CN104749126A - 基于近红外高光谱图像分析的小麦硬度预测方法 - Google Patents

Abstract

本发明涉及一种基于近红外高光谱图像分析的小麦硬度预测方法，属于小麦硬度检测技术领域。该方法主要包括：自动采集麦粒的近红外高光谱图像，判别有效的麦粒目标，分割单个完整麦粒的子图像，确定麦粒的长轴方向，对整个麦粒进行数字形态学处理，得到可表征单个麦硬度的灰度子图像。针对该子图像的光谱数据，运用麦粒硬度预测软件预测出检验麦粒的具体硬度值，实现小麦硬度的自动无损检测。

Description

基于近红外高光谱图像分析的小麦硬度预测方法

技术领域

本发明属于小麦硬度检测技术领域，具体涉及一种基于近红外高光谱图像分析的小麦硬度预测方法。

背景技术

粮食问题关系到国家安全、社会繁荣和经济发展，确保粮食品质优质、安全是贯穿我国粮食工作始终的生命线。客观、快速、准确地测定粮食的品质，是粮食工作最重要的内容之一。

小麦的硬度是各个国家重要的育种目标之一。首先，不同硬度的小麦在食品工业中的用途是不相同的，硬质小麦面粉颗粒度大、破损淀粉含量高，具有较强的吸水能力，适合制作面包和优质面条等食品；软质小麦面粉颗粒度较小、破损淀粉含量低，吸水能力较弱，适合制作饼干和糕点等甜食类食品，因此小麦硬度是国内外小麦市场分类和定价的重要依据之一。其次，小麦耔粒的硬度跟制粉工艺有较大的关系，它是确定小麦制粉工艺、设备分配、工艺参数的重要依据。因此对原料小麦的硬度进行自动测定，不仅可以及时调整制粉流程和相应的技术参数，确定配麦方案，调整润麦方案，而且对保持物料平衡、稳定，提高生产效益等具有重要的技术指导意义。

小麦硬度定义为破碎籽粒时所受到的阻力，也就是破碎籽粒时所受到的力。国内外对小麦硬度的测试方法有：研磨法、颗粒度指数法、单籽粒谷物特性测定仪法、角质率法、小麦硬度指数法和近红外法等。上述小麦硬度检测方法均是建立在研磨的基础之上，这样的方法只能抽样检测，检测时破坏了麦粒内部的结构，并且在检测后的麦粒失去商品价值，故研究小麦硬度的无损检测是十分重要的。

Gerida D.T.对小麦籽粒的硬度进行了分类和研究，运用近红外高光谱图像技术，针对麦粒中的每个像素对杜伦麦、硬麦和软麦的硬度进行分类判别，识别率在93％以上，可依据硬度对小麦进行分类，对硬度检测具有重要的指导意义，但无法实现小麦硬度的准确测定。因此研究小麦硬度快速、无损的新的检测方法，对客观评价小麦内部品质、小麦的分类储藏、精细加工等具有非常重要的意义。

发明内容

解决的技术问题：

本发明的目的在于克服现有技术的不足而提供一种基于近红外高光谱图像分析的小麦硬度预测方法，自动获取表征麦粒硬度的高光谱图像子区域，求取麦粒的光谱曲线，建立智能回归模型，实现麦粒硬度的自动、无损检测。

技术方案：

基于近红外高光谱图像分析的小麦硬度预测方法，包括如下步骤：

步骤一：获取麦粒的近红外高光谱图像，选取麦粒轮廓比较清晰的波长下的图像进行图像处理，依据图像分割后目标的面积信息，准确判别出有效的麦粒目标，分割出单个的完整麦粒的子图像；

步骤二：针对单个麦粒的灰度图像进行图像处理和分析，选取能够很好表征麦粒硬度特性的图像子区域，得到可表征单个麦粒硬度的灰度子图像；

步骤三：针对可表征麦粒硬度的灰度子图像，确定出每个像素点在麦粒高光谱数据立方体中的坐标，并将这些点的光谱求平均光谱作为该麦粒的光谱曲线；

步骤四：对平均光谱数据进行预处理，以选取合适的波段，并消除由于测量小麦籽粒时因麦粒颗粒不均、散射、各种噪声及物理扰动使光谱产生的差异；

步骤五：输入麦粒的有效光谱曲线，运用麦粒硬度预测软件预测出检验麦粒的具体硬度值。

所述的基于近红外高光谱图像分析的小麦硬度预测方法，其中，步骤二中所述的图像处理包括去除背景、图像滤波、图像分割和麦粒准确定位。

所述的基于近红外高光谱图像分析的小麦硬度预测方法，其中，步骤二中所述的选取能够很好表征麦粒硬度特性的图像子区域的方法是：确定麦粒的长轴方向，去除每个麦粒茸毛和胚部的一部分，再对整个麦粒进行数字形态学处理。

所述的基于近红外高光谱图像分析的小麦硬度预测方法，其中，步骤四中所述的对平均光谱数据进行预处理是指对平均光谱数据进行多元散射校正和求导处理。

所述的基于近红外高光谱图像分析的小麦硬度预测方法，其中，步骤五中所述的麦粒硬度预测软件包含高精度的回归预测模型，可通过支持向量机、神经网络和偏最小二乘法，建立麦粒光谱曲线与麦粒硬度值的回归模型，并使模型的相关系数R大于0.93，均方根误差RMSE小于0.1。

本发明使用的麦粒近红外高光谱成像装置为现有技术，具体如下：

麦粒近红外高光谱成像装置由光箱、照明单元、位移单元、光谱成像单元和计算机组成，照明单元、位移单元和光谱成像单元都安装在光箱内部。所述的光箱为小麦籽粒提供均匀的漫反射光，其中含有玻璃光纤线性灯、位移台和光谱成像单元，光箱内壁经高温静电喷涂为黑色，以避免在采集过程中受到外界光线的影响。所述的照明单元为成像单元提供均匀的近红外波段的光照。所述的位移单元由位移台和位移台控制器组成，位移台控制器接收来自计算机发出的位移台控制指令，并向位移台发出驱动控制命令。所述的光谱成像单元包括铟镓砷近红外相机、成像光谱仪和近红外镜头，垂直安装在位移台的正上方，近红外相机与成像光谱仪和计算机相连，能拍摄位移台上的小麦样品的图像，将光谱成像数据立方体高速传输到计算机。所述的计算机用于图像采集、处理、分析和显示。

有益效果

与现有技术相比，本发明具有以下有益效果：

第一：本发明利用近红外高光谱图像技术能够预测单粒小麦的硬度值，可自动预测批量和单粒的小麦样本硬度，精确度高，灵活性强，这在以往的文件中都没有涉及；

第二：本发明通过自动获取能有效表征麦粒硬度区域的子图像，通过智能回归预测模型，使小麦麦粒硬度的预测精度达到了预期的效果。

第三：现有的小麦硬度测定方法，在检测之前均需对粮食样本进行挤压、磨碎等有损处理，本发明直接对小麦样本的硬度进行无损测定，无需对小麦进行任何处理。

附图说明

图1为本发明的处理流程图；

图2-a为单籽粒小麦在一个波长下的高光谱灰度图像；

图2-b为单籽粒小麦两端分别截取10％后的灰度图像；

图2-c为经过数字形态学处理的灰度图像；

图3为经过滤波处理后单个麦粒的光谱曲线。

具体实施方式

下面通过具体实施方式对本发明作进一步详细说明。但本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。

实施例1

本发明使用的麦粒近红外高光谱成像装置工作时，需先确定近红外相机的曝光时间以及位移台的速度以避免图像失真，并进行黑白场的标定以消除近红外相机的暗电流噪声。驱动位移台匀速运动，在稳定的条件下进行麦粒的近红外高光谱图像采集。图像采集完毕后，位移台自动复位。

基于近红外高光谱图像分析的小麦硬度预测方法，包括如下步骤：

步骤一：对获取的麦粒高光谱图像，选取麦粒轮廓比较清晰的1108.4nm波长下的图像进行图像处理和分析，包括去除背景、图像滤波和图像分割。依据图像分割后目标的面积信息，准确判别出有效的麦粒目标，即若目标的面积大于800像素，则判断该目标为麦粒，并分割出单个的完整麦粒的子图像；

步骤二：针对单个麦粒的灰度图像，分析选取能够很好表征麦粒硬度特性的图像子区域，即确定麦粒的长轴(茸毛—胚部)方向，去除每个麦粒茸毛和胚部的一部分，再对整个麦粒进行数字形态学处理，得到可表征单个麦硬度的灰度子图像；

步骤三：针对可表征麦粒硬度的灰度子图像，确定出每个像素点在麦粒高光谱数据立方体中的坐标，并将这些点的光谱求平均光谱作为该麦粒的光谱曲线。

步骤四：对平均光谱数据进行多元散射校正和求导处理，以选取合适的波段，并消除由于测量小麦籽粒时因麦粒颗粒不均、散射和各种噪声及物理扰动等使光谱产生的差异；

步骤五：输入麦粒的有效光谱曲线，运用麦粒硬度预测软件预测出检验麦粒的具体硬度值。

Claims (5)

1.基于近红外高光谱图像分析的小麦硬度预测方法，其特征在于，包括如下步骤：

步骤一：获取麦粒的近红外高光谱图像，选取麦粒轮廓比较清晰的波长下的图像进行图像处理，依据图像分割后目标的面积信息，准确判别出有效的麦粒目标，分割出单个的完整麦粒的子图像；

步骤二：针对单个麦粒的灰度图像进行图像处理和分析，选取能够很好表征麦粒硬度特性的图像子区域，得到可表征单个麦粒硬度的灰度子图像；

步骤三：针对可表征麦粒硬度的灰度子图像，确定出每个像素点在麦粒高光谱数据立方体中的坐标，并将这些点的光谱求平均光谱作为该麦粒的光谱曲线；

步骤四：对平均光谱数据进行预处理，以选取合适的波段，并消除由于测量小麦籽粒时因麦粒颗粒不均、散射、各种噪声及物理扰动使光谱产生的差异；

步骤五：输入麦粒的有效光谱曲线，运用麦粒硬度预测软件预测出检验麦粒的具体硬度值。

2.根据权利要求1所述的基于近红外高光谱图像分析的小麦硬度预测方法，其特征在于，步骤二中所述的图像处理包括去除背景、图像滤波、图像分割和麦粒准确定位。

3.根据权利要求1所述的基于近红外高光谱图像分析的小麦硬度预测方法，其特征在于，步骤二中所述的选取能够很好表征麦粒硬度特性的图像子区域的方法是：确定麦粒的长轴方向，去除每个麦粒茸毛和胚部的一部分，再对整个麦粒进行数字形态学处理。

4.根据权利要求1所述的基于近红外高光谱图像分析的小麦硬度预测方法，其特征在于，步骤四中所述的对平均光谱数据进行预处理是指对平均光谱数据进行多元散射校正和求导处理。

5.根据权利要求1所述的基于近红外高光谱图像分析的小麦硬度预测方法，其特征在于，步骤五中所述的麦粒硬度预测软件包含高精度的回归预测模型，可通过支持向量机、神经网络和偏最小二乘法，建立麦粒光谱曲线与麦粒硬度值的回归模型，并使模型的相关系数R大于0.93，均方根误差RMSE小于0.1。