精华内容
下载资源
问答
  • 在400~720 nm波段范围,基于液晶可调谐滤波器(LCTF)和CMOS相机组合的多光谱成像系统,以四季豆叶片为研究对象每隔5 nm进行成像。根据图像亮度信息法和波段指数法的相关原理,首先分别计算得到各波段四季豆叶片的波段...
  • 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的特点。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。
  • 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、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...光谱成像技术利用个光谱通道进行图像数据的采集、显示、处理和分析,是图像分析技术与光谱分析技术的完美结合。 随着光谱成像技术的发展以及声光可调谐滤波器(Acousto-optic...

    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众多的优点。

    光谱成像技术利用多个光谱通道进行图像数据的采集、显示、处理和分析,是图像分析技术与光谱分析技术的完美结合。

    随着光谱成像技术的发展以及声光可调谐滤波器(Acousto-optic Tunable Filter,AOTF)的出现,AOTF偏振光谱成像仪的研发已经成为国内外研究的热点。

    国外的许多科研机构已经开发了应用于不同领域的基于声光可调滤波技术的光谱成像仪,国内一些科研单位虽然也在此方面进行了积极的探索,但是还没有进入实用阶段的仪器产品问世。

    AOTF偏振光谱成像仪是目前获取信息最多的一种光学遥感器,具有结构简单、光谱波段宽、分辨率高等特点。

    其所获取的数据中不仅包含了空间信息和光谱信息,还包含了待测目标的偏振信息,增强了所获取待测目标的信息量。

    通过对不同波段情况下的目标图像数据进行分析,可以获得目标物的物质成分和相对丰度,在军事、民用、航天等众多领域都有着重要应用。

    AOTF原理

    AOTF是根据各向异性双折射晶体声光衍射原理而制成的一种新型分光器件,主要由声光晶体,超声换能器和声吸收体构成,

    其基本原理如图所示。

    AOTF有共线和非共线两种工作模式,其通常处于反常布拉格衍射的非共线模式下进行工作。

    超声换能器能够将所加载的电信号转换为同频率的超声波,在声光晶体中超声波与入射光波产生非线性效应。

    当超声波矢量与入射光矢量满足布拉格衍射条件时,入射光将发生布拉格衍射,且衍射光的偏振态与入射光的偏振态正交。

    当衍射发生时,入射光与衍射光必须满足波矢量动态匹配条件:

    式中ni为入射光折射率,nd为衍射光折射率,λ为真空光波长,f为超声波频率,Va为矢量方向的超声波速度值。

    结合AOTF的平行切线波矢布局,可以得到超声波频率与衍射波长的对应关系:

    式中θi为入射光矢量与晶体光轴间夹角,θd为衍射光矢量与晶体光轴间夹角。

    由于超声波频率f取决于驱动电信号的频率,因此通过改变激励声波的驱动信号频率,就可以实现对衍射光波长的控制,以达到滤波的目的。

    与传统分光器件相比,AOTF具有体积小、无活动部件、通光孔径大、衍射效率高、调谐范围宽等众多优点,从而使其在光谱成像技术上有着巨大的应用潜力。

    仪器结构

    实验中所搭建的AOTF偏振光谱成像仪主要包括以下几部分:

    • 前置光学系统
    • AOTF分光系统
    • CCD成像系统
    • 射频驱动系统
    • 数据采集控制系统

    AOTF偏振光谱成像仪结构示意图

    目标景物被光源照射后的反射光经过前置光学系统进行会聚、准直后进入到AOTF分光系统。

    由可控射频信号源产生的射频信号控制波长调谐,使入射光经过AOTF衍射后产生对应波段的零级衍射光和正负一级衍射光,正负一级衍射光即为偏振态正交的O光和E光。

    然后,经过后续光学系统分别成像于H通道和V通道的CCD阵列上,获得单一波长的目标图像。

    通过操控PC机上的数据采集控制系统,一方面可以调整射频驱动器的驱动信号频率,另一方面可以控制CCD相机的工作状态,同时对相机所传回的采集数据进行接收,进而可以得到AOTF调谐波段范围内各波段的目标景物图像。

    最后对所采集的各波段范围的图像数据进行存储。

    展开全文
  • 为了同时获取目标的全偏振二维图像信息和其光谱信息 ,设计了一种基于正交调制的偏振光谱成像系统 。该系统由光学接收模块、相位调制器 、Wollaston 棱镜 、Savart 偏光镜 、检偏器以及成像模块组成 。其可以将原始...
  • 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...
  • 着重从能量、视场两方面分析了短波红外推帚式色散型超光谱成像仪望远系统和光谱仪系统的结构特点和光学性能。结果表明:采</SPAN><SPAN xss=removed>用离轴三反结构的望远系统<SPAN lang=EN-US>+棱镜色散型光谱仪...
  • 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高光谱技术搭建了一套线扫描式拉曼高光谱检测系统,...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...

    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
  • 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...

    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
  • 针对紫外成像光谱仪高光谱分辨率、轻量化、小型化等特点, 研究了基于Offner结构的紫外成像光谱系统, 设计了一种工作波段为250~400 nm、狭缝长40 mm、光谱分辨率为0.3 nm的高分辨率紫外成像光谱仪, 并对设计结果进行...
  • 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。文中还归纳出高通量大视场干涉仪原理模型
  • 本文综述了高光谱在体组织成像方法及应用研究的主要进展,探讨高光谱成像分光方法、系统组成与特点。从光谱重构方法、组织光学参数测量、基于深度学习的图像处理方法等方面,介绍在体组织成像与成分检测方法的研究进展...
  • 成像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。
  • 时-空联合调制型干涉成像光谱仪获取的像面干涉图是带有干涉条纹的二维空间图像,具有对姿态变化敏感的特点。根据该类仪器的成像过程,在竖直摄影时,相邻两帧像面干涉图之间的像移量为一列像元;偏离竖直摄影时,由于像面...
  • 该样机采用宽波段折射式消色差前置望远光学系统与改进的Czerny-Turner光谱成像系统匹配的结构型式,其中,前置望远光学系统为像方远心,光谱成像系统为物方远心。工作波段为540-780 nm(一级衍射光谱)和270-390 nm(二级...
  • 根据角度投影数据的特点提出采用卷积反投影计算层析成像图像重建算法,给出了图像重建步骤以及相应的数学表达式。对D65光源照明条件下的396\X396像素目标进行了仿真实验,投影角度为0~180°,步长为0.5°,列出了仿真...
  • 分析了Schwarzschild 望远系统和Offner 光谱成像系统的特点和像差校正方法,利用ZEMAX 光学设计软件进行了光线追迹和优化设计,给出了系统的调制传递函数曲线(MTF)和点列图,并进行了分析和评价。设计和分析结果表明...
  • 根据传感器光谱分辨率的不同,光谱成像可以分为多光谱成像、高...其与高光谱成像以及超光谱成像技术之间都存在一定的差异,各有各的特点,例如:超光谱成像技术是通过测量连续波长范围中的光强度变化来描述材料的,而

    根据传感器光谱分辨率的不同,光谱成像可以分为多光谱成像、高光谱成像以及超光谱成像这三类。

    多光谱成像技术主要是以物体对不同波长光线的吸收存在差异为原理,通过对目标物体在一组红外和近红外范围内特定光线波长中的光强度变化来实现检测、辨别等应用需求。其与高光谱成像以及超光谱成像技术之间都存在一定的差异,各有各的特点,例如:超光谱成像技术是通过测量连续波长范围中的光强度变化来描述材料的,而多光谱成像技术则是通过一组特定波长范围中的光强度变化来进行判定的等等。随着多光谱成像技术的不断提高,其应用范围也在不断扩大,尤其在医学、农业、军事以及安检等领域都有着重要的应用。

      在农业领域,多光谱成像技术可以通过从可见光到热红外不同的狭窄波段区感应能量,分别获得地物在不同谱段上的影像,以此识别地物的具体情况,主要应用于作物病害诊断、农产品品质检测、作物生长状态监测等方面。另外,在重大自然灾害面前,多光谱成像技术还可以在灾害评估方面发挥重要的作用,提供准确的灾情评估报告,为决策部门制定救灾、减灾方案提供了精准的信息资料


    全色波段,一般指使用0.5微米到0.75微米左右的单波段,即从绿色往后的可见光波段。全色遥感影象也就是对地物辐射中全色波段的影象摄取,因为是单波段,在图上显示是灰度图片。全色遥感影象一般空间分辨率高,但无法显示地物色彩。

    全色是通过单通道探测器探测目标表面亮度,一般是可见光波段,产生黑白图像
    多波段,又叫多光谱,是指对地物辐射中多个单波段的摄取。得到的影象数据中会有多个波段的光谱信息。对各个不同的波段分别赋予RGB颜色将得到彩色影象。例如,将R,G,B分别赋予R,G,B三个波段的光谱信息,合成将得到模拟真彩色图象。多波段遥感影象可以得到地物的色彩信息,但是空间分辨率较低。

    多光谱是通过多波段探测器探测目标表面亮度和光谱信息,有几个到几十个波段,波长范围比可见光大,还包括红外、微波

    其他:
    1.多光谱图像有4个波段,但是空间分辨率低。全色图像只有1个波段,但空间分辨率较高。
    这跟传感器使用的分光方式有关。全色图像的采集是不需要分光的,地面反射的能量通过镜头后,直接投射到CCD探测器上从光信号转变成电信号,再被数字量化成灰度,就成为我们在电脑上看到的灰度影像。而多光谱图像在CCD探测器接受到光信号前有一个分光过程。将混合的白光分解成需要的宽谱段RGB和近红外光束,再被探测器接收。
    不同的传感器可能采用不同的分光方式,比如我们日常使用的数码单反,使用了拜尔滤光片,在ccd上加了一层分布着以rgb为组单元的滤光片阵列,最后采集到的数据经过采样就获得最终rgb影像,相应的,他相比不使用滤光片,直接用ccd感应光线的图像,分辨率是下降到1/3左右的。
    还有是使用分色棱镜,将入射的一束光线分成RGB+ndir四束光线,分别用四个探测器接收,这样的直接结果是能量降低,分辨率也相应下降。
    多光谱或者高光谱目前大类来讲有两种技术,一种为分光法,一种为滤光片法;分光法,从实现技术上又分为光栅分光,棱镜分光,干涉分光;而滤光片从技术上有镀膜滤光片,声光可调滤光片,液晶可调滤光片等。两种技术方法差别在于滤光片法通常是扫光谱维,得到不同波长的影像。分光法通常是扫空间维,得到一条线的光谱。一次性同时得到光谱跟影像的有二维光栅成像技术和采用多CCD成像(CCD前加不同波长滤光片,然后做成同轴光路)。
    简单来说,CCD是个二维成像器件,影像+光谱是三维信息,所以用一个二维器件采集三维信息,要么就得牺牲分辨率,要么就得做扫描(牺牲时间)。



    相关来源:http://www.zhihu.com/question/21559635
    http://blog.csdn.net/chenjh23/article/details/7571355
    http://wenku.baidu.com/link?url=5YJXltBk_EROogIOzJBtpQgHfhS0WH5E99YkHkRv8wsxj81YlQBQhh5qAWKSOR-CTdd6v4Sy2dkTpDzoydUkHUgPdYzJikw0OrfqSo-JMNG
    http://www.zhihu.com/question/21559635
    http://www.zhihu.com/question/21559635/answer/32198461
    展开全文
  • 结果表明,在相同的光谱通道数前提下,与等间隔光谱采样方法相比,单棱镜色散成像光谱仪探测器像元采集到的景物辐射能量,在1.0-1.85 μm光谱范围比较高,在1.85-2.5 μm光谱范围比较低,信噪比具有类似的特点;随着光谱...
  • 从不同方面说明大孔径静态干涉成像光谱仪的特点,介绍其干涉系统的光学原理,分析基于横向剪切干涉仪的干涉系统设计思想,讨论两种高通量大视场横向剪切干涉仪,总结了大孔径静态干涉成像光谱仪的主要优点。
  • 研究了棱镜色散型光谱仪的特点及分光原理,提出一种新型的小入射角棱镜分光光谱仪的设计方法。该光谱仪采用了全反射光路,不需要加入校正透镜,避免因色差引起的像差,成像质量好,可以有效地校正光谱弯曲。给出了...
  • 为了研究温度对机载成像光谱仪谱线漂移的影响,分析了机载环境下仪器温度载荷的特点、作用机理和表现形式,研究了光谱仪的谱线漂移特性。根据机载环境下温度载荷特点,利用有限元法,结合最小二乘法和坐标转换法,...
  • 在研究多光谱成像技术特点的基础上,提取光谱有效特征信息,优化光谱编码条件,对4个等级的黄瓜霜霉病害叶面光谱进行融合编码分类识别,可以有效地降低光谱的相似性,增强可分性,实现了4个病害等级的较好分类。...
  • 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...
  • 针对大孔径静态干涉成像光谱仪(LASIS)的成像特点,提出了一种支持感兴趣区域(ROI)的非对称三维分层树集划分(AT-3DSPIHT)压缩算法。首先,对高光谱干涉图像进行非对称三维离散小波变换。然后,根据光谱信息的分布特点,...
  • 红外按谱段分类方式: (1)近红外:0.75~3μm;...光电成像在红外波段的成像特点 波段名称 波段/μm 探测器 特点 短波红外 1.1~2.5 In...
  • 采用标准探测器漫反射板法对成像光谱仪进行定标,具有实现容易、定标精度较高的特点。针对标准探测器漫反射板定标法,推导出成像光谱仪探测器像元采集到的信号电子数的计算表达式,研究了在双向反射分布函数(BRDF)...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,301
精华内容 520
关键字:

多光谱成像特点