CN105158186A - 一种基于高光谱图像对白萝卜黑心检测的方法 - Google Patents
一种基于高光谱图像对白萝卜黑心检测的方法 Download PDFInfo
- Publication number
- CN105158186A CN105158186A CN201510598014.2A CN201510598014A CN105158186A CN 105158186 A CN105158186 A CN 105158186A CN 201510598014 A CN201510598014 A CN 201510598014A CN 105158186 A CN105158186 A CN 105158186A
- Authority
- CN
- China
- Prior art keywords
- sample
- evil mind
- ternip
- radish
- 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.)
- Granted
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于高光谱图像对白萝卜黑心检测的方法,属于农产品贮藏与加工行业的无损检测技术。通过高光谱成像仪,获取白萝卜贮藏过程中的透射高光谱图像,分析正常白萝卜和黑心白萝卜的光谱响应的差异,提取400-1000nm波长范围的光谱值作为神经网络的输入值,判断出白萝卜是否黑心。本方法可以实现对白萝卜黑心的准确识别,代替人工破坏性检测,有效避免不合格产品流向市场,提高白萝卜食用、加工利用率,促进萝卜深加工业发展,为高光谱技术应用于农产品领域提供借鉴。
Description
技术领域
本发明是一种高光谱图像技术在白萝卜采后贮藏期间检测黑心的方法,属于农产品贮藏与加工无损检测的技术领域。
背景技术
黑心是引起萝卜食用价值降低的一个主要因素,黑心的发生在萝卜外部观察不出来,根髓内部变黑腐烂,透过日光可看出暗灰色病变,横切看,维管束放射线状变黑褐色,重者呈干缩空洞。引起黑心的原因主要有生理和病理方面。生理方面黑心是由于种植过程中缺少硼肥,或者土壤板结、坚硬导致萝卜肉质根缺氧引起的。病理方面是由于种植过程中感染了黑心病,黑心病属十字花科常见病,病原菌为野油菜黄单胞杆菌野油菜黑腐病致病型。病源菌引起的黑心发生呈现规模、季节性爆发,对萝卜黑心进行检测是很有必要的,剔除黑心可以防止其在贮藏过程中进一步腐烂,也可避免流入市场。萝卜内部黑心的传统检测方法是采用人工感官检测,不仅费时费力,而且精度不高,难以适合大规模工业化自动分级的需求。因此,建立一种无损、可靠的方法来检测萝卜的黑心,对萝卜进行检测分级,提高萝卜市场价值以及萝卜深加工产业发展都有重要的意义。
近年来,高光谱图像检测技术作为一种无损伤、快速地分析和评估各类食物质量与安全的方法,得到了广泛的认可。高光谱图像能够检测食品的物理和形态学特征,以及内部的化学和分子学信息,从而分析和评价食品的质量与安全。这种技术在国内外食品工业中都有很好的应用,如JianweiQin等[QinJ,BurksTF.Developmentofatwo-bandspectralimagingsystemforreal-timecitruscankerdetection[J].JournalofFoodEngineering,2012,1(108):87-93.]基于高光谱图像筛选的特征波段,研制了商业水果分级机,其速度为5个/秒,总体分类精度为95.3%。AnaHerrero-Langreo等[Herrero-LangreoA,LunadeiL,etal.MultispectralVisionforMonitoringPeachRipeness[J].Foodscience,2011,2(76):178-187.]利用高光谱图像技术评价桃子的成熟度,方便确定最佳采摘时间。PiotrBaranowski等[BaranowskiP,etal.Detectionofearlybruisesinapplesusinghyperspectraldataandthermalimaging[J].JournalofFoodEngineering,2012,3(110):345-355.]利用高光谱图像对苹果硬度及可溶性固形物进行评估。高光谱图像技术也被应用于苹果、樱桃和柑橘类水果表面缺陷,黄瓜内部缺陷等的检测。近几年国内利用高光谱图像技术对农产品质量的检测发展同样迅速,如黄倩文等[黄文倩,陈立平,李江波,等.基于高光谱成像的苹果轻微损伤检测有效波长选取[J].农业工程学报.2013,29(1):272-277.]对苹果表面轻微损伤检测,高海龙等[高海龙,李小昱,徐森淼,等.马铃薯黑心病和单薯质量的透射高光谱检测方法[J].农业工程学报.2013,29(15):279-285.]对马铃薯黑心病检测,李江波等[李江波,王福杰,应义斌,等.高光谱荧光成像技术在识别早期腐烂脐橙中的应用研究[J].光谱学与光谱分析.2012,32(1):142-146.]利用高光谱荧光检测早期腐烂脐橙,田有文等[田有文,李天来,张琳,等.高光谱图像技术诊断温室黄瓜病害的方法[J].农业工程学报.2010(5):202-206.]黄瓜病害检测等方面都取得了较好的结果。但是萝卜内部黑心的无损检测的技术国内外未见报道,有必要开展采用高光谱图像技术对萝卜内部糠心的无损检测研究。
发明内容
技术问题
鉴于上述技术发展现状,本发明的目的主要针对现有技术无法实现白萝卜在贮藏和售卖过程中黑心无损鉴定的难题,开发高光谱图像检测的快速无损方法,满足萝卜深加工业的迫切需求。通过利用高光谱成像技术,分析正常白萝卜和黑心白萝卜的光谱信息差异,提取响应的特征参数,构建白萝卜黑心的鉴定模型。
技术方案
1.一种基于高光谱图像对白萝卜黑心检测的方法,高光谱透射图像采集系统、特征参数提取、检测模型构建、黑心与否判定、其中,
1)高光谱透射头像采集系统由摄像机、光谱仪和焦距可变透镜组成的高光谱成像单元、样品支架、电动平台、线光源、光箱、电脑和图像采集软件构成,整个装置放置在密闭黑箱中,其中,摄像机为Imperx,ICL-B1620,波段范围为400~1000nm,光谱分辨率为2.8nm、光谱仪为SpecimV10E;光箱为150W的卤素钨灯,由1个线性光纤导管完成传输;电脑型号为CPUE5800,3.2GHz,内存2G,显卡256MGeForceGT240;图像采集软件为自主开发的SpectralImage软件;光源为透射模式,其中,透镜离白萝卜样本距离为20cm,样本紧贴线光源放置,光源强度为90W,采集曝光时间70ms,采集速度2.5mm/s,图像分辨率804×440;
2)特征参数提取
①取无机械损伤的白萝卜样本,表面干净无杂物,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;
②利用上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,Rc为校正后的高光谱透射图像,R0为原始高光谱透射图像,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,扫描透射白板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;
③选择图像中白萝卜区域正中间部位25000个pixels的感兴趣区域,提取该区域所有像素点在400-1000nm波段范围内的光谱均值,共有420个波段,利用不同波长组合构建偏最小二乘预测模型,采用连续投影算法选择特征波长,当模型交叉验证均方根误差为0.22419时,选定580nm、673nm、747nm、805nm和877nm共5个特征波长,构成检测模型的特征变量集v,即v580nm、v673nm、v747nm、v805nm、v877nm;
3)构建检测模型
根据选定的5个特征波长,构建基于神经网络、偏最小二乘判别分析、支持向量机、Fisher线性模型的白萝卜黑心检测模型,萝卜黑心样本设为1,正常罗卜样本设置为0:
其中,构建的神经网络模型为:将特征变量集v做为输入值,白萝卜是否黑心做为输出值,神经网络模型参数为输入层为5,隐藏层数为1,隐藏层节点数为3,隐藏层激活函数为双曲正切,输出层个数为2,即合格样本与黑心样本,输出层激活函数为Softmax,最后给出每个样本检测结果M1;
其中,构建的支持向量机模型为:将特征变量集v做为输入值,白萝卜是否黑心做为输出值,核函数为径向基函数,核函数参数值(gamma值)均为1*10-7,惩罚系数值(cost值)为100,最后给出每个样本检测结果M2;
其中,构建的偏最小二乘模型为:将特征变量集v做为输入值,白萝卜是否黑心做为输出值,潜变量个数为1,最后给出每个样本检测结果M3;
其中,构建的线性判别模型为:将特征变量集v做为输入值,白萝卜是否黑心做为输出值,
式中,v代表各个波长的响应值,Y1=0.002v580nm+0.008v673nm-0.183v747nm+0.198v805nm-0.085v877nm-0.9669;Y0=0.024v580nm+0.000v673nm-0.257v747nm+0.360v805nm-0.549v877nm-25.952,最后给出每个样本检测结果M4;
4)白萝卜黑心与否判定
根据以上四种模型的判别结果,即M1、M2、M3、M4,给出白萝卜样本是否黑心的最终结果,判定原则为:
如果M1、M2、M3和M4值中,有任意2个以上的值为1,则该萝卜样本为黑心样本;
如果M1、M2、M3和M4值中,有任意2个以上的值为0,则该萝卜样本为正常样本;
如果M1、M2、M3和M4值中,有2值为0或者1,则根据M4的值判定萝卜样本黑心与否。
有益效果
本发明利用对高光谱图像仪器响应信号的监测,能够不破坏白萝卜完整性的情况下,通过白萝卜的高光谱特性,准确分辨出白萝卜内部是否黑心,能够为规范产品品质,提高萝卜市场价值,降低消费者对于可能买到黑心萝卜的顾虑,对萝卜深加工产业都有深刻的意义。相对于传统的破坏性检测,不仅节省时间,而且避免了不必要的浪费。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白萝卜黑心鉴定,也为其他农产品内部品质的检测提供了有益的借鉴。
四、附图说明
图1:高光谱透射系统白萝卜黑心鉴定的装置
图2:萝卜原始平均光谱
五、具体实施方式
一种基于高光谱图像对白萝卜黑心检测的方法,具体实施方式如下:
1.试验材料
白萝卜品种为抗病博士春光A型白萝卜,购买于南京众彩农副产品批发市场购买,挑选果型整齐,大小均一,无机械损伤及病虫害,色泽成熟度一致的萝卜样本,去缨、削去茎盘、去掉须根,清洗晾干。共收集502个萝卜样本。由于萝卜黑心病害多为夏天产生,本次试验期间较难找到合适样本,故对白萝卜进行人工接种黑心病菌。从南京农业大学园艺院获得野油菜黄单胞杆菌野油菜黑腐病致病菌,菌种接种到LB固体培养基上(构成为胰蛋白胨10g、酵母提取物5g、NaCl10g、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),35℃,75%湿度条件下活化7天,重新接种进行二次培养。一周后,对二次培养的菌种用无菌水反复冲洗,制成菌悬浮液,将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4×104的菌悬液。将挑选好的255根萝卜样本从头部穿刺至尾部,注入菌悬液3mL,35℃,75%RH培养一周,使萝卜发病。
2.高光谱图像采集系统
高光谱成像系统主要由摄像机、成像光谱仪、CCD摄像头、光源、一套机械输送装置以及计算机等组成,为台湾五铃公司生产。成像光谱仪的光谱有效波段范围400-1000nm,共440个波段,光谱分辨率为2.8nm,并带有焦距可变透镜,光源为150W卤素钨灯,光源共10档,可调节,并由光纤传输到线光源。为避免外界光线对光谱采集的影响,检测装置整体置于暗箱中,且背景为黑色,不反光。
基于透射模式下的高光谱图像采集系统如图1所示,样本与光源均固定在传送带上,一个线光源位于样本的正下方,光线透过样本被光谱仪吸收,转换成数据传入计算机。其相关参数设置为曝光时间70ms,传送带速度2.5mm/s,光源强度为90W,光源紧贴样本,相机镜头距离样本20cm,固定样本,防止滚动,开始采集数据。
3.高光谱图像采集与校正
为了消除数据采集过程中的噪音,在与白萝卜样品采集的同样条件下,扫描白色标准校正板(反射率99.99%)后得到全白的标定图像,盖上镜头盖后得到全黑标定图像,通过公式将采集得到的绝对图像转换为相对图像,公式为:
式(1)中:Rc为校正后的高光谱透射图像,R0为原始高光谱透射图像,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,扫描透射白板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;
数据处理时,采用感兴趣区域分析法,对每个样品采集得到转换后的高光谱图像选取中间位置25000个pixels的感兴趣区域(ROI区域)平均光谱作为该样品的光谱值,之后用SPA方法进行特征波长提取,最后利用PLS-DA、SVM、ANN、Fisher四种方法对萝卜黑心进行判别模型的建立,并验证。
4.原始光谱分析
如图2对黑心和正常萝卜原始平均光谱响应值的比较,分别列出光谱平均值、平均值加偏差值、平均值减偏差值三条曲线。可以明显看出黑心萝卜光谱响应值小于正常萝卜,正常萝卜光谱平均值减偏差值在大部分波长下大于黑心萝卜光谱平均值加偏差值,两种样本有明显区别。原因是透射模式下,光进入萝卜内部,光线与内部进行交互作用,由于黑心部分对光线吸收较强,所以漫透射散出的光线减弱较明显,可以区别于正常萝卜。
5.光谱预处理方法比较
在高光谱识别黑心萝卜过程中,提取的光谱信息包含原始光谱和许多干扰噪音,这些噪声干扰会导致较大的检测误差。为了消除噪声减小误差,在建立识别模型之前,同样采用平滑和去噪处理、自动标准化、求导、去趋势化四种光谱预处理方法来减弱各种干扰因素,为下一步模型构建奠定基础。为了确定最佳的光谱预处理方法,通过偏最小二乘-判别分析法(PLS-DA)建立萝卜黑心识别模型,比较不同预处理方法对模型预测准确性的影响。将全波段原始光谱和经过预处理的光谱作为输入变量,将各个萝卜黑心与否作为输出变量,分别设为0和1,建立萝卜黑心判别PLS-DA模型。基于不同光谱预处理方法构建的PLS-DA模型判别结果如表1所示。可以得出原始光谱的建模集准确率和验证集准确率分别为92.5%和90.3%,总体准确率达到91.4%,卷曲平滑和去趋势化的建模集准确率和验证集准确率略小于原始光谱准确率,分别达到91.7%、90.3%和91.1%、90.1%,一阶导数处理后的总体准确率达到91.5%,和原始光谱总体准确率基本一致,只有自动标准化预处理方式处理后准确率有所提高,建模集准确率和验证集准确率达到93.2%和92.8%,所以采用自动标准化方法对原始数据进行光谱预处理,所得到的模型识别准确率会有一定的提高。
表1不同光谱预处理方法建立全波段的PLS-DA模型检测结果
6.特征波长的选取
利用SPA对特征波长进行筛选,得到580nm、673nm、747nm、805nm和877nm五个特征波段,简单对特征波段建模和全波段建模进行结果分析,结果特征波段的判别准确率均高于全波段建模对黑心的判别率。数据量大也是一种信息冗余,影响到建模的准确性,增加运算复杂性,使用5个特征波段代替全波段建模,去除了干扰信息,准确率得到了提升,结合PLS-DA、SVM、ANN、Fisher四种方法建模,黑心萝卜判别准确率分别从全波段的93.0%、96.1%和98.2%提升到特征波段的93.6%、96.6%和98.4%。说明特征波长能很好代替全波段的使用。
表2全波段和特征波段不同模型检测结果对比
7.三种建模方式对萝卜黑心预测结果分析
从表3可以看出,高光谱透射采集模式下,利用5个特征波段进行建模,PLS-DA模型对建模集和验证集正常萝卜的整体判别正确率分别为95.0%和95.4%,对黑心萝卜的识别正确率分别为92.6%和91.4%,建模集和验证集总体识别准确率达到93.8%和93.4%。利用全波段进行建模,无论是建模集准确率还是验证集准确率均小于利用5个特征波长建模的准确率,说明特征波长的选取是有实际意义的。
利用SVM对黑心萝卜和正常萝卜进行区分,采用C-SVC类型,其中支持向量机参数为:核函数为径向基函数,核函数参数值(gamma值)均为0.1*10-6,惩罚系数值(cost值)为100。预测结果从表3可以看出,基于透射模式的SVM模型,利用5个特征波长时,建模集和验证集正常萝卜的识别正确率分别为97.5%和96.6%,利用全波段建模时,建模集和验证集正常萝卜的识别正确率分别为95.0%和94.3%,5个特征波段建模效果比全波段建模效果好。5个特征波长建模,建模集和验证集总体识别准确率分别96.9%和96.2%,高于全波段建模的96.6%和95.6%,也高于透射模式下5个特征波长结合PLS-DA模型的整体准确率。
表3不同建模方式对萝卜黑心预测结果
利用ANN对黑心萝卜和正常萝卜进行区分,其中人工神经网络参数为:隐藏层激活函数为双曲正切,输出层激活函数为Softmax,输出层单位数为5,分别是合格样本与黑心样本,隐藏层数均为1,隐藏节点数为3个节点,输入层变量为5个特征波段。预测结果如表3所示:透射采集模式下,5个特征波长结合ANN算法所得建模集和验证集识别正常萝卜的正确率分别为99.4%和98.6%,对黑心萝卜的识别正确率分别为98.8%和96.7%,高于全波段建模识别正确率,也高于其他两种算法的识别正确率,故采用透射采集模式,5个特征波长结合ANN算法,识别萝卜黑心整体正确率最高,判别萝卜黑心效果最好。
8.基于Fisher判别的判别结果
采用Fisher线性判别的分析方法对内部黑心的萝卜进行分类判别。建模时使用透射条件下的580、673、747、805和877nm波长处透射光谱值作为该萝卜的特征变量集。模型构建时输入同一批采摘的萝卜透射光谱值,随机挑选322个为建模集,180个作为验证集,得到的判别方程式为组合公式(2)。
T是萝卜在5个特征波长下的透射光谱值,其下标为经过连续投影算法提取的特征波长,将萝卜各波长下的透射光谱值带入上式,得到的V值大的为其下标代表该果实所属等级,其中1和2分别代表黑心萝卜和正常萝卜。由表4可看出,建模集准确率为96.1%,预测集准确率为99.4%,说明该判别方法能有效地区分黑心萝卜与正常萝卜。
表4基于Fisher线性判别的萝卜内部黑心的判别结果
9.萝卜黑心最后判定结果
根据以上四种模型的判别结果给出白萝卜样本是否黑心的最终结果,判定原则为:如果四个模型中,有任意2个以上的模型判断萝卜有黑心,则该萝卜样本为黑心样本;如果四个模型中,有任意2个以上的模型判断萝卜没有黑心,则该萝卜样本为正常样本;如果四个模型中,分别有2个模型与另外2个模型判断结果相反,则根据Fisher判别模型确定萝卜是否黑心。判断结果为如表5所示。由表5可看出,建模集准确率为100%,预测集准确率为100%,说明该方法能准确分黑心萝卜与正常萝卜。
表5基于四种模型结果对萝卜内部黑心的检测结果
Claims (1)
1.一种基于高光谱图像对白萝卜黑心检测的方法,包括高光谱透射图像采集系统、特征参数提取、检测模型构建、黑心与否判定、其中,
1)高光谱透射头像采集系统由摄像机、光谱仪和焦距可变透镜组成的高光谱成像单元、样品支架、电动平台、线光源、光箱、电脑和图像采集软件构成,整个装置放置在密闭黑箱中,其中,摄像机为Imperx,ICL-B1620,波段范围为400~1000nm,光谱分辨率为2.8nm、光谱仪为SpecimV10E;光箱为150W的卤素钨灯,由1个线性光纤导管完成传输;电脑型号为CPUE5800,3.2GHz,内存2G,显卡256MGeForceGT240;图像采集软件为自主开发的SpectralImage软件;光源为透射模式,其中,透镜离白萝卜样本距离为20cm,样本紧贴线光源放置,光源强度为90w,采集曝光时间70ms,采集速度2.5mm/s,图像分辨率804×440:
2)特征参数提取
①取无机械损伤的白萝卜样本,表面干净无杂物,放置于高光谱图像检测系统中,获取高光谱图像;
②利用上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,Rc为校正后的高光谱透射图像,R0为原始高光谱透射图像,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,扫描透射白板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;
③选择图像中白萝卜区域正中间部位25000个pixels的感兴趣区域,提取该区域所有像素点在400-1000nm波段范围内的光谱均值,共有420个波段,利用不同波长组合构建偏最小二乘预测模型,采用连续投影算法选择特征波长,当模型交叉验证均方根误差为0.22419时,选定580nm、673nm、747nm、805nm和877nm共5个特征波长,构成检测模型的特征变量集v,即v580nm、v673nm、v747nm、v805nm、v877nm:
3)构建检测模型
根据选定的5个特征波长,构建基于神经网络、偏最小二乘判别分析、支持向量机、Fisher线性模型的白萝卜黑心检测模型,萝卜黑心样本设为1,正常罗卜样本设置为0:
其中,构建的神经网络模型为:将特征变量集v做为输入值,白萝卜是否黑心做为输出值,神经网络模型参数为输入层为5,隐藏层数为1,隐藏层节点数为3,隐藏层激活函数为双曲正切,输出层个数为2,即合格样本与黑心样本,输出层激活函数为Softmax,最后给出每个样本检测结果M1;
其中,构建的支持向量机模型为:将特征变量集v做为输入值,白萝卜是否黑心做为输出值,核函数为径向基函数,核函数参数gamma值均为1×10-7,惩罚系数cost值为100,最后给出每个样本检测结果M2;
其中,构建的偏最小二乘模型为:将特征变量集v做为输入值,白萝卜是否黑心做为输出值,潜变量个数为1,最后给出每个样本检测结果M3;
其中,构建的线性判别模型为:将特征变量集v做为输入值,白萝卜是否黑心做为输出值,
白萝卜黑心判断结果
式中,v代表各个波长的响应值,Y1=0.002v580nm+0.008v673nm-0.183v747nm+0.198v805nm-0.085v877nm-0.9669;Y0=0.024v580nm+0.000v673nm-0.257v747nm+0.360v805nm-0.549v877nm-25.952,最后给出每个样本检测结果M4;
4)白萝卜黑心与否判定
根据以上四种模型的判别结果,即M1、M2、M3、M4,给出白萝卜样本是否黑心的最终结果,判定原则为:
如果MI、M2、M3和M4值中,有任意2个以上的值为1,则该萝卜样本为黑心样本;
如果M1、M2、M3和M4值中,有任意2个以上的值为0,则该萝卜样本为正常样本;
如果M1、M2、M3和M4值中,有2个值同时为0或者1,则根据M4的值判定萝卜样本黑心与否。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510598014.2A CN105158186B (zh) | 2015-09-17 | 2015-09-17 | 一种基于高光谱图像对白萝卜黑心检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510598014.2A CN105158186B (zh) | 2015-09-17 | 2015-09-17 | 一种基于高光谱图像对白萝卜黑心检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105158186A true CN105158186A (zh) | 2015-12-16 |
CN105158186B CN105158186B (zh) | 2017-09-22 |
Family
ID=54799121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510598014.2A Active CN105158186B (zh) | 2015-09-17 | 2015-09-17 | 一种基于高光谱图像对白萝卜黑心检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105158186B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105651679A (zh) * | 2016-02-04 | 2016-06-08 | 华中农业大学 | 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 |
CN107144533A (zh) * | 2017-04-20 | 2017-09-08 | 浙江大学 | 一种基于高光谱成像技术的一点红萝卜空心鉴别方法 |
CN108844901A (zh) * | 2018-06-25 | 2018-11-20 | 南京工程学院 | 多光谱图像采集装置 |
CN109358018A (zh) * | 2018-12-05 | 2019-02-19 | 中华人民共和国梧州海关 | 一种利用红外光谱溯源识别成品六堡茶产地的方法 |
CN109740681A (zh) * | 2019-01-08 | 2019-05-10 | 南方科技大学 | 一种水果分拣方法、装置、系统、终端及存储介质 |
CN109765190A (zh) * | 2019-02-20 | 2019-05-17 | 中国水稻研究所 | 一种利用高光谱成像技术识别稻田稗草的方法 |
CN111855879A (zh) * | 2020-07-30 | 2020-10-30 | 温州科技职业学院 | 基于神经网络技术辅助超高效液相串联质谱评估基质效应值的方法 |
CN112474415A (zh) * | 2020-10-28 | 2021-03-12 | 扬州大学 | 一种果实分拣机 |
CN114720436A (zh) * | 2022-01-24 | 2022-07-08 | 四川农业大学 | 基于荧光高光谱成像的农产品品质参数检测方法及设备 |
CN116297318A (zh) * | 2023-03-24 | 2023-06-23 | 广东省农业科学院作物研究所 | 一种基于近红外光谱法测定甘薯茎尖总酚的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033512A (zh) * | 2012-07-24 | 2013-04-10 | 南京农业大学 | 一种基于高光谱识别种蛋孵化的装置与方法 |
CN103278460A (zh) * | 2013-05-30 | 2013-09-04 | 华南农业大学 | 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法 |
CN103344575A (zh) * | 2013-07-01 | 2013-10-09 | 江南大学 | 基于高光谱图像技术的干燥毛豆多品质无损检测方法 |
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 |
CN203824902U (zh) * | 2014-04-15 | 2014-09-10 | 华南理工大学 | 一种基于高光谱的果蔬表面损伤检测装置 |
CN104280349A (zh) * | 2014-10-28 | 2015-01-14 | 南京农业大学 | 一种基于高光谱图像对白萝卜糠心鉴定的方法 |
-
2015
- 2015-09-17 CN CN201510598014.2A patent/CN105158186B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033512A (zh) * | 2012-07-24 | 2013-04-10 | 南京农业大学 | 一种基于高光谱识别种蛋孵化的装置与方法 |
CN103278460A (zh) * | 2013-05-30 | 2013-09-04 | 华南农业大学 | 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法 |
CN103344575A (zh) * | 2013-07-01 | 2013-10-09 | 江南大学 | 基于高光谱图像技术的干燥毛豆多品质无损检测方法 |
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 |
CN203824902U (zh) * | 2014-04-15 | 2014-09-10 | 华南理工大学 | 一种基于高光谱的果蔬表面损伤检测装置 |
CN104280349A (zh) * | 2014-10-28 | 2015-01-14 | 南京农业大学 | 一种基于高光谱图像对白萝卜糠心鉴定的方法 |
Non-Patent Citations (2)
Title |
---|
ANGEL DACAL-NIETO ET AL.: "Non-destructuive detection of hollow heart in potatoes using hyperspectral imaging", 《14TH INTERNATIONAL CONFERENCE ON COMPUTER ANALYSIS OF IMAGES AND PATTERNS(CAIP)》 * |
高海龙 等: "马铃薯黑心病和单薯质量的透射高光谱检测方法", 《农业工程学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105651679A (zh) * | 2016-02-04 | 2016-06-08 | 华中农业大学 | 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 |
CN107144533A (zh) * | 2017-04-20 | 2017-09-08 | 浙江大学 | 一种基于高光谱成像技术的一点红萝卜空心鉴别方法 |
CN108844901A (zh) * | 2018-06-25 | 2018-11-20 | 南京工程学院 | 多光谱图像采集装置 |
CN109358018A (zh) * | 2018-12-05 | 2019-02-19 | 中华人民共和国梧州海关 | 一种利用红外光谱溯源识别成品六堡茶产地的方法 |
CN109740681A (zh) * | 2019-01-08 | 2019-05-10 | 南方科技大学 | 一种水果分拣方法、装置、系统、终端及存储介质 |
CN109765190A (zh) * | 2019-02-20 | 2019-05-17 | 中国水稻研究所 | 一种利用高光谱成像技术识别稻田稗草的方法 |
CN111855879A (zh) * | 2020-07-30 | 2020-10-30 | 温州科技职业学院 | 基于神经网络技术辅助超高效液相串联质谱评估基质效应值的方法 |
CN111855879B (zh) * | 2020-07-30 | 2021-05-25 | 温州科技职业学院 | 基于神经网络技术辅助超高效液相串联质谱评估基质效应值的方法 |
CN112474415A (zh) * | 2020-10-28 | 2021-03-12 | 扬州大学 | 一种果实分拣机 |
CN114720436A (zh) * | 2022-01-24 | 2022-07-08 | 四川农业大学 | 基于荧光高光谱成像的农产品品质参数检测方法及设备 |
CN116297318A (zh) * | 2023-03-24 | 2023-06-23 | 广东省农业科学院作物研究所 | 一种基于近红外光谱法测定甘薯茎尖总酚的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105158186B (zh) | 2017-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105158186A (zh) | 一种基于高光谱图像对白萝卜黑心检测的方法 | |
CN104297165B (zh) | 一种基于高光谱图像对腐败真菌生长预测的方法 | |
CN105181642B (zh) | 一种花生品质的近红外检测方法及应用 | |
CN110082298B (zh) | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 | |
CN104280349A (zh) | 一种基于高光谱图像对白萝卜糠心鉴定的方法 | |
CN102353701B (zh) | 一种利用挥发物的农作物虫害诊断方法 | |
CN103439270B (zh) | 一种高光谱图像检测桃果实早期冷害的方法 | |
CN111141836B (zh) | 一种基于声振多域谱与近红外光谱信息融合的梨果早期内部病害无损检测方法及装置 | |
CN109470648A (zh) | 一种单籽粒作物不完善粒快速无损判定方法 | |
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 | |
Zhaoyong et al. | Detection of moldy core in apples and its symptom types using transmittance spectroscopy | |
CN114199880A (zh) | 一种基于边缘计算的柑橘病虫害实时检测方法 | |
Huang et al. | Measurement of early disease blueberries based on vis/nir hyperspectral imaging system | |
Xu et al. | Nondestructive detection of total soluble solids in grapes using VMD‐RC and hyperspectral imaging | |
Sun et al. | Detection of the soluble solid contents from fresh jujubes during different maturation periods using NIR hyperspectral imaging and an artificial bee colony | |
CN114965346A (zh) | 基于深度学习和高光谱成像技术的猕猴桃品质检测方法 | |
CN110779875A (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
Lin et al. | Outdoor detection of the pollution degree of insulating materials based on hyperspectral model transfer | |
CN101943661B (zh) | 一种基于近红外光谱及显微菌斑面积数据融合的猪肉新鲜度无损检测技术 | |
CN112924410B (zh) | 发芽葵花籽的太赫兹光谱快速识别方法 | |
CN115049902B (zh) | 柑橘叶片含水量可视化预测方法、系统、设备及存储介质 | |
Zhang et al. | Analysis of moisture and total sugar content of Huizao based on surface images | |
Zhang et al. | Rapid and non-destructive decay detection of Yali pears using hyperspectral imaging coupled with 2D correlation spectroscopy | |
Hong et al. | Identification between Fimbristylis miliacea (L.) Vahl and Fimbristhlis stauntonii Debeaux et Franch. by CWT‐FTIR‐RBFNN | |
Musale et al. | Identification of defective mangoes using Gabor wavelets: a non-destructive technique based on texture analysis. |
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 |