CN104914052B - 一种霉变花生的光谱成像检测方法 - Google Patents
一种霉变花生的光谱成像检测方法 Download PDFInfo
- Publication number
- CN104914052B CN104914052B CN201510237046.XA CN201510237046A CN104914052B CN 104914052 B CN104914052 B CN 104914052B CN 201510237046 A CN201510237046 A CN 201510237046A CN 104914052 B CN104914052 B CN 104914052B
- Authority
- CN
- China
- Prior art keywords
- peanut
- mildewed
- area
- spectral
- peanuts
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种霉变花生的光谱成像检测方法,该方法可对霉变花生进行快速、无损的识别,以实现花生质量的在线监控。霉变花生相比于正常花生,其表面颜色暗黄。利用霉变粒和正常粒花生表面的光学特性的不同,从高光谱全波段图像中筛选出若干个特征波段图像进行霉变分析检测,利用共线性度匹配算法进行霉变区域的识别在此基础上,根据筛选的特征波长,设计一套数据量极度压缩的多光谱成像系统,以实现对霉变花生高效、快速地分选。
Description
技术领域
本发明涉及一种霉变花生的光谱成像检测方法。
背景技术
近年来食品安全事件屡屡频发,对人民生命健康和安全带来极大威胁。其中以黄曲霉中毒事件为代表,因其剧毒致癌性,低剂量就会引发人畜患肝脏疾病,曾一度引发人们对黄曲霉“谈虎色变”。在国内,其危害导致花生产业链和花生加工行业都受到较大的影响,许多花生制品销路出现阻塞;在国外,各个花生进口国纷纷提高花生质量检测标准,导致我国花生外贸出口受到严重影响,直接影响花生种植农民的经济收入, 导致整个花生产业链受到较大的影响。提高花生品质质量的检测条件是改善花生产业发展的关键。由于常规检测手段耗时、费力,检测成本较高,而且由于花生仁颗粒较小,数量巨大,因此通常采用抽样法进行整体质量评估,无法做到对每个样本都进行检测分析。近年来,利用光学、电学和声学等为基础的光电检测技术逐渐被应用于工业化生产中,其应用越来越广。该技术具有高效、快速、智能的技术特点,逐渐被人们所关注,而且出现一些专家学者将此技术引入到食品农产品品质检测领域,开展了一些有关食品农产品品质检测方面的研究。
近年来,计算机视觉技术、近红外光谱技术以及一些电子鼻和电子舌等仿生传感器技术已经得到广泛发展,而一些高校已经将食品农产品品质的无损检测技术作为一个研究方向进行相关方面的研究。计算机视觉技术可以进行目标物的外观品质方面检测,包括大小、形状、色泽等方面的分析研究,近红外光谱技术可以针对样本的内部信息进行分析检测,包括糖度、固形物含量、酸度等方面的分析研究。高光谱成像技术具有“图谱合一”的特点,既具有图像信息,又具有光谱信息。可以在一定程度上综合被检测目标的图像信息和光谱信息,从而从目标物的外观品质和内部品质两个方面进行综合分析,该技术具有较计算机视觉技术和近红外光谱技术更加丰富的信息。但是由于高光谱数据量庞大、在处理过程中需要较长时间进行数据的处理运算,不利于对样本实施快速高效检测。需要将大量的无用信息进行去除,只保留有用信息。如何将检测目标的有用信息筛选出来,是高光谱成像技术应用于实践生产的关键所在。本发明旨在利用发生轻微霉变花生的高光谱图像提供一种霉变花生的光谱成像检测方法,设计出基于光谱仪的多光谱成像系统,从根本上解决高光谱数据量庞大的缺点,进而对霉变花生实施高效、快速的分析检测。
发明内容
鉴于上述高光谱成像技术信息量丰富的特点以及数据量庞大,数据处理费时的缺点,本发明的目的就是要提供一种基于高光谱成像技术的多光谱成像系统检测霉变花生的方法。关于霉变粒花生的识别,对于发生较严重的霉变粒花生,可以根据普通计算机视觉技术结合图像处理算法分割出霉变区域,并根据霉变区域的面积大小进行分析检测,但是对于只发生轻微霉变的花生粒就很难通过图像分割手段进行霉变区域的提取。也有一些研究者通过近红外光谱技术进行花生内部品质方面的研究,但是近红外光谱技术只能进行单点检测。因黄曲霉菌的生长使花生表面的光学特性发生变化,可以借助于高光谱图像“图谱合一”的特点,既包含图像信息又包含光谱信息,进行霉变花生的质量检测。高光谱图像数据量庞大,对其进行分析处理的过程中需要对高光谱进行降维压缩。为此,在研究过程中需要对样品的高光谱图像进行特征波长的筛选,针对几个特征波长下的图像进行样本信息的检测分析。
本发明通过以下方法实现:一种霉变花生的光谱成像检测方法,是利用霉变粒和正常粒花生表面的光学特性的不同,从高光谱全波段图像中筛选出特定光谱区间内若干个特征波段图像(不同花生的特征波段也不同,根据实验预先筛选)进行霉变分析检测,利用共线性度匹配算法进行霉变区域的识别。
本发明利用高光谱成像技术获取特定光谱区间的n个波段图像进行霉变区域识别;利用共线性度匹配算法进行花生霉变区域的识别,首先选取霉变区域任一像元在不同波长下的光谱值组合成一个多维矢量,与未知区域的像元矢量进行共线性度(COL)计算,并与预先设置的阈值(COL 0 )进行比较,如果大于阈值,该像元判别为霉变区域,否则为正常区域。
具体包括以下步骤:
1)特征光谱区间的选择。由于霉变后的花生粒表面颜色暗黄,其光学特性发生变化,根据霉变粒与正常粒的光学差异,其光谱差异最大区域位于620nm~760nm,本发明基于霉变花生的光谱学特点,选取光谱区间为[600nm, 800nm]高光谱图像进行分析。根据花生物料特性,根据固定波长间隔(一般10~20nm)选取10~20幅特征图像进行下一步分析,解决了高光谱成像的超大数据量弊端,便于高光谱数据的快速获取和快速处理。
2) 选取感兴趣区域(ROI)。采用共线性度匹配算法,进行分类基元的选择。轻微霉变的花生粒表面并非所有的区域都被黄曲霉菌所侵染覆盖,在霉变部分的检测过程中,首先从高光谱图像中选择一个ROI作为分类基元,以此基元在整个花生表面区域内进行扫描,将与此分类基元相同的区域识别出,进行正常区域和霉变区域的分类判别。
3)ROI的像元提纯。N维可视化分析器(N—Dimensional Visualizer)即是对选择的基类像元进行提取,将该ROI内的基类像元进行分离纯化,确保选取的基类像元只属于一类物质,不掺杂其他类型的像元,使检测过程中正常区域的像元与霉变区域的像元得到有效的分离。
4)霉变区域匹配识别。利用共线性度匹配算法进行花生表面霉变区域的识别。根据不同波长下的特征波图像,提出了一种共线性度匹配的图像识别算法,将任一像元在不同波长下的光谱数据组合成一个多维空间矢量,利用解析方法计算未知区域的像元矢量与霉变区域像元矢量之间的共线性度,根据共线性度的大小来确定未知区域像元的归属,以对样本图像中的霉变区域进行有效分割。设定为利用解析方法计算得到的未知像元矢量,其中,,,,…为所选定的特征波长。设定为霉变区域(ROI区域)像元矢量,根据共线性度计算公式:
式中,为,, 矢量均值,为,,...矢量均值,COL为共线性度,其取值范围为[0,1]。预先给定一个共线性度阈值(COL 0 ),如果COL>COL 0 ,则判别未知区域像元为霉变,反之,则判别为正常。
5)在此基础上,筛选特征波长图像,设计一套数据量极度压缩的多光谱成像系统,以实现对霉变花生高效、快速地分选。
本发明提供基于光谱成像技术的霉变花生检测方法,可实现霉变花生的快速、在线分选,对于确保花生质量安全,保障消费者权益有重要意义。
附图说明
图1共线性度匹配算法流程图。
具体实施方式
本发明具体实施方法如图1所示,以接种72小时发生轻微霉变的花生粒为实验对象,利用可见近红外高光谱成像系统,Spectral Image System(Isuzu Optics,Taiwan)软件平台采集样品高光谱数据。高光谱相机分辨率为618×1628 pixel,光谱范围是430~960nm,光谱分辨率为2.73nm,光谱采样间隔为0.858nm,调节平台移动速度和相机的曝光时间以保证图像的清晰,避免失真。最终得到一个618×1628×618 pixel的高光谱图像数据块,并进行图像黑白校正处理。
由于高光谱摄像机量子效应的转换效率,在光谱区间为[430nm,470nm]和[850nm,960nm]两个取值范围内所采集的图像存在较大的噪声,对采集到的样本图像分析带来一定的干扰。根据正常粒和霉变粒花生表面的光学特性差异,正常花生与霉变花生的光谱差异最大区域位于620nm~760nm,因此基于霉变花生的光谱学特点,本发明选取光谱区间为[600nm,800nm]高光谱图像进行分析。由于高光谱图像的相邻波段图像波谱重叠以及波谱差异性小的特点,在进行特征波长的筛选过程中,每隔10nm选取一个波长图像作为特征图像,共20个特征图像。在样本高光谱图像中选取ROI区域,以此进行正常区域和霉变区域分类的基类像元。为确保得到更加真实合理的分类结果,选用N维可视化分析器(N-Dimensional Visualizer)对所选取的ROI区域的像元进行分离提纯。将经过提纯后的基类像元(ROI区域)在不同波长下的光谱数据组合成一个20维空间矢量,利用解析方法计算未知区域的像元矢量和与霉变区域像元矢量之间的共线性度,根据共线性度的大小来确定未知区域像元的归属,共线性度的取值范围为[0,1],共线性度的取值越接近1,说明两者关系越趋于共线,未知像元与目标像元越相似。通过实验确定共线性度阈值为0.6,然后进行未知像元与目标像元的分类。本实施实例利用高光谱成像系统采集了50粒发生轻微霉变的花生粒样本图像和50粒正常粒样本图像,采用共线性度匹配算法进行霉变区域的分类判别,识别率为86%,具体结果如表1所示。
表1共线性度匹配算法对霉变花生的识别结果。
Claims (2)
1.一种霉变花生的光谱成像检测方法,其特征在于,利用霉变粒和正常粒花生表面的光学特性的不同,从高光谱全波段图像中选取光谱区间为[600nm,800nm]高光谱图像进行分析,根据固定波长间隔10~20nm选取10~20幅特征图像进行下一步分析,利用共线性度匹配算法进行霉变区域的识别。
2.根据权利要求1所述的霉变花生的光谱成像检测方法,其特征在于,所述利用共线性匹配算法进行霉变区域的识别,是选取霉变区域一像元在不同波长下的光谱值组合成一个多维空间矢量,利用解析方法计算未知区域的像元光谱值矢量和与霉变区域像元光谱值矢量之间的共线性度,根据共线性度大小确定未知区域像元的归属,以对样本图像中的霉变区域进行有效分割;设定Xλi=(xλ1,xλ2,xλ3…xλn)为利用解析方法计算得到的未知区域像元在不同波长下光谱值组成的矢量;Yλi=(yλ1,yλ2,yλ3… yλn)为霉变区域像元在不同波长下光谱值组成的矢量,其中,λ1,λ2,λ3...λn为选定的特征波长;根据共线性度计算公式:
<mrow>
<mi>C</mi>
<mi>O</mi>
<mi>L</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>&lambda;</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mrow>
<mi>&lambda;</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<mi>Y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>&lambda;</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mrow>
<mi>&lambda;</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<mi>Y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
</mrow>
式中,为xλ1,xλ2,xλ3... xλn的均值,为yλ1,yλ2,... yλn的均值,COL为共线性度,其取值范围为[0,1];
预先给定一个共线性度阈值(COL0),如果COL>COL0,则判别未知区域像元为霉变,反之,则判别为正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510237046.XA CN104914052B (zh) | 2015-05-12 | 2015-05-12 | 一种霉变花生的光谱成像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510237046.XA CN104914052B (zh) | 2015-05-12 | 2015-05-12 | 一种霉变花生的光谱成像检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104914052A CN104914052A (zh) | 2015-09-16 |
CN104914052B true CN104914052B (zh) | 2018-01-16 |
Family
ID=54083307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510237046.XA Active CN104914052B (zh) | 2015-05-12 | 2015-05-12 | 一种霉变花生的光谱成像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104914052B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105954281B (zh) * | 2016-04-21 | 2018-07-27 | 南京农业大学 | 一种稻谷霉变真菌菌落无损识别的方法 |
CN112730269B (zh) * | 2020-12-10 | 2022-09-13 | 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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4076248B2 (ja) * | 1997-09-09 | 2008-04-16 | オリンパス株式会社 | 色再現装置 |
CN102313699B (zh) * | 2011-05-26 | 2013-03-13 | 北京农业信息技术研究中心 | 作物冠层叶片的全氮含量估算方法 |
CN102507453B (zh) * | 2011-10-25 | 2014-05-21 | 南京林业大学 | 一种黑松松材线虫病的高光谱监测方法 |
CN102495005B (zh) * | 2011-11-17 | 2013-05-08 | 江苏大学 | 高光谱图像技术诊断作物水分亏缺的方法 |
-
2015
- 2015-05-12 CN CN201510237046.XA patent/CN104914052B/zh active Active
Non-Patent Citations (1)
Title |
---|
高光谱图像技术结合图像处理方法检测马铃薯外部缺陷;苏文浩等;《浙江大学学报(农业与生命科学版)》;20131205;第40卷(第2期);第1、2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN104914052A (zh) | 2015-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Evaluating green tea quality based on multisensor data fusion combining hyperspectral imaging and olfactory visualization systems | |
Tao et al. | Recent development of optical methods in rapid and non-destructive detection of aflatoxin and fungal contamination in agricultural products | |
Li et al. | Detection of common defects on oranges using hyperspectral reflectance imaging | |
Bauriegel et al. | Early detection of Fusarium infection in wheat using hyper-spectral imaging | |
Yuan et al. | Detection of anthracnose in tea plants based on hyperspectral imaging | |
Pujari et al. | SVM and ANN based classification of plant diseases using feature reduction technique | |
Zhang et al. | Principles, developments and applications of computer vision for external quality inspection of fruits and vegetables: A review | |
Huang et al. | Development of a multispectral imaging system for online detection of bruises on apples | |
Lu et al. | Hyperspectral imaging for safety inspection of food and agricultural products | |
Mahendran et al. | Application of computer vision technique on sorting and grading of fruits and vegetables | |
Bock et al. | Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging | |
Ai et al. | Application of hyperspectral imaging technology in the rapid identification of microplastics in farmland soil | |
Serranti et al. | The development of a hyperspectral imaging method for the detection of Fusarium-damaged, yellow berry and vitreous Italian durum wheat kernels | |
Lee et al. | Detection of cucumber green mottle mosaic virus-infected watermelon seeds using a near-infrared (NIR) hyperspectral imaging system: Application to seeds of the “Sambok Honey” cultivar | |
CN110542658A (zh) | 一种基于高光谱成像技术的烟草非烟物质分类方法 | |
Yan et al. | Nondestructive phenolic compounds measurement and origin discrimination of peated barley malt using near-infrared hyperspectral imagery and machine learning | |
Lunadei et al. | Image-based screening for the identification of bright greenish yellow fluorescence on pistachio nuts and cashews | |
CN114663821B (zh) | 基于视频高光谱成像技术的产品质量实时无损检测方法 | |
Weng et al. | Reflectance images of effective wavelengths from hyperspectral imaging for identification of Fusarium head blight-infected wheat kernels combined with a residual attention convolution neural network | |
Yao et al. | Hyperspectral image classification and development of fluorescence index for single corn kernels infected with Aspergillus flavus | |
Tian et al. | Study on the methods of detecting cucumber downy mildew using hyperspectral imaging technology | |
CN113484309A (zh) | 一种高光谱耦合纳米化比色传感器监测红茶发酵程度的方法 | |
Erkinbaev et al. | A unified heuristic approach to simultaneously detect fusarium and ergot damage in wheat | |
Zhao et al. | Utilising near-infrared hyperspectral imaging to detect low-level peanut powder contamination of whole wheat flour | |
Femenias et al. | Hyperspectral imaging for the classification of individual cereal kernels according to fungal and mycotoxins contamination: A review |
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 |