CN109100323A - 一种苹果水心病的透射光谱无损定量评价方法 - Google Patents
一种苹果水心病的透射光谱无损定量评价方法 Download PDFInfo
- Publication number
- CN109100323A CN109100323A CN201810947862.3A CN201810947862A CN109100323A CN 109100323 A CN109100323 A CN 109100323A CN 201810947862 A CN201810947862 A CN 201810947862A CN 109100323 A CN109100323 A CN 109100323A
- Authority
- CN
- China
- Prior art keywords
- apple
- water core
- image
- spectrum
- quantitative
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 108
- 238000001228 spectrum Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 20
- 238000002235 transmission spectroscopy Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 230000003287 optical effect Effects 0.000 claims abstract description 6
- 241000220225 Malus Species 0.000 claims description 131
- 238000002835 absorbance Methods 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 12
- 239000012491 analyte Substances 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000010845 search algorithm Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 241001164374 Calyx Species 0.000 claims description 3
- 238000000862 absorption spectrum Methods 0.000 claims description 3
- 235000021016 apples Nutrition 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000002834 transmittance Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 230000008033 biological extinction Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000012628 principal component regression Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 10
- 230000003902 lesion Effects 0.000 abstract description 6
- 238000005070 sampling Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 235000013305 food Nutrition 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 235000010724 Wisteria floribunda Nutrition 0.000 description 15
- 235000013399 edible fruits Nutrition 0.000 description 8
- 238000001514 detection method Methods 0.000 description 4
- 208000019622 heart disease Diseases 0.000 description 3
- 240000008866 Ziziphus nummularia Species 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 235000012055 fruits and vegetables Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- JLQUFIHWVLZVTJ-UHFFFAOYSA-N carbosulfan Chemical compound CCCCN(CCCC)SN(C)C(=O)OC1=CC=CC2=C1OC(C)(C)C2 JLQUFIHWVLZVTJ-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000002792 vascular Effects 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
- 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
- G01N21/17—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
- G01N21/17—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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N2021/3196—Correlating located peaks in spectrum with reference data, e.g. fingerprint data
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种苹果水心病的透射光谱无损定量评价方法，属于食品品质快速评价技术领域；本发明采用近红外透射光谱采集系统无损获取苹果内部整体的光信息，用相机采集苹果赤道面剖面的图像，以围剿算法分割图像并计算水心病面积和苹果剖面的面积，以横剖面水心病区的面积与整个剖面的面积比为定量预测指标，对获取的近红外透射光谱进行预处理后，采用多元校正方法建立苹果水心病的透射光谱定量评价模型，实现水心病苹果的无损定量预测；本发明利用透射光谱技术定量预测苹果的水心病程度，避免采用切片目视法破坏性抽检的弊端，解决水心病识别率低、界限模糊的技术难题。
Description
技术领域
本发明属于食品品质快速无损评价技术领域，具体涉及一种苹果水心病的透射光谱无损定量评价方法。
背景技术
苹果水心病在我国苹果主产区均有发生，红富士、元帅、秦冠等苹果品种受害严重，多在果心部和维管束发病，从外部无法辨识，果实腐烂易造成面源扩散造成生产经营者巨大经济损失，对消费者而言，直接影响品牌形象和消费信心。
苹果水心病的传统检测方法，采用随机抽取样品，然后切片进行目视判断，这种破坏性抽样检测的方法极为浪费，对种植者、加工者和经营者均不合适，对产品分级评价毫无意义。目前果蔬内部无损检测方法主要有光密度法、X射线法、质量密度法、介电特性法和核磁共振影像法，如CN 200410098621.4一种快速无损检测苹果内部质量的方法，同时判别水心病和褐变两种病症；CN 201480084218.8食品加工方法与系统，CN 201711419328.7基于可见/近红外光谱的枣果内部缺陷检测方法及装置，用于无损判别枣果内部缺陷；CN201711133314.9一种基于机器视觉的水果自动分拣机器人系统。
苹果水心病危害严重，造成巨大经济损失，已有文献报道的苹果水心病的无损检测方法识别率低、预警能力差。本发明独辟蹊径，采用图像处理算法精确计算水心病变区域面积，已水心病病变面积比作为评价指标实现基于透射光谱技术的水心病定量评价，有效消除水心病面积测量精度低和果径差异影响光谱采集的精度的瓶颈问题，为水心病的快速实用化检测提供方法支撑。
发明内容
针对现有技术的不足，本发明提供一种苹果水心病的透射光谱无损定量评价方法，本发明对获取的透射光谱进行标准化变换可显著降低苹果大小及果形对透射光谱强度的影响，对苹果水心病面积的计算采用图像围剿算法精确计量显著提高评价的精度；建立苹果水心病的定量评价方法，解决水心病识别率低、界限划分难的问题，提升果蔬内部缺陷定量评价的精细化水平。
为实现上述目的，本发明提出一种苹果水心病的透射光谱无损定量评价方法，该方法通过以下步骤实现：
S1.批量采集不同水心病程度的苹果样本；
S2.苹果的果梗花萼水平向放置，环苹果赤道位间隔120°采集苹果样本的近红外透射光谱，每个苹果透射光谱采集三次；
S3.环苹果赤道位剖开，用相机采集苹果剖面平放的彩色图像，对图像掩膜去背景，以围剿法和图像分割算法分别计算出苹果整个剖面和水心病区域的面积，并计算水心病区域和整个剖面的面积比，以面积比作为定量评价指标，即为标准测定值；
S4.对S2所述获取苹果的近红外透射光谱，去除透射光谱两端信噪比低的光谱区间，得到修正的苹果近红外透射光谱；
S5.对S4所述修正的苹果近红外透射光谱进行吸光度计算，以吸光度光谱建立与苹果水心病指标的相关关系，计算公式如下：
T＝(IO-ID)/(IW-ID)×100％；
A＝Log(1/T)；
其中，IO为苹果样本的近红外透射光谱，ID为所述近红外光谱仪测试条件下的暗噪声光谱，IW为所述微型光谱仪内置的相对参考光谱，T为近红外透射光谱的相对透射率；A为吸光度；
S6.对S5得到的吸光度A选用S-G平滑/一阶导数预处理、标准变量变换、多元散射校正、正交信号校正、净分析物预处理中的一种或其组合方式进行光谱预处理，消除随机噪声，增强特征信号，得到的预处理后的光谱；
S7.对S6中得到的预处理后的光谱，结合S3测定的苹果水心病区域和整个剖面的面积比为参考值，采用随机蛙跳算法、联合区间偏最小二乘法、向前间隔偏最小二乘法、向后间隔偏最小二乘法中的一种或组合方式选择特征波段，再对选择的特征波段采用连续投影算法、遗传算法、蚁群优化算法、粒子群优化算法中的一种或组合方式选择特征波长；
S8.利用S7中获取的的特征波长，采用线性或非线性多元校正方法建立苹果水心病定量评价模型，示例如下：
D＝a1X1+a2X2+……anXn+L
其中D为苹果水心病面积比的预测值，Xi为第i次的特征波长的光谱吸光度值，ai为对应特征波长Xi的系数，i为1～n之间的任一整数值，L为拟合常数；
S9.对未知待测的苹果样本，环苹果赤道位间隔120°采集近红外透射光谱三次，对采集的三次近红外透射光谱分别采用S8建立的苹果水心病定量评价模型预测其水心病值，取其中最大值作为最终预测结果；
S10.对已建立苹果水心病定量评价模型用于其他品种苹果时，直接采用S9中的方法进行检测，若测量结果与标准测定值相比超出偏差范围，对所述L值进行修正，若修正L值后仍不能满足实际检测的需要，选择其他品种的批量样本，执行步骤S1-S8，并替换原有定量评价模型。
进一步的，S3中所述采集苹果剖面平放的彩色图像，提取彩色图像的R、G、B分量，对B分量进行阈值分割构建掩膜图像，以苹果环赤道断面内图像为感兴趣区域，利用掩膜去处图像的背景，感兴趣区区域内图像值保持不变，而区域外图像值都为0。
进一步的，S3中对所述掩膜去背景的图像利用围剿算法，分别记录计算苹果整个剖面区域的面积S，图像的分辨率为m×n，计算公式如下：
其中，f(x2，y2)为图像右侧和下方与图像感兴趣区域边缘的交叉点，f(x1，y1)为图像左侧和上方与图像感兴趣区域边缘的交叉点。
进一步的，S3中所述掩膜去背景的图像利用分水岭算法结合最大类间方差法，以苹果水心病区域为分割目标，目标外为感兴趣区域内背景，统计背景和目标之间的类间方差，使类间方差最大即分割错分的概率最小，自适应调整图像分割阈值，提取水心病特征区域，对离散的水心病特征图像统计有效像素点计为水心病区域面积。
进一步的，S6中所述净分析物预处理方法进行光谱预处理，通过空间正交投影的方式将原光谱进行分解，剔除了原始光谱中与水心病组织不相关的光谱信息，保留原始光谱矩阵中反映水心病组织光学的净分析物信号，消除无用光谱信息的干扰。
进一步的，S7中所述特征波段的选择，将整个光谱区间划分为相等变量的子区间或以移动窗口选择变量连续的子区间，将子区间及其组合分别建立定量评价模型，或将所有子区间集合中依次剔除预测均方根误差最大的子区间分别计算定量评价模型，或将最优子区间依次增加其他预测均方根误差最小的子区间分别计算定量评价模型，以定量评价模型中预测均方根误差最小优选子区间或其组合为最优特征波段。
进一步的，S7中所述特征波长选择，选择过程采用智能搜索算法从特征波段中选择和水心病组织相关度高的变量，在模型建立过程防止出现过拟合现象，选择的特征波长组合满足校正集样本的校正均方根误差和验证集样本的预测均方根误差相差最小；所述在特征波长选择过程智能搜索算法采取全局搜索、快速收敛、组合最优、变量精简的措施实施。
与现有技术相比较，本发明的有益效果体现如下：
(1)本发明公开一种苹果水心病的透射光谱无损定量评价方法，本发明利用近红外透射光谱无损定量评价苹果的水心病，与传统的切片目视法对抽检样本进行剖开然后用眼睛粗略判断不同，本发明在不破坏待检样本的情况下获取苹果内部组织结构的光信息。
(2)本发明采用计算机图像分割与面积统计算法精准化得到水心病的面积，而水心病面积常呈现不连续的花瓣状，水心病区域面积的精确测量是水心病识别率低的主要原因，这与标尺粗测并以近似圆面积作为水心病面积的方式相比，计算精度得到显著提高。
(3)本发明采用水心病区域面积和赤道面剖面的比值作为定量评价指标，这与仅以水心病区域面积作为评价指标相比，预测精度显著提到，水心病面积一定的情况下苹果大小对透射光强度的影响很大，本发明在改进评价指标的同时对近红外透射光谱进行标准化变换，消除果径大小对评价精度的负面影响。
附图说明
图1苹果水心病的透射光谱无损定量评价方法流程图。
图2苹果水心病区域与赤道剖面面积分割提取示例图。
图3苹果不同水心病程度的近红外透射光谱图。
图4苹果水心病的透射光谱定量评价模型。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
本发明提出一种苹果水心病的透射光谱无损定量评价方法，如图1所示，该方法通过以下步骤实现：
S1.批量采集不同水心病程度的苹果样本；
S2.苹果的果梗花萼水平向放置，环苹果赤道位间隔120°采集苹果样本的近红外透射光谱，每个苹果透射光谱采集三次；
S3.环苹果赤道位剖开，用相机采集苹果剖面平放的彩色图像，对图像掩膜去背景，以围剿法和图像分割算法分别计算出苹果整个剖面和水心病区域的面积，并计算水心病区域和整个剖面的面积比，以面积比作为定量评价指标；
S4.对所述获取的近红外透射光谱，去除透射光谱两端信噪比低的光谱区间，得到修正的苹果近红外透射光谱；
S5.对所述修正的苹果近红外透射光谱进行吸光度A计算，以吸光度光谱建立与苹果水心病指标的相关关系，计算公式如下：
T＝(IO-ID)/(IW-ID)×100％；
A＝Log(1/T)；
其中，IO为苹果样本的近红外透射光谱，ID为所述近红外光谱仪测试条件下的暗噪声光谱，IW为所述微型光谱仪内置的相对参考光谱，T为近红外透射光谱的相对透射率；
S6.对S5得到的吸光度A选用S-G平滑/一阶导数预处理、标准变量变换、多元散射校正、正交信号校正、净分析物预处理中的一种或其组合方式进行光谱预处理，消除随机噪声，增强特征信号；
S7.对S7中得到的预处理后的光谱，结合S3测定的苹果水心病区域和整个剖面的面积比为参考值，采用随机蛙跳算法、联合区间偏最小二乘法、向前间隔偏最小二乘法、向后间隔偏最小二乘法中的一种或组合方式选择特征波段，再对选择的特征波段采用连续投影算法、遗传算法、蚁群优化算法、粒子群优化算法中的一种或组合方式选择特征波长；
S8.利用选择的苹果水心病评价指标的特征波长，采用逐步多元线性回归、主成分回归、偏最小二乘法、人工神经网络、支持向量机中的一种或组合方式建立苹果水心病定量评价模型，示例如下：
D＝a1X1+a2X2+……anXn+L
其中D为苹果水心病面积比的预测值，ai为对应特征波长Xi的系数，Xi为特征波长的光谱吸光度值，i为1～n之间的任一整数值，L为拟合常数；
S9.对未知待测的苹果样本，环苹果赤道位间隔120°采集近红外透射光谱三次，对采集的三次近红外透射光谱分别采用S8建立的苹果水心病定量评价模型预测其水心病值，取其中最大值作为最终预测结果；
S10.对已建立苹果水心病定量评价模型用于其他品种苹果时，直接采用S9进行检测，若测量结果与标准测定值相比超出偏差范围，对所述L值进行修正，若修正L值后仍不能满足实际检测的需要，选择批量样本，执行S1-S8，并替换原有定量评价模型。
其中，所述采集的苹果环赤道位的彩色图像，提取彩色图像的R、G、B分量，对B分量进行阈值分割构建掩膜图像，以苹果环赤道断面内图像为感兴趣区域，利用掩膜去处图像的背景，感兴趣区区域内图像值保持不变，而区域外图像值都为0。
其中，对所述掩膜去背景的图像利用围剿算法，分别记录计算苹果整个剖面区域的面积S，图像的分辨率为m×n，计算公式如下：
f(x2，y2)为图像右侧和下方与图像感兴趣区域边缘的交叉点，f(x1，y1)为图像左侧和上方与图像感兴趣区域边缘的交叉点。
其中，对所述掩膜去背景的图像利用分水岭算法结合最大类间方差法，以苹果水心病区域为分割目标，目标外为感兴趣区域内背景，统计背景和目标之间的类间方差，使类间方差最大即分割错分的概率最小，自适应调整图像分割阈值，提取水心病特征区域，对离散的水心病特征图像统计有效像素点计为水心病区域面积，苹果水心病区域与赤道剖面面积分割提取过程如图2所示。
其中，所述净分析物预处理方法进行光谱预处理，通过空间正交投影的方式将原光谱进行分解，最大程度地剔除了原始光谱中与水心病组织不相关的光谱信息，仅保留原始光谱矩阵中反映水心病组织光学的净分析物信号，消除无用光谱信息的干扰。
其中，所述特征波段及其组合的选择，将整个光谱区间划分为相等变量的子区间或以移动窗口选择变量连续的子区间，将子区间及其组合分别建立定量评价模型，或将所有子区间集合中依次剔除预测均方根误差最大的子区间分别计算定量评价模型，或将最优子区间依次增加其他预测均方根误差最小的子区间分别计算定量评价模型，以定量评价模型中预测均方根误差最小优选子区间或其组合为最优特征波段。
其中，所述特征波长选择，选择过程采用智能搜索算法从特征波段中选择和水心病组织相关度高的变量，提高模型的适应性和容错能力，在模型建立过程防止出现过拟合现象，选择的特征波长组合满足校正集样本的校正均方根误差和验证集样本的预测均方根误差相差不大；所述在特征波长选择过程智能搜索算法采取全局搜索、快速收敛、组合最优、变量精简的措施实施。
本实施例的一种苹果水心病的透射光谱无损定量评价方法，对苹果样本采集近红外透射光谱后，对环赤道位切面的图像进行感兴趣区域面积和水心病面积的精准化自动计算并得到水心病面积比，再对近红外透射光谱格式变换和预处理，接着选择特征波段，去除无信息变量和相关度不高的波段，再利用特征波长选择方法优选少量的特征波长，消除光谱数据内部存在的共线性冗余变量，降低模型计算量，得到简化的稳定性强的模型，提高模型的质量。
实施例2：
本实施例以富士苹果为例，采用所述一种苹果水心病的透射光谱无损定量评价方法，批量获取反映富士苹果内部信息的近红外光谱数据，建立富士苹果水心病定量评价模型，实现富士苹果水心病的快速无损评价：
(1)批量选择代表性富士苹果样本，利用近红外透射光谱采集系统，波长范围设为590-1250nm，积分时间80ms，平均次数3次，平滑度5，采集苹果水心病的近红外透射光谱数据，苹果不同水心病程度的近红外透射光谱如图3所示。
按照约1:1的比例将所有样本划分为校正集与验证集，如选用富士苹果样本共400个，校正集富士苹果样本200个，验证集富士苹果样本200个。
(2)环苹果赤道位剖开，用相机采集苹果剖面平放的彩色图像，对图像掩膜去背景，以围剿法和图像分割算法分别计算出苹果整个剖面和水心病区域的面积，并计算水心病区域和整个剖面的面积比，以面积比作为定量评价指标，水心病的测定结果如表1所示。
表1富士苹果水心病测定统计结果
| 数据集 | 样本数 | 水心病面积比(％) | 均值(％) | 标准偏差 |
| 校正集 | 200 | 6.83～54.05 | 21.74 | 0.0806 |
| 验证集 | 200 | 8.26～49.85 | 20.68 | 0.0759 |
(3)去除透射光谱两端信噪比低的光谱区间，选择600-1200nm用于后续计算，对富士苹果的近红外透射光谱数据进行吸光度A计算。
(4)对得到的吸光度A选用S-G平滑/一阶导数预处理、标准变量变换、多元散射校正、正交信号校正、净分析物预处理中的一种或其组合方式进行光谱预处理，消除随机噪声，增强特征信号。
(5)利用联合区间偏最小二乘法，结合水心病面积比测量值，首先将整个光谱区域划分为20个子区间，联合4个子区间(分别为第3，4，6，8个子区间)优选特征波段，然后在选择的特征波段上利用蚁群优化算法选择特征波长。对富士苹果水心病的面积比，优选8个特征波长。
(6)利用选择的富士苹果水心病面积比的特征波长，采用逐步多元线性回归方法建立富士苹果水心病面积比的定量评价模型，示例如下：
Y＝a1X1+a2X2+……anXn+L
其中Y为富士苹果水心病面积比的指标值，ai为对应特征波长Xi的系数，Xi为特征波长的光谱吸光度值，L为拟合常数。
该实施例中建立的定量评价模型如下：
Y＝-8.4254e-5*X663.88-0.006972*X673.44+4.8556e-5*X7124.20+0.0003396*X719.43-0.004338*X761.64+0.0001470*X775.01+0.005692*X806.98+3.9568e-5*X850.94+0.17445建立的富士苹果水心病面积比的定量评价模型如图4所示，富士苹果水心病面积比测定值和光谱预测值具有较好的相关关系，决定系数大于0.93；经独立样本集验证发现，建立的水心病面积比定量评价模型具有较好的预测性能。
虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (7)
1.一种苹果水心病的透射光谱无损定量评价方法，其特征在于，步骤如下：
S1. 批量采集不同水心病程度的苹果样本；
S2. 苹果的果梗花萼水平向放置，环苹果赤道位间隔120°采集苹果样本的近红外透射光谱，每个苹果透射光谱采集三次；
S3. 环苹果赤道位剖开，用相机采集苹果剖面平放的彩色图像，对图像掩膜去背景，以围剿法和图像分割算法分别计算出苹果整个剖面和水心病区域的面积，并计算水心病区域和整个剖面的面积比，以面积比作为定量评价指标，即为标准测定值；
S4. 对S2所述获取苹果的近红外透射光谱，去除透射光谱两端信噪比低的光谱区间，得到修正的苹果近红外透射光谱；
S5. 对S4所述修正的苹果近红外透射光谱进行吸光度计算，以吸光度光谱建立与苹果水心病指标的相关关系，计算公式如下：
T=(I O -I D )/(I W -I D )×100%；
A=Log(1/T)；
其中，I O 为苹果样本的近红外透射光谱，I D 为所述近红外光谱仪测试条件下的暗噪声光谱，I W 为所述微型光谱仪内置的相对参考光谱，T为近红外透射光谱的相对透射率；A为吸光度；
S6. 对S5得到的吸光度A选用S-G平滑/一阶导数预处理、标准变量变换、多元散射校正、正交信号校正、净分析物预处理中的一种或其组合方式进行光谱预处理，消除随机噪声，增强特征信号，得到的预处理后的光谱；
S7. 对S6中得到的预处理后的光谱，结合S3测定的苹果水心病区域和整个剖面的面积比为参考值，采用随机蛙跳算法、联合区间偏最小二乘法、向前间隔偏最小二乘法、向后间隔偏最小二乘法中的一种或组合方式选择特征波段，再对选择的特征波段采用连续投影算法、遗传算法、蚁群优化算法、粒子群优化算法中的一种或组合方式选择特征波长；
S8. 利用S7中获取的的特征波长，采用逐步多元线性回归、主成分回归、偏最小二乘法、人工神经网络、支持向量机中的一种或组合方式建立苹果水心病定量评价模型，示例如下：
D=a1X1+ a2X2+……anXn+L
其中D为苹果水心病面积比的预测值，X i 为第i次的特征波长的光谱吸光度值，a i 为对应特征波长X i 的系数，i为1~n之间的任一整数值，L为拟合常数；
S9. 对未知待测的苹果样本，环苹果赤道位间隔120°采集近红外透射光谱三次，对采集的三次近红外透射光谱分别采用S8建立的苹果水心病定量评价模型预测其水心病值，取其中最大值作为最终预测结果；
S10. 对已建立苹果水心病定量评价模型用于其他品种苹果时，直接采用S9中的方法进行检测，若测量结果与标准测定值相比超出偏差范围，对所述L值进行修正，若修正L值后仍不能满足实际检测的需要，选择批量样本，执行步骤S1-S8，并替换原有定量评价模型。
2.根据权利要求1所述的一种苹果水心病的透射光谱无损定量评价方法，其特征在于，步骤S3中所述采集苹果剖面平放的彩色图像，提取彩色图像的R、G、B分量，对B分量进行阈值分割构建掩膜图像，以苹果环赤道断面内图像为感兴趣区域，利用掩膜去处图像的背景，感兴趣区区域内图像值保持不变，而区域外图像值都为0。
3.根据权利要求1所述的一种苹果水心病的透射光谱无损定量评价方法，其特征在于，步骤S3中对所述掩膜去背景的图像利用围剿算法，分别记录计算苹果整个剖面区域的面积S，图像的分辨率为m×n，计算公式如下：
其中，f（x 2 ，y 2 ）为图像右侧和下方与图像感兴趣区域边缘的交叉点，f（x 1 ，y 1 ）为图像左侧和上方与图像感兴趣区域边缘的交叉点。
4.根据权利要求1所述的一种苹果水心病的透射光谱无损定量评价方法，其特征在于，步骤S3中所述掩膜去背景的图像利用分水岭算法结合最大类间方差法，以苹果水心病区域为分割目标，目标外为感兴趣区域内背景，统计背景和目标之间的类间方差，使类间方差最大即分割错分的概率最小，自适应调整图像分割阈值，提取水心病特征区域，对离散的水心病特征图像统计有效像素点计为水心病区域面积。
5.根据权利要求1所述的一种苹果水心病的透射光谱无损定量评价方法，其特征在于，步骤S6中所述净分析物预处理方法进行光谱预处理，是通过空间正交投影的方式将原光谱进行分解，剔除了原始光谱中与水心病组织不相关的光谱信息，保留原始光谱矩阵中反映水心病组织光学的净分析物信号，消除无用光谱信息的干扰。
6.根据权利要求1所述的一种苹果水心病的透射光谱无损定量评价方法，其特征在于，步骤S7中所述特征波段的选择，将整个光谱区间划分为相等变量的子区间或以移动窗口选择变量连续的子区间，将子区间及其组合分别建立定量评价模型，或将所有子区间集合中依次剔除预测均方根误差最大的子区间分别计算定量评价模型，或将最优子区间依次增加其他预测均方根误差最小的子区间分别计算定量评价模型，以定量评价模型中预测均方根误差最小优选子区间或其组合为最优特征波段。
7.根据权利要求1所述的一种苹果水心病的透射光谱无损定量评价方法，其特征在于，步骤S7中所述特征波长选择，选择过程采用智能搜索算法从特征波段中选择和水心病组织相关度高的变量，选择S7中的特征波长组合满足校正集样本的校正均方根误差和验证集样本的预测均方根误差相差最小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810947862.3A CN109100323B (zh) | 2018-08-20 | 2018-08-20 | 一种苹果水心病的透射光谱无损定量评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810947862.3A CN109100323B (zh) | 2018-08-20 | 2018-08-20 | 一种苹果水心病的透射光谱无损定量评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109100323A true CN109100323A (zh) | 2018-12-28 |
| CN109100323B CN109100323B (zh) | 2020-11-20 |
Family
ID=64850448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810947862.3A Active CN109100323B (zh) | 2018-08-20 | 2018-08-20 | 一种苹果水心病的透射光谱无损定量评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109100323B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110320173A (zh) * | 2019-06-14 | 2019-10-11 | 湖北省农业科学院果树茶叶研究所 | 基于粒子群优化算法的机采鲜叶眉茶车色样品等级的快速判定方法 |
| CN110361334A (zh) * | 2019-06-14 | 2019-10-22 | 湖北省农业科学院果树茶叶研究所 | 应用general regression结构无损预测机采眉茶车色样品等级的方法 |
| CN111141836A (zh) * | 2020-01-13 | 2020-05-12 | 石河子大学 | 一种基于声振多域谱与近红外光谱信息融合的梨果早期内部病害无损检测方法及装置 |
| CN111445469A (zh) * | 2020-04-15 | 2020-07-24 | 天津商业大学 | 一种基于高光谱的苹果冲击后损伤参数的无损预测方法 |
| CN111562273A (zh) * | 2020-06-05 | 2020-08-21 | 大连工业大学 | 基于高光谱的鱼水射流除鳞轻微损伤可视化方法 |
| CN112697984A (zh) * | 2020-12-11 | 2021-04-23 | 河北工业大学 | 基于神经网络的水果缺陷无损检测方法及水果分级方法 |
| CN113008815A (zh) * | 2021-02-24 | 2021-06-22 | 浙江工业大学 | 一种基于高光谱图像信息无损检测酸枣仁中总黄酮的方法 |
| CN113340823A (zh) * | 2021-06-02 | 2021-09-03 | 浙江德菲洛智能机械制造有限公司 | 一种草莓糖分的快速无损检测工艺 |
| CN113533236A (zh) * | 2021-09-13 | 2021-10-22 | 广东省农业科学院农业质量标准与监测技术研究所 | 水果光谱的特征提取方法、模型训练方法、检测方法 |
| CN113655020A (zh) * | 2021-08-12 | 2021-11-16 | 河南工业大学 | 一种检测空壳核桃的方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104251837A (zh) * | 2014-10-17 | 2014-12-31 | 北京农业智能装备技术研究中心 | 水果内部品质近红外透射光谱在线检测系统及方法 |
| CN204789310U (zh) * | 2015-06-05 | 2015-11-18 | 西北农林科技大学 | 自动检测苹果霉心病的装置及其数据测量设备 |
-
2018
- 2018-08-20 CN CN201810947862.3A patent/CN109100323B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104251837A (zh) * | 2014-10-17 | 2014-12-31 | 北京农业智能装备技术研究中心 | 水果内部品质近红外透射光谱在线检测系统及方法 |
| CN204789310U (zh) * | 2015-06-05 | 2015-11-18 | 西北农林科技大学 | 自动检测苹果霉心病的装置及其数据测量设备 |
Non-Patent Citations (3)
| Title |
|---|
| 王加华 等: "苹果内部品质近红外光谱分析检测技术", 《新技术新工艺》 * |
| 赵杰文 等: "机器视觉实现方便面破损在线检测的研究", 《微计算机信息》 * |
| 郭志明: "基于近红外光谱及成像的苹果品质无损检测方法和装置研究", 《中国博士学位论文全文数据库 农业科技辑》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110320173A (zh) * | 2019-06-14 | 2019-10-11 | 湖北省农业科学院果树茶叶研究所 | 基于粒子群优化算法的机采鲜叶眉茶车色样品等级的快速判定方法 |
| CN110361334A (zh) * | 2019-06-14 | 2019-10-22 | 湖北省农业科学院果树茶叶研究所 | 应用general regression结构无损预测机采眉茶车色样品等级的方法 |
| CN111141836A (zh) * | 2020-01-13 | 2020-05-12 | 石河子大学 | 一种基于声振多域谱与近红外光谱信息融合的梨果早期内部病害无损检测方法及装置 |
| CN111445469A (zh) * | 2020-04-15 | 2020-07-24 | 天津商业大学 | 一种基于高光谱的苹果冲击后损伤参数的无损预测方法 |
| CN111562273A (zh) * | 2020-06-05 | 2020-08-21 | 大连工业大学 | 基于高光谱的鱼水射流除鳞轻微损伤可视化方法 |
| CN112697984A (zh) * | 2020-12-11 | 2021-04-23 | 河北工业大学 | 基于神经网络的水果缺陷无损检测方法及水果分级方法 |
| CN113008815A (zh) * | 2021-02-24 | 2021-06-22 | 浙江工业大学 | 一种基于高光谱图像信息无损检测酸枣仁中总黄酮的方法 |
| CN113340823A (zh) * | 2021-06-02 | 2021-09-03 | 浙江德菲洛智能机械制造有限公司 | 一种草莓糖分的快速无损检测工艺 |
| CN113655020A (zh) * | 2021-08-12 | 2021-11-16 | 河南工业大学 | 一种检测空壳核桃的方法 |
| CN113655020B (zh) * | 2021-08-12 | 2024-05-24 | 河南工业大学 | 一种检测空壳核桃的方法 |
| CN113533236A (zh) * | 2021-09-13 | 2021-10-22 | 广东省农业科学院农业质量标准与监测技术研究所 | 水果光谱的特征提取方法、模型训练方法、检测方法 |
| US11682203B2 (en) | 2021-09-13 | 2023-06-20 | Institute of Facility Agriculture, Guangdong Academy of Agricultural Science | Feature extraction method, model training method, detection method of fruit spectrum |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109100323B (zh) | 2020-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109100323A (zh) | 一种苹果水心病的透射光谱无损定量评价方法 | |
| Fan et al. | Detection of blueberry internal bruising over time using NIR hyperspectral reflectance imaging with optimum wavelengths | |
| Sun et al. | Detecting decayed peach using a rotating hyperspectral imaging testbed | |
| Tian et al. | Effective modification through transmission Vis/NIR spectra affected by fruit size to improve the prediction of moldy apple core | |
| Singh et al. | Machine vision methods for defect sorting stonefruit | |
| Khodabakhshian et al. | Application of Vis/SNIR hyperspectral imaging in ripeness classification of pear | |
| Li et al. | Development of algorithms for detecting citrus canker based on hyperspectral reflectance imaging | |
| CN104965973B (zh) | 一种苹果霉心病多因子无损检测判别模型及其建立方法 | |
| Yuan et al. | Detection of early bruise in apple using near-infrared camera imaging technology combined with deep learning | |
| Shao et al. | Detection and analysis of sweet potato defects based on hyperspectral imaging technology | |
| CN110243805A (zh) | 基于拉曼高光谱成像技术的鱼刺检测方法 | |
| CN110108649A (zh) | 基于太赫兹光谱技术的油料作物品质的快速无损检测方法 | |
| Tian et al. | Detection of early bruises on apples using hyperspectral reflectance imaging coupled with optimal wavelengths selection and improved watershed segmentation algorithm | |
| Nturambirwe et al. | Detecting bruise damage and level of severity in apples using a contactless nir spectrometer | |
| CN104573662B (zh) | 一种云判方法和系统 | |
| CN109342331A (zh) | 基于可见/近红外光谱技术的李子硬度无损检测方法 | |
| Zhang et al. | Online analysis of watercore apples by considering different speeds and orientations based on Vis/NIR full-transmittance spectroscopy | |
| Wang et al. | Grading detection of “Red Fuji” apple in Luochuan based on machine vision and near-infrared spectroscopy | |
| Yang et al. | Early apple bruise recognition based on near-infrared imaging and grayscale gradient images | |
| Zhang et al. | Development of a hyperspectral imaging system for the early detection of apple rottenness caused by P enicillium | |
| Wang et al. | Application of visible/near-infrared spectroscopy combined with machine vision technique to evaluate the ripeness of melons (Cucumis melo L.) | |
| Kanali et al. | Three-dimensional shape recognition using a charge-simulation method to process primary image features | |
| CN100429502C (zh) | 一种快速无损检测苹果内部质量的方法 | |
| Yu et al. | Nondestructive testing of external defects on Nanguo pear | |
| Borianne et al. | Automated efficient computation of crown transparency from tree silhouette images |
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 |