CN117074353B - 一种荔枝果实蒂蛀虫无损检测方法和*** - Google Patents
一种荔枝果实蒂蛀虫无损检测方法和*** Download PDFInfo
- Publication number
- CN117074353B CN117074353B CN202311041730.1A CN202311041730A CN117074353B CN 117074353 B CN117074353 B CN 117074353B CN 202311041730 A CN202311041730 A CN 202311041730A CN 117074353 B CN117074353 B CN 117074353B
- Authority
- CN
- China
- Prior art keywords
- litchi
- plsr
- insect
- detection
- sample
- 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.)
- Active
Links
- 241001629511 Litchi Species 0.000 title claims abstract description 142
- 238000001514 detection method Methods 0.000 title claims abstract description 101
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 91
- 241000238631 Hexapoda Species 0.000 claims abstract description 58
- 238000003384 imaging method Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000005516 engineering process Methods 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 24
- 238000004433 infrared transmission spectrum Methods 0.000 claims abstract description 21
- 238000012706 support-vector machine Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims description 46
- 238000001228 spectrum Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 23
- 230000003595 spectral effect Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000009659 non-destructive testing Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 11
- 230000010365 information processing Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 9
- 238000013145 classification model Methods 0.000 abstract description 2
- 238000000701 chemical imaging Methods 0.000 description 13
- 238000002329 infrared spectrum Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 241001136975 Cryptophlebia peltastica Species 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 210000003608 fece Anatomy 0.000 description 3
- 229910052736 halogen Inorganic materials 0.000 description 3
- 239000010871 livestock manure Substances 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 210000002615 epidermis Anatomy 0.000 description 2
- 150000002367 halogens Chemical class 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- -1 10W halogen Chemical class 0.000 description 1
- 241000255777 Lepidoptera Species 0.000 description 1
- 229920000297 Rayon Polymers 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
- G01N9/24—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity by observing the transmission of wave or particle radiation through the material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
- G01N9/36—Analysing materials by measuring the density or specific gravity, e.g. determining quantity of moisture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于荔枝果实检测技术领域,本发明公开了一种荔枝果实蒂蛀虫无损检测方法和***,包括:将待测样品置于传送带上;基于可见/近红外光、X成像技术获取置于所述传送带上所述待测样品的样本信息;其中,所述可见/近红外光获取荔枝内部品质特征;所述X成像技术获取荔枝内部密度变化特征;根据预设的基于PLSR和支持向量机的数据处理和分析方法对所述样本信息进行分析,得到所述待测样品有虫和无虫的分类结果。本发明采用可见/近红外透射光谱和X射线成像特征融合结合PLSR对荔枝有虫果和无虫果测试集的检测正确率提高至92.92%,结合支持向量回归对测试集的分类模型正确率为94.44%。
Description
技术领域
本发明涉及荔枝果实检测技术领域,尤其涉及基于一种荔枝果实蒂蛀虫无损检测方法和***。
背景技术
荔枝是热带和亚热带水果,营养丰富、食味鲜美,且具有很高的药用价值。中国是荔枝的主产国,生产面积为47.6万hm2,约占全球荔枝生产面积的66.9%;产量约为201.7万t,占全球荔枝产量的60.8%,均居世界第一。荔枝蒂蛀虫又称蒂蛀虫、爻纹细蛾,隶属鳞翅目,细蛾科,是荔枝生产的第一害虫,主要以幼虫钻蛀为害荔枝果实、花穗、嫩梢、嫩叶,荔枝幼果受其侵害最为严重,受害严重的果园蛀果率高达95%以上,随着荔枝蒂蛀虫的防治手段逐渐成熟完善,但是依然不能避免部分荔枝果实受蒂蛀虫侵害,是影响荔枝果品,限制荔枝出口量的原因之一。
为了解决该产业问题,本领域技术人员研发一种无损、智能、快速的荔枝蒂蛀虫检测方法。
发明内容
有鉴于此,本发明提供了一种荔枝果实蒂蛀虫无损检测方法和***,以解决上述现有技术中存在的技术问题。
为了达到上述目的,本发明采用如下技术方案:
一种荔枝果实蒂蛀虫无损检测方法,包括以下步骤:
将待测样品置于传送带上;
基于可见/近红外光、X成像技术获取置于所述传送带上所述待测样品的样本信息;
其中,所述可见/近红外光获取荔枝内部品质特征;所述X成像技术获取荔枝内部密度变化特征;
根据预设的基于PLSR和支持向量机的数据处理和分析方法对所述样本信息进行分析,得到所述待测样品有虫和无虫的分类结果。
优选的,所述传送带上设置有低密度材料托盘,用于装载所述待测样品。
优选的,所述基于PLSR和支持向量机的数据处理和分析方法为:先采用连续投影法从全光谱中进行有效波长的选取,并融合;然后采用PCA初步判断所述待测样品有虫与无虫的分类效果,由第一和第二主成分构成的样本散点图表示;最后对特征提取后的光谱数据,采用PLSR分训练集与测试集进行进一步建模判别,无虫和有虫荔枝样品分别设定为0和1,其中PLSR检测效果受降维后特征个数的选取影响较大,结果输出为小数,通常用预测值与实际值之间的决定系数R2,以及均方根误差表示。
优选的,还包括:
采用SVR分训练集和测试集建立预测模型,无虫果有虫果分别设定为0和1进行预测;并将PLSR与SVR结果输出进行四舍五入取整,小于等于0输出为无虫,大于等于1为有虫。
优选的,采用连续投影法从全光谱中进行有效波长的选取,并融合,具体包括:
提取对分类、预测效果最佳的荔枝样品的X射线透射图像果梗、果核和果肉处的平均灰度值,与经过连续投影法提取的可见/近红外透射光谱特征波段,把两种检测方法中对区分效果影响最大的数据融合构成多源信息综合分析。
一种荔枝果实蒂蛀虫无损检测***,包括:可见/近红外无损检测平台、X射线成像检测平台、供电平台、传送装置以及信息处理装置;
所述可见/近红外无损检测平台,用于获取荔枝内部品质特征;
所述X射线成像检测平台,用于获取荔枝内部密度变化特征;
所述供电平台,用于对***中所有装置及平台进行供电;
所述信息处理装置,用于对***中采集到的特征信息进行基于PLSR和支持向量机的数据处理和分析,获取有虫/无虫的检测结果;
所述传送装置,与所述可见/近红外无损检测平台和所述X射线成像检测平台相适配,用于传送待测样品至预设检测平台进行检测。
优选的,所述信息处理装置基于携带的数据分析与处理程序,实现对接收到的用于表示荔枝内部品质特征的品质图像和用于表示荔枝内部密度变化特征的密度变化图像进行特征融合处理,并进一步结合PLSR和支持向量回归提高检测精度。
优选的,对接收到的用于表示荔枝内部品质特征的品质图像和用于表示荔枝内部密度变化特征的密度变化图像进行特征融合处理,具体包括以下步骤:
提取对分类、预测效果最佳的荔枝样品的所述密度变化图像的果梗、果核和果肉处的平均灰度值,与经过连续投影法提取的可见/近红外透射光谱特征波段,把两种检测平台采集的光谱数据中对区分效果影响最大的数据融合构成多源信息综合分析。
优选的,结合PLSR提高检测精度,具体包括:
采用PCA初步判断所述待测样品有虫与无虫的分类效果,由第一和第二主成分构成的样本散点图表示;最后对特征提取后的光谱数据,采用PLSR分训练集与测试集进行进一步建模判别,无虫和有虫荔枝样品分别设定为0和1,其中PLSR检测效果受降维后特征个数的选取影响较大,结果输出为小数,通常用预测值与实际值之间的决定系数R2,以及均方根误差表示。
优选的,支持向量回归提高检测精度,具体包括:
采用SVR分训练集和测试集建立预测模型,无虫果有虫果分别设定为0和1进行预测;并将PLSR与SVR结果输出进行四舍五入取整,小于等于0输出为无虫,大于等于1为有虫。
经由上述的技术方案可知,与现有技术相比,本发明为进一步提高检测精度,采用可见/近红外透射光谱和X射线成像特征融合结合PLSR对荔枝有虫果和无虫果测试集的检测正确率提高至92.92%,结合支持向量回归对测试集的分类模型正确率为94.44%。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1(a)-(b)附图为本发明的可见/近红外技术获取的荔枝样本的原始光谱和PCA分类结果;
图2附图为本发明的采用PLSR结合特征提取后的可见/近红外技术光谱特征波段进行检测结果;
图3(a)-(b)附图为本发明的高光谱成像技术获取的荔枝样本的原始光谱和PCA分类结果;
图4附图为本发明的采用PLSR结合特征提取后的高光谱特征波段进行检测结果;
图5附图为本发明的X成像技术获取的荔枝样本的原始光谱;
图6附图为本发明的X成像技术获取的荔枝样本的PCA分类结果;
图7附图为本发明的采用PLSR结合特征提取后的X成像光谱特征波段进行检测结果;
图8附图为本发明的可见/近红外技术+X成像技术获取的荔枝样本的PCA分类结果;
图9附图为本发明的采用PLSR结合特征提取后的可见/近红外技术+X成像技术像光谱特征波段进行检测结果;
图10附图为本发明的预测模型结果示意图;
图11附图为本发明的方法流程图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
荔枝蒂蛀虫对荔枝成熟果实的侵害部位主要是果蒂与果核,并影响果肉及果皮。受到荔枝蒂蛀虫侵害的荔枝果实果蒂处会出现虫啃食果蒂后留下的虫口与虫粪,部分果实样本果核内部会被荔枝蒂蛀虫啃食导致出现空洞。目前,可见/近红外光谱、高光谱成像、X射线成像、机器视觉技术在农产品品质检测方面发挥着重要作用。可见/近红外光可穿透农产品外表的特征,获取内部品质特征信息,适合于荔枝内部情况的无损检测,荔枝蒂蛀虫幼虫会在成茧期之前在虫果的果蒂附近离开荔枝果实,在果蒂附近留下虫体从果实内部离开果实的痕迹,可通过高光谱成像技术获取荔枝果蒂附近表皮以及可透光表层的特征。X射线成像技术可以穿透荔枝果实获取其内部特征,荔枝蒂蛀虫侵害荔枝果实后,在荔枝果蒂、果核留下的虫粪、空洞会导致该部分密度降低,X射线成像技术可以获取荔枝内部的密度变化特征。、
实施例1
本发明实施例公开了一种荔枝果实蒂蛀虫无损检测方法,包括:
将待测样品置于传送带上;
基于可见/近红外光、X成像技术获取置于传送带上待测样品的样本信息;
其中,可见/近红外光获取荔枝内部品质特征;X成像技术获取荔枝内部密度变化特征;
根据预设的基于PLSR和支持向量机的数据处理和分析方法对样本信息进行分析,得到待测样品有虫和无虫的分类结果。
具体地:
传送带上设置有低密度材料托盘,用于装载待测样品。
基于PLSR和支持向量机的数据处理和分析方法为:先采用连续投影法从全光谱中进行有效波长的选取,并融合;然后采用PCA初步判断待测样品有虫与无虫的分类效果,由第一和第二主成分构成的样本散点图表示;最后对特征提取后的光谱数据,采用PLSR分训练集与测试集进行进一步建模判别,无虫和有虫荔枝样品分别设定为0和1,其中PLSR检测效果受降维后特征个数的选取影响较大,结果输出为小数,通常用预测值与实际值之间的决定系数R2,以及均方根误差表示。
需要说明的是,全波段光谱模型的使用会由于信息冗余带来分析结果过拟合或受到噪声干扰过大等风险,导致模型复杂且不适合实际应用,因此从全光谱中进行有效波长的选取,找到携带重要信息的波段建立简化模型将更具有实际意义,因此在本实施例中采用连续投影法从全光谱中进行有效波长的选取。
更进一步,上述基于PLSR和支持向量机的数据处理和分析方法还包括:
采用SVR分训练集和测试集建立预测模型,无虫果有虫果分别设定为0和1进行预测;并将PLSR与SVR结果输出进行四舍五入取整,小于等于0输出为无虫,大于等于1为有虫。需要说明的是支持向量机是针对二分类问题提出的,由于本实施例研究的是如何让区分荔枝有虫果与无虫果属于二分类问题,而SVR是SVM的应用分支,因此在本实施例中为了进一步提高预测模型的准确度,采用SVR分训练集和测试集建立预测模型。
其中,采用连续投影法从全光谱中进行有效波长的选取,并融合,具体包括:
提取对分类、预测效果最佳的荔枝样品的X射线透射图像果梗、果核和果肉处的平均灰度值,与经过连续投影法提取的可见/近红外透射光谱特征波段,把两种检测方法中对区分效果影响最大的数据融合构成多源信息综合分析。
在本实施例中通过对荔枝进行荔枝蒂蛀虫无损检测时发现,荔枝果型较小、透光性好,可见/近红外透射光谱的检测效果比高光谱成像技术检测效果更好,但是单一的可见/近红外透射光谱对荔枝有虫、无虫的区分主要检测果肉及其他组织的成分、质地的变化,不足以覆盖荔枝蒂蛀虫对荔枝侵害造成的所有影响,因此需要引入可以对密度进行检测的X射线成像技术分别组合建模确定其判别效果。
因此本实施例分别采用可见/近红外透射技术、高光谱成像技术、X射线成像技术从荔枝的果肉、果梗果核组织、表皮多方面对荔枝的特征数据进行获取,以获取更高准确度的区分荔枝有虫、无虫的无损检测模型。分析得出可见/近红外透射与X射线成像对荔枝果实的检测效果最佳,因此融合该两种检测方法得出对检测结果影响最大的数据,构成多远光谱信息综合分析。PCA分类对荔枝的检测分类结果可以看出,不同类别的样品数据点之间不能用一条直线完全区分,存在一定的非线性特性。支持向量机是一类监督学习方式对数据进行二元分类的广义线性分类器,SVR其对回归问题的一种运用,对于非线性的模型,SVR使用核函数映射到特征空间,然后在进行回归,本实施例区分有虫果与无虫果的两类样本区分问题中,基于SVR建立的预测模型具有更好的预测效果。
实施例2
本发明实施例公开了一种荔枝果实蒂蛀虫无损检测***,包括:可见/近红外无损检测平台、X射线成像检测平台、供电平台、传送装置以及信息处理装置;
可见/近红外无损检测平台,用于获取荔枝内部品质特征;
X射线成像检测平台,用于获取荔枝内部密度变化特征;
供电平台,用于对***中所有装置及平台进行供电;
信息处理装置,用于对***中采集到的特征信息进行基于PLSR和支持向量机的数据处理和分析,获取有虫/无虫的检测结果;
传送装置,与可见/近红外无损检测平台和X射线成像检测平台相适配,用于传送待测样品至预设检测平台进行检测。
具体地:
在本实施例中为进一步验证本实施例所公开的***的检测效果,通过结合高光谱成像检测方法,进行比较证明和实施:
检测平台的搭建和实验的设备:
高光谱成像仪:FX17E,芬兰Specim公司,波段范围400-1000nm,光谱分辨率8nm
可见/近红外光谱仪:Ocean Optics QE pro,美国Ocean公司,波段范围400-1100nm,积分时间为500ms
X射线发生器:RAYON4343型,东莞睿奥检测设备公司,射线源电压100kv,射线源功率15W,焦点尺寸5um。
需要说明的是,在实际应用时设备以实际应用为准,本实施例中仅用于后续实验结果的数据说明和效果介绍。
高光谱成像无损检测平台,包括:高光谱成像仪、黑色磨砂电动传送带、一套由8只50W的卤素灯和漫反射黑色遮光壁组成的照明***以及一台计算机;可见/近红外无损检测平台,包括可见/近红外光谱仪、不透光的荔枝固定托盘、一只10W卤素灯以及一台计算机;X射线成像设备,包括X射线发生探测器及绿色反射X射线材料覆盖的电控传送带以及计算机一台。
在本实施例中,经过调整测试,荔枝的可见/近红外光谱的较优采集参数设定为:积分时间2000ms;接收光纤距离荔枝托盘距离5mm;荔枝样品贴近卤素灯光源灯罩玻璃与灯泡约3mm;光源为10W;荔枝位于托盘的中心位置,由托盘果梗向上竖直固定,光源、进光口、荔枝、出光口、光纤处于同一竖直线上。
高光谱图像数据获取基于计算机上的Spectronon Pro,将高光谱仪器预热15min后进行荔枝图像采集。为避免获取的图像失真、模糊,正式采集前经过多次预实验确定最佳的数据采集参数:光谱仪的曝光物距为45mm,曝光时间为64.742ms,帧速率为15Hz,扫描速度为800pps,单个荔枝的图像分辨率为200像素×200像素。采集完成裁剪成120像素×120像素的只包含荔枝果梗周围容易受到荔枝蒂蛀虫钻蛀的区域图像。高光谱图像采集过程中容易受到暗电流的影响,不同波段下成像***光源的强度分布不均匀,导致获取的高光谱图像数据中包含较大的噪声,要消除噪声的影响需要进行黑白板校正。消除噪声的校正公式为
式中:
Re为校正后的漫反射光谱图像数据;R0为样本的原始漫反射光谱图像数据;D为黑板图像数据;W为白板漫反射图像数据。
X射线图像获取基于计算机上X射线成像设备配套软件RAYON软件,经过多次预实验确定X射线成像采集的数据为50kV、192uA激发X射线管,电控传送带速率为2.72m/s,于X射线管正下方停留2.8s,图像分辨率为3000像素×3000像素。
荔枝由低密度材料托盘固定,果梗平行于传送带卧躺于托盘上,X射线发生器、图像采集器与荔枝果梗、果核成垂直方向放置。采集完成后统一采集成单个荔枝图像,图像使用Matlab软件进行对比度提高、降噪、锐化、亮度调节等处理。
为了进一步介绍说明上述技术方案,分别对可见/近红外光谱对荔枝蒂蛀虫的检测结果、高光谱成像的特征光谱对荔枝蒂蛀虫的检测结果、X射线成像技术对荔枝蒂蛀虫的检测结果,进行具体实验数据介绍:
可见/近红外光谱对荔枝蒂蛀虫的检测
SPA光谱特征提取与PCA分类:荔枝样本在400~1100nm的原始光谱如图1a所示,数据在600nm前、940nm以后出现噪声波段。经过SPA算法对光谱数据进行特征提取,变量选取7个波长,分别为655.7nm、675.8nm、705.9nm、767.9nm、814.5nm、859.6nm、894.1nm。根据选取的波长进行PCA分类,结果如图1b。有虫、无虫的荔枝可以被区分,但样本之间距离较近,且无虫样本的数据离散程度较高,聚类性有待提高。可见/近红外光谱特征波段的PLSR建模:为了确定使用可见/近红外透射光谱对荔枝蒂蛀虫无损检测的效果,采用PLSR结合特征提取后的光谱特征波段进行检测,结果如图2所示。所建立PLSR模型对训练集的回判R2和RMSE分别为0.84与0.19,对于测试集的检测R2和RMSE分别为0.80与0.21,特征光谱对训练集的回判正确率为90.91%,对测试集的检测正确率为87.88%。
高光谱成像的特征光谱对荔枝蒂蛀虫的检测
SPA光谱特征提取与PCA分类:荔枝样品在400~1000nm的原始光谱如图3a所示,数据在500nm之前、950nm之后部分样品出现轻微的噪声波动。根据SPA算法选取7个特征波长分别为445.4nm、561.5、606.7nm、647.9nm、749.6nm、837.2nm、923.9nm。,根据所选波段进行PCA分类,结果如图3b所示,有虫、无虫荔枝样品虽然可以被区分,但是距离较近、离散程度较高、聚类性一般。
高光谱成像光谱特征波段的PLSR检测建模:为了确定高光谱成像对荔枝蒂蛀虫检测的效果,采用PLSR结合特征提取后的不同光谱波段进行检测,结果如图4所示。采用PLSR结合特征提取后的400~1000nm高光谱图像特征光谱荔枝蒂蛀虫检测,所建立PLSR模型对训练集的回判R2和RMSE分别为0.61和0.30,对于测试集的检测R2和RMSE分别为0.58和0.33。训练集的回判正确率为71%,对测试集的检测正确率为67.53%,单一的高光谱成像技术对于荔枝蒂蛀虫的检测效果不佳。因此,后续多源信息融合不采用高光谱的数据。
X射线成像技术对荔枝蒂蛀虫的检测
SPA光谱特征提取与PCA分类:荔枝样品的X射线透射图像如图5所示,由于虫果的果蒂被蒂蛀虫的破坏和啃食后留下空洞和虫粪,浅色区域相对于无虫果较大。部分荔枝果核处由于被荔枝蒂蛀虫啃食,果核变空心,因此密度较低且形状不规则。分别把每一个荔枝的果梗和果核单独截出,获取果蒂、果核、果肉处的灰度值,以及获取背景灰度值对果实图像区域的灰度值进行校正后,进行PCA分类,结果如图6所示,结果显示有虫、无虫样品可以被区分开来,距离较近,聚类性一般。
X射线成像+可见/近红外透射光谱融合的多源信息对荔枝蒂蛀虫的检测
X射线成像+可见/近红外透射光谱融合的多源信息的PCA分类:对单一使用X射线成像与可见/近红外透射光谱的PCA分类与PLSR建模结果进行分析,提取对分类、预测效果最佳的荔枝样品的X射线透射图像果梗、果核和果肉处的平均灰度值,与经过SPA算法提取的可见/近红外透射光谱特征波段,把两种检测方法中对区分效果影响最大的数据融合构成多源信息综合分析。对结合后的数据进行PCA分类,结果如图8所示,结果显示有虫、无虫样品可以被区分开来,两类数据点分离较为明显,聚类性较好。
X射线成像特征区域的PLSR建模:为了探索X射线成像对荔枝蒂蛀虫无损检测的效果,结果如图7所示,采用PLSR对X射线图像的特征区域灰度值建模进行荔枝蒂蛀虫检测,所建立PLSR模型对训练集的回判R2和RMSE分别为0.83和0.19,对于测试集的检测R2和RMSE分别为0.79和0.22。训练集的回判正确率从为90.20%,对测试集的检测正确率为86.49%。
X射线成像+可见/近红外透射光谱融合的多源信息的PLSR与SVR建模:为了确定多源光谱信息融合后对荔枝蒂蛀虫无损检测的效果,结果如图9所示,采用PLSR对多源光谱信息对荔枝的检测效果进行建模,所建立PLSR模型对训练集的回判R2和RMSE分别为0.90和0.15,对于测试集的检测R2和RMSE分别为0.85和0.19。训练集的回判正确率为96.42%,对测试集的检测正确率为92.92%。
为了进一步提高多源光谱信息融合对荔枝蒂蛀虫无损检测的效果,采用SVR对特征提取后的可见/近红外透射特征光谱结合X射线图像的灰度值综合分析,所建模型结果如图10所示,建立预测模型对测训练集的SVR回判R2和RMSE分别为0.89和0.15,对于测试集的检测R2和RMSE分别为0.86和0.18,结果所示模型对训练集的回判正确率为96.42,对测试集的检测正确率为94.44%。
信息处理装置基于携带的数据分析与处理程序,实现对接收到的用于表示荔枝内部品质特征的品质图像和用于表示荔枝内部密度变化特征的密度变化图像进行特征融合处理,并进一步结合PLSR和支持向量回归提高检测精度。
对接收到的用于表示荔枝内部品质特征的品质图像和用于表示荔枝内部密度变化特征的密度变化图像进行特征融合处理,具体包括以下步骤:
提取对分类、预测效果最佳的荔枝样品的密度变化图像的果梗、果核和果肉处的平均灰度值,与经过连续投影法提取的可见/近红外透射光谱特征波段,把两种检测平台采集的光谱数据中对区分效果影响最大的数据融合构成多源信息综合分析。
结合PLSR提高检测精度,具体包括:
采用PCA初步判断待测样品有虫与无虫的分类效果,由第一和第二主成分构成的样本散点图表示;最后对特征提取后的光谱数据,采用PLSR分训练集与测试集进行进一步建模判别,无虫和有虫荔枝样品分别设定为0和1,其中PLSR检测效果受降维后特征个数的选取影响较大,结果输出为小数,通常用预测值与实际值之间的决定系数R2,以及均方根误差表示。
支持向量回归提高检测精度,具体包括:
采用SVR分训练集和测试集建立预测模型,无虫果有虫果分别设定为0和1进行预测;并将PLSR与SVR结果输出进行四舍五入取整,小于等于0输出为无虫,大于等于1为有虫。
综上,可见/近红外透射光谱技术、高光谱成像技术、X射线成像技术的多源光谱信息融合技术进行荔枝是否受到荔枝蒂蛀虫侵害的虫果和无虫果进行无损检测区分,对荔枝的果肉及其他果实内部组织的成分、质地;果梗周围容易受到荔枝钻蛀破坏的果皮检测;果蒂果核的结构及密度进行检测分析,获取特征数据建立荔枝的无损检测模型。分别对可见/近红外透射光谱、单一高光谱成像特征图谱、结合可见/近红外透射光谱与高光谱特征图谱进行PCA分类,发现结果图上数据点虽可以大致区分有虫、无虫荔枝,但数据点离散程度较高,类聚性差。单独使用可见/近红外透射光谱和单独使用X射线成像对荔枝的有虫果核无虫果区分的准确率分别为87.88%和86.49%。对该三种检测方法分别进行不同组合分析发现,引入可以对果实内部结构、密度检测的X射线成像技术结合可见/近红外光谱技术技术的多源光谱信息融合技术,进行PCA分类发现数据点的类聚性明显增强,但不同类别样本的数据点依旧存在少量的数据点重叠,存在误判的风险。对多源光谱信息进行PLSR建模,对测试集的检测正确率为92.92%。SVR结合多源光谱信息所建模型结果所示模型对测试集的检测正确率为94.44%。
经过对多种方法结合后效果的综合判断,采用SPA特征提取的可见/近红外透射光谱数据结合X射线成像数据融合进行SVR建模效果最佳,下一步研究可对光谱进行新的信号处理方法、减少建模特征数量简化模型。运用本文所建立的模型进行荔枝进行大批量的试验验证,未来提高模型的实用性和稳定性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (3)
1.一种荔枝果实蒂蛀虫无损检测方法,其特征在于,包括以下步骤:
将待测样品置于传送带上;
基于可见/近红外光、X成像技术获取置于所述传送带上所述待测样品的样本信息;
其中,所述可见/近红外光获取荔枝内部品质特征;所述X成像技术获取荔枝内部密度变化特征;
根据预设的基于PLSR和支持向量机的数据处理和分析方法对所述样本信息进行分析,得到所述待测样品有虫和无虫的分类结果;
所述基于PLSR和支持向量机的数据处理和分析方法为:先采用连续投影法从全光谱中进行有效波长的选取,并融合;然后采用PCA初步判断所述待测样品有虫与无虫的分类效果,由第一和第二主成分构成的样本散点图表示;最后对特征提取后的光谱数据,采用PLSR分训练集与测试集进行进一步建模判别,无虫和有虫荔枝样品分别设定为0和1,其中PLSR检测效果受降维后特征个数的选取影响大,结果输出为小数,通常用预测值与实际值之间的决定系数R2,以及均方根误差表示;
采用SVR分训练集和测试集建立预测模型,无虫果有虫果分别设定为0和1进行预测;并将PLSR与SVR结果输出进行四舍五入取整,小于等于0输出为无虫,大于等于1为有虫;
采用连续投影法从全光谱中进行有效波长的选取,并融合,具体包括:
提取对分类、预测效果最佳的荔枝样品的X射线透射图像果梗、果核和果肉处的平均灰度值,与经过连续投影法提取的可见/近红外透射光谱特征波段,把两种检测方法中对区分效果影响最大的数据融合构成多源信息综合分析。
2.根据权利要求1所述的一种荔枝果实蒂蛀虫无损检测方法,其特征在于,所述传送带上设置有低密度材料托盘,用于装载所述待测样品。
3.一种荔枝果实蒂蛀虫无损检测***,其特征在于,包括:可见/近红外无损检测平台、X射线成像检测平台、供电平台、传送装置以及信息处理装置;
所述可见/近红外无损检测平台,用于获取荔枝内部品质特征;
所述X射线成像检测平台,用于获取荔枝内部密度变化特征;
所述供电平台,用于对***中所有装置及平台进行供电;
所述信息处理装置,用于对***中采集到的特征信息进行基于PLSR和支持向量机的数据处理和分析,获取有虫/无虫的检测结果;
所述传送装置,与所述可见/近红外无损检测平台和所述X射线成像检测平台相适配,用于传送待测样品至预设检测平台进行检测;
所述信息处理装置基于携带的数据分析与处理程序,实现对接收到的用于表示荔枝内部品质特征的品质图像和用于表示荔枝内部密度变化特征的密度变化图像进行特征融合处理,并进一步结合PLSR和支持向量回归提高检测精度;
对接收到的用于表示荔枝内部品质特征的品质图像和用于表示荔枝内部密度变化特征的密度变化图像进行特征融合处理,具体包括以下步骤:
提取对分类、预测效果最佳的荔枝样品的所述密度变化图像的果梗、果核和果肉处的平均灰度值,与经过连续投影法提取的可见/近红外透射光谱特征波段,把两种检测平台采集的光谱数据中对区分效果影响最大的数据融合构成多源信息综合分析;
结合PLSR提高检测精度,具体包括:
采用PCA初步判断所述待测样品有虫与无虫的分类效果,由第一和第二主成分构成的样本散点图表示;最后对特征提取后的光谱数据,采用PLSR分训练集与测试集进行进一步建模判别,无虫和有虫荔枝样品分别设定为0和1,其中PLSR检测效果受降维后特征个数的选取影响大,结果输出为小数,通常用预测值与实际值之间的决定系数R2,以及均方根误差表示;
支持向量回归提高检测精度,具体包括:
采用SVR分训练集和测试集建立预测模型,无虫果有虫果分别设定为0和1进行预测;并将PLSR与SVR结果输出进行四舍五入取整,小于等于0输出为无虫,大于等于1为有虫。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311041730.1A CN117074353B (zh) | 2023-08-18 | 2023-08-18 | 一种荔枝果实蒂蛀虫无损检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311041730.1A CN117074353B (zh) | 2023-08-18 | 2023-08-18 | 一种荔枝果实蒂蛀虫无损检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117074353A CN117074353A (zh) | 2023-11-17 |
CN117074353B true CN117074353B (zh) | 2024-05-03 |
Family
ID=88718944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311041730.1A Active CN117074353B (zh) | 2023-08-18 | 2023-08-18 | 一种荔枝果实蒂蛀虫无损检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117074353B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1940555A (zh) * | 2006-09-04 | 2007-04-04 | 江苏大学 | 一种农产品内外品质检测方法及装置 |
CN103808669A (zh) * | 2014-01-26 | 2014-05-21 | 沈阳农业大学 | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 |
CN103954570A (zh) * | 2014-04-21 | 2014-07-30 | 江苏大学 | 一种基于光谱成像技术的粮食虫害程度判别方法 |
CN104155312A (zh) * | 2014-08-11 | 2014-11-19 | 华北水利水电大学 | 基于近红外计算机视觉的粮粒内部害虫检测方法和装置 |
CN105044024A (zh) * | 2015-08-31 | 2015-11-11 | 安徽农业大学 | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 |
CN109470639A (zh) * | 2018-11-07 | 2019-03-15 | 浙江大学 | 基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法 |
CN109557090A (zh) * | 2017-09-23 | 2019-04-02 | 华中农业大学 | X射线-可见光双模式成像无损提取水稻稻穗性状 |
CN109738442A (zh) * | 2019-01-05 | 2019-05-10 | 华中农业大学 | 一种基于大视野x射线可见光配准成像的水稻稻穗性状全自动提取*** |
CN111008970A (zh) * | 2019-12-11 | 2020-04-14 | 江南大学 | 基于高光谱图像采集***的梅干菜中杂质检测方法 |
CN112016392A (zh) * | 2020-07-17 | 2020-12-01 | 浙江理工大学 | 一种基于高光谱图像的大豆虫害程度的小样本检测方法 |
CN112986174A (zh) * | 2021-02-03 | 2021-06-18 | 佛山一本农业科技有限公司 | 一种基于近红外光谱的果蔬优选分拣方法、***及可读存储介质 |
CN113049530A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于近红外高光谱的单粒玉米种子水分含量检测方法 |
CN113484278A (zh) * | 2021-05-21 | 2021-10-08 | 北京农业智能装备技术研究中心 | 一种基于光谱和主成分分析的番茄综合品质无损检测方法 |
CN113533236A (zh) * | 2021-09-13 | 2021-10-22 | 广东省农业科学院农业质量标准与监测技术研究所 | 水果光谱的特征提取方法、模型训练方法、检测方法 |
CN114527082A (zh) * | 2022-01-20 | 2022-05-24 | 仲恺农业工程学院 | 甜玉米种子萌发预测方法及装置 |
CN114882249A (zh) * | 2022-03-28 | 2022-08-09 | 吉林工程技术师范学院 | 一种基于高光谱的种子品种品质检测方法、*** |
CN116008225A (zh) * | 2022-06-13 | 2023-04-25 | 南京林业大学 | 高光谱成像叶用银杏叶总黄酮含量检测方法 |
-
2023
- 2023-08-18 CN CN202311041730.1A patent/CN117074353B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1940555A (zh) * | 2006-09-04 | 2007-04-04 | 江苏大学 | 一种农产品内外品质检测方法及装置 |
CN103808669A (zh) * | 2014-01-26 | 2014-05-21 | 沈阳农业大学 | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 |
CN103954570A (zh) * | 2014-04-21 | 2014-07-30 | 江苏大学 | 一种基于光谱成像技术的粮食虫害程度判别方法 |
CN104155312A (zh) * | 2014-08-11 | 2014-11-19 | 华北水利水电大学 | 基于近红外计算机视觉的粮粒内部害虫检测方法和装置 |
CN105044024A (zh) * | 2015-08-31 | 2015-11-11 | 安徽农业大学 | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 |
CN109557090A (zh) * | 2017-09-23 | 2019-04-02 | 华中农业大学 | X射线-可见光双模式成像无损提取水稻稻穗性状 |
CN109470639A (zh) * | 2018-11-07 | 2019-03-15 | 浙江大学 | 基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法 |
CN109738442A (zh) * | 2019-01-05 | 2019-05-10 | 华中农业大学 | 一种基于大视野x射线可见光配准成像的水稻稻穗性状全自动提取*** |
CN111008970A (zh) * | 2019-12-11 | 2020-04-14 | 江南大学 | 基于高光谱图像采集***的梅干菜中杂质检测方法 |
CN112016392A (zh) * | 2020-07-17 | 2020-12-01 | 浙江理工大学 | 一种基于高光谱图像的大豆虫害程度的小样本检测方法 |
CN112986174A (zh) * | 2021-02-03 | 2021-06-18 | 佛山一本农业科技有限公司 | 一种基于近红外光谱的果蔬优选分拣方法、***及可读存储介质 |
CN113049530A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于近红外高光谱的单粒玉米种子水分含量检测方法 |
CN113484278A (zh) * | 2021-05-21 | 2021-10-08 | 北京农业智能装备技术研究中心 | 一种基于光谱和主成分分析的番茄综合品质无损检测方法 |
CN113533236A (zh) * | 2021-09-13 | 2021-10-22 | 广东省农业科学院农业质量标准与监测技术研究所 | 水果光谱的特征提取方法、模型训练方法、检测方法 |
CN114527082A (zh) * | 2022-01-20 | 2022-05-24 | 仲恺农业工程学院 | 甜玉米种子萌发预测方法及装置 |
CN114882249A (zh) * | 2022-03-28 | 2022-08-09 | 吉林工程技术师范学院 | 一种基于高光谱的种子品种品质检测方法、*** |
CN116008225A (zh) * | 2022-06-13 | 2023-04-25 | 南京林业大学 | 高光谱成像叶用银杏叶总黄酮含量检测方法 |
Non-Patent Citations (6)
Title |
---|
Identification of Kiwifruits Treated with Exogenous Plant Growth Regulator Using Near-Infrared Hyperspectral Reflectance Imaging;Dayang Liu, et al.;Food Analytical Methods;20140507;全文 * |
X射线无损检测技术在农产品品质评价中的应用;韩平;潘立刚;马智宏;陆安祥;王纪华;;农机化研究(10);全文 * |
储粮害虫图像识别的研究进展及展望;毛罕平;张红涛;;农业机械学报(04);全文 * |
基于支持向量机的大枣内部虫害无损检测;陈红光 等;东北农业大学学报;20140507;全文 * |
近红外光谱定量和定性分析技术在鲜食葡萄果实无损检测中的应用;章林忠 等;浙江农业学报;20180321;全文 * |
高光谱图像技术在水果品质无损检测中的研究进展;申亚其 等;林业机械与土木设备;20210315;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117074353A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Hyperspectral imaging technology for quality and safety evaluation of horticultural products: A review and celebration of the past 20-year progress | |
Zareiforoush et al. | Potential applications of computer vision in quality inspection of rice: a review | |
Xing et al. | Detecting bruises on ‘Golden Delicious’ apples using hyperspectral imaging with multiple wavebands | |
Chen et al. | Predicting the anthocyanin content of wine grapes by NIR hyperspectral imaging | |
Yu et al. | Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing | |
Wang et al. | Shortwave infrared hyperspectral imaging for detecting sour skin (Burkholderia cepacia)-infected onions | |
US11682203B2 (en) | Feature extraction method, model training method, detection method of fruit spectrum | |
CN110849828A (zh) | 一种基于高光谱图像技术的藏红花分类方法 | |
Li et al. | Development of algorithms for detecting citrus canker based on hyperspectral reflectance imaging | |
CN106546541A (zh) | 一种基于高光谱转基因玉米籽粒的识别装置与方法 | |
CN110553999A (zh) | 基于高光谱和叶绿素荧光成像融合的柑橘黄龙病检测方法 | |
Qin et al. | Multispectral detection of citrus canker using hyperspectral band selection | |
Zhihui et al. | Nondestructive detection of infertile hatching eggs based on spectral and imaging information | |
Ding et al. | Quality and safety inspection of food and agricultural products by LabVIEW IMAQ vision | |
CN116297236A (zh) | 一种基于高光谱的单粒玉米种子活力鉴别方法及装置 | |
Wang et al. | Assessment of protein content and insect infestation of maize seeds based on on-line near-infrared spectroscopy and machine learning | |
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 | |
Li et al. | Two-wavelength image detection of early decayed oranges by coupling spectral classification with image processing | |
Zhang et al. | Detection of seed purity of hybrid wheat using reflectance and transmittance hyperspectral imaging technology | |
Wulfsohn et al. | Defect sorting of dry dates by image analysis. | |
Huang et al. | Predicting soluble solids content in “Fuji” apples of different ripening stages based on multiple information fusion | |
CN117074353B (zh) | 一种荔枝果实蒂蛀虫无损检测方法和*** | |
CN204008466U (zh) | 基于叶绿素荧光及成像技术的植物病害检测装置 | |
Long et al. | Application of hyperspectral imaging technology in classification of tobacco leaves and impurities | |
Sun et al. | Investigations of optical geometry and sample positioning in NIRS transmittance for detecting vascular browning in apples |
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 |