CN104598886A - 一种用近红外高光谱图像识别霉变花生的方法 - Google Patents
一种用近红外高光谱图像识别霉变花生的方法 Download PDFInfo
- Publication number
- CN104598886A CN104598886A CN201510035362.9A CN201510035362A CN104598886A CN 104598886 A CN104598886 A CN 104598886A CN 201510035362 A CN201510035362 A CN 201510035362A CN 104598886 A CN104598886 A CN 104598886A
- Authority
- CN
- China
- Prior art keywords
- mouldy
- information
- major component
- oil crops
- component information
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种用近红外高光谱图像识别霉变花生的方法,可高效、准确地识别油料作物中的霉变作物。其包括如下步骤:对待识别油料作物进行近红外高光谱扫描,生成近红外高光谱图像信息;根据主成分分析法对该图像信息中的波段信息进行主成分分析,保留至少前两个主成分信息,作为初级主成分信息;根据该初级主成分信息中的权重系数曲线,确定敏感波段,再根据主成分分析法对该敏感波段进行主成分分析,保留至少前两个主成分信息,作为次级主成分信息;根据次级主成分信息计算生成霉变信息图,生成霉变信息分类图;以及通过第二阈值和霉变信息分类图判断霉变信息分类图中的每一个待识别油料作物是否发生霉变,生成霉变识别结果图。
Description
技术领域
本发明涉及一种识别霉变油料作物的方法,特别涉及一种利用近红外高光谱图像识别霉变油料作物的方法。
背景技术
油料作物是以榨取油脂为主要用途的一类作物。这类作物主要有花生、油菜、大豆、芝麻、向日葵、棉籽、蓖麻、苏子、油用亚麻和大麻等。而油料作物,例如花生在生长及存储过程中易受潮而发生霉变。众所周知,黄曲霉和寄生曲霉都会产生毒性很强的次生代谢产物—黄曲霉素。而黄曲霉素可对人类健康构成严重的威胁。目前定量检测黄曲霉素的方法普遍使用薄膜层析法和(高效)液相色谱法等。这些方法能够提供准确的结果,但费时、不易操作且只能在产品生产完成后进行检验。因此,迫切需要发展一种检测技术,能够使花生在进入产品生产环节前就能够对霉变花生进行有效识别并分离,以便阻止黄曲霉素进入食物链。这样,不仅有助于减少花生油、花生酱中黄曲霉素含量,可以提高食品安全性,也对人类健康有着巨大意义。因此,如何高效,准确地分析并识别出油料作物的霉变信息,将这些霉变作物及时分离出去成为业界亟待解决的问题。
发明内容
针对现有技术中的不足,本发明提供了一种利用近红外高光谱图像识别霉变油料作物的方法,可高效、准确地识别油料作物中的霉变作物。
为了解决上述问题,本发明的一种利用近红外高光谱图像识别霉变油料作物的方法,其包括如下步骤:
对待识别油料作物进行近红外高光谱扫描,生成近红外高光谱图像信息;
根据主成分分析法对该图像信息中的所有波段进行主成分分析,保留至少前两个主成分信息,作为初级主成分信息;
根据该初级主成分信息中的权重系数曲线,确定敏感波段,该敏感波段为权重值是指波峰值或波谷值的波段;
再根据主成分分析法对该敏感波段进行主成分分析,保留至少前两个主成分信息,作为次级主成分信息;
根据次级主成分信息和式1计算生成霉变信息图,
其中:i为主成分的序号,λi为对应主成分的特征值;
通过第一阈值将霉变信息图中像元值分成“霉变”或“非霉变”两类,生成霉变信息分类图;以及
通过第二阈值和霉变信息分类图中的“霉变”像元数,判断霉变信息分类图中的每一个待识别油料作物是否发生霉变,生成霉变识别结果图。
优选地,还包括步骤:对所述次级主成分信息中的第一次级主成分信息采用标记控制分水岭算法,将所述待识别油料作物的几何形状与大小进行独立分隔,生成分割结果图;
结合所述霉变信息分类图中的“霉变”像元数和分割结果图中的像元数,根据所述第二阈值,判断每一个待识别油料作物是否发生霉变。
更优选地,所述霉变信息分类图中的“霉变”像元数和分割结果图中的像元数的结合方式为:“霉变”像元数与像元数之比。
优选地,所述根据主成分分析法对该图像信息中的波段信息进行主成分分析步骤中,保留前四个主成分信息,作为初级主成分信息;
分别根据第二初级主成分信息、第三初级主成分信息和第四初级主成分信息中的权重系数曲线,确定敏感波段,该敏感波段为至少两个初级主成分信息中的权重值同时为波峰值或波谷值的波段。
优选地,所述根据主成分分析法对该敏感波段进行主成分分析步骤中,保留前四个主成分信息,作为次级主成分信息;根据第二和第四次级主成分信息和所述式1计算生成所述霉变信息图。
优选地,在生成所述霉变信息分类图步骤之前,选取所述霉变信息图中的最大像元值和最小像元值,根据公式:将所有像元值归一化到[0,1]的范围内,其中I为其他像元值。
优选地,所述第一阈值为0.55~0.65;所述第二阈值为10~18%。
优选地,所述油料作物为:花生、油菜籽大豆、芝麻、向日葵籽、棉籽、蓖麻、苏子、油用亚麻或大麻。
优选地还包括步骤:生成所述近红外高光谱图像信息之后,对该图像信息进行图像数据预处理。
更优选地,所述图像数据预处理包括:图像辐射校正过程和消除光谱噪声过程。
本发明的有益效果是:通过近红外成像技术可以对不同的样品进行精细分类,既可获取样品的光谱信息又可获得其空间信息,不仅可以判断样品是否存在异常,还可以定位其空间位置,有利于采用机械装置进行分拣。该方法可以高效、准确识别出霉变油料作物,识别精度高,有利于提高油料作物提取的油品及相应的食品的质量。
附图说明
图1为本发明中利用近红外高光谱图像识别霉变油料作物的方法流程图;
图2为本发明中的各初级主成分1PC2、1PC3及1PC4对应的权重系数图;
图3为本发明中的霉变信息图;
图4为本发明中的霉变信息分类图;
图5为本发明中的分割结果图;
图6为本发明中的霉变识别结果图。
具体实施方式
下面结合附图对本发明做进一步地说明。
本发明的利用近红外高光谱图像识别霉变油料作物的方法,该方法中的油料作物可以为:花生、油菜籽、大豆、芝麻、向日葵籽、棉籽、蓖麻、苏子、油用亚麻或大麻。结合图1,该方法包括如下步骤:
利用扫描装置对待识别或待检测的油料作物进行近红外高光谱扫描,生成近红外高光谱图像信息,该扫描装置可以为近红外成像光谱仪,该扫描图像信息至少包括有图形信息和各波段信息。
对高光谱图像数据进行预处理:
首先,在测量反射率参考白板与黑板后,按以下公式完成对高光谱图像进行辐射校正。校正公式如下:
式中:R为校正后的高光谱图像的相对反射率,R∈[0,100];Is为花生原始高光谱DN值;ID是黑板的定标图像的DN值;Iw为白板定标图像的DN值。
同时,采用5点移动均值光谱平滑技术消除光谱噪声,其公式为:
Ri为第i波段的反射率值。
通过主成分分析法对上述图像信息中的波段信息进行主成分分析,保留至少前两个主成分信息,作为初级主成分信息1PCn。这里优选地,选择前四个主成分信息作为初级主成分信息,分别为第一初级主成分信息1PC1、第二初级主成分信息1PC2、第三初级主成分信息1PC3、第四初级主成分信息1PC4。之所以选择前四个主成分信息,是因为前四个主成分已经基本包含了大部分(高于99%)可用波段信息,不但简化执行时间还可提高识别效率。
根据初级主成分信息中的权重系数曲线,确定敏感波段,该敏感波段为权重值是指波峰值或波谷值的波段。具体的,由于四个主成分中的1PC2、1PC3及1PC4均反映了霉变信息,提取其对应的特征向量构成权重系数图,至少两个主成分同时出现波峰或波谷,则认为该波段为敏感波段,根据图2可知,选择1100nm,1207nm,1302nm,1509nm,1634nm,1722nm,1847nm和1922nm共8个波段为识别霉变的敏感波段。本发明的技术方案没有选择第一初级主成分信息1PC1进行识别分析,是因为第一个主成分信息大多含有比较多的强信息,这些强信息大多反映了待检测物的主信息,而淹没了需要识别的霉变信息,因此为了进一步提高识别效率,降低信息噪声,本发明中的技术方案优选地去除该第一初级主成分信息1PC1。
根据主成分分析法对该敏感波段进行第二次主成分分析,保留至少前两个主成分信息,作为次级主成分信息2PCn。作为本发明的一种具体实施方式,将前面选择的8个敏感波段进行第二次主成分分析,保留前4个主成分,即2PC1,2PC2,2PC3与2PC4,选取2PC2与2PC4通过式(1)计算花生霉变信息并生成图Image1,
选取次级主成分信息2PC2与2PC4和式(1)计算生成霉变信息图Image1,
其中:i为主成分的序号,λi为对应主成分的特征值。这里,只选择了第二和第四次级主成分信息2PC2、2PC4用于计算生成所述霉变信息图Image1,是因为第一次级主成分信息2PC1也可能含有比较多的强信息,亦有可能淹没了需要识别的霉变信息,此外,通过反复论证和实验,第三次级主成分信息2PC3包含有过多的待测物质的边缘形状信息,因此,为了进一步提高识别效率,降低计算成本和信息噪声,本发明中优选地对这第一次级主成分信息2PC1和第三次级主成分信息2PC3不进行计算。
如图3所示,该Image1中像元值大小反映了花生霉变程度,像元值越大表示其霉变程度越严重。也就是计算生成的花生霉变信息图Image1代表了花生的霉变程度,用阈值α将Image1中的像元值分成“霉变”或“非霉变”两类,生成霉变信息分类图Image2,如图4所示。
设定阈值α时,由于成像时存在光源不稳定以及花生样本的变化,其分割阈值α易漂移。为了避免该影响,提取花生霉变信息图Image1的灰度直方图频率=5%处的两个像元值,分别赋予这两个像元值为最小值(Min)和最大值(Max),并按照公式:
将所有像元值归一化到[0,1],其中I为其他像元值,归一化后如果像元值小于0则置为0,大于1则置为1。经归一化的像元值在[0,1]标准化范围内,其像元值不会产生负数值或其他非正常值,阈值α趋于稳定且易于选择。
对所述次级主成分信息中的第一次级主成分信息2PC1采用标记控制分水岭算法,将所述待识别油料作物的几何形状与大小进行独立分隔,生成分割结果图Image3,如图5所示。
在用阈值α分类后,由于同物异谱及异物同谱现象的存在,健康花生像元也会被误判为霉变像元。因此每颗花生只有霉变像元达到一定比例,才能够确定其发生霉变。与Image3结合并设定比例阈值β,对于每一颗待识别油料作物,当其霉变像元个数比例(即Image2中的“霉变”像元数与Image3中的像元数之比)超过阈值β时被判别为霉变,反之判为健康。最后根据颜色标记方法(例如,标记成红色的待识别物为霉变物,标记成绿色的为健康物)生成霉变识别结果图Image4,如图6所示。此外,所述第一阈值α为0.55~0.65,优选为:0.6。所述第二阈值β为10~18%,优选为15%。
实施例:
本发明独立进行了近红外高光谱图像识别霉变花生的实验,并获取波长范围在1000-2500nm的花生高光谱图像,其实验步骤如下所示:
A.高光谱图像数据的预处理,该预处理过程上面已经详细阐述,这里不再描述。
B.花生霉变敏感波段选择
第一次主成分的1PC2、1PC3及1PC4均反映了花生霉变信息,提取其对应的特征向量构成权重系数图,至少两个主成分同时出现波峰或波谷,则认为该波段为敏感波段,根据图1可知,选择1100nm,1207nm,1302nm,1509nm,1634nm,1722nm,1847nm和1922nm共8个波段为识别霉变花生的敏感波段
C.计算生成花生霉变信息图(Image1),
将8个敏感波段进行第二次主成分分析,保留前4个主成分,即2PC1,2PC2,2PC3与2PC4,选取2PC2与2PC4通过式1计算花生霉变信息并生成图Image1,
式1中i为主成分的序号,λi为对应主成分的特征值,2PCi为第二次主成分运算后第i主成分。Image1中像元值大小反映了花生霉变程度,像元值越大表示其霉变程度越严重。
D.生成花生霉变信息分类图(Image2)
计算生成的花生霉变信息图Image1代表了花生的霉变程度,用阈值α将Image1中的花生像元分为‘霉变’与‘健康’两类。
设定阈值α时,由于成像时存在光源不稳定以及花生样本的变化,其分割阈值α易漂移。为了避免该影响,提取花生霉变信息图Image1的灰度直方图频率=5%处的两个像元值,分别赋予这两个像元值为最小值(Min)和最大值(Max),并按照公式
将所有像元值归一化到[0,1],其中I为其他像元值,归一化后如果像元值小于0则置为0,大于1则置为1。经归一化的像元值在[0,1]标准化范围内,阈值α趋于稳定且易于选择。
E.花生图像分割(Image3)
为便于统计每颗花生中霉变像元的数量,结合2PC1数据并采用标记控制分水岭算法,将每颗花生的几何形状与大小进行独立分割,得到Image3。
F.判断高光谱图像中每一颗花生是否霉变
在用阈值α分类后,由于同物异谱及异物同谱现象的存在,健康花生像元也会被误判为霉变像元。因此每颗花生只有霉变像元达到一定比例,才能够确定其发生霉变。结合Image2与Image3并设定比例阈值β,对于每一颗花生,当其霉变像元个数比例超过阈值β时被判别为霉变,反之判为健康。
此外,本发明分别独立进行了两次近红外高光谱图像识别霉变物质的实验,实验1与实验2的待测物质均为花生,获取波长范围在1000-2500nm的高光谱图像。
下表反映了实验1的霉变花生识别情况。
下表反映了实验2的霉变花生识别情况
本发明结合近红外高光谱影像的光谱和空间信息识别油料作物霉变信息,充分利用花生的物理性质与几何特征,可以将霉变油料作物从海量的油料作物中识别出来、确定其位置并能够通过高亮颜色进行显示,为以后利用机械装置将霉变油料作物筛选出来提供信息支持。识别结果显示,本发明用于霉变油料作物识别精度较高,在阈值α=0.6,β=15%时,实验1和实验2精度分别达87.14%和98.73%。
需要注意的是,具体实施方式仅仅是对本发明技术方案的解释和说明,不应将其理解为对本发明技术方案的限定,任何采用本发明的技术方案而仅作局部改变的,仍应落入本发明的保护范围内。
Claims (10)
1.一种利用近红外高光谱图像识别霉变油料作物的方法,其特征在于包括如下步骤:
对待识别油料作物进行近红外高光谱扫描,生成近红外高光谱图像信息;
根据主成分分析法对该图像信息中的波段信息进行主成分分析,保留至少前两个主成分信息,作为初级主成分信息(1PCn);
根据该初级主成分信息中的权重系数曲线,确定敏感波段,该敏感波段为权重值是指波峰值或波谷值的波段;
再根据主成分分析法对该敏感波段进行主成分分析,保留至少前两个主成分信息,作为次级主成分信息(2PCn);
根据次级主成分信息(2PCn)和式1计算生成霉变信息图(Image1),
其中:i为主成分的序号,λi为对应主成分的特征值;
通过第一阈值(α)将霉变信息图(Image1)中像元值分成“霉变”或“非霉变”两类,生成霉变信息分类图(Image2);以及
通过第二阈值(β)和霉变信息分类图(Image2)中的“霉变”像元数,判断霉变信息分类图(Image2)中的每一个待识别油料作物是否发生霉变,生成霉变识别结果图(Image4)。
2.根据权利要求1所述的利用近红外高光谱图像识别霉变油料作物的方法,其特征在于还包括步骤:
对所述次级主成分信息中的第一次级主成分信息(2PC1)采用标记控制分水岭算法,将所述待识别油料作物的几何形状与大小进行独立分隔,生成分割结果图(Image3);
结合所述霉变信息分类图(Image2)中的“霉变”像元数和分割结果图(Image3)中的像元数,根据所述第二阈值(β),判断每一个待识别油料作物是否发生霉变。
3.根据权利要求2所述的利用近红外高光谱图像识别霉变油料作物的方法,其特征在于:所述霉变信息分类图(Image2)中的“霉变”像元数和分割结果图(Image3)中的像元数的结合方式为:“霉变”像元数与像元数之比。
4.根据权利要求1或2所述的利用近红外高光谱图像识别霉变油料作物的方法,其特征在于:
所述根据主成分分析法对该图像信息中的波段信息进行主成分分析步骤中,保留前四个主成分信息(1PC1、1PC2、1PC3、1PC4),作为初级主成分信息;
分别根据初级主成分信息中的第二初级主成分信息(1PC2)、第三初级主成分信息(1PC3)和第四初级主成分信息(1PC4)中的权重系数曲线,确定敏感波段,该敏感波段为至少两个初级主成分信息中的权重值同时为波峰值或波谷值的波段。
5.根据权利要求1或2所述的利用近红外高光谱图像识别霉变油料作物的方法,其特征在于:
所述根据主成分分析法对该敏感波段进行主成分分析步骤中,保留前四个主成分信息(2PC1、2PC2、2PC3、2PC4),作为次级主成分信息;
根据次级主成分信息中的第二和第四次级主成分信息(2PC2、2PC4)和所述式1计算生成所述霉变信息图(Image1)。
6.根据权利要求1或2所述的利用近红外高光谱图像识别霉变油料作物的方法,其特征在于:在生成所述霉变信息分类图(Image2)步骤之前,选取所述霉变信息图(Image1)中的最大像元值(Max)和最小像元值(Min),根据公式:将所有像元值归一化到[0,1]的范围内,其中I为其他像元值。
7.根据权利要求1或2所述的利用近红外高光谱图像识别霉变油料作物的方法,其特征在于:所述第一阈值(α)为0.55~0.65;所述第二阈值(β)为10~18%。
8.根据权利要求1或2所述的利用近红外高光谱图像识别霉变油料作物的方法,其特征在于:所述油料作物为:花生、油菜籽大豆、芝麻、向日葵籽、棉籽、蓖麻、苏子、油用亚麻或大麻。
9.根据权利要求1或2所述的利用近红外高光谱图像识别霉变油料作物的方法,其特征在于还包括步骤:生成所述近红外高光谱图像信息之后,对该图像信息进行图像数据预处理。
10.根据权利要求9所述的利用近红外高光谱图像识别霉变油料作物的方法,其特征在于:所述图像数据预处理包括:图像辐射校正过程和消除光谱噪声过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510035362.9A CN104598886B (zh) | 2015-01-23 | 2015-01-23 | 一种利用近红外高光谱图像识别霉变油料作物的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510035362.9A CN104598886B (zh) | 2015-01-23 | 2015-01-23 | 一种利用近红外高光谱图像识别霉变油料作物的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104598886A true CN104598886A (zh) | 2015-05-06 |
CN104598886B CN104598886B (zh) | 2017-07-07 |
Family
ID=53124659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510035362.9A Expired - Fee Related CN104598886B (zh) | 2015-01-23 | 2015-01-23 | 一种利用近红外高光谱图像识别霉变油料作物的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104598886B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107960838A (zh) * | 2016-10-20 | 2018-04-27 | 佛山市顺德区美的电热电器制造有限公司 | 储物装置和烹饪器具 |
CN110349121A (zh) * | 2018-12-27 | 2019-10-18 | 合刃科技(深圳)有限公司 | 一种基于高光谱成像与神经网络的监测方法以及终端 |
CN112419580A (zh) * | 2020-10-27 | 2021-02-26 | 铁道警察学院 | 一种基于高光谱成像的纸币真伪鉴别方法 |
CN112730269A (zh) * | 2020-12-10 | 2021-04-30 | 青岛农业大学 | 一种基于深度学习的黄曲霉毒素智能检测方法 |
CN112974303A (zh) * | 2021-04-26 | 2021-06-18 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的果品品质检测方法、设备及介质 |
CN113008805A (zh) * | 2021-02-07 | 2021-06-22 | 浙江工业大学 | 基于高光谱成像深度分析的白芷饮片质量预测方法 |
CN113125358A (zh) * | 2021-04-26 | 2021-07-16 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的食品农药残留检测方法、设备及介质 |
CN113160183A (zh) * | 2021-04-26 | 2021-07-23 | 山东深蓝智谱数字科技有限公司 | 一种高光谱数据处理方法、设备及介质 |
CN113420614A (zh) * | 2021-06-03 | 2021-09-21 | 江苏海洋大学 | 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法 |
CN113933248A (zh) * | 2021-10-12 | 2022-01-14 | 广东省科学院智能制造研究所 | 一种高光谱在线检测系统及方法 |
CN115128033A (zh) * | 2022-07-04 | 2022-09-30 | 厦门烟草工业有限责任公司 | 烟叶检测方法、装置和系统、存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130229647A1 (en) * | 2010-10-15 | 2013-09-05 | Syngenta Participations Ag | Method for classifying seeds, comprising the usage of infrared spectroscopy |
CN103954570A (zh) * | 2014-04-21 | 2014-07-30 | 江苏大学 | 一种基于光谱成像技术的粮食虫害程度判别方法 |
-
2015
- 2015-01-23 CN CN201510035362.9A patent/CN104598886B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130229647A1 (en) * | 2010-10-15 | 2013-09-05 | Syngenta Participations Ag | Method for classifying seeds, comprising the usage of infrared spectroscopy |
CN103954570A (zh) * | 2014-04-21 | 2014-07-30 | 江苏大学 | 一种基于光谱成像技术的粮食虫害程度判别方法 |
Non-Patent Citations (3)
Title |
---|
展慧 等: "基于近红外光谱和机器视觉融合技术的板栗缺陷检测", 《农业工程学报》 * |
陈红 等: "基于神经网络与图像处理的花生仁霉变识别方法", 《农业工程学报》 * |
韩仲志 等: "基于计算机视觉的花生品质分级检测研究", 《中国农业科学》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107960838B (zh) * | 2016-10-20 | 2023-12-22 | 佛山市顺德区美的电热电器制造有限公司 | 储物装置和烹饪器具 |
CN107960838A (zh) * | 2016-10-20 | 2018-04-27 | 佛山市顺德区美的电热电器制造有限公司 | 储物装置和烹饪器具 |
CN110349121A (zh) * | 2018-12-27 | 2019-10-18 | 合刃科技(深圳)有限公司 | 一种基于高光谱成像与神经网络的监测方法以及终端 |
CN112419580A (zh) * | 2020-10-27 | 2021-02-26 | 铁道警察学院 | 一种基于高光谱成像的纸币真伪鉴别方法 |
CN112730269A (zh) * | 2020-12-10 | 2021-04-30 | 青岛农业大学 | 一种基于深度学习的黄曲霉毒素智能检测方法 |
CN113008805B (zh) * | 2021-02-07 | 2024-03-26 | 浙江工业大学 | 基于高光谱成像深度分析的白芷饮片质量预测方法 |
CN113008805A (zh) * | 2021-02-07 | 2021-06-22 | 浙江工业大学 | 基于高光谱成像深度分析的白芷饮片质量预测方法 |
CN113125358A (zh) * | 2021-04-26 | 2021-07-16 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的食品农药残留检测方法、设备及介质 |
CN113160183A (zh) * | 2021-04-26 | 2021-07-23 | 山东深蓝智谱数字科技有限公司 | 一种高光谱数据处理方法、设备及介质 |
CN112974303A (zh) * | 2021-04-26 | 2021-06-18 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的果品品质检测方法、设备及介质 |
CN113420614A (zh) * | 2021-06-03 | 2021-09-21 | 江苏海洋大学 | 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法 |
CN113933248A (zh) * | 2021-10-12 | 2022-01-14 | 广东省科学院智能制造研究所 | 一种高光谱在线检测系统及方法 |
CN115128033A (zh) * | 2022-07-04 | 2022-09-30 | 厦门烟草工业有限责任公司 | 烟叶检测方法、装置和系统、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104598886B (zh) | 2017-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104598886A (zh) | 一种用近红外高光谱图像识别霉变花生的方法 | |
US10565479B1 (en) | Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring | |
US9466103B2 (en) | Biomarker evaluation through image analysis | |
Hu et al. | The potential of double K‐means clustering for banana image segmentation | |
US20100232705A1 (en) | Device and method for detecting shadow in image | |
US8542917B2 (en) | System and method for identifying complex tokens in an image | |
US8559714B2 (en) | Post processing for improved generation of intrinsic images | |
Zhang et al. | Identification of common skin defects and classification of early decayed citrus using hyperspectral imaging technique | |
US8983183B2 (en) | Spatially varying log-chromaticity normals for use in an image process | |
CN107969148A (zh) | 图像分析系统和方法 | |
US8913829B2 (en) | Automatic processing scale estimation for use in an image process | |
Cohen et al. | Estimation of the number of apples in color images recorded in orchards | |
Zuñiga et al. | Grape maturity estimation based on seed images and neural networks | |
CN109682821A (zh) | 一种基于多尺度高斯函数的柑橘表面缺陷检测方法 | |
Bermúdez et al. | Image analysis for automatic feature estimation of the Mangifera indica fruit | |
US8428352B1 (en) | Post processing for improved generation of intrinsic images | |
US8934735B2 (en) | Oriented, spatio-spectral illumination constraints for use in an image progress | |
JP5860970B2 (ja) | 固有画像の生成を改良するための後処理 | |
US8849018B2 (en) | Log-chromaticity clustering pipeline for use in an image process | |
US8842907B2 (en) | Method for performing a multi-clustering merge for use in an image process | |
Singh et al. | Identification of acrylamide in fried potato crisps using image processing in wavelet domain | |
Schwalbe et al. | Profile based sub-pixel-classification of hemispherical images for solar radiation analysis in forest ecosystems | |
US8811732B2 (en) | Weighted entropy minimization for optimizing a log-chromaticity normal for use in an image process | |
Lian et al. | Research on Tomato Maturity Detection Based on Machine Vision | |
Zou et al. | Research on Object Recognition Detection Based on Image Processing and Machine Learning |
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 | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170707 Termination date: 20220123 |
|
CF01 | Termination of patent right due to non-payment of annual fee |