CN102495066B - 基于高光谱透射图像采集系统的豆荚无损检测方法 - Google Patents
基于高光谱透射图像采集系统的豆荚无损检测方法 Download PDFInfo
- Publication number
- CN102495066B CN102495066B CN201110398564.1A CN201110398564A CN102495066B CN 102495066 B CN102495066 B CN 102495066B CN 201110398564 A CN201110398564 A CN 201110398564A CN 102495066 B CN102495066 B CN 102495066B
- Authority
- CN
- China
- Prior art keywords
- beanpod
- sample
- transmission image
- spectral transmission
- bean
- 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
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Description
技术领域
本发明涉及高光谱透射图像技术与豆荚螟豆荚检测技术,具体地,涉及基于高光谱透射图像采集系统的豆荚无损检测方法。
背景技术
菜用大豆俗称毛豆,因其营养丰富,口味独特,而深受诸多国家民众的青睐。豆荚螟,又名豆荚斑螟、豆蛀虫,是危害毛豆、豇豆、菜豆、扁豆、豌豆等豆科植物的主要害虫之一,被其咬后的豆仁失去食用价值,严重影响产品质量。
由于害虫对农作物的危害极大,诸多研究人员致力于农作物害虫的检测和识别的研究,提出了诸多检测方法,包括用染色法、声音检测技术法、电导法、X射线检测法、近红外技术检测法等。
但上述方法存在诸多缺点,如操作复杂、对被测样品具有破坏性、不能检测死虫、存在辐射,受到环境的影响较大,同时对检测幼虫的效果不理想等。
目前,基于机器视觉的农产品害虫检测技术得到了广泛的应用,但是传统的机器视觉技术是基于可见光光源,由于豆荚螟生长在豆荚内部,可见光光源难以穿透豆荚内部,导致传统的基于机器视觉的害虫检测技术很难实现豆荚螟的准确检测。对于传统机器视觉的菜用豆荚螟豆荚的外部和内部图像,可参见图2;由图2的图像可以看出,相应豆荚的外部没有虫眼,但内部含有豆荚螟。
在实现本发明的过程中,发明人发现现有技术中至少存在操作复杂、对被测样品损害大、准确性差与可靠性低等缺陷。
发明内容
本发明的目的在于,针对上述问题,提出一种基于高光谱透射图像采集系统的豆荚无损检测方法,以实现操作简单、可实现无损检测、准确性好、可靠性高与实时性好的优点。
为实现上述目的,本发明采用的技术方案是:一种基于高光谱透射图像采集系统的豆荚无损检测方法,包括:
a、将菜用大豆豆荚样本,放置在高光谱透射图像采集系统中,采集并获取相应豆荚样本在M个波段下的M个高光谱透射图像;在所得M个高光谱透射图像中,提取感兴趣的区域作为相应高光谱透射图像的子图像;
b、在每个波段下,利用灰度共生矩阵,提取步骤a所得相应子图像在四个方向上的对比度、相关性、能量与同质性共16个纹理参数;将所得M个波段下共16M个纹理参数,作为判断相应豆荚样本是否含有豆荚螟的特征参数;
c、将步骤b所得16M个纹理参数,输入预先建立的检测模型进行检测处理,获取相应豆荚样本是否含有豆荚螟的检测结果z。
进一步地,在步骤c中,预先建立检测模型的操作包括:
利用支持向量数据描述法作为构建检测模型的工具,构建不含豆荚螟的豆荚样本和含豆荚螟的豆荚样本的检测模型,该检测模型的形式为:
其中,z表示菜用大豆是否含有豆荚螟的检测结果,sgn(·)为符号函数,y为相应豆荚样本的特征参数,xi为已知的不含豆荚螟豆荚的特征参数,n为已知的不含豆荚螟豆荚的数量,k(y,xi)为支持向量数据描述的核函数,和t*均为待定系数;
在步骤a中,采集并获取相应豆荚样本在M个波段下的M个高光谱透射图像之后,还包括:
将豆荚样本分为训练集和测试集,其中训练集由正常豆荚(不含豆荚螟)样本构成,测试集由正常豆荚(不含豆荚螟)样本和含豆荚螟样本构成;
对豆荚样本的高光谱透射图像采集完后,利用破坏性法,对选取的豆荚样本进行破坏性处理,获取相应豆荚样本是否包含豆荚螟的准确结果,以与步骤c获得的检测结果z进行对比,并为后续优化检测模型提供依据。
其中,C为惩罚系数;r为超球面半径;
所述支持向量数据描述的核函数k(y,xi)选取:
其中,σ2为高斯核函数宽度;y为测试集豆荚样本高光谱透射图像的特征参数,xi为训练集豆荚样本高光谱透射图像的特征参数;所述σ2与惩罚系数C由交叉验证的网格搜索法确定。
进一步地,步骤a中的高光谱透射图像采集系统,包括电源、石英卤素钨灯、光纤、采光室、CCD控制器、CCD数字照相机、光谱仪、聚焦透镜与透射光源架构,其中:
所述CCD控制器、CCD数字照相机、光谱仪、聚焦透镜与透射光源架构,均设置在采光室内部;所述CCD控制器、CCD数字照相机、光谱仪与聚焦透镜依次配合连接,且位于透射光源架构的上方;
所述聚焦透镜设置在光谱仪的前端,光谱仪设置在CCD照相机上,CCD数字照相机的输出端与CCD控制器相连,CCD控制器的输出端与计算机相连,用于向计算机输出采集所得高光谱图像;所述石英卤素钨灯的电源端与电源相连,并通过光纤连接至透射光源架构,形成面光源;
所述面光源照射在待测对象上,通过光谱仪与CCD数字照相机,采集待测对象的高光谱透射图像。
进一步地,所述透射光源架构包括强化玻璃、扩散片、3〞线性光源与电动平台,所述强化玻璃固定在电动平台上,并位于CCD控制器、CCD数字照相机、光谱仪与聚焦透镜的下方;
所述3〞线性光源通过光纤汇聚石英卤素钨灯发出的光线,并通过扩散片在采光室内形成的面光源;所述面光源照射在用于加载待测对象的强化玻璃上,通过光谱仪与CCD数字照相机,采集待测对象的高光谱透射图像。
进一步地,步骤a中高光谱透射图像采集系统采集相应豆荚样本的高光谱图像的步骤,具体包括:
s1、将CCD数字照相机、光谱仪及透射光源架构,放置在采光室内;
s2、在采光室内盖上光谱仪前端的聚焦透镜镜头盖,采集第k个波段下全黑标定图像及图像光强值Dk,k=1,2,…,M;
s4、将相应豆荚样本放置在强化玻璃上,且位于CCD数字照相机、光谱仪及聚焦透镜的下方;
相应豆荚样本在第k个波段下连续采集25-35mm宽的样本图像、以及样本图像光强值Ik,k=1,2,…,M;
s7、将像素矩阵(k=1,2,…,M)转化为灰度图像并进行量化,选取灰度级为32,并从的0°方向、45°方向、90°方向和135°方向四个方向生成灰度共生矩阵,然后利用每个方向上的灰度共生矩阵提取对比度、相关性、能量以及同质性4个纹理参数,M个波段下在四个方向上共提取16M个特征参数;
s8、当采集的相应豆荚样本中豆荚的个数大于t时,在采光室内重新采集强化玻璃的高光谱透射图像,对高光谱图像采集系统进行光源波动校正,执行步骤s3。
进一步地,所述CCD数字照相机和光谱仪覆盖的波长为400~1000nm。面光源的范围取决于扩散片的尺寸,通常情况下,强化玻璃取正方形,强化玻璃的长度要大于罩在3″线光源上的扩散片的长度。在上述实施例中,扩散片的尺寸可以为90mm×20mm,那么强化玻璃的长度可以为90-110mm;优选地,强化玻璃的长度可以为100mm。
同时,本发明采用的另一技术方案是:一种高光谱透射图像采集系统,包括电源、石英卤素钨灯、光纤、采光室、CCD控制器、CCD数字照相机、光谱仪、聚焦透镜与透射光源架构,其中:
所述CCD控制器、CCD数字照相机、光谱仪、聚焦透镜与透射光源架构,均设置在采光室内部;所述CCD控制器、CCD数字照相机、光谱仪与聚焦透镜依次配合连接,且位于透射光源架构的上方;
所述聚焦透镜设置在光谱仪的前端,光谱仪设置在CCD照相机上,CCD数字照相机的输出端与CCD控制器相连,CCD控制器的输出端与计算机相连,用于向计算机输出采集所得高光谱图像;所述石英卤素钨灯的电源端与电源相连,并通过光纤连接至透射光源架构,形成面光源;
所述面光源照射在待测对象上,通过光谱仪与CCD数字照相机,采集待测对象的高光谱透射图像。
进一步地,所述透射光源架构包括强化玻璃、扩散片、3〞线性光源与电动平台,所述强化玻璃固定在电动平台上,并位于CCD控制器、CCD数字照相机、光谱仪与聚焦透镜的下方;
所述3〞线性光源通过光纤汇聚石英卤素钨灯发出的光线,并通过扩散片在采光室内形成的面光源;所述面光源照射在用于加载待测对象的强化玻璃上,通过光谱仪与CCD数字照相机,采集待测对象的高光谱透射图像。
本发明各实施例的基于高光谱透射图像采集系统的豆荚无损检测方法,由于该方法包括:将菜用大豆豆荚样本,放置在高光谱透射图像采集系统中,采集并获取相应豆荚样本在M个波段下的M个高光谱透射图像;在所得M个高光谱透射图像中,提取感兴趣的区域作为相应高光谱透射图像的子图像;在每个波段下,利用灰度共生矩阵,提取所得相应子图像在四个方向上的对比度、相关性、能量与同质性共16个纹理参数;将所得M个波段下共16M个纹理参数,输入预先建立的检测模型进行检测处理,获取相应豆荚样本是否含有豆荚螟的检测结果Z;可以在多数豆荚无损的情况下,通过交叉验证的网格搜索法得到支持向量数据描述的检测模型,得到豆荚是否含有豆荚螟的检测结果;从而可以克服现有技术中操作复杂、不能实现无损检测、准确性差与可靠性低的缺陷,以实现操作简单、可实现无损检测、准确性好、可靠性高与实时性好的优点。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为根据本发明高光谱透射图像采集系统的工作原理示意图;
图2为传统机器视觉的菜用豆荚螟豆荚的外部和内部图像;
图3为根据本发明基于高光谱透射图像采集系统的豆荚无损检测方法中菜用豆荚螟豆荚在750nm波段下的高光谱图像;
图4为根据本发明基于高光谱透射图像采集系统的豆荚无损检测方法的流程示意图。
结合附图,本发明实施例中附图标记如下:
1-光纤;2-石英卤素钨灯;3-电源;4-采光室;5-CCD控制器;6-CCD数字照相机;7-光谱仪;8-聚焦透镜;9-强化玻璃;10-豆荚样本;11-扩散片;12-3〞线性光源;13-电动平台;14-计算机;15-含虫部位。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
系统实施例
根据本发明实施例,提供了一种高光谱透射图像采集系统。如图1所示,本实施例包括电源3、石英卤素钨灯2、光纤1、采光室4、CCD控制器5、CCD数字照相机6、光谱仪7、聚焦透镜8与透射光源架构,CCD数字照相机6和光谱仪7覆盖的波长为400~1000nm,光谱仪7的光谱分辨率为1.29nm,石英卤素钨灯2的输出功率为150W,采光室4为光学屏蔽装置。
在图1中,CCD控制器5、CCD数字照相机6、光谱仪7、聚焦透镜8与透射光源架构,均设置在采光室4内部;CCD控制器5、CCD数字照相机6、光谱仪7与聚焦透镜8依次配合连接,且位于透射光源架构的上方;聚焦透镜8设置在光谱仪7的前端,光谱仪7设置在CCD照相机上,CCD数字照相机6的输出端与CCD控制器5相连,CCD控制器5的输出端与计算机14相连,用于向计算机14输出采集所得高光谱图像;石英卤素钨灯2的电源3端与电源3相连,并通过光纤1连接至透射光源架构,形成面光源;面光源照射在待测对象上,通过光谱仪7与CCD数字照相机6,采集待测对象的高光谱透射图像。
这里,透射光源架构通过光纤1汇聚石英卤素钨灯2发出的光线,并通过扩散片11将3″线光源在采光室4内形成优选为100mm×100mm的面光源;面光源上方的强化玻璃9,作为待测对象(如菜用大豆)的载物台。
具体地,上述透射光源架构包括强化玻璃9、扩散片11、3〞线性光源12与电动平台13,强化玻璃9固定在电动平台13上,并位于CCD控制器5、CCD数字照相机6、光谱仪7与聚焦透镜8的下方,电动平台13运动时,带动强化玻璃9运动,连续采集待测对象25-35mm(优选为30mm)宽的图像;3〞线性光源12通过光纤1汇聚石英卤素钨灯2发出的光线,并通过扩散片11在采光室4内形成100mm×100mm的面光源;面光源照射在用于加载待测对象的强化玻璃9上,通过光谱仪7与CCD数字照相机6,采集待测对象的高光谱透射图像。
工作时,CCD数字照相机6通过光谱仪7、聚焦透镜8采集待测对象的高光谱透射图像;CCD数字照相机6经过CCD控制器5将采集所得待测对象的高光谱透射图像,传送到计算机14内,由计算机14对该高光谱透射图像进行相应的处理。
方法实施例
根据本发明实施例,如图3和图4所示,提供了一种基于高光谱透射图像采集系统的豆荚无损检测方法。
图3显示了利用高光谱图像采集系统获取的对应图2的含虫豆荚在750nm波段下的高光谱图像,所对应含豆荚螟的部位特征明显区别于其它豆荚部位,含虫部位标记为15。
图4显示了检测菜用大豆豆荚是否含有豆荚螟的方法重要的步骤为构建豆荚螟检测模型及对豆荚高光谱透射图像的纹理特征的提取。
如图4所示,基于高光谱透射图像采集系统的豆荚无损检测方法,包括:
a、将菜用大豆豆荚样本10,放置在高光谱透射图像采集系统中,采集并获取相应豆荚样本10在M个波段下的M个高光谱透射图像;在所得M个高光谱透射图像中,提取感兴趣的区域作为相应高光谱透射图像的子图像;
b、在每个波段下,利用灰度共生矩阵,提取步骤a所得相应子图像在四个方向上的对比度、相关性、能量与同质性共16个纹理参数;将所得M个波段下共16M个纹理参数,作为判断相应豆荚样本10是否含有豆荚螟的特征参数;
c、将步骤b所得16M个纹理参数,输入预先建立的检测模型进行检测处理,获取相应豆荚样本10是否含有豆荚螟的检测结果z。
在步骤c中,预先建立检测模型的操作包括:利用支持向量数据描述法作为构建检测模型的工具,构建不含豆荚螟的豆荚样本10和含豆荚螟的豆荚样本10的检测模型,该检测模型的形式为:
其中,z表示菜用大豆是否含有豆荚螟的检测结果,sgn(·)为符号函数,y为相应豆荚样本10的特征参数,xi为已知的不含豆荚螟豆荚的特征参数,n为已知的不含豆荚螟豆荚的数量,k(y,xi)为支持向量数据描述的核函数,和t*均为待定系数;
在步骤a中,采集并获取相应豆荚样本10在M个波段下的M个高光谱透射图像之后,还包括:
将豆荚样本10分为训练集和测试集,其中训练集由正常豆荚(不含豆荚螟)样本构成,测试集由正常豆荚(不含豆荚螟)样本和含豆荚螟样本构成;对豆荚样本10的高光谱透射图像采集完后,利用破坏性法,对选取的豆荚样本10进行破坏性处理,获取相应豆荚样本10是否包含豆荚螟的准确结果,以与步骤c获得的检测结果Z进行对比,并为后续优化检测模型提供依据。
这里,为了构建菜用大豆豆荚是否含有豆荚螟虫的检测模型,需要选取少量的豆荚样本10。选取的豆荚样本10,为了对检测模型进行优化,豆荚样本10可以分为训练集和测试集。其中训练集由正常豆荚(不含豆荚螟)样本构成,测试集由正常豆荚(不含豆荚螟)样本和含豆荚螟样本构成。对豆荚样本10的高光谱透射图像采集完后,需要采用破坏性方法检测样本是否含有豆荚螟,为后续构建检测模型提供依据。
其中,C为惩罚系数;r为超球面半径。
得到正常豆荚(不含豆荚螟)样本的检测模型后,利用高光谱图像采集系统采集豆荚样本10(即待检测豆荚)的高光谱透射图像,将高光谱透射图像进行处理提取特征参数,输入到公式(2)的检测模型中,即可得到待测豆荚10的是否含豆荚螟的检测结果。
在步骤c中,支持向量数据描述的核函数k(y,xi)选取:
其中,σ2为高斯核宽度;y为测试集豆荚样本10高光谱透射图像的特征参数,xi为训练集豆荚样本10高光谱透射图像的特征参数;σ2与惩罚系数C由交叉验证的网格搜索法确定。
步骤a中的高光谱透射图像采集系统,可参见上述系统实施例的相关说明,在此不再赘述;步骤a中高光谱透射图像采集系统采集相应豆荚样本10的高光谱图像的步骤,具体包括:
s1、将CCD数字照相机6、光谱仪7及透射光源架构,放置在采光室4内;
s2、在采光室4内盖上光谱仪7前端的聚焦透镜8镜头盖,采集第k个波段下全黑标定图像及图像光强值Dk,k=1,2,…,M;
s4、将相应豆荚样本10放置在强化玻璃9上,且位于CCD数字照相机6、光谱仪7及聚焦透镜8的下方;
相应豆荚样本10在第k个波段下连续采集25-35mm宽的样本图像、以及样本图像光强值Ik,k=1,2,…,M;
s5、利用强化玻璃9定标图像光强值,计算每个菜用大豆豆荚的在第k个波段下高光谱透射图像的相对光强值:
s6、利用中值滤波函数对标定后的豆荚图像进行滤波,去除高光谱透射图像中的噪声,并对去除噪声的图像提取感兴趣区域,即每个豆粒所在位置选取一块长方形区域(子图像),构成像素矩阵,k=1,2,…,M;
s7、将像素矩阵(k=1,2,…,M)转化为灰度图像并进行量化,选取灰度级为32,并从的0°方向、45°方向、90°方向和135°方向四个方向生成灰度共生矩阵,然后利用每个方向上的灰度共生矩阵提取对比度、相关性、能量以及同质性4个纹理参数,M个波段下在四个方向上共提取16M个特征参数;
s8、当采集的相应豆荚样本10中豆荚的个数大于t时,在采光室4内重新采集强化玻璃9的高光谱透射图像,对高光谱图像采集系统进行光源波动校正,执行步骤s3。
进一步地,CCD数字照相机6和光谱仪7覆盖的波长为400~1000nm,扩散片11的尺寸可以为90mm×20mm;强化玻璃9的规格,优选为100mm×100mm。
上述实施例的基于高光谱透射图像采集系统的豆荚无损检测方法,涉及菜用大豆含虫(豆荚螟)豆荚无损检测方法,尤其涉及利用高光谱透射图像技术进行豆荚螟虫无损检测方法,利用破坏性检测和高光谱透射图像采集系统,首先获得待检测菜用大豆豆荚是否还有豆荚螟的检测模型,通过检测模型及高光谱图像采集系统获得豆荚是否含有豆荚螟的检测结果,能够在多数豆荚无损的情况下,得到豆荚是否含有豆荚螟的检测结果;通过交叉验证的网格搜索法得到支持向量数据描述的检测模型,操作简单,实时性好,可靠性高,方便便捷。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于高光谱透射图像采集系统的豆荚无损检测方法,其特征在于,包括:
b、在每个波段下,利用灰度共生矩阵,提取步骤a所得相应子图像在四个方向上的对比度、相关性、能量与同质性共16个纹理参数;将所得M个波段下共16M个纹理参数,作为判断相应豆荚样本是否含有豆荚螟的特征参数;
c、将步骤b所得16M个纹理参数,输入预先建立的检测模型进行检测处理,获取相应豆荚样本是否含有豆荚螟的检测结果;
在步骤c中,预先建立检测模型的操作包括:
利用支持向量数据描述法,构建不含豆荚螟的豆荚样本和含豆荚螟的豆荚样本的检测模型,该检测模型的形式为:
在步骤a中,采集并获取相应豆荚样本在个波段下的M个高光谱透射图像之后,还包括:
将豆荚样本分为训练集和测试集,其中训练集由正常豆荚即不含豆荚螟样本构成,测试集由正常豆荚即不含豆荚螟样本和含豆荚螟样本构成;
其中,C为惩罚系数;r为超球面半径;
公式(2)和公式(3)中核函数选取:
,
2.根据权利要求1所述的基于高光谱透射图像采集系统的豆荚无损检测方法,其特征在于,步骤a中的高光谱透射图像采集系统,包括电源、石英卤素钨灯、光纤、采光室、CCD控制器、CCD数字照相机、光谱仪、聚焦透镜与透射光源架构,其中:
所述CCD控制器、CCD数字照相机、光谱仪、聚焦透镜与透射光源架构,均设置在采光室内部;所述CCD控制器、CCD数字照相机、光谱仪与聚焦透镜依次配合连接,且位于透射光源架构的上方;
所述聚焦透镜设置在光谱仪的前端,光谱仪设置在CCD照相机上,CCD数字照相机的输出端与CCD控制器相连,CCD控制器的输出端与计算机相连,用于向计算机输出采集所得高光谱图像;所述石英卤素钨灯的电源端与电源相连,并通过光纤连接至透射光源架构,形成面光源;
所述面光源照射在待测对象上,通过光谱仪与CCD数字照相机,采集待测对象的高光谱透射图像。
3.根据权利要求2所述的基于高光谱透射图像采集系统的豆荚无损检测方法,其特征在于,所述透射光源架构包括强化玻璃、扩散片、3〞线性光源与电动平台,所述强化玻璃固定在电动平台上,并位于CCD控制器、CCD数字照相机、光谱仪与聚焦透镜的下方;
所述3〞线性光源通过光纤汇聚石英卤素钨灯发出的光线,并通过扩散片在采光室内形成的面光源;所述面光源照射在用于加载待测对象的强化玻璃上,通过光谱仪与CCD数字照相机,采集待测对象的高光谱透射图像。
4.根据权利要求3所述的基于高光谱透射图像采集系统的豆荚无损检测方法,其特征在于,步骤a中高光谱透射图像采集系统采集相应豆荚样本的高光谱图像的步骤,具体包括:
s1、将CCD数字照相机、光谱仪及透射光源架构,放置在采光室内;
s4、将相应豆荚样本放置在强化玻璃上,且位于CCD数字照相机、光谱仪及聚焦透镜的下方;
s7、将像素矩阵()转化为灰度图像并进行量化,选取灰度级为32,并从的0°方向、45°方向、90°方向和135°方向四个方向生成灰度共生矩阵,然后利用每个方向上的灰度共生矩阵提取对比度、相关性、能量以及同质性4个纹理参数,个波段下在四个方向上共提取个特征参数;
5.根据权利要求4所述的基于高光谱透射图像采集系统的豆荚无损检测方法,其特征在于,所述CCD数字照相机和光谱仪覆盖的波长为400~1000nm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110398564.1A CN102495066B (zh) | 2011-12-05 | 2011-12-05 | 基于高光谱透射图像采集系统的豆荚无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110398564.1A CN102495066B (zh) | 2011-12-05 | 2011-12-05 | 基于高光谱透射图像采集系统的豆荚无损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102495066A CN102495066A (zh) | 2012-06-13 |
CN102495066B true CN102495066B (zh) | 2014-01-01 |
Family
ID=46186907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110398564.1A Active CN102495066B (zh) | 2011-12-05 | 2011-12-05 | 基于高光谱透射图像采集系统的豆荚无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102495066B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033512B (zh) * | 2012-07-24 | 2015-06-03 | 南京农业大学 | 一种基于高光谱识别种蛋孵化的方法 |
CN103900965B (zh) * | 2012-12-25 | 2016-08-31 | 核工业北京地质研究院 | 一种用于方解石信息提取的高光谱影像处理方法 |
CN103487463B (zh) * | 2013-07-30 | 2015-12-23 | 中国标准化研究院 | 一种基于网格优化的支持向量机分类器参数选择的蜂蜜检测方法 |
CN103808669B (zh) * | 2014-01-26 | 2016-03-23 | 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 |
CN104406917B (zh) * | 2014-11-26 | 2016-08-31 | 浙江大学 | 用于多个不同藻液检测的透射高光谱图像采集装置 |
CN105403520A (zh) * | 2016-02-04 | 2016-03-16 | 广东医学院 | 多类型高光谱成像集成装置及系统 |
CN107436285A (zh) * | 2017-06-20 | 2017-12-05 | 苏州优函信息科技有限公司 | 基于线光源激发的快速高通量高光谱检测装置及检测方法 |
CN108645814B (zh) * | 2018-06-28 | 2020-12-15 | 浙江理工大学 | 一种用于识别多色织物润湿区域的高光谱图像采集方法 |
CN111356914B (zh) * | 2018-10-27 | 2023-05-05 | 合刃科技(深圳)有限公司 | 一种检测方法和检测装置 |
CN110231341B (zh) * | 2019-04-29 | 2022-03-11 | 中国科学院合肥物质科学研究院 | 一种水稻种子内部裂纹在线检测装置及其检测方法 |
JP7424607B2 (ja) | 2019-09-30 | 2024-01-30 | 国立大学法人 奈良先端科学技術大学院大学 | 植物センシングデバイスおよびリアルタイム植物モニタリングシステム |
JP7354869B2 (ja) | 2020-02-17 | 2023-10-03 | 東芝ライテック株式会社 | 莢果の検査装置、および莢果の検査方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2874482Y (zh) * | 2005-12-09 | 2007-02-28 | 江西农业大学 | 水果高光谱图像采集装置 |
CN101059425A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置 |
CN1995987B (zh) * | 2007-02-08 | 2010-05-12 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法 |
CN101832926A (zh) * | 2010-03-19 | 2010-09-15 | 江南大学 | 一种利用高光谱图像技术进行苹果粉质化无损检测方法 |
CN101013091B (zh) * | 2007-01-25 | 2011-06-01 | 江西农业大学 | 一种无损检测水果表面的粪便和农药污染物的方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002098636A (ja) * | 2000-09-27 | 2002-04-05 | Kubota Corp | 分光分析装置 |
US7233392B2 (en) * | 2004-03-25 | 2007-06-19 | Opotek, Inc. | Spectral imaging device with tunable light source |
-
2011
- 2011-12-05 CN CN201110398564.1A patent/CN102495066B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2874482Y (zh) * | 2005-12-09 | 2007-02-28 | 江西农业大学 | 水果高光谱图像采集装置 |
CN101013091B (zh) * | 2007-01-25 | 2011-06-01 | 江西农业大学 | 一种无损检测水果表面的粪便和农药污染物的方法和装置 |
CN1995987B (zh) * | 2007-02-08 | 2010-05-12 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法 |
CN101059425A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置 |
CN101832926A (zh) * | 2010-03-19 | 2010-09-15 | 江南大学 | 一种利用高光谱图像技术进行苹果粉质化无损检测方法 |
Non-Patent Citations (1)
Title |
---|
JP特开2002-98636A 2002.04.05 |
Also Published As
Publication number | Publication date |
---|---|
CN102495066A (zh) | 2012-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102495066B (zh) | 基于高光谱透射图像采集系统的豆荚无损检测方法 | |
Chen et al. | Predicting the anthocyanin content of wine grapes by NIR hyperspectral imaging | |
CN102072885B (zh) | 一种基于机器视觉的水稻穗颈瘟染病程度分级方法 | |
CN106525732B (zh) | 基于高光谱成像技术的苹果内外品质快速无损检测方法 | |
CN101832926B (zh) | 一种利用高光谱图像技术进行苹果粉质化无损检测方法 | |
CN104297165A (zh) | 一种基于高光谱图像对腐败真菌生长预测的方法 | |
CN105372203A (zh) | 基于多传感器融合的新鲜苹果损伤敏感度无损检测方法 | |
CN105021617A (zh) | 基于高光谱成像的整株水稻叶绿素含量测量装置及方法 | |
CN103344575A (zh) | 基于高光谱图像技术的干燥毛豆多品质无损检测方法 | |
CN114419311B (zh) | 一种基于多源信息的百香果成熟度无损检测方法及装置 | |
CN103868857A (zh) | 一种农药残留的检测方法、装置及系统 | |
Zhihui et al. | Nondestructive detection of infertile hatching eggs based on spectral and imaging information | |
CN104677920B (zh) | 一种基于果面局部灰度突变的水果表面虫眼检测标记方法 | |
CN113033066A (zh) | 一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法 | |
CN113920376A (zh) | 一种基于轻量型卷积神经网络的小麦种子品种鉴别的方法 | |
CN104297136B (zh) | 一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法 | |
CN107807126A (zh) | 一种基于pcnn的面粉麸星检测方法 | |
CN105426585B (zh) | 一种基于正弦函数拟合法的马铃薯发芽预警方法 | |
CN105300895A (zh) | 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法 | |
CN107064089A (zh) | 一种基于物联网的辣椒苗疫病早期监测装置和方法 | |
CN114199880A (zh) | 一种基于边缘计算的柑橘病虫害实时检测方法 | |
Teet et al. | Recent advances of application of optical imaging techniques for disease detection in fruits and vegetables: A review | |
CN105203467A (zh) | 一种通用无损的真菌的生长拟合方法 | |
CN112098415B (zh) | 一种杨梅品质无损检测方法 | |
Senthilkumar et al. | Detection of fungal infection in canola using near-infrared hyperspectral imaging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |