CN103278514B - 一种水果内部品质的检测模型的建模方法 - Google Patents
一种水果内部品质的检测模型的建模方法 Download PDFInfo
- Publication number
- CN103278514B CN103278514B CN201310162386.1A CN201310162386A CN103278514B CN 103278514 B CN103278514 B CN 103278514B CN 201310162386 A CN201310162386 A CN 201310162386A CN 103278514 B CN103278514 B CN 103278514B
- Authority
- CN
- China
- Prior art keywords
- fruit
- image
- fourier transform
- measured
- difference
- 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.)
- Expired - Fee Related
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 238000002591 computed tomography Methods 0.000 claims abstract description 13
- 241000220225 Malus Species 0.000 claims description 20
- 235000011430 Malus pumila Nutrition 0.000 claims description 19
- 235000015103 Malus silvestris Nutrition 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 16
- 239000007787 solid Substances 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 3
- 231100000241 scar Toxicity 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 241000238631 Hexapoda Species 0.000 claims description 2
- 235000006040 Prunus persica var persica Nutrition 0.000 claims description 2
- 241000220324 Pyrus Species 0.000 claims description 2
- 241000607479 Yersinia pestis Species 0.000 claims description 2
- 235000021017 pears Nutrition 0.000 claims description 2
- 240000006413 Prunus persica var. persica Species 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000000491 multivariate analysis Methods 0.000 abstract 1
- 230000035945 sensitivity Effects 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 6
- 238000009659 non-destructive testing Methods 0.000 description 5
- 238000010238 partial least squares regression Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012628 principal component regression Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 244000144730 Amygdalus persica Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 206010061245 Internal injury Diseases 0.000 description 1
- 235000010724 Wisteria floribunda Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于图像傅里叶变换和计算机断层扫描(CT)技术的水果内部品质无损检测的方法。本发明通过对水果的CT扫描图片进行傅里叶变换,并提取反应图片信息的若干参数,并通过多元统计分析方法建立预测模型来预测水果内部品质参数。本发明通过整合频域图像中的信息测定贮藏期中水果的内部品质,检测快速准确,灵敏度高,重复性好。
Description
技术领域
本发明涉及一种水果内部品质无损检测模型的建模方法,特别涉及一种基于图像变换和计算机断层扫描技术快速检测水果内部品质的模型的建模方法,属于农产品无损检测技术领域。
背景技术
我国是水果的生产大国,却不是水果的出口强国,从表面上看有政策上的因素,也有我国产品自身的原因,比如苹果的种植品种不合理、种植方式较为粗放、农药残留较高等,但是更深层次的原因是各个环节的技术有待提高。比如在我国水果采后,对于果品的品质检测及分离等相关的技术和配套设施就比较落后,以至于我国的优质果品无法按照其应当的价格出售,无法带来可观的经济效益。
果品的品质检测及分级技术的发展和进步,对于提高我国水果质量,跨越国外技术壁垒的限制,改变我国水果在国际高端市场的不利局面,提高相关行业的市场竞争力,有重大而深远的意义。
近年来,农产品的无损检测技术发展迅速,尽管该类方法发展时间短,也没有严格的行业标准,但是它无损,快速,自动化程度高等众多特点使其在农产品品质检测领域发挥着不可替代的作用。
在众多的农产品无损检测方法中,X-ray CT技术是一类非常典型的代表,X射线无损检测技术利用X射线的良好穿透能力,通过对穿透量的分析,进而对果品的内部品质进行判断。根据水果的特性,检测时所需X射线强度很弱,通常称为软X射线。近年来软X射线已被成功地运用于水果内外品质的自动化无损检测分级中。
目前,在众多利用x射线技术进行农产品无损检测的研究中,主要是通过对CT图像的分析,对被检测物体内部损伤和区域划分的检测;或者直接提取CT图像中的CT值,通过统计分析,来对被检测物体的品质进行预测,并且所得结论多为线性的相关关系。然而,对于一张CT扫描图像,其必然包括很多信息,仅仅对图像空间形态加以变换是远远不够的。在图像处理过程中,为了改变图像的某些性质或者获取图像的某些信息,使其达到预想的目的,这就促使人们去研究采用适当的处理手段,使图像转变形式,之后再采用合理的方法达到预期的目的。在众多的变换方法中之中,傅里叶变换仍然是应用最广泛和最重要的变换方法之一,它可以将空间域图像转变成为频域图像,得到图像的频率信息,通过提取其频域中的有效特征来满足检测的需要。
发明内容
本发明的目的在于提供一种基于图像傅里叶变换和计算机断层扫描技术的水果内部品质的检测模型的建模方法。该方法可以根据水果CT扫描图像经过傅里叶变换后的频域图像中特征参数的值,准确预测出水果的内部主要成分的含量,以实现水果无损检测。
本发明的水果内部品质无损检测模型的建模方法,其步骤如下:
1) 试验样品的准备:挑选大小均匀,无伤疤,无虫蛀的水果作为待测水果,试验期间将待测水果贮藏于不见光透气的纸箱中,保持室温,空气湿度在60%~70%之间;
2) CT扫描及数据来源的确定:将待测水果放入CT机进行纵向扫描,扫描结束后,选取水果最大剖面的CT图像,作为进行傅里叶变换的原始图片。
3) 水果内部品质参数的测量:在待测水果最大剖面处为中心,切下其一定厚度的果饼,按相应国家标准分别检测其可溶性固形物含量、可滴定酸度、pH以及含水率;
4)周期试验:按5~7天为一个周期,共测试6~8个周期,每个周期重复上述步骤1)~3);
5)CT图像的傅里叶变换:由于CT扫描有很高的分辨率,密度相差很近的组分也能被清晰的区分出来,并且CT图像清晰,不存在多种颜色的辨别,故可以直接采用图像处理软件对CT图像进行傅里叶变换。
6)特征参数的选取:在步骤5)之后,得到经傅里叶变换后的图像,根据图像的特点,选择可以表达图像特征的若干个参数,并进行模型的建立。
7)预测模型的建立:将步骤3)中得到的水果可溶性固形物含量、可滴定酸度、pH以及含水率品质参数,步骤6)中得到的各傅里叶变换后图像的若干个参数,利用统计学中的多元非线性统计分析方法等建模方法,建立水果可溶性固形物含量、可滴定酸度、pH以及含水率的预测模型。
本发明中,所说的待测水果为苹果、梨或桃。
本发明方法有如下优点,1)操作简便,耗时短,只需将水果计算机断层扫描的CT图像经过傅里叶变换,就可以预测水果内部品质参数;2)采用多元的非线性统计分析方法,提高预测模型的适应性和预测精度;3) 灵敏度高,重复性好,可以实现水果无损检测。
附图说明
图1是苹果中心剖面CT图像;
图2是苹果中心剖面CT图像经快速傅里叶变换后的图像;
图3是苹果中心剖面CT图像快速傅里叶变换的mesh曲线图;
图4是反映图像各种峰值变化的参数选取方法;
图5是反映图像环状峰值的参数选取方法;
图6是反映图像相位信息的参数;
图7主成分特征值;
图8模型潜变量与误差平方和关系图。
具体实施方式
以下结合附图对本发明作进一步说明。
1) 试验样品的准备:本试验中选取的苹果为山东红富士苹果,挑选大小均匀,无伤疤,虫蛀的苹果作为待测苹果,试验期间将待测苹果贮藏于不见光透气的纸箱中,保持室温,空气湿度在60%~70%之间;
2) CT扫描及数据来源的确定:将待测苹果放入CT机进行纵向扫描,扫描结束后,选取苹果最大剖面的CT图像,作为进行傅里叶变换的原始图片,如图1所示,苹果中心剖面CT图像是一个0-255的二维灰度图像,背景区域是全黑背景,苹果果肉区域由于其成分以及组织结构的不同显示出灰度的不同,苹果中心果核区域为空气腔室,显示为一定程度的黑色区域。
3) 苹果内部品质参数的测量:在待测苹果最大剖面作为试验的中心区域,切取厚度0.5cm的苹果果饼,按相应国家标准分别检测可溶性固形物、可滴定酸度、pH及含水率;
4)周期试验:按7天为一个周期,共测试8个周期,每个周期重复上述步骤1)~3);
5)CT图像的傅里叶变换:试验中采用Matlab R2009b软件中快速傅里叶变换组件,将通过CT扫描得到的苹果CT图像进行二维快速傅里叶变换,得到其变换图像,
如图2所示,图像中心有一处最大值,并有关于此最大值中心对称的性质;
如图3所示,为苹果中心剖面CT图像快速傅里叶变换的mesh曲线图,可以从整体上看到变换后的中心最大区域以及图形变化趋势。
6)特征参数的选取:在步骤5)之后,为更好的表达图像中的有效信息,选择图像中16个位置的参数作为特征值。选取方法如图4~图6所示,选取傅里叶变换后的最大值、第二大值、第大三值、第四大值、最小值、中心位置左2值和中心位置上2值作为反映图像各种峰值变化的参数,选取4格平均值、8格平均值和24格平均值作为反映图像环状峰值的参数,选取横向第一差值、横向第二差值、横向第三差值、纵向第一差值、纵向第二差值和纵向第三差值作为反映图像相位信息的参数。将以上16个变量分别编号为a1~a16。
7)预测模型的建立:将步骤3)中得到的水果可溶性固形物含量、可滴定酸度、pH以及含水率品质参数,步骤6)中得到的傅里叶变换后图像的16个参数,利用统计学中的主成分回归分析和偏最小二乘回归分析这两种多元非线性统计分析方法,建立水果可溶性固形物含量、酸度、pH值以及含水率的预测模型。
采用主成分回归的方法,试验中选择的16个参数作为自变量矩阵,因其各个特征值之间有较高的相关关系以及隐藏的噪声,会使建模的速度以及精度受到严重的影响。故通过主成分分析,对自变量矩阵进行降维,再结合品质参数组成的因变量矩阵进行回归分析,得到相应的预测模型。
考虑到自变量的个数比较多,为了使得在有限的主成分下提高回归的拟合精度,累积百分率要求达到99%,此时选取10个主成分,如图7和表1所示。
表1 前10个主成分的累积贡献率
主成分个数 | 特征值 | 百分率% | 累计百分率% |
1 | 6.8714 | 42.9462 | 42.9462 |
2 | 4.7179 | 29.4869 | 72.4331 |
3 | 1.4968 | 9.3549 | 81.7880 |
4 | 0.8739 | 5.4618 | 87.2499 |
5 | 0.6429 | 4.0179 | 91.2677 |
6 | 0.4689 | 2.9304 | 94.1981 |
7 | 0.3646 | 2.2785 | 96.4766 |
8 | 0.2585 | 1.6154 | 98.0920 |
9 | 0.1190 | 0.7440 | 98.8360 |
10 | 0.0963 | 0.6016 | 99.4376 |
通过主成分回归的分析方法所建立的预测模型如表2所示,
表2 主成分回归结果
(方程中x1~x16分别为步骤6中变量)
主成分回归模型误差率结果如表3所示,
表3 主成分回归模型误差验证分析
注:误差率是实测值与模型预测值之差再与实测值的比值。
采用偏最小二乘方法建立模型时,自变量矩阵是从傅里叶变换后提取出的16个特征参数矩阵,因变量矩阵是与其对应的可溶性固形物、pH、含水率和可滴定酸度组成的成分矩阵。
如图8所示,4个成分因变量的误差平方和都随着潜变量的增大呈现出先降低后升高的趋势,在潜变量为12时,4个成分因变量的误差平方和都处在最低的位置,所以选取潜变量个数为12,进行偏最小二乘回归。此时各组分的误差平方和分别是:可溶性固形物为14.93,pH为10.017,含水率为16.9126,酸度为9.9252。
偏最小二乘回归结果如表4所示,
表4 偏最小二乘回归结果
(方程中x1~x16分别为步骤3中变量)
偏最小二乘回归模型误差率结果如表5所示,
表5 偏最小二乘回归模型误差验证分析
注:误差率是实测值与模型预测值之差再与实测值的比值。
Claims (2)
1.一种水果内部品质的检测模型的建模方法,其特征在于该方法包括以下步骤:
1)试验样品的准备:挑选大小均匀,无伤疤,无虫蛀的水果作为待测水果,试验期间将待测水果贮藏于不见光透气的纸箱中,保持室温,空气湿度在60%~70%之间;
2)CT扫描及数据来源的确定:将待测水果放入CT机进行纵向扫描,扫描结束后,选取待测水果最大剖面的CT图像,作为进行傅里叶变换的原始图片;
3)水果内部品质参数的测量:以待测水果最大剖面处为中心,切下其一定厚度的待测水果,按相应国家标准分别检测其可溶性固形物含量、可滴定酸度、pH以及含水率;
4)周期试验:按5~7天为一个周期,共测试6~8个周期,每个周期重复上述步骤1)~3);
5)CT图像的傅里叶变换:直接采用图像处理软件对CT图像进行傅里叶变换;
6)特征参数的选取:在步骤5)之后,得到经傅里叶变换后的图像,根据图像的特点,选择可以表达图像特征的若干个参数,具体是:
选取傅里叶变换后的最大值、第二大值、第大三值、第四大值、最小值、中心位置左2值和中心位置上2值作为反映图像各种峰值变化的参数,选取4格平均值、8格平均值和24格平均值作为反映图像环状峰值的参数,选取横向第一差值、横向第二差值、横向第三差值、纵向第一差值、纵向第二差值和纵向第三差值作为反映图像相位信息的参数;
7)预测模型的建立:将步骤3)中得到的水果可溶性固形物含量、可滴定酸度、pH以及含水率品质参数,步骤6)中得到的各傅里叶变换后图像的若干个参数,利用统计学中的多元非线性统计分析方法,建立水果可溶性固形物含量、可滴定酸度、pH以及含水率的预测模型。
2.根据权利要求1所述的建模方法,其特征在于:所述的待测水果为苹果、梨或桃。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310162386.1A CN103278514B (zh) | 2013-05-02 | 2013-05-02 | 一种水果内部品质的检测模型的建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310162386.1A CN103278514B (zh) | 2013-05-02 | 2013-05-02 | 一种水果内部品质的检测模型的建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103278514A CN103278514A (zh) | 2013-09-04 |
CN103278514B true CN103278514B (zh) | 2015-05-20 |
Family
ID=49061095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310162386.1A Expired - Fee Related CN103278514B (zh) | 2013-05-02 | 2013-05-02 | 一种水果内部品质的检测模型的建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103278514B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX2019010766A (es) | 2017-03-10 | 2019-12-11 | Walmart Apollo Llc | Metodos y sistemas de determinacion de propiedad interna de producto alimenticio. |
CN109884092A (zh) * | 2019-03-12 | 2019-06-14 | 云南农业大学 | 利用螺旋ct无损伤检测蛀蛀果、蛀蛀块茎虫害的方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09297113A (ja) * | 1996-05-08 | 1997-11-18 | Japan Magnet Technol Kk | 果実の内部品質評価方法 |
JPH11142354A (ja) * | 1997-11-06 | 1999-05-28 | Kobe Steel Ltd | 果実の内部品質評価方法 |
US6148056A (en) * | 1999-02-22 | 2000-11-14 | General Electric Company | Efficient cone-beam reconstruction system using circle-and-line orbit data |
JP2002098654A (ja) * | 2000-09-22 | 2002-04-05 | Sumitomo Metal Mining Co Ltd | 青果物の内部品質判定方法およびそれに用いるx線光路長測定方法 |
JP2002139433A (ja) * | 2000-11-02 | 2002-05-17 | Kansai Tlo Kk | 青果物の内部品質の判別方法 |
JP4717511B2 (ja) * | 2005-05-20 | 2011-07-06 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | X線ct画像再構成方法およびx線ct装置 |
CN101308086B (zh) * | 2008-06-24 | 2010-09-15 | 江苏大学 | 基于近红外光谱技术的水果内部品质在线检测装置 |
CN102706908B (zh) * | 2012-05-30 | 2014-01-29 | 浙江大学 | 水果内部品质快速检测模型的建模方法 |
-
2013
- 2013-05-02 CN CN201310162386.1A patent/CN103278514B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN103278514A (zh) | 2013-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105929024B (zh) | 混凝土缺陷智能化检测与定量识别方法 | |
Zhang et al. | An effective method to inspect and classify the bruising degree of apples based on the optical properties | |
JP5441703B2 (ja) | 可視光線・近赤外線分光分析法及びブドウ醸造方法 | |
CN105181642B (zh) | 一种花生品质的近红外检测方法及应用 | |
Zhang et al. | Assessment of pomegranate postharvest quality using nuclear magnetic resonance | |
CN103837492B (zh) | 一种基于近红外光谱技术的猕猴桃膨大果无损检测方法 | |
CN106706553A (zh) | 一种快速无损测定玉米单籽粒直链淀粉含量的方法 | |
CN110779875B (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
CN103278473B (zh) | 白胡椒中胡椒碱及水分含量的测定和品质评价方法 | |
CN107543801A (zh) | 基于高光谱的芒果冲击损伤后硬度预测方法 | |
CN109669023A (zh) | 一种基于多传感器融合的土壤属性预测方法 | |
CN110596028B (zh) | 一种沉积型稀土La元素含量的高光谱反演方法 | |
CN105486655A (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
Xing et al. | Effects of bruise type on discrimination of bruised and non-bruised ‘Golden Delicious’ apples by VIS/NIR spectroscopy | |
CN107632010A (zh) | 一种结合激光诱导击穿光谱对钢铁样品的定量方法 | |
CN104965973A (zh) | 一种苹果霉心病多因子无损检测判别模型及其建立方法 | |
Hernández-Sánchez et al. | Assessment of internal and external quality of fruits and vegetables | |
Li et al. | Optical techniques in non-destructive detection of wheat quality: A review | |
CN103278514B (zh) | 一种水果内部品质的检测模型的建模方法 | |
CN104198998B (zh) | 非均匀背景下基于聚类处理的恒虚警检测方法 | |
CN104255118A (zh) | 基于近红外光谱技术的水稻种子发芽率快速无损测试方法 | |
CN110231302A (zh) | 一种快速测定奇亚籽粗脂肪含量的方法 | |
CN104316492A (zh) | 近红外光谱测定马铃薯块茎中蛋白质含量的方法 | |
CN106706554A (zh) | 一种快速无损测定玉米单穗籽粒直链淀粉含量的方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150520 Termination date: 20160502 |
|
CF01 | Termination of patent right due to non-payment of annual fee |