CN105866042B - 基于像素指标无偏估计法生物品质指标空间分布检测方法 - Google Patents
基于像素指标无偏估计法生物品质指标空间分布检测方法 Download PDFInfo
- Publication number
- CN105866042B CN105866042B CN201610267977.9A CN201610267977A CN105866042B CN 105866042 B CN105866042 B CN 105866042B CN 201610267977 A CN201610267977 A CN 201610267977A CN 105866042 B CN105866042 B CN 105866042B
- Authority
- CN
- China
- Prior art keywords
- index
- spectrum
- detection
- pixel
- spectrum picture
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 178
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001228 spectrum Methods 0.000 claims abstract description 175
- 230000003595 spectral effect Effects 0.000 claims abstract description 59
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000007689 inspection Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 9
- 238000002310 reflectometry Methods 0.000 claims description 8
- 238000004611 spectroscopical analysis Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 claims description 5
- 238000007705 chemical test Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000002203 pretreatment Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 241000406668 Loxodonta cyclotis Species 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012797 qualification Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 31
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 9
- 239000008103 glucose Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 244000005700 microbiome Species 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 210000000697 sensory organ Anatomy 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010408 sweeping Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004304 visual acuity Effects 0.000 description 2
- 239000012472 biological sample Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 235000021018 plums Nutrition 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000000411 transmission spectrum Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Immunology (AREA)
- Genetics & Genomics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Physiology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种基于像素指标无偏估计法生物品质指标空间分布检测方法，借助光谱图像中所包含的反映被测对象特征的空间分布信息与光谱特征信息，对生物品质指标进行分别或综合评估，检测结果采用可视化方式呈现指标空间分布图以及分布图中的结果统计数据。本发明可用于生物品质指标分布的快速、非接触检验，检验结果准确、客观，表达方式直观，从而为生产与销售质量安全监管提供保障手段。
Description
技术领域
本发明涉及一种针对生物品质检测的方法，特指基于像素光谱对生物品质进行非接触式检测，检测结果采用可视化方式呈现指标空间分布图以及分布图中的结果统计数据的方法，属于生物无损检测技术领域。
背景技术
光谱检测技术以其可以实现非接触方式对检测对象进行内部品质检测，应用于生物品质的快速检测中。例如通过聚焦透镜与光纤将被测对象的平均光谱数据输出到光谱进行光谱检测；此类方法属于“点”检测，或“均值”检测，只可以根据光谱空间信息做出品质检测，由于没有空间信息所以无法做出品质指标的空间分布程度的检测。
随着硬件技术的发展，具有空间分辨能力的光谱图像检测设备也开始应用到生物品质检测中，但目前对光谱图像技术的应用并没充分发挥其空间分辨能力的优势，仍然沿用传统光谱检测思路对被测对象采用“均值”检测得到假想的均匀一致的品质指标检测值。生物品质由于受到生物自身组织成分的非均匀性及所受环境影响因素的非均匀性作用不可能均匀一致，所以对生物品质的检测应当反映指标在空间上的分布情况及在青梅表面各个像素点位置处预测数据的统计显示，而非仅采用平均值或代表值反映被测对象的整体情况。
在实践中发现，用区域光谱建立的预测模型进行像素指标检测时，结果常常明显偏离理论正确值。由于检测手段的局限，常常无法获取像素位置的指标参考值，所以无法对像素指标检测结果进行直接验证。
发明内容
为了解决现有技术中存在的问题，本发明提出一种基于像素指标无偏估计法光谱图像分析的生物品质指标分布检测方法，借助光谱图像中所包含的反映被测对象特征的空间分布信息与光谱特征信息，对生物品质指标进行分别或综合评估，检测结果采用可视化方式呈现指标空间分布图以及分布图中的结果统计数据。
由于光谱图像中，像素分辨率下的光谱曲线与具有一定面积的区域内全部像素位置光谱数据的均值曲线相比，更容易收到图像噪声等干扰因素的影响，超出光谱预测模型的容错能力、造成像素位置的预测值偏离实际情况。因此有必要对像素指标的预测结果进行验证，确认像素级的光谱数据没有超出预测模型的适用范围。若光谱预测模型能够对像素级光谱作出正确预测，则由这些像素组成的区域内各像素点位置处的指标预测均值应与该区域的理论正确参考值相一致。鉴于此，本发明利用统计方法，定量计算检测区域内全部像素位置的预测均值与该区域的理论参考值之间的一致性，从而对基于像素光谱作出的指标空间分布预测结果进行评价，进而得到像素指标无偏估计的指标空间分布预测结果。
本发明的具体如下：
置备具有一定代表性的样本库，样本库中的生物样本应反映待建立品质预测模型所对应的存储条件下待测品质指标全部可能分布范围。
样本经过光谱图像采集系统获得光谱图像存入光谱图像库，对光谱图像库中的光谱图像进行预处理，并经过有效检测区域提取将待测样本中的有效检测区域提取出，随后通过有效检测区域光谱提取操作将有效区域的代表光谱提取出存入光谱库。
对经过图像采集的样本通过传统感官、理化及微生物检测得到传统品质检测指标库。
传统检测指标库与光谱库组成的知识库包含相互一一对应的样本传统检测指标结果与有效检测区域的光谱数据，通过传统检测指标的区域光谱预测建模得到传统检测指标的区域光谱预测模型，根据不同品质指标、不同样品对象类别以及不同存储条件可以得到多个不同传统检测指标的光谱预测模型，这些模型存储于传统检测指标区域光谱预测模型库中，完成模型库的建立；
采集被测样本的光谱图像，通过光谱预处理与有效检测区域提取得到被测对象的光谱图像有效检测区域，利用已建立的模型库中的相应的传统检测指标区域光谱预测模型对被测对象的有效检测区域作像素指标检测，对像素指标检测结果进行统计验证，评价模型检测精度，优选出最佳像素指标预测模型，最终得到指标空间分布图以及分布图中的结果统计数据。
过程原理说明：
1.建立传统检测指标区域光谱预测模型库
选取被测对象种群、部位、存储方式与环境下的检测对象组成某种群、部位、存储方式与环境的样本，样本中的对象目标质量特征的分布范围应覆盖拟检测范围的全部。质量特征总体程度在样本中尽量均匀分布，即样本中每个质量水平上的对象数量尽量一致。
多个样本组成样本库，以反映不同种群、部位、存储方式及环境下检测对象的情况。
样本库中的每个样本经过光谱采集、得到光谱图像存于光谱图像库中，光谱图像经光谱图像预处理、有效检测区域提取、有效检测区域光谱提取得到训练肉品平行样本的光谱信息存于光谱库中；对经过图像采集的样本通过传统的感官、理化及微生物检测获取传统检测标定值，存于传统检测指标库中；传统检测指标库与光谱库共同组成知识库。对知识库进行传统检测指标的区域光谱预测建模得到传统检测指标区域光谱预测模型，对知识库中针对多种传统检测指标或存储条件的数据进行区域光谱预测建模得到多套传统检测指标的区域光谱预测模型存储于传统检测指标区域光谱预测模型库中。
2.进行像素指标检测
对被测对象进行光谱图像采集、光谱图像预处理、有效检测区域提取得到被测对象的有效检测区域的光谱图像信息，根据传统检测指标区域光谱预测模型库中与被测对象相应的种群、部位、存储方式与环境的光谱预测模型进行样本光谱图像可视化检测最终得到品质指标的像素指标检测结果。
3.对像素指标检测结果进行统计验证
统计验证步骤是：先筛除方差分析不通过的指标预测模型，对通过方差分析的预测模型进行均值分析，并根据均值分析结果修正像素预测模型。方差分析为F分布假设检测；均值分析为T分布假设检测。
修正像素预测模型步骤是：得到所有像素预测均值与参考值之间的偏差，并根据此偏差对指标的像素检测结果进行修正。
4.评价像素预测模型检测精度
对通过统计验证的各像素预测模型检测精度进行评价，评价指标采用一个绝对检测精度指标和一个经过标准化的检测精度指标。绝对检测精度指标可以是、但不局限于指标像素预测均值与参考值之间的均方根误差(RMSE)；经过标准化的检测精度指标是没有量纲的误差统计指标，可以是、但不局限于相关系数(r)或确定系数R2优选出最佳像素指标预测模型
5.像素指标预测结果显示
像素指标预测结果包括两部分，一部分是指标空间分布图，另一部分是分布图中的结果统计数据，包括全部像素位置的统计均值、25％和75％的百分位点。
6.有效检测区域提取操作
包括对光谱图像进行处理，从中提取出有效检测区域，排除光谱图像中无关或无效区域。无关区域指与某种检测指标不相关的区域。例如，但不局限于，背景区域与大部分检测指标之间无关。无效区域指与某项检测指标相关区域中由于某种或多种原因造成光谱图像检测区域的某些部分质量低于后续处理所需水平从而导致某相关检测区域中的局部无效。
7.有效检测区域光谱提取操作
包括根据光谱图像及其中提取出的有效区域，得到一条或多条具有代表性的光谱曲线反映该光谱图像中有效区域的光谱特征。代表性的光谱曲线提取方式可以但不局限于求取该区域的光谱均值曲线，或光谱中值曲线，或光谱最大值、最小值及均值曲线，或均值曲线及均值加减标准差曲线。
8.传统检测指标的光谱预测建模操作
先进行光谱预处理：例如(但不局限于)，利用光谱数据的光谱平滑滤波及差分求导等操作提高光谱空间信噪比。
然后通过遗传算法与偏最小二乘回归方法的组合对光谱图像数据进行特征选择与特征提取并建立光谱数据与传统指标之间的回归模型。
有益效果
本发明得到的像素预测结果能够很好地反映被测指标在空间上的实际分布情况，体现在对象检测区域内的像素预测值总体水平与检测参考值相一致。在无法直接获取像素位置指标参考值、不能直接开展像素预测指标验证时，仍可以很好地反映检测对象指标分布的实际情况。像素检测均值与指标参考值的分布通过方差分析与均值分析，因此基于像素指标无偏估计法光谱图像分析的生物品质指标分布检测方法可以替代获取指标参考值的测量方法。
以可视化方式呈现检测结果，直观反映检测指标在被测对象检测面上的程度差异的空间分布情况以及分布图中的结果统计数据，包括全部像素位置的统计均值、25％和75％的百分位点。比传统单个数值反映整个对象的表达方式更加接近生物内部组织成分非均匀性的实际情况。
本发明可以对生物品质进行快速、无损、非接触检测，提供生物品质单项或多项指标的综合检测结果。突破生物品质传统感官、理化与微生物检测在主观性、快速性及非破坏性方面的局限。
被检测面与检测装置之间没有接触，对样本没有破坏性，属于无损检测。
检测无需前处理，简化操作，节约时间。一次扫面可以得到多项检测指标，对生物品质检测可以综合多项指标做出准确评价。
附图说明
图1为基于像素指标无偏估计法光谱图像分析的生物品质指标分布检测方法框图。
图2为4个特征波长原始反射率光谱糖度预测模型残差示意图。
图3为误差修正后4个特征波长原始反射率光谱糖度预测模型残差示意图。
图4为青梅糖度预测模型预测结果图。
具体实施方式
一种基于像素指标无偏估计法光谱图像分析的生物品质指标分布检测方法，步骤包括：
1)建立传统检测指标的区域光谱预测模型库；
2)对被测对象进行光谱图像采集；
3)对步骤2)得到的光谱图像进行预处理；
4)对步骤3)得到的光谱图像，提取光谱图像中的有效检测区域；
5)利用步骤1)得到模型库中相应的区域光谱预测模型，对步骤4)得到的有效检测区域进行像素指标检测；
6)对步骤5)得到的像素指标检测结果进行统计验证，得到合格的像素指标预测模型；
7)对步骤6)得到的各个合格的像素指标预测模型检测精度进行评价，优选出最佳像素指标预测模型；
8)对步骤7)得到的最佳像素指标预测模型进行空间分布预测，显示预测结果；
所述被测对象是指有机生物；
所述光谱图像是指具备多个连续或非连续波段光谱信息的图像；光谱图像反映被测对象的空间信息以及光谱信息；光谱图像包括多光谱图像和高光谱图像；
所述步骤1)中，传统检测指标的区域光谱预测模型库的建立步骤包括：
101)建立样本库：
选取被测对象种群、部位、存储方式和环境下的检测对象，组成某种群、部位、存储方式和环境的样本；
多个样本组成样本库，以反映不同种群、部位、存储方式及环境下检测对象的情况；
102)建立知识库：
样本库中所有样本经过光谱采集，得到光谱图像，再存于光谱图像库中；
对光谱图像库中各个光谱图像对应的样本，获取样本的传统检测标定值，这些标定值存于传统检测指标库中；获取样本的传统检测标定值的方法为：采用传统理化检测方法获取；
光谱图像库中的光谱图像依次经光谱图像预处理、有效检测区域提取和有效检测区域光谱提取，得到样本的光谱信息存于光谱库中；
传统检测指标库与光谱库共同组成知识库；
103)建立传统检测指标区域光谱预测模型库，
对知识库中针对各种传统检测指标或存储条件的数据进行光谱预测建模，得到对应的多套传统检测指标的光谱预测模型，这些模型存储于传统检测指标光谱预测模型库中。
所述步骤102)中的光谱采集的方法、以及步骤2)中的光谱图像采集的方法是相同的；
所述步骤102)中的光谱图像预处理的方法、以及步骤3)中的光谱图像预处理的方法是相同的；
所述步骤102)中的有效检测区域提取的方法、以及步骤4)中的有效检测区域提取的方法是相同的。
光谱图像预处理方法为图像增强，通过均值滤波或中值滤波实现。根据光谱图像中噪声水平的高低及被测指标在空间细节方面的丰富程度，综合决定上述滤波器的模板尺寸。
有效检测区域提取的方法，是从光谱图像中排除光谱图像中无关或无效区域，提取出有效检测区域；
无关区域指与特定检测指标不相关的区域；
无效区域指与特定检测指标相关区域中，由于某种原因造成光谱图像检测区域的某些部分质量低于后续处理所需水平，从而导致相关检测区域中的局部无效。
有效检测区域提取的方法，步骤包括：
首先，根据被测对象与采集背景在特征波段图像中特征的差异(特征包括亮度、位置、面积、形态等)，对光谱图像进行图像分割，从光谱图像中提取出有效检测区域；
然后，根据光谱图像及其中提取出的有效检测区域，得到一条或多条具有代表性的光谱曲线反映该光谱图像中有效区域的光谱特征；
所述具有代表性的光谱曲线的提取方法为求取有效检测区域的：
光谱均值曲线；
或光谱中值曲线；
或光谱最大值、最小值及均值曲线；
或均值曲线及均值加减标准差曲线。
所述步骤103)中，传统检测指标的光谱预测建模，其步骤包括：
先利用光谱反射率校正和光谱平滑滤波，提高光谱空间信噪比；反射率校正公式为：其中R为反射率校正后的光谱；Ro为待校正的被测对象特征光谱；Rw为标准99％反射率板的光谱，Rb为盖上镜头盖采集的暗噪光谱。
波长k处光谱平滑公式为：其中，hi为平滑系数，H为归一化因子，xk,smooth为波长k处平滑滤波处理后的光谱。
然后通过遗传算法与偏最小二乘回归方法的组合，即采用遗传算法对光谱图像数据提取特征波段X1，X2，…，Xn,并通过偏最小二乘回归方法确立针对各特征波段的回归系数β0，β1，…，βn，建立光谱数据与传统指标之间的回归模型，即其中是被测对象指标的预测值。
步骤5)中，像素指标检测的方法为：对被测对象进行光谱图像采集、光谱图像预处理、有效检测区域提取，得到被测对象的有效检测区域的光谱图像信息；据传统检测指标区域光谱预测模型库中与被测对象相应的种群、部位、存储方式与环境的光谱预测模型进行样本光谱图像可视化检测最终得到品质指标的像素指标检测结果。
步骤6)中，统计验证步骤是：先对像素指标检测结果进行方差分析，筛除方差分析不通过的检测结果所对应的指标预测模型；然后对通过方差分析的预测模型进行均值分析；根据均值分析结果修正像素预测模型；
方差分析为F分布假设检测；均值分析为T分布假设检测；
修正像素预测模型步骤是：得到所有像素预测均值与参考值之间的偏差，并根据此偏差对指标的像素检测结果进行修正。
步骤7)中，所述像素预测模型检测精度评价指标采用一个绝对检测精度指标和一个经过标准化的检测精度指标；
所述绝对检测精度指标包括检测区域内各像素位置处指标预测均值与参考值之间的均方根误差(RMSE)；
所述经过标准化的检测精度指标是没有量纲的误差统计指标，包括相关系数(r)或确定系数R2；
相关系数r和确定系数R2可用来描述两个变量x、y之间的线性相关程度，公式为
像素指标检测结果与上述两类指标相比，优于指标值，则其对应的像素指标预测模型为最佳像素指标预测模型。例如，通过RMSE与r或R2的组合对像素指标预测均值与检测区域的参考值之间的符合程度进行量化统计，从而对像素预测模型精度进行评价。
步骤8)中，所述像素指标预测结果包括两部分：
一部分是像素指标空间分布图；
另一部分是分布图中的结果统计数据，包括全部像素位置的统计均值、25％和75％的百分位点。
下面结合一种实施例和附图详细说明本发明，但本发明的实施方式并不仅限于此种实施方式。
可视化检测指标：糖度、酸度。
可视化检测对象，种群：新鲜青梅；存储条件：20℃存储。
检测选取来自三个批次的435个新鲜青梅，按检测指标等概率抽样原则将435个试验样本按4:1分为训练集和预测集，分别用于模型的训练、模型预测能力和稳定性的评价。
采集所有青梅样本的光谱图像，存于光谱图像库中；对图像采集后的青梅样本利用理化检测方法检测每个青梅对应的糖度、酸度值，存于传统检测指标库。
光谱图像库中的图像经过光谱图像预处理、有效检测区域提取、有效检测区域光谱提取后得到所有青梅样本有效检测区域光谱，将其存储入光谱库。
所使用的光谱图像预处理过程包括：剔除低信噪比波段、进行图像降噪、通过图像分割进行背景去除仅保留图像中青梅部分。
所使用的光谱提取过程包括：求取有效检测区域内的光谱均值，并进行标准化处理得到有效检测区域光谱。
由传统检测指标库中的糖度、酸度指标及其所对应的光谱库中有效检测区域内的光谱数据组成的知识库，经过遗传偏最小二乘回归法建立糖度、酸度区域光谱预测模型存储于传统检测指标区域光谱预测模型库中。
采集被测青梅样本光谱图像后经光谱图像预处理，具体步骤与建立光谱图像库时所用步骤同。后经有效检测区域提取，具体步骤同建立光谱库时所用步骤同，得到被测对象有效检测区域的光谱图像，对被测对象的有效检测区域作像素指标检测。
对得到的像素指标检测结果进行统计验证，具体步骤为：先采用F分布置信度95％假设检验所有像素光谱预测模型的糖度预测值与实测值方差之间是否存在显著性差异。筛除方差分析不通过的指标预测模型，对通过方差分析的预测模型利用T分布置信度95％假设检验像素光谱的糖度预测值与实测值均值之间是否存在显著性差异。对于均值分析不通过的模型，得到所有像素预测均值与参考值之间的偏差，并根据此偏差对指标的像素检测结果进行修正。
在基于像素光谱的预测中，4个特征波长原始反射率光谱糖度预测模型精度RMSE为0.8995(°Brix)，R2为0.6002，残差如图2所示；
由于4个特征波长原始反射率光谱糖度预测模型未通过T假设检验，因此如果对像素预测结果整体进行系统误差修正，可以进一步提高像素预测精度，修正值由模型预测值与实测值之差的均值确定。4个特征波长原始反射率光谱糖度预测模型精度RMSE提高为0.6968(°Brix)，R2为0.76，修正值为0.5964，残差如图3所示。
对得到的通过统计验证的各像素预测模型检测精度进行评价，评价指标采用一个绝对检测精度指标：像素预测均值与参考值之间的均方根误差(RMSE)和一个经过标准化的检测精度指标：确定系数(R2)。优选出最佳像素指标预测模型。
对得到的最佳像素指标预测模型进行空间分布预测，显示预测结果。预测结果包括两部分，一部分是指标空间分布图，另一部分是分布图中的结果统计数据，包括全部像素位置的统计均值、25％和75％的百分位点。图4青梅糖度预测模型的预测结果。
通过本发明的实施得到的像素预测结果能够很好地反映青梅糖度、酸度在空间上的实际分布情况，体现在青梅检测区域内的糖度、酸度像素预测值总体水平与检测参考值相一致。由于检测手段的限制，无法直接获取青梅像素位置糖度、酸度参考值、不能直接对糖度、酸度开展像素空间分辨率精度级别的预测指标验证，本专利的实施仍可以很好地反映青梅糖度、酸度分布的实际情况。像素糖度、酸度检测均值与参考值的分布通过方差分析与均值分析，因此基于像素指标无偏估计法光谱图像分析的青梅糖度、酸度分布检测方法可以替代获取指标参考值的测量方法。
以可视化方式呈现检测结果，直观反映糖度、酸度在青梅表面的空间分布情况以及分布图中的结果统计数据，包括全部像素位置的统计均值、25％和75％的百分位点。比传统单个数值反映整个对象的表达方式更加接近青梅糖度、酸度非均匀性的实际情况。
本发明可以对青梅糖度、酸度进行快速、无损、非接触检测。突破青梅品质传统感官与理化检测在主观性、快速性及非破坏性方面的局限。
被检测面与检测装置之间没有接触，对样本没有破坏性，属于无损检测。
检测无需前处理，简化操作，节约时间。一次扫面可以得到多项检测指标，对青梅品质检测可以综合糖度与酸度做出准确评价。
Claims (9)
1.一种基于像素指标无偏估计法光谱图像分析的生物品质指标分布检测方法，其特征是步骤包括：
1)建立传统检测指标的区域光谱预测模型库；
2)对被测对象进行光谱图像采集；
3)对步骤2)得到的光谱图像进行预处理；
4)对步骤3)得到的光谱图像，提取光谱图像中的有效检测区域；
5)利用步骤1)得到模型库中相应的区域光谱预测模型，对步骤4)得到的有效检测区域进行像素指标检测；
6)对步骤5)得到的像素指标检测结果进行统计验证，得到合格的像素指标预测模型；
7)对步骤6)得到的各个合格的像素指标预测模型检测精度进行评价，优选出最佳像素指标预测模型；
8)对步骤7)得到的最佳像素指标预测模型进行空间分布预测，显示预测结果；
所述被测对象是指有机生物；
所述光谱图像是指具备多个连续或非连续波段光谱信息的图像；光谱图像反映被测对象的空间信息以及光谱信息；光谱图像包括多光谱图像和高光谱图像；
所述步骤1)中，传统检测指标的区域光谱预测模型库的建立步骤包括：
101)建立样本库：
选取被测对象种群、部位、存储方式和环境下的检测对象，组成某种群、部位、存储方式和环境的样本；
多个样本组成样本库，以反映不同种群、部位、存储方式及环境下检测对象的情况；
102)建立知识库：
样本库中所有样本经过光谱采集，得到光谱图像，再存于光谱图像库中；
对光谱图像库中各个光谱图像对应的样本，获取样本的传统检测标定值，这些标定值存于传统检测指标库中；获取样本的传统检测标定值的方法为：采用传统理化检测方法获取；
光谱图像库中的光谱图像依次经光谱图像预处理、有效检测区域提取和有效检测区域光谱提取，得到样本的光谱信息存于光谱库中；
传统检测指标库与光谱库共同组成知识库；
103)建立传统检测指标区域光谱预测模型库，
对知识库中针对各种传统检测指标或存储条件的数据进行光谱预测建模，得到对应的多套传统检测指标的光谱预测模型，这些模型存储于传统检测指标光谱预测模型库中；
所述步骤6)中，统计验证步骤是：先对像素指标检测结果进行方差分析，筛除方差分析不通过的检测结果所对应的指标预测模型；然后对通过方差分析的预测模型进行均值分析；根据均值分析结果修正像素预测模型；
方差分析为F分布假设检测；均值分析为T分布假设检测；
修正像素预测模型步骤是：得到所有像素预测均值与参考值之间的偏差，并根据此偏差对指标的像素检测结果进行修正。
2.根据权利要求1所述的生物品质指标分布检测方法，其特征是所述步骤102)中的光谱采集的方法、以及步骤2)中的光谱图像采集的方法是相同的；
所述步骤102)中的光谱图像预处理的方法、以及步骤3)中的光谱图像预处理的方法是相同的；
所述步骤102)中的有效检测区域提取的方法、以及步骤4)中的有效检测区域提取的方法是相同的。
3.根据权利要求1或2所述的生物品质指标分布检测方法，其特征是光谱图像预处理方法为图像增强，通过均值滤波或中值滤波实现。
4.根据权利要求1或2所述的生物品质指标分布检测方法，其特征是有效检测区域提取的方法，是从光谱图像中排除光谱图像中无关或无效区域，提取出有效检测区域；
无关区域指与特定检测指标不相关的区域；
无效区域指与特定检测指标相关区域中，由于某种原因造成光谱图像检测区域的某些部分质量低于后续处理所需水平，从而导致相关检测区域中的局部无效。
5.根据权利要求1或2所述的生物品质指标分布检测方法，其特征是有效检测区域提取的方法，步骤包括：
首先，根据被测对象与采集背景在特征波段图像中特征的差异，对光谱图像进行图像分割，从光谱图像中提取出有效检测区域；
然后，根据光谱图像及其中提取出的有效检测区域，得到一条或多条具有代表性的光谱曲线反映该光谱图像中有效区域的光谱特征；
所述具有代表性的光谱曲线的提取方法为求取有效检测区域的：
光谱均值曲线；
或光谱中值曲线；
或光谱最大值、最小值及均值曲线；
或均值曲线及均值加减标准差曲线。
6.根据权利要求1所述的生物品质指标分布检测方法，其特征是所述步骤103)中，传统检测指标的光谱预测建模，其步骤包括：
先利用光谱反射率校正和光谱平滑滤波，提高光谱空间信噪比；
反射率校正公式为：其中Rc为反射率校正后的光谱；Ro为待校正的被测对象特征光谱；Rw为标准99％反射率板的光谱，Rb为盖上镜头盖采集的暗噪光谱；
波长k处光谱平滑公式为：其中，hi为平滑系数，H为归一化因子，xk，smooth为波长k处平滑滤波处理后的光谱；
然后通过遗传算法与偏最小二乘回归方法的组合，即采用遗传算法对光谱图像数据提取特征波段X1，X2，…，Xn,并通过偏最小二乘回归方法确立针对各特征波段的回归系数β0，β1，…，βn，建立光谱数据与传统指标之间的回归模型，即其中是被测对象指标的预测值。
7.根据权利要求1所述的生物品质指标分布检测方法，其特征是步骤5)中，像素指标检测的方法为：对被测对象进行光谱图像采集、光谱图像预处理、有效检测区域提取，得到被测对象的有效检测区域的光谱图像信息；据传统检测指标区域光谱预测模型库中与被测对象相应的种群、部位、存储方式与环境的光谱预测模型进行样本光谱图像可视化检测最终得到品质指标的像素指标检测结果。
8.根据权利要求1所述的生物品质指标分布检测方法，其特征是步骤7)中，所述像素预测模型检测精度评价指标采用一个绝对检测精度指标和一个经过标准化的检测精度指标；
所述绝对检测精度指标包括检测区域内各像素位置处指标预测均值与参考值之间的均方根误差RMSE；
所述经过标准化的检测精度指标是没有量纲的误差统计指标，包括相关系数r或确定系数R2；
相关系数r和确定系数R2是用来描述两个变量x、y之间的线性相关程度，公式为 分别为变量x和变量y的平均值；
通过RMSE与r或R2的组合对像素指标预测均值与检测区域的参考值之间的符合程度进行量化统计，从而对像素预测模型精度进行评价。
9.根据权利要求1所述的生物品质指标分布检测方法，其特征是步骤8)中，所述像素指标预测结果包括两部分：
一部分是像素指标空间分布图；
另一部分是分布图中的结果统计数据，包括全部像素位置的统计均值、25％和75％的百分位点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610267977.9A CN105866042B (zh) | 2016-04-27 | 2016-04-27 | 基于像素指标无偏估计法生物品质指标空间分布检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610267977.9A CN105866042B (zh) | 2016-04-27 | 2016-04-27 | 基于像素指标无偏估计法生物品质指标空间分布检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105866042A CN105866042A (zh) | 2016-08-17 |
| CN105866042B true CN105866042B (zh) | 2018-06-01 |
Family
ID=56629318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610267977.9A Expired - Fee Related CN105866042B (zh) | 2016-04-27 | 2016-04-27 | 基于像素指标无偏估计法生物品质指标空间分布检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105866042B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111595790A (zh) * | 2020-05-30 | 2020-08-28 | 南京林业大学 | 基于高光谱图像的青梅糖酸度预测方法 |
| CN112964719B (zh) * | 2021-04-26 | 2022-07-12 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的食品果糖检测方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1657907A (zh) * | 2005-03-23 | 2005-08-24 | 江苏大学 | 基于间隔偏最小二乘法的农产品、食品近红外光谱谱区选择方法 |
| US7409299B2 (en) * | 2004-03-29 | 2008-08-05 | Chemimage Corporation | Method for identifying components of a mixture via spectral analysis |
| CN102564964A (zh) * | 2011-12-29 | 2012-07-11 | 南京林业大学 | 基于光谱图像的肉品品质可视化非接触检测方法 |
| CN102628794A (zh) * | 2012-04-19 | 2012-08-08 | 江苏大学 | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 |
| CN103528965A (zh) * | 2013-08-28 | 2014-01-22 | 南京农业大学 | 一种小麦叶片等效水厚度高光谱监测方法 |
| CN103592255A (zh) * | 2013-11-22 | 2014-02-19 | 山东东阿阿胶股份有限公司 | 一种基于近红外光谱技术的阿胶化皮液中总蛋白含量的软测量方法 |
-
2016
- 2016-04-27 CN CN201610267977.9A patent/CN105866042B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7409299B2 (en) * | 2004-03-29 | 2008-08-05 | Chemimage Corporation | Method for identifying components of a mixture via spectral analysis |
| CN1657907A (zh) * | 2005-03-23 | 2005-08-24 | 江苏大学 | 基于间隔偏最小二乘法的农产品、食品近红外光谱谱区选择方法 |
| CN102564964A (zh) * | 2011-12-29 | 2012-07-11 | 南京林业大学 | 基于光谱图像的肉品品质可视化非接触检测方法 |
| CN102628794A (zh) * | 2012-04-19 | 2012-08-08 | 江苏大学 | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 |
| CN103528965A (zh) * | 2013-08-28 | 2014-01-22 | 南京农业大学 | 一种小麦叶片等效水厚度高光谱监测方法 |
| CN103592255A (zh) * | 2013-11-22 | 2014-02-19 | 山东东阿阿胶股份有限公司 | 一种基于近红外光谱技术的阿胶化皮液中总蛋白含量的软测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105866042A (zh) | 2016-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6333326B2 (ja) | スペクトルイメージングによる生体試料の分析方法 | |
| CN105654121B (zh) | 一种基于深度学习的复杂提花织物缺陷检测方法 | |
| CN111968080A (zh) | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 | |
| CN101692052B (zh) | 基于超光谱图像技术的名优茶真伪鉴别方法及装置 | |
| CN109214470A (zh) | 一种基于编码网络微调的图像能见度检测方法 | |
| CN108875794A (zh) | 一种基于迁移学习的图像能见度检测方法 | |
| CN104200478B (zh) | 一种基于稀疏表示的低分辨率触摸屏图像缺陷检测方法 | |
| CN109740639A (zh) | 一种风云卫星遥感影像云检测方法、系统及电子设备 | |
| CN104677853B (zh) | 一种基于近红外高光谱的壁画起甲病害评估方法 | |
| CN106340000A (zh) | 骨龄评估方法 | |
| CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
| CN104977258A (zh) | 基于二维相关光谱的茶叶/化妆品等品质检测方法 | |
| CN105628708A (zh) | 一种南疆红枣多参量品质快速无损检测方法 | |
| CN108537790A (zh) | 基于耦合翻译网络的异源图像变化检测方法 | |
| CN105866042B (zh) | 基于像素指标无偏估计法生物品质指标空间分布检测方法 | |
| CN111879709B (zh) | 湖泊水体光谱反射率检验方法及装置 | |
| CN112258495A (zh) | 一种基于卷积神经网络的建筑木材裂缝识别方法 | |
| CN102254185B (zh) | 基于对比度敏感函数的背景杂波量化方法 | |
| CN105116412A (zh) | 一种宽带雷达isar图像性能定量判别方法 | |
| CN110186871A (zh) | 一种茶鲜叶产地的判别方法 | |
| CN110567894A (zh) | 一种含水溶液pH值快速检测方法和检测装置 | |
| CN111340098B (zh) | 基于鞋印图像的STA-Net年龄预测方法 | |
| CN112884058A (zh) | 一种基于图像结合高光谱的贝母品种鉴别方法及系统 | |
| 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 | |
| Li Vigni et al. | Coupling 2D‐wavelet decomposition and multivariate image analysis (2D WT‐MIA) |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20160817 Assignee: Nanjing dude Automation Co.,Ltd. Assignor: Nanjing Forestry University Contract record no.: 2018320000274 Denomination of invention: Detection method for spatial distribution of biological quality indexes based on pixel index unbiased estimation method Granted publication date: 20180601 License type: Common License Record date: 20181031 Application publication date: 20160817 Assignee: Nanjing Fogg Electric Co.,Ltd. Assignor: Nanjing Forestry University Contract record no.: 2018320000266 Denomination of invention: Detection method for spatial distribution of biological quality indexes based on pixel index unbiased estimation method Granted publication date: 20180601 License type: Common License Record date: 20181031 |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20190809 Address after: 221631 People's Government of Zhangzhuang Town, Peixian County, Xuzhou City, Jiangsu Province Patentee after: Peixian Hantang Construction Development Co.,Ltd. Address before: Longpan road Xuanwu District of Nanjing city of Jiangsu Province, No. 159 210000 Patentee before: Nanjing Forestry University |
|
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180601 |