CN109187578A - 基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法 - Google Patents
基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法 Download PDFInfo
- Publication number
- CN109187578A CN109187578A CN201811021626.5A CN201811021626A CN109187578A CN 109187578 A CN109187578 A CN 109187578A CN 201811021626 A CN201811021626 A CN 201811021626A CN 109187578 A CN109187578 A CN 109187578A
- Authority
- CN
- China
- Prior art keywords
- kiwi berry
- spectrum image
- surface defect
- forming technology
- 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.)
- Pending
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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- 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
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- 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
- G01N2021/1765—Method using an image detector and processing of image signal
- G01N2021/177—Detector of the video camera type
-
- 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
- G01N21/55—Specular reflectivity
- G01N2021/557—Detecting specular reflective parts on sample
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/10—Scanning
- G01N2201/102—Video camera
Landscapes
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法,该方法包括以下步骤:利用高光谱图像采集系统采集一批完好无损猕猴桃和表面有缺陷猕猴桃样本的高光谱图像;对高光谱图像进行黑白校正,并通过掩膜处理以消除背景,使图像中仅含猕猴桃。同时,采用最小噪声分离变换对高光谱图像做进一步去噪处理。然后,分别提取猕猴桃正常区域以及表面缺陷区域的平均光谱,分析光谱曲线的特征。最后,采用阈值分割及数学形态学处理方法,先后分割提取出猕猴桃正常区域和表面缺陷区域。本发明通过高光谱成像技术,可快速、无损识别出表面有缺陷的猕猴桃。
Description
技术领域
本发明属于水果表面缺陷无损检测技术领域,尤其涉及一种基于高光谱成像技术的快速无损识别猕猴桃表面缺陷的方法。
背景技术
猕猴桃营养价值高,拥有“水果之王”的美誉。我国猕猴桃栽培面积世界第一,种类占世界90%。然而,在猕猴桃的生长过程中,经常会受到各种因素的影响导致猕猴桃表面出现缺陷,极大地影响了猕猴桃的品质和销售。由此可见,对猕猴桃的表面缺陷检测显得尤为重要。但是,猕猴桃果皮颜色较深,其表面缺陷很难被肉眼识别。传统的检测方法大多是人工操作,耗时耗力,而且效率低,无法满足大规模生产的需求。因此,开发研制一种快速、无损、高效的猕猴桃表面缺陷检测方法在水果分级领域中具有较好的应用前景。
高光谱成像技术集图像信息与光谱信息于一身,在获得样本图像的同时,还为图像上每个像素点提供其波长点的光谱信息,实现了“图谱合一”,是近年来应用于检测农产品品质非常热门的无损检测技术。通常被测样本感兴趣区域(ROIs)与正常区域之间的光谱反射率值在某些特征波段下会存在较大差异。因此,在此特征波段下的图像中,采用阈值分割以及数学形态学处理对被测样本进行识别分析,从而实现被测样本在线检测。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找到最能准确辨别农产品表面缺陷的特征波长下的图像,从而实现基于高光谱成像技术的猕猴桃表面缺陷的快速无损检测。
发明内容
本发明的目的在于提供一种基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法,旨在实现快速、无损、大量样本的识别。
本发明的技术方案:一种基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法,其特征在于:包括步骤如下:
1)选取大小均匀完好无损的猕猴桃和表面有缺陷的猕猴桃作为样本集;
2)对样本集中的样本运用高光谱图像采集系统进行光谱扫描,得到猕猴桃样本的高光谱图像,并对采集的猕猴桃高光谱图像进行黑白校正;
3)经过黑白校正后的高光谱图像仍含有一些噪声,需要对猕猴桃高光谱图像进一步去噪处理,采用最小噪声分离变换对高光谱图像去噪处理;
4)为了保证高光谱图像中仅有猕猴桃样本信息,通过求取猕猴桃果实区域中所有采样点下光谱的平均值,构建掩膜以去除背景,使高光谱图像中仅含有猕猴桃样本信息;
5)分别提取猕猴桃正常区域以及表面缺陷区域的平均光谱,分析光谱曲线的特征,找出能区分猕猴桃正常区域和表面缺陷区域的特征波段;
6)采用阈值分割及数学形态学处理方法,先后分割提取出猕猴桃正常区域和表面缺陷区域,实现基于高光谱成像技术的猕猴桃表面缺陷的快速无损识别。
所述步骤2)中的高光谱图像采集系统包括:CCD相机、成像光谱仪、镜头、漫反射光源、电动平移台、电动升降台、暗箱和计算机,猕猴桃样本放在电动平移台上。
所述步骤2)中的高光谱图像采集系统中CCD相机的曝光时间是9.5ms,相机镜头与样本距离为40cm,电动平移台的移动速度是1.35cm/s,光谱采集范围为400~1000nm;漫反射光源为四个200W溴钨灯,采用梯形结构安装于暗箱中。
所述步骤3)和步骤4)采用ENVI 5.4图像处理软件实现猕猴桃高光谱图像的去噪处理和背景去除。
所述步骤5)根据光谱曲线的特征选取能表征猕猴桃正常区域和表面缺陷区域的两个特征波段范围为700~800nm和900~1000nm。
本发明提供的最小噪声分离变换有效地降低了噪声信号的干扰,有利于对原始高光谱图像进行深度挖掘。
本发明通过获取猕猴桃的高光谱图像得到其光谱信息,建立表征猕猴桃完好无损果和表面有缺陷果的特征数据库,采用阈值分割及数学形态学处理建立猕猴桃表面缺陷的识别模型,为猕猴桃表面缺陷的识别提供一种快速、无损、准确的方法。
附图说明
图1为本发明实施例提供的在特征波长901.46nm处某个猕猴桃样本的高光谱图像的掩膜图;
图2为本发明实施例提供的经过去除背景和最小噪声分离变换后的某个带有表面缺陷猕猴桃的高光谱图像;
图3为本发明实施例提供的完好无损和表面有缺陷猕猴桃的高光谱图像的平均光谱曲线图;
图4为本发明实施例提供的某个猕猴桃表面缺陷识别结果图。
具体实施方式
下面结合附图和实施例对本发明作进一步描述,以下列举的仅是本发明的具体实施例,但本发明的保护范围并不仅限于此。
一种基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法,包括以下步骤:
1.选取大小均匀完好无损的猕猴桃和表面有缺陷的猕猴桃作为样本集;
2.对样本集中的样本运用高光谱图像采集系统进行光谱扫描,其中CCD相机的曝光时间是9.5ms,相机镜头与样本距离为40cm,电动平移台的移动速度是1.35cm/s,采集400~1000nm波段高光谱图像,并对采集的猕猴桃高光谱图像进行黑白校正;即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W;然后,盖上相机的镜头盖进行图像采集得到全黑的标定图像;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变成校正图像R;
3.经过黑白校正后的高光谱图像仍含有一些噪声,需要对猕猴桃高光谱图像做进一步去噪处理,在ENVI 5.4图像处理软件中采用最小噪声分离变换对高光谱图像去噪处理;
4.为了保证高光谱图像中仅有猕猴桃样本信息,在ENVI 5.4图像处理软件中,通过求取猕猴桃果实区域中所有采样点下光谱的平均值,构建掩膜以去除背景,使高光谱图像中仅含有猕猴桃样本信息;
5.分别提取猕猴桃正常区域以及表面缺陷区域的平均光谱,分析光谱曲线的特征,找出能区分猕猴桃正常区域和表面缺陷区域的特征波段,确定能表征猕猴桃正常区域和表面缺陷区域的两个特征波段范围为700~800nm和900~1000nm;
6.采用阈值分割及数学形态学处理方法,先后分割提取出猕猴桃正常区域和表面缺陷区域,实现基于高光谱成像技术的猕猴桃表面缺陷的快速无损识别。
实施例:
1.选取完好无损和表面有缺陷的猕猴桃样本集:本实施例中在当地沃尔玛超市选取一批大小均匀,已知是完好无损的猕猴桃(60个)和表面有缺陷的猕猴桃(60个)作为样本集;
2.采集猕猴桃样本的高光谱图像:本实施例采用的高光谱图像采集系统包括:CCD相机、成像光谱仪、镜头、漫反射光源、电动平移台、电动升降台、暗箱和计算机,其中CCD相机的曝光时间是9.5ms,相机镜头与样本距离为40cm,电动平移台的移动速度是1.35cm/s。
图像采集过程由Spectral SENS(Spectral Imaging Ltd.,Finland)软件控制,光谱范围为集400~1000nm。
对采集的猕猴桃高光谱图像进行黑白校正。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W;然后,盖上相机的镜头盖进行图像采集得到全黑的标定图像;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变成校正图像R。
3.经过黑白校正后的高光谱图像仍含有一些噪声,需要对猕猴桃高光谱图像做进一步去噪处理,在ENVI 5.4(Research System,INc.,USA)图像处理软件中,采用最小噪声分离变换对高光谱图像去噪处理。
4.为了保证高光谱图像中仅有猕猴桃样本信息,通过求取猕猴桃果实区域中所有采样点下光谱的平均值,构建掩膜以去除背景,使高光谱图像中仅含有猕猴桃样本信息。即选择样本和背景反射率差异大的波段对采集的高光谱图像进行分割,当某像素对应的光谱值大于阈值时被保留,小于阈值时,被置为0。本实施例中选择阈值为0.05。然后求取果实区域中所有采样点下光谱的平均值。其中在特征波长901.46nm处某个猕猴桃样本的高光谱图像的掩膜如图1所示。经过去除背景和去噪后的某个猕猴桃样本的高光谱图像如图2所示。
5.在ENVI 5.4图像处理软件中计算猕猴桃正常区域以及表面缺陷区域中所有采样点下光谱的平均值,形成完好无损猕猴桃样本以及表面有缺陷猕猴桃样本的平均反射光谱曲线如图3所示。分析光谱曲线的特征,确定出能表征猕猴桃正常区域和表面缺陷区域的两个特征波段范围为700~800nm和900~1000nm。
6.采用阈值分割及数学形态学处理方法,先后分割提取出猕猴桃正常区域和表面缺陷区域,猕猴桃表面缺陷识别结果图如图4所示,识别正确率高达95%。
由以上实施例可以看出,本发明利用高光谱成像技术识别猕猴桃表面缺陷不但能实现快速无损检测,而且识别效果很好。
最后,本发明的上述实施方案都只能认为是对本发明的说明而不能限制本发明。权利要求书指出了本发明的保护范围,因此,在与本发明的权利要求书相当的含义和范围内的任何改变,都应认为是包括在权利要求书的范围内。
Claims (5)
1.一种基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法,其特征在于:包括步骤如下:
1)选取大小均匀完好无损的猕猴桃和表面有缺陷的猕猴桃作为样本集;
2)对样本集中的样本运用高光谱图像采集系统进行光谱扫描,得到猕猴桃样本的高光谱图像,并对采集的猕猴桃高光谱图像进行黑白校正;
3)经过黑白校正后的高光谱图像仍含有一些噪声,需要对猕猴桃高光谱图像进一步去噪处理,采用最小噪声分离变换对高光谱图像去噪处理;
4)为了保证高光谱图像中仅有猕猴桃样本信息,通过求取猕猴桃果实区域中所有采样点下光谱的平均值,构建掩膜以去除背景,使高光谱图像中仅含有猕猴桃样本信息;
5)分别提取猕猴桃正常区域以及表面缺陷区域的平均光谱,分析光谱曲线的特征,找出能区分猕猴桃正常区域和表面缺陷区域的特征波段;
6)采用阈值分割及数学形态学处理方法,先后分割提取出猕猴桃正常区域和表面缺陷区域,实现基于高光谱成像技术的猕猴桃表面缺陷的快速无损识别。
2.根据权利要求1所述的基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法,其特征在于:所述步骤2)中的高光谱图像采集系统包括:CCD相机、成像光谱仪、镜头、漫反射光源、电动平移台、电动升降台、暗箱和计算机,猕猴桃样本放在电动平移台上。
3.根据权利要求1所述的基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法,其特征在于:所述步骤2)中的高光谱图像采集系统中CCD相机的曝光时间是9.5ms,相机镜头与样本距离为40cm,电动平移台的移动速度是1.35cm/s,光谱采集范围为400~1000nm;漫反射光源为四个200W溴钨灯,采用梯形结构安装于暗箱中。
4.根据权利要求1所述的基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法,其特征在于:所述步骤3)和步骤4)采用ENVI5.4图像处理软件实现猕猴桃高光谱图像的去噪处理和背景去除。
5.根据权利要求1所述的基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法,其特征在于:所述步骤5)根据光谱曲线的特征选取能表征猕猴桃正常区域和表面缺陷区域的两个特征波段范围为700~800nm和900~1000nm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811021626.5A CN109187578A (zh) | 2018-09-03 | 2018-09-03 | 基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811021626.5A CN109187578A (zh) | 2018-09-03 | 2018-09-03 | 基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109187578A true CN109187578A (zh) | 2019-01-11 |
Family
ID=64912236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811021626.5A Pending CN109187578A (zh) | 2018-09-03 | 2018-09-03 | 基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109187578A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353992A (zh) * | 2020-03-10 | 2020-06-30 | 塔里木大学 | 一种基于纹理特征的农产品缺陷检测方法及系统 |
CN111507939A (zh) * | 2020-03-12 | 2020-08-07 | 深圳大学 | 一种水果外部缺陷类型的检测方法、装置和终端 |
CN113496486A (zh) * | 2021-07-08 | 2021-10-12 | 四川农业大学 | 基于高光谱成像技术的猕猴桃货架期快速判别方法 |
WO2023098187A1 (zh) * | 2021-11-30 | 2023-06-08 | 联想(北京)有限公司 | 一种处理方法及处理装置、处理系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
CN105181611A (zh) * | 2015-10-08 | 2015-12-23 | 华中农业大学 | 类球形水果透射高光谱成像无损检测装置 |
-
2018
- 2018-09-03 CN CN201811021626.5A patent/CN109187578A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
CN105181611A (zh) * | 2015-10-08 | 2015-12-23 | 华中农业大学 | 类球形水果透射高光谱成像无损检测装置 |
Non-Patent Citations (3)
Title |
---|
刘文涛: ""基于高光谱成像技术的苹果品质无损检测研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
吕强 等: ""高光谱图像技术结合平行六面体法检测猕猴桃损伤"", 《2011 INERNATIONAL SYMPOSIUM ON BIOMEDICINE AND ENGINEERING》 * |
孔维楠: ""基于高光谱技术的南疆红枣图像的识别与分类方法的研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353992A (zh) * | 2020-03-10 | 2020-06-30 | 塔里木大学 | 一种基于纹理特征的农产品缺陷检测方法及系统 |
CN111353992B (zh) * | 2020-03-10 | 2023-04-07 | 塔里木大学 | 一种基于纹理特征的农产品缺陷检测方法及系统 |
CN111507939A (zh) * | 2020-03-12 | 2020-08-07 | 深圳大学 | 一种水果外部缺陷类型的检测方法、装置和终端 |
CN113496486A (zh) * | 2021-07-08 | 2021-10-12 | 四川农业大学 | 基于高光谱成像技术的猕猴桃货架期快速判别方法 |
CN113496486B (zh) * | 2021-07-08 | 2023-08-22 | 四川农业大学 | 基于高光谱成像技术的猕猴桃货架期快速判别方法 |
WO2023098187A1 (zh) * | 2021-11-30 | 2023-06-08 | 联想(北京)有限公司 | 一种处理方法及处理装置、处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109001218A (zh) | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 | |
CN109187578A (zh) | 基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法 | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN113362326B (zh) | 一种电池焊点缺陷的检测方法及装置 | |
CN110763698B (zh) | 一种基于特征波长的高光谱柑橘叶片病害识别方法 | |
CN103822879B (zh) | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 | |
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN110441249B (zh) | 基于高光谱图像技术的窖泥总酸预测模型建立的方法 | |
CN111855608B (zh) | 基于融合特征波长选择算法的苹果酸度近红外无损检测方法 | |
CN108734205A (zh) | 一种针对不同品种小麦种子的单粒定点识别技术 | |
CN115311484B (zh) | 一种焊缝数据的优化聚类分割方法 | |
CN109613023A (zh) | 一种区域亮度自适应校正的水果表面缺陷快速检测方法 | |
JPWO2020189189A1 (ja) | 検査装置及び方法 | |
CN110689524A (zh) | 一种无参考在线图像清晰度评价方法与系统 | |
CN111122590A (zh) | 一种陶瓷表面缺陷检测装置及检测方法 | |
CN116228764A (zh) | 一种新生儿疾病筛查血片采集质量检测方法及系统 | |
CN102788806B (zh) | 基于类球形亮度变换的水果表面缺陷检测方法 | |
Syahrir et al. | Color grading in tomato maturity estimator using image processing technique | |
WO2021109011A1 (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
Monteiro et al. | Image processing to identify damage to soybean seeds | |
CN103745476B (zh) | 基于线扫描局部峰值分析的手机隔板砂粒检测方法 | |
CN107833223B (zh) | 一种基于光谱信息的水果高光谱图像分割方法 | |
CN102735340A (zh) | 一种基于压缩传感的水果颜色分级方法 | |
CN112396580A (zh) | 一种圆形零件缺陷检测方法 | |
Nie et al. | Machine vision-based apple external quality grading |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |
|
RJ01 | Rejection of invention patent application after publication |