CN105606610A - 一种基于生物散斑技术无损检测苹果内部品质的方法 - Google Patents
一种基于生物散斑技术无损检测苹果内部品质的方法 Download PDFInfo
- Publication number
- CN105606610A CN105606610A CN201510569858.4A CN201510569858A CN105606610A CN 105606610 A CN105606610 A CN 105606610A CN 201510569858 A CN201510569858 A CN 201510569858A CN 105606610 A CN105606610 A CN 105606610A
- Authority
- CN
- China
- Prior art keywords
- apple
- quality
- image
- forecast model
- internal quality
- 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.)
- Pending
Links
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于生物散斑技术无损检测苹果内部品质的方法,属于农产品无损检测技术领域。通过构建的生物散斑测量装置,获取苹果散斑图像,提取图像特征参数,并相应地测定苹果内部品质指标(硬度和可溶性固形物),分析图像特征参数与内部品质两者之间的相关,建立基于散斑图像的苹果内部品质检测模型。本方法可以对“嘎啦”苹果和“红富士”苹果的内部品质(硬度和可溶性固形物)进行检测,并根据国标GB/T?10651-2008对苹果质量进行分级。这将有利于苹果的综合利用,对提高我国苹果的出口率以及提升苹果在国际市场上的竞争力具有重要的意义。
Description
技术领域
本发明是一种基于生物散斑技术无损检测苹果内部品质的方法,属于农产品无损检测技术领域。
背景技术
随着人们生活水平的不断提高,消费者在选购水果时,对其内部品质(如糖度等)越来越看重。
我国的水果内部品质无损检测技术较为落后。目前,对水果内部品质的无损检测主要采用的是近红外无损检测技术,由于设备价格较为昂贵,处理的数据量较大,不利于商业化推广。
在当前亟需对水果内部品质检测的形势下,针对水果内部品质的无损检测仪器不成熟的状况,本发明提供一种利用生物散斑技术对苹果内部品质进行无损检测的方法,具有简便、快捷、成本低等特点。这对提高水果质量具有十分重要的作用,对促进我国水果采后分级的科技化,提高水果经济价值和竞争力具有十分重要的意义。
发明内容
技术问题
本发明主要是针对苹果内部品质无损检测技术的不足,提供一种基于生物散斑技术无损检测苹果内部品质的方法,这对提高苹果经济价值和竞争力具有十分重要的意义。
技术方案
一种基于生物散斑技术无损检测苹果内部品质的方法(本研究技术路线见图1),其特征在于包括:(一)生物散斑测量装置的搭建、(二)图像处理及参数提取、(三)苹果预测模型的建立,其中:
(一)生物散斑测量装置的搭建
1)光源系统
光源系统包括激光发射器(4)、电源(5)、暗箱(2),其中,激光发射器(4)为波长为650nm,功率为20mW的半导体激光器,激光器发射的光源与工业相机的轴线成15°夹角,暗箱是(2)是内部为黑色的铁质箱子,暗箱顶部有一个直径为7±1mm的用来放置样品的圆孔;
2)图像采集系统
图像采集系统包括CCD工业相机及支架(3)、USB线(6),其中,CCD工业相机及支架(3)位于被测样品的正下方30cm处,CCD工业相机(3)采集的图像通过USB线(6)传输到计算机上,如图1;
(二)图像处理及参数提取
1)灰度转化
将24位的彩色图像转化为8位的灰度图像,灰度图只包含亮度信息,将亮度值进行量化,用0~255共256个灰度级来表示图像的亮度情况,利用RGB彩色图像转换为灰度图像的公式将RGB三个颜色分量转化为灰度值,公式如下:
Y=0.299R+0.587G+0.114B(1)
公式中的Y值就是灰度值,其代表了图像的亮度信息;
2)中值滤波
采用中值滤波法对图像进行去噪,处理模板为3×3;
3)图像阈值分割
采用双峰法对苹果散斑图像进行阈值分割,分割的特征区域S3图像的灰度范围为75≤Ti≤195;
4)参数提取
统计S3区域(即外环像素面积)内像素的数目作为图像特征参数,如图2;
(三)苹果预测模型的建立
2)基于回归分析建立苹果预测模型
利用SPSSStatistics18统计软件进行回归分析,以外环S3像素数为自变量来模拟苹果品质参数,采用逐步回归法,设定引入变量和剔除变量的显著水平均为0.05,得出如下预测模型;
嘎啦苹果硬度预测模型:y1=-0.0001x+14.231(R2=0.843,p<0.001),当y1≥6.5,硬度等级为合格,否则,硬度等级为不合格;
红富士苹果硬度预测模型:y2=-0.000035x+9.4680(R2=0.824,p<0.001),当y2≥7,硬度等级为合格,否则,硬度等级为不合格;
嘎啦苹果可溶性固形物的预测模型:y3=-0.0000000027x2+0.0003x+7.6535(R2=0.808,p<0.001),当y3≥12,可溶性固形物等级为合格,否则,可溶性固形物等级为不合格;
红富士苹果可溶性固形物的预测模型:y4=-0.0000000031x2+0.0004x+4.4181(R2=0.803,p<0.001),当y4≥13,可溶性固形物等级为合格,否则,可溶性固形物等级为不合格;
苹果等级分为合格和不合格,当苹果的两个品质指标等级均为合格时,该苹果等级为合格任意一个品质指标等级出现不合格,该苹果等级为不合格。
有益效果
1.本方法基于生物散斑技术检测苹果内部品质,为检测苹果内部品质提供了一种简便、快捷的无损检测方法。
2.本方法具有较强的适用性。对于不同品种的苹果,只需测量相应的样本,建模后都能进行苹果内部品质的无损检测。
3.本方法的提出对于提高苹果经济价值和竞争力具有十分重要的意义。
四、附图说明
图1本发明的技术路线
图2本发明原理示意图
图3本发明散斑图像分割示意图
图4本发明软件界面图
五、具体实施方式
针对本发明是一种基于生物散斑技术无损检测苹果内部品质的方法,样品选择“红富士”苹果为代表,进行检测分级。具体实施过程如图3,包括以下5个过程:
1苹果散斑图像的获取及品质指标的测定
挑选果实完整良好,色泽相近,无病虫害、无机械损伤的苹果放入温度为(20±1)℃、相对湿度为80%的恒温恒湿箱中进行贮藏,每周一取出苹果,采集苹果散斑图像并测定其品质指标,为硬度和可溶性固形物,共测定6次,每次各取40个苹果。
2图像特征参数的提取
对苹果散斑图像进行灰度转化、中值滤波、双峰法阈值分割等处理。统计外环S3像素面积,即像素点总和。
3建立模型
基于图像特征参数,建立苹果品质指标的预测模型。
4验证
将50个“红富士”苹果样本按上述步骤1获取散斑图像,测定品质指标,根据步骤2,提取图像特征参数,利用预测模型得出预测值。“红富士”苹果内部品质实测值与预测值的相对误差如下表:
从表3可看出模型所得到的预测值与实测数值误差相对较小。
表3“红富士”苹果实测值与预测值的相对误差
5分级
将50个“红富士”苹果样本按上述步骤1获取散斑图像,测定品质指标。根据步骤2,提取图像特征参数。利用预测模型得出预测值,并根据GB/T10651-2008对苹果品质进行分级,分为合格和不合格两个等级。苹果品质分级标准如表4。只有硬度和可溶性固形物两个品质指标均符合参考值时,该苹果的等级才为合格。两个品质指标中只要有任何一个品质指标不符合,该苹果的等级皆为不合格。
表4苹果品质分级标准
分级结果如表5,从表5可看出由该方法能够对苹果等级实现正确的分级,红富士苹果的分级正确率为86%,分级正确率较高。
表5品质指标分级
为方便处理数据,得出直观的结果。可将上述图像处理及模型写入程序中,编写出软件,软件界面图如图4。
Claims (1)
1.一种基于生物散斑技术无损检测苹果内部品质的方法,其特征在于包括:(一)生物散斑测量装置的搭建、(二)图像阈值分割及特征参数的提取、(三)苹果品质预测模型的建立,其中:
(一)生物散斑测量装置的搭建
1)光源系统
光源系统包括激光发射器(4)、电源(5)、暗箱(2),其中,激光发射器(4)为波长为650nm,功率为20mW的半导体激光器,激光器发射的光源与工业相机的轴线成15°夹角,暗箱是(2)是内部为黑色的铁质箱子,暗箱顶部有一个直径为7±1mm的用来放置样品的圆孔;
2)图像采集系统
图像采集系统包括CCD工业相机及支架(3)、USB线(6),其中,CCD工业相机及支架(3)位于被测样品的正下方30cm处,CCD工业相机(3)采集的图像通过USB线(6)传输到计算机上;
(二)图像阈值分割及特征参数的提取
1)图像阈值分割
采用双峰法对苹果散斑图像进行阈值分割,分割的特征区域S3图像的灰度范围为75≤Ti≤195;
2)特征参数的提取
统计S3区域(即外环像素面积)内像素的数目作为图像特征参数;
(三)苹果预测模型的建立
1)基于回归分析建立苹果预测模型
利用SPSSStatistics18统计软件进行回归分析,以外环S3像素数为自变量来模拟苹果品质参数,采用逐步回归法,设定引入变量和剔除变量的显著水平均为0.05,得出的如下预测模型,其中,x为S3像素数,y为对应的品质指标;
嘎啦苹果硬度预测模型:y1=-0.0001x+14.231,决定系数R2=0.843,显著性水平p<0.001;
红富士苹果硬度预测模型:y2=-0.000035x+9.4680,决定系数R2=0.824,显著性水平p<0.001;
嘎啦苹果可溶性固形物的预测模型:y3=-0.0000000027x2+0.0003x+7.6535,决定系数R2=0.808,显著性水平p<0.001;
红富士苹果可溶性固形物的预测模型:y4=-0.0000000031x2+0.0004x+4.4181,决定系数R2=0.803,显著性水平p<0.001;
2)苹果等级分级标准
苹果品质指标等级分级标准根据GB/T10651-2008中的理化指标参考值来分级,“嘎啦”苹果和“红富士”苹果的品质指标分级如下:
当y1≥6.5且y3≥12,嘎啦苹果等级为合格,否则,都为不合格;
当y2≥7且y4≥13,红富士苹果等级为合格,否则,都为不合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510569858.4A CN105606610A (zh) | 2015-09-09 | 2015-09-09 | 一种基于生物散斑技术无损检测苹果内部品质的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510569858.4A CN105606610A (zh) | 2015-09-09 | 2015-09-09 | 一种基于生物散斑技术无损检测苹果内部品质的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105606610A true CN105606610A (zh) | 2016-05-25 |
Family
ID=55986715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510569858.4A Pending CN105606610A (zh) | 2015-09-09 | 2015-09-09 | 一种基于生物散斑技术无损检测苹果内部品质的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105606610A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106525844A (zh) * | 2016-07-22 | 2017-03-22 | 南京农业大学 | 一种基于嵌入式Linux的便携式水果品质分级系统 |
CN109499915A (zh) * | 2018-11-10 | 2019-03-22 | 东莞理工学院 | 一种用于苹果分选装置的在线视觉检测系统 |
CN111784650A (zh) * | 2020-06-24 | 2020-10-16 | 深圳市多彩汇通实业有限公司 | 基于图形图像处理技术的果实含水率检测方法 |
CN113324578A (zh) * | 2020-01-09 | 2021-08-31 | 西北农林科技大学 | 鲜食苹果外观品质及贮藏指标测量仪 |
CN113970552A (zh) * | 2021-09-26 | 2022-01-25 | 北京京仪仪器仪表研究总院有限公司 | 一种结合激光散斑和Kmeans聚类算法的苹果无损检测方法 |
RU2824849C2 (ru) * | 2022-03-15 | 2024-08-14 | Федеральное государственное бюджетное научное учреждение "Федеральный научный центр имени И.В. Мичурина" | Оптический способ оценки целостности покровных тканей плодов и овощей |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101158651A (zh) * | 2007-11-16 | 2008-04-09 | 南京农业大学 | 一种基于激光图像分析检测苹果内外品质的装置及方法 |
CN101701922A (zh) * | 2009-11-19 | 2010-05-05 | 西北工业大学 | 一种光学无损检测环形内壁表面的装置 |
-
2015
- 2015-09-09 CN CN201510569858.4A patent/CN105606610A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101158651A (zh) * | 2007-11-16 | 2008-04-09 | 南京农业大学 | 一种基于激光图像分析检测苹果内外品质的装置及方法 |
CN101701922A (zh) * | 2009-11-19 | 2010-05-05 | 西北工业大学 | 一种光学无损检测环形内壁表面的装置 |
Non-Patent Citations (3)
Title |
---|
屠振华等: "激光图像技术在苹果品质分级中的研究进展", 《食品工业科技》 * |
胡孟晗等: "生物散斑技术在农产品品质分析中的应用", 《农业工程学报》 * |
陈育彦: "计算机视觉技术分析激光图像检测苹果品质及病害的研究", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106525844A (zh) * | 2016-07-22 | 2017-03-22 | 南京农业大学 | 一种基于嵌入式Linux的便携式水果品质分级系统 |
CN109499915A (zh) * | 2018-11-10 | 2019-03-22 | 东莞理工学院 | 一种用于苹果分选装置的在线视觉检测系统 |
CN113324578A (zh) * | 2020-01-09 | 2021-08-31 | 西北农林科技大学 | 鲜食苹果外观品质及贮藏指标测量仪 |
CN111784650A (zh) * | 2020-06-24 | 2020-10-16 | 深圳市多彩汇通实业有限公司 | 基于图形图像处理技术的果实含水率检测方法 |
CN113970552A (zh) * | 2021-09-26 | 2022-01-25 | 北京京仪仪器仪表研究总院有限公司 | 一种结合激光散斑和Kmeans聚类算法的苹果无损检测方法 |
RU2824849C2 (ru) * | 2022-03-15 | 2024-08-14 | Федеральное государственное бюджетное научное учреждение "Федеральный научный центр имени И.В. Мичурина" | Оптический способ оценки целостности покровных тканей плодов и овощей |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105606610A (zh) | 一种基于生物散斑技术无损检测苹果内部品质的方法 | |
CN100480680C (zh) | 多光谱肉类新鲜度人工智能测量方法及系统 | |
CN105181912B (zh) | 一种大米储藏过程中的新鲜度检测方法 | |
Iqbal et al. | Classification of selected citrus fruits based on color using machine vision system | |
CN110781889B (zh) | 一种基于深度学习的蓝莓果实中总糖含量的无损检测方法 | |
CN102928435A (zh) | 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置 | |
CN101059452A (zh) | 基于多光谱成像技术的水果品质无损检测方法与系统 | |
CN105891229A (zh) | 确定水果外表进行光谱图像分析检测所用特征波长的方法 | |
Fellegari et al. | Determining the orange volume using image processing | |
Wang et al. | Measurement system of gear parameters based on machine vision | |
CN105139022A (zh) | 一种通过近红外高光谱图像技术建立塑料识别模型的方法 | |
CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
CN201041553Y (zh) | 基于多光谱成像技术的水果品质无损检测系统 | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
CN110009609B (zh) | 一种快速检测黄粒米的方法 | |
Ma et al. | Rapid measurement for 3D geometric features of maize ear based on image processing | |
Cai et al. | Detection of early decayed oranges by structured-illumination reflectance imaging coupling with texture feature classification models | |
CN103745476B (zh) | 基于线扫描局部峰值分析的手机隔板砂粒检测方法 | |
US10204285B2 (en) | Apparatus and method for identifying plant varieties from leaf samples taken whilst in the field | |
TW201822121A (zh) | 水果成熟度與品質優劣辨識系統及方法 | |
CN102735340A (zh) | 一种基于压缩传感的水果颜色分级方法 | |
Mahdavipour et al. | Micro-crack detection of polycrystalline silicon solar wafer | |
CN107527362A (zh) | 一种基于图像纹理特征指标的苹果口感定性鉴别方法 | |
Ayitenfsu | Method of coffee bean defect detection | |
CN111523605A (zh) | 一种图像识别方法、装置、电子设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160525 |
|
WD01 | Invention patent application deemed withdrawn after publication |