CN107505325A - 冬枣果实的全方位品质检测方法 - Google Patents
冬枣果实的全方位品质检测方法 Download PDFInfo
- Publication number
- CN107505325A CN107505325A CN201710714295.2A CN201710714295A CN107505325A CN 107505325 A CN107505325 A CN 107505325A CN 201710714295 A CN201710714295 A CN 201710714295A CN 107505325 A CN107505325 A CN 107505325A
- Authority
- CN
- China
- Prior art keywords
- jujube
- fruit
- winter
- pixel
- image
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 17
- 241001247821 Ziziphus Species 0.000 claims abstract description 109
- 201000010099 disease Diseases 0.000 claims abstract description 20
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 20
- 230000004069 differentiation Effects 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims description 19
- 238000001228 spectrum Methods 0.000 claims description 14
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 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 claims description 4
- 239000008103 glucose Substances 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 101100545096 Bacillus subtilis (strain 168) yxiE gene Proteins 0.000 claims description 2
- 102220609776 Nuclear protein MDM1_N17E_mutation Human genes 0.000 claims description 2
- 238000000701 chemical imaging Methods 0.000 claims description 2
- 229910052736 halogen Inorganic materials 0.000 claims description 2
- 150000002367 halogens Chemical class 0.000 claims description 2
- 238000011160 research Methods 0.000 claims description 2
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 claims description 2
- 229910052721 tungsten Inorganic materials 0.000 claims description 2
- 239000010937 tungsten Substances 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 5
- 239000011573 trace mineral Substances 0.000 description 3
- 235000013619 trace mineral Nutrition 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 241000220324 Pyrus Species 0.000 description 1
- 244000126002 Ziziphus vulgaris Species 0.000 description 1
- 235000008529 Ziziphus vulgaris Nutrition 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 235000008935 nutritious Nutrition 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 235000021017 pears Nutrition 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000000126 substance Substances 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- 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
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- 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
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- 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
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- 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
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Abstract
一种冬枣果实的全方位品质检测方法，首先通过Kinect V2相机获取冬枣的RGB图像（分辨率为1920×1080）和点云信息（分辨率为512×424），在RGB图像中提取冬枣果实的图像区域。再对冬枣果实的RGB图像进行正常枣和病害枣判别，对正常枣进行成熟度判别。然后提取冬枣果实的点云信息区域计算冬枣尺寸（长、宽、高、体积）。之后通过高光谱成像系统采集脆熟冬枣的高光谱图像数据，采用试验研究建立的糖度和硬度模型分别预测果实的糖度和硬度。最终实现冬枣果实的分类，并获得脆熟冬枣的尺寸和内部糖度与硬度，可用于其分级等。
Description
技术领域
本发明涉及智能化检测与技术领域，具体涉及一种冬枣果实的全方位品质检测方法。
背景技术
冬枣是无刺枣树的一个晚熟鲜食优良品种，果皮赭红光亮、皮薄肉脆、甘甜清香、营养丰富，可食率达95%。与其它果品相比，冬枣还含有丰富的维生素 A、维生素 E和钾、钠、铁、铜等多种微量元素，维生素C的含量是苹果的70倍，梨的140倍，营养价值为“百果之冠”。另外富含多种微量元素和矿物质，有防心脑血管疾病之功效，倍受广大消费者青睐。
但随着人们生活水平的逐渐提高，对冬枣的品质要求也越来越高。目前主要依靠人工进行外部品质检测和分选，其劳动量大、效率低，导致冬枣品质参差不齐，影响其销售价格，对果农造成极大的经济损失。其次，在传统的果品内部品质检测主要采用化学分析法，制样繁琐、分析速度慢，通常用少量样本代替批次果品的品质，且检测时必须破坏果品，无损检测使用较少，因此难以在商业上推广应用。
本发明提供一种无损的冬枣果实全方位品质检测方法。
发明内容
为了解决上述技术问题，本发明提供了一种冬枣果实的全方位品质检测方法，包括如下步骤：
S0：通过Kinect V2相机每次获取一个冬枣的RGB图像（分辨率为1920×1080）和点云信息（分辨率为512×424）；
S1：在S0获取的RGB图像中提取冬枣果实的图像区域；
S11：提取RGB图像中心的360像素×360像素区域壹Ic；
S12：对Ic提取1.02×R-G的灰度图像Ig；
S13：对Ig计算Otsu阈值，并用该阈值进行二值化，形态学运算后，获取果实区域图像If；
S14：以If为掩膜，与Ic做与运算，获得果实的RGB图像Ifc；
S2：对冬枣果实的RGB图像Ifc进行正常枣和病害枣判别；
S21：根据每个果实像素的R、G、B值，计算相应的HSV和L*a*b*颜色空间的各个分量；
S22：试验研究表明R、S、b*颜色分量可以显著区分正常枣和病害枣，提取每个像素的R、S、b*颜色分量；
S23：采用试验研究获得的两个线性分类函数计算每个像素的得分；
BHZ=0.182×R+14.132×S-0.531×b*-4.743
ZCZ=0.217×R+32.284×S-0.424×b*-15.673
式中：BHZ 表示病害枣判别得分；ZCZ 表示正常枣判别得分；
S24：若BHZ>ZCZ，则该像素属于病害枣，反之属于正常枣；
S25：若该枣有5%以上的像素属于病害枣，则该枣为病害枣；否则，为正常枣；
S3：对正常枣进行成熟度判别；
S31：试验研究表明每个像素的H和a*颜色分量可以显著区分果实成熟度，提取每个像素的H和a*颜色分量；
S32：采用试验研究获得的三个线性分类函数计算每个像素的得分；
WSZ=2.555×H+2.306×a*-82.984
BSZ=1.966×H+1.965×a*-47.555
CSZ=1.815×H+3.077×a*-51.130
式中：WSZ表示未熟枣判别得分；BSZ表示白熟枣判别得分；CSZ表示脆熟枣判别得分；
S33：根据每个像素在每个类型上的得分，得分最高属于该类型；
S34：结合试验研究结果，当该果实有30%以上的像素属于脆熟枣类型，则为脆熟枣；当该果实有72%以上的像素属于白熟枣类型，则为白熟枣；当该果实有50%以上的像素属于未熟枣类型，则为未熟枣；各类型像素比例不满足上述，根据未熟枣像素、白熟枣像素和脆熟枣像素的比例大小，取最高者确定果实的成熟度类型；
S4：提取冬枣果实的点云信息区域计算冬枣尺寸；
S41：根据Kinect V2的RGB图像和点云信息的坐标对应关系，提取RGB图像中冬枣果实区域Ifc对应的点云信息区域，并确定像素的实际尺寸，即n mm/像素；
S42：用5×5的中值滤波法遍历 S41提取的点云信息，并去除噪声；
S43：计算RGB图像中冬枣果实区域的最小外接矩形，提取长轴和短轴的像素数，再乘以n，即可确定果实的长a（mm）和宽b（mm）；
S44：寻找冬枣果实点云区域的深度最大值和最小值，两者之差即为果实的高度c（mm）；
S45：对排水法测得的实际体积与a、b、c进行回归分析，研究获得体积V（mm3）的预测模型；
V=0.53×a×b×c+1.27
S5：通过高光谱成像系统采集S3中脆熟冬枣的高光谱图像数据；
S51：提取波段75（1353mm）处的光谱图像HI75；
S52：对图像HI75进行5×5中值滤波；
S53：计算Otsu阈值后进行二值化；
S54：进行开、闭运算，获取二值图像，即为高光谱图像中的果实区域HI；
S55：以HI为掩膜，提取果实的高光谱数据，并对每个像素的高光谱数据进行预处理；
S56：对预处理后的数据进行平均，获得每个果实的平均光谱数据；
S6：预测冬枣果实的糖度；
S61：提取每个果实在波段43（1005 nm）、波段75（1111 nm）、波段79（1124 nm）、波段134（1307 nm）、波段208（1552 nm）处的平均光谱值；
S62：采用试验研究建立的冬枣果实糖度预测模型计算其糖度值TD（%）；
TD = 4.06x 43+5.85x 75-0.63x 79-9.86x 134+1.23x 208+15.88
S7：预测冬枣果实的硬度；
S71：提取每个果实在波段40（995 nm）、波段73（1104 nm）、波段132（1300 nm）、波段177（1449 nm）、波段179（1456 nm）处的平均光谱值；
S72：采用试验研究建立的冬枣果实硬度预测模型计算其硬度值YD（N/mm）；
YD = -18.40x 40-174.45x 73-30.51x 132+43.72x 177+7.21x 179+369.41
S8：最终实现冬枣果实的分类，并获得脆熟冬枣的尺寸和内部糖度与硬度，可用于其分级等；
其中，所述步骤S0， Kinect V2相机的视野为80°（H）× 50°（V），RGB的分辨率为1920×1080，点云信息的分辨率为512×424；
其中，所述步骤S5，高光谱成像系统由一台近红外光谱仪（ImSpector N17E 型,Spectral Imaging Ltd.，芬兰），一台像素为 320×256的面阵 CCD 相机（XEVA2616 型，XenICs Ltd.,比利时），一套高稳定性的卤钨灯白光光源，一台高精度的电控平移台装置和计算机等组成，其采集光谱范围为 900～1700 nm，光谱分辨率 2.8 nm，入射光狭缝宽度为30 μm。
本发明提出的方法，基于RGB图像和点云信息及高光谱图像，进行冬枣果实的全方位品质检测。与现有的冬枣品质检测方法相比，本发明的方法准确率，具有科学依据，并可利用该方法进行开发相应的冬枣果实的品质分选设备，具有很强的技术优势。
附图说明
图1为冬枣果实的全方位品质检测方法流程图；
图2高光谱图像采集系统示意图。
具体实施方法
下面结合附图对本发明的具体实施方式做进一步详细描述。本发明提供了一种冬枣果实的全方位品质检测方法，包括如下步骤：
S0：将Kinect V2相机固定在三角架上，通过实时观察Kinect V2拍摄的RGB图像，调整镜头距冬枣底部的垂直距离，使图片中的冬枣大小合适，之后每次获取一个冬枣的RGB图像和点云信息；
S1：在S0获取的RGB图像中提取冬枣果实的图像区域；
S11：提取RGB图像中心的360像素×360像素区域Ic；
S12：对Ic提取1.02×R-G的灰度图像Ig；
S13：对Ig计算Otsu阈值获得二值化图像，采用 bwareaopen 函数去除小面积杂质，形态学运算平滑边缘轮廓和填充内部细小空洞后，获取果实区域图像If；
S14：以If为掩膜，与Ic做与运算，获得果实的RGB图像Ifc；
S2：对冬枣果实的RGB图像Ifc进行正常枣和病害枣判别；
S21：根据每个冬枣果实像素的R、G、B值，计算相应的HSV和L*a*b*颜色空间的各个分量；
S22：提取每个像素的R、S、b*颜色分量；
S23：采用试验研究获得的两个线性分类函数计算每个像素的得分，分类函数如下：
BHZ=0.182×R+14.132×S-0.531×b*-4.743
ZCZ=0.217×R+32.284×S-0.424×b*-15.673
式中：BHZ 表示病害枣判别得分；ZCZ 表示正常枣判别得分；
S24：若BHZ>ZCZ，则该像素属于病害枣，反之属于正常枣，实验结果表明病害枣像素的识别正确率为 90.3%，正常枣像素的识别正确率为98.9%；
S25：若该枣有5%以上的像素属于病害枣，则该枣为病害枣；否则，为正常枣；实验结果表明病害枣和正常枣的分类正确率为89.6%；
S3：对正常枣进行成熟度判别；
S31：提取每个像素的H和a*颜色分量；
S32：采用试验研究获得的三个线性分类函数计算每个像素的得分，分类函数如下：
WSZ=2.555×H+2.306×a*-82.984
BSZ=1.966×H+1.965×a*-47.555
CSZ=1.815×H+3.077×a*-51.130
式中：WSZ表示未熟枣判别得分；BSZ表示白熟枣判别得分；CSZ表示脆熟枣判别得分；
S33：根据每个像素在每个类型上的得分，得分最高属于该类型；未熟、白熟、脆熟像素的识别正确率分别为94.7%、97.6%、99.8%，总体识别正确率为 97.6%；
S34：当该果实有30%以上的像素属于脆熟枣类型，则为脆熟枣；当该果实有72%以上的像素属于白熟枣类型，则为白熟枣；当该果实有50%以上的像素属于未熟枣类型，则为未熟枣；各类型像素比例不满足上述，根据未熟枣像素、白熟枣像素和脆熟枣像素的比例大小，取最高者确定果实的成熟度类型；冬枣的识别正确率依次为95.4%、98.3%、97.5%，不同成熟度冬枣的平均检测正确率为97.0%；
S4：提取冬枣果实的点云信息区域计算冬枣尺寸；
S41：通过RGB图像与深度图像的对应坐标矩阵，利用映射后的深度图像坐标与点云信息对应关系，提取RGB图像中冬枣果实区域对应的点云信息区域，并通过相机与底面的高度值以及相机拍摄的视野角及图像的分辨率确定像素的实际尺寸，即n mm/像素；
S42：用5×5的中值滤波法遍历 S41提取的点云信息，并去除噪声；
S43：计算RGB图像中冬枣果实区域的最小外接矩形，提取长轴和短轴的像素数，再乘以n，即可确定果实的实际长a（mm）和宽b（mm）；
S44：寻找冬枣果实点云区域的深度最大值和最小值，两者之差即为果实的实际高度c（mm）；
S45：对排水法测得的实际体积与a、b、c进行回归分析，采用试验研究获得的体积V（mm3）预测模型计算冬枣体积，计算精度为96.6%，计算函数如下：
V=0.53×a×b×c+1.27
S5：通过高光谱成像系统（如图2所示）采集S3中脆熟冬枣的高光谱图像数据；
S51：提取波段75（1353 nm）处的光谱图像HI75；
S52：对图像HI75进行5×5中值滤波；
S53：计算Otsu阈值后进行二值化；
S54：进行开、闭运算，获取二值图像，即为高光谱图像中的果实区域HI；
S55：以HI为掩膜，提取果实的高光谱数据，并对每个像素的高光谱数据进行有效地消除噪声干扰和谱线平移与处理；
S56：对处理后的数据进行平均，获得每个果实的平均光谱数据；
S6：预测冬枣果实的糖度；
S61：提取每个果实在波段43（1005 nm）、波段75（1111 nm）、波段79（1124 nm）、波段134（1307 nm）、波段208（1552 nm）处的平均光谱值；
S62：采用试验研究建立的冬枣果实糖度预测模型计算其糖度值TD（%），计算函数如下：
TD = 4.06x 43+5.85x 75-0.63x 79-9.86x 134+1.23x 208+15.88
实验表明，糖度预测模型预测糖度值和真实糖度值的相关系数为R=0.92，平均相对误差为3.25%；
S7：预测冬枣果实的硬度；
S71：提取每个果实在波段40（995 nm）、波段73（1104 nm）、波段132（1300 nm）、波段177（1449 nm）、波段179（1456 nm）处的平均光谱值；
S72：采用试验研究建立的冬枣果实硬度预测模型计算其硬度值YD（N/mm），函数如下:
YD = -18.40x 40-174.45x 73-30.51x 132+43.72x 177+7.21x 179+369.41
实验表明，硬度预测模型预测硬度值和真实硬度值的相关系数为R=0.89，平均相对误差为4.34%；
S8：最终实现冬枣果实的分类，并获得脆熟冬枣的尺寸和内部糖度与硬度，可用于其分级等。
Claims (1)
1.一种冬枣果实的全方位品质检测方法，包括如下步骤：
S0：通过Kinect V2相机每次获取一个冬枣的RGB图像（分辨率为1920×1080）和点云信息（分辨率为512×424）；
S1：在S0获取的RGB图像中提取冬枣果实的图像区域；
S11：提取RGB图像中心的360像素×360像素区域壹Ic；
S12：对Ic提取1.02×R-G的灰度图像Ig；
S13：对Ig计算Otsu阈值，并用该阈值进行二值化，形态学运算后，获取果实区域图像If；
S14：以If为掩膜，与Ic做与运算，获得果实的RGB图像Ifc；
S2：对冬枣果实的RGB图像Ifc进行正常枣和病害枣判别；
S21：根据每个果实像素的R、G、B值，计算相应的HSV和L*a*b*颜色空间的各个分量；
S22：试验研究表明R、S、b*颜色分量可以显著区分正常枣和病害枣，提取每个像素的R、S、b*颜色分量；
S23：采用试验研究获得的两个线性分类函数计算每个像素的得分；
BHZ=0.182×R+14.132×S-0.531×b*-4.743
ZCZ=0.217×R+32.284×S-0.424×b*-15.673
式中：BHZ 表示病害枣判别得分；ZCZ 表示正常枣判别得分；
S24：若BHZ>ZCZ，则该像素属于病害枣，反之属于正常枣；
S25：若该枣有5%以上的像素属于病害枣，则该枣为病害枣；否则，为正常枣；
S3：对正常枣进行成熟度判别；
S31：试验研究表明每个像素的H和a*颜色分量可以显著区分果实成熟度，提取每个像素的H和a*颜色分量；
S32：采用试验研究获得的三个线性分类函数计算每个像素的得分；
WSZ=2.555×H+2.306×a*-82.984
BSZ=1.966×H+1.965×a*-47.555
CSZ=1.815×H+3.077×a*-51.130
式中：WSZ表示未熟枣判别得分；BSZ表示白熟枣判别得分；CSZ表示脆熟枣判别得分；
S33：根据每个像素在每个类型上的得分，得分最高属于该类型；
S34：结合试验研究结果，当该果实有30%以上的像素属于脆熟枣类型，则为脆熟枣；当该果实有72%以上的像素属于白熟枣类型，则为白熟枣；当该果实有50%以上的像素属于未熟枣类型，则为未熟枣；各类型像素比例不满足上述，根据未熟枣像素、白熟枣像素和脆熟枣像素的比例大小，取最高者确定果实的成熟度类型；
S4：提取冬枣果实的点云信息区域计算冬枣尺寸；
S41：根据Kinect V2的RGB图像和点云信息的坐标对应关系，提取RGB图像中冬枣果实区域Ifc对应的点云信息区域，并确定像素的实际尺寸，即n mm/像素；
S42：用5×5的中值滤波法遍历 S41提取的点云信息，并去除噪声；
S43：计算RGB图像中冬枣果实区域的最小外接矩形，提取长轴和短轴的像素数，再乘以n，即可确定果实的长a（mm）和宽b（mm）；
S44：寻找冬枣果实点云区域的深度最大值和最小值，两者之差即为果实的高度c（mm）；
S45：对排水法测得的实际体积与a、b、c进行回归分析，研究获得体积V（mm3）的预测模型；
V=0.53×a×b×c+1.27
S5：通过高光谱成像系统采集S3中脆熟冬枣的高光谱图像数据；
S51：提取波段75（1353mm）处的光谱图像HI75；
S52：对图像HI75进行5×5中值滤波；
S53：计算Otsu阈值后进行二值化；
S54：进行开、闭运算，获取二值图像，即为高光谱图像中的果实区域HI；
S55：以HI为掩膜，提取果实的高光谱数据，并对每个像素的高光谱数据进行预处理；
S56：对预处理后的数据进行平均，获得每个果实的平均光谱数据；
S6：预测冬枣果实的糖度；
S61：提取每个果实在波段43（1005 nm）、波段75（1111 nm）、波段79（1124 nm）、波段134（1307 nm）、波段208（1552 nm）处的平均光谱值；
S62：采用试验研究建立的冬枣果实糖度预测模型计算其糖度值TD（%）；
TD = 4.06x 43+5.85x 75-0.63x 79-9.86x 134+1.23x 208+15.88
S7：预测冬枣果实的硬度；
S71：提取每个果实在波段40（995 nm）、波段73（1104 nm）、波段132（1300 nm）、波段177（1449 nm）、波段179（1456 nm）处的平均光谱值；
S72：采用试验研究建立的冬枣果实硬度预测模型计算其硬度值YD（N/mm）；
YD = -18.40x 40-174.45x 73-30.51x 132+43.72x 177+7.21x 179+369.41
其中，所述步骤S0， Kinect V2相机的视野为80°（H）× 50°（V），RGB的分辨率为1920×1080，点云信息的分辨率为512×424；
其中，所述步骤S5，高光谱成像系统由一台近红外光谱仪（ImSpector N17E 型,Spectral Imaging Ltd.，芬兰），一台像素为 320×256的面阵 CCD 相机（XEVA2616 型，XenICs Ltd.，比利时），一套高稳定性的卤钨灯白光光源，一台高精度的电控平移台装置和计算机等组成，其采集光谱范围为 900～1700 nm，光谱分辨率 2.8 nm，入射光狭缝宽度为30 μm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710714295.2A CN107505325B (zh) | 2017-08-18 | 2017-08-18 | 冬枣果实的全方位品质检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710714295.2A CN107505325B (zh) | 2017-08-18 | 2017-08-18 | 冬枣果实的全方位品质检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107505325A true CN107505325A (zh) | 2017-12-22 |
| CN107505325B CN107505325B (zh) | 2023-04-25 |
Family
ID=60692314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710714295.2A Active CN107505325B (zh) | 2017-08-18 | 2017-08-18 | 冬枣果实的全方位品质检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107505325B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886259A (zh) * | 2019-02-22 | 2019-06-14 | 潍坊科技学院 | 一种基于计算机视觉的番茄病害识别预警方法及装置 |
| CN110378327A (zh) * | 2019-07-09 | 2019-10-25 | 浙江大学 | 添加辅助性显著特征的目标检测装置及方法 |
| CN111476153A (zh) * | 2020-04-07 | 2020-07-31 | 中科汇智(重庆)信息技术合伙企业(有限合伙) | 一种水果成熟度计算方法 |
| CN111879791A (zh) * | 2020-07-30 | 2020-11-03 | 西湖大学 | 一种图案表面凸起特征增强的机器视觉系统及方法 |
| CN112556606A (zh) * | 2020-12-24 | 2021-03-26 | 宁夏农林科学院农业经济与信息技术研究所（宁夏农业科技图书馆） | 基于双目视觉的自走式枸杞果实测量方法及装置 |
| CN112834454A (zh) * | 2020-12-31 | 2021-05-25 | 杭州谱育科技发展有限公司 | 基于近红外高光谱技术的冬枣检测方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5324945A (en) * | 1991-10-04 | 1994-06-28 | Director Of National Food Research Institute, Ministry Of Agriculture, Forestry And Fisheries | Method of nondestructively measuring sugar content of fruit by using near infrared transmittance spectrum |
| JP2006226775A (ja) * | 2005-02-16 | 2006-08-31 | Toyohashi Univ Of Technology | 果実の食味成分評価方法及び評価装置 |
| CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
| US20080101657A1 (en) * | 2006-10-30 | 2008-05-01 | The Regents Of The University Of California | Method and apparatus for performing qualitative and quantitative analysis of produce (fruit, vegetables) using spatially structured illumination |
| CN101696935A (zh) * | 2009-10-27 | 2010-04-21 | 中国农业大学 | 基于高光谱空间散射曲线的苹果硬度无损检测方法 |
| WO2012074372A2 (en) * | 2010-11-30 | 2012-06-07 | Universiti Putra Malaysia (Upm) | A system for fruit grading and quality determination |
| US20130325346A1 (en) * | 2012-06-01 | 2013-12-05 | Agerpoint, Inc. | Systems and methods for monitoring agricultural products |
| CN103528967A (zh) * | 2013-09-25 | 2014-01-22 | 西北农林科技大学 | 基于高光谱图像的过熟蓝靛果果实识别方法 |
| US20140085502A1 (en) * | 2011-06-15 | 2014-03-27 | Microsoft Corporation | High resolution multispectral image capture |
| US20140137877A1 (en) * | 2012-11-19 | 2014-05-22 | Altria Client Services Inc. | Blending of agricultural products via hyperspectral imaging and analysis |
| CN104181170A (zh) * | 2014-09-05 | 2014-12-03 | 熊菊莲 | 基于光谱图像分析的水果外表检测方法 |
| JP2015047246A (ja) * | 2013-08-30 | 2015-03-16 | 長谷川香料株式会社 | 辛み物質または苦味物質による摂食意欲の変化の評価方法 |
| CN106290238A (zh) * | 2016-08-09 | 2017-01-04 | 西北农林科技大学 | 一种基于高光谱成像的苹果品种快速鉴别方法 |
| CN106841053A (zh) * | 2017-01-07 | 2017-06-13 | 塔里木大学 | 一种红枣品种快速鉴定方法 |
| CN106971160A (zh) * | 2017-03-23 | 2017-07-21 | 西京学院 | 基于深度卷积神经网络和病害图像的冬枣病害识别方法 |
-
2017
- 2017-08-18 CN CN201710714295.2A patent/CN107505325B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5324945A (en) * | 1991-10-04 | 1994-06-28 | Director Of National Food Research Institute, Ministry Of Agriculture, Forestry And Fisheries | Method of nondestructively measuring sugar content of fruit by using near infrared transmittance spectrum |
| JP2006226775A (ja) * | 2005-02-16 | 2006-08-31 | Toyohashi Univ Of Technology | 果実の食味成分評価方法及び評価装置 |
| US20080101657A1 (en) * | 2006-10-30 | 2008-05-01 | The Regents Of The University Of California | Method and apparatus for performing qualitative and quantitative analysis of produce (fruit, vegetables) using spatially structured illumination |
| CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
| CN101696935A (zh) * | 2009-10-27 | 2010-04-21 | 中国农业大学 | 基于高光谱空间散射曲线的苹果硬度无损检测方法 |
| WO2012074372A2 (en) * | 2010-11-30 | 2012-06-07 | Universiti Putra Malaysia (Upm) | A system for fruit grading and quality determination |
| US20140085502A1 (en) * | 2011-06-15 | 2014-03-27 | Microsoft Corporation | High resolution multispectral image capture |
| US20130325346A1 (en) * | 2012-06-01 | 2013-12-05 | Agerpoint, Inc. | Systems and methods for monitoring agricultural products |
| US20140137877A1 (en) * | 2012-11-19 | 2014-05-22 | Altria Client Services Inc. | Blending of agricultural products via hyperspectral imaging and analysis |
| JP2015047246A (ja) * | 2013-08-30 | 2015-03-16 | 長谷川香料株式会社 | 辛み物質または苦味物質による摂食意欲の変化の評価方法 |
| CN103528967A (zh) * | 2013-09-25 | 2014-01-22 | 西北农林科技大学 | 基于高光谱图像的过熟蓝靛果果实识别方法 |
| CN104181170A (zh) * | 2014-09-05 | 2014-12-03 | 熊菊莲 | 基于光谱图像分析的水果外表检测方法 |
| CN106290238A (zh) * | 2016-08-09 | 2017-01-04 | 西北农林科技大学 | 一种基于高光谱成像的苹果品种快速鉴别方法 |
| CN106841053A (zh) * | 2017-01-07 | 2017-06-13 | 塔里木大学 | 一种红枣品种快速鉴定方法 |
| CN106971160A (zh) * | 2017-03-23 | 2017-07-21 | 西京学院 | 基于深度卷积神经网络和病害图像的冬枣病害识别方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886259A (zh) * | 2019-02-22 | 2019-06-14 | 潍坊科技学院 | 一种基于计算机视觉的番茄病害识别预警方法及装置 |
| CN110378327A (zh) * | 2019-07-09 | 2019-10-25 | 浙江大学 | 添加辅助性显著特征的目标检测装置及方法 |
| CN110378327B (zh) * | 2019-07-09 | 2021-05-18 | 浙江大学 | 添加辅助性显著特征的目标检测装置及方法 |
| CN111476153A (zh) * | 2020-04-07 | 2020-07-31 | 中科汇智(重庆)信息技术合伙企业(有限合伙) | 一种水果成熟度计算方法 |
| CN111879791A (zh) * | 2020-07-30 | 2020-11-03 | 西湖大学 | 一种图案表面凸起特征增强的机器视觉系统及方法 |
| CN112556606A (zh) * | 2020-12-24 | 2021-03-26 | 宁夏农林科学院农业经济与信息技术研究所（宁夏农业科技图书馆） | 基于双目视觉的自走式枸杞果实测量方法及装置 |
| CN112834454A (zh) * | 2020-12-31 | 2021-05-25 | 杭州谱育科技发展有限公司 | 基于近红外高光谱技术的冬枣检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107505325B (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107505325A (zh) | 冬枣果实的全方位品质检测方法 | |
| US11454594B2 (en) | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images | |
| Zhou et al. | Disease detection of Cercospora Leaf Spot in sugar beet by robust template matching | |
| CN106525732B (zh) | 基于高光谱成像技术的苹果内外品质快速无损检测方法 | |
| Zapotoczny et al. | Application of image analysis for the varietal classification of barley:: Morphological features | |
| CN103065149A (zh) | 网纹甜瓜果实表型提取与量化方法 | |
| CN105427275B (zh) | 大田环境麦穗计数方法及装置 | |
| CN110082298B (zh) | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 | |
| 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 | |
| Rahamathunnisa et al. | Vegetable disease detection using k-means clustering and svm | |
| Ji et al. | In-field automatic detection of maize tassels using computer vision | |
| CN110736709A (zh) | 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法 | |
| CN105067532A (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
| CN104952070A (zh) | 一种类矩形引导的玉米田遥感图像分割方法 | |
| CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
| CN102788806B (zh) | 基于类球形亮度变换的水果表面缺陷检测方法 | |
| CN107103295B (zh) | 光学遥感影像云检测方法 | |
| Wu et al. | Automatic kernel counting on maize ear using RGB images | |
| CN110929787B (zh) | 一种基于图像的苹果客观定级系统 | |
| CN110118735B (zh) | 一种检测香梨公母的高光谱成像检测方法及装置 | |
| Ji et al. | Apple color automatic grading method based on machine vision | |
| CN112184627A (zh) | 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 | |
| CN111932551B (zh) | 一种水稻插秧机的漏插率检测方法 | |
| CN114373156A (zh) | 基于视频图像识别算法的非接触式水位流速流量智能监测系统 | |
| CN110135481B (zh) | 一种农作物病变检测方法以及检测装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |