CN105241821A - 一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法 - Google Patents
一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法 Download PDFInfo
- Publication number
- CN105241821A CN105241821A CN201510481027.1A CN201510481027A CN105241821A CN 105241821 A CN105241821 A CN 105241821A CN 201510481027 A CN201510481027 A CN 201510481027A CN 105241821 A CN105241821 A CN 105241821A
- Authority
- CN
- China
- Prior art keywords
- image
- sensor array
- wavelength
- smell
- characteristic
- 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)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法,包括:(1)根据水果气味特征,筛选m个卟啉或金属卟啉色敏型材料制作传感器阵列,并确定与水果气味响应的平衡时间,然后得到反应前后的传感器阵列;(2)利用高光谱成像系统采集传感器阵列高光谱图像,主元降维,优选n个特征波长;(3)设计多滤波片式的多光谱系统,获取n个特征波长图像,计算反应平衡前后的差值图像;(4)从得到的差值图像提取m个色敏点上m×n个特征变量,模式识别构建判别模型,对水果腐烂快速检测。本发明相对传统CCD或扫描仪获取的宽频谱彩色图像,多光谱图像更易捕捉独特气味分子与色敏材料作用后的光谱差异,提高了检测的精确度和灵敏度。
Description
技术领域
本发明自主设计了n个特征单波长滤波片式多光谱系统,并引用创新型气味光谱成像技术来实现对水果腐烂的检测。
背景技术
不同成熟度的水果具有较为明显的气味特征,这种特征一般是通过人类的嗅觉感官来评判。但是感官评定很容易受到审评人员的经验、精神状态、性别、体质甚至地域环境等因素的影响,造成审评结果的偏差。而传统的理化检测方法耗时费力,不易实现实时检测。
目前在水果成熟度评价方面所采用的电子鼻系统大多是基于金属氧化物传感器阵列,但该技术在实际使用过程中存在着一定的缺陷。首先,金属氧化物传感器阵列易受温度、湿度的变化,容易产生基线漂移,引起测量误差,在使用过程中需严格控制周围的温、湿度,或者需进行温度、湿度补偿;其次,传感器阵列还原时间过长,不适合快速检测。
近年来,出现了一种新型的电子鼻传感器技术,该技术是利用挥发性成分与相关色敏感材料之间的化学反应引起颜色变化,主要是利用卟啉及其衍生物类化合物,因此该敏感材料有潜质用来实现对气味的检测,由色敏材料与挥发性有机气体反应前后的颜色变化对气体定性或定量分析,该材料可以克服金属氧化物传感器阵列易受温度、湿度变化的缺点,在长期的使用中,保持稳定的检测结果。
而且传统的电子鼻技术的检测机理都是利用普通CCD或扫描仪,获取与食品气味(即挥发性有机物)反应前后的两张图像,进行差值相减,得到差值图像。然而由于普通CCD或扫描仪最终得到的是一个彩色的RGB图像,它是由三个宽频波段(R、G和B)的图像复合而成,其频谱较宽,掩盖了气体分子与色敏材料反应后在特定波长下的光谱变化,所以传统的电子鼻技术在食品气味检测上的精度有待进一步提高,其应用就受到了一定的限制。
发明内容
为了克服现有技术的上述缺点与不足,并结合创新型电子鼻技术,本发明就提供了一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法,操作简单方便,且提高了检测的精确度和灵敏度。
本发明的目的通过以下技术方案实现:
一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法,包括以下步骤:
1)黑白板校正:用标准白板采集全白标定图像,将镜头盖盖上采集全黑标定图像;
2)根据水果气味特征,筛选色敏型材料制作传感器阵列:根据预实验色敏型材料、PH指示剂和水果中易挥发性成分的响应强度,筛选出若干个能代表该水果香气的卟啉或金属卟啉氧化物和PH指示剂,并将选择后的色敏型材料用毛细管滴涂到硅胶板上,制备出具有特异性的传感器阵列;
3)以反应时间为18min作为优化的时间节点,确定水果气味与传感器阵列响应的平衡时间,并根据平衡时间得到与水果气味反应前后的传感器阵列;
4)利用高光谱成像系统采集反应前后的传感器阵列高光谱图像,进行主元降维,优选n个特征波长;
5)设计基于多滤波片式的多光谱系统,获取传感器阵列的n个特征波长图像,计算出反应平衡前后的n个差值图像:根据筛选出来的n个特征波长(λ1,λ2,λ3,...),选用相对应的滤波片,设计基于多滤波片式的多光谱成像系统,并配合水果集气室、反应室和气体循环装置,构成一套气味多光谱成像数据采集系统;
6)从得到的n个差值图像上提取m个色敏点上m×n个特征变量,通过模式识别构建判别模型,对水果腐烂进行快速检测:特定单波长下的光谱图像上每个色敏点的灰度值为1个特征变量,这样传感器阵列上有m个色敏点,一共提供了m×n个特征变量;
7)建立预测模型:使用模式识别方法如线性或非线性的方法建立训练预测模型,每个差值图像上每个色敏点的灰度值为1个特征变量,则每个样本有m×n个特征变量,根据得到的特征变量,利用一些进行训练,构建一个预测模型。
进一步,所述步骤3)对水果气味与传感器阵列响应的平衡时间进行优化,具体过程为:从差值图像的颜色变化和特征变量的数值变化来确定水果气味与传感器阵列响应的平衡时间,试验以3min,6min,9min,12min,15min,18min,21min和24min作为优化的时间节点,得到相应的差值图像和特征变量,短时间内,水果气味和传感器阵列中的色敏型材料反应未完全,差值图像的颜色变化和特征变量的数值变化明显,随着时间的推移,水果气味和传感器阵列中的色敏型材料反应达到平衡,前后差值图像的色敏点颜色彼此无太大的区别,特征变量的数值也基本保持不变,此时间即为平衡时间点。
进一步,所述步骤4)的n个特征波长的优选,具体过程为:利用基于光谱仪的高光谱成像系统,采集水果气味与传感器阵列反应平衡前后三维图像数据块;数据采集前,将传感器阵阵列置于高光谱成像系统的移动平台上,设定特定的高光谱像机曝光时间、移动平台速度、图像空间分辨率、光谱范围和光谱采样间隔,采集得到若干个波长下的图像,最终得到一个高光谱三维图像数据块,针对采集的高光谱三维图像数据,利用软件进行主元降维,每个主元图像由若干个波长下的图像线性组合而成(第一主元图像=ω1λ1+ω2λ2+ω3λ3+...+ωiλi+...)。根据权重系数ωi值的大小和随波长的变化情况来优选特征波长。按照以上方法,从高光谱三维图像数据块中优选出n个特征波长(λ1,λ2,,...λn)。
进一步,所述优选的特征波长为3个,所述高光谱像机曝光时间为25ms,移动平台速度为1.25mm/s,高光谱图像空间分辨率选为1628×618像素,光谱范围为430~960nm,光谱采样间隔为0.858nm。
进一步,所述步骤5)中基于多滤波片式的多光谱系统的设计,具体过程为:
5.1)根据步骤4)筛选出来的n个特征波长(λ1,λ2,λ3,...),选用n个相应波长的滤波片,设计滤波片旋转平台,使用选用的滤波片,并配合水果集气室、反应室和气体循环装置等构成一套基于多光谱成像的嗅觉可视化数据采集系统;
5.2)图像采集过程如下:首先,将水果放置于集气室内富集特定的时间,关闭阀门,利用多光谱成像技术获取传感器阵列与气体反应平衡前的多光谱图像;然后,开启阀门,真空泵将集气室内富集后气体抽到传感器反应室内,在此过程中通过流量计控制好气体流量,使得进入反应室内的气体均匀;接着,气体与传感器阵列反应一定时间后,利用多光谱成像技术获取传感器阵列与气体反应平衡后的多光谱图像,最后,计算机对传感器阵列与气体反应前后得到的多光谱图像进行作差,这样每个特征波长下,均会得到一个差值图像,总共n个差值图像。
进一步,所述步骤6)中特征变量的提取,具体过程为:特定单波长下的光谱图像上每个色敏点的灰度值为1个特征变量,这样传感器阵列上的m个色敏点,一共提供了m×n个特征变量,然后通过归一化预处理,再利用p个完好样本和q个过成熟样本,通过机械学习的方法手段构建判别模型,模型构建好以后,利用上述步骤获取特征,带入模型即可对该样本轻微腐烂情况进行快速鉴别。
与现有技术相比,本发明具有以下优点和有益效果:
(1)本发明的方法基于自主建立的多光谱图像采集系统和新型电子鼻技术来鉴别水果腐烂情况,与单一的高光谱图像采集系统和传统电子鼻技术相比,实验更加简便,实验数据更加浓缩,耗时更加少,大大提高了实验效率,并且建立的模型系统的稳健性较好和准确性率较高。
(2)本发明的方法可将水果腐烂情况用可视化图像表现出来,直观清晰。
(3)本方法只需扫描与水果样品反应前后的传感器阵列图像,代入编写好的模式识别方法,即可得检测结果,方便、快捷;不需要测量任何理化指标,也不需要重新编写程序。
(4)根据筛选出来的n个特征波长(λ1,λ2,λ3,...),选用n个相应波长的滤波片,设计滤波片旋转平台,使用选用的滤波片,并配合水果集气室、反应室和气体循环装置等构成一套基于多光谱成像的嗅觉可视化数据采集系统,精准的对所采集的水果气味进行反应,且相对于原始采集图像方法,更加的节省数据采集时间和图像占用空间。
(4)本发明的综合创新之处在于,根据预实验色敏型材料、PH指示剂和水果中易挥发性成分的响应强度,筛选出若干个能代表该水果香气的卟啉或金属卟啉氧化物和PH指示剂,并将选择后的氯仿溶解的色敏型材料用毛细管滴涂到硅胶板上,制备出具有特异性的传感器阵列;然后,采集传感器阵列与挥发性气体反应前后的阵列图像,以若干个反应时间作为优化的时间节点,得到传感器阵列相应的差值图像和特征变量,从差值图像的颜色变化和特征变量的数值变化,来优选出水果气味与传感器阵列反应的所需最短时间作为平衡时间,对以后的实验过程达到节约时间,快速准确的效果;用标准白板采集全白标定图像,将镜头盖盖上采集全黑标定图像,黑白校正后,以确定的平衡时间点,利用高光谱成像系统,采集传感器阵列反应平衡前后三维图像数据块,并针对采集的高光谱三维图像数据,进行主元降维,根据权重系数ωi值的大小和随波长的变化情况优选出n个特征波长,对后面建立多光谱系统,具有更加快速方便的效果;根据上一步优选出的n个特征波长(λ1,λ2,λ3,…),设计基于多滤波片式的多光谱系统,利用多光谱成像技术获取传感器阵列与气体反应平衡前后的传感器阵列多光谱图像,对得到的反应前后的传感器阵列多光谱图像进行作差,这样每个特征单波长下,均会得到一个差值图像,总共n个差值图像,为接下来提取特征变量提供差值图像;从得到的n个差值图像上提取m个色敏点n×m个特征变量,通过模式识别构建判别模型,对水果腐烂情况进行快速检测。
综上,相对于传统的高光谱成像系统而言,具有几个特征单波长滤波片式的多光谱成像系统,能以最优化的、最节省空间的代表性单波长图像代替数据量庞大的全波长图像,不仅在空间上达到了优化,相对于传统CCD或扫描仪获取的宽频谱彩色图像,特定单波长的光谱图像,也更易捕捉那些由于气味分子与色敏材料反应后的光谱差异,因此提高了检测的精确度和灵敏度。
附图说明
图1为本发明基于气味光谱成像技术的轻微腐烂水果快速鉴别方法装置示意图;
图2为实现本发明的实施例的特征波长筛选示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
实施例:
图1为实现本实施例的基于气味光谱成像技术的轻微腐烂水果快速鉴别方法的装置示意图,包括相机CCD相机、筛选特征波长的滤波片、光源、樱桃检测样品、集气室、阀门和电脑等。整套系统放在密闭铁柜中,以避免图像采集时,光线、强风等环境因素的影响。
本实施例的基于气味光谱成像技术的轻微腐烂水果快速鉴别方法,包括以下步骤:
(1)黑白板校正:用标准白板采集全白标定图像,将镜头盖盖上采集全黑标定图像。
(2)根据樱桃气味特征,筛选色敏型材料制作传感器阵列:根据预实验色敏型材料、PH指示剂和樱桃中易挥发性成分的响应强度,筛选出若干个能代表该水果香气的卟啉或金属卟啉氧化物和PH指示剂,并将选择后的氯仿溶解的色敏型材料用毛细管滴涂到硅胶板上,制备出特异性的传感器阵列。
(3)确定水果气味与传感器阵列响应的平衡时间,并根据平衡时间得到与水果气味反应前后的传感器阵列:传感器阵列上的色敏材料与水果中的易挥发性气体的反应需要一段时间才能达到平衡状态。因此,有必要对水果气味与传感器阵列所需的反应时间进行优化,在得到的一系列时间里选择反应达到平衡的最短时间作为平衡时间,在之后的实验中,根据前期得到的平衡时间,进一步得到与水果气味反应前后的传感器阵列。以反应时间为3min,6min,9min,12min,15min,18min,21min和24min作为优化的时间节点,得到相应的8幅差值图像和8组特征变量,从差值图像的颜色变化和特征变量的数值变化,来优选出水果气味与传感器阵列反应的所需最短时间18min作为平衡时间。
该步骤所述对水果气味与传感器阵列响应的平衡时间进行优化,具体为:从差值图像的颜色变化和特征变量的数值变化来确定水果气味与传感器阵列响应的平衡时间,试验以若干个反应时间作为优化的时间节点,得到相应的差值图像和特征变量,短时间内,水果气味和传感器阵列中的色敏型材料反应未完全,差值图像的颜色变化和特征变量的数值变化明显,随着时间的推移,水果气味和传感器阵列中的色敏型材料反应达到平衡,前后差值图像的色敏点颜色彼此无太大的区别,特征变量的数值也基本保持不变,此时间即为平衡时间点。
(4)如图2所示,利用高光谱成像系统采集反应前后的传感器阵列高光谱图像,进行主元降维,优选n个特征波长:利用基于光谱仪的高光谱成像系统,采集水果气味与传感器阵列反应平衡前后三维图像数据块。数据采集前,将传感器阵阵列置于高光谱成像系统的移动平台上,设定特定的高光谱像机曝光时间、移动平台速度、图像空间分辨率、光谱范围和光谱采样间隔,采集得到若干个波长下的图像,最终得到一个高光谱三维图像数据块,针对采集的高光谱三维图像数据,利用软件进行主元降维,每个主元图像由若干个波长下的图像线性组合而成(第一主元图像=ω1λ1+ω2λ2+ω3λ3+...+ωiλi+...)。根据权重系数ωi值的大小和随波长的变化情况来优选特征波长。从高光谱三维图像数据块中优选出n个特征波长(λ1,λ2,,...λn)。
上述对高光谱三维图像数据块进行主成份分析过程中,利用软件对其进行主元降维,每个主元图像是由高光谱数据中若干个波长下的图像线性组合而成。由于第一主元图像包含的原始信息最多,通常根据第一主元图像来优选特征波长。根据的权重系数ωi值来优选特征波长:首先考虑ωi值的大小,ωi越大表明与第一主元图像之间的相关性越高,该ωi所对应的波长即为特征波长;其次,根据ωi随波长的变化情况,如果出现明显拐点,该拐点下的波长也为特征波长。按照以上方法,从高光谱数据中优选出若干个特征单波长(λ1,λ2,λ3,...)。
该步骤中,优选3个特征波长:数据采集前,将传感器阵阵列至于在高光谱成像系统内的移动平台上,设定高光谱像机曝光时间为25ms,移动平台速度为1.25mm/s,高光谱图像空间分辨率选为1628×618像素,光谱范围为430~960nm,光谱采样间隔为0.858nm,可采集得到618个波长下的图像,最终得到一个1628×618×618的高光谱三维图像数据块,针对采集的高光谱三维图像数据,利用软件对其进行主元降维,每个主元图像是由高光谱数据中618个波长下的图像线性组合而成。根据权重系数ωi值的大小和随波长的变化情况来优选特征波长。从高光谱三维数据块数据中优选出3个特征波长(440nm,512nm,661nm)。
(5)根据步骤(4)筛选出来的n个特征波长(λ1,λ2,λ3,...),选用n个相应波长的滤波片,设计滤波片旋转平台,并配合水果集气室、反应室和气体循环装置等构成一套基于多光谱成像的嗅觉可视化数据采集系统;图像采集过程如下:首先,将水果放置于集气室内富集特定的时间,关闭阀门,利用多光谱成像技术获取传感器阵列与气体反应平衡前的多光谱图像;然后,开启阀门,真空泵将集气室内富集后气体抽到传感器反应室内,在此过程中通过流量计控制好气体流量,使得进入反应室内的气体均匀;接着,气体与传感器阵列反应一定时间后,利用多光谱成像技术获取传感器阵列与气体反应平衡后的多光谱图像,最后,计算机对传感器阵列与气体反应前后得到的多光谱图像进行作差,这样每个特征波长下,均会得到一个差值图像,总共n个差值图像。
该步骤中,根据优选出的3个特征波长设计基于多滤波片式的多光谱系统,获取传感器阵列的6个特征波长图像,并计算出反应平衡前后的3个差值图像:根据筛选出来的3个特征波长(440nm,512nm,661nm),选用相应波长的滤波片,设计基于滤波片式的多光谱成像系统,利用多光谱成像技术获取传感器阵列与气体反应平衡前后的传感器阵列多光谱图像,再使用计算机对得到的反应前后的传感器阵列多光谱图像进行作差,这样每个特征单波长下,均会得到一个差值图像,总共3个差值图像。
(6)从得到的n个差值图像上提取m个色敏点上m×n个特征变量,通过模式识别构建判别模型,对水果腐烂进行快速检测:特定单波长下的光谱图像上每个色敏点的灰度值为1个特征变量,这样传感器阵列上有m个色敏点,一共提供了m×n个特征变量;所述特征变量的提取具体过程为:特定单波长下的光谱图像上每个色敏点的灰度值为1个特征变量,这样传感器阵列上的m个色敏点,一共提供了m×n个特征变量,然后通过归一化预处理,再利用p个完好样本和q个过成熟样本,通过机械学习的方法手段构建判别模型,模型构建好以后,利用上述步骤获取特征,带入模型即可对该样本轻微腐烂情况进行快速鉴别。
(7)建立预测模型:使用模式识别方法如线性或非线性的方法建立训练预测模型,每个差值图像上每个色敏点的灰度值为1个特征变量,则每个样本有m×n个特征变量,根据得到的特征变量,利用一些进行训练,构建一个预测模型。
对已经提取的(p+q)×m×n的数据矩阵进行线性或非线性的模式识别方法,如PCA(主成分分析)、LDA及BPNN等,建立模型,对水果的腐烂情况进行检测。
步骤(6)~(7)中,特定单波长下的多光谱图像上每个色敏点的灰度值为1个特征变量,这样传感器阵列上有15个色敏点,一共提供了15×3个特征变量,针对45个完好样本和45个过成熟样本,通过特征提取可提取(45+45)×15×3的数据矩阵。对已经提取的(45+45)×15×3的数据矩阵代入已建立好的线性判别模型中,对樱桃的品质进行预测,得到了较好的判别效果,训练集识别率和预测集识别率达到100%。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法,其特征在于,包括以下步骤:
1)黑白板校正:用标准白板采集全白标定图像,将镜头盖盖上采集全黑标定图像;
2)根据水果气味特征,筛选色敏型材料制作传感器阵列:根据预实验色敏型材料、PH指示剂和水果中易挥发性成分的响应强度,筛选出若干个能代表该水果香气的卟啉或金属卟啉氧化物和PH指示剂,并将选择后的色敏型材料用毛细管滴涂到硅胶板上,制备出具有特异性的传感器阵列;
3)以反应时间为18min作为优化的时间节点,确定水果气味与传感器阵列响应的平衡时间,并根据平衡时间得到与水果气味反应前后的传感器阵列;
4)利用高光谱成像系统采集反应前后的传感器阵列高光谱图像,进行主元降维,优选n个特征波长;
5)设计基于多滤波片式的多光谱系统,获取传感器阵列的n个特征波长图像,计算出反应平衡前后的n个差值图像:根据筛选出来的n个特征波长(λ1,λ2,λ3,...),选用相对应的滤波片,设计基于多滤波片式的多光谱成像系统,并配合水果集气室、反应室和气体循环装置,构成一套气味多光谱成像数据采集系统;
6)从得到的n个差值图像上提取m个色敏点上m×n个特征变量,通过模式识别构建判别模型,对水果腐烂进行快速检测:特定单波长下的光谱图像上每个色敏点的灰度值为1个特征变量,这样传感器阵列上有m个色敏点,一共提供了m×n个特征变量;
7)建立预测模型:使用模式识别方法如线性或非线性的方法建立训练预测模型,每个差值图像上每个色敏点的灰度值为1个特征变量,则每个样本有m×n个特征变量,根据得到的特征变量,利用一些进行训练,构建一个预测模型。
2.根据权利要求1所述的一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法,其特征在于,所述步骤3)对水果气味与传感器阵列响应的平衡时间进行优化,具体过程为:从差值图像的颜色变化和特征变量的数值变化来确定水果气味与传感器阵列响应的平衡时间,试验以3min,6min,9min,12min,15min,18min,21min和24min作为优化的时间节点,得到相应的差值图像和特征变量,短时间内,水果气味和传感器阵列中的色敏型材料反应未完全,差值图像的颜色变化和特征变量的数值变化明显,随着时间的推移,水果气味和传感器阵列中的色敏型材料反应达到平衡,前后差值图像的色敏点颜色彼此无太大的区别,特征变量的数值也基本保持不变,此时间即为平衡时间点。
3.根据权利要求1所述的一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法,其特征在于,所述步骤4)的n个特征波长的优选,具体过程为:利用基于光谱仪的高光谱成像系统,采集水果气味与传感器阵列反应平衡前后三维图像数据块;数据采集前,将传感器阵阵列置于高光谱成像系统的移动平台上,设定特定的高光谱像机曝光时间、移动平台速度、图像空间分辨率、光谱范围和光谱采样间隔,采集得到若干个波长下的图像,最终得到一个高光谱三维图像数据块,针对采集的高光谱三维图像数据,利用软件进行主元降维,每个主元图像由若干个波长下的图像线性组合而成(第一主元图像=ω1λ1+ω2λ2+ω3λ3+...+ωiλi+...)。根据权重系数ωi值的大小和随波长的变化情况来优选特征波长。按照以上方法,从高光谱三维图像数据块中优选出n个特征波长(λ1,λ2,,...λn)。
4.根据权利要求3所述的一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法,其特征在于,所述优选的特征波长为3个,所述高光谱像机曝光时间为25ms,移动平台速度为1.25mm/s,高光谱图像空间分辨率选为1628×618像素,光谱范围为430~960nm,光谱采样间隔为0.858nm。
5.根据权利要求1所述的一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法,其特征在于,所述步骤5)中基于多滤波片式的多光谱系统的设计,具体过程为:
5.1)根据步骤4)筛选出来的n个特征波长(λ1,λ2,λ3,...),选用n个相应波长的滤波片,设计滤波片旋转平台,使用选用的滤波片,并配合水果集气室、反应室和气体循环装置等构成一套基于多光谱成像的嗅觉可视化数据采集系统;
5.2)图像采集过程如下:首先,将水果放置于集气室内富集特定的时间,关闭阀门,利用多光谱成像技术获取传感器阵列与气体反应平衡前的多光谱图像;然后,开启阀门,真空泵将集气室内富集后气体抽到传感器反应室内,在此过程中通过流量计控制好气体流量,使得进入反应室内的气体均匀;接着,气体与传感器阵列反应一定时间后,利用多光谱成像技术获取传感器阵列与气体反应平衡后的多光谱图像,最后,计算机对传感器阵列与气体反应前后得到的多光谱图像进行作差,这样每个特征波长下,均会得到一个差值图像,总共n个差值图像。
6.根据权利要求1所述的一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法,其特征在于,所述步骤6)中特征变量的提取,具体过程为:特定单波长下的光谱图像上每个色敏点的灰度值为1个特征变量,这样传感器阵列上的m个色敏点,一共提供了m×n个特征变量,然后通过归一化预处理,再利用p个完好样本和q个过成熟样本,通过机械学习的方法手段构建判别模型,模型构建好以后,利用上述步骤获取特征,带入模型即可对该样本轻微腐烂情况进行快速鉴别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510481027.1A CN105241821B (zh) | 2015-08-07 | 2015-08-07 | 一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510481027.1A CN105241821B (zh) | 2015-08-07 | 2015-08-07 | 一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105241821A true CN105241821A (zh) | 2016-01-13 |
CN105241821B CN105241821B (zh) | 2019-02-05 |
Family
ID=55039543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510481027.1A Active CN105241821B (zh) | 2015-08-07 | 2015-08-07 | 一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105241821B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107036980A (zh) * | 2016-11-10 | 2017-08-11 | Tcl集团股份有限公司 | 一种检测冰箱食品新鲜度的方法及冰箱 |
CN107727606A (zh) * | 2017-10-13 | 2018-02-23 | 中国科学院上海技术物理研究所 | 一种适用于生物资源检测的综合光谱成像方法 |
CN109813704A (zh) * | 2017-11-20 | 2019-05-28 | 中国科学院大连化学物理研究所 | 一种有毒无机气体现场快速检测系统 |
CN109883967A (zh) * | 2019-02-26 | 2019-06-14 | 江苏大学 | 一种基于信息融合的中华绒螯蟹品质等级判别方法 |
CN109883959A (zh) * | 2019-02-26 | 2019-06-14 | 江苏大学 | 一种基于阵列传感器芯片的便携式多光谱成像装置及其应用 |
CN110501310A (zh) * | 2019-05-07 | 2019-11-26 | 华南理工大学 | 一种基于非模型光学校正高光谱的食品检测方法 |
CN111209767A (zh) * | 2018-11-05 | 2020-05-29 | 珠海格力电器股份有限公司 | 米种的存储方法和装置、存储设备 |
CN111492226A (zh) * | 2017-12-22 | 2020-08-04 | 太阳诱电株式会社 | 传感系统、车辆、程序、信息处理装置、信息处理方法和传感器装置 |
TWI705412B (zh) * | 2019-03-22 | 2020-09-21 | 台灣奈米碳素股份有限公司 | 基於氣體評價食材風味的系統及方法 |
CN111879725A (zh) * | 2020-08-24 | 2020-11-03 | 四川长虹电器股份有限公司 | 一种基于权重系数的光谱数据修正方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1865943A (zh) * | 2006-05-17 | 2006-11-22 | 江苏大学 | 食品香气的可视化检测方法和装置 |
CN101915738A (zh) * | 2010-06-23 | 2010-12-15 | 江苏大学 | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 |
CN203337533U (zh) * | 2013-05-30 | 2013-12-11 | 深圳职业技术学院 | 自适应多光谱成像系统 |
CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
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
- 2015-08-07 CN CN201510481027.1A patent/CN105241821B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1865943A (zh) * | 2006-05-17 | 2006-11-22 | 江苏大学 | 食品香气的可视化检测方法和装置 |
CN101915738A (zh) * | 2010-06-23 | 2010-12-15 | 江苏大学 | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 |
CN203337533U (zh) * | 2013-05-30 | 2013-12-11 | 深圳职业技术学院 | 自适应多光谱成像系统 |
CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
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 |
---|
李翠玲等: "基于多光谱成像技术的猪肉新鲜度无损快速检测装置", 《农业机械学报》 * |
赵杰文等: "基于嗅觉可视技术的食醋气味表征和区分", 《农业机械学报》 * |
黄星奕等: "可视化传感技术在桃子质量评价中的应用", 《江苏大学学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107036980A (zh) * | 2016-11-10 | 2017-08-11 | Tcl集团股份有限公司 | 一种检测冰箱食品新鲜度的方法及冰箱 |
CN107036980B (zh) * | 2016-11-10 | 2020-05-22 | Tcl科技集团股份有限公司 | 一种检测冰箱食品新鲜度的方法及冰箱 |
CN107727606A (zh) * | 2017-10-13 | 2018-02-23 | 中国科学院上海技术物理研究所 | 一种适用于生物资源检测的综合光谱成像方法 |
CN107727606B (zh) * | 2017-10-13 | 2019-11-26 | 中国科学院上海技术物理研究所 | 一种适用于生物资源检测的综合光谱成像方法 |
CN109813704A (zh) * | 2017-11-20 | 2019-05-28 | 中国科学院大连化学物理研究所 | 一种有毒无机气体现场快速检测系统 |
US11644449B2 (en) | 2017-12-22 | 2023-05-09 | Taiyo Yuden Co., Ltd. | Sensing system, information processing apparatus, and sensor apparatus |
CN111492226A (zh) * | 2017-12-22 | 2020-08-04 | 太阳诱电株式会社 | 传感系统、车辆、程序、信息处理装置、信息处理方法和传感器装置 |
CN111209767A (zh) * | 2018-11-05 | 2020-05-29 | 珠海格力电器股份有限公司 | 米种的存储方法和装置、存储设备 |
CN109883959A (zh) * | 2019-02-26 | 2019-06-14 | 江苏大学 | 一种基于阵列传感器芯片的便携式多光谱成像装置及其应用 |
CN109883959B (zh) * | 2019-02-26 | 2021-11-23 | 江苏大学 | 一种基于阵列传感器芯片的便携式多光谱成像装置及其应用 |
CN109883967B (zh) * | 2019-02-26 | 2022-03-22 | 江苏大学 | 一种基于信息融合的中华绒螯蟹品质等级判别方法 |
CN109883967A (zh) * | 2019-02-26 | 2019-06-14 | 江苏大学 | 一种基于信息融合的中华绒螯蟹品质等级判别方法 |
TWI705412B (zh) * | 2019-03-22 | 2020-09-21 | 台灣奈米碳素股份有限公司 | 基於氣體評價食材風味的系統及方法 |
JP2020153986A (ja) * | 2019-03-22 | 2020-09-24 | 台湾ナノカーボンテクノロジー股▲ふん▼有限公司Taiwan Carbon Nano Technology Corporation | ガスによって食材の風味を評価するシステム及び方法 |
CN111721760A (zh) * | 2019-03-22 | 2020-09-29 | 台湾奈米碳素股份有限公司 | 基于气体评价食材风味的系统及方法 |
CN110501310A (zh) * | 2019-05-07 | 2019-11-26 | 华南理工大学 | 一种基于非模型光学校正高光谱的食品检测方法 |
CN111879725A (zh) * | 2020-08-24 | 2020-11-03 | 四川长虹电器股份有限公司 | 一种基于权重系数的光谱数据修正方法 |
CN111879725B (zh) * | 2020-08-24 | 2022-02-01 | 四川长虹电器股份有限公司 | 一种基于权重系数的光谱数据修正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105241821B (zh) | 2019-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105241821A (zh) | 一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法 | |
Mashimbye et al. | Model-based integrated methods for quantitative estimation of soil salinity from hyperspectral remote sensing data: A case study of selected South African soils | |
Wang et al. | Enhanced quality monitoring during black tea processing by the fusion of NIRS and computer vision | |
CN104697943B (zh) | 一种油菜水分胁迫的无损检测方法 | |
Intaravanne et al. | Android-based rice leaf color analyzer for estimating the needed amount of nitrogen fertilizer | |
Barnes et al. | Beyond greenness: detecting temporal changes in photosynthetic capacity with hyperspectral reflectance data | |
Ustin et al. | Remote sensing of ecological processes: A strategy for developing and testing ecological models using spectral mixture analysis | |
CN108956505B (zh) | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 | |
CN109883959B (zh) | 一种基于阵列传感器芯片的便携式多光谱成像装置及其应用 | |
Ren et al. | Estimating senesced biomass of desert steppe in Inner Mongolia using field spectrometric data | |
CN101210876A (zh) | 基于可见/近红外多光谱成像的水稻养分信息测量方法 | |
CN100357725C (zh) | 近红外技术快速检测牛肉嫩度的方法和装置 | |
CN109799199B (zh) | 一种叶绿素a浓度的协同反演方法 | |
CN113310909B (zh) | 一种基于高光谱的水质测定方法及设备 | |
CN105203464A (zh) | 基于高光谱成像技术检测花生中油酸含量分布的方法 | |
Gastellu-Etchegorry et al. | A modeling approach to assess the robustness of spectrometric predictive equations for canopy chemistry | |
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 | |
CN114202675A (zh) | 一种基于无人机多光谱遥感影像的作物生长参数测定方法及系统 | |
CN110836870A (zh) | 基于gee的大区域湖泊透明度快速制图方法 | |
Masemola et al. | Towards a semi-automated mapping of Australia native invasive alien Acacia trees using Sentinel-2 and radiative transfer models in South Africa | |
Lin et al. | Identification of rice storage time based on colorimetric sensor array combined hyperspectral imaging technology | |
CN114419311B (zh) | 一种基于多源信息的百香果成熟度无损检测方法及装置 | |
CN114663821A (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 | |
Gadi et al. | A novel python program to automate soil colour analysis and interpret surface moisture content | |
George et al. | A study of spectral imaging acquisition and processing for cultural heritage |
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 |