CN106525732A

CN106525732A - 基于高光谱成像技术的苹果内外品质快速无损检测方法

Info

Publication number: CN106525732A
Application number: CN201610938290.3A
Authority: CN
Inventors: 田有文; 张芳; 刘思伽; 冯迪
Original assignee: Shenyang Agricultural University
Current assignee: Shenyang Agricultural University
Priority date: 2016-10-25
Filing date: 2016-10-25
Publication date: 2017-03-22
Anticipated expiration: 2036-10-25
Also published as: CN106525732B

Abstract

本发明提供的基于高光谱成像技术的苹果内外品质的快速无损检测方法，利用高光谱成像系统采集苹果图谱信息，分析苹果光谱曲线的特征，并对光谱数据进行分析。然后，确定单波段图像，对其进行二次阈值分割，提取相应区域，并提取相应区域的光谱曲线。针对病害、虫害等苹果外部特征，提出二次连续投影算法以提取特征波长集SP1；针对糖度、硬度等苹果内部品质提出多参数连续投影算法以提取特征波长集SP2。最后融合反应苹果内外品质的特征波长集SP1、SP2采用BP神经网络实现对苹果内外品质的快速、无损检测。本发明操作简单方便、检测速度快、检测结果精度高，而且对苹果没有损伤。

Description

基于高光谱成像技术的苹果内外品质快速无损检测方法

技术领域

本发明属于一种水果无损检测技术领域，特别涉及一种基于高光谱成像技术的苹果内外品质快速无损检测方法。

背景技术

苹果是我国种植规模最大的品种之一，其产量居世界首位，但不是苹果贸易强国，进口价格远高于出口价格，其主要原因是我国苹果采后品质检测技术落后，大多是人工操作，耗时耗力，而且效率低，因而无法满足大规模生产的需求，在国际市场上缺乏竞争力，也无法满足国内的高端需求。因此，亟需开发快速无损智能高效的采后品质检测技术，推动水果采后处理向优质化、标准化和产业化方向健康发展，以营养和功能引导苹果消费。因此，开发研制一种快速、无损、高效的苹果品质检测方法在水果分级领域中具有较好的应用前景。

高光谱成像技术是利用光谱成像设备同时采集目标的光谱信息和图像信息，并结合光谱分析技术（特定敏感波段的选择）、计算机图像处理和机器视觉技术的优点，对目标物进行识别和分析的技术。采集到的高光谱图像是在特定波长范围内由一系列连续的较窄波段图像组成的三维图像数据块。高光谱图像可以同时获取某个特定波长下的图像信息和x- y 平面内某个特定像素点下的不同波长的光谱信息。在每个波长下 x- y平面内每个像素点的灰度值与其在该波长下的光谱值之间一一对应；在某个特定波长下，感兴趣区域(ROIs) 与正常区域之间的光谱值会存在较大差异。因此，在此波长下的图像中，它们之间的灰度也必然存在着一定的差异，进而对被测物进行判别分析，从而实现被测物在线检测。由此可见高光谱成像技术结合了图像分析与光谱技术两者的优点，并通过合适的数据处理方法寻找到最能准确辨别农产品内外品质的特征波长下的图像，从而实现高光谱成像技术对苹果品质的快速无损检测。

发明内容

本发明的目的是提供一种基于高光谱成像技术的苹果内外品质快速无损检测方法。

本发明的技术方案如下：

1）利用高光谱成像系统采集苹果图谱信息；

2）分析苹果光谱曲线的特征，并对光谱数据进行分析；

3）确定单波段图像，使用二次最大类间阈值分割算法对单波段图像进行阈值分割，分割出苹果与背景，从而得到苹果的高光谱图像；对苹果的高光谱图像进行掩膜；

4）对掩膜后的苹果高光谱图像进行第二次最大类间阈值分割，在苹果的高光谱图像中提取苹果病害区域、虫害区域、果梗/花萼区域、正常区域；

5）对分割出来的苹果病害区域、虫害区域、果梗/花萼区域、正常区域进行腐蚀膨胀运算；确定病虫害区域、花萼区域和果梗区域等感兴趣区域的像素点位置；对于苹果糖度、硬度等参数区域取苹果的正常区域中间部分的像素点位置。

6）对掩膜后的苹果高光谱图像进行第二次最大类间阈值分割，在苹果的高光谱图像中提取病害区域光谱曲线、虫害病害区域光谱曲线、果梗/花萼病害区域光谱曲线、正常区域糖度光谱曲线、正常区域硬度光谱曲线；

7）针对苹果病害区域、虫害区域、果梗/花萼区域、正常区域光谱曲线，采用二次连续投影法从500nm～970nm波长下的367个波段中提取苹果病害、虫害、果梗、花萼、正常的特征波长集SP1；

8）对于苹果的糖度、硬度等品质参数采用多参数连续投影算法SPA2提取苹果内部品质特征波长集SP2。

9）用苹果内部品质特征波长集SP1中特征波长的反射率融合苹果内部品质特征波长集SP2中特征波长的反射率，作为BP人工神经网络输入量，其隐层数为1，输入层和隐层传递函数为正切S型传递函数；加入趋势动量项的梯度下降的训练函数；输出为5个量，分别为苹果是否染有病害、是否染有虫害、是否是正常果、糖度值、硬度值；

10）通过苹果是否染有病害、是否染有虫害、是否是正常果、糖度值、硬度值实现苹果内外品质的快速、无损检测。

步骤7中采用二次连续投影算法SP1提取苹果外部品质特征波长集SPA1，SPA1包含如下10个特征波长502nm、573nm、589nm、655nm、681nm、727nm、867nm、904nm、942nm和967nm，对10个特征波长再次使用连续投影法选出3个特征波长681 nm、867 nm和942 nm，从而构成特征波长集SP1。

步骤8中对于苹果的糖度、硬度等品质参数采用多参数连续投影算法SPA2提取苹果内部品质特征波长集SPA2，即先采用连续投影算法筛选出苹果硬度的9个特征波长403nm、405nm、409nm、469nm、543nm、614nm、676nm、725nm、963nm，对9个特征波长的光谱信息再次使用连续投影法筛选出苹果糖度的2个特征波长543nm和676nm，从而构成特征波长集SP2。

本发明提供的快速、无损苹果内外品质的检测方法，还包括以下操作步骤：

1. 构建高光谱成像采集系统，该系统是由高光谱成像光谱仪（型号：ImSpector V10E,光谱成像技术有限公司，芬兰）、一架像素为 1392×1040 的面阵 CCD 相机（型号：IGV-B1410M, IMPERX 公司, 美国）、一台精密位移控制平台（型号：IRCP0076-1 COM, 台湾）、一套150W的光纤卤素灯、一个减少环境光影响的暗箱（120*50*140cm）和数据处理机组成。高光谱摄像头的光谱范围为400—1100nm，光谱分辨率为2.8nm。

2. 利用高光谱成像采集系统获取苹果高光谱图像，事先调节物距、光源强度、镜头光圈度数、相机曝光时间、移动平台速度，以确保采集的图像清晰且不失真。最终确定的采集参数为物距350 mm，相机曝光时间65 ms，平台移动速度2.2 mm/s。将一个待测苹果放置于移动平台上，且赤道位对准相机。当平台移动时，通过光谱仪获得苹果空间位置的一条线在整个光谱区域的光谱信息，然后通过平台带动苹果运动，获取苹果在其他位置的光谱信息，直至获得样品完整的光谱信息。

3. 高光谱图像数据校正处理。在与样本采集相同的系统条件下，首先扫描标准白色校正板得到全白的标定图像I_W；然后，关闭摄像机快门进行图像采集得到全黑的标定图像 I_D；最后，按照下面校正公式完成图像标定，采集得到的原始图像 I_S变成校正图像 R。

4. 分析图谱特征，确定感兴趣区域。本发明首先分析所采集的苹果波谱噪声情况，发现噪声较少的波段，故选择此区间的波谱作为以后的分析。另外为便于苹果图像清晰与背景界限明了易于分割，故本发明选取单波长图像采用二次最大类间阈值分割算法首先分割出苹果与背景，从而得到苹果的二值化图像。然后用此二值化图像对高光谱图像进行掩膜，以消除背景和噪声等。对掩膜后的苹果高光谱图像进行第二次最大类间阈值分割，实现苹果病虫害区域、花萼区域和果梗区域的分割。最后对分割出来的区域进行腐蚀膨胀运算，从而确定病虫害区域、花萼区域和果梗区域等感兴趣区域的像素点位置，为后续试验提供依据。另外对于苹果糖度、硬度等参数的感兴趣区域可取苹果的中间部分某些区域。

. 提取感兴趣区域的光谱曲线。由于果梗、花萼部分与周围区域灰度有些区别，在分割过程中经常被分割出来误认成病虫害，因此本发明应提取果梗、花萼感兴趣区域部分的光谱信息与病虫害感兴趣区域部分的光谱信息做进一步的检测，进而检测出真正的病虫害部分。对上述分割出的苹果病虫害区域、果梗、花萼感兴趣区域，提取500nm～970 nm波长下的光谱曲线。对于苹果的正常区域，则提取苹果中间部分80×60像素大小的感兴趣区域中500nm～970 nm波长下的光谱曲线。

. 苹果内外品质特征波长的提取。先后采用二次连续投影算法SPA1、多参数连续投影算法SPA2提取苹果外部品质特征波长集SP1、提取苹果内部品质特征波长集SP2。为了选取较少的特征波长代表全波长光谱特征，首先采用二次连续投影法从500nm～970nm波长下的367个波段中提取苹果病害、虫害、果梗、花萼、正常的特征波长集SP1。即第一次采用SPA1筛选出了10个特征波长。考虑到10个特征波长数量较多计算量较大，不利于后续的在线检测。所以对优选出的10个特征波长再次使用连续投影法选出3个特征波长，从而构成特征波长集SP1。对于苹果的糖度、硬度等品质参数采用多参数连续投影算法SPA2提取苹果内部品质特征波长集SP2，即先采用连续投影算法筛选出苹果硬度的9个特征波长。考虑到9个特征波长数量较多计算量较大，不利于后续的在线检测。所以对优选出的9个特征波长的光谱信息再次使用连续投影法筛选出苹果糖度的2个特征波长，从而构成特征波长集SP2。

. 采用BP人工神经网络对苹果内外部品质进行检测。采用苹果内部品质特征波长集SP2中三个特征波长681 nm、867 nm和942 nm处的反射率，融合苹果内部品质特征波长集SP2中两个特征波长543nm、676nm处的反射率，共五个光谱特征作为BP人工神经网络输入量，其隐层数为1，输入层和隐层传递函数为正切S型传递函数。学习方式为加入趋势动量项的梯度下降的训练函数。输出为5个量，分别为苹果是否染有病害、是否染有虫害、是否是正常果、糖度值、硬度值。

本发明的积极效果：操作简单方便、检测速度快、检测精度高，而且对苹果没有损伤。

具体实施方式

实施例1

1）利用高光谱成像系统采集苹果图谱信息；

2）分析苹果光谱曲线的特征，并对光谱数据进行分析；

7）针对苹果病害区域、虫害区域、果梗/花萼区域、正常区域光谱曲线，采用二次连续投影法从500nm～970nm波长下的367个波段中提取苹果病害、虫害、果梗、花萼、正常的特征波长集SPA1，SPA1包含10个特征波长如下502nm、573nm、589nm、655nm、681nm、727nm、867nm、904nm、942nm和967nm，对10个特征波长再次使用连续投影法选出3个特征波长681 nm、867nm和942 nm，从而构成特征波长集SP1；

8）对于苹果的糖度、硬度等品质参数采用多参数连续投影算法SPA2提取苹果内部品质特征波长集SPA2，即先采用连续投影算法筛选出苹果硬度的9个特征波长403nm、405nm、409nm、469nm、543nm、614nm、676nm、725nm、963nm，对9个特征波长的光谱信息再次使用连续投影法筛选出苹果糖度的2个特征波长543nm和676nm，从而构成特征波长集SP2。

9）用苹果外部品质特征波长集SP1中特征波长的反射率融合苹果内部品质特征波长集SP2中特征波长的反射率，作为BP人工神经网络输入量，其隐层数为1，输入层和隐层传递函数为正切S型传递函数；加入趋势动量项的梯度下降的训练函数；输出为5个量，分别为苹果是否染有病害、是否染有虫害、是否是正常果、糖度值、硬度值；

上述步骤的硬件体系统构成及具体操作方式如下：

1. 构建高光谱成像采集系统采集苹果的高光谱图像。该系统是由高光谱成像光谱仪（型号：ImSpector V10E,光谱成像技术有限公司，芬兰）、一架像素为 1392×1040 的面阵CCD 相机（型号：IGV-B1410M, IMPERX 公司, 美国）、一台精密位移控制平台（型号：IRCP0076-1 COM, 台湾）、一套150W的光纤卤素灯、一个减少环境光影响的暗箱（120*50*140cm）和数据处理机等部分组成。高光谱摄像头的光谱范围为400—1100nm，光谱分辨率为2.8nm。

2. 利用高光谱成像采集系统获取苹果高光谱图像。首先将待测苹果放置于移动平台上，把有虫眼面的赤道位对准相机。调整苹果上面到镜头的距离为350 mm，相机曝光时间65 ms，平台移动速度2.2 mm/s。然后将苹果从移动平台上拿下，将校正白板放在移动平台上，并保证与苹果同一高度，调整光源强度使最大DN值在3200左右，通过高光谱图像采集软件Spectral Image （台湾五玲光学股份有限公司,台湾）采集白板的高光谱图像W。然后，关闭镜头快门进行图像采集得到全黑的标定图像 B。最后将待测苹果放置于移动平台上。当平台移动时，通过光谱仪获得苹果空间位置的一条线在整个光谱区域的光谱信息，然后通过平台带动苹果运动，获取苹果在其他位置的光谱信息，直至获得样品完整的光谱信息。

3. 高光谱图像数据校正处理。结合全白的标定图像I_W和全黑的标定图像 I_D及实际样本高光谱图像I_S，按照下面校正公式完成图像标定，采集得到的原始图像 I_S变成校正图像 R。

4. 分析图谱特征，确定感兴趣区域。本发明，发现500nm--970nm区间的噪声较少，故选择此区间的波谱作为以后的分析。另外在波长700nm下苹果图像清晰与背景界限明了易于分割，故本发明选取单波长700 nm图像采用二次最大类间阈值分割算法首先分割出苹果与背景，从而得到苹果的二值化图像。然后用此二值化图像对高光谱图像进行掩膜，以消除背景和噪声等。对掩膜后的苹果高光谱图像进行第二次最大类间阈值分割，实现苹果病虫害区域、花萼区域和果梗区域的分割。最后对分割出来的区域进行腐蚀膨胀运算，从而确定病虫害区域、花萼区域和果梗区域等感兴趣区域的像素点位置，为后续试验提供依据。另外对于苹果糖度、硬度等参数的感兴趣区域可取苹果的中间部分80×60像素大小的区域。

. 提取感兴趣区域的光谱曲线。对上述分割出的苹果病虫害区域、果梗、花萼感兴趣区域，提取500nm～970 nm波长下的光谱曲线。对于苹果的正常区域，则提取苹果中间部分80×60像素大小的感兴趣区域中500nm～970 nm波长下的光谱曲线。

. 苹果内外品质特征波长的提取。先后采用二次连续投影算法SPA1、多参数连续投影算法SPA2提取苹果外部品质特征波长集SP1、提取苹果内部品质特征波长集SP2。为了选取较少的特征波长代表全波长光谱特征，首先采用二次连续投影法从500nm～970nm波长下的367个波段中提取苹果病害、虫害、果梗、花萼、正常的特征波长集SP1。即第一次采用SPA1筛选出了10个特征波长，分别是502nm、573nm、589nm、655nm、681nm、727nm、867nm、904nm、942nm和967nm。考虑到10个特征波长数量较多计算量较大，不利于后续的在线检测。所以对优选出的10个特征波长再次使用连续投影法选出3个特征波长，分别是681nm、867nm和942nm，从而构成特征波长集SP1。对于苹果的糖度、硬度等品质参数采用多参数连续投影算法SPA2提取苹果内部品质特征波长集SP2，即先采用连续投影算法筛选出苹果硬度的9个特征波长，分别是403nm、405nm、409nm、469nm、543nm、614nm、676nm、725nm、963nm。考虑到9个特征波长数量较多计算量较大，不利于后续的在线检测。所以对优选出的9个特征波长的光谱信息再次使用连续投影法筛选出苹果糖度的2个特征波长，分别是543nm和676nm,从而构成特征波长集SP2。

.采用BP人工神经网络对苹果内外部品质进行检测。采用苹果内部品质特征波长集SP2中三个特征波长681 nm、867 nm和942 nm处的反射率，融合苹果内部品质特征波长集SP2中两个特征波长543nm、676nm处的反射率，共五个光谱特征作为BP人工神经网络输入量，其隐层数为1，输入层和隐层传递函数为正切S型传递函数。学习方式为加入趋势动量项的梯度下降的训练函数。输出为5个量，分别为苹果是否染有病害、是否染有虫害、是否是正常果、糖度值、硬度值。

Claims

1.基于高光谱成像技术的苹果内外品质快速、无损检测方法，其特征包括以下步骤：1）利用高光谱成像系统采集苹果图谱信息；

2）分析苹果光谱曲线的特征，并对光谱数据进行分析；

5）对分割出来的苹果病害区域、虫害区域、果梗/花萼区域、正常区域进行腐蚀膨胀运算；确定病虫害区域、花萼区域和果梗区域等感兴趣区域的像素点位置；对于苹果糖度、硬度等参数区域取苹果的正常区域中间部分的像素点位置；

8）对于苹果的糖度、硬度等品质参数采用多参数连续投影算法SPA2提取苹果内部品质特征波长集SP2；

2.根据权利要求1所述的基于高光谱成像技术的苹果内外品质快速、无损检测方法，其特征是：步骤7中采用二次连续投影算法SP1提取苹果外部品质特征波长集SPA1，SPA1包含10个特征波长包括502nm、573nm、589nm、655nm、681nm、727nm、867nm、904nm、942nm和967nm，对10个特征波长再次使用连续投影法选出3个特征波长681 nm、867 nm和942 nm，从而构成特征波长集SP1。

3.根据权利要求1所述的基于高光谱成像技术的苹果内外品质快速、无损检测方法，其特征是：步骤8中对于苹果的糖度、硬度等品质参数采用多参数连续投影算法SPA2提取苹果内部品质特征波长集SP2，即先采用连续投影算法筛选出苹果硬度的9个特征波长403nm、405nm、409nm、469nm、543nm、614nm、676nm、725nm、963nm，对9个特征波长的光谱信息再次使用连续投影法筛选出苹果糖度的2个特征波长543nm和676nm，从而构成特征波长集SP2。