CN104297165B - 一种基于高光谱图像对腐败真菌生长预测的方法 - Google Patents
一种基于高光谱图像对腐败真菌生长预测的方法 Download PDFInfo
- Publication number
- CN104297165B CN104297165B CN201410603209.7A CN201410603209A CN104297165B CN 104297165 B CN104297165 B CN 104297165B CN 201410603209 A CN201410603209 A CN 201410603209A CN 104297165 B CN104297165 B CN 104297165B
- Authority
- CN
- China
- Prior art keywords
- growth
- image
- high spectrum
- model
- spectrum image
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
一种基于高光谱图像对腐败真菌生长预测的方法技术领域本发明是一种基于高光谱建立水果中腐败真菌生长曲线的方法,属于食品质量安全快速检测和监测的无损技术。通过高光谱成像仪,分别获取真菌不同生长阶段的高光谱图像,分析不同类型不同阶段真菌图像及光谱之间的差别,提取相应的图像和光谱特征参数,分别构建了三种真菌的生长模型,与传统的微生物生长检测手段得到的生真菌长情况相比较,相关系数在0.88‑0.96。本发明为微生物及在食品中的生长检测提供了新思路和新技术,能够更方便快捷的建立真菌生长曲线,并能用于水果腐败真菌病害的检测、监测和控制。
Description
技术领域
本发明是一种高光谱图像技术对水果中腐败真菌,如灰葡萄孢霉、匍枝根霉、炭疽菌的生长预测方法,属于食品质量安全快速检测和监测的无损技术。
背景技术
在水果的采后运输及储藏过程中由腐败真菌引起的腐烂会造成巨大的经济损失,并且会对消费者的健康造成危害。由真菌引起的采后病害主要有:灰霉病、根霉病、炭疽病等,它们的致病菌分别是:灰葡萄孢霉、匍枝根霉、炭疽菌。灰葡萄孢霉能损伤花和果实,在病害处长出一层灰色菌斑,在个别果实发病后,会导致周围完整果实发病。匍枝根霉能在空气、土壤和各种工具的表面存活,感染受损伤的水果。然后产生的子囊孢子和孢子感染周围的正常水果。炭疽菌会在病果表面形成棕色同心圆。为了减少经济损失,提高水果的质量和安全,水果中腐败真菌的生长检测尤为重要。
微生物生长预测是一项费时费力的工作,它通过数学、微生物学、化学等学科来建立一种数学模型,此数学模型描述了菌落数与时间的数学方程式。在一定的条件下,微生物的数学模型主要显示一些因素随时间推移发生的变化,如菌落总数、毒素、代谢物等。而这些因素的测定一般耗时耗力,而且会破坏样本,因此亟需开发一种快速无损的方法,为腐败真菌的监测和控制提供支持。高光谱图像是新一代光电检测技术,集成了光谱检测和图像检测的优点,具有超多波段、光谱高分辨率和图谱合一的特点,可以获得系列波长下的光谱和图像信息。光谱技术可以检测产品的物理结构和化学成分等指标,如蛋白质、脂肪、水分、糖酸度、内部缺陷等品质信息;图像技术能全面反映产品的外部品质信息如表面缺陷、几何形状、纹理,缺陷、损伤、外部污染等。二者结合能够全面获得待测物的综合品质信息。经检索,2013年申请的发明专利“畜肉细菌总数检测系统及方法(CN103257109A)”,公开了利用高光谱图像对生鲜畜肉细菌总数的自动检测装置系统和方法,但并不涉及对水果中腐败真菌的动态生长预测。因此,可以利用高光谱技术实现对水果中腐败真菌的无损快速的生长预测。
发明内容
技术问题
由于传统的微生物生长预测方法费时费力,本发明旨在利用高光谱检测技术开发一种快速无损的微生物生长预测方法,以满足食品质量与安全控制的迫切需求。通过利用高光谱成像技术,获取微生物生长过程中的高光谱图像信息,提取响应的特征参数,构建基于光谱图像信息的微生物生长预测模型。本发明的方法也可以用于其他类微生物的生长预测模型构建的应用中。
技术方案
1.一种基于高光谱图像对腐败真菌生长预测的方法,是通过高光谱成像仪,分别获取三种真菌不同生长阶段的高光谱图像,分析不同类型不同阶段真菌图像和光谱之间的差别,提取相应的图像和光谱特征参数,构建了真菌的生长模型,其特征在于系统构成为,
1)系统组成包括高光谱成像单元、移动平台、光源、计算机和图像采集软件组成,整个装置放置在密闭黑箱中。其中,高光谱成像单元由相机(Imperx,ICL-B1620,波段范围为400~1000nm,光谱分辨率为2.8nm)、光谱仪(Specim,ImSpector,V10E)和焦距可变镜头组成,光源为150W的卤素钨灯,由1个线性光纤导管完成传输,计算机型号为CPU E5800,3.2GHz,内存2G,显卡256M GeForce GT240;图像采集软件为自主开发的Spectral Image软件;
2)信号采集为反射模式,镜头离样本距离为30cm,光源离样本的距离为20.5cm,光源照射的强度为67.5W,照射角度为45°,采集曝光时间4ms,采集速度2.5mm/s,图像分辨率804×440像素;
2.基于高光谱图像对真菌生长预测的方法,其检测步骤在于,
1)对水果中常见的三种腐败真菌,分别为灰葡萄孢霉、匍枝根霉和炭疽菌,进行接种培养。
2)将处于温度为28℃、相对湿度为85%条件下培养一段时间的培养基平板取出,放置于如权利要求1所述的高光谱图像检测系统中,获取高光谱图像;
3)利用下述公式对获得的图像进行校正,获得校正后的高光谱图像:
其中,式(1)中,Rc为校正后的高光谱反射图像,R0为培养基平板的原始高光谱反射图像,W为将反射率为99.99%的标准白色校正板,放置在光源正上方,扫描白板反射得到全白的标定图像,D为将镜头盖上镜头盖,采集全黑的标定图像;
4)提取校正后的高光谱图像特征,构建三种真菌的生长模型。
3.构建的三种真菌生长模型,其特征在于,
1)菌种的初始接种浓度为104CFU/mL,通过上述高光谱图像系统获得0、12、24、36、48小时的高光谱图像,分别提取菌落生长部分500个像素点的感兴趣区域,得到感兴趣区域在全波段400-1000nm内的光谱值,并求平均值,根据培养时间与光谱平均值的关系构建的灰葡萄孢霉的生长模型为:
炭疽菌的生长模型为:
匍枝根霉生长模型为:
其中,式(2)、(3)、(4)中,f(x)为400-1000nm波段光谱均值,x为培养时间(小时)。
2)菌种的初始接种浓度为104CFU/mL,通过上述高光谱图像系统获得0、12、24、36、48小时的高光谱图像,分别提取菌落生长部分500个像素点的感兴趣区域,得到感兴趣区域在波峰716nm处的光谱值,根据培养时间与光谱值的关系构建的炭疽菌的生长模型为:
炭疽菌的生长模型为:
匍枝根霉的生长模型为:
其中,式(5)、(6)、(7)中,f(x)为716nm处光谱均值,x为培养时间(小时)。
3)菌种的初始接种浓度为104CFU/mL,通过上述高光谱系统获得0、12、24、36、48小时的高光谱图像,分别提取菌落生长部分500个像素点的感兴趣区域,得到感兴趣区域在400-1000nm波段内的光谱值,求该波段范围内第一主成分得分值,根据培养时间与主成分得分值的关系构建的灰葡萄孢霉的生长模型为:
炭疽菌的生长模型为:
匍枝根霉的生长模型为:
其中,式(8)、(9)、(10)中,f(x)为400-1000nm波段内的光谱值第一主成分得分值,x为培养时间(小时)。
4.所述的培养基平板,其特征在于,培养基构成为马铃薯浸粉5g、葡萄糖20g、NaCl5g、琼脂15g、氯霉素0.1g,水1000mL、pH5.8-6.2;每个培养皿含有的培养基体积为20±2mL,培养基厚度为2.5±0.5mm。
有益效果
本发明利用高光谱图像信息对微生物的响应,能够不破坏微生物或者检测样本的情况下,通过微生物在不同生长阶段的高光谱图像响应特性,在微生物生长期间的情况进行无损快速预测,能够为生产、加工、贮运、消费等各个环节提供微生物的生长信息,为食品质量和安全的及时检测、监测和控制提供技术支持。相对于传统的破坏性方法预测微生物的生长,该发明不仅节省时间,减少劳力,而且避免了化学试剂的使用。该技术和方法新颖,研究成果不仅可以用于实验室的快速分析和检测,而且可以通过开发在线检测设备和便携式仪器,用于工业自动化生产中的水果微生物生长情况预测和监测,也为其他类食品腐败微生物和致病微生物的生长预测提供有益的借鉴。
四、附图说明
图1:高光谱图像检测系统
图2:三种腐败真菌在培养48h后的光谱曲线对照
图3:不同腐败真菌的光谱曲线(A:灰葡萄孢霉,B:匍枝根霉,C:炭疽)
五、具体实施方式
一种高光谱图像技术对腐败真菌生长预测的方法,具体实施方式如下:
1材料与方法
灰葡萄孢霉(Botrytis cinerea),匍枝根霉(Rhizopus stolonifer),炭疽菌(Colletotrichum acutatum),由南京农业大学食品科技学院实验室提供。
培养基为马铃薯琼脂培养基,构成为马铃薯浸粉5g、葡萄糖20g、NaCl5g、琼脂15g、氯霉素0.1g,水1000mL、pH5.8-6.2;每个培养皿含有的培养基体积为20±2mL,培养基厚度为2.5±0.5mm。
菌种培养方法为:制备30个经过灭菌的平板,倒上20mL同样经过灭菌的培养基,冷却后分别进行平面划线接种三种真菌,每种菌10个平板,进行培养,培养条件为恒温箱25℃,相对湿度85%。培养菌种5天后,进行再次分离培养到10个新的平板上进行培养。
对二次培养的菌种用无菌水反复冲洗,制成菌悬浮液,将一滴菌液滴到血球计数板上,在显微镜下计数。根据计数,进行换算得出菌液浓度,并稀释至浓度为104CFU/mL的菌悬液,然后进行样本制备。考虑样本培养基的一致性,倾倒培养基量定为20±2mL,培养基厚度为2.5±0.5mm。准备660个培养基,150个培养基样本做空白对照,记作CK;匍枝根霉、炭疽菌平板样本各150个,灰葡萄孢霉210个(由于灰葡萄孢霉生长较为缓慢,为了得到完整的菌落生长曲线图,灰葡萄孢霉继续培养一天,增加60h、72h数据)。660个样本同时培养3天,每种菌每12小时(0h、12h、24h、36h、48h)拿出30个进行高光谱检测和菌落单位数计算。
2.高光谱数据采集
试验采用高光谱图像检测系统的反射模式进行对腐败真菌的检测。该系统主要包括高光谱成像单元、功率可调卤钨灯(0-150W),移动平台,图像采集软件和计算机(图1)。高光谱图像单元包括一个CCD摄像机,一个成像光谱仪(分辨率2.8nm),有效波长范围为400-1000nm。实验参数为:相机镜头和线光源距离样本分别为30cm和20.5cm,光照强度为67.5W、以45°对准样本,曝光时间为4ms、输送速度为2.5mm/sec。
将准备好的菌种和空白,平均在两天内,每12小时的生长阶段(0h、12h、24h、36h、48h)检测HIS,每次检测样本30个,当次检测完后,将用过的样本丢弃。将培养基放置于移动平台上,运行高光谱图像系统采集样本的高光谱图像信息,分别采集到的是400-1000nm之间共440个波长下的图像。
实验共获得660个样本的高光谱图像数据。由于在相机的暗电流的存在和外界因素的影响,图像含有一定噪声,需要对高光谱图像进行白色和黑色的校正来采集实际的图像。用覆盖相机镜头的不透明盖完全可以得到黑色的反射图像,聚四氟乙烯白板(反射率99%)得到白色反射图像。最后根据式(1)计算出校正后的相对图像Rc。校正后的图像被用来提取光谱信息,选择有效的波段,建立最佳的校正模型和区分细菌的不同生长阶段。
其中,(1)式中,R0为原始高光谱反射图像;D为全黑的标定图像;W为全白的反射标定图像;Rc为标定后高光谱反射图像。
3.数据处理
将获取的高光谱图像信息利用ENVI 4.8系统软件、MATLAB7.1统计工具箱和SPSS18.0软件处理,用于分析高光谱图像对三种真菌的生长预测情况。利用ENVI软件创建的感兴趣区域(ROI)。在处理过程中,选择培养基中菌落生长的地方约500个像素点的区域做为ROI,在早期阶段没有长出菌落时选取培养基中间部分。然后计算高光谱图像ROI区域平均光谱值。光谱值有从400到1000nm共440个波段。最后从660个平板的ROI获取660个光谱值,每种菌每个时间点(0h、12h、24h、36h、48h)30个光谱值数据,每组30个数据用于求平均,共得到5个数据,以波长作为X轴,光谱值为Y轴,制作三种腐败真菌的反射光谱图。根据图谱信息,进行高光谱数据的波段选择。共三种方法,方法一计算400-1000nm全波段的平均值;方法二选择波峰716nm处的光谱值;方法三选取400-1000nm波段内的光谱值,求该波段范围内第一主成分得分值。将每种菌每个时间段的30个数据随机选取20个取平均值,剩下10个作为验证组,再根据上述三种方法,将复杂的多数据转变为单一的数据。共有660个基准数据被收集,每个时间点30个基准数据,其中20个数据用于求平均分析和10个数据被用来验证。因此,每个时间点都有一个单一反射光谱值,共得到5个数据,通过MATLAB7.1统计工具箱中Curve Fitting Tool将这5个数据建立腐败真菌随光谱值变化的生长曲线。然后根据所得到的模型,利用验证组进行验证。同时,将所得不同时间段菌的数量与模型值之间建立相关性分析。
其中方法三,利用SPSS18.0软件对全波长进行PCA。PCA的结果被用来建立不同生长阶段的细菌的识别模型。根据波长分析中光谱曲线选取的最佳波长范围进行高光谱图像主成分分析,从得出的结果中选择主成分贡献率高的为代表,进行生长模型拟合。在分析过程中,每个时间点(0h、12h、24h、36h、48h)各提供一个样本数据,共30组,每组进行前5个主成分分析,得到30组基准数据,其中20组数据进行求平均分析和10组数据被用来验证。因此,每个时间点都有一个平均主成分值,共得到5个数据,通过MATLAB7.1统计工具箱中Curve Fitting Tool将这5个数据建立腐败真菌随主成分变化的生长拟合模型。同时,将所得不同时间段菌的数量与模型值之间建立相关性分析。
4.光谱信息分析
4.1不同生长阶段腐败真菌的光谱曲线
根据图3可知,三种菌的光谱值都是随时间的推移而呈上升趋势。一般情况下,三种真菌在生长早期菌丝呈现白色,随着时间的推移,白色菌丝更明显,对光的反射也就更大,因此,光谱值随着时间的推移而增长。由图2看出,三种菌在同一时间段的光谱值差别很大,这显示了不同菌株之间的差异。
4.2基于光谱值拟合三种腐败真菌的生长模型
4.2.1基于腐败真菌光谱全波段平均值的生长模型
灰葡萄孢霉得到的7个平均光谱值依次对应0h、12h、24h、36h、48h、60h、72h,分别为0.118、0.122、0.128、0.143、0.186、0.253、0.263,根据光谱值拟合的模型结果为:是指数模型,R2=0.99,误差平方和(SSE)为7e-003,模型结果说明所得光谱值模型对灰葡萄孢霉的生长拟合的很好。将得到的模型采用验证组数据进行验证,发现R2=0.722,说明灰葡萄孢霉的生长拟合模型较差。与之对比的灰葡萄孢霉的菌落单位数量依次为4×104、9×104、2.5×105、1.5×106、1.3×107、3×107、4×107,再依次取以10为底的对数得:4.6、4.95、5.4、6.18、7.11、7.48、7.6,根据对数值拟合结果为:是指数模型,R2=0.99,模型结果说明所得菌落生长模型对灰葡萄孢霉的实际生长情况拟合很好。将此模型值与菌落数之间建立相关性分析可知,R=0.898,说明高光谱图像对灰葡萄孢霉的生长拟合与灰葡萄孢霉的真实生长情况比较接近,准确率较高。
炭疽菌得到的5个平均光谱值依次对应0h、12h、24h、36h、48h分别为0.117、0.131、0.137、0.223、0.234,根据光谱值拟合的模型结果为:是指数模型,R2=0.99,误差平方和(SSE)为1e-004,模型结果说明所得光谱值模型对炭疽菌的生长拟合的很好。将得到的模型采用验证组数据进行验证,发现R2=0.936,说明炭疽菌的生长拟合模型准确率较高,误差较小。与之对比的炭疽菌的菌落单位数量依次为4×104、5×105、3.5×107、8×108、1.5×109,再依次取以10为底的对数得:4.6、5.69、7.54、8.9、9.17,根据对数值拟合结果为是指数模型,R2=0.99,模型结果说明所得菌落生长模型对炭疽菌的实际生长情况拟合很好。将此模型值与菌落数之间建立相关性分析可知,R=0.899,说明高光谱图像对炭疽菌的生长拟合与炭疽菌的真实生长情况很接近,准确率较高。
匍枝根霉得到的5个平均光谱值依次对应0h、12h、24h、36h、48h分别为0.119、0.231、0.616,、0.723、0.747,根据光谱值拟合的模型结果为:是指数模型,R2=0.99,误差平方和(SSE)为1.2e-004,模型结果说明所得光谱值模型对匍枝根霉的生长拟合的很好。将得到的模型采用验证组数据进行验证,发现R2=0.982,说明匍枝根霉的生长拟合模型准确率高,误差很小。与之对比的匍枝根霉的菌落单位数量依次为4×104、4.5×106、9.5×107、3.3×108、7×108,再依次取以10为底的对数得:4.6、6.65、7.98、8.51、8.85,根据对数值拟合结果为是指数模型,R2=0.98,模型结果说明所得菌落生长模型对匍枝根霉的实际生长情况拟合很好。将所得的两种模型值之间建立相关性分析可知,R=0.954,说明高光谱图像对匍枝根霉的生长拟合与匍枝根霉的真实生长情况很接近,准确率高。
4.2.1基于腐败真菌光谱峰值(716nm)的生长模型
灰葡萄孢霉得到的7个平均光谱值依次对应0h、12h、24h、36h、48h、60h、72h,分别为0.167、0.175、0.182、0.203、0.264、0.402、0.424,根据光谱值拟合的模型结果为是指数模型,R2=0.995,误差平方和(SSE)为3.79e-004,模型结果说明所得光谱值模型对灰葡萄孢霉的生长拟合的很好。将得到的模型采用验证组数据进行验证,发现R2=0.771,说明灰葡萄孢霉的生长拟合模型较差。将此模型值与菌落数之间建立相关性分析可知,R=0.951,说明高光谱图像对灰葡萄孢霉的生长拟合与灰葡萄孢霉的真实生长情况比较接近,准确率较高。
炭疽菌得到的5个平均光谱值依次对应0h、12h、24h、36h、48h分别为0.171、0.187、0.196、0.320、0.332,根据光谱值拟合的模型结果为:是指数模型,R2=0.993,误差平方和(SSE)灰葡萄为1.48e-004,模型结果说明所得光谱值模型对炭疽菌的生长拟合的很好。将得到的模型采用验证组数据进行验证,发现R2=0.936,说明匍枝根霉的生长拟合模型准确率高,误差很小。将此模型值与菌落数之间建立相关性分析可知,R=0.9,说明高光谱图像对炭疽菌的生长拟合与炭疽菌的真实生长情况很接近,准确率高。
匍枝根霉得到的5个光谱值依次对应0h、12h、24h、36h、48h分别为0.171、0.326、0.836、0.967、0.999,根据光谱值拟合的模型结果为:是指数模型,R2=0.996,误差平方和(SSE)为2.48e-004,模型结果说明所得光谱值模型对匍枝根霉的生长拟合的很好。将得到的模型采用验证组数据进行验证,发现R2=0.991,说明匍枝根霉的生长拟合模型准确率高,误差很小。将此模型值与菌落数之间建立相关性分析可知,R=0.957,说明高光谱图像对匍枝根霉的生长拟合与匍枝根霉的真实生长情况很接近,准确率高。
4.3基于主成分分析拟合腐败真菌的生长模型
三种腐败真菌选用全波段400-1000nm的光谱曲线进行高光谱图像主成分分析,得出第一主成分贡献率都达95%以上,第二主成分贡献率达1%-5%,第三、四主成分贡献率仅为0-1%,第五贡献率为0。从结果值知,应选择第一主成分得分进行三种腐败真菌的生长拟合。
灰葡萄孢霉得到的7个平均第一主成分值依次对应0h、12h、24h、36h、48h、60h、72h为-0.789、-0.598、-0.372、0.123、1.692、2.701、3.003,根据灰葡萄孢霉第一主成分平均值建立拟合模型结果为:是指数模型,R2=0.997,SSE=0.033;将得到的模型采用验证组数据进行验证,发现R2=0.789,说明灰葡萄孢霉的生长拟合模型准确率较一般。将此模型值与菌落数之间建立相关性分析可知,R=0.965,说明高光谱图像对灰葡萄孢霉的生长拟合与灰葡萄孢霉的真实生长情况接近,准确率高。
炭疽菌得到的5个平均第一主成分值依次对应0h、12h、24h、36h、48h为-1.044、-0.659、-0.636、0.579、1.204,根据炭疽菌第一主成分平均值建立拟合模型结果为:是指数模型,R2=0.981,SSE=0.068;将得到的模型采用验证组数据进行验证,发现R2=0.868,说明匍枝根霉的生长拟合模型准确率较高。将此模型值与菌落数之间建立相关性分析可知,R=0.887,说明高光谱图像对炭疽菌的生长拟合与炭疽菌的真实生长情况比较接近,准确率较高。
匍枝根霉得到的5个平均第一主成分值依次对应0h、12h、24h、36h、48h为-1.406、-0.979、0.476、0.893、0.989,根据匍枝根霉第一主成分平均值建立拟合模型结果为:是指数模型,R2=0.999,SSE=0.0018;将得到的模型采用验证组数据进行验证,发现R2=0.99,说明匍枝根霉的生长拟合模型准确率高。将此模型值与菌落数之间建立相关性分析可知,R=0.955,说明高光谱图像对匍枝根霉的生长拟合与匍枝根霉的真实生长情况很接近,准确率高。
Claims (2)
1.一种基于高光谱图像对腐败真菌生长预测的方法,其特征在于,
(1)所使用的系统组成包括高光谱成像单元、移动平台、光源、计算机和图像采集软件,整个装置放置在密闭黑箱中,其中,高光谱成像单元由相机、光谱仪和焦距可变镜头组成;光源为150W的卤素钨灯,由1个线性光纤导管完成传输;计算机型号为CPU E5800、3.2GHz,内存2G、显卡256M GeForce GT240;图像采集软件为自主开发的Spectral Image软件;信号采集为反射模式,镜头离样本距离为30cm,光源离样本的距离为20.5cm,光源照射的强度为67.5W,照射角度为45°,采集曝光时间4ms,采集速度2.5mm/s,图像分辨率804×440像素;
(2)检测步骤在于,首先对水果中常见的三种腐败真菌,分别为灰葡萄孢霉、匍枝根霉和炭疽菌,接种浓度为104CFU/mL,处于温度为28℃、相对湿度为85%条件下培养,在0、12、24、36、48小时取出培养基平板,放置于上述的高光谱图像检测系统中,获取高光谱图像;然后利用下述公式对获得的图像进行校正,获得校正后的高光谱图像:
其中,式(1)中,Rc为校正后的高光谱反射图像,R0为培养基平板的原始高光谱反射图像;W为将反射率为99.99%的标准白色校正板,放置在光源正上方,扫描白板反射得到全白的标定图像;D为将镜头盖上镜头盖,采集全黑的标定图像;最后提取校正后的高光谱图像特征,构建三种真菌的生长模型;
(3)构建的生长模型特征在于,
1)提取菌落生长部分高光谱图像500个像素点的感兴趣区域,得到感兴趣区域在全波段400-1000nm内的光谱值,并求平均值,根据培养时间与光谱平均值的关系,构建的灰葡萄孢霉生长模型为:
炭疽菌的生长模型为:
匍枝根霉生长模型为:
其中,式(2)、(3)、(4)中,f(x)为400-1000nm波段光谱均值,x为培养时间;
2)提取菌落生长部分高光谱图像500个像素点的感兴趣区域,得到感兴趣区域在波峰716nm处的光谱值,根据培养时间与光谱值的关系,构建的灰葡萄孢霉生长模型为:
炭疽菌的生长模型为:
匍枝根霉的生长模型为:
其中,式(5)、(6)、(7)中,f(x)为716nm处光谱均值,x为培养时间;
3)提取菌落生长部分高光谱图像500个像素点的感兴趣区域,得到感兴趣区域在400-1000nm波段内的光谱值,求该波段范围内第一主成分得分值,根据培养时间与主成分得分值的关系构建的灰葡萄孢霉的生长模型为:
炭疽菌的生长模型为:
匍枝根霉的生长模型为:
其中,式(8)、(9)、(10)中,f(x)为400-1000nm波段内的光谱值第一主成分得分值,x为培养时间。
2.如权利要求1所述的一种基于高光谱图像对腐败真菌生长预测的方法,其特征在于,培养基构成为马铃薯浸粉5g、葡萄糖20g、NaCl5g、琼脂15g、氯霉素0.1g,水1000mL、pH5.8-6.2;每个培养皿含有的培养基体积为20±2mL,培养基厚度为2.5±0.5mm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410603209.7A CN104297165B (zh) | 2014-10-28 | 2014-10-28 | 一种基于高光谱图像对腐败真菌生长预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410603209.7A CN104297165B (zh) | 2014-10-28 | 2014-10-28 | 一种基于高光谱图像对腐败真菌生长预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104297165A CN104297165A (zh) | 2015-01-21 |
CN104297165B true CN104297165B (zh) | 2017-06-16 |
Family
ID=52316989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410603209.7A Expired - Fee Related CN104297165B (zh) | 2014-10-28 | 2014-10-28 | 一种基于高光谱图像对腐败真菌生长预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104297165B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105021617B (zh) * | 2015-07-14 | 2017-10-27 | 华中农业大学 | 基于高光谱成像的整株水稻叶绿素含量测量装置及方法 |
CN105203467B (zh) * | 2015-09-17 | 2017-05-17 | 南京农业大学 | 一种通用无损的真菌的生长拟合方法 |
CN105219834A (zh) * | 2015-10-22 | 2016-01-06 | 上海理工大学 | 细菌鉴定方法 |
US10902577B2 (en) * | 2017-06-19 | 2021-01-26 | Apeel Technology, Inc. | System and method for hyperspectral image processing to identify object |
CN107247026A (zh) * | 2017-07-26 | 2017-10-13 | 成都九维云联科技有限公司 | 一种易腐食品的预判方法 |
CN109839188A (zh) * | 2017-11-27 | 2019-06-04 | 核工业北京地质研究院 | 一种地面成像光谱图像扫描系统及其使用方法 |
CN109187385B (zh) * | 2018-08-22 | 2022-03-04 | 河南科技大学 | 一种高光谱成像鉴定微生物的方法 |
US11867603B2 (en) * | 2018-12-31 | 2024-01-09 | Robert Bosch Gmbh | Mold detecting device using electromagnetic waves |
CN110196233B (zh) * | 2019-02-22 | 2021-10-19 | 山东师范大学 | 一种基于高光谱成像的血迹时间预测方法及装置 |
CN110763698B (zh) * | 2019-10-12 | 2022-01-14 | 仲恺农业工程学院 | 一种基于特征波长的高光谱柑橘叶片病害识别方法 |
CN113607681A (zh) * | 2021-07-19 | 2021-11-05 | 黑龙江八一农垦大学 | 杏鲍菇菌丝体检测方法、装置、电子设备及存储介质 |
CN113820300A (zh) * | 2021-10-28 | 2021-12-21 | 南京农业大学 | 一种猪肉中荧光假单胞菌生长预测的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101776597A (zh) * | 2010-01-19 | 2010-07-14 | 中国农业大学 | 一种畜肉细菌总数无损检测方法 |
CN101806703A (zh) * | 2010-01-07 | 2010-08-18 | 中国农业大学 | 一种畜肉细菌总数无损检测方法 |
CN102181514A (zh) * | 2011-03-11 | 2011-09-14 | 中国农业大学 | 快速无损伤检测冷却肉菌落总数的方法 |
CN102628794A (zh) * | 2012-04-19 | 2012-08-08 | 江苏大学 | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 |
CN103257109A (zh) * | 2013-04-09 | 2013-08-21 | 中国农业大学 | 畜肉细菌总数检测系统及方法 |
CN103439270A (zh) * | 2013-09-11 | 2013-12-11 | 南京农业大学 | 一种高光谱图像检测桃果实冷害的装置和方法 |
-
2014
- 2014-10-28 CN CN201410603209.7A patent/CN104297165B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101806703A (zh) * | 2010-01-07 | 2010-08-18 | 中国农业大学 | 一种畜肉细菌总数无损检测方法 |
CN101776597A (zh) * | 2010-01-19 | 2010-07-14 | 中国农业大学 | 一种畜肉细菌总数无损检测方法 |
CN102181514A (zh) * | 2011-03-11 | 2011-09-14 | 中国农业大学 | 快速无损伤检测冷却肉菌落总数的方法 |
CN102628794A (zh) * | 2012-04-19 | 2012-08-08 | 江苏大学 | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 |
CN103257109A (zh) * | 2013-04-09 | 2013-08-21 | 中国农业大学 | 畜肉细菌总数检测系统及方法 |
CN103439270A (zh) * | 2013-09-11 | 2013-12-11 | 南京农业大学 | 一种高光谱图像检测桃果实冷害的装置和方法 |
Non-Patent Citations (2)
Title |
---|
Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment: A review-Part II: Applications;Di Wu et al.;《Innovative Food Science and Emerging Technologies》;20130731;第19卷;第15-28页 * |
脐橙表面缺陷的快速检测方法研究;李江波;《中国博士学位论文全文数据库 信息科技辑》;20120715(第7期);第107页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104297165A (zh) | 2015-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104297165B (zh) | 一种基于高光谱图像对腐败真菌生长预测的方法 | |
Saeys et al. | Multivariate calibration of spectroscopic sensors for postharvest quality evaluation: A review | |
Khulal et al. | Intelligent evaluation of total volatile basic nitrogen (TVB-N) content in chicken meat by an improved multiple level data fusion model | |
CN105158186B (zh) | 一种基于高光谱图像对白萝卜黑心检测的方法 | |
Xiong et al. | Applications of hyperspectral imaging in chicken meat safety and quality detection and evaluation: A review | |
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 | |
CN104316473A (zh) | 一种基于高光谱图像对鸡种蛋孵化早期胚胎性别鉴定的方法 | |
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 | |
CN108760655B (zh) | 一种苹果味觉图谱信息可视化方法 | |
CN101718683A (zh) | 快速检测叶片叶绿素含量的装置、建模方法及检测方法 | |
CN101806703B (zh) | 一种畜肉细菌总数无损检测方法 | |
CN107132228A (zh) | 一种油菜全生长期信息的高通量表型研究系统 | |
CN104280349A (zh) | 一种基于高光谱图像对白萝卜糠心鉴定的方法 | |
Vrochidou et al. | Machine vision for ripeness estimation in viticulture automation | |
CN105203467B (zh) | 一种通用无损的真菌的生长拟合方法 | |
CN105092489A (zh) | 基于藻类高光谱信号的水体残留农药检测方法 | |
CN105651679A (zh) | 一种基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法 | |
CN111751376A (zh) | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 | |
Xu et al. | A novel hyperspectral microscopic imaging system for evaluating fresh degree of pork | |
Xu et al. | Hyperspectral imaging for evaluating impact damage to mango according to changes in quality attributes | |
Yang et al. | Assessment of grain harvest moisture content using machine learning on smartphone images for optimal harvest timing | |
CN102181514A (zh) | 快速无损伤检测冷却肉菌落总数的方法 | |
Scalisi et al. | A fruit colour development index (CDI) to support harvest time decisions in peach and nectarine orchards | |
CN114140695A (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
CN106018292A (zh) | 蛋清中蛋白质构象的无损检测装置及其方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170616 Termination date: 20211028 |