素尺寸、面积。
步骤五中,深度学习目标框选的具体方法为:
利用迁移学习迁移已经在大数据集上预训练的YOLOv3模型;
改变模型语义层面的参数,使用步骤四选取的肥城桃高光谱图像完成对模型的精确训练,模型初始参数设置为批次样本数为16,动量因子为0.9,初始学习率为0.001,权重衰减为0.0005;
以预测框、真实范围的交集和并集的比值IOU评价预测框的准确性, YOLOv3模型训练过程IOU曲线如图4所示,其计算公式为:
其中,Intersection为预测范围与真实范围的交集,Union为预测范围与真实范围的并集;
预测框为样本最小外接矩形,预测像素尺寸为:
X=ymax-ymin (3)
预测框面积为:
S=(xmax-xmin)(ymax-ymin) (4)
其中,x,y为同步生成检测文件中预测框的像素坐标。
目标框选的结果如图5所示,YOLOv3检测一幅图像平均时间为19.94ms <30ms,满足实时检测需求。
步骤六:依据理化指标与步骤三所选特征波长,分别建立可溶性固形物、硬度的偏最小二乘回归(PLSR)、支持向量回归(SVR)、多元线性回归(MLR) 预测模型,预测模型的输入数据为特征光谱,输出数据为可溶性固形物含量、硬度值。
步骤六中,以相对分析误差(RPD)、预测集精度和预测集均方根误差 RMSEV作为模型性能主要评价指标,以建模集精度和建模集均方根误差 RMSEC作为辅助指标,RPD、和越大,RMSEC和RMSEV越小,模型的预测能力越强,且通常认为RPD>2时模型具有极好的预测能力,各模型效果如表2所示:
表2
可溶性固形物预测模型中CARS-MLR模型效果最好, RMSEV=0.365,RPD=2.315>2,预测效果十分优秀;硬度预测模型中 SPA-MLR模型效果最好,RMSEV=0.836,RPD=2.236 >2,预测结果如图6所示。
步骤七:依据步骤六所建最优模型预测高光谱图像上像素点的可溶性固形物含量与硬度值,并绘制其伪彩色分布图,完成内部品质分布的可视化。
步骤八:依据理化指标与步骤五提取的像素尺寸与面积,分别建立果径与重量的预测模型,预测模型的输入数据为像素尺寸、面积,输出数据为果径、重量。
步骤八中,因预测框像素面积与重量数值相差太大,将预测像素面积缩小 1000倍与重量进行回归分析,所建模型的具体性能如表3所示:
表3
步骤九:将待测样本的特征波段光谱数据与像素尺寸面积输入所建预测模型即可获得肥城桃的糖度、硬度、果径、重量信息与可视化图像。
以上所述仅为本发明的优选实施方式,本发明不受以上实施例的限制,凡是依据本发明的原理、方法所做的其他改进和变化,均应认为包含在本发明的保护范围之内。
Claims (6)
1.一种基于高光谱和深度学习的肥城桃内外品质检测方法,其特征在于,包括以下步骤:
步骤一:采集肥城桃样本在400-1000nm范围内的高光谱图像,并测量包括可溶性固形物含量、硬度值、果实最大横径、重量在内的理化指标,对高光谱图像进行黑白校准并通过掩膜选取整个肥城桃样品为兴趣区,获取样本的高光谱图像和兴趣区平均光谱数据立方体。
步骤二:结合光谱数据和理化指标进行异常值剔除与光谱数据集样本划分。
步骤三:对样本原始光谱数据进行预处理,并通过三种变量选择算法选取可溶性固形物、硬度的敏感特征波长。
步骤四:对高光谱图像进行样本与背景偏差光谱值分析,在光谱维中寻找样本与背景区分最为明显的波段,此波段下图像特征提取最为简单。
步骤五:使用深度学习目标框选技术提取样本的像素尺寸、面积。
步骤六:依据理化指标与步骤三所选特征波长,分别建立可溶性固形物、硬度的偏最小二乘回归(PLSR)、支持向量回归(SVR)、多元线性回归(MLR)预测模型,预测模型的输入数据为特征光谱,输出数据为可溶性固形物含量、硬度值。
步骤七:依据步骤六所建最优模型预测高光谱图像上像素点的可溶性固形物含量与硬度值,并绘制其伪彩色分布图,完成内部品质分布的可视化。
步骤八:依据理化指标与步骤五提取的像素尺寸与面积,分别建立果径与重量的预测模型,预测模型的输入数据为像素尺寸、面积,输出数据为果径、重量。
步骤九:将待测样本的特征波段光谱数据与像素尺寸面积输入所建预测模型即可获得肥城桃的糖度、硬度、果径、重量信息与可视化图像。
2.如权利要求1所述的一种基于高光谱和深度学***均值(Mean)和预测残差方差(STD),判定较高预测残差平均值和预测残差方差的样本为异常样本。
4.如权利要求1所述的一种基于高光谱和深度学习的肥城桃内外品质检测方法,其特征在于,所述步骤三中采用多元散射校正(MSC)对光谱数据进行预处理,以消除球形果实表面漫反射的影响。
5.如权利要求1所述的一种基于高光谱的肥城桃内外品质检测方法,其特征在于,步骤三中采用竞争性自适应权重取样(CARS)法、连续投影算法(SPA)、CARS-SPA方法进行特征波长选取。
其中,CARS使用蒙特卡洛抽样选择校准集以建立偏最小二乘模型,从而计算所有波长的回归系数,然后使用自适应重加权抽样和指数递减函数选择回归系数较大的关键波长,最后通过交叉验证获得具有最小均方根误差的波长子集;SPA利用向量的投影分析,选取含有最小冗余度和最小共线性的有效波长,通过比较波段投影向量大小,将最大投影量波段列为有效波段,并根据校正模型确定最佳的特征波段。
6.如权利要求1所述的一种基于高光谱和深度学习的肥城桃内外品质检测方法,其特征在于,所述步骤五中深度学习目标框选的具体方法如为:
利用迁移学习迁移已经在大数据集上预训练的YOLOv3模型;
改变模型语义层面的参数,使用步骤四选取的肥城桃高光谱图像完成对模型的精确训练;
以预测框、真实范围的交集和并集的比值IOU评价预测框的准确性,其计算公式为:
其中,Intersection为预测范围与真实范围的交集,Union为预测范围与真实范围的并集;
预测框为样本最小外接矩形,预测像素尺寸为:
X=ymax-ymin (3)
预测框面积为:
S=(xmax-xmin)(ymax-ymin) (4)
其中,x,y为同步生成检测文件中预测框的像素坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010741945.4A CN111968080B (zh) | 2020-07-21 | 2020-07-21 | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010741945.4A CN111968080B (zh) | 2020-07-21 | 2020-07-21 | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111968080A true CN111968080A (zh) | 2020-11-20 |
CN111968080B CN111968080B (zh) | 2023-06-23 |
Family
ID=73362969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010741945.4A Active CN111968080B (zh) | 2020-07-21 | 2020-07-21 | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968080B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112964719A (zh) * | 2021-04-26 | 2021-06-15 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的食品果糖检测方法及装置 |
CN113192090A (zh) * | 2021-05-08 | 2021-07-30 | 南京理工大学 | 一种基于机器学习的水蜜桃分拣方法及装置 |
CN113496486A (zh) * | 2021-07-08 | 2021-10-12 | 四川农业大学 | 基于高光谱成像技术的猕猴桃货架期快速判别方法 |
CN113807869A (zh) * | 2021-09-18 | 2021-12-17 | 中科巨匠人工智能技术(广州)有限公司 | 一种基于人工智能光学检测的溯源*** |
CN114018864A (zh) * | 2021-11-10 | 2022-02-08 | 黑龙江八一农垦大学 | 灌浆期玉米籽粒醇溶蛋白质含量变化快速检测方法 |
CN114112932A (zh) * | 2021-11-08 | 2022-03-01 | 南京林业大学 | 基于深度学习的油茶果成熟度高光谱检测方法及分选设备 |
CN114161469A (zh) * | 2021-10-20 | 2022-03-11 | 华中农业大学 | 基于抓感一体化的无损水果卡爪 |
CN114235723A (zh) * | 2021-11-04 | 2022-03-25 | 福建师范大学 | 一种水果内在品质的无损测量方法及终端 |
CN115049206A (zh) * | 2022-04-29 | 2022-09-13 | 广西宏廷智能科技有限公司 | 一种实时无损检测水果内部品质的方法及*** |
CN115728303A (zh) * | 2022-11-30 | 2023-03-03 | 南京农业大学 | 一种基于间隔偏最小二乘算法的果皮对内部果肉信息干扰剔除的方法 |
WO2023077569A1 (zh) * | 2021-11-02 | 2023-05-11 | 浙江大学 | 一种深度学习水果光谱分析模型更新方法 |
CN117030628A (zh) * | 2023-06-27 | 2023-11-10 | 浙江大学 | 一种中药浸膏质量高光谱智能分析方法 |
CN117474815A (zh) * | 2023-12-25 | 2024-01-30 | 山东大学 | 一种高光谱图像校准方法及*** |
CN117589741A (zh) * | 2024-01-18 | 2024-02-23 | 天津博霆光电技术有限公司 | 基于光学特征的吲哚菁绿智能检测方法 |
CN117668766A (zh) * | 2023-11-23 | 2024-03-08 | 沈阳农业大学 | 蓝莓可溶性固形物检测方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006047209A (ja) * | 2004-08-06 | 2006-02-16 | Kubota Corp | 分光分析装置 |
CN106596416A (zh) * | 2016-11-25 | 2017-04-26 | 华中农业大学 | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 |
CN107300536A (zh) * | 2017-08-25 | 2017-10-27 | 天津商业大学 | 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 |
US20190087726A1 (en) * | 2017-08-30 | 2019-03-21 | The Board Of Regents Of The University Of Texas System | Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications |
CN111199192A (zh) * | 2019-12-23 | 2020-05-26 | 中国农业大学 | 一种采用平行线取样的田间红提葡萄整体成熟度检测方法 |
-
2020
- 2020-07-21 CN CN202010741945.4A patent/CN111968080B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006047209A (ja) * | 2004-08-06 | 2006-02-16 | Kubota Corp | 分光分析装置 |
CN106596416A (zh) * | 2016-11-25 | 2017-04-26 | 华中农业大学 | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 |
CN107300536A (zh) * | 2017-08-25 | 2017-10-27 | 天津商业大学 | 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 |
US20190087726A1 (en) * | 2017-08-30 | 2019-03-21 | The Board Of Regents Of The University Of Texas System | Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications |
CN111199192A (zh) * | 2019-12-23 | 2020-05-26 | 中国农业大学 | 一种采用平行线取样的田间红提葡萄整体成熟度检测方法 |
Non-Patent Citations (1)
Title |
---|
邵园园等: "肥城桃品质可视化与成熟期高光谱成像检测", 农业机械学报 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112964719A (zh) * | 2021-04-26 | 2021-06-15 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的食品果糖检测方法及装置 |
CN113192090A (zh) * | 2021-05-08 | 2021-07-30 | 南京理工大学 | 一种基于机器学习的水蜜桃分拣方法及装置 |
CN113192090B (zh) * | 2021-05-08 | 2022-08-16 | 南京理工大学 | 一种基于机器学习的水蜜桃分拣方法及装置 |
CN113496486A (zh) * | 2021-07-08 | 2021-10-12 | 四川农业大学 | 基于高光谱成像技术的猕猴桃货架期快速判别方法 |
CN113496486B (zh) * | 2021-07-08 | 2023-08-22 | 四川农业大学 | 基于高光谱成像技术的猕猴桃货架期快速判别方法 |
CN113807869A (zh) * | 2021-09-18 | 2021-12-17 | 中科巨匠人工智能技术(广州)有限公司 | 一种基于人工智能光学检测的溯源*** |
CN114161469A (zh) * | 2021-10-20 | 2022-03-11 | 华中农业大学 | 基于抓感一体化的无损水果卡爪 |
CN114161469B (zh) * | 2021-10-20 | 2024-03-26 | 华中农业大学 | 基于抓感一体化的无损水果卡爪 |
WO2023077569A1 (zh) * | 2021-11-02 | 2023-05-11 | 浙江大学 | 一种深度学习水果光谱分析模型更新方法 |
CN114235723B (zh) * | 2021-11-04 | 2024-04-02 | 福建师范大学 | 一种水果内在品质的无损测量方法及终端 |
CN114235723A (zh) * | 2021-11-04 | 2022-03-25 | 福建师范大学 | 一种水果内在品质的无损测量方法及终端 |
CN114112932A (zh) * | 2021-11-08 | 2022-03-01 | 南京林业大学 | 基于深度学习的油茶果成熟度高光谱检测方法及分选设备 |
CN114018864B (zh) * | 2021-11-10 | 2022-09-16 | 黑龙江八一农垦大学 | 灌浆期玉米籽粒醇溶蛋白质含量变化快速检测方法 |
CN114018864A (zh) * | 2021-11-10 | 2022-02-08 | 黑龙江八一农垦大学 | 灌浆期玉米籽粒醇溶蛋白质含量变化快速检测方法 |
CN115049206A (zh) * | 2022-04-29 | 2022-09-13 | 广西宏廷智能科技有限公司 | 一种实时无损检测水果内部品质的方法及*** |
CN115728303A (zh) * | 2022-11-30 | 2023-03-03 | 南京农业大学 | 一种基于间隔偏最小二乘算法的果皮对内部果肉信息干扰剔除的方法 |
CN117030628A (zh) * | 2023-06-27 | 2023-11-10 | 浙江大学 | 一种中药浸膏质量高光谱智能分析方法 |
CN117668766A (zh) * | 2023-11-23 | 2024-03-08 | 沈阳农业大学 | 蓝莓可溶性固形物检测方法、装置、设备及介质 |
CN117474815A (zh) * | 2023-12-25 | 2024-01-30 | 山东大学 | 一种高光谱图像校准方法及*** |
CN117474815B (zh) * | 2023-12-25 | 2024-03-19 | 山东大学 | 一种高光谱图像校准方法及*** |
CN117589741A (zh) * | 2024-01-18 | 2024-02-23 | 天津博霆光电技术有限公司 | 基于光学特征的吲哚菁绿智能检测方法 |
CN117589741B (zh) * | 2024-01-18 | 2024-04-05 | 天津博霆光电技术有限公司 | 基于光学特征的吲哚菁绿智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111968080B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111968080A (zh) | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 | |
Li et al. | SSC and pH for sweet assessment and maturity classification of harvested cherry fruit based on NIR hyperspectral imaging technology | |
Zhang et al. | Nondestructive measurement of soluble solids content in apple using near infrared hyperspectral imaging coupled with wavelength selection algorithm | |
Mendoza et al. | Integrated spectral and image analysis of hyperspectral scattering data for prediction of apple fruit firmness and soluble solids content | |
Zhang et al. | Fast prediction of sugar content in Dangshan pear (Pyrus spp.) using hyperspectral imagery data | |
CN102495005B (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
CN109324000A (zh) | 基于cars-miv-svr的库尔勒香梨可溶性固体含量预测方法 | |
CN102564993B (zh) | 一种利用傅里叶变换红外光谱识别大米品种方法及其应用 | |
CN108956604A (zh) | 一种基于高光谱图像技术识别中华绒螯蟹品质的方法 | |
CN108760655B (zh) | 一种苹果味觉图谱信息可视化方法 | |
Yuan et al. | Non-invasive measurements of ‘Yunhe’pears by vis-NIRS technology coupled with deviation fusion modeling approach | |
CN111855608B (zh) | 基于融合特征波长选择算法的苹果酸度近红外无损检测方法 | |
CN109064553A (zh) | 基于近红外光谱分析的实木板材节子形态反演方法 | |
CN111044483A (zh) | 一种基于近红外光谱的奶油中色素测定方法、***和介质 | |
CN104677853B (zh) | 一种基于近红外高光谱的壁画起甲病害评估方法 | |
CN113570538B (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
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 | |
CN111445469A (zh) | 一种基于高光谱的苹果冲击后损伤参数的无损预测方法 | |
Jiang et al. | Rapid nondestructive detecting of wheat varieties and mixing ratio by combining hyperspectral imaging and ensemble learning | |
Patel et al. | Rapid assessment of some physical parameters of mangoes using monochrome computer vision | |
CN115545383A (zh) | 一种草莓脆外观品质的双目立体视觉检测方法 | |
WO2021195817A1 (zh) | 一种提取待测物质的光谱信息的方法 | |
CN109540811A (zh) | 一种通过光谱变换提高黑土养分含量预测精度的方法 | |
CN112964719B (zh) | 一种基于高光谱的食品果糖检测方法及装置 | |
CN112070745B (zh) | 一种快速有效的遥感影像分割非监督评价方法 |
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 |