CN101158651A - 一种基于激光图像分析检测苹果内外品质的装置及方法 - Google Patents

一种基于激光图像分析检测苹果内外品质的装置及方法 Download PDF

Info

Publication number
CN101158651A
CN101158651A CNA2007101355896A CN200710135589A CN101158651A CN 101158651 A CN101158651 A CN 101158651A CN A2007101355896 A CNA2007101355896 A CN A2007101355896A CN 200710135589 A CN200710135589 A CN 200710135589A CN 101158651 A CN101158651 A CN 101158651A
Authority
CN
China
Prior art keywords
apple
image
quality
laser
fruit
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.)
Pending
Application number
CNA2007101355896A
Other languages
English (en)
Inventor
屠康
陈育彦
潘磊庆
邵兴锋
任珂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Agricultural University
Original Assignee
Nanjing Agricultural University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Agricultural University filed Critical Nanjing Agricultural University
Priority to CNA2007101355896A priority Critical patent/CN101158651A/zh
Publication of CN101158651A publication Critical patent/CN101158651A/zh
Pending legal-status Critical Current

Links

Images

Abstract

本发明涉及一种无损检测苹果内部和外部品质的装置及方法,主要是基于激光图像参数分析的装置及方法。首先建立一套装置,利用激光发生器发射光源照射苹果,样品放在支撑架上,摄像头位于样品正上方,拍摄苹果激光图像,通过数据线输入到计算机,整个检测装置放置于木箱的黑暗环境中。把采集到的激光图像利用图像处理技术分析处理,提取其中的图像参数指标。再结合通过测量得到的苹果贮藏期间各品质指标的变化,以图像参数为自变量来拟和回归方程,达到检测苹果贮藏期间品质指标的变化。本发明的所需的能耗低于一般的检测装置,有利于节约成本,而且操作简单,使用方便,提到的检测方法和装置可以辅助或代替评判人员,更适合于现代工业生产的需要。

Description

一种基于激光图像分析检测苹果内外品质的装置及方法
技术领域
本发明涉及一种无损检测苹果内部和外部品质的装置及方法,主要是基于激光图像参数分析的无损检测苹果品质的装置及方法。
背景技术
我国是苹果生产大国,从1993年起一直居世界首位。2005年全国苹果栽培面积已达到1890.4万公顷,苹果总产量2401.1万吨,分别占世界苹果栽培面积和产量的40%和33%。但我国的苹果出口量很少,出口价格很低。据统计,2000年中国出口苹果仅占我国苹果总产量的1.46%,占世界苹果出口总量的3.5%。这与中国世界第一苹果大国的地位极不相称。主要原因是由于我国苹果的等级上不去,质量不高。国内苹果生产产业化程度低,标准化不够,商品化处理、贮藏、加工能力和技术水平较低,冷链流通尚处起步阶段,致使苹果品质良莠不齐,达到出口标准的高档苹果比例仍然很低,而国内市场也仅有5%的苹果经过拣选分级等大规模商品化处理上架销售。苹果的品质(或称质量),是以鲜食果或加工品满足消费者的程度来衡量的。苹果品质作为一个综合性状概念,主要包括外观品质、食用品质、贮藏品质、加工品质以及安全性等。目前的分级主要针对苹果的外部品质和其食用品质而言。其中,外部品质包括:大小、形状、颜色、表面缺陷等;食用品质检测项目主要有硬度、含糖量、酸度及内部损伤等。而目前在我国大部分地区的日常生产中所采用的往往是人工分级,果实的果形、色泽、果面的损伤等指标只能靠目测和经验来判断,而其食用品质则要靠人工抽样并破坏后进行各种理化实验。人工分级检验,不仅效率低下、代表性不强而且与检验员自身的技术水平有很大的关系,难以保证出口苹果的质量,无法满足市场的需求。针对国内外市场对优质生鲜苹果的巨大需求以及国内长久以来仍采用人工分级处理苹果,工作效率极为低下的现状,一种快速、高效检测苹果品质的体系亟待建立和完善。
激光技术,作为上世纪六十年代诞生的一门新兴技术,由于其优异的方向性、单色性、 干性及能量高度集中等特点,成为各行业研究应用的热点。近几年,国外已有学者将计算机视觉技术与激光技术结合应用于水果内部品质无损检测的研究当中。(Tu Kang,Pal Jancsok,Bart Nicolai,et al.Use of laser-scatteringimaging to study tomato-fruit quality in relation to acoustic and compression measurements[J].InternationalJournal of Food Science and Technology,2000,35:503-510;De Belie,N.,Tu,K.and Jancsok,P.et al.1999.Preliminary study on the influence of turgor pressure on body reflectance of red laser light as s ripeness indicatorfor apples.J.Postharvest Biology and Technology.16:279-284.)当激光照射到水果表面时,按照正常反射比仅有4%的光线从表面被反射回来,其它的光线则进入苹果内部,经过吸收、散射后通过一个香蕉形的路径从入射点附近被折射回表面。由于光线所经过的路线不同,因此最后为计算机视觉系统所捕获的图像也有差异,根据图像在贮藏期间的变化,就可以来用来反应水果贮藏期间各品质的变化。
国内在对苹果的无损检测中,计算机视觉技术占据了重要的位置。但受到可见光的局限,计算机视觉技术的大部分研究目前都局限于对农产品表面品质的检测。一旦涉及到农产品内部理化品质或内部的病害检测,就要运用到近红外光谱技术或介电特性无损检测技术,其分析和处理起来都较为复杂,而且成本较高。最近,国内韩东海等(韩东海,刘新鑫,鲁超.苹果内部褐变的光学无损伤检测研究[J].农业机械学报,2006,37(6):86-88;韩东海,刘新鑫,赵丽丽,等.苹果水心病的光学无损检测[J].农业机械学报,2004,35(5):143-146)运用LED灯照射苹果,通过检测透光强度的不同来检测苹果的水心病,对于1级果和3、4级果能较好分离,而2级果分离效果较差。由于该方法需要强光照射被检测物,因此,其能耗较多,且对表面品质、成熟度检测未作探讨。
发明内容
技术问题本发明的目的在于克服现有技术的缺陷,提出一种基于小功率半导体激光技术针对苹果内部和外部品质无损检测分级的方法和装置,特别是能将计算机视觉技术和激光图像分析技术融合起来进行综合判别,既大大降低了功耗,节约了成本,又可以更加精确地检测苹果的各个理化指标以及表面损伤和内部腐烂等,提高了苹果加工业中苹果品质检测的质量和效率。
技术方案
本发明首先建立一套基于激光图像分析的计算机视觉检测装置,把采集到的激光图像利用图像处理技术分析处理,提取其中的图像参数指标,再结合通过测量得到的苹果贮藏期间各品质指标的变化,以图像参数为自变量来拟和回归方程,达到无损检测苹果贮藏期间品质指标的变化。
本发明的目的通过以下方法实现的:
1)基于激光图像分析无损检测苹果内外品质的装置,其特征在于,激光发生器(3)发射光源照射苹果(2),样品放在支撑架(1)上,摄像头(4)位于样品正上方30cm处,拍摄苹果激光图像,通过数据线输入到计算机(5)中,整个检测装置放置于尺寸为80cm×80cm×100cm的木质木箱(6)的黑暗环境中。所用的激光发生器为半导体点光源激光器,红光波长λ=650nm,输出功率=0~65mW,可调功率密度=0~221mW/cm2,照射苹果的激光功率为25mW,激光发生器(3)发射光源与被照样品(2)呈15°角,距离15cm。
2)上述装置用于检测苹果内外品质的方法,其特征在于,
苹果品质指标常规检测:果实硬度F:由手持硬度计在每个苹果果面赤道上取4个对称点,计算4点平均值作为果肉硬度大小;固酸比:取整果去皮榨汁后测定其可溶性固形物和可滴定酸。可溶性固形物含量:手持阿贝折光仪法测定:可滴定酸含量由精密pH计测定,电位滴定至pH8.1;果面底色:用MINOLTA公司的CR-200型色差仪,光源为D65,以陶瓷标准板标定:Y=92.2,x=0.3163,y=0.3324,作为工作标准。采用CIE LAB表色系统,于果实表面赤道上取4点测得指标值a*、H°,其中,计算各颜色指标的4点平均值作为测试结果。
表面损伤及内部腐烂的常规检测:通过直尺测量腐烂面积和腐烂边缘距果面的距离来评价腐烂的程度,其中,腐烂面积是通过测量出腐烂的长度及宽度,把长度和宽度的乘积作为腐烂面积,而腐烂边缘距果面的距离通过直尺测量出的腐烂边缘距果面的最小距离。
苹果品质激光图像分析无损检测:采用半导体激光作为光源,首先利用CCD摄像头定期获取苹果采后及贮藏、货架期间的激光图像,经由图像采集卡采集并传入计算机,在收集图像的信号后,利用计算机分析并提取激光图像的特征参数。
品质指标的模拟:根据测定贮藏期间苹果的各项品质指标,即:果实硬度F、固酸比SSC/TA、果面底色a*和H°值,结合测定的各激光图像参数,利用多元线性回归和逐步回归的方法,进行品质指标回归方程的拟合,获得以各品质指标为应变量,激光图像参数为自变量的回归方程,建立苹果采后品质参数与图像参数拟合方程,分别为利用建立的模拟方程可以进行对苹果品质的无损检测。
表面损伤及内部腐烂的无损检测:比较在贮藏期间采集激光图像获取图像参数差异性,从而根据图像参数的差异状况来判定苹果的表面损伤及内部腐烂。
3)所述的品质指标模拟,对嘎啦苹果,其模拟方程为,果实硬度:F=a×S3+b;固酸比:SSC/TA=a×S3+b;颜色:a*=a×S3+b,H°=a×S3+b,其中,a,b为方程的系数。
对红富士苹果,其模拟方程为,果实硬度:F=a×S3+b;固酸比:SSC/TA=a×S32+b×S3+c;颜色:a*=a×S3+b,H°=a×S3+b,其中,a,b,c为方程的系数。
4)所述的激光图像的特征参数为S1、S2、S3、S4,其特征在于,图像信息处理包括颜色模型选择,图像滤波,阈值分割,特征提取等,其中,颜色模型选取了RGB彩色模型,图像滤波采用3×3的8邻域滤波,阈值分割采用固定阈值分割法,确定分割大圆S1的RGB值和分割小圆S2的RGB值,特征提取为提取图像各部分的像素数作为图像参数,依次为大圆S1,小圆S2,圆环S3及参数S4,其中S3=S1-S2,S4=S1/S2,其中,S1、S2代表圆的像素个数,S3为品质模拟方程的唯一变量,其中,特征提取是通过计算图像各部分的像素个数得出。用在苹果的赤道周围均匀取四点的方法,取其平均值作为该苹果的激光图像参数。
有益效果
本发明利用计算机视觉融合激光技术对苹果在贮藏期间的内部和外部品质进行了检测,不仅可以检测苹果在贮藏期间的各项品质指标,并对其进行成熟度分级,而且可以利用激光图像参数判定其在贮运期间受到的外部损伤和内部腐烂。提到的检测方法和装置可以辅助或代替评判人员。
本发明的所需的能耗低于一般的检测装置,有利于节约成本。其操作简单,使用方便,通过所建立的模型,仅仅输入激光图像参数即可获得与之相关的各项品质指标,另外还可以据此得到其表面损伤和内部腐烂的状况,更适合于现代工业生产的需要。
本发明融合计算机视觉技术和激光技术可对苹果等农产品进行较为快速而全面的无损检测,既可以解放劳动力,排除人的主观因素干扰,又能快速而准确地实时对苹果品质进行判定和分级。
附图说明
图1:本发明的技术方案示意图;
图2:激光图像采集装置示意图;
图3:本发明获得的激光原始图像及示意图;
图4:本发明图像分割的结果图;
图5:本发明中硬度随贮藏时间的变化示意图;
图6:本发明中固酸比随贮藏时间的变化示意图;
图7:本发明中a*值随贮藏时间的变化示意图;
图8:本发明中色调角H°值随贮藏时间的变化示意图;
图9:本发明中损伤后苹果在贮藏期间图像像素数的变化示意图;
图10:本发明中苹果逐渐发生腐烂时在贮藏期间图像像素数的变化示意图;
图11:本发明中损伤后苹果在贮藏期间呼吸强度的变化示意图;
图12:本发明中苹果逐渐发生腐烂时在贮藏期间呼吸强度的变化示意图;
附图中的各部件说明如下
图2中:1,载物台;2,样品(苹果);3,激光发生器;4,CCD摄像头;5,图像采集卡和计算机;6,木质木箱
图3中:7,背景;8,光环;9,外环(S3);10,小圆(S2);11,大圆(S1);
具体实施方式
本发明以红富士苹果和嘎拉苹果为研究对象,利用计算机视觉融合激光技术对苹果在贮藏期间的内部和外部品质进行了检测:不仅可以检测苹果在采后的各项品质指标,并对其进行成熟度分级,而且可以利用激光图像参数变化的差异变化判断,检测其在贮运期间受到的外部损伤和内部腐烂的情况。
1,激光图像的获取及分析处理
获取图像的计算机视觉系统装置如图2所示,主要计算机:CPU P4 1.7GHz,内存512M,显卡GeForce4MX440;CCD摄像头:JVC TK-C1381彩色摄像头,最大分辨率为752×582,输出为模拟信号;人工大术箱:由于所采集的激光图像需要在黑暗环境中得到,为了创造一个便于图像采集的稳定条件,制作了一个木质人工木箱,尺寸为80cm×80cm×100cm,背景为白色;图像采集卡:加拿大产Matrox Meteror-II/Standard图像采集卡;载物台:背景为黑色不反光。
本发明采用大型通用图像处理系统Image System3.0(北京现代富博科技有限公司)进行图像处理。
激光发射器:本研究利用的是半导体点光源激光器(红光波长λ=650nm,输出功率=0~65mW,可调功率密度=0~221mW/cm2)。设定发射光源与被照样品呈15°角,距离15cm,摄像头位于样品正上方30cm处。通过预试验,并且考虑到图像成像质量的问题,照射苹果的激光功率为25mW。
激光图像的获取:本发明采用BMP真彩色图像。当激光照射到水果表面时,按照正常反射比仅有4%的光线从表面被反射回来,其它的光线则进入苹果内部,经过吸收、散射后通过一个香蕉形的路径从入射点附近被折射回表面。由于光线所经过的路线不同,因此最后为计算机视觉系统所捕获的图像也有差异。从原始图像(如图3(a))中我们可以看到颜色分界明显,因此,先人为的将其分割为背景、光环、外环、大圆和小圆五部分,分割后的示意图如图3(b)所示。这里我们设定大圆以字母S1表示,小圆为S2,外环设定为S3=S1-S2。以便于今后分析处理。
颜色模型的选择及滤波:由于本发明所用激光为红光,在进行分割时,用RGB彩色回量得到的效果将更好,更直接,因此在这里我们选用RGB彩色模型。原始数据采集过程中,如在输入、传送、处理时不可避免的会受到一些因素的影响,形成噪声,降低图像质量,造成图像特征提取和图像识别时的困难或者是产生不良的视觉效果。本发明采用邻域均值法来滤波图像中的噪声,采用3×3的8邻域滤波窗口,该模板可以去除噪声且最大限度的保留图像原始信息。
图像的分割:由于本发明中的激光图像在苹果贮藏期间仅存在大小的变化而无颜色的变化,因此结合实验法找出固定阈值对图像不同的部分进行分割。根据图3,把图像提取部分分为背景、光环、外环和小圆四部分,采用Image System3.0软件(北京现代富博科技有限公司)获取各部分的RGB的值。得到的RGB各值的范围结果如表1,表2所示:
表1各区域的RGB值分布(嘎拉苹果)
    R值     G值     B值
    背景光环外环小圆     51-86204-25493-10519-39     57-91129-1841-39-18     48-9748-1521-3015-20
表2各区域的RGB值分布(红富士苹果)
    R值     G值     B值
    背景光环外环小圆     53-84194-25487-11219-29     56-88119-1821-413-20     56-9685-201-2416-21
从表中可以看出,两种苹果的激光图像的各个部分的RGB值均有自己独立的范围,但也存在一定的重合现象。在本文试验中,分割图像的目的需要去除的是背景和光环,而留下外环和小圆,并能把它们独立分离开来。在R值方面,可以看到,光环的R值完全在外环和小圆之外,而背景的R值存在与外环和小圆之间;对于G值,各部分均较为独立;对于B值,背景和光环能较独立的分开,但外环和小圆有一定的重合。就背景而言,由于RGB三值所占的比重相当,因此,可以采用利用G和B两个值共同分离的方法而消除R分量的重叠的影响。而对于外环和小圆的分离,由于激光主要是以红光为主,R分量在外环颜色的比重中占了85%以上,因此可以通过R分量来区分,而消除B分量重叠的影响。根据前人的经验,经过多次的重复预试验,确定分割大圆的RGB各值为120、40、40,分割小圆的RGB各值为65、40、40,其分割效果达到最好。图4为分割的最终效果。
激光图像参数值:本发明所测量的为统计图像分割出来的区域内部(包括边界上)像素的数目。
2对苹果品质指标的检测
2.1材料与方法
1.2.1材料
试验选取嘎拉(山东烟台)和红富士(江苏徐州)两个品种的苹果,材料要求保持成熟度基本一致,色泽相近,无机械损伤。均为当天采收,连夜运回南京农业大学实验室,进行分组编号处理。供试苹果均分为对照组和测试组,置于(20±1)℃、相对湿度65%的恒温恒湿箱贮藏,每一周采集激光图像并测定品质指标,每次取果实数15个,重复三次。
1.2.2仪器和设备
Minolta CR-200色彩色差仪    日本Minolta公司
DL302型调温调湿箱           上海吴淞五金厂
PYX-250H-A恒温恒湿培养箱    广东韶关科力实验仪器有限公司
FT-327型手持Effegi硬度计    意大利
WYT-4型手持糖量计           泉州光学仪器厂
PHS-3C型精密PH计            上海雷磁仪器厂
1.2.3测量方法
1.2.3.1激光图像参数的测量
预试验表明:苹果的果型大小对激光图像参数无显著影响,而苹果的不同果面(向阳面和背阳面)对激光图像影响比较大。因此,可以不考虑果型对激光图像的影响,但必须用在苹果的赤道周围均匀取四点的方法,来消除不同果面对激光图像造成的影响。
1.2.3.2品质指标的测定
1)果实硬度F(kg/cm2)
用手持硬度计在每个苹果果面赤道上取4个对称点,计算4点平均值作为果肉硬度大小。
2)固酸比(SSC/TA)测定
取整果去皮榨汁后测定其可溶性固形物和可滴定酸。可溶性固形物含量(SSC)由手持阿  折光仪法测定[14];可滴定酸(TA)含量由精密pH计测定,电位滴定至pH8.1。
3)果面底色测定
用MINOLTA公司的CR-200型色差仪,光源为D65,以陶瓷标准板标定:Y=92.2,x=0.3  63,y=0.3324,作为工作标准。采用CIE LAB表色系统,于果实表面赤道上取4点测得指标值a*(正值表示颜色向红色靠近,负值表示偏向绿色)、H°(色调角)。计算各颜色指标的4点平均值作为测试结果。
1.2.4数据统计
使用SAS 8.2进行数据处理与分析。
2.2结果与分析
2.2.3贮藏期间品质指标的变化
采后苹果硬度逐渐变小(见图5)。在室温下贮藏六周后,嘎拉苹果的硬度从9.3kg/cm2下降到5.6kg/cm2以下,红富士苹果则从初始的7.8kg/cm2下降到6.7kg/cm2。相比较红富士品种硬度的变化趋势较为平坦,比嘎拉耐贮藏。
在本次试验的贮藏期中,嘎拉苹果的固酸比呈不断上升趋势(从初期的47.64到末期的61.41):红富士苹果在前四周内固酸比呈上升趋势(从初始的44.14到第四周的69.07),第四周后出现了下降,一直下降到贮藏末期(第六周)的57.62(如图6)。分析原因可能是贮藏末期苹果自身的呼吸导致可溶性固形物迅速被消耗,使得固酸比下降。
苹果在贮藏期间果皮的颜色逐渐褪绿黄化,因此在这里主要选取a*值和H°值两个参数来评价果面底色的变化。如图7、图8所示,随着贮藏时间的延长,苹果果面底色a*值不断上升(嘎拉从-7.73上升到-1.15,红富士从-11.06上升到-7.82),表明苹果表面的褪绿过程;H°值在贮藏期间呈下降趋势(嘎拉从102.45下降到91.65,红富士从101.64下降到95.90),表明果皮逐渐转变为黄色。两者的试验结果相吻合,反映苹果在常温下,逐渐成熟衰老的过程。
2.2.4贮藏期间各图像参数的变化
激光照射苹果后所得图像的各参数像素个数见表3和表4。对于嘎拉苹果(表3),各参数像素个数在贮藏期内除S4外都呈逐渐上升趋势,且S1、S3两参数变化差异都达到显著水平(p<0.05)。对于红富士苹果(表4),除参数S2外各参数均呈上升趋势,且参数S1和S3差异显著性相对较好(p<0.05)。由此看出,某些图像参数和品质指标一样在贮藏期有一个较为明显的变化趋势。
2.2.5品质指标与各图像参数之间的相关性分析
表5和表6所列为品质指标与各图像参数之间的皮尔逊(Pearson)相关系数。由表5可以看出,嘎拉苹果的图像参数S3与各品质指标(F、SSC/TA、a*、H°)的相关性最高(r分别达到了-0.98、0.96、0.99、-0.99),且均为极显著水平(p<0.01)。而红富士苹果(表6)的图像参数除S2外均与品质指标F、a*和H°有较好的相关性,且均为极显著水平(p<0.01),其中参数S3的与品质指标F、a*和H°的相关性最高,r分别达到了-0.98、0.91、-0.95。但品质指标SSC/TA与各图像参数的相关性均较低,分析原因是由于红富士苹果的SSC/TA从第四周起开始下降,影响了相关性。另外,我们可以看出两个品种苹果的图像参数S2与各品质指标的相关性均不高,从而验证了在检测原理中所述S2是由激光直接经苹果表面反射得到,因此和品质无太大关系,可能和激光光源的强度有一定的相关性。
通过分析各参数与颜色指标(a*、H°)、成熟度指标(F、SSC)之间的关系,得到相关系数,可以得出激光图像的各参数与苹果贮藏期间的品质参数之间具有较强的相关性,因此,可以证明利用激光图像分析的方法检测苹果的品质是可行的。通过进一步建立品质参数与图像参数的回归方程,通过图像参数判定苹果品质(如颜色、成熟度等),从而达到无损检测的目的。
表3各参数像素数随贮藏时间的变化(嘎拉苹果)
    贮藏时间(周)     S1     S2     S3         S4
    123456     2770.60±205.28a2914.73±270.16b3078.33±269.87c3245.97±284.37d3340.67±286.57d3657.30±284.52c     499.06±127.76a450.40±123.20a464.42±115.15a494.12±128.34a499.73±161.35a652.10±106.43b     2271.55±171.60a2464.33±189.96b2613.91±193.27c2751.85±195.89d2840.94±215.92d3005.20±211.43e     5.90±1.45a7.09±2.72b7.05±1.93b7.01±1.87b7.36±2.38b5.72±0.73a
注:均值右上角所标识不同字母时表示存在显著差异(p<0.05)。
表4各参数像素数随贮藏时间的变化(红富士苹果)
    贮藏时间(周)     S1     S2   S3   S4
    1234567     3058.33±263.84a3239.85±284.36ab3299.80±333.15b3972.10±419.85c4101.63±422.80c4341.05±574.39d5137.00±720.83e   1183.13±265.62ab1107.48±201.77bc1073.30±209.96c1260.80±179.13ad1302.35±170.94ad1242.20±226.51dc1388.55±191.49e   1875.20±260.01a2132.38±208.47b2226.50±186.43b2711.30±336.67c2799.28±325.95c3098.85±385.14d3748.45±582.82e   2.70±0.58a2.99±0.40b3.14±0.39bc3.19±0.36c3.17±0.29c3.55±0.38d3.71±0.33d
注:均值右上角所标识不同字母时表示存在显著差异(p<0.05)。
表5皮尔逊(Pearson)相关系数表(嘎拉苹果)
    参数     F(N)     SSC/TA     a*     H°
    S1S2S3S4     -0.95**-0.59-0.98**-0.10     0.90*0.450.96**0.27     0.98**0.670.99**0.02     -0.97**-0.62-0.99**-0.69
**p<0.01,*p<0.05。
表6皮尔逊(Pearson)相关系数表(红富士苹果)
    参数     F(N)     SSC/TA     a*     H°
    S1S2S3S4     -0.97**-0.81*-0.98**-0.96**     0.580.490.580.57     0.90**0.720.91**0.90**     -0.94**-0.74-0.95**-0.94**
**p<0.01,*p<0.05。
2.2.6模型方程的建立
本发明利用SAS8.2(SAS Institute,2002)统计软件进行多元线性回归分析,以各图像参数为自变量来模拟苹果品质参数,选取逐步回归的方法,设定各变量入选和被淘汰的显著水平为0.05。所建立的模型方程见表7和表8。从各品质指标的拟合方程中可以看出,在0.05水平下,仅有参数S3进入了方程,且各模型的R2都较大(最大的为拟合嘎拉苹果的a*和H°值,R2均为0.99;最小的为拟合红富士苹果的a*值,R2为0.83),说明模型的拟合精度都较高。且各模型的p值都小于0.01,说明模型均达到了极显著水平。
表7品质指标线性回归方程(嘎拉苹果)
品质指标 回归方程 R2     显著水平(p值)
    FSSC/TAa*     22.07-0.0056×S37.90+0.018×S3-28.51+0.0091×S3137.16-0.015×S3     0.960.920.990.99     0.00050.0027<0.0001<0.0001
表8品质指标线性回归方程(红富士苹果)
    品质指标     回归方程     R2     显著水平(p值)
    FSSC/TAa*     9.12-0.00066×S3/-15.41+0.0031×S3115.41-0.0056×S3     0.97/0.830.90     <0.0001/0.00110.0001
另外,在拟合红富士苹果固酸比(SSC/TA)指标时,所有变量的引入显著性水平都大于0.05,在此水平下无法给出合适的线性回归方程。分析原因是由于固酸比值从第四周起开始下降,因此无法用线性模型来拟合。故采用在0.05水平下利用非线性回归来重新建立品质指标SSC/TA的回归方程,结果为:
SSC/TA=-0.000017×S32+0.10×S3-87.38
该回归方程的R2为0.92,p值为0.0057,回归拟和效果较好。
2.2.7品质指标预测模型方程的验证
本发明另随机选取10个样本(红富士),测定其理化指标,并与预测方程的预测数值进行比较,得到的误差结果为:F值5.88%;SSC/TA值8.37%;a*值11.41%;H°值2.25%,效果较为理想。
2.2.8激光图像分析无损预测嘎啦和红富士苹果的模型选择
对嘎啦苹果,果实硬度:F=a×S3+b;固酸比:SSC/TA=a×S3+b;颜色:a*=a×S3+b,H°=a×S3+b。
对红富士苹果,果实硬度:F=a×S3+b;固酸比:SSC/TA=a×S32+b×S3+c;颜色:a*=a×S3+b,H°=a×S3+b。
其中,a,b,c为方程的系数。
3对苹果表面损伤和内部腐烂的检测
3.1试验材料
本发明选用的苹果品种为嘎拉(山东烟台),材料要求参见上述。当天采收,连夜运回实验室,立即进行分组编号处理或置于0℃进行冷藏。供试苹果分为对照组、损伤组和腐烂组,每组10个,置于(20±1)℃、相对湿度65%的恒温恒湿箱贮藏。损伤组的苹果在受到损伤后一小时采集一次激光图像后,每隔12小时采集一次;腐烂组的苹果在接种后每隔24小时采集一次激光图像。
3.2试验方法
3.2.1表面损伤的模拟
利用一颗直径为16mm,重量为96g的小钢球,从20cm的高度垂直自由下落至苹果表面,为了防止损伤的对应面产生伤痕,在苹果下方放置泡沫垫增加缓冲。在苹果表面赤道部位上取4个对称的损伤点。并置于(20±1)℃、相对湿度65%的恒温恒湿箱贮藏。
3.2.2内部腐烂的模拟
本发明用在0℃下冷藏两星期后的苹果。选用的病原菌为扩展青霉(Penicillium expa       ),购于中国普通微生物菌种保藏管理中心。将菌种在PDA培养基20℃培养10d后,用含0.05%T      0的无菌水冲洗下菌落上的分生孢子,借助血球计数板将孢子悬浮液浓度调整为105个孢子/ml。利用衡量注射器从苹果底部将15μl的菌液注入果心部位,并置于(20±1)℃、相对湿度65%的恒温恒湿箱贮藏。
为了使对照组保持和试验组一致,在对照组的苹果内部也注入同样量的无菌水。
3.2.3苹果腐烂程度的计算
为了评价苹果内部腐烂的程度,试验中另取一组相同成熟度的苹果,注入同样菌液在相同的贮藏条件下来进行破坏试验。通过测量腐烂面积和腐烂边缘距果面的距离来评价腐烂的程度。前者由测量腐烂的宽度及长度,将此面积计算为圆形;后者通过测量腐烂的边缘距果面的最小距离。
3.2.4呼吸强度的测定
本发明中采用碱液吸收法,测定时温度为20℃。
仪器设备、数据统计分析和图像参数的获取都参照以上方法。
3.3结果与分析
3.3.1苹果表面损伤后图像像素的变化
对照组苹果在贮藏期间激光图像的像素数呈缓慢上升趋势(如图9),这与Tu等人(Tu K,JancsokP,Nicolai B,et al.Use of laser-scattering imaging to study tomato-fruit quality in relation to acoustic andcompression measurements[J].International Journal of Food Science and Technology,2000,35(5):503~510)的试验结果一致,即激光图像像素数随着贮藏时间的增加呈现递增趋势。而苹果表面受到损伤后  图像像素数变化比较明显,损伤1小时后就有显著的增加,并且仅过36小时就达到最高值3964,在随后的贮藏期间,像素数值却迅速下降;这与Belie等人(Belie N D,Tu K,Jancsok P,et al.Preliminary study on h   ifluence ofturgor pressure on body reflectance of red laser light as a ripeness indicator for apples[J].Postharv   Biology andTechnology,1999,16(3):279~284)的研究中苹果在贮藏末期激光图像像素数下降的变化规律相同
3.3.2苹果接种后图像像素的变化
同苹果表面受损伤后的变化相似,如图10所示,在内部接入青霉后,随着腐烂的发生  其激光图像像素数在前4天逐渐上升,到第四天达到最高值(3682)后从贮藏第5天起到贮藏末期一直呈下降趋势。而对照组却稳步的上升。
3.3.3苹果表面损伤后与内部腐烂后的呼吸强度的变化
如图11、图12所示,苹果在表面受到损伤与内部接种开始腐烂后,在初始时的呼吸强度与对照组相同,之后便迅速上升,且在贮藏期间一直维持在一个较高的水平,与对照组相比有个明显的提高。这表明了外界损伤以及内部的病变都会刺激苹果呼吸强度的增加。
3.3.4差异比较
对不同贮藏时期对照组与受到损伤及内部腐烂的苹果的激光图像像素数进行差异性比较,结果如表9、表10所示。由表9可知,贮藏初始,两组的图像的像素数没有显著差异(p≥0.05),而受机械伤后1小时,图像像素数之间出现了极显著差异(p<0.0001),继续贮藏到96小时图像像素数又无显著差异。这就表明,苹果在受到损伤后1小时到84小时之间,其激光图像像素数将会有一个显著的变化。另外,如表10所示,苹果内部发生腐烂后,与对照组的苹果的图像像素数在前几天并无显著差异(p≥0.05),虽然其像素数在第五天开始下降,但直到第七天才出现了显著差异(p<0.05)。以上这些变化也给实际检测应用提供了理论依据。
表9对照组与损伤组比较及方差分析结果
  贮藏时间   方差来源   平方和   自由度     均方     F值   P值(显著水平)
初始   模型误差总和   94256.4506483649.1006577905.550   17879     94256.45083123.706     1.13   0.2902
  1小时   模型   8302449.80   1     8302449.80     72.81   <0.0001
  误差总和   8894378.0017196827.80     7879   114030.49
12小时   模型误差总和   8302449.808894378.0017196827.80     17879   8302449.80114030.49   72.81   <0.0001
24小时   模型误差总和   7724623.519810313.8817534937.39     17879   7724623.51125773.25   61.42   <0.0001
36小时   模型误差总和   8172172.0110755142.8818927314.89     17879   8172172.01137886.45   59.27   <0.0001
48小时   模型误差总和   5778125.009503840.2015281965.20     17879   5778125.00121844.11   47.42   <0.0001
60小时   模型误差总和   4133223.209290930.7513424153.95     17879   4133223.20119114.50   34.70   <0.0001
72小时   模型误差总和   1855318.618504824.0810360142.69     17879   1855318.61109036.21   17.02   <0.0001
84小时   模型误差总和   1073697.8002483036.4003556734.200     17879   1073697.80031833.800   33.73   <0.0001
96小时   模型误差总和   163352.8137835515.6757998868.488     17879   163352.813100455.329   1.63   0.2060
表10对照组与腐烂组比较及方差分析结果
  贮藏时间   方差来源   平方和   自由度  均方  F值    P值(显著水平)
初始   模型误差总和   36481.6002049183.9002085665.500   13839  36481.60053925.892  0.68    0.4159
第1天   模型误差总和   46991.0251606467.7501653458.775   13839  46991.02542275.467  1.11    0.2983
第2天   模型误差总和   17264.0251272769.3501290033.375   13839  17264.02533493.930  0.52    0.47 2
第3天   模型误差总和   41602.5001452653.0001494255.500   13839  41602.50038227.711  1.09    0.3034
第4天   模型误差总和   27300.6251517648.7501544949.375   13839  27300.62539938.125  0.68    0.4135
  第5天   模型误差   116856.1002072033.400   138  116856.10054527.195  2.14    0.1514
    总和     2188889.500     39
第6天     模型误差总和     293779.6003673054.8003966834.400     13839  293779.60096659.337  3.04     0.0394
第7天     模型误差总和     550137.0253768476.9504318613.975     13839  550137.02599170.446  5.55     0.0238
3.3.5苹果内部腐烂的检测
如表11所示,在苹果果心处接入菌液后,贮藏第2天开始有病斑出现。而后病斑一直增大,直至扩展到果面。当贮藏到第5天激光图像像素数出现下降时,腐烂面积为2.45cm2,距离果面   4cm;当贮藏到第7天腐烂组的苹果与对照组的图像像素数出现显著差异时,此时的腐烂面积为4.76cm2,距离果面0.49cm。以上内部腐烂在外表看来均无明显症状,因此有理由相信,利用激光图像技术检测苹果内部腐烂症状有其实用价值。可以通过分析激光图像判断苹果内部一定程度的不可见腐烂。
表4-3扩展青霉接种于苹果后的腐烂面积及距表面的距离
  时间/天 1 2 3 4 5 6 7 8 9
  面积/cm2 0     0.26±0.02   0.80±0.06     1.71±0.13   2.45±0.20  3.60±0.29    4.76±0.31   6.36±0.15     7.91±0.42
  距离/cm   2.42±0.38     2.02±0.27   1.73±0.21     1.36±0.17   1.14±0.15  0.61±0.09    0.49±0.07   0.28±0.04     0.11±0.01

Claims (4)

1.一种基于激光图像分析无损检测苹果内外品质的装置,其特征在于,激光发生器(3)发射光源照射苹果(2),样品放在支撑架(1)上,摄像头(4)位于样品正上方30cm处,拍摄苹果激光图像,通过数据线输入,所用的激光发生器为半导体点光源激光器,红光波长λ=650nm,输出功率=0~65mW,可调功率密度=0~221mW/cm2,照射苹果的激光功率为25mW,激光发生器(3)发射光源与被照样品(2)呈15°角,距离15cm。
2.权利要求1所述装置用于检测苹果内外品质的方法,其特征在于,
1)苹果品质指标常规检测:果实硬度F:用手持硬度计在每个苹果果面赤道上取4个对称点,计算4点平均值作为果肉硬度大小;固酸比:取整果去皮榨汁后测定其可溶性固形物和可滴定酸;可溶性固形物含量:手持阿贝折光仪法测定;可滴定酸含量由精密pH计测定,电位滴定至pH8.1;果面底色:用MINOLTA公司的CR-200型色差仪,光源为D65,以陶瓷标准板标定:Y=92.2,x=0.3163,y=0.3324,作为工作标准。采用CIE LAB表色系统,于果实表面赤道上取4点测得指标值a*、H°,其中,计算各颜色中标的4点平均值作为测试结果;
2)表面损伤及内部腐烂的常规检测:通过直尺测量腐烂面积和腐烂边缘距果面的距离来评价腐烂的程度,其中,腐烂面积是通过测量出腐烂的长度及宽度,把长度和宽度的乘积作为腐烂面积,而腐烂边缘距果面的距离通过直尺测量出的腐烂边缘距果面的最小距离;
3)苹果品质激光图像分析无损检测:采用半导体激光作为光源,首先利用CCD摄像头定期获取苹果采后及贮藏、货架期间的激光图像,经由图像采集卡采集并传入计算机,在收集图像的信号后,利用计算机分析并提取激光图像的特征参数;
4)品质指标的模拟:根据测定贮藏期间苹果的各项品质指标,即:果实硬度F、固酸比SSC/TA、果面底色a*和H°值,结合测定的各激光图像参数,利用多元线性回归和逐步回归的方法,边行品质指标回归方程的拟合,获得以各品质指标为应变量,激光图像参数为自变量的回归方程,建立苹果采后品质参数与图像参数拟合方程,利用建立的模拟方程可以实现对苹果品质的无损检测;
5)表面损伤及内部腐烂的无损检测:比较在贮藏期间采集激光图像获取图像参数差异性,从而根据图像参数的差异状况来判定苹果的表面损伤及内部腐烂。
3.根据权利要求2所述方法,其特征在于,
对嘎啦苹果,其品质指标模拟方程为,果实硬度:F=a×S3+b;固酸比:SSC/TA=a×S3+b;颜色:a*=a×S3+b,H°=a×S3+b,其中,a,b为方程的系数;对红富士苹果,其模拟方程为,果实硬度:F=a×S3+b;固酸比:SSC/TA=a×S32+b×S3+c;颜色:a*=a×S3+b,H°=a×S3+b,其中,a,b,c为方程的系数。
4.根据权利要求2或3所述方法,其特征在于,激光图像的特征参数为S1、S2、S3、S4,其中,颜色模型选取了RGB彩色模型,图像滤波采用3×3的8邻域滤波,阈值分割采用固定阈值分割法,确定分割大圆S1的RGB值和分割小圆S2的RGB值,特征提取为提取图像各部分的像素数作为图像参数,依次为大圆S1,小圆S2,圆环S3及参数S4,其中S3=S1-S2,S4=S1/S2,其中,S1、S2代表圆的像素个数,S3为品质模拟方程的唯一变量,其中,特征提取是通过计算图像各部分的像素个数得出;用在苹果的赤道周围均匀取四点的方法,取其平均值作为该苹果的激光图像参数。
CNA2007101355896A 2007-11-16 2007-11-16 一种基于激光图像分析检测苹果内外品质的装置及方法 Pending CN101158651A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CNA2007101355896A CN101158651A (zh) 2007-11-16 2007-11-16 一种基于激光图像分析检测苹果内外品质的装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CNA2007101355896A CN101158651A (zh) 2007-11-16 2007-11-16 一种基于激光图像分析检测苹果内外品质的装置及方法

Publications (1)

Publication Number Publication Date
CN101158651A true CN101158651A (zh) 2008-04-09

Family

ID=39306811

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2007101355896A Pending CN101158651A (zh) 2007-11-16 2007-11-16 一种基于激光图像分析检测苹果内外品质的装置及方法

Country Status (1)

Country Link
CN (1) CN101158651A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102252971A (zh) * 2011-04-06 2011-11-23 食品行业生产力促进中心 一种芒果硬度快速检测方法
CN103076288A (zh) * 2012-12-26 2013-05-01 中国科学院海洋研究所 一种基于计算机视觉的鱼肉自动分级装置和方法
CN103162630A (zh) * 2013-02-04 2013-06-19 国家烟草质量监督检验中心 滤棒测量台、滤棒中各分段料棒长度无损测量设备及方法
CN104360031A (zh) * 2014-10-29 2015-02-18 中国农业大学 一种无损实时评定食物有效期的方法和装置
CN104597051A (zh) * 2015-01-24 2015-05-06 无锡桑尼安科技有限公司 基于品种鉴别的西红柿成熟度检测系统
CN105606610A (zh) * 2015-09-09 2016-05-25 南京农业大学 一种基于生物散斑技术无损检测苹果内部品质的方法
CN105606473A (zh) * 2016-01-20 2016-05-25 华中农业大学 一种基于机器视觉的红提葡萄硬度无损检测方法
CN105699397A (zh) * 2016-03-24 2016-06-22 南京农业大学 一种苹果表面光泽度检测方法
CN106885783A (zh) * 2016-12-30 2017-06-23 深圳市芭田生态工程股份有限公司 一种高光拍照和无损光谱扫描判断果蔬品质的方法
CN109001244A (zh) * 2018-09-07 2018-12-14 华中农业大学 基于红外热成像技术检测马铃薯品质的装置及其检测方法
CN110470804A (zh) * 2019-06-30 2019-11-19 安徽宇艳智能机械科技有限公司 一种基于超高频声波震动的改善猪肉品质的智能化改良装置
CN111940339A (zh) * 2020-08-18 2020-11-17 合肥金果缘视觉科技有限公司 一种基于人工智能的红枣分拣系统
CN112444208A (zh) * 2020-11-27 2021-03-05 中国科学院海洋研究所 基于边缘检测的高通量贝类外部形态自动测量方法

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102252971A (zh) * 2011-04-06 2011-11-23 食品行业生产力促进中心 一种芒果硬度快速检测方法
CN103076288A (zh) * 2012-12-26 2013-05-01 中国科学院海洋研究所 一种基于计算机视觉的鱼肉自动分级装置和方法
CN103162630A (zh) * 2013-02-04 2013-06-19 国家烟草质量监督检验中心 滤棒测量台、滤棒中各分段料棒长度无损测量设备及方法
CN104360031A (zh) * 2014-10-29 2015-02-18 中国农业大学 一种无损实时评定食物有效期的方法和装置
CN104597051A (zh) * 2015-01-24 2015-05-06 无锡桑尼安科技有限公司 基于品种鉴别的西红柿成熟度检测系统
CN105181696A (zh) * 2015-01-24 2015-12-23 无锡桑尼安科技有限公司 基于品种鉴别的西红柿成熟度检测系统
CN105606610A (zh) * 2015-09-09 2016-05-25 南京农业大学 一种基于生物散斑技术无损检测苹果内部品质的方法
CN105606473B (zh) * 2016-01-20 2018-06-15 华中农业大学 一种基于机器视觉的红提葡萄硬度无损检测方法
CN105606473A (zh) * 2016-01-20 2016-05-25 华中农业大学 一种基于机器视觉的红提葡萄硬度无损检测方法
CN105699397A (zh) * 2016-03-24 2016-06-22 南京农业大学 一种苹果表面光泽度检测方法
CN105699397B (zh) * 2016-03-24 2018-10-19 南京农业大学 一种苹果表面光泽度检测方法
CN106885783A (zh) * 2016-12-30 2017-06-23 深圳市芭田生态工程股份有限公司 一种高光拍照和无损光谱扫描判断果蔬品质的方法
CN109001244A (zh) * 2018-09-07 2018-12-14 华中农业大学 基于红外热成像技术检测马铃薯品质的装置及其检测方法
CN110470804A (zh) * 2019-06-30 2019-11-19 安徽宇艳智能机械科技有限公司 一种基于超高频声波震动的改善猪肉品质的智能化改良装置
CN111940339A (zh) * 2020-08-18 2020-11-17 合肥金果缘视觉科技有限公司 一种基于人工智能的红枣分拣系统
CN112444208A (zh) * 2020-11-27 2021-03-05 中国科学院海洋研究所 基于边缘检测的高通量贝类外部形态自动测量方法
CN112444208B (zh) * 2020-11-27 2022-05-06 中国科学院海洋研究所 基于边缘检测的高通量贝类外部形态自动测量方法

Similar Documents

Publication Publication Date Title
CN101158651A (zh) 一种基于激光图像分析检测苹果内外品质的装置及方法
Ruiz-Altisent et al. Sensors for product characterization and quality of specialty crops—A review
Nyasordzi et al. Utilizing the IAD index to determine internal quality attributes of apples at harvest and after storage
CN103439270B (zh) 一种高光谱图像检测桃果实早期冷害的方法
CN103439271B (zh) 一种猪肉成熟状况的可视化检测方法
CN105158186B (zh) 一种基于高光谱图像对白萝卜黑心检测的方法
CN103528967B (zh) 基于高光谱图像的过熟蓝靛果果实识别方法
CN103955626A (zh) 一种干制毛豆品质评价模型及构建方法
CN204287031U (zh) 一种基于高光谱成像技术的鱼新鲜度在线无损检测装置
CN107564000B (zh) 基于计算机视觉的猴头菇无损检测分级方法
CN108318494B (zh) 红提果粉的在线视觉检测分级装置及其方法
CN106332713A (zh) 一种sd‑oct图像的枇杷早期瘀伤鉴别方法
Awe et al. Production and microbiological assesment of date palm (Phoenix dactylifera L.) fruit wine
Sun et al. Evaluation of fungal infection in peaches based on optical and microstructural properties
CN101322969B (zh) 一种检测分级方法
CN104949927A (zh) 一种干贝水分含量的高光谱检测方法
CN113049588A (zh) 一种指导枇杷销售策略的枇杷果实品质评价及预测方法
Hajjar et al. MRI investigation of internal defects in potato tubers with particular attention to rust spots induced by water stress
CN102313715A (zh) 基于激光技术的蜂蜜品质检测方法
CN105067786A (zh) 一种非复原果汁的鉴别方法
CN105954309B (zh) 一种快速无损检测鲍鱼干制及复水过程水分含量的方法
CN100429502C (zh) 一种快速无损检测苹果内部质量的方法
CN106290359B (zh) 一种苹果脆片品质无损分级的方法
Vergara et al. Physicochemical characteristics of strawberry (Fragaria χ ananassa Duch.) fruits from four production zones in Cundinamarca, Colombia
Li et al. Discrimination of maturity and storage life for'Mopan'persimmon by electronic nose technique

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Open date: 20080409