CN102033043A - 基于高光谱图像技术的粮粒含水率检测方法 - Google Patents

Abstract

本发明公开了一种基于高光谱图像技术的粮粒含水率检测方法，分别获取全黑标定图像B、全白标定图像W和已知水分含量的粮粒的高光谱原始数据图像I，利用全黑标定图像B和全白标定图像W对粮粒的高光谱原始数据图像I进行反射光谱校正得到粮粒的校正图像R，从校正图像R提取粮粒图像，通过移动平均法、多元散射校正进行光谱校正，计算光谱反射值与水分含量的相关性系数，从中选择相关系数为极大值的光谱反射值作为人工神经网络输入，建立粮粒水分预测模型。本发明利用水分含量引起的粮粒光谱特征，采用人工神经网络检测粮粒水分含量，能提供一种快速、稳定的方法，并提高检测效率。

Description

基于高光谱图像技术的粮粒含水率检测方法

技术领域

本发明涉及一种基于高光谱图像技术的粮粒含水率检测方法。

背景技术

粮粒水分含量是确定其贮藏条件的重要因素之一，在实际生产中一般采用合适的生产流程，将粮粒脱粒后送到干燥塔，经过预热、干燥、缓苏，待冷却至常温，达到安全水分14％左右后排出干燥塔。在此过程中，粮粒水分在线检测和控制是制约粮粒干燥系统的核心技术；

传统的粮粒水分检测多是通过干燥或化学方法直接去除粮粒中的水分，检测出样品的绝对含水量。其中干燥法主要包括电烘箱法、减压法、红外加热法、微波加热法；化学法包括蒸馏法、卡尔·费休法和碳化钙法等。这些方法的检测精度高，适用于试验室检测，但费时费力，且对粮粒有一定的破坏性，无法实现快速在线检测。而其他的一些检测方法，比如电容法、声学法、核磁共振法、中子式水分仪等，不是在稳定性方面存在不足，就是价格昂贵难以推广。

发明内容

本发明的目的在于采用图像分析方法，提供一种基于高光谱图像技术的粮粒含水率检测方法；

本发明解决其技术问题所采用的技术方案是：

利用水分含量引起的光谱特征变化检测粮粒的含水率。该方法操作步骤如下：

1)标定图像的获取：分别盖上镜头盖和使用标准白板采集两幅标定高光谱图像，作为全黑标定图像B和全白标定图像W；

2)原始高光谱图像获取：将一组已知水分含量的粮粒按序排放在载物台上后送入实验台采集高光谱原始数据图像I；

3)反射光谱校正：采用公式(1)进行反射光谱校正，得到校正图像R；

R＝(I-B)/(W-B)         (1)

4)感兴趣区域提取：采用阈值法将粮粒从校正图像中提取出来，得到粮粒图像；

5)特征波段选取：计算粮粒样本的平均反射值，先使用5点移动平均法对原始数据进行曲线平滑处理，然后分段对光谱曲线两端进行线性拟合，再做相关性分析将相关系数小于R₁的波段范围去除；接着应用多元散射校正MSC(Multiplication Scatter Correction)算法消除原始光谱中散射和偏移的影响；通过回归分析得到每一个波段光谱反射值与水分含量的相关性系数，从中选取K个局部相关系数的极大值对应的波段作为特征波段；

6)预测模型的建立：使用人工神经网络ANN方法建立预测模型，采用三层BP网络结构，输入层单元数为之前通过回归分析得到的特征波段的个数K，隐含层的节点数S使用经验估计公式来确定，输出层为1个节点对应水分值；从所用的样本N中提取其中的N₁个样本进行训练模型，另N₂个样本用来模型验证，当训练结果与水分含量间的相关系数R₂达到给定值时，停止人工神经网络训练；

7)含水率检测：将待测粮粒按步骤1至步骤5处理后得到K个特征波段的平均光谱反射值输入步骤6训练后的人工神经网络和回归模型，得到待测粮粒的水分值。

本发明具有的有益的效果是：

本发明利用水分含量引起的粮粒光谱特征，采用人工神经网络检测粮粒水分含量，能提供一种快速、稳定的方法，并提高检测效率。

附图说明

图1是本发明的装置结构简图。

图2是玉米光谱反射值曲线图。

图3是阈值法分割后得到的玉米图。

图4是小麦光谱反射值曲线图。

图5是阈值法分割后得到的小麦图。

图6是经过MSC多元散射校正后得到的玉米光谱数据图。

图7是经过MSC多元散射校正后得到的小麦光谱数据图。

图8是玉米各波段光谱反射值与水分之间的相关系数分布特征图。

图9是小麦各波段光谱反射值与水分之间的相关系数分布特征图。

图10是玉米预测模型训练结果图。

图11是小麦预测模型训练结果图。

图中：1、摄像机，2、光谱仪，3、样本，4、载物台，5、计算机，6、光源，7、输送装置。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图1所示，高光谱图像采集装置包括摄像机1、光谱仪2、样本3、载物台4、计算机5、光源6、输送装置7。摄像机1、光谱仪2、光源6、样本3、载物台4自上而下，依次排放，摄像机1与光谱仪2相连，摄像机1通过电缆与计算机5相连，载物台4安装在输送装置7上，样本3放在载物台4上。

玉米及小麦水分的检测：

1)标定图像的获取：分别盖上镜头盖和使用标准白板采集两幅高光谱标定图像，作为全黑标定图像B和全白标定图像W，用于之后高光谱数据图像的校正。

2)原始高光谱图像获取：保持之前采集标定图像时的实验条件不变，将粮粒按序X*Y(玉米X＝15粒，Y＝5行，小麦X＝17粒，Y＝7行)摆放在载物板上后送入实验台内的载物台，其装置如图1所示，整套系统置于一个表面涂有黑漆的密闭柜中以避免图像采集时环境光的干扰。关上柜门后开始采集玉米和小麦的原始高光谱图像I。

3)反射光谱校正：采用公式(1)进行反射光谱校正，得到校正图像R。

R＝(I-B)/(W-B)          (1)

4)感兴趣区域提取：利用粮粒表面和背景板之间反射值在某个波段上的差异比较大这个特点，采用阈值法将粮粒从校正图像中提取出来。具体做法如下：分别获取玉米本体、尖端、阴影和背景板在波长为400-1000nm范围内的光谱反射值，如图2所示。从中可以看到，在500-550nm范围内，背景板、阴影部分和玉米的反射值差距比较大，可以从中选择一个波段的某个反射值作为提取ROI的阈值。在这里选取500nm处的光谱反射值2000作为分割阈值，将大于该值的像素点标为0，小于该值的像素点标为1，然后将所有标为1的像素点标记为红色。其提取效果如图3所示。分割后每颗玉米粒区域根据大小的不同在P₁～P₂(P₁＝800，P₂＝1200)个像素之间。

同理获取小麦本体、阴影和背景板在波长为400-1000nm范围内的光谱反射值，如图4所示。从中可以看到，在500-550nm范围内，背景板、阴影部分和小麦的反射值差距比较大，选取550nm处的光谱反射值2000作为分割阈值，之后做相同处理，其提取效果如图5右侧所示。分割后每颗小麦粒区域根据大小的不同在P₁～P₂(P₁＝200，P₂＝600)个像素之间。

5)特征波段选取：在分割后的高光谱图像中，计算校正后的玉米样本平均反射值，如图6所示。同理在分割后的小麦高光谱图像中计算小麦样本的平均反射值，如图7所示。先使用5点移动平均法对原始数据进行曲线平滑处理，然后剔除噪声波段区间，分段对光谱曲线进行线性拟合，将拟合后的值与原始光谱数据做相关性分析，将两端相关系数小于R₁(R₁＝0.2)的波段区间去除，得到玉米和小麦的波段区间均为S₁-S₂nm(S₁＝450，S₂＝900)。接着应用多元散射校正MSC(multiplication scatter correction)算法对选中的波段区间数据进行线性化处理以消除原始光谱中散射和偏移的影响。

MSC处理共分3步。首先计算所有样品光谱的平均光谱再将每个样品的光谱与平均光谱进行线性回归，求得回归系数m_i，b_i，最后根据公式(2)计算校正后的光谱A_i(MSC)

$A_{i\left(\mathrm{MSC}\right)}=(\stackrel{\‾}{A}-b_i)/m_i---\left(2\right)$

式中i＝1、2、3......n，n——表示样本数，j——表示第j个波段数。

光谱校正后由公式(3)计算全波段光谱值与水分含量的相关性系数R_xy，得到结果如图4所示。

$R_{\mathrm{xy}}=\mathrm{COV}(x,y)/\sqrt{D\left(x\right)D\left(y\right)}---\left(3\right)$

D(x)和D(y)分别为水分值和光谱反射值的方差，COV(x，y)为二者的协方差。

从图8中可以看出，玉米粒样本水分与光谱反射值的相关系数范围在0～0.55之间，其中多个波段超过0.4，并且整个光谱显示出有多个极大值，选取较为典型的K(K＝4)个局部相关系数的极大值对应的波段作为特征波段，即491，772，824和870nm。

而从图9则可以看出小麦粒样本水分与光谱反射值的相关系数范围在0～0.6之间，其中多个波段超过0.5，并且整个光谱显示出有多个极大值，选取较为典型的K(K＝5)个局部相关系数的极大值对应的波段作为特征波段，即741，786，845，833和882nm。

6)预测模型的建立：使用人工神经网络方法建立预测模型。采用BP网络结构，包括输入层、隐含层、输出层三层。输入层单元数为之前通过回归分析得到的特征波段的个数K(K＝4)。隐含层的节点数S根据R.P.Gorman的经验估计公式(4)来确定。

S＝2logN          (4)

N(N＝300)为训练模式的个数(样本数)，求得S＝5，输出层为1个节点对应水分，结构为K-S-1(S＝5)网络结构。在模型建立之前，首先从所用的样本N中提取其中的N₁(N₁＝95％)个样本进行训练模型，另N₂(N₂＝5％)个样本用来验证该模型的可靠性。选择非线性的Sigmoid型函数作为模型的作用函数。由于网络学习收敛速度慢，为此在学习速率中增加动量项，表示学习率在训练中的动态变化，动量系数选为T(T＝0.1)。训练结果如图10所示，预测值与实际值间的相关系数为R₂(R₂＝0.98)，说明该模型是可靠的。

对小麦水分进行预测的人工神经网络模型结构为K-S-1(K＝5，S＝5)，其他参数设置与玉米一致。训练结果如图11所示，预测值与实际值间的相关系数为R₂(R₂＝0.95)，说明该模型也是可靠的。

7)含水率检测：将待测玉米和小麦按步骤1至步骤5处理后得到K(玉米K＝4，小麦K＝5)个特征波段的平均光谱反射值输入步骤6训练后的人工神经网络和回归模型，得到玉米和小麦粮粒的水分值。

Claims (1)

1.一种基于高光谱图像技术的粮粒含水率检测方法，其特征在于利用水分含量引起的光谱特征变化检测粮粒的含水率。该方法操作步骤如下：

1)标定图像的获取：分别盖上镜头盖和使用标准白板采集两幅标定高光谱图像，作为全黑标定图像B和全白标定图像W；

2)原始高光谱图像获取：将一组已知水分含量的粮粒按序排放在载物台上后送入实验台采集高光谱原始数据图像I；

3)反射光谱校正：采用公式(1)进行反射光谱校正，得到校正图像R；

R＝(I-B)/(W-B)          (1)

4)感兴趣区域提取：采用阈值法将粮粒从校正图像中提取出来，得到粮粒图像；

5)特征波段选取：计算粮粒样本的平均反射值，先使用5点移动平均法对原始数据进行曲线平滑处理，然后分段对光谱曲线两端进行线性拟合，再做相关性分析将相关系数小于R₁的波段范围去除；接着应用多元散射校正MSC算法消除原始光谱中散射和偏移的影响；通过回归分析得到每一个波段光谱反射值与水分含量的相关性系数，从中选取K个局部相关系数的极大值对应的波段作为特征波段；

6)预测模型的建立：使用人工神经网络ANN方法建立预测模型，采用三层BP网络结构，输入层单元数为之前通过回归分析得到的特征波段的个数K，隐含层的节点数S使用经验估计公式来确定，输出层为1个节点对应水分值；从所用的样本N中提取其中的N₁个样本进行训练模型，另N₂个样本用来模型验证，当训练结果与水分含量间的相关系数R₂达到给定值时，停止人工神经网络训练；

7)含水率检测：将待测粮粒按步骤1至步骤5处理后得到K个特征波段的平均光谱反射值输入步骤6训练后的人工神经网络和回归模型，得到待测粮粒的水分值。

Images