精华内容
下载资源
问答
  • 高光谱成像技术(HSI)是将成像技术和光谱技术相结合的多维信息获取技术,具有图谱合一的重要特征。通过HSI获得的空间分辨光谱成像提供了关于组织生理学,形态学和组成的诊断信息。HSI是医学应用的新兴成像模式,在...
  • 为了实现颗粒状样本的大面积无损快速检测,该研究结合拉曼光谱和光谱技术搭建了一套线扫描式拉曼光谱检测系统,...研究结果表明,拉曼高光谱成像技术具有快速、无损和大面积检测的特点,在实际应用中具有巨大潜力。
  • 基于高光谱成像技术结合卷积神经网络的马铃薯病害检测 基于光谱成像的马铃薯早疫病检测 摘 要 采用两种基于光谱成像的马铃薯早疫病无损检测的方法:卷积神经网络,支持向量机对马铃薯病叶进行分类。通过对比分类...

    基于高光谱成像技术结合卷积神经网络的马铃薯病害检测
    基于高光谱成像的马铃薯早疫病检测
    摘 要 采用两种基于高光谱成像的马铃薯早疫病无损检测的方法:卷积神经网络,支持向量机对马铃薯病叶进行分类。通过对比分类结果,分析不同方法的优劣。实验选取马铃薯正常叶,早疫病叶为研究对象,通过高光谱成像系统获取样本的高光谱图像,进而通过主成分分析方法提取主成分图像。发现正常叶和早疫病叶的主成分图像存在明显不同,最终建立了卷积神经网络和支持向量机的两种早疫病检测模型,实验结果表明卷积神经网络相比支持向量机能很更好地针对马铃薯早疫病进行检测。

    关键词:高光谱成像;支持向量机;卷积神经网络;主成分分析;马铃薯早疫病:
    1.引言
    随着现代农业的发展及对以马铃薯为原材料制作而成的美食的喜爱。马铃薯逐渐变成我国继水稻,玉米,小麦之后的第四大主食。马铃薯同其它农作物一样受到各种植物病害的侵害,严重影响其产量和质量病是常见对马铃薯危害最严重的病害之一[1]。目前对马铃薯早疫病的诊断主要是植保专家等具有一定专业知识的人通过实地观察或者借助图片、文字描述等去人工判断。因为对专业技术要求较高就导致容易出现误判、耗时长、无法及时有效的确认病情采取有效的防治措施从而导致减产。
    高光谱成像技术起源于上个世纪, 它融合了图像信息和光谱信息,具有高分辨率、多波段、检测快、破坏小、图谱合一、无污染等优点[2]。使其在农业、地理信息、航空遥感、医疗领域等获得广泛应用[3]。虽然高光谱成像技术可以获得光谱反射率信息、颜色信息、纹理信息和形状特征等许多信息在对植物病害诊断研究中有巨大的潜力和优势[4]。
    高光谱图像数据波段范围广、光谱分辨率高,同时包含图像信息和光谱信息。因为高光谱图像的这些特点使得其数据含有大量冗余、数据处理过程变得复杂、给其处理也增加了很大难度。
    但是由于这项技术能获得如此多的信息也导致获得的数据信息量大、数据冗余大、对数据

    展开全文
  • 拉曼光谱是一种用于分析分子化学成分、结构等信息的...从拉曼光谱原理出发,介绍了拉曼光谱成像技术及其发展,并综述了近年来拉曼光谱成像技术在生物医学领域中的应用,最后总结并展望了拉曼光谱成像技术及其发展趋势。
  • 摘 要:概述了目标识别技术研究现状,分析了光谱识别技术特点。通过对目标燃料和表面涂覆材料的光谱测量揭示其物质成分,从而对目 标进行有效识别。红外光谱成像为精确目标识别提供了一种新的复合识别手段。
  • 光谱成像技术解析

    千次阅读 2018-09-29 11:19:27
    光谱成像技术解析 说在前面 大家在上学时期都经历过写错作业,铅笔写错的时候用橡皮擦一擦就好,硬笔写错了,那就用改正液嘛,哈哈,还有小时候的改正纸。嗯,先上几张图引来一波回忆杀。 当然,一般写错字了...

    多光谱成像技术解析

    说在前面

    大家在上学时期都经历过写错作业,铅笔写错的时候用橡皮擦一擦就好,硬笔写错了,那就用改正液嘛,哈哈,还有小时候的改正纸。嗯,先上几张图引来一波回忆杀。
    在这里插入图片描述
    当然,一般写错字了最习惯的用法就是划一下,觉得划一下不够爽,就再多划几下。
    有时候紧急需要记录一些信息,然而手头的笔又刚好没墨了且没工夫去找别的笔,那只有用力在纸上写下去字迹,然后再想办法复现记录的文字对吧。没错,多光谱成像技术,就是可以识别这种没有墨汁的文字。

    引出技术

    在很多老旧的书籍和图册上,曾经出现过的一些字迹随着时间的推移上面的墨水逐渐褪去,这时候,如果要鉴别上面的字迹,相信广大字画市场基本上都是使用放大镜来细细地品读了。

    技术原理

    现在,美国杜克大学的图书馆使用了多光谱成像技术,使用这种成像技术可以在不同颜色的光谱下进行成像,从而看到肉眼以及普通的相机所看不到的细节。这种技术应用在历史学家、文物鉴定、以及文献保护等领域来说是十分方便的。这时候我们又要提出疑问了,那多光谱成像和普通的相机又有什么区别呢?不难知道,普通相机也是有很多光谱中工作的啊,在设计的时候也是按可见光的光谱曲线进行设计的哦,不然怎么会有彩色的图像呢。

    应用场景

    杜克大学图书馆的专家Mike Adamo认为:在白光或全光谱的光线下,我们看到从一个物体反射出来的所有波长都“聚集”在一起。但是多光谱成像一次只能分离出物体对单个光谱的成像效果。然后,通过PC的算法搜索这些单光谱图像之间的差异并将它们组合起来,从而提取在白光下可能无法检测到的微妙细节。通过算法,增强了不同物体之间对不同光谱的反射和吸收的程度的差异,从这些差异中,可以找到很多看不见的细节。同时,该项目组也发现了鲁宾斯坦稀有图书和手稿图书馆收藏的《普林尼自然历史》(Pliny's Natural History)作者的珍贵线索。下面这张图说的就是这事,正常人或者普通的相机根本就只能看到黑糊糊的一片像左侧这样,而经过多光谱技术之后的图像就如右侧所示。
    多光谱的使用效果

    没错,最典型的应用就是用多光谱技术看见了历史文物中肉眼看不见的很多细节。
    另外,多光谱技术也可来于读取已被擦除和被字迹覆盖的文字。通过字迹写过的痕迹,墨迹虽然褪去,但被笔划过的细微字痕,当不同光谱照过来,反射的情况由于物理的深浅差异,其反射回到相机中的光束自然是有差异的,计算机算法会放大不同光谱照反射回来的这些差异,提取出肉眼或者普通自然光下难以发现的微妙细节。

    其他应用

    在红楼梦的研究里,有些残本可能还尚存人间,利用这种技术,去发掘手稿中的注解的区别,是不是很有意思。用来鉴定民间的很多有价值的书籍,是很有帮助的。嗯,这里是不是又可以引出一个商机,搭建一套多光谱的系统,专门卖给各大考古、科研机构,还有很多古字画倒卖商,能给他们提供不少帮助。当然,不可能卖很多,毕竟这种机构是有限的,但价格可以卖高一点嘛,毕竟花的是政府的钱,如果是倒卖字画的,也都不缺钱。没错,放在实验室的使用高精尖的光学系统哈价格当然要贵点,而手持式的,就用挫一点的系统采集就好,肉眼去看,连分析都不需要了,这样可以走量。哈哈,说多了。

    小结

    多光谱成像技术有异于普通的全光谱或者白光成像,它是将不同的光谱分离进行多次成像,而普通的全光谱成像是多个光谱一次成像。通过这种不同光谱下物体的吸收和反射的程度不一致来采集同一个物体得到多张不同的成像图像,然后对这些图像进行细节增强和特征提取的算法进行处理,找出不同细节的一种光电技术,也算是机器视觉中的一种应用。
    这种技术还可用于追踪保护措施的有效性,例如胶带或剩余粘合剂等,用来办案的案例也有哦。
    好了,文章完。
    图片来自网络侵删

    展开全文
  • 摘要:高光谱成像技术是一种集光谱技术与计算机视觉技术为一体的无损检测技术,该项技术能快速、全面、无损地获取肉品的内外部信息,在红肉食用品质的检测中具有广泛应用。本文在简述光谱成像原理的基础上,详述...

    摘要:高光谱成像技术是一种集光谱技术与计算机视觉技术为一体的无损检测技术,该项技术能快速、全面、无损地获取肉品的内外部信息,在红肉食用品质的检测中具有广泛应用。本文在简述高光谱成像原理的基础上,详述近年来高光谱成像技术在红肉制品食用品质方面的应用,并对该项技术存在的问题及应用前景进行概述,以期为红肉无损检测的研究提供参考。

    中国是世界上最大的肉制品生产国,也是最大的肉制品消费国。随着红肉制品(猪肉、牛肉、羊肉等)产量和种类的增加[1],肉类食用品质(色泽[2]、嫩度[3]、多汁性[4]及大理石花纹[5-6]等)的检测已经引起消费者及肉类企业的高度重视。传统肉类品质的检测主要通过感官和理化方法,感官检测主要通过人的咀嚼品尝来评定肉类品质的好坏,主观影响因素较大,且容易产生误差;理化检测(机械检测)法主要使用质构仪、色度计等仪器。质构仪是通过模拟人的牙齿切断肉的一种检测方法[7],通常质构仪测定的时间较长,且对于测定的肉制品有一定的破环作用,使得待测肉类不能继续销售。色度计的检测面积通常较局限。基于此,寻找一种快速、全面的无损检测技术是目前亟待解决的问题。

    ac7b26b115b091f12a9a17af9c54f345.png

    随着图像处理技术的不断发展,具有无损检测特征的近红外技术已经逐渐应用于肉类品质方面的研究中,然而近红外测定的区域通常是食品的某点或某片区域,一旦样品不均匀将会对测定结果产生较大的影响[8]。高光谱成像(hyperspectral imaging,HSI)技术是将传统的图像技术和光谱技术相结合的一种检测技术[9-10],它能同时获取待测肉制品每个像素点的图像及光谱信息,全面且可视化地反映样品内外品质特征,具有十分广泛的应用前景[11-12]。近年来,国内外已经逐渐将高光谱成像技术应用于肉类安全检测[13]、营养品质(脂肪、蛋白质[14]等)、肉类鉴别[15]研究中,但对于肉食用品质方面的研究较少,尤其对于嫩度的研究更是鲜有报道。本研究简要介绍高光谱成像系统的成像原理,重点概述其在红肉制品食用品质检测方面的应用进展[11]。

    1高光谱成像系统的基本原理

    高光谱成像技术是近20年间兴起的一种无损检测技术,主要融合了光学、电子学、数字图像信息处理及计算机科学等技术[16]。按照高光谱成像扫描方式的不同可将其分为点扫描式高光谱成像系统、线扫描式高光谱成像系统及区域扫描式高光谱成像系统3种,其中线扫描式(推扫式扫描)为最常用的一种方式。高光谱成像系统主要由光源、光源分散装置、成像高光谱仪(最核心的部件)、电荷耦合装置(charge coupled device,CCD)相机、光学镜头、数据采集卡、电荷耦合器件、图像采集系统和计算机等软件、硬件组成[17](如图1所示),其分辨率在Δλ/λ=0.01数量级,检测波长为400~2 500 nm,主要包括紫外区到近红外区甚至更远的区域[18]。

    ac7b26b115b091f12a9a17af9c54f345.png

    高光谱成像技术的检测过程主要是通过图像尺寸大小调整、采集图像、建立掩膜、图像分割、感兴趣区域(region of interest,ROI)选择、噪声处理(中值滤波平滑(median filtering smoothing,MFS)处理、多元散射校正(multiplicative scatter correction,MSC)、标准正态变量校正(standard normal variable,SNV)、卷积平滑(savitzky-golay smoothing,S-G)处理、去趋势算法和傅里叶变换(fourier transform,FT)等)、感兴趣区降维处理(主成分分析法(principal component analysis,PCA)、独立元分析法(independent component analysis,ICA)及线性判别分析法(linear discriminant analysis,LDA)等)、提取特征波长(竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)、连续投影算法(successive projections algorithm,SPA)、遗传算法(genetic algorithm,GA)和无信息变量消除法(uninformative variables elimination,UVE))及建立判别模型(多元线性回归法(multiple linear regression,MLR)、偏最小二乘法(partial least squares,PLS)、BP神经网络法(back-propagation neural network,BPNN)和支持向量机(support vector machine,SVM))等方式完成的[19](图2

    2bc293a57dba941249bc3fb6a2497015.png

    为高光谱成像技术的检测流程图)。当光源照射到待测物体的表面时,由于不同物质的组成、性质、官能团有所不同,导致待测物质对特定波长有着不同的吸收度、分散度和反射率,因此通过分析光谱信号之间的差异可以对待测物进行定性、定量分析,从而达到区分与检测的目的[19-20]。高光谱图像又名超立方、光谱方等,其形成的图像是一个三维的数据矩阵(x,y,λ)[20],其中包括1个二维的空间维度和1个一维的光谱维度[19]。高光谱成像技术的原理主要是通过将实验中所获得的三维图像与数学模型相统一,从而实现待测样品的内外部同时检测。高光谱成像技术具有一次性采集可进行多项指标检测、分辨率高[21-22]、不需要对样品进行前处理、不接触待测样、测定速度快、检测范围广及操作费用低等优点[23]。因此高光谱成像技术避免了二次污染现象的产生,为企业在线检测技术提供了支持。

    2高光谱成像技术在红肉食用品质中的应用进展

    2.1嫩度检测

    在肉类的品质评定中,嫩度起着主导作用,也是消费者决定购买的主要原因。Naganathan等[24]曾提出,虽然嫩度在肉类品质中具有重要地位,但美国农业部在1926年颁布的肉类分级标准中却没有将嫩度列在其中,目前市场上也没有任何一种肉类是根据其嫩度等级进行售卖的。随着红肉制品产量的不断增多,越来越多的消费者提议将嫩度加到肉类的分级标准中。肉类嫩度(即柔韧性)的常规检测技术为感官检测,客观的检测技术为以质构仪所检测的最大剪切力代表嫩度值,剪切力是以破坏原材料为前提的检测技术,通常需要检测熟制的肉类,且操作时间较长,不适宜商业生产[25]。

    Naganathan等[26]利用高光谱成像技术对放置14 d的114块牛排进行嫩度检测,利用质构仪对114块牛肉进行等级划分(柔软、中间及坚韧),将高光谱采集的图像信息与3种嫩度等级关系建立图像预测模型,利用留一检验交互验证法(leave-one-out cross validation,LOO-CV)对其进行验证,得出验证精度为96.4%,说明高光谱成像技术可实现肉类嫩度的无损在线检测。

    对于生鲜红肉嫩度的检测,王松磊等[27]利用400~1 000 nm的高光谱成像技术采集128个羊肉样品的图谱,利用最小二乘回归模型进行预处理,并建立相应的多元线性模型,用Matlab软件进行光谱图像处理,对羊肉的光谱图像进行灰度化处理,结果表明,相关系数和预测均方根误差分别为0.89和0.73。王卫等[28]在采用高光谱成像技术对牛肉嫩度的检测中,对所得的光谱图像进行预处理,通过灰度共生矩阵方法提取光谱图像中的纹理属性,利用MLR法建立相应的嫩度模型,结果表明,高光谱图像的纹理属性可用于牛肉嫩度分级处理,且准确度达到96%。以上研究表明,高光谱可实现生鲜红肉嫩度的无损检测,然而某些研究存在检测的精度值不高等问题,原因可能是建立模型的方法及模型评价指标不恰当,进而没有很好地降低冗余数据的干扰。

    对于熟制红肉嫩度的检测,Cluff等[29]通过测量每个牛排40个不同位置散射的光谱研发高光谱成像系统,得出此仪器的精度可达到98.4%;此外,还利用高光谱成像系统检测放置14 d的472块牛肉,通过PCA法分析992~1 739 nm波长范围内生牛肉的吸收光谱图像,用Warner-Bratzler剪切力值代表牛肉的标准嫩度,并建立相应的线性模型,将牛肉分成2个等级,分别为柔软和坚硬,分级准确率为75%。然而,目前对于高光谱的应用大多利用其光谱信息,对于图像信息应用的较少。Barbin等[30]在采用高光谱成像技术对猪肉嫩度进行检测的实验中得出,基于光谱数据建模的结果相关性为0.63,基于图像建模的结果相关性为0.48,光谱加图像信息建立的模型相关系数为0.75。综上,高光谱成像技术可用于预测生熟肉类制品的嫩度,且其检测精度优于近红外技术,具有内外同时检测的特点,然而目前对于高光谱成像技术的光谱信息应用较多,未来应加大力度开发并完善高光谱成像技术的光谱、图像组合预测模型。

    2.2水分检测

    水是肉的主要组成成分,也是营养物质之一,肉中的水分含量不仅影响肉类嫩度进而影响其品质,而且影响肉类制品的货架期,因此检测水分含量直接影响着肉类的品质。孙红等[31]利用高光谱的光谱信息与伪彩图像对马铃薯叶片的水分含量进行检测,采集862.9~1 704.2 nm波长的光谱数据,采用每类分类精度(class accuracy,CA)与递归滤波(recursive filtering,RF)2种算法进行光谱特征分析,并利用偏最小二乘回归(partial least squares regression,PLSR)进行建模,通过计算待测样每个像素点的含水率进而得出其灰度图像,将图片进行伪彩处理并用颜色空间(hue-saturation-value,HSV)进行彩色分割,结果表明,利用高光谱成像技术可以实现马铃薯叶片含水量与分布的可视化检测,此研究也证明可用高光谱成像技术检测食品中的水分含量。

    詹白勺等[32]利用Matlab编程语言,对三文鱼不同的水分含量予以不同的颜色显示,较好地将光谱数据与图像数据结合在一起,实现了内外同时检测。高光谱成像技术在果疏水分检测中应用十分广泛,对于红肉水分含量的研究相对较少,主要研究进展如下。

    依据水分含量进行红肉品分类研究。刘善梅等[33]在采用高光谱成像检测技术对不同品种冷鲜猪肉含水量的研究中,为提高高光谱成像技术的适用性,利用高光谱信号补正方法来提高其适用性,算法经过补正后预测偏差比率从0.91提高到2.58。刘娇等[34]通过建立PLS猪里嵴肉水分含量的检测模型,并利用分段直接校正结合线性插值(piecewise direct standardization combine with linear interpolation,PDS-LI)的传递算法,实现了对茂佳山黑猪和零号土猪的无损检测,且检测精度分别为83.2%和84.8%。Kamruzzaman等[35]通过高光谱成像技术对红肉的水分含量进行检测,结果表明,在特征波段模型下可实现对猪肉、牛肉、羊肉的分类;此外,通过提取900~1 700 nm波长的光谱数据,利用MSC和PLS建立模型,预测羔羊肉的水分含量,模型的决定系数为0.77,通过共生矩阵提取图像结构信息,建立水分含量的伪彩图,结果表明,从高光谱图像信息可以直观观测到羔羊肉的水分含量变化。然而,在实际检测过程中,高光谱所建立的模型具有一定的专一性,因此为了有效实现模型的共享,需要对模型进行传递。目前对于模型传递的研究主要集中于2个仪器的模型传递或原始模型的更新方面,不同品种模型的适用性并未得到解决,为了更好地解决以上问题,实际应用中应开发一种适应性广、可应用于不同品种的模型维护算法[36]。

    依据不同的加工状态进行红肉制品水分含量及分类研究。Talens等[37]利用高光谱成像技术检测火腿肉中的水分,得出高光谱成像技术可以直观地呈现出火腿表面的水分分布情况。Ma Ji等[38]利用高光谱成像技术对不同加工状态下猪肉(鲜肉、解冻肉、解热脱水肉和腌制脱水肉)的含水率进行检测,得出经PLSR模型处理后的检测精度为95%。Liu Dan等[39]通过建立PLSR及MLR模型测定猪肉腌制处理阶段的含水量,结果表明,高光谱技术可用于检测腌制猪肉的水分含量,且预测相关系数为91.7%,均方误差值为1.48%。以上研究说明,高光谱成像技术可用于检测生鲜红肉的水分含量,进而实现红肉的等级划分。对于熟肉水分含量的检测,谢安国等[40]利用高光谱成像技术检测不同成熟度牛肉的水分含量,采集370~1 023 nm波长的光谱数据,将每个像素点的光谱数据经PCA,并通过MLR与SVM进行建模,利用Matlab进行伪彩处理,得出R2为0.908,预测均方根误差(root mean square error of prediction,RMSEP)为1.096,说明高光谱成像技术可用于鉴定熟肉的水分含量;然而,本研究中的光谱曲线在370~800 nm波长之间的差异并不明显,这也说明肉制品在熟化处理过程中仅在部分波段存在光谱变化,因此未来仍需进一步训练新的模型,研发具有特征波段的光谱成像技术、设备及分析模型。综上,高光谱成像技术解决了传统检测技术(蒸煮损失、离心检测、加压检测和重力检测[41-42])耗时且具有破坏性的问题,但通常检测结果的好坏与伪彩图像是否直观及建模方法有直接关系。黄慧等[43]采用高光谱成像技术对干贝水分含量进行可视化测定,实验中通过建立SPA-PLSR模型、基于权重回归系数法(weighted regression coeffcient,Bw)的BW-PLSR模型以及PLSR的3种预测模型,得出3种预测模型的建模集与预测集相关系数(correlation coefficient of calibration(Rc)and prediction(Rp))均高于0.95。并在最优模型(SPA-PLSR)的基础上进行伪彩处理,可实现干贝中水分含量的定量分析。此研究也证明,恰当的建模方法有助于提高检测精度和伪彩图像的重现性。

    2.3色泽检测

    肉类颜色的好坏不仅影响消费者的购买欲望,而且直接影响其品质。大多数消费者在购买肉制品时无法直接接触肉品,只能通过直观观察颜色来判断肉类品质的优劣,主观性较强[44-45]。色差仪是一种常用的判定肉颜色的仪器,其主要测量肉表面的亮度值(L*)、红度值(a*)和黄度值(b*)[46-47]。一旦测量区域过大,就有可能引起偏差,因此不适合大面积检测,难以满足市场对肉类检测的需求。随着高光谱成像技术的推广,越来越多的学者开始利用高光谱成像技术来检测肉的颜色。

    在国外,Wu Jianhu等[48]利用高光谱结合MLR来检测牛肉色泽,并用洛伦兹函数进行处理,结果表明,L*、a*和b*的相关系数分别为0.96、0.96和0.97。Elmasry等[49]利用900~1 700 nm波长的高光谱系统来预测牛肉颜色,并通过PLS法进行建模,结果表明,L*和b*的决定系数分别为0.88和0.81,其均方根误差分别为1.22和0.59。以上研究也说明高光谱成像技术可用于红肉色度检测,但光谱数据受外界干扰较大,因此应研发新的特征波长提取方法或多种提取方法结合使用,进而提高检测精度。

    相较于国外的研究,国内利用高光谱成像技术对肉类色度检测的研究相对较少,主要集中于贮藏期间肉颜色的变化及不同加工方式红肉的颜色变化等方面。许卫东等[50]采用高光谱对不同贮藏时间的羊肉色度进行检测,结果表明,全波段采用GA提取的特征波段经建模处理后的精度优于独立PLSR建模,然而b*的预测精度较低。

    王婉娇[51]利用400~1 000 nm波长的高光谱成像技术对羊肉色泽进行检测,通过建立PLSR模型,探究不同前处理对实验结果的影响,结果表明,经S-G平滑处理后L*的相关系数最高。朱荣光等[52]利用400~1 000 nm波长的高光谱成像技术对78个新疆牛背肉的色泽进行检测,通过提取特征区域,利用S-G平滑、一阶导数及中心化等方式建立模型,结果表明,L*、a*、b*和C*预测的相关系数为分别0.91、0.84、0.92和0.86。尚梦玉等[53]通过900~1 700 nm波长的高光谱技术对羊肉的色泽进行检测,通过标准正态变量代换对光谱数据进行处理,用加权算法对其降维,并利用PLS法进行建模,结果表明,高光谱可用于检测肉的颜色。综上,高光谱成像技术可通过提取特征区域来实现不同品种红肉色度的检测,且L*的检测精度优于a*和b*,高光谱对生鲜红肉制品色度的检测优于熟化过程中红肉颜色的检测,这主要是由于加热过程中肉的内部会发生复杂的美拉德反应和焦糖化反应,进而对预测结果产生一定的干扰,因此应优化高光谱的检测系统,提升其在熟肉制品中的检测精度。

    2.4纹理检测

    肉的大理石样纹理是指形似于大理石条纹状的纹路,该纹路具有红白相间的特点。肉的纹路不仅决定了其品质高低还对肉的嫩度起着一定作用,通常来说肉的大理石条纹越丰富,其肉质嫩度越好[46]。因此,检测肉的大理石纹路对于探究肉制品品质也有一定的作用。

    在利用高光谱成像技术进行光谱信息检测方面,Qiao等[54]利用400~1 000 nm波长的高光谱成像系统对猪肉的大理石样纹理进行检测与分级处理,采用PCA结合人工神经网络进行检测,用人工神经网络进行分类,高光谱成像技术能够准确辨别肉的类型,同时自动确定大理石样纹理等级,结果表明,高光谱成像技术可用于检测猪肉的大理石条纹,并对其进行分级,同时成功利用大理石条纹对40个猪肉样品进行分级处理,通过该研究,更能确定高光谱成像技术在肉制品大理石条纹预测与分级中的应用。高晓东等[55]通过组建高光谱成像系统,并采集肉类在400~1 100 nm波长的反射图像,确定530 nm为特征波长,结果表明,通过建立MLR模型可利用大理石花纹对猪肉进行分级处理,且其预测决定系数为0.92,预测标准差为0.45,准确率为84.8%。此外,屠康[56]、李明静[57]、吴海娟[58]等应用机器和光谱技术对牛肉大理石花纹进行分级,并取得了一定的成效。艾虎[59]也利用图像处理技术和机械技术对牛肉大理石花纹进行分级研究,得出预测结果与实测值的相关系数为0.93。以上研究说明,高光谱成像技术的光谱信息可用来检测红肉的大理石花纹,但待测样的组织形态对实验结果有直接影响,因此在利用高光谱成像系统检测红肉制品时应选取最好的红肉形态。

    在将高光谱成像系统的光谱信息与图像信息结合进行检测方面,王九清等[60]对提取的信息进行初步处理,并建立光谱与彩色图像的卷积神经网络(convolutional neural network,CNN)预测模型,来检测鸡肉的食用品质,此模型的准确率为93.58%,且证明光谱加图像复合模型的效果优于独立CNN预测模型的效果。周彤等[61]利用光谱图像解析,通过提取的算法对牛肉的大理石花纹进行提取,并选取10个可以代表牛肉大理石花纹的相应指标,建立主成分回归(principal component regression,PCR)模型,得出模型的相关系数为0.88。以上研究表明,图像信息在一定程度上也可以用于品质检测,但普遍存在检测精度不高的情况,因此,为了更充分利用高光谱成像技术,应将光谱信息与图像信息结合。

    通过总结国内外的研究文献可以得出,高光谱成像技术在红肉制品嫩度、水分、色泽及大理石花纹中都有一定的应用,现今国外利用其检测肉类品质的研究较多,国内相对较少,随着无损检测技术的发展,越来越多的国内学者也开始将眼界转向高光谱成像技术的无损检测研究。

    2.5其他检测高光谱成像技术除了在红肉食用品质上具有广泛应用,其在红肉营养成分及食品安全等方面也有重要应用,选取部分研究进展汇总,如表1所示。

    a07e5f7db1426a1568b504b3f0e4f74f.png

    3结语

    高光谱成像检测技术可以同时检测肉制品相对应的内外部信息,在肉类的品质检测中具有广阔的应用前景,但该技术在实际应用中还存在一些亟待解决的问题,主要问题如下:

    1)该仪器在国外的应用较多,随着该仪器的推广,国内也逐渐开始认识到该项技术的优势,然而仪器的成本较高,不能实现检测的工厂化,因此国内学者应大力研究低成本、可便携的高光谱成像技术并进行推广使用;

    2)所获取的光谱关键峰值通常较复杂,应进行降维处理,且该项技术在建模时数据量特别大,目前的降维技术主要采用的是PCA法,此方法为无监督算法且只保留了主要特征,通常监督及无监督的学习算法都具有一定的缺陷,因此有待开发出一种更合适的降维处理、半监督、快速提取特征波长的学习算法;

    3)肉类的一些因素均为线性因素,大多数模型也是用来分析线性因素的,因此对于非线性因素的模型处理分析还需进一步研究;

    4)高光谱在检测指标前需要收集一定的样品作为校正集及检测集,所需的样品量较大,增加了提取特征信息的时间成本,且建立的模型信息不一定包含所有样品的所有个体,致使检测过程存在差异,因此应大力开发全国共享的高精度计算数据库及稳定的预测模型库;

    5)高光谱成像技术受光强、速度、待测样光滑程度等的影响,重复性较差,因此应着力改善光谱仪的性能及对相应的硬件进行简化处理,在实时在线检测时应结合其他无损检测设备,研发可以与其他无损检测技术(电子鼻等)相结合的高光谱成像技术,进而实现对气体、液体的检测;

    6)目前高光谱的图像处理技术主要为ENVI软件等技术,该项技术目前仍主要应用于航天技术中,对于大面积、在线食品图像检测仍存在一些缺点,在展现整体图像时无法清晰地呈现光谱特性,加之光谱处理的软件较为落后,因此为了更好地将其应用于食品检测,未来仍应进一步改良高光谱成像系统及图片处理技术;

    7)目前对于高光谱成像技术大多仍着重利用光谱信息,对图像信息的利用并不充分,且二者间的相关性有待提高,未来仍应开发新型的数据处理方法。以上问题都是限制高光谱成像技术在国内进一步发展的原因,未来应致力于研制价格低廉、处理能力更强的高光谱成像检测设备。

    来源:肉类研究

    注:文章内的所有配图皆为网络转载图片,侵权即删!

    展开全文
  • 高光谱技术

    2021-01-20 06:40:25
    高光谱遥感一种新型光学遥感技术主要内容高光谱技术发展简述成像遥感技术分类高光谱成像特点高光谱数据特性高光谱技术应用综述民用军用高光谱数据处理技术预处理技术后期处理技术一高光谱技术发展简述成像遥感技术
  • 基于光谱成像的苹果虫害检测特征向量的选取摘 要:利用高光谱成像技术,明确苹果虫害无损检测的最优特征向量,以实现对苹果虫害的快速、准确、无损检测。本文首先对 646 nm 波长的特征图像进行阈值分割、膨胀与...

    基于高光谱成像的苹果虫害检测特征向量的选取

    摘 要:利用高光谱成像技术,明确苹果虫害无损检测的最优特征向量,以实现对苹果虫害的快速、准确、无损检测。本文首先对 646 nm 波长的特征图像进行阈值分割、膨胀与腐蚀运算获得掩膜图像,并利用掩模图像对高光谱图像进行掩模和主成分分析,对获得的 PC1(the first principal component,第一主成分)图像进行最大熵阈值分割以有效提取虫害区域。然后对比分析虫害区域与正常区域图像的纹理特征,提取灰度共生矩阵的 4 个方向

    的 4 个纹理参数(能量、熵、惯性矩和相关性),并且采用基于高光谱图像的光谱差值获取了 2 个特征波长对应的光谱相对反射率作为光谱特征。优化组合纹理特征和光谱特征成 4 个特征向量组,采用 BP(back propagation, 反向传播)神经网络对正常苹果和虫害苹果进行检测。结果表明,融合 0 度方向的能量、熵、惯性矩和相关性的纹理特征和 646、824 nm 波段的相对光谱反射率的光谱特征进行检测识别效果最好,正常果的识别率为 100%, 虫害果的识别率为 100%,并且速度快、误差小。该研究所获得的特征向量可为开发多光谱成像的苹果品质检测和分级系统提供参考。

    关键词:无损检测;主成分分析;图像处理;光谱特征;高光谱成像



    引 言

    中国是苹果生产大国,苹果的种植面积和总产量均居世界第一[1]。然而中国苹果在国际市场上, 因为采后检测、分级技术落后等,导致品质较差、在国际市场上缺乏竞争力,苹果出口占总产量的比重非常低[2]。为了解决此问题,就必须严格把关中国苹果的缺陷检测,尤其是苹果虫害的检测。苹果在生长中,果实有时会受到食心虫等虫害的侵入, 从而使其正常新陈代谢受到干扰,其生理机能、组织结构等被破坏,极大影响苹果的品质和销售,因此苹果虫害作为苹果质量分级的重要指标之一[3], 其检测尤为重要。害虫侵入苹果果实后,往往在其内部进行驻洞,在表面形成虫眼[4]。目前,中国对水果缺陷的检测仍停留在主要依靠人工目测、抽样切片或常规可见光机器视觉检测的阶段[5],误判率


    收稿日期:2014-02-12 修订日期:2014-06-03

    基金项目:农业部公益性行业(农业)科研专项资助项目(201103024);辽宁省教育厅科学技术研究资助项目(L2011114)

    作者简介:田有文(1968-),女,辽宁沈阳人,副教授,博士后,中国农业工程学会会员(E041200502S),主要从事图谱分析在农产品品质检测的应用研究。沈阳 沈阳农业大学信息与电气工程学院,110866。Email:youwen_tian10@163.com

    较高,且不能满足水果在线检测应具备的无损性、快速性、直观性等要求[6]。因此,亟需开发一种快速、无损、高效的苹果虫害检测方法。

    由于高光谱成像技术融合了图像处理和光谱分析的优点,可以快速、无损地检测研究对象内外部特性,因此近年来在农产品品质与分级中获得了广泛的应用[7-10],尤其为农产品受虫害后的检测带来了新的途径和方法[11]。Ronald P. Haff等[12]研究了一种受果蝇侵染的芒果高光谱图像进行分析和识别其上斑点的方法,该方法经反复优化参数,最终结果为最低总体识别错误率为12.3%。Singh C B 等[13]利用近红外光谱成像区分正常小麦与虫蛀小麦的损害,使用线性判别分析(linear discriminant analysis, LDA )和二 次判别分 析( quadratic discriminant analysis,QDA)对健康小麦与虫蛀小麦判别,结果表明正确分类率达85%~100%。Wang J. 等[14]应用高光谱成像技术实现了对枣的外部虫害的检测,总体正确识别率为97%。Xing J等[15]利用高光谱透视图像和反射光谱数据研究酸樱桃的内部虫害(象鼻虫)的无损检测,采用偏最小二乘判别分析法正确识别樱桃的内部虫害的准确率分别为82.11%和81.3%。在国内吴龙国[16]等利用近红外


    高光谱成像系统采集正常长枣与虫眼枣图像,利用特征波长主成分分析法结合波段比算法进行虫眼枣识别,识别率达到90%。而国内外针对苹果虫害检测的研究尚鲜有报道。本文研究的目的是通过高光谱成像技术,探索有效提取能正确识别苹果虫害的特征向量,从而为后续实现苹果虫害的快速、无损检测,构建基于多光谱成像技术的苹果品质在线检测与分级系统提供理论依据。

    材料与方法

    1. 试验材料


    本研究选取红富士苹果作为试验的研究对象。从沈阳市沈北新区苹果种植示范园采集苹果 160 个。这些果实果型匀称,直径范围在 68.5~88 mm, 质量范围在 128~211 g,其中 80 个为有虫害的苹果,虫孔直径约 2 mm,另外 80 个为正常苹果。从

    虫害和正常苹果中各随机拣选 50 个用于检测苹果虫害算法构建,其他样本用于算法的验证。

    1. 高光谱成像系统


    本研究中高光谱成像系统如图 1 所示。整个系


    不失真。最终确定镜头到苹果表面的距离(即物距) 为 260 mm,在高光谱图像数据采集软件 Spectral Image 中设定相机曝光时间为 68 ms,平台移动速度为 0.8 mm/s。然后将反射率为 99%标准白色校正板

    (Spectralon, Labsphere Inc.)进行采集得到全白的标定图像 IW,再拧上镜头盖且关闭光源采集到全黑的标定图像 ID。最后逐个将苹果放置于移动平台上,且有虫眼位对准镜头,若是正常苹果将赤道位对准镜头。通过高光谱图像数据采集软件 Spectral

    Image 将获得苹果每个空间位置的整个光谱区域的光谱信息。

    高光谱图像数据处理方法

    数据处理采用 ENVI 4.7(Research System Inc., 美国)[17]、MATLAB 7.1The MathWorks Inc.,美国)[18]和 Excel 2011(Microsoft,美国)[19]软件。

    1. 黑白板校正


    为了消除高光谱摄像头中暗电流及不均匀光强产生的噪声,应对高光谱成像装置进行黑白板校正。按照下列公式(1)计算可得校正后图像 R[20]。


    统由高光谱成像光谱仪(ImSpector V10E,Spectral Imaging Ltd)、一架 1 392 像素×1 040 像素的面阵

    R IS I D 100

    IW ID

    (1)


    CCD 相机(IGV-B1410M,IMPERX Incorporated)、一套位移台及控制平台(IRCP0076-1 COM)、两个 150 W 的光纤卤素灯(3900 Illuminatior, Illumination

    Technologies)、一个暗箱(120 cm×50 cm×140 cm)和一台计算机(DELL Vostro 5560D- 1528)等组成。高光谱摄像头的光谱范围为 400~1100 nm,光谱分辨率为 2.8 nm。



    v2-268c7b8c35e82c1e60952298302d741b_b.jpg


    1. 相机 2.光谱仪 3.镜头 4.光源 5.样本 6.平移台 7.位移平台控制器 8.计算机

    1. Camera 2. Spectrometer 3. Shot 4. Light source 5. Sample

    6. Stages 7. Displacement platform controller 8. Computer

    图 1 高光谱成像系统示意图

    Fig.1 Schematic diagram of hyperspectral imaging system

    1.3 高光谱图像采集

    利用高光谱成像系统获取苹果高光谱图像,首先设定好物距、光源强度、镜头光圈度数、相机曝光时间、移动平台速度,以确保采集的图像清晰且

    式中:R 为校正后的高光谱图像的相对反射率,%; IS 为原始的苹果高光谱图像;ID 为黑板标定图像; Iw 为白板标定图像。

    1. 主成分分析


    主成分分析(principal components analysis,

    PCA)是非常有效的多变量分析技术[21],常用来数据降维。由于采集的高光谱数据首尾有噪声,故本研究利用 PCA 只对可见—近红外(450~950 nm) 光谱区域的苹果高光谱图像数据进行降维,以获得各 PC 图像。根据苹果各主成分( principal

    components,PC)图像表面虫害区域和正常区域的对比度,确定用于后续分割的 PC 图像。另外,根据苹果高光谱图像的虫害区域与正常区域各个波段的光谱反射率的差异,确定用于后续处理的特征波长,并以此确定单波段特征图像。

    1. 图像分割方法


    图像分割是图像处理最重要的步骤之一,此过程的精确性很大程度上影响后续的数据处理。本研究分割的目的一是分割出苹果与背景,二是从苹果中分割出虫害部位。本文首先对特征图像采用 Otsu 阈值分割方法形成二值化图像,并对其进行腐蚀膨胀处理,获取掩膜图像。然后对高光谱图像进行掩膜处理[22],并对掩膜高光谱图像进行主成分分析, 确定主成分图像。最后结合二值化图像对主成分图




    像进行阈值分割,实现苹果虫害区域分割,从而确定虫害区域的像素点位置。该图像分割方法系列操作步骤如图 2 所示。



    v2-e8e75698a48596d1c4ba09402b9758a4_b.jpg


    图 2 图像分割流程图

    Fig.2 Flow chart of image segmentation

    1. 图谱特征分析


    通过观察得知,苹果表面虫害区域和正常区域的纹理有所差异,所以采用纹理特征来描述这种差异。区域灰度共生矩阵是描述图像纹理信息的有效特征,反映像素相对位置的空间信息[23],用纹理图像中某方向相隔 d 像素距离的分别具有灰度级 i

    j 一对像素出现的概率来表示,即 p(ij/d),记为 pij。本研究采用描述灰度共生矩阵 4 个纹理参数, 即能量、熵、惯性矩和相关性,分别在 4 个方向 0、

    45°、90°、135°上的纹理特征,参数具体计算见文献[23]。

    通过观察发现,在苹果高光谱图像数据中,每点的像素都对应于一个全波段的光谱信息。如图 3 所示,苹果表面虫害区域与正常区域的 400 ~ 1 000 nm 光谱曲线有明显的差异,因此可以分别在可见光区域和近红外区域选取相对反射率差异比较大的波段的相对反射率作为光谱特征。



    v2-bd6648ee2b0ea302d1cbba65edae72d6_b.jpg


    图 3 光谱相对反射率曲线

    Fig.3 Curve of spectral relative reflectance

    1. 检测模型


    BP(back propagation,反向传播)人工神经网络是前向神经网络的有监督学习算法[24],是由输入层、输出层和若干中间隐含层组成的多层无反馈的


    连接网络[25]。它具有自组织、自学习、联想存储的功能和高速寻找优化解的能力,在模式识别、图像处理、人工智能等领域有广泛的应用。其主要特点是信号向前传递,误差反向传播[26]。对于苹果虫害检测问题,可以看作是输入苹果虫害特征到输出是否是虫害的非线性映射问题。通过将学习样本提供给 BP 神经网络,完成网络的训练后,即可根据苹果表面的纹理与光谱表现特征,通过神经网络的测试检测出苹果是否存在虫害。

    结果与讨论

    1. 感兴趣区域光谱分析


    在本研究中,分别提取了 80 个苹果虫害样本和80 个正常苹果样本感兴趣区域(region of interest, ROI)的反射率光谱曲线。从图 3 中可以看出,虫害区域的反射率在整个光谱区域内都比正常区域的反射率低。其中 680 nm 处的吸收峰主要反映了苹果的表面颜色信息,受苹果表面叶绿素的吸收影响的[27]。苹果受虫害侵入后,在苹果表面形成孔洞, 此处的叶绿素严重短缺,颜色与正常表面存在显著差别,故 680 nm 处的反射率出现明显的降低;而970 nm 处的吸收峰则主要反映了水果表面水分含量信息,受苹果表面的水分吸收影响[28]。苹果虫害区域水分比较短缺,故 970 nm 处的光谱反射率低于苹果正常区域的光谱反射率。

    1. 苹果虫害区域的分割


    如图 3 所示,在波长 646 nm 处苹果表面虫害区域与正常区域的相对反射率有较大的差异,因此可选取 646 nm 为特征波长,选取 646 nm 波长的图像为特征图像,如图 4 a 所示。从图 4 a 中可以看出, 苹果区域灰度值较高,而背景区域较低,故可应用阈值分割该图像得到二值化图像。但受苹果表面的

    “皮孔”与斑点的影响,分割后的苹果区域有些噪声,另外苹果边缘灰度值较低,分割后较小,对分割后的二值化图像进行膨胀与腐蚀运算,从而得到最终的二值化图像,即掩模图像,如图 4 b 所示。并应用此二值化图像对高光谱图像进行掩膜。然后对掩模后的图像进行主成分分析。从图 3 中可以看到苹果表面 400~500 nm 和 980~1 000 nm 范围内的噪声较大,所以选取 500~980 nm 之间的波段做主成分分析,得出主成分图 1(principal component

    1,PC1)、主成分图 2(principal component 2,PC2)、主成分图 3(principal component 3,PC3),分别如图 4 c、4 d 和 4 e 所示。从图中可以看出,PC2 图虫害区域的灰度值较高,与周围的界限比较明显, 但图像中有与虫害区域相同的灰度值,故较难分割


    PC3 图虫害区域的灰度值较低,与周围的界限比较模糊,而且图中有大量与虫害部位相似的灰度值。从图像 PC1 上可以明显看到一个黑点,即为虫害区域,与周围有非常明显的差异,有

    利于苹果虫害区域的分割,所以选择 PC1 图作为后续处理的主成分图像。结合二值化图像对 PC1 图像采用最大熵阈值分割方法分割虫孔部位,从而确定苹果虫害位置,如图 4 f 所示。




    v2-c5bb3c86d518186166664707c6ff6479_b.jpg

    v2-d556f83bc34a5f5ea9a9be823a8a522b_b.jpg

    v2-ad1f7c9094b715ee18d26116f30fb6bb_b.jpg

    v2-ccc324114c94a05aca1b54ee8d23f478_b.jpg

    v2-29ba6968a8a28a421582c93f72566e06_b.jpg

    v2-e448886693cae4ec172bbd6ea9300b2c_b.jpg


    1. 特征图像 b.二值化图像 c. PC1图 d. PC2 图 e. PC3图 f.分割图像



    a. Feature image b. Binary image c. PC1 image d. PC2 image e. PC3 image f. Segmentation Image

    注:PC1 为主成分图 1,PC2 为主成分图 2,PC3 为主成分图 3。

    Note: PC1 is principal component 1 image, PC2 is principal component 2 image, PC3 is principal component 3 image.

    图 4 苹果虫害区域图像分割过程系列图像

    Fig.4 Flow chart of image segmentation



    1. 特征向量的提取


    苹果为类球形的物体,光照在整个苹果表面会呈现中间亮边缘暗的不均匀分布[29]。为使后续的检测结果受光照不均的影响最低,根据 PC1 图像分割出虫害像素点的位置,提取其周围图像 80 像素×65 像素的感兴趣区域图像。若是正常苹果, 提取PC1 图像苹果中间部分 80 像素×65 像素大小的感兴趣区域图像。然后对感兴趣区域图像进行

    纹理特征分析。在 MATLAB 中计算 4 个共生矩阵特征,即能量、熵、惯性矩和相关性,取距离为1,角度分别为 0、45、90和 135,共 16 个纹理特征。4 个方向的能量、熵、惯性矩、相关值变化趋势相同,故选取有代表性的 25 幅感兴趣

    区域图像的 0 度方向的纹理特征计算结果如图 5

    所示。前 12 个样本为虫害苹果的数据,后 13 个为正常苹果的数据。




    v2-ba8edbc320ff3c411e051e8eb020dae9_b.jpg



    1. 能量值



    1. Energy value
    2. Entropy




    v2-2585413e17ea8e0681543ee7308d8ee9_b.jpg



    1. 惯性矩
    2. Moment of inertia

    注:取 25 个样本,前 12 个为虫害样本,后 13 个为正常苹果样本。

    Note: Choose 25 samples, before 12 as the pest sample, after 13 as normal apple samples.

    图 5 共生矩阵纹理特征值

    Fig.5 Co-occurrence matrix eigenvalues

    1. 相关性

    d. Relevance




    由图 5a 可知虫害苹果的能量值与正常苹果的能量值有重叠,但总体上虫害苹果的平均能量值约为 0.17,而正常苹果的平均能量值高于虫害苹果的

    平均能量值,约为 0.22。这主要因为纹理越粗,能量值越大。正常苹果的纹理比虫害区域的纹理粗一些,所以正常苹果的平均能量值略高于虫害苹果的





    平均能量值。由图 5b 可知虫害苹果的熵值大体上比正常苹果的熵值高,这主要因为图像的纹理越多,熵值越大。正常苹果表面光滑,有较少的纹理, 所以熵值小一些。而虫害区域的纹理较多,所以熵值大一些。由图 5c 可知大部分样本虫害区域的惯性矩值与正常区域的惯性矩值分布在 0.1~0.6 之间,数值有些波动,但两个区域的平均惯性矩值相当,都为 0.26 左右。这是因为惯性矩反映图像的清晰度,虫害区域的纹理与正常区域的纹理具有同样清晰的特性,所以两个区域的平均惯性矩值总体上比较接近。由图 5d 可知虫害苹果的相关性值低于

    正常苹果的相关性值,这主要因为所研究的对象分布越均匀,相关性值越大。苹果正常部分纹理分布均匀,而虫害区域的纹理与周围部分存在一定差异,所以虫害苹果的相关性值低于正常苹果的相关性值。

    根据光谱特征选择原则,分别在可见光区域和近红外区域选取相对反射率差异比较大的 646 和

    824 nm 波段的光谱相对反射率作为光谱特征。

    为了确定检测苹果虫害最优的特征向量,本研究将纹理特征、光谱特征进行优化组合,分成 4 组,

    分别进行后续的检测试验,如表 1 所示。


    表 1 特征向量组合

    Table 1 Feature vector combination



    组别

    Group


    特征量

    Feature vector


    第1组

    Group one


    0、45、90和135方向的 能量、熵、惯性矩和相关性


    第2组

    Group two


    0度方向的能量、熵、惯性矩和相关性


    第3组

    Group three


    646 和824 nm 波段的相对光谱反射率


    第4组

    Group four


    0度方向的能量、熵、惯性矩和相关性、646

    和824 nm 波段的相对光谱反射率






    1. BP 神经网络检测分析


    本试验采用 BP 神经网络模型对苹果的虫害进行检测。首先将试验的 100 个训练样本的 4 组特征分别作为 BP 人工神经网络输入矢量,输入单元数与特征数一致。BP 人工神经网络隐层数为 1,含有

    6 个神经单元。输入层和隐层传递函数为正切 S 型传递函数。学习方式为加入趋势动量项的梯度下降

    的训练函数,动量系数为 0.5。人工神经网络的训练精度设为 0.001,最大迭代次数 5 000。输出层传递函数为线性传递函数,包含 1 个神经元,若苹果带有虫眼,输出为−1;若为正常苹果,输出为 1。再将验证集中的测试样本通过训练好的 BP 神经网络模型进行检测。检测结果如表 2 所示。


    表 2 虫害苹果和正常苹果的检测结果

    Table 2 Detection results of insect pest apples and normal apples

    检测类型Type of detection


    特征组别

    Group of feature

    样本集(160个)

    Samples set 正常果

    Normal apples


    虫害果

    Pest apples

    检测精度

    Detection accuracy/%

    整体检测精度

    Overall detection accuracy/%

    均方误差

    Mean squared error

    检测时间

    Detection time/s



    训练集

    正常果(50个) 48 2 96

    98 0.056 13.42


    第1组

    Train set 虫害果(50个) 0 50 100




    Group 1

    验证集

    正常果(30个) 16 14 53.3


    Validation set 虫害果(30个) 0 30 100 76.7 2.031 2.54


    训练集

    正常果(50个) 47 3 94

    95 0.321 11.48


    第2组

    Train set 虫害果(50个) 2 48 96




    Group 2

    验证集

    正常果(30个) 20 10 66.7


    Validation set 虫害果(30个) 1 29 96.7 81.7 1.64 12.34


    训练集

    正常果(50个) 50 0 100

    100 0.0064 10.95


    第3组

    Train set 虫害果(50个) 0 50 100




    Group 3

    验证集

    正常果(30个) 30 0 100


    Validation set 虫害果(30个) 0 30 100 100 0.06 11.27


    训练集

    正常果(50个) 50 0 100

    100 0.0046 11.34


    第4组

    Train set 虫害果(50个) 0 50 100




    Group 4

    验证集

    正常果(30个) 30 0 100


    Validation set 虫害果(30个) 0 30 100 100 0.036 10.89



    表 2 检测结果表明,所有组别的虫害果被误检测为正常果的情况很少,检测精度为 96%以上;而正常果被误分为虫害果的情况比较多,尤其对验证集的检测,利用第 1 组和第 2 组特征向量检测的结果最差,分别为 53.3%和 66.7%;而利用第 3 组和第 4 组特征向量进行检测的效果最好,都达到

    100%。这是因为能量、熵、惯性矩、相关性纹理特征虽然在一定程度上能区分正常果与虫害果,但有些正常果受苹果表面斑点等因素的影响,有些纹理接近虫孔的纹理,从而被误识为虫孔。而第 3 组和

    第 4 组特征向量都包括光谱反射率的光谱特征,而光谱特征选择的是正常果与虫害果光谱反射率反差比较大的波段的光谱反射率,所以能比较好的区分正常果与虫害果。那么从均方误差和检测时间来看,利用第 4 组特征向量进行检测的均方误差小,

    检测时间短,故最终选择第 4 组特征向量作为检测

    正常果与虫害果的特征向量,即 0 度方向的能量、

    熵、惯性矩、相关性及 646 和 824 nm 波段的光谱

    相对反射率,共 6 个特征值。

    4 结 论

    本文采用高光谱成像技术,针对苹果虫害快速、无损、自动检测问题,优选出能够进行虫害检测的特征向量,研究表明:

    1. 苹果的虫害区域和正常区域的反射光谱曲线存在明显差异,虫害区域的反射率在整个光谱区域内都比正常区域的反射率低,其中 680 和 970 nm 处有吸收峰。
    2. 通过 646 nm 波长的特征图像进行阈值分割、膨胀与腐蚀运算得到二值化图像。然后进行掩膜,对掩模后的图像进行主成分分析,并通过对获得的 PC1 图像进行最大熵阈值分割,能有效地分割出虫害区域。
    3. 利用 BP 神经网络对苹果虫害进行检测的结果表明,融合 0 度方向的能量、熵、惯性矩和相关性的纹理特征、646 和 824 nm 波段的相对反射率的光谱特征而组成的特征向量最优,正常果与虫害果识别率为 100%,并且速度快、误差小,有利于后续苹果虫害快速检测的多光谱图像系统的开发。对于苹果的果梗、花萼与缺陷进行有效的识别

    是在果品品质快速检测领域中一直存在的一个难题[30],特别是针对具有相似形状和大小的果梗/花萼与虫害区域的情况,本文未对其检测进行研究,因此如何正确识别虫害区域与果梗、花萼将是未来研究的重点。


    [参 考 文 献]

    1. 李光辉. 苹果近红外无损检测技术研究[D]. 杨凌:西北农林科技大学,2012

    Li Guanghui. Using NIR Spectra in Non-Invasive Measurements of Apple[D]. Yangling: Northwest Agriculture and Forestry University, 2012. (in Chinese with English abstract)

    1. 黄滔滔.基于CT 技术的苹果内部品质无损检测研究[D]. 杭州:浙江大学,2012

    Huang Taotao. Study of Nondestructive Test of Apple Internal Quality by Computer TomograpHy Technology[D]. Hangzhou: Zhejiang University, 2012. (in Chinese with English abstract)

    [3] GB/T 18965-2008,地理标志产品:烟台苹果[S].

    1. 楚燕杰.苹果病虫害诊治原色图谱[M]. 北京:科学技术文献出版社,2011.
    2. 赵娟,彭彦昆,Sagar Dhakal,等. 基于机器视觉的苹果外观缺陷在线检测[J]. 农业机械学报, 2013 , 44(Supp.):260-263.

    Zhao Juan, Peng Yankun, Sagar Dhakal, et al. On-line detection of apple surface defect based on image processing method[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(Supp.): 260-263. (in Chinese with English abstract)

    1. 刘娟娟. 基于红外和可见光图像融合的苹果缺陷检测方法研究[D]. 南昌:华东交通大学,2012

    Liu Juanjuan. The Defects Detection Based on the Apple’S Infrared and Visible Images’ Fusion[D]. Nanchang: Traffic University of East China, 2012. (in Chinese with English abstract)

    1. Lorente D, Aleixos N, Gómez-Sanchis J, et al. Recent advances and applications of hyperspectral imaging for fruit and vegetable quality assessment[J]. Food Bioprocess Technol, 2012, 5(4): 1121-1142.
    2. Elmasry G, Kamruzzaman M, Sun D W, et al. Principles and applications of hyperspectral imaging in quality evaluation of agro-food products: A review[J]. Critical Reviews in Food Science and Nutrition, 2012, 52(11): 999-1023.
    3. 李江波,饶秀勤,应义斌. 农产品外部品质无损检测中高光谱成像技术的应用研究进展[J]. 光谱学与光谱分析,2011,31(8):2021- 2026.

    Li Jiangbo, Rao Xiuqin, Ying Yibin. Advance on application of hyperspectral imaging to nondestructive detection of agricultural products external quality[J], Spectroscopy and Spectral Analysis, 2011, 31(8): 2021- 2026. (in Chinese with English abstract)

    1. 朱荣光,马本学,高振江,等. 畜产品品质的高光谱图像无损检测研究进展[J]. 激光与红外,2011,41(10): 1067-1071.

    Zhu Rongguang, Ma Benxue, Gao Zhenjiang, et al. Research progress in nondestructive detection of livestock product quality based on hyperspectral



    imaging[J]. Laser & Infrared, 2011, 41(10): 1067-1071。(in Chinese with English abstract)

    1. 田有文,程怡,吴琼,等. 高光谱成像技术在农产品病虫害无损检测方面的研究进展[J]. 激光与红外,2013, 43(12):634-637

    Tian Youwen, Cheng Yi, Wu Qiong, et al. Research progress on hyperspectral imaging in nondestructive detection of agricultural products disease and pest[J]. Laser & Infrared, 2013, 43(12): 1329-1335. (in Chinese with English abstract)

    1. Haff R P, Saranwong S, Thanapase W, et al. Automatic image analysis and spot classification for detection of fruit fly infestation in hyperspectral images of mangoes[J]. Postharvest Biology and Technology, 2013, 86(1): 23- 28.
    2. Singh C B, Jayas D S, Paliwal J, et al. Detection of insect- damaged wheat kernels using near-infrared hyperspectral imaging[J]. Journal of Stored Products, 2009, 45 (3): 151-158.
    3. Wang J, Nakano K, Ohashi S, et al. Detection of external insect infestations in jujube fruit using hyperspectral reflectance imaging[J]. Biosystems engineering, 2011, 108(4): 345-351.
    4. Xing J, Guyer D, Ariana D, et al. Determining optimal wavebands using genetic algorithm for detection of internal insect infestation in tart cherry[J]. Instrumentation for Food Quality, 2008, 2(3): 161-167.
    5. 吴龙国,何建国,刘贵珊,等. 基于NIR高光谱成像技术的长枣虫眼无损检测[J]. 发光学报, 2013,34(11): 1527-1532.

    Wu Longguo, He Jianguo, Liu Guishan, et al. Non- destructive detection of insect hole in jujube based on near-infrared hyperspectral imaging[J]. Chinese Journal of Luminescence, 2013, 34(11): 1527-1532. (in Chinese with English abstract)

    1. 沈焕锋. ENVI 遥感影像处理方法[M]. 武汉:武汉大学出版社,2009.
    2. 杨丹,赵海滨,龙哲,等. MATLAB 图像处理实例详解[M]. 北京:清华大学出版社,2013.
    3. 黄崑,骆方,刘晓娟,等. Excel 统计分析基础教程[M]. 北京:清华大学出版社,2013.
    4. Wu Di, Sun Dawen. Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment A review Part I

    Fundamentals[J]. Innovative Food Science and Emerging Technologies, 2013, 19(4): 1-14.

    1. Kamruzzaman M, ElMasry G, Sun D W. Application of NIR hyperspectral imaging for discrimination of lamb muscles[J]. Journal of Food Engineering, 2011, 104(3): 332-340.
    2. Baranowski P, Mazurek W, Pastuszka-Wozniak J. Supervised classification of bruised apples with respect to the time after bruising on the basis of hyperspectral imaging data[J]. Postharvest Biology and Technology, 2013, 86(1): 249-258.
    3. 章毓晋.图像工程(中册):第二版[M].北京:清华大学出版社,2007.
    4. 王凌. 智能优化算法及其应用[M]. 北京:清华大学出版社,2001.
    5. Fernandes A, Lousada J, Morais J, et al. Comparison between neural networks and partial least squares for intra-growth ring wood density measurement with hyperspectral imaging[J]. Computers and Electronics in Agriculture, 2013, 94: 71-81.
    6. 边肇祺,张学工. 模式识别[M]. 北京:清华大学出版社,2000.
    7. ElMasry G, Wang N, Vigneault C, et al. Early detection of apple bruises on different background colors using hyperspectral imaging[J]. LWT-Food Science and Technology, 2008, 41(2): 337-345.
    8. Abbott J A, Lu R, Upchurch B L, et al. Technologies for non-destructive quality evaluation of fruits and vegetables[J]. Horticultural Review, 1997,20: 1-120.
    9. 黄文倩,陈立平,李江波,等. 基于高光谱成像的苹果轻微损伤检测有效波长选取[J]. 农业工程学报,2013, 29(1):272-277.

    Huang Wenqian, Chen liping, Li Jiangbo, et al. Effective wavelengths determination for detection of slight bruises on apples based on hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(1): 272-277. (in Chinese with English abstract)

    1. 宋怡焕. 苹果果梗/ 花萼与缺陷的纹理特征识别方法[D]. 杭州:浙江大学,2012.

    Song Yihuan. Apple Stem/Calvx and Defect Identification bv Their Texture Features[D]. Hang Zhou: Zhe Jiang University, 2012. (in Chinese with English abstract)

    展开全文
  • 介绍空间调制干涉成像光谱技术,提出基于实体迈克尔逊干涉仪的空间调制干涉成像光谱仪,推导了这种仪器的基本几何参数公式与主要误差容限计算公式,总结了其主要特点。文中还归纳出通量大视场干涉仪原理模型
  • 太赫兹波时域光谱成像技术与一般的强度成像不同, 它具有信息量大、同时含有振幅和位相信息等显著特点。根据不同需求, 可以选取不同的物理量来展示不同的成像特征, 以便提供更多、更精确的样品信息。每一个像素点对应...
  • AOTF偏振光谱成像仪的原理及构造

    千次阅读 2018-11-05 06:32:03
    偏振超光谱成像技术是一个新兴的交叉技术领域,探索该技术在航天、民用等领域的应用已经成为国内外的重点研究课题,特别是基于声光可调谐滤波器(AOTF)的光谱成像仪,与传统仪器相比,在工作机制和仪器设计上都有着...
  • 根据成像光谱仪的特点用一系列串行的一维压缩实现二维图像压缩.提出了在机上对原始数据从光谱方向进行实时压缩的“二真值线性预测方法”.该法可做到压缩/复原后光谱特征信息不丢失.实验表明,对大多数光谱数据在1%的...
  • 高光谱概念

    2019-03-06 17:11:57
    讲述高光谱遥感概念、成像技术及数据处理与分析的特点
  • 结合空间外差技术特点和要求,给出了一种Offner成像镜头的设计方法和光路结构。该设计通过在出射光路中加入透镜改变缩放比,离轴装配消除像差的方法,可以满足空间外差光谱仪中对定域面干涉条纹进行任意比例缩放的...
  • 成像高光谱由于具有高光谱分辨率的特点正在受到国内外的广泛关注,本文主要介绍国内外有关成像光谱技术的开发过程。
  • 一、测试原理及方法高光谱成像技术是近二十年来发展起来的基于非常多窄波段的影像数据技术,其突出的应用是遥感探测领域,并在越来越多的民用领域有着更大的应用前景。它集中了光学、光电子学、电子学、信息处理、...
  • 高光谱成像技术是将成像技术和光谱检测技术相结合,在对分析目标的空间特征成像的同时,通过色散对每个空间像元形成几十乃至几百个窄波段以进行连续的光谱覆盖。图像信息可以反映样本的大小、形状、缺陷等外部品质...
  • 高光谱遥感技术及应用

    万次阅读 2007-06-08 23:57:00
    摘要:高光谱(hyper spectral)遥感是上世纪末地球观测系统中最重要的技术突破之一,它克服了传统单波段、多光谱遥感在波段数、波段范围、精细信息表达等方面的局限性,以较窄的波段区间、较多的波段数量提供遥感信息...
  • 概述了成像光谱遥感技术的内涵、高光谱数据的特点成像光谱仪的主要类型、数据处理软件 以及光谱数据库建设等内容。在此基础上,综述了航空成像光谱技术在海洋、环境资源勘探以及植 被与生态遥感等方面的应用现状。...
  • 点击上方“3D视觉工坊”,选择“星标”干货第一时间送达高光谱图像技术最早应用在遥感军事领域,用于地面目标探测,地面物体分类。由于不同物质的理化性质决定了其对不同波段的光表现出不同的光谱特...
  • 高光谱图像基础知识(1)

    万次阅读 多人点赞 2019-03-15 12:29:53
    本部分主要介绍什么是高光谱图像,成像原理,以及高光谱图像的特点高光谱图像 所谓高光谱图像就是在光谱的维度进行了细致的分割,不仅仅是传统的黑,白,或者R、G、B的区别,而是在光谱维度上也有N个通道,例如:...
  • 近年来随着信息技术的快速发展,高光谱技术以数据量丰富、灵敏、可靠的特点迅速应用于农业生产中,成为主要检测农作物病害的有效技术手段之一。 2、农作物病害的研究进展 粮食作物、经济作物、蔬菜作物、果类和其他...
  • 高光谱图像处理之目标检测技术一、高光谱图像处理之目标检测1、高光谱图像目标检测的发展趋势和研究现状: 20世纪80年代末,美国的一些研究机构开始利用高光谱图像数据进行目标检测方面的研究。自上世纪九十年代,...
  • 光谱遥感图像分类是高光谱成像信息处理的研究热点,高光谱成像的内在特点对于分类器设计具有直接影响.高斯过程是近年来发展迅速的一种新的机器学习方法,具备容易实现、超参数可自适应获取以及预测输出具有概率意义...
  • 研究和发展了一种两维荧光光谱测量及成像技术,讨论获得两维空间离散点的最佳光谱分辨率的方法。该技术以棱镜色散原理为基础,利用微透镜阵列实现对样品的离散化照明,充分发挥光学系统固有的并行处理能力,实现了在...
  • 高光谱遥感介绍

    千次阅读 2020-08-02 16:09:12
    通过搭载在不同空间平台上的高光谱传感器,即成像光谱仪,在电磁波谱的紫外、可见光、近红外和中红外区域,以数十至数百个连续且细分的光谱波段对目标区域同时成像。在获得地表图像信息的同时,也获得其光谱信息,第...
  •   高光谱遥感指具有高光谱分辨率的遥感数据获取、处理、分析和应用的科学与技术,通常采用覆盖一定波谱范围的成像光谱仪和非成像光谱仪两种传感器获取数据,利用大量窄波段电磁波获取感兴趣目标的理化信息,其基础...
  • 高光谱遥感图像相关知识梳理大全

    万次阅读 多人点赞 2017-05-17 17:10:00
    前言​ 本资料整理了高光谱遥感图像概念定义、分析处理与分类识别的基本知识。第一部分介绍高光谱图像的一般性原理和知识,...第五部分和第六部分分别介绍了高光谱图像的监督分类和分监督分类的特点、流程和常用算法。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,108
精华内容 443
关键字:

高光谱成像技术特点