CN105954281B - 一种稻谷霉变真菌菌落无损识别的方法 - Google Patents
一种稻谷霉变真菌菌落无损识别的方法 Download PDFInfo
- Publication number
- CN105954281B CN105954281B CN201610263641.5A CN201610263641A CN105954281B CN 105954281 B CN105954281 B CN 105954281B CN 201610263641 A CN201610263641 A CN 201610263641A CN 105954281 B CN105954281 B CN 105954281B
- Authority
- CN
- China
- Prior art keywords
- lbp
- image
- fungi
- characteristic
- day
- 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
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
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Artificial Intelligence (AREA)
- Biochemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本发明涉及一种基于计算机视觉技术对稻谷霉变真菌菌落的无损识别和区分方法,属于一种新型的真菌鉴定技术。通过计算机视觉装置,获取真菌菌落图像,对真菌菌落图像处理后,提取图像参数,优选特征参数。利用模式识别技术对不同真菌菌落特征进行分析,最终达到对真菌的识别和区分。本方法可以实现对真菌种类的准确识别,比传统的人工形态学鉴定和生物学鉴定更加快速、准确、方便。该方法不仅为真菌鉴定提供了一种新方法,而且对稻谷霉变的预防控制有很重要的意义。
Description
技术领域
本发明是一种计算机视觉技术对霉变稻谷中常见真菌菌落识别的方法,属于农产品贮藏与加工无损检测的技术领域。
背景技术
稻谷收获后,经过清洗干燥后,通常需要进行储藏,储藏是保障稻谷安全的一个重要环节之一。稻谷在储藏过程中常因受到微生物的污染而导致霉变,稻谷储藏过程中微生物危害在我国部分地区时常发生。由于稻谷含有丰富的碳水化合物、蛋白质、维生素、脂肪和矿物质等,为微生物提供了良好的天然培养基。并且稻谷在种植收获、干燥、运输、储藏等过程中,都有可能受到微生物的污染。构成了稻谷的微生物生物区系大部分属于霉菌,当稻谷储藏条件不当或外部环境满足微生物生长条件时,就会在稻谷上大量生长繁殖,稻谷就会发生霉变,造成品质劣变,并且有些霉菌在生长代谢过程中会产生毒素,严重威胁健康。其中一些毒素耐受力强,在稻谷后期加工过程中不易除去,给稻谷的储藏稳定性和食用安全性造成潜在威胁。传统的真菌鉴定方法主要是采用形态学观察和生化反应来鉴定,依赖于微生物的分离、纯化。生化试验及血清鉴定等复杂繁琐的操作步骤,且花费时间长、灵敏度不高、易受主观因素影响且需要鉴定者具有专业知识。微生物分子生物学鉴定方法目前也较多的研究,如聚合酶链式反应(PCR)技术、基质辅助激光解离飞行时间质谱(MALDI-TOFMS)分析技术、基因芯片技术、变性梯度凝胶电泳、生物传感器等技术也在微生物的鉴定方面都有了很广泛的研究。这些方法用于真菌的鉴定和检测具有很高的准确度,但是仪器、试剂成本较高,专业能力要求高。随着人们对粮食安全检验的要求提高和新科技的迅速发展,新的检验技术不断出现,利用计算机视觉技术结合真菌的菌落形态特征对不同真菌进行识别,开发一种快速、高效、低成本的无损检测技术具有重要的应用前景。
近年来,机器视觉技术作为一种无损伤、快速地的方法被用来对微生物的识别鉴定,得到了广泛的认可。计算机视觉技术是通过对目标图像进行采集,结合图像处理和模式识别技术来达到区分识别的目的。这种技术在国内外食品工业中都有很好的应用,如B.Bayraktar等[B.Bayraktar,P.P.Banada,E.D.Hirlemanet al.Feature extractionfrom light-scatter patterns of Listeria colonies for identification andclassification.Journal of Biomedical Optics,2006,11(3):34006.]利用计算机视觉和模式识别技术对李斯特菌菌落形成散射图案进行分类。所获得的结果是令人鼓舞的,并得出基于图像的生物检测系统的可行性。Wang等[Wang,Y,Yin,Y.G.and Zhang,C.N.Selective Cultivation and Rapid Detection of Staphylococcus aureus byComputer Vision[J].Journal of food science 2014;79:M399-M406.]开发了一种利用选择性生长培养基和基于计算机视觉的方法,用于从食品中选择性分离的金黄色葡萄球菌和鉴定的快速检测方法。该快速检测微生物的方法在食品安全控制和微生物检测的应用有巨大的潜力。殷涌光等[殷涌光,丁筠.基于计算机视觉的食品中大肠杆菌快速定量检测[J].吉林大学学报(工学版),2009:344-348.]基于计算机视觉的食品中大肠杆菌快速定量检测,通过大肠杆菌发酵乳糖所产生的酸与伊红美兰混合液反应产生沉淀、液体颜色发生改变的特性,设计了一套基于颜色特征识别技术的食品中大肠杆菌快速定量检测系统,通过16h培养后,随着溶液颜色的变化程度来判断待测液中大肠杆菌的数目。试验结果表明:该方法的检测结果比传统方法的相关性好,大大缩短了检测时间,有效提高了产品的品质。Lawless等[Deininger R A Jyoung L J.Rapid detection of bacteria in water[C].Proceedings of SPIE,2002,47(22):21-25.]人等时间段测定培养基上的细胞密度,然后通过计算机技术建立时间和细胞密度之间的动态关联,利用该关联可以预测和自动检测微生物的生长情况,如通过计算机控制自动定量采集检测对象,然后分析菌落的边缘形态,计算机可以显示被检测菌落的具体位置,并且根据动态关联,计算机视觉系统可以同时处理多个不同的样品。Pan W[Classification of foodborne pathogens using nearinfrared(NIR)laser scatter imaging system with multivariate calibration[J].Scientific Reports.2015,5:9524.]等利用近红外光谱散射技术对四种食物病原菌进行鉴定研究。但是利用视觉技术对稻谷真菌菌落的识别和分类研究国内外未见报道。
发明内容
技术问题
鉴于上述技术发展现状,本发明的目的是利用计算机视觉技术对霉变稻谷中常见的真菌菌落识别鉴定,最终开发一种准确、快速且成本低的真菌鉴定方法。通过自主搭建计算机视觉图像采集系统,开发一种针对不同真菌图像通用的图像处理算法,提取特征参数,构建真菌菌落的分类模型。
技术方案
1.一种基于计算机视觉技术对稻谷霉变真菌菌落识别的方法,包括计算机视觉图像采集系统、图像处理算法、特征参数提取、识别模型构建,其中,
1)计算机视觉系统由计算机、相机、光源、支架和底座组件构成,其中,相机采用型号为NEX-6的索尼相机,自动白平衡,光圈f/9.0,曝光时间为1/15s,ISO 100,焦距为30mm;光源由两条LED灯组成,每条功率12W,长度为33cm,可手动调节亮度;底座是由一块30cm×30cm×1.1cm的金属板组成,底座上有螺孔,用来调节和固定支架;电脑型号为DellOptiplex 7010、3.4GHz、内存8G、显卡256M GeForce GT240。
2)真菌培养
①经查阅大量文献得知,引起稻谷霉变的真菌种类较多,其中黑曲霉、米曲霉、杂色曲霉、构巢曲霉、桔青霉五种最常见,所以选取此五种常见真菌作为研究对象。
②真菌菌种购买于广东省微生物菌种保藏中心,由于菌种以冻干粉形式保藏,所以要进行多次活化,来确保其活性。活化两次,采用PDA培养基,培养温度为28℃,湿度60%,每次活化时间为3天。
③将活化好的真菌进行纯培养,其中每种真菌培养250个样品,共1250个样品,培养条件与活化条件一致。
3)真菌图像采集
使用计算机视觉装置对真菌菌落图像进行采集,采集时间为第1天、第2天、第3天、第4天。同时观察并记录菌落特征的变化。
4)图像处理
通过观察第一天的菌落图像可知,由于培养时间较短,五种真菌的菌落无明显特征,肉眼难以加以区分,所以图像处理及特征提取选取第二开始的菌落图像作为研究对象。
对真菌菌落图像进行图像处理,由于五种真菌菌落图像的差异,需要开发出一种能对五种真菌图像通用的图像处理算法。其中图像处理使用的主要算法有图像归一化、转灰度、去除培养皿边缘、实验法阈值分割、二值化、去噪、求最大连通区域、图像内部填充和最终得到目标菌落图像。
5)特征提取
①颜色特征:通过观察五种真菌菌落的表面颜色的差异,确定了描述颜色特征的六个分量,红色分量R、绿色分量G、蓝色分量B、亮度Y、色度V和U(平均值作为真菌菌落图像的颜色特征。
②形态特征:五种不同真菌在生长过程中生长速度不同,所形成的菌落大下也略有差异,所以根据五种菌种的菌落形态可以确定提取的特征有菌落面积S、周长L、外界矩形高度H和宽W。
③纹理特征:局部二进制LBP纹理描述子,可分为LBP0~LBP255个级别,共256个数据。
④特征选取:将颜色、形态和纹理特征共266个数据依次排列成矩阵,通过筛选确定最佳特征参数,其中,对第二天真菌识别,确定了16个特征参数,特征变量集v为R、G、B、Y、U、V、S、H、W、LBP28、LBP30、LBP60、LBP112、LBP205、LBP223、LBP255;对第三天真菌识别,确定了13个特征参数,特征变量集v为R、G、B、Y、U、V、S、H、W、LBP28、LBP205、LBP215、LBP255;对第四天真菌识别,确定13个特征参数,特征变量集v为R、G、B、Y、U、V、S、H、LBP8、LBP63、LBP205、LBP240、LBP255。
6)识别模型构建
其中,构建的支持向量机模型(SVM)为:将特征变量集v作为输入值,真菌种类作为输出值,核函数为径向基函数,核函数参数gamma值均为0.0312,惩罚系数cost值为1。
其中,随机森林模型(RF)为:分类树为300棵,将特征变量集v作为输入值,真菌种类作为输出值。
其中,构建的偏最小二乘模型(PLSDA)和线性判别模型(LDA)为:将特征变量集v作为输入值,真菌种类作为输出值。
有益效果
本发明通过对常见的霉变真菌进行纯培养,利用计算机视觉技术采集不同培养天数的真菌菌落图像,经图像处理和特征抽取后。基于真菌菌落形态特征、颜色特征和纹理特征数据进行建模分析,对真菌进行识别,同时比较多种判别模型的效果,来确定最佳识别模型。最终开发一种基于计算机视觉技术对稻谷霉变真菌鉴定的方法。相对于传统真菌鉴定方法,该方法具有快速、高效、准确且价格低廉,还能够对待识别真菌的种类数量进行扩展,也为微生物鉴定提供了有益的借鉴。
四、附图说明
图1:计算机视觉图像采集装置
图2:五种真菌第1d、2d、3d、4d的菌落图像
图3:五种真菌菌落图像处理流程
五、具体实施方式
一种基于计算机视觉技术对霉变稻谷中真菌菌落的识别的法,具体实施方式如下:
1.试验材料
通过对稻谷储藏过程中霉变真菌种类的调查发现,引起霉变的主要真菌主要有曲霉类和青霉类,其中黑曲霉、米曲霉、杂色曲霉、构巢曲霉和桔青霉是最常见的五种,所以选取以上五种常见真菌作为试验对象。五种真菌购买于广东省微生物菌种保藏中心。由于菌种是以冻干粉的形式保藏,为了保证菌种活性,需要对其进行活化后才能使用。
将活化后的真菌进行培养,其中每种真菌培养250个样品,共1250个样品。其中200个用于建模,50个用于验证。菌种培养温度为25℃,60%湿度,采用PDA培养基。
2.计算机视觉图像采集系统
计算机视觉图像采集系统主要计算机视觉系统由计算机、相机、光源、支架和底座组件构成,其中,相机采用型号为NEX-6的索尼相机,自动白平衡,光圈f/9.0,曝光时间为1/15s,ISO 100,焦距为30mm;光源由两条LED灯组成,每条功率12W,长度为33cm,可手动调节亮度;底座是由一块30cm×30cm×1.1cm的金属板组成,底座上有螺孔,用来调节和固定支架;电脑型号为Dell Optiplex 7010,3.4GHz,内存8G,显卡256M GeForce GT240。
按照上述系统设置的参数对五种真菌菌落进行图像采集,在图像采集的过程中保持各参数一致。其中每种真菌采集250副图像,从第一天开始采集,第四天结束,采集图像的过程中对五种真菌菌落特征观察并记录。五种真菌菌落图像见图2。
3.图像处理方法
通过观察第一天的菌落图像可知,由于培养时间较短,五种真菌的菌落无明显特征,肉眼难以加以区分,所以图像处理及特征提取选取第二开始的菌落图像作为研究对象。
图像处理的目的主要是将菌落从背景中分割出来,便于对菌落特征提取。由于五种真菌菌落的形态及颜色之间的差异,这给图像分割带来了困难。需要开发一种适中于五种真菌菌落的通用的图像处理算法,经过多次测试,最终确定一种通用的算法如下(具体图像处理结果见图3):
1)图像压缩:图像压缩又称图像编码。由于在图像采集的原始图像数据量较大且存在冗余,主要表现为相邻像素间的相关性引起的空间冗余及频谱冗余。图像压缩的目的就是通过去除冗余的数据来提高图像储存、传送、处理的速度。
2)去除培养皿边缘:当图像转化成灰度图像后,通过观察图像的灰度直方图可以得出,当培养皿边缘未去除时,其灰度直方图是连续的。当去除培养皿边缘时,直方图会出现一个明显的波谷,将灰度直方图分为两个区域,其中靠最左侧区域属于黑色的背景区域,波谷右侧属于相对较亮的菌落区域。说明培养皿边缘对后期寻找阈值和图像分割带来较大的影响,且图像处理的对象是中心的菌落图像,所以培养皿边缘可以通过裁剪的方法去除。
3)实验法定阈值分割:由于研究对象为五种真菌的图像,需要一个通用的阈值能够对五种真菌图像都能进行阈值分割,根据五种真菌图像灰度直方图来确定阈值的范围,如果目标区域和背景的灰度级相差较为明显,则灰度直方图的灰度级分布会出现明显的波谷,这时阈值的确定较为明显,通过多次测试,最终确定阈值为70。
4)去除噪点:阈值确定之后,得到二值图像,通过观察二值图像可以发现,菌落周围分布着少量白色杂点,会影响后期菌落图像的提取。去除小面积法被用来去除杂点。
5)最大连通区域:由于真菌在生长过程中,部分菌种如杂色曲霉在培养过程中由于孢子散落导致一个培养皿上长出多个菌落,而在特征提取时只需要对其中一个进行提取即可。所以找出最大连通区域算法用来实验提取其中一个最大的菌落。
6)内部填充:菌落提取完成后,对其放大发现菌落二值图像内部有像素点缺失即空白,会给后期的特征提取造成信息缺失。内部填充算法用来解决这个问题。
7)图像掩模:利用二值图像与原图像的乘运算,最终得到要提取的菌落图像。
4.特征提取
1)颜色特征:通过观察五种真菌菌落的表面颜色的差异,确定了描述颜色特征的六个分量,红色分量R、绿色分量G、蓝色分量B、亮度Y、色度U和V平均值作为真菌菌落图像的颜色特征。
2)形态特征:五种不同真菌在生长过程中生长速度不同,所形成的菌落大下也略有差异,所以根据五种菌种的菌落形态可以确定提取的特征有菌落面积S、周长L、外界矩形高度H和宽W。
3)纹理特征:本次研究所采用描述纹理特征的算法是局部二进制模式(LBP),LBP最早是作为一种有效的纹理描述算子提出的,由于其对图像局部纹理特征的卓越描绘能力而获得了十分广泛的应用。在对图像整体描述结束后,可以得到一个LBP响应图像,也称作LBP统计直方图,可以作为后续识别工作的特征,因此又叫LBP特征,可分为LBP0、LBP1…LBP255。
5.基于颜色特征的四种模型识别结果分析
由表1可以看出,利用四种模型对五种真菌菌落颜色特征进行分类可以得出,非线性模型SVM、RF在建模集和预测集准确度都要远高于线性模型LDA、PLSDA。线性判别的两种模型中,LDA模型要略优于PLSDA,其中LDA在基于颜色的建模集准确率在56.2%-76.6%之间,预测集准确率在58.8%-74%之间。PLSDA建模集准确率在47.1%-55.5%之间,预测集准确率在47.6%-52.8%之间。其中第二天准确率最低,第三天和第四天准确率差别不大。总体上看二者在基于颜色特征分类预测准备率都不高。
基于非线性判别的两种模型中,SVM和RF模型表现出较高的准确率。其中SVM建模集准确率在95.7%-99.3%之间,预测集准确率在84%-97.2%之间。RF建模集准确率在三天中都高达100%,预测集准确率在87.6%-92.4%之间。其中第四天的准确率最高,因为随着真菌培养时间的增加,菌落表面的颜色差异越来越明显。SVM在建模集的准确率上略低于RF模型,但在预测集上要稍高于RF模型。总体上二者在基于颜色特征对五种真菌分类预测准确率方面相比较于LDA、PLSDA都表现出极大的优势。也说明了,颜色在基于真菌菌落特征分类中起到重要作用。
表1基于颜色特征的分类结果
6.基于形态特征的四种模型识别结果分析
由表2可以得出以下结果,LDA在基于形态特征的建模集准确率在47.9%-74.4%之间,预测集准确率在43.6%-71.6%之间。PLSDA在基于形态特征的建模集准确率在50.9%-66.3%之间,预测集准确率在51.6%-64.4%之间;SVM在基于形态特征的建模集准确率在86.6%-89.4%之间,预测集准确率在79.2%-84.4%之间。RF在基于形态特征的建模集准确率在99.3%-99.8%之间,预测集准确率在74.4%-86%之间。其中平均准确率最高的在第二天,相比较于菌落颜色,第二天的形态差异更为明显。相比较基于颜色特征分类预测结果,四种基于形态特征的分类预测结果要低于基于颜色特征分类预测结果,说明了形态学特征在作为真菌菌落特征分类中所起的作用要低于颜色特征。
表2基于形态特征分类结果
7.基于纹理特征的四种模型识别结果分析
由表3可以得出以下结果。LDA在基于纹理特征的建模集准确率在76.5%-86.6%之间,预测集准确率在72.8%-81.6%之间。PLSDA在基于纹理特征的建模集准确率在75.3%-88.4%之间,预测集准确率在70%-88%之间。SVM在基于纹理特征的建模集准确率在99.3%-100%之间,预测集准确率在86.4%-95.2%之间。RF在基于纹理特征的建模集准确率在99.9%-100%之间,预测集准确率在82%-90.8%之间。通过结果分析可知,线性模型LDA、PLSDA在以纹理特征作为分类预测数据的准确率要高于颜色和形态特征,且准确率有很大的提高;非线性模型RF、SVM在以纹理特征作为分类预测数据的准确率要高于形态,但是和颜色特征的准确率相差不大,其中虽然SVM在建模集准确率稍低于RF,但在预测能力上要高于RF。
表3基于纹理特征分类结果
8.基于三种特征结合的四种模型识别结果分析
由表4可得出如下结果,LDA在基于多特征结合的建模集准确率在91.4%-96.8%之间,预测集准确率在91.2%-95.2%之间。PLSDA在基于多特征结合的建模集准确率在83%-95.9%之间,预测集准确率在80.4%-92.4%之间。SVM在基于多特征结合的建模集准确率在100%,预测集准确率在93.2%-97.6%之间。RF在基于多特征结合的建模集准确率在100%,预测集准确率在91.2%-96.4%之间。其中LDA、PLSDA两种模型的准确率都有很大的提高。结果说明基于多特征结合分类预测结果要优于基于单一的颜色、形态和纹理特征的结果。
表4基于多特征结合的分类结果
9.基于SPA特征选取的SVM识别结果分析
通过上分组处理结果可知,基于颜色、形态和纹理特征结合的方式识别效果最好。又通过对比四种模型在第2d、3d、4d的区分效果上来看,如下表5。SVM在建模集和验证集的准确率都有高出其他三种,说了SVM模型更加适应于基于多特征结合方式的五种真菌的识别。但是,采用灰度、颜色和纹理特征数据结合进行建模分析,不仅数据量大计算复杂,而且大量的冗余信息对分类的精确度也会产生影响。连续投影算法(Successive projectionsalgorithm,SPA)用来消除原始数据变量间的共线性,降低模型复杂度。
将第2d、3d、4d的颜色、形态和纹理特征共265个数据组成的数据矩阵分别带入SPA软件中,其中1-6列为颜色特征数据,7-10列为形态特征数据,11-265列为LBP纹理特征数据,进行特征数据分析提取,处理前指定最终选取结果的最小变量数为1,最大变量数为20。SPA分析结果得出,其中在第二天选取16个特征,分别为R、G、B、Y、U、V、S、H、W、LBP28、LBP30、LBP60、LBP112、LBP205、LBP223、LBP255;对第三天真菌识别,选取了13个特征参数,分别为R、G、B、Y、U、V、S、H、W、LBP28、LBP205、LBP215、LBP255;对第四天真菌识别,选取了13个特征参数,分别为R、G、B、Y、U、V、S、H、LBP8、LBP63、LBP205、LBP240、LBP255。
将SPA选取的特征数据带入SVM模型,可得到如表6的识别结果。通过对比基于多特征结合的SVM结果可以得出,SPA选取的特征在建模集准确率都接近100%,与多特征结合的建模集准确率几乎一致。在预测集中,SPA特征选取构建的验证集准确率均要高出多特征结合所建模型的准确率,平均高出1.6个百分点。综合比较可以得出,基于SPA特征选取的SVM识别结果最好,且在第四天的准确率最高。
表5四种模型识别结果比较
表6基于SPA特征优选和多特征结合的SVM模型识别结果
Claims (1)
1.一种稻谷霉变真菌菌落无损识别的方法,包括真菌培养、使用计算机视觉图像采集系统进行图像采集、图像处理、特征参数提取、识别模型构建,其中,
1)计算机视觉系统由计算机、相机、光源、支架和底座组件构成,其中,相机采用型号为NEX-6的索尼相机,自动白平衡,光圈f/9.0,曝光时间为1/15s,ISO 100,焦距为30mm;光源由两条LED灯组成,每条功率12W,长度为33cm,可手动调节亮度;底座是由一块30cm×30cm×1.1cm的金属板组成,底座上有螺孔,用来调节和固定支架;电脑型号为Dell Optiplex7010、3.4GHz、内存8G、显卡256M GeForce GT240;
2)真菌培养
真菌菌种活化两次,采用PDA培养基,培养温度为28℃,湿度60%,每次活化时间为3天,将活化好的真菌进行纯培养;
3)图像采集
对真菌菌落图像进行采集,采集时间为真菌生长第1天、第2天、第3天、第4天;
4)图像处理
对真菌菌落图像进行图像处理,主要算法有图像归一化、转灰度、去除培养皿边缘、实验法阈值分割、二值化、去噪、求最大连通区域、图像内部填充和最终得到目标菌落图像,建立能对不同类真菌图像通用的图像处理算法;
5)特征参数提取
①颜色特征:确定了描述颜色特征的六个分量,红色分量R、绿色分量G、蓝色分量B、亮度Y、色度V和U;
②形态特征:菌落面积S、周长L、外界矩形高度H和宽W;
③纹理特征:采用局部二进制纹理描述子,特征参数为LBP0~LBP255,共256个数据;
④特征选取:将颜色、形态和纹理特征共266个数据依次排列成矩阵,通过选取确定最佳特征参数,其中,对第二天真菌识别,确定了16个特征参数,特征变量集v为R、G、B、Y、U、V、S、H、W、LBP28、LBP30、LBP60、LBP112、LBP205、LBP223、LBP255;对第三天真菌识别,确定了13个特征参数,特征变量集v为R、G、B、Y、U、V、S、H、W、LBP28、LBP205、LBP215、LBP255;对第四天真菌识别,确定13个特征参数,特征变量集v为R、G、B、Y、U、V、S、H、LBP8、LBP63、LBP205、LBP240、LBP255;
6)识别模型构建
其中,构建的支持向量机模型(SVM)为:将特征变量集v作为输入值,真菌种类作为输出值,核函数为径向基函数,核函数参数gamma值均为0.0312,惩罚系数cost值为1;
其中,随机森林模型(RF)为:分类树为300棵,将特征变量集v作为输入值,真菌种类作为输出值;
其中,构建的偏最小二乘模型(PLSDA)和线性判别模型(LDA)为:将特征变量集v作为输入值,真菌种类作为输出值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610263641.5A CN105954281B (zh) | 2016-04-21 | 2016-04-21 | 一种稻谷霉变真菌菌落无损识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610263641.5A CN105954281B (zh) | 2016-04-21 | 2016-04-21 | 一种稻谷霉变真菌菌落无损识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105954281A CN105954281A (zh) | 2016-09-21 |
CN105954281B true CN105954281B (zh) | 2018-07-27 |
Family
ID=56915368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610263641.5A Expired - Fee Related CN105954281B (zh) | 2016-04-21 | 2016-04-21 | 一种稻谷霉变真菌菌落无损识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105954281B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106367330B (zh) * | 2016-11-19 | 2018-11-27 | 厦门大学 | 一种微生物形态拍摄鉴定装置及方法 |
CN106577350B (zh) * | 2016-11-22 | 2020-10-09 | 深圳市沃特沃德股份有限公司 | 宠物类型识别的方法及装置 |
CN106777845A (zh) * | 2017-03-22 | 2017-05-31 | 南京农业大学 | 基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法 |
CN108198168A (zh) * | 2017-12-26 | 2018-06-22 | 合肥泰禾光电科技股份有限公司 | 物料分析方法及装置 |
CN108613989A (zh) * | 2018-04-24 | 2018-10-02 | 南京财经大学 | 一种稻谷不完善粒的检测方法 |
CN109852663A (zh) * | 2019-04-02 | 2019-06-07 | 天津科技大学 | 一种基于机器视觉高通量筛选微生物的方法及系统 |
CN110243823B (zh) * | 2019-05-08 | 2021-01-05 | 华中科技大学 | 基于支持向量机的小儿佝偻病自动筛查装置及其使用方法 |
CN110428374B (zh) * | 2019-07-22 | 2021-08-03 | 北京农业信息技术研究中心 | 一种小体积害虫自动检测方法及系统 |
CN113567392A (zh) * | 2021-07-20 | 2021-10-29 | 西北农林科技大学 | 一种基于近红外光谱的小麦气传病原菌孢子快速无损识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104914052A (zh) * | 2015-05-12 | 2015-09-16 | 江苏大学 | 一种霉变花生的光谱成像检测方法 |
-
2016
- 2016-04-21 CN CN201610263641.5A patent/CN105954281B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104914052A (zh) * | 2015-05-12 | 2015-09-16 | 江苏大学 | 一种霉变花生的光谱成像检测方法 |
Non-Patent Citations (5)
Title |
---|
Detection and Classification of Diseases of Grape Plant Using Opposite Colour Local Binary Pattern Feature and Machine Learning for Automated Decision Support System;Harshal Waghmare et al;《2016 3rd International Conference on Signal Processing and Integrated Networks (SPIN)》;20160212;第513-518页 * |
Tomato Plant Disease Classification in Digital Images using Classification Tree;H. Sabrol et al;《International Conference on Communication and Signal Processing》;20160408;第1242-1246页 * |
基于机器视觉的玉米异常果穗筛分方法;张帆等;《农业机械学报》;20151231;第46卷;第45-49页 * |
基于神经网络与图像处理的花生仁霉变识别方法;陈红等;《农业工程学报》;20070430;第23卷(第4期);第158-161页 * |
基于纹理和颜色特征的甜瓜缺陷识别;王书志等;《农业机械学报》;20110430;第42卷(第3期);第175-179页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105954281A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105954281B (zh) | 一种稻谷霉变真菌菌落无损识别的方法 | |
CN107316289B (zh) | 基于深度学习和超像素分割的大田稻穗分割方法 | |
Gibson et al. | Advances in the predictive modelling of fungal growth in food | |
Sannakki et al. | Diagnosis and classification of grape leaf diseases using neural networks | |
Narvekar et al. | Grape leaf diseases detection & analysis using SGDM matrix method | |
Dong et al. | Chlorophyll fluorescence imaging as a tool for analyzing the effects of chilling injury on tomato seedlings | |
CN105975966A (zh) | 一种稻谷霉变无损检测的方法 | |
Prabha et al. | Study on banana leaf disease identification using image processing methods | |
Jadhav et al. | Soybean leaf disease detection and severity measurement using multiclass SVM and KNN classifier | |
Hai-ling et al. | Research on the discrimination of hatching eggs activity based on thermal imaging: A food nondestructive testing practice | |
CN109182443A (zh) | 一种监测腐败菌繁殖的传感器制备方法及快速检测腐败菌的方法 | |
Santoyo-Mora et al. | Nondestructive quantification of the ripening process in banana (Musa AAB Simmonds) using multispectral imaging | |
Choi et al. | Applying convolutional neural networks to assess the external quality of strawberries | |
Amiryousefi et al. | Pomegranate seed clustering by machine vision | |
Narvekar et al. | Novel algorithm for grape leaf diseases detection | |
CN114136920A (zh) | 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 | |
Taujuddin et al. | Detection of plant disease on leaves using blobs detection and statistical analysis | |
CN112179881B (zh) | 基于叶绿素荧光成像的绿豆叶斑病的早期检测方法 | |
Gupta et al. | Applications of RGB color imaging in plants | |
Benlachmi et al. | Fruits Disease Classification using Machine Learning Techniques | |
Yihang et al. | Automatic recognition of rape seeding emergence stage based on computer vision technology | |
KR20180055970A (ko) | 초분광 영상을 이용한 유정란 내부 배아 생존유무 판별방법 | |
CN112529838A (zh) | 一种基于图像处理技术的烟叶成熟度在线判别方法 | |
Kaiyan et al. | A real time image segmentation approach for crop leaf | |
Griffin et al. | Towards the development of a sterile model cheese for assessing the potential of hyperspectral imaging as a non-destructive fungal detection method |
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 | ||
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: 20180727 |