CN110108649A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110108649A CN110108649A CN201910370382.XA CN201910370382A CN110108649A CN 110108649 A CN110108649 A CN 110108649A CN 201910370382 A CN201910370382 A CN 201910370382A CN 110108649 A CN110108649 A CN 110108649A
- Authority
- CN
- China
- Prior art keywords
- sample
- svm
- model
- mildew
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 230000003595 spectral effect Effects 0.000 title claims abstract description 14
- 238000005516 engineering process Methods 0.000 title abstract description 14
- 230000001066 destructive effect Effects 0.000 title abstract description 3
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000003384 imaging method Methods 0.000 claims abstract description 35
- 238000010521 absorption reaction Methods 0.000 claims abstract description 32
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 14
- 238000001328 terahertz time-domain spectroscopy Methods 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims description 43
- 241000196324 Embryophyta Species 0.000 claims description 27
- 238000004611 spectroscopical analysis Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000000465 moulding Methods 0.000 claims description 11
- 230000003287 optical effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 238000002835 absorbance Methods 0.000 claims description 2
- 238000007635 classification algorithm Methods 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000002834 transmittance Methods 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 238000011084 recovery Methods 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000009659 non-destructive testing Methods 0.000 abstract description 9
- 238000002360 preparation method Methods 0.000 abstract description 7
- 235000013305 food Nutrition 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 4
- 244000105624 Arachis hypogaea Species 0.000 description 72
- 235000020232 peanut Nutrition 0.000 description 72
- 235000017060 Arachis glabrata Nutrition 0.000 description 62
- 235000010777 Arachis hypogaea Nutrition 0.000 description 62
- 235000018262 Arachis monticola Nutrition 0.000 description 62
- 239000003921 oil Substances 0.000 description 36
- 235000019198 oils Nutrition 0.000 description 36
- 238000002474 experimental method Methods 0.000 description 15
- 238000003708 edge detection Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 238000001035 drying Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000009423 ventilation Methods 0.000 description 3
- 238000001237 Raman spectrum Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000010926 purge Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 241000228212 Aspergillus Species 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 206010023126 Jaundice Diseases 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000019483 Peanut oil Nutrition 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000008157 edible vegetable oil Substances 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000002538 fungal effect Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000000312 peanut oil Substances 0.000 description 1
- 239000002574 poison Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000020238 sunflower seed Nutrition 0.000 description 1
- 238000000411 transmission spectrum Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000037303 wrinkles 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
-
- 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
- G01N21/3581—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation
- G01N21/3586—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation by Terahertz time domain spectroscopy [THz-TDS]
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)
- Toxicology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公布了一种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,无需将油料种子样本研磨压片,通过简单预处理方法处理待测样本,基于太赫兹时域光谱及成像技术采集数据,分别建立基于吸收系数的正常与严重霉变油料作物的SVM二分类模型及SVM三分类模型,实现快速、无损地检测油料作物品质。采用本发明提供的检测方法,可以对油料作物中的霉变或空瘪果进行快速、无损检测,无需复杂的样品制备,且准确率较高,具有很好的实用价值,可推广到其他食品品质的快速无损检测应用中。
Description
技术领域
本发明提供一种油料作物品质无损检测方法,具体涉及利用太赫兹光谱及成像技术快速、无损检测油料作物品质,属于油料作物品质检测领域。
背景技术
油料作为食用植物油的主要来源,对每个人的健康都至关重要,随着人们对食用油安全问题的关注,油料品质检测变得更为重要。在榨油生产过程中,我们一般主要以植物原料为主。原料选择难是实际生产过程中存在的一个重大问题,油料作物的安全问题也愈来愈引起人们的重视。油料作物往往收割后由于管理的疏忽,没有重视作物的安全水分含量(一般要小于14%),将水分含量高于安全水分的油料种子贮藏起来。高水分的花生等油料作物,一旦环境温度合适就会导致发霉,影响后续食用及加工过程。此外,如花生、葵花籽等带壳的油料作物,在储存过程中内部容易产生霉素,导致是否霉变不能单从肉眼观察,有的外表正常,但里面已经腐烂。甚至可能含有镰刀菌霉、曲霉真菌等造成大量增殖产毒,为制油质量安全埋下隐患,严重影响我国消费者的健康。因此,一种快速有效的霉变检测方法十分必要。
目前在农业行业标准NY/T 1068-2006油用花生和国标GBT 5494-2008粮油检验粮食、油料的杂质、不完善粒检验中,对于花生等带壳油料的品质评价时必须进行去壳处理,通过花生仁大小、形状、种皮颜色等指标来反映其感官品质,再结合数学分析方法来评价作物的各种品质属性,包括霉变、病斑等,显然评价结果受到一定程度的专业经验及主观因素影响。近些年随着来光学仪器与通信技术的提高,产生了使用光谱技术进行食品品质快速检测评估的方法。作为目前食品安全检测中极为流行的检测方法,光谱技术具有快速、简便、在线监测等特点,在化合物的鉴定、未知化合物的结构分析、化合物的定量分析过程中具有很大的实用价值。但是,光谱技术也有其不足之处,如若干光谱技术受样品颜色和形状干扰、空间分辨率和灵敏度不够,或无法用于痕量样品检测以及透过密封包装材料进行检测等缺陷,这些难以避免的常见问题导致经典的光谱技术在油料作物品质检测中受阻,无法很好地解决油料作物安全问题。
新兴的太赫兹光谱技术能够克服上述不足,有望更好地解决这个问题。太赫兹光谱技术包括太赫兹时域光谱技术和成像技术。其中,太赫兹时域光谱技术利用飞秒激光技术获得宽波段太赫兹脉冲,具有承载信息多、低能性,对农产品各种品质属性完全无损害等具有其他光谱技术无法比拟的优势;而太赫兹成像技术通过把成像样品的透射谱或反射谱所记录的信息(包括振幅和相位的二维信息)进行处理和分析,以获得样品的太赫兹图像。与红外成像技术相比,太赫兹成像的优点在于,样品对太赫兹辐射的散射较小,能够透过物质表面得到较清晰的内部图像;太赫兹辐射具有良好的穿透性,能够对被包装的物品进行无损检测。因而,太赫兹成像技术不仅能够分辨物体的形状,还能获得内部成分含量及其分布信息,如对带壳类作物内部情况进行检测,为更好地解决油料等其他农产品质量安全问题提供了可能性。
发明内容
为了克服上述现有技术的不足,本发明提供一种利用太赫兹时域光谱及成像技术进行油料作物品质检测的方法。本发明提供的检测方法可以对油料作物中的霉变或空瘪果进行快速、无损检测,无需复杂的样品制备,而且准确率较高。
本发明提供的技术方案是:
本发明提供一种油料品质无损检测方法,无需将油料种子样本研磨压片,基于太赫兹时域光谱及成像技术,采用多种预处理方法结合建模算法,分别建立基于吸收系数的正常与严重霉变油料作物(如花生)的SVM二分类模型及基于吸收系数的不同霉变程度油料作物SVM三分类模型,实现快速、无损地检测油料作物品质。包括以下步骤:
1)同批次获取待识别的油料种子样本;
2)将油料种子吹扫干净,制备待测样本;
3)使用太赫兹时域光谱仪,在适宜的环境(如室温为22℃的干燥环境)下,采集太赫兹透射光谱以及太赫兹反射(或透射)成像图像;
本发明具体实施中,由于不同采集方式适用性不同,因此首先采用直接法和去壳法分别简单处理待测样本,然后直接采集样本的太赫兹反射(或透射)时域信息或成像图像。
4)太赫兹光谱及成像图像数据处理;
对于采集得到的太赫兹时域信息及成像图像需要经过一系列的处理,涉及信号时域频域之间转换、光学常数提取、选择适当的预处理方法进行光谱数据处理、图像处理等;优选地,针对光谱数据可采取的预处理方法为化学计量学方法,针对图像可采取的处理方法为图像增强、边缘检测或多尺度几何分析法。
5)利用得到的样本预处理后的光学常数数据,建立基于太赫兹光谱及成像图像的油料品质的定性模型;
本发明具体实施中,采用预处理后的光谱数据建立不同品质花生的定性模型。
6)结合步骤4)、5)中建立的基于太赫兹光谱及成像图像的油料品质的定性模型(如霉变花生定性模型),实现快速、无损的花生品质检测。
所述步骤1)中,在本发明实施具体实施时,实验样本均为市售油料作物种子,同批次购入,尽可能确保理化性状均匀一致,为确保其稳定性,通常置于干燥、通风的室温环境储藏。
所述步骤2)中,在本发明实施实验中,由于油料作物种子可能含有灰尘等杂质影响实验,因此需要简单的吹扫干净,晾置于干燥、通风的室温环境下;然后,预留若干粒正常去壳去红衣花生仁及花生果,其余若干粒作为发霉培育对象,置于高温、高湿、封闭环境下进行霉变培养。
所述步骤3)中,由于本发明实施实验所用仪器包含多个采集附件、不同采集方式适用条件不同,因此需简单处理测量样本;具体地,在采集花生样本的光谱及成像数据时,本发明通过采用直接法和去壳法,即直接采集花生样本的太赫兹反射(或透射)成像图以及采集去壳去红衣样本的太赫兹反射(或透射)光谱,太赫兹反射(或透射)时域光谱技术采集到的太赫兹光谱(原始光谱)是样本的时域信息,太赫兹反射(或透射)成像获得的是样本的三维(或二维)图像。
所述步骤4)中,由于太赫兹信号有别于常见的红外、拉曼光谱,且包含了更加丰富的样本信息,且有别于常见的红外、拉曼光谱,因此如何从测量信号中提取这些有用信息具有重要意义。本发明实施实验中,包含了对光谱及成像数据有效信息的提取与分析。具体地,对于反射(或透射)方式采集到的时域光谱数据:首先选择合适的切趾函数对样本的时域信号进行离散傅立叶变换(DFT)得到其频域信号。优选地,可选择同时兼顾信噪比和分辨率的Happ Genzel函数;然后再根据频域信号的幅值和相位获得吸光度、透光度、吸收系数、折射率等光学常数。优选地,可选择的光学常数为吸收系数;最后针对光谱数据存在的问题,选择适当的预处理方法进行优化处理。优选地,可采取的预处理方法为化学计量学方法。
对于太赫兹反射(或透射)成像获得的样本的三维或二维成像图,采取图像去噪、增强、复原、分割、提取特征等图像处理方法。例如对于霉变花生的反射成像图像,根据呈现的样本的几何信息可选取正常花生样本与发霉样本的感兴趣区域,选择最佳的成像方式并得到最佳频率点的成像图像,对比正常样本与发霉样本的图像差异。有时可能需要利用图像去噪、增强等预处理来提高图像的清晰可观测度。优选地,可采取锐度增强、多尺度几何分析方法对图像去噪、平滑,并采取基于梯度下降算子的边缘分割算法对感兴趣区域分割检测等。
所述步骤5)中,在本发明实施实验中,对样本的吸收系数数据采取一阶导及归一化预处理后的数据,建立花生品质的SVM定性模型,即先建立正常与霉变花生的定性分类模型,再建立不同霉变程度花生的定性分类模型;包括如下操作:
51)首先建立正常与严重霉变花生的二分类模型;采集的正常花生和霉变花生的光谱及图像信息,具体按3:1划分训练集和预测集;对这两种样本信息进行相关预处理,预处理方法详细见步骤4);再采用网格优化算法对SVM模型的参数进行寻优,建立基于吸收系数的油料作物SVM二分类模型;
511)具体实施时,先对采集的两种样本的光谱信息进行离散傅里叶变换,进而计算得到吸收系数谱,再对吸收系数谱求一阶导并做归一化预处理,将预处理后的光谱作为模型输入,建立SVM模型。其中,SVM算法中参数利用网格优化方法对其进行确定和寻优,在最优参数的基础上建立基于吸收系数的正常与严重霉变花生的SVM二分类模型。
52)建立不同霉变程花生的三分类模型;按3:1的比例随机划分建模集和测试集(训练集和预测集)。采用基于网格搜索法及交叉验证方法进行参数寻优的支持向量机多分类算法,对经过归一化预处理后的所有油料作物样本建立SVM模型,并建立花生油料的轻度霉变、中度霉变、严重霉变的三分类模型。
521)具体实施时,将对三类样本(轻度霉变、中度霉变、严重霉变的油料种子样本)的吸收系数谱进行归一化预处理作为输入数据,建立SVM三分类模型。之后根据网格搜索法及交叉验证方法对SVM函数中的参数(惩罚系数c、Gamma参数g)进行确定。该方法就是尝试各种可能的(g,c),并进行交叉验证,确定出交叉验证后实验结果精确度最高的参数值,即可确定该模型。在该参数基础上即可建立基于吸收系数谱的不同霉变程度花生的SVM三分类模型。
所述步骤6)中,根据步骤4)、5)建立的模型即可实现对花生品质快速无损检测。同时,为提高步骤5)中所建模型的准确性,可将太赫兹成像图像分析结果与霉变花生光谱定性模型结果进行信息融合,以更加完整地实现快速、无损的花生品质检测分析。光谱与成像融合分析的流程图见附图1。
具体实施时:利用主成分分析法分别从样本太赫兹图像和光谱数据中获得代表样本特征信息的得分矩阵,所得矩阵维数应相同;将两个矩阵合并成一个矩阵,该矩阵包含样品光谱和图像两部分信息,以此作为输入数据,建立SVM分类模型,实现对不同霉变程度花生的鉴别。由于该模型输入包含样本更多的特征信息,对比单一光谱或图像检测方法,本发明方法可提高油料种子不同霉变程度的检测精度,提升检测的准确性。
与现有技术相比,本发明的有益效果是:
本发明提供一种基于太赫兹时域光谱及成像技术的检测方法,可实现对油料品质进行快速、无损检测。本发明采用高灵敏度的太赫兹光谱技术,无需复杂的样品制备等前处理步骤,通过对样本的直接检测或去壳检测,能够很好地实现油料品质的快速、无损、无污染检测。
本发明中,建模的数据并非直接使用样本的时域信号,而是使用计算得到的吸收系数数据;在具体实施中,本发明建立了对不同霉变程度进行区分的定性模型;需要说明的是,目前对于油料品质的定性模型多是建立一个二分类模型,即现有方法通常是对正常和非正常两个类别进行区分,而本发明的定性模型是对三种类别做区分,复杂度提高。因此,本发明能够实现对不同霉变程度的样本的同时定性检测。
采用本发明技术方案,无需复杂的样品制备,而且准确率较高,因此具有很好的实用价值,可推广到其他食品品质的快速、无损检测中去。
附图说明
图1是光谱与成像融合分析的流程图。
图2为实施例一中用于发霉培育的花生果样本。
图3为实施例一中不同发霉状态下的花生样本;
其中,(a)为正常花生;(b)为轻度发霉;(c)为中度发霉;(d)严重发霉。
图4为实施例一中鲁花9号的ATR吸收系数谱图;
其中,(a)为正常及严重发霉的鲁花9号花生样本的ATR吸收系数图;(b)为正常、严重发霉2个类别所有样本的吸收系数的平均。
图5为实施例一中基于吸收系数的鲁花9号花生样本的霉变程度SVM分类模型;
其中,(a)为正常及严重霉变的二分类模型;(b)为轻度霉变、中度霉变、严重霉变的三分类模型。
图6为实施例二中太赫兹反射成像图像采集;
其中(a)为样本反射成像采集;(b)为空瘪果样本成像图像。
图7为实施例二中空瘪果样本成像原始图像经过增强处理的效果图;
其中,(a)为亮度增强;(b)为色度增强;(c)为对比度增强;(d)为锐度增强。
图8为实施例二中采用Laplacian边缘检测算子对太赫兹图像进行边缘检测的结果图。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
本发明提供一种油料品质无损检测方法,无需研磨压片。本发明提供的检测方法基于太赫兹时域光谱技术及成像技术,采用多种预处理方法结合建模算法,可以对油料品质进行快速、无损检测,无需复杂的样品制备,而且准确率较高。
实施例一:霉变花生的太赫兹衰减全反射快速检测
1.实验材料
为排除其他因素干扰,实验一次性购入花生种子1000g,具体品种为鲁花9号。人为去掉个别破碎粒后置于干燥、通风的室温环境储藏。
2.样本制备
选取80枚大小、颜色均匀一致,选取完整无破损的花生果,吹扫干净。预留20枚视为正常花生种子,其余60枚作为发霉培育对象,见附图2。前期调研发现,花生在高温、高湿、封闭环境下最易发生霉变,因此实验时,按照水分重量/花生果重量=0.2左右往花生表面喷洒,并置于28度的生化培养箱里培养。同时利用温湿度检测仪确保花生所处环境温度28度左右、湿度在80%~90%左右。大概培养2~3天时间后,花生呈轻微发霉症状,具体表现为花生表面会有2cm左右淡绿毛、白色块状斑点产生,可能还有轻微油脂酸败的哈喇味,这时可选取20枚发霉程度接近的花生作为待测样本,取出并放晾置于干燥、常温环境下1~2天。培养4~5天左右,默认花生呈中度重发霉时期,此时花生表面出现一定程度的皱缩、表面凹凸不平,颜色晦暗发黄,此时选取20枚发霉程度接近的花生作为待测样本,晾置于干燥、常温环境下1~2天。培养6~7天左右,花生呈严重发霉症状,此时花生表面出现明显皱缩、颜色晦暗发黑,质地变软,哈喇味明显,此时同样选取20枚发霉程度接近的花生作为待测样本,晾置于干燥、常温环境下1~2天。附图3为不同发霉状态下的花生样品。
3.光谱采集
光谱采集时选择衰减全发射(ATR)方式。此次实验对花生仁进行ATR光谱采集。首先采集未经过发霉培养的正常样本的光谱,采集之前,考虑到ATR附件结构,需要将事先预留的20枚花生仁制作成厚度均匀约为1mm、切片大小约为1cm×1cm左右的切片。光谱采集时,在ATR晶体未放置任何样品的情况下首先进行参考信号采集;其次,将制作好的花生仁切片置于ATR采集部位,并拧紧压力螺钉以确保样本与ATR晶体之间接触良好。按以上步骤逐一采集所有花生仁切片的ATR光谱。此次实验为提高精确度,ATR的采集参数设置为:分辨率为0.94cm-1,每次快速扫描的平均次数为450。
正常样本采集完成后,在特定的时间对40枚轻度发霉样本和严重发霉样本分别进行ATR光谱采集,采集方法及参数与正常样本相同。需要注意的是,为防止霉变带来的花生质地变软及表面化学反应,该操作要尽可能快速准确。为保证仪器系统稳定性,整个实验的环境温度为22℃。
4.光谱数据处理
实验最终得到的是样本THz电场的时域波形,需要通过离散傅立叶变换(DFT)将信号转换得到频域光谱,进而计算得到后期分析所需的光学常数如吸收系数。鲁花9号的ATR吸收系数谱图见附图4(a)。其中,在获得信号频域谱的过程中,必须对信号执行一个切趾(加窗)的过程,减少时域信号截断所带来的误差。切趾函数的种类多样,本研究选择兼顾了信噪比和分辨率的Happ Genzel。
由于ATR的工作范围在10cm-1~120cm-1(0.3Thz~3.6Thz)左右的电磁频谱区域内,观察实验数据发现,随着频率的增加,所有样本的吸收系数整体呈水平趋势,但表现出重叠度较高、难以分辨的特点。进一步对每个类别的所有样本取平均之后,可以发现在一定波段范围内正常样本与霉变样本的差异十分显著。附图4(b)所示为正常、严重霉变鲁花9号各自类别在10cm-1~50cm-1的吸收系数平均图,其中实线表示正常鲁花9号吸收系数平均图,虚线为严重霉变鲁花9号吸收系数平均图,同样两条曲线也是差异十分显著,为后期模型建立提供可能性。
5.模型建立
实验首先建立正常与严重霉变花生的二分类模型。定性分析按3:1划分训练集和预测集,并采用网格优化的SVM算法建立模型,建立了基于吸收系数的鲁花9号花生的SVM二分类模型。这里可对吸收系数谱求一阶导并做归一化预处理,其中核函数选择RBF,惩罚参数及Gamma参数分别为-4,-4.5。模型结果如附图5(a)所示,黑色点“●”代表样本的实际类别,圆圈“○”代表样本的预测类别,可以看出,两类测试样本都准确地被划分到自身所属类别当中,模型预测准确率为100%。
在建立三分类模型时,同样采用基于网格搜索法及交叉验证方法进行参数寻优的支持向量机多分类算法,按3:1的比例随机划分建模集和测试集。对经过归一化预处理后的所有样本建立SVM模型,并建立鲁花9号的轻度霉变、中度霉变、严重霉变的三分类模型。核函数同样选择RBF,惩罚参数及Gamma参数分别为0,-7。最终定性分类结果见附图5(b)。其中,类别1为正常样本,类别2为轻度发霉样本,类别3为严重发霉样本。可以看到,预测样本都被正确分类,预测正确率为100%。
实施例二:空瘪花生果的太赫兹反射成像无损检测
1.实验材料
这里选用实施案例一中的鲁花9号花生。
2.样本制备
实验采用正常花生果样本、空瘪果样本形成正负对比样本。其中,正常花生果样本即表面完好无损、内部包含2粒饱满花生仁的鲁花9号花生果,空瘪果样本由于肉眼难以观测内部情况,因此需要人为制造,即从正常花生果样本中选取、人为剥开花生果外壳后,拿走1粒花生仁并确保花生果仍然有1粒花生仁剩余,然后将花生外壳尽量严丝合缝地扣在一起作为待测样本,外观上与正常花生果样本区别不大。需要注意的是,空瘪果样本在制备过程中需要十分小心,防止外壳破碎。
3.光谱采集
实验通过利用太赫兹反射成像附件完成,样本采集过程如附图6(a)所示。同实施例一,光学单元经过校准后,可采集正常样本的太赫兹反射成像图像,即先采集镀金镜作为参考信号,再将样本放置到载物片上进行图像采集。空瘪果样本采集同正常样本,采集步骤不变。整个实验中,仪器的采集步长设为0.2mm,采集区域根据样本大小灵活选取。
4.成像图像处理
空瘪果样本成像图像如附图6(b)所示。为进一步提高图像的清晰可观测度,需要利用图像去噪、增强等预处理。针对本次实验得到的花生的太赫兹图像,利用opencv对图像的亮度和对比度进行处理操作。主要从提高亮度、色度、对比度及锐度四个方面对图像进行处理。附图7是空瘪果样本成像原始图像经过上述处理的效果图。
边缘检测是图像处理与计算机视觉中极为重要的一种分析图像的方法,目的就是找到图像中亮度变化剧烈的像素点构成的集合,这些像素点能够进一步作为图像特征,便于识别。边缘检测表现出来往往是轮廓。利用常用的Laplacian边缘检测算子对太赫兹图像进行边缘检测,如附图8所示。
除实施案例所用方法之外,也可以通过PCA等方法对反射成像图像进行特征提取,构建正常与发霉样本的定性识别模型来可视化显示霉变带来样本内部结构的变化。并且后期可以根据呈现的样本的几何信息可选取正常花生样本与不完善样本的感兴趣区域,选择最佳的成像方式并得到最佳频率点的成像图像,或提取该频率点的光谱数据,对比正常样本与空瘪果样本的图像及光谱数据进行融合分析,实现太赫兹技术无损检测花生品质研究。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (9)
1.一种油料品质无损检测方法,无需将油料种子样本研磨压片,通过简单预处理方法处理待测样本,基于太赫兹时域光谱及成像技术采集数据,分别建立基于吸收系数的正常与严重霉变油料作物的SVM二分类模型及SVM三分类模型,实现快速、无损地检测油料作物品质;包括以下步骤:
1)同批次获取待识别的油料种子样本;
2)将油料种子吹扫干净,制备待测样本;待测样本包括正常油料种子和进行霉变培养的发霉油料种子;发霉程度进一步分为:轻度霉变、中度霉变、严重霉变;
3)使用太赫兹时域光谱仪,采用直接法和去壳法分别采集待测样本的太赫兹透射光谱及太赫兹反射或透射的时域信息及成像图像;包括:
直接采集样本的太赫兹反射或透射成像图,即样本的三维或二维图像;
采集去壳去红衣样本的太赫兹反射或透射光谱,即样本的时域信息;
4)对采集得到的太赫兹时域信息及成像图像数据进行处理,提取有效信息并进行分析,包括:信号时域频域之间转换、光学常数提取、光谱数据预处理及图像处理;
对通过反射或透射方式采集到的时域光谱数据:首先选择切趾函数对样本的时域信号进行离散傅立叶变换,得到其频域信号;再根据频域信号的幅值和相位获得光学常数;最后采用预处理方法进行优化处理;
对于太赫兹反射或透射成像获得的样本的三维或二维成像图,采用的图像处理方法包括:图像去噪、增强、复原、分割、提取特征;
5)利用步骤4)得到的光谱数据,建立基于太赫兹光谱及成像图像的不同油料品质的SVM定性模型,包括SVM二分类模型及SVM三分类模型;先建立正常与霉变样本的SVM二分类定性分类模型,再建立不同霉变程度样本的SVM三分类定性模型;包括:
51)首先建立正常与严重霉变样本的二分类模型;将采集的正常样本和霉变样本的光谱及图像信息划分训练集和预测集;对步骤4)后得到的数据,采用网格优化算法对SVM模型的参数进行寻优,建立基于吸收系数的油料作物SVM二分类模型;
具体对采集的两种样本的光谱信息先进行离散傅里叶变换,进而计算得到吸收系数谱,再对吸收系数谱求一阶导,并做归一化预处理,将归一化预处理后的光谱作为模型输入,建立SVM模型;利用网格优化方法对SVM模型中的参数进行确定和寻优,在最优参数的基础上建立基于吸收系数的正常与严重霉变样本的SVM二分类模型;
52)建立不同霉变程度样本的三分类模型;随机划分建模集和测试集;采用基于网格搜索法及交叉验证方法进行参数寻优的支持向量机多分类算法,对经过归一化预处理后的所有油料作物样本建立SVM模型,并建立油料种子的轻度霉变、中度霉变、严重霉变的三分类模型;具体将对三类样本的吸收系数谱进行归一化预处理作为建立SVM三分类模型的输入数据;之后根据网格搜索法及交叉验证方法确定SVM函数中的参数,得到交叉验证后实验结果精确度最高的参数值,即可确定模型;在该参数基础上建立基于吸收系数谱的不同霉变程度油料种子的SVM三分类模型;
6)结合建立的基于太赫兹光谱及成像图像的油料品质的定性模型,实现快速无损的油料品质检测。
2.如权利要求1所述的油料品质无损检测方法,其特征是,步骤6)中,进一步将太赫兹成像图像分析结果与霉变样本光谱定性模型结果进行信息融合,具体执行如下操作:
利用主成分分析法分别从样本太赫兹图像和光谱数据中获得代表样本特征信息的得分矩阵,所得两个矩阵的维数要相同;
将两个矩阵合并成一个矩阵;
合并矩阵包含样品光谱和图像两部分信息,作为输入数据来建立SVM分类模型,实现对不同霉变程度样本品质的鉴别。
3.如权利要求1所述的油料品质无损检测方法,其特征是,步骤4)中,对通过反射或透射方式采集到的时域光谱数据,所述切趾函数采用Happ Genzel函数,以同时兼顾信噪比和分辨率;所述光学常数包括吸光度、透光度、吸收系数、折射率;所述预处理方法采用化学计量学方法。
4.如权利要求1所述的油料品质无损检测方法,其特征是,所述光学常数优选为吸收系数。
5.如权利要求1所述的油料品质无损检测方法,其特征是,所述油料种子具体选用花生。
6.如权利要求1所述的油料品质无损检测方法,其特征是,步骤51)中训练集和预测集具体按照3:1的比例进行划分。
7.如权利要求1所述的油料品质无损检测方法,其特征是,步骤52)中,SVM函数中的参数具体为核函数、惩罚系数c和Gamma参数g。
8.如权利要求7所述的油料品质无损检测方法,其特征是,SVM二分类模型和SVM三分类模型的核函数均选择RBF函数。
9.如权利要求1所述的油料品质无损检测方法,其特征是,轻度霉变样本是经霉变培养培养2~3天时间后的样本;中度霉变样本是经霉变培养4~5天时间后的样本;严重霉变样本是经霉变培养6~7天时间后的样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910370382.XA CN110108649A (zh) | 2019-05-06 | 2019-05-06 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910370382.XA CN110108649A (zh) | 2019-05-06 | 2019-05-06 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110108649A true CN110108649A (zh) | 2019-08-09 |
Family
ID=67488078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910370382.XA Pending CN110108649A (zh) | 2019-05-06 | 2019-05-06 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110108649A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111220564A (zh) * | 2019-12-31 | 2020-06-02 | 长春理工大学 | 多层结构粘接加压参数太赫兹检测优化方法 |
CN112083438A (zh) * | 2020-09-17 | 2020-12-15 | 中国科学院空天信息创新研究院 | 基于高光谱激光雷达的室内霉菌检测装置及方法 |
CN112924410A (zh) * | 2021-01-29 | 2021-06-08 | 北京工商大学 | 发芽葵花籽的太赫兹光谱快速识别方法 |
CN114384041A (zh) * | 2021-11-18 | 2022-04-22 | 河北农业大学 | 一种构建不同种皮颜色花生可溶性糖含量近红外模型的方法 |
CN114548220A (zh) * | 2022-01-14 | 2022-05-27 | 华南农业大学 | 基于手持式分光辐射谱仪的水稻颖花开花状态检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104181122A (zh) * | 2014-08-06 | 2014-12-03 | 首都师范大学 | 利用太赫兹时域光谱技术检测粮食中农药含量的方法 |
CN108051395A (zh) * | 2017-11-28 | 2018-05-18 | 北京工商大学 | 一种基于THz-ATR光谱技术的玉米品种鉴别方法 |
CN108169165A (zh) * | 2017-12-19 | 2018-06-15 | 河南工业大学 | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 |
-
2019
- 2019-05-06 CN CN201910370382.XA patent/CN110108649A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104181122A (zh) * | 2014-08-06 | 2014-12-03 | 首都师范大学 | 利用太赫兹时域光谱技术检测粮食中农药含量的方法 |
CN108051395A (zh) * | 2017-11-28 | 2018-05-18 | 北京工商大学 | 一种基于THz-ATR光谱技术的玉米品种鉴别方法 |
CN108169165A (zh) * | 2017-12-19 | 2018-06-15 | 河南工业大学 | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 |
Non-Patent Citations (1)
Title |
---|
刘翠玲等: "基于太赫兹衰减全反射技术的花生霉变程度判别", 《农业机械学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111220564A (zh) * | 2019-12-31 | 2020-06-02 | 长春理工大学 | 多层结构粘接加压参数太赫兹检测优化方法 |
CN112083438A (zh) * | 2020-09-17 | 2020-12-15 | 中国科学院空天信息创新研究院 | 基于高光谱激光雷达的室内霉菌检测装置及方法 |
CN112924410A (zh) * | 2021-01-29 | 2021-06-08 | 北京工商大学 | 发芽葵花籽的太赫兹光谱快速识别方法 |
CN114384041A (zh) * | 2021-11-18 | 2022-04-22 | 河北农业大学 | 一种构建不同种皮颜色花生可溶性糖含量近红外模型的方法 |
CN114548220A (zh) * | 2022-01-14 | 2022-05-27 | 华南农业大学 | 基于手持式分光辐射谱仪的水稻颖花开花状态检测方法 |
CN114548220B (zh) * | 2022-01-14 | 2024-05-14 | 华南农业大学 | 基于手持式分光辐射谱仪的水稻颖花开花状态检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Lu et al. | Non-destructive defect detection of apples by spectroscopic and imaging technologies: a review | |
Wei et al. | Ripeness classification of astringent persimmon using hyperspectral imaging technique | |
Vélez-Rivera et al. | Computer vision system applied to classification of “Manila” mangoes during ripening process | |
Wu et al. | Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet | |
Saldaña et al. | Computer vision applied to the inspection and quality control of fruits and vegetables | |
Cen et al. | Assessing multiple quality attributes of peaches using optical absorption and scattering properties | |
CN110763698B (zh) | 一种基于特征波长的高光谱柑橘叶片病害识别方法 | |
Tian et al. | Effective modification through transmission Vis/NIR spectra affected by fruit size to improve the prediction of moldy apple core | |
Yue et al. | A smart data-driven rapid method to recognize the strawberry maturity | |
CN105158186B (zh) | 一种基于高光谱图像对白萝卜黑心检测的方法 | |
Wang et al. | Identification of tomatoes with early decay using visible and near infrared hyperspectral imaging and image‐spectrum merging technique | |
CN104280349A (zh) | 一种基于高光谱图像对白萝卜糠心鉴定的方法 | |
Wang et al. | Quantitative determination of onion internal quality using reflectance, interactance, and transmittance modes of hyperspectral imaging | |
CN108444924A (zh) | 一种应用高光谱图像技术判别茶叶贮藏期的方法 | |
Ariana et al. | Detection of internal defect in pickling cucumbers using hyperspectral transmittance imaging | |
CN110243805A (zh) | 基于拉曼高光谱成像技术的鱼刺检测方法 | |
Wang et al. | Grading detection of “Red Fuji” apple in Luochuan based on machine vision and near-infrared spectroscopy | |
Torres et al. | Setting up a methodology to distinguish between green oranges and leaves using hyperspectral imaging | |
Aredo et al. | Predicting of the Quality Attributes of Orange Fruit Using Hyperspec-tral Images | |
Zhang et al. | Development of a hyperspectral imaging system for the early detection of apple rottenness caused by P enicillium | |
Seehanam et al. | Internal disorder evaluation of ‘Namdokmai Sithong’mango by near infrared spectroscopy | |
Wang et al. | Application of visible/near-infrared spectroscopy combined with machine vision technique to evaluate the ripeness of melons (Cucumis melo L.) | |
Li | Classification of black tea leaf water content based on hyperspectral imaging | |
Minz et al. | Machine vision technology in food processing industry: principles and applications—a review |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190809 |
|
WD01 | Invention patent application deemed withdrawn after publication |