CN110118735B - 一种检测香梨公母的高光谱成像检测方法及装置 - Google Patents

一种检测香梨公母的高光谱成像检测方法及装置 Download PDF

Info

Publication number
CN110118735B
CN110118735B CN201810118478.2A CN201810118478A CN110118735B CN 110118735 B CN110118735 B CN 110118735B CN 201810118478 A CN201810118478 A CN 201810118478A CN 110118735 B CN110118735 B CN 110118735B
Authority
CN
China
Prior art keywords
bergamot
bergamot pear
calyx
pear
roundness
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.)
Active
Application number
CN201810118478.2A
Other languages
English (en)
Other versions
CN110118735A (zh
Inventor
苑严伟
李亚硕
王烨
毛文华
吕程序
祁雁楠
赵博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese Academy of Agricultural Mechanization Sciences
Original Assignee
Chinese Academy of Agricultural Mechanization Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chinese Academy of Agricultural Mechanization Sciences filed Critical Chinese Academy of Agricultural Mechanization Sciences
Priority to CN201810118478.2A priority Critical patent/CN110118735B/zh
Publication of CN110118735A publication Critical patent/CN110118735A/zh
Application granted granted Critical
Publication of CN110118735B publication Critical patent/CN110118735B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G01B11/2408—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures for measuring roundness
    • 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
    • G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

一种检测香梨公母的高光谱成像检测方法及装置，包括：采集信息，通过一高光谱成像仪采集待测香梨的高光谱信息，并提取光谱信息和图像信息；计算香梨石细胞含量，接收该光谱信息，并将该光谱信息输入一香梨果肉石细胞含量高光谱预测模型，得到该待测香梨的香梨果肉石细胞含量预测值；计算香梨花萼圆度，接收该图像信息，采用花萼特征区域提取和圆度计算算法得到该待测香梨的花萼圆度；检测香梨公母，接收该香梨果肉石细胞含量预测值和该花萼圆度，并将该香梨果肉石细胞含量预测值和该花萼圆度输入一训练后的线性支持向量机进行该待测香梨的公母分类，得到该公香梨或母香梨的检测结果。本发明还公开了采用上述检测方法的检测装置。

Description

一种检测香梨公母的高光谱成像检测方法及装置
技术领域
本发明涉及农产品无损检测领域，特别是一种基于石细胞含量和花萼圆度检测香梨公母的高光谱成像检测方法及装置。
背景技术
库尔勒香梨是西部的名优特产品，具有较强的生产区域性，在国内外市场享有较高的声誉和知名度。据库尔勒市香梨研究中心统计数据显示：库尔勒香梨每年的种植面积在100万亩以上，每年香梨的总产量约85万吨。市售库尔勒香梨通常分为母梨和公梨，其中母梨口感好、价格高。母梨的特征为：萼片脱落，多数萼端凹陷，肉细核小，石细胞较少，可食比例高，汁多口感好。公梨的特征为：萼片宿存，多数萼端凸起，肉粗核大，石细胞较多，可食比例少，汁少口感差。
随着人民生活水平的提高，市场对香梨的检测、分级的要求越来越高，以满足香梨的依质定价、分等销售、分级贮存等需求，提高果农收入及香梨品牌价值。目前在香梨公母的检测上，主要依靠香梨花萼特征来检测香梨公母，这种检测方法较为单一，检测准确度不高。
发明内容
本发明所要解决的技术问题是针对现有技术的上述问题，提供一种基于石细胞含量和花萼圆度检测香梨公母的高光谱成像检测方法及装置，综合了影响口感的石细胞含量指标及外观评价的花萼形态指标，可获得更高检测准确度。
为了实现上述目的，本发明提供了一种检测香梨公母的高光谱成像检测方法，其中，基于石细胞含量和花萼圆度对香梨进行检测并分类为公香梨或母香梨，包括如下步骤：
S100、采集信息，通过一高光谱成像仪采集待测香梨的高光谱信息，并提取光谱信息和图像信息；
S200、计算香梨石细胞含量，接收所述光谱信息，并将所述光谱信息输入一香梨果肉石细胞含量高光谱预测模型，得到所述待测香梨的香梨果肉石细胞含量预测值；
S300、计算香梨花萼圆度，接收所述图像信息，采用花萼特征区域提取和圆度计算算法得到所述待测香梨的花萼圆度；以及
S400、检测香梨公母，接收所述香梨果肉石细胞含量预测值和所述花萼圆度，并将所述香梨果肉石细胞含量预测值和所述花萼圆度输入一训练后的线性支持向量机进行所述待测香梨的公母分类，得到所述公香梨或母香梨的检测结果。
上述的高光谱成像检测方法，其中，所述步骤S300进一步包括如下步骤：
S301、分割香梨区域，所述图像信息包括高光谱香梨图像灰度信息，采用大津法从所述高光谱香梨图像灰度信息中提取分割出香梨区域；
S302、香梨区域降噪，采用形态学闭运算填补分割出的所述香梨区域中的孔洞；
S303、香梨区域标记，采用基于轮廓的标记算法标记降噪处理后的所述香梨区域；
S304、提取花萼特征区域，根据区域面积提取所述香梨区域中的花萼特征区域；以及
S305、计算所述花萼特征区域圆度。
上述的高光谱成像检测方法，其中，所述花萼特征区域圆度采用公式R＝L^2/4πA计算，其中，R为花萼特征区域圆度，L为花萼特征区域周长，A为花萼特征区域面积。
上述的高光谱成像检测方法，其中，所述花萼特征区域周长为所述花萼特征区域的轮廓像素点数量，所述花萼特征区域面积为所述花萼特征区域的像素点总数。
上述的高光谱成像检测方法，其中，所述采集信息步骤中，图像背景采用黑色背景，所述待测香梨保持以花萼朝上的姿态进入所述高光谱成像仪，所述高光谱成像仪采集所述待测香梨的高光谱图像并校正图像后生成所述图像信息。
上述的高光谱成像检测方法，其中，所述香梨果肉石细胞含量高光谱预测模型采用如下步骤建立：
选取香梨样本，用于建立香梨果肉石细胞含量预测模型，并将所述香梨样本划分为校正集和验证集；
采集香梨光谱信息，通过一高光谱成像仪采集所述香梨样本的高光谱信息，并提取香梨样本光谱信息；
测量所述香梨样本石细胞含量真实值；以及
香梨石细胞建模，根据所述香梨样本光谱信息和所述香梨石细胞含量真实值，采用化学计量学的多元线性回归方法建立香梨果肉石细胞含量预测模型。
上述的高光谱成像检测方法，其中，采用冷冻法测量所述石细胞含量的真实值，包括：
削去所述香梨样本外皮，取果肉并在冰柜中冷藏作为香梨样品；
所述香梨样品解冻并匀浆，加入水搅拌静置后，取上层悬浮液；
漂洗所述上层悬浮液；
用滤纸过滤得到所述香梨样品的石细胞，将所述石细胞铺开并连同所述滤纸置于烘箱烘干；以及
将所述滤纸取出自然冷却至室温，收集所述石细胞并称重得到所述香梨样品的石细胞含量真实值。
上述的高光谱成像检测方法，其中，取果肉10g在-16℃冰柜中冷藏24h作为所述香梨样品，将所述作为香梨样品以21000r/min转速匀浆5min，加入水并用玻璃棒搅拌1min，静置3min取所述上层悬浮液。
上述的高光谱成像检测方法，其中，所述线性支持向量机分类器采用如下训练方法对进行训练：
采集训练样本，采用石细胞含量计算方法和花萼圆度计算方法分别计算香梨样本石细胞含量预测值和花萼圆度，并以所述石细胞含量预测值和花萼圆度为训练样本；以及
训练支持向量机，以采集的所述训练样本为特征输入，设置相应的输出为公或母，选取径向基函数和梯度下降法训练所述线性支持向量机为香梨公母分类器。
为了更好地实现上述目的，本发明还提供了一种检测香梨公母的高光谱成像检测装置，其中，采用上述的检测方法，基于石细胞含量和花萼圆度对香梨进行检测并分类为公香梨或母香梨，包括：
信息采集单元，通过一高光谱成像仪采集待测香梨的高光谱信息，并提取光谱信息和图像信息；
香梨石细胞含量计算单元，接收所述光谱信息，并将所述光谱信息输入一香梨果肉石细胞含量高光谱预测模型，得到所述待测香梨的香梨果肉石细胞含量预测值；
香梨花萼圆度计算单元，接收所述图像信息，采用花萼特征区域提取和圆度计算算法得到所述待测香梨的花萼圆度；以及
香梨公母检测单元，接收所述香梨果肉石细胞含量预测值和所述花萼圆度，并将所述香梨果肉石细胞含量预测值和所述花萼圆度输入一训练后的线性支持向量机进行所述待测香梨的公母分类，得到所述公香梨或母香梨的检测结果。
本发明的技术效果在于：
本发明综合了影响口感的石细胞含量指标及外观评价的花萼形态指标，可获得更高的检测准确度，解决了现有技术中检测手法单一，检测准确度及检测效率低的问题。
以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。
附图说明
图1为本发明一实施例的检测原理示意图；
图2为本发明一实施例的检测方法流程图；
图3为本发明一实施例的香梨石细胞含量预测模型建模原理示意图；
图4为本发明一实施例的图像信息处理分析示意图；
图5为本发明一实施例的香梨公母分类器训练原理示意图；
图6为本发明一实施例的检测过程示意图。
具体实施方式
下面结合附图对本发明的结构原理和工作原理作具体的描述：
参见图1和图2，图1为本发明一实施例的检测原理示意图，图2为本发明一实施例的检测方法流程图。本发明的检测香梨公母的高光谱成像检测方法，基于石细胞含量和花萼圆度对香梨进行检测并分类为公香梨或母香梨，包括如下步骤：
步骤S100、采集信息，通过一高光谱成像仪采集待测香梨的高光谱信息，并提取待测香梨的光谱信息和图像信息，优选图像背景采用黑色背景，所述待测香梨保持以花萼朝上的姿态进入所述高光谱成像仪，所述高光谱成像仪采集所述待测香梨的高光谱图像并校正图像后生成所述图像信息；
步骤S200、计算香梨石细胞含量，接收所述光谱信息，并将所述光谱信息输入一高光谱预测模型，该模型具体可为香梨果肉石细胞含量高光谱预测模型，得到所述待测香梨的香梨果肉石细胞含量预测值；
步骤S300、计算香梨花萼圆度，接收所述图像信息，采用图像处理算法，例如花萼特征区域提取和圆度计算算法得到所述待测香梨的花萼圆度；以及
步骤S400、检测香梨公母，接收所述香梨果肉石细胞含量预测值和所述花萼圆度，并将所述香梨果肉石细胞含量预测值和所述花萼圆度输入一训练后的线性支持向量机进行所述待测香梨的公母分类，得到所述公香梨或母香梨的检测结果。
其中，所述步骤S300进一步包括如下步骤：
步骤S301、分割香梨区域，所述图像信息包括高光谱香梨图像灰度信息，采用大津法从合适波段的所述高光谱香梨图像灰度信息中提取分割出香梨区域；
步骤S302、香梨区域降噪，采用形态学闭运算填补分割出的所述香梨区域中的空隙或孔洞；
步骤S303、香梨区域标记，采用基于轮廓的标记算法标记降噪处理后的所述香梨区域；
步骤S304、提取花萼特征区域，根据区域面积提取所述香梨区域中的花萼特征区域；以及
步骤S305、计算所述花萼特征区域圆度。
本实施例中，所述花萼特征区域圆度采用公式R＝L^2/4πA计算，其中，R为花萼特征区域圆度，L为花萼特征区域周长，A为花萼特征区域面积。所述花萼特征区域周长为所述花萼特征区域的轮廓像素点数量，所述花萼特征区域面积为所述花萼特征区域的像素点总数。
参见图3，图3为本发明一实施例的香梨石细胞含量预测模型建模原理示意图。本实施例中，所述香梨果肉石细胞含量高光谱预测模型采用如下步骤建立：
选取香梨样本，用于建立香梨果肉石细胞含量预测模型，并将所述香梨样本划分为校正集和验证集；
采集香梨光谱信息，通过一高光谱成像仪采集所述香梨样本的高光谱信息，并提取香梨样本光谱信息；
测量所述香梨样本石细胞含量真实值；以及
香梨石细胞建模，根据所述香梨样本光谱信息和所述香梨石细胞含量真实值，采用化学计量学的多元线性回归方法建立香梨果肉石细胞含量预测模型。
其中，优选采用冷冻法测量所述石细胞含量的真实值，包括：
削去所述香梨样本外皮，取果肉并在冰柜中冷藏作为香梨样品；
所述香梨样品解冻并匀浆，加入水搅拌静置后，取上层悬浮液；
漂洗所述上层悬浮液；
用滤纸过滤得到所述香梨样品的石细胞，将所述石细胞铺开并连同所述滤纸置于烘箱烘干；以及
将所述滤纸取出自然冷却至室温，收集所述石细胞并称重得到所述香梨样品的石细胞含量真实值。
具体地，可取果肉10g在-16℃冰柜中冷藏24h作为所述香梨样品，将所述作为香梨样品以21000r/min转速匀浆5min，加入水并用玻璃棒搅拌1min，静置3min取所述上层悬浮液。
参见图5，图5为本发明一实施例的香梨公母分类器训练原理示意图。本实施例中，所述线性支持向量机分类器采用如下训练方法对进行训练：
采集训练样本，采用石细胞含量计算方法和花萼圆度计算方法分别计算香梨样本石细胞含量预测值和花萼圆度，并以所述石细胞含量预测值和花萼圆度为训练样本；以及
训练支持向量机，以采集的所述训练样本为特征输入，设置相应的输出为公或母，选取径向基函数和梯度下降法训练所述线性支持向量机为香梨公母分类器。
参见图6，图6为本发明一实施例的检测过程示意图。本发明的检测香梨公母的高光谱成像检测装置，采用上述的检测方法，基于石细胞含量和花萼圆度对香梨进行检测并分类为公香梨或母香梨，包括：
信息采集单元，通过一高光谱成像仪采集待测香梨的高光谱信息，并提取光谱信息和图像信息；
香梨石细胞含量计算单元，接收所述光谱信息，并将所述光谱信息输入一香梨果肉石细胞含量高光谱预测模型，得到所述待测香梨的香梨果肉石细胞含量预测值；
香梨花萼圆度计算单元，接收所述图像信息，采用花萼特征区域提取和圆度计算算法得到所述待测香梨的花萼圆度；以及
香梨公母检测单元，接收所述香梨果肉石细胞含量预测值和所述花萼圆度，并将所述香梨果肉石细胞含量预测值和所述花萼圆度输入一训练后的线性支持向量机进行所述待测香梨的公母分类，得到所述公香梨或母香梨的检测结果。
下面以一具体实例对本发明进一步详细说明:
本发明利用高光谱成像仪获取香梨高光谱信息，进而提取香梨光谱信息和图像信息；结合获取的光谱信息和石细胞含量建模，实现对梨果肉中石细胞含量快速预测；结合获取的图像信息和的图像信息处理分析方法，计算花萼圆度；结合石细胞含量信息和花萼圆度信息，训练香梨公母分类器；应用香梨公母分类器实现对待测香梨公母的快速、无损检测。
参见图3，建立香梨果肉石细胞含量预测模型，如图3所示，本实施例可进行如下操作：
1)选取适量香梨样本并将香梨样本划分为校正集和验证集；
2)图像背景采用黑色背景，保持香梨以花萼朝上的姿态进入高光谱图像采集系统，采集所有香梨的高光谱图像并校正图像；
3)采用冷冻法测量香梨样本石细胞含量，具体步骤如下：
31)削去校正集和验证集香梨样本外皮，取果肉10g，在-16℃冰柜中冷藏24h；
32)样品解冻后，以21000r/min转速匀浆5min，加入适量水并用玻璃棒搅拌1min，静置3min，取上层悬浮液，重复若干次；
33)漂洗上层悬浮液，重复若干次；
34)用粗滤纸过滤，将石细胞铺开并连同滤纸置60～65℃的烘箱烘干置恒重；
35)将滤纸取出自然冷却至室温，收集石细胞并称重，石细胞含量表示为c＝m/10×100％,式中，m代表所得石细胞质量，单位为g；
4)提取校正集中整个香梨全波段平均光谱信息并进预处理；
5)采用连续投影算法(SPA)选取所得全波段光谱信息中的有效波长；
6)根据所测得校正集石细胞含量及有效波长对应光谱信息，采用多元线性回归(MLR)方法建立石细胞含量预测模型；
7)用验证集香梨对模型进行测试优化，从而得到优化的基于高光谱波长维度信息的石细胞含量预测模型。
参见图5，建立香梨公母分类器，如图5所示，具体包括如下步骤：
1)选取适量香梨样本并将香梨样本划分为校正集和验证集；
2)图像背景采用黑色背景，保持香梨以花萼朝上的姿态进入高光谱图像采集系统，采集所有香梨的高光谱图像并校正图像；
3)提取校正集香梨高光谱的光谱信息，输入前述步骤建立的香梨果肉石细胞含量预测模型，得到香梨样本石细胞含量预测值；
4)提取校正集香梨高光谱的图像，对所提取的图像信息应用一花萼特征区域提取及圆度计算算法提取花萼特征区域并计算花萼圆度，参见图4，图4为本发明一实施例的图像信息处理分析示意图，具体步骤如下：
41)选取适宜的波段，提取香梨高光谱的特定波段空间维度信息；
42)通过大津法(Otsu法)对图像进行阈值分割并二值化；
43)选择适当的结构元素对二值化图像进行形态学闭运算，填补香梨区域的孔洞；
44)进行区域标记；
45)根据区域面积提取花萼特征区域并计算该区域圆度；
5)将步骤3)和步骤3)所得校正集香梨样本石细胞含量预测值和花萼圆度作为支持向量机特征输入，设置支持向量机的输出为母或公，核函数采用径向基函数，优化方法采用典型的梯度下降法，训练分类器；
6)用验证集香梨样本石细胞含量及花萼特征区域圆度对分类器进行测试优化。
参见图6，本发明方法和装置的检测过程如图6所示。具体包括：
1)图像背景采用黑色背景，保持待检测香梨以花萼朝上的姿势进入检测装置；
2)通过高光谱成像系统采集待检测香梨高光谱图像并校正图像；
3)提取待测香梨高光谱光谱信息，输入前述步骤建立的香梨果肉石细胞含量预测模型，得到香梨样本石细胞含量预测值；
4)提取待测香梨高光谱图像信息，利用前述步骤所述的一花萼特征区域提取及圆度计算算法提取花萼特征区域及计算花萼圆度；
5)将步骤3)和步骤4)所得香梨样本石细胞含量预测值和花萼圆度输入前述步骤建立的香梨公母分类器，得到公或母的检测结果。
本发明利用高光谱成像仪获取香梨光谱信息和图像信息；结合获取的光谱信息和石细胞含量建模，实现对梨果肉中石细胞含量快速预测；结合获取的图像信息和图像信息处理分析方法，计算花萼圆度；结合石细胞含量信息和花萼圆度信息，训练香梨公母分类器；应用香梨公母分类器实现对待测香梨公母的快速、无损检测。本发明综合了影响口感的石细胞含量指标及外观评价的花萼形态指标，可获得更为准确的香梨公母检测方法。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (8)

1.一种检测香梨公母的高光谱成像检测方法，其特征在于，基于石细胞含量和花萼圆度对香梨进行检测并分类为公香梨或母香梨，包括如下步骤：
S100、采集信息，通过一高光谱成像仪采集待测香梨的高光谱信息，并提取所述待测香梨的光谱信息和图像信息；
S200、计算香梨石细胞含量，接收所述光谱信息，并将所述光谱信息输入一香梨果肉石细胞含量高光谱预测模型，得到所述待测香梨的香梨果肉石细胞含量预测值；
S300、计算香梨花萼圆度，接收所述图像信息，采用花萼特征区域提取和圆度计算算法得到所述待测香梨的花萼圆度；以及
S400、检测香梨公母，接收所述香梨果肉石细胞含量预测值和所述花萼圆度，并将所述香梨果肉石细胞含量预测值和所述花萼圆度输入一训练后的线性支持向量机进行所述待测香梨的公母分类，得到所述公香梨或母香梨的检测结果；
其中，所述香梨果肉石细胞含量高光谱预测模型采用如下步骤建立：
选取香梨样本，用于建立香梨果肉石细胞含量预测模型，并将所述香梨样本划分为校正集和验证集；
采集香梨光谱信息，通过一高光谱成像仪采集所述香梨样本的高光谱信息，并提取香梨样本光谱信息；
测量所述香梨样本石细胞含量真实值；以及
香梨石细胞建模，根据所述香梨样本光谱信息和所述香梨石细胞含量真实值，采用化学计量学的多元线性回归方法建立香梨果肉石细胞含量预测模型；
所述线性支持向量机分类器采用如下训练方法进行训练：
采集训练样本，采用石细胞含量计算方法和花萼圆度计算方法分别计算香梨样本石细胞含量预测值和花萼圆度，并以所述石细胞含量预测值和花萼圆度为训练样本；以及
训练支持向量机，以采集的所述训练样本为特征输入，设置相应的输出为公或母，选取径向基函数和梯度下降法训练所述线性支持向量机为香梨公母分类器。
2.如权利要求1所述的高光谱成像检测方法，其特征在于，所述步骤S300进一步包括如下步骤：
S301、分割香梨区域，所述图像信息包括高光谱香梨图像灰度信息，采用大津法从所述高光谱香梨图像灰度信息中提取分割出香梨区域；
S302、香梨区域降噪，采用形态学闭运算填补分割出的所述香梨区域中的孔洞；
S303、香梨区域标记，采用基于轮廓的标记算法标记降噪处理后的所述香梨区域；
S304、提取花萼特征区域，根据区域面积提取所述香梨区域中的花萼特征区域；以及
S305、计算所述花萼特征区域圆度。
3.如权利要求2所述的高光谱成像检测方法，其特征在于，所述花萼特征区域圆度采用公式R＝L^2/4πA计算，其中，R为花萼特征区域圆度，L为花萼特征区域周长，A为花萼特征区域面积。
4.如权利要求3所述的高光谱成像检测方法，其特征在于，所述花萼特征区域周长为所述花萼特征区域的轮廓像素点数量，所述花萼特征区域面积为所述花萼特征区域的像素点总数。
5.如权利要求1、2、3或4所述的高光谱成像检测方法，其特征在于，所述采集信息步骤中，图像背景采用黑色背景，所述待测香梨保持以花萼朝上的姿态进入所述高光谱成像仪，所述高光谱成像仪采集所述待测香梨的高光谱图像并校正图像后生成所述图像信息。
6.如权利要求1所述的高光谱成像检测方法，其特征在于，采用冷冻法测量所述石细胞含量的真实值，包括：
削去所述香梨样本外皮，取果肉并在冰柜中冷藏作为香梨样品；
所述香梨样品解冻并匀浆，加入水搅拌静置后，取上层悬浮液；
漂洗所述上层悬浮液；
用滤纸过滤得到所述香梨样品的石细胞，将所述石细胞铺开并连同所述滤纸置于烘箱烘干；以及
将所述滤纸取出自然冷却至室温，收集所述石细胞并称重得到所述香梨样品的石细胞含量真实值。
7.如权利要求6所述的高光谱成像检测方法，其特征在于，取果肉10g在-16℃冰柜中冷藏24h作为所述香梨样品，将所述作为香梨样品以21000r/min转速匀浆5min，加入水并用玻璃棒搅拌1min，静置3min取所述上层悬浮液。
8.一种检测香梨公母的高光谱成像检测装置，其特征在于，采用上述权利要求1-7中任意一项所述的检测方法，基于石细胞含量和花萼圆度对香梨进行检测并分类为公香梨或母香梨，包括：
信息采集单元，通过一高光谱成像仪采集待测香梨的高光谱信息，并提取光谱信息和图像信息；
香梨石细胞含量计算单元，接收所述光谱信息，并将所述光谱信息输入一香梨果肉石细胞含量高光谱预测模型，得到所述待测香梨的香梨果肉石细胞含量预测值；
香梨花萼圆度计算单元，接收所述图像信息，采用花萼特征区域提取和圆度计算算法得到所述待测香梨的花萼圆度；以及
香梨公母检测单元，接收所述香梨果肉石细胞含量预测值和所述花萼圆度，并将所述香梨果肉石细胞含量预测值和所述花萼圆度输入一训练后的线性支持向量机进行所述待测香梨的公母分类，得到所述公香梨或母香梨的检测结果。
CN201810118478.2A 2018-02-06 2018-02-06 一种检测香梨公母的高光谱成像检测方法及装置 Active CN110118735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810118478.2A CN110118735B (zh) 2018-02-06 2018-02-06 一种检测香梨公母的高光谱成像检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810118478.2A CN110118735B (zh) 2018-02-06 2018-02-06 一种检测香梨公母的高光谱成像检测方法及装置

Publications (2)

Publication Number Publication Date
CN110118735A CN110118735A (zh) 2019-08-13
CN110118735B true CN110118735B (zh) 2020-08-25

Family

ID=67519373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810118478.2A Active CN110118735B (zh) 2018-02-06 2018-02-06 一种检测香梨公母的高光谱成像检测方法及装置

Country Status (1)

Country Link
CN (1) CN110118735B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402199B (zh) * 2020-02-08 2024-01-12 南京农业大学 一种基于计算机图像处理的梨果实石细胞表型检测方法
CN113182202B (zh) * 2021-04-25 2022-05-27 新疆维吾尔自治区阿克苏职业技术学院 一种香梨雌雄分类辅助装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09318547A (ja) * 1996-05-31 1997-12-12 Maki Seisakusho:Kk 農産物の外観検査方法及び装置
JP2010249762A (ja) * 2009-04-20 2010-11-04 Mr Technology:Kk 果実検査方法及び装置
CN103308457A (zh) * 2013-04-10 2013-09-18 浙江工商大学 香梨成熟度预测模型建立方法
CN104215639A (zh) * 2013-06-05 2014-12-17 江南大学 一种基于机器视觉的梨表面缺陷检测方法
CN105004690A (zh) * 2015-07-30 2015-10-28 合肥工业大学 一种基于多光谱成像技术的梨果肉中石细胞含量快速无损检测方法
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
CN107505303A (zh) * 2017-10-09 2017-12-22 华中农业大学 一种苗期快速鉴定啤酒花植株雌雄性别的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09318547A (ja) * 1996-05-31 1997-12-12 Maki Seisakusho:Kk 農産物の外観検査方法及び装置
JP2010249762A (ja) * 2009-04-20 2010-11-04 Mr Technology:Kk 果実検査方法及び装置
CN103308457A (zh) * 2013-04-10 2013-09-18 浙江工商大学 香梨成熟度预测模型建立方法
CN104215639A (zh) * 2013-06-05 2014-12-17 江南大学 一种基于机器视觉的梨表面缺陷检测方法
CN105004690A (zh) * 2015-07-30 2015-10-28 合肥工业大学 一种基于多光谱成像技术的梨果肉中石细胞含量快速无损检测方法
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
CN107505303A (zh) * 2017-10-09 2017-12-22 华中农业大学 一种苗期快速鉴定啤酒花植株雌雄性别的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Fragrant Pear Sexuality Recognition with Machine Vision;Benxue Ma 等;《PROCEEDINGS OF SPIE》;20061231;第6381卷;第1-2节 *

Also Published As

Publication number Publication date
CN110118735A (zh) 2019-08-13

Similar Documents

Publication Publication Date Title
Pereira et al. Predicting the ripening of papaya fruit with digital imaging and random forests
Blasco et al. Recognition and classification of external skin damage in citrus fruits using multispectral data and morphological features
Diaz et al. Comparison of three algorithms in the classification of table olives by means of computer vision
Avila et al. A method to construct fruit maturity color scales based on support machines for regression: Application to olives and grape seeds
Li et al. Detection of early decayed oranges based on multispectral principal component image combining both bi-dimensional empirical mode decomposition and watershed segmentation method
Yang et al. Multispectral image based germination detection of potato by using supervised multiple threshold segmentation model and Canny edge detector
Guzmán et al. Infrared machine vision system for the automatic detection of olive fruit quality
CN106340000A (zh) 骨龄评估方法
CN114663821B (zh) 基于视频高光谱成像技术的产品质量实时无损检测方法
CN103528967B (zh) 基于高光谱图像的过熟蓝靛果果实识别方法
CN107505325A (zh) 冬枣果实的全方位品质检测方法
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
CN110118735B (zh) 一种检测香梨公母的高光谱成像检测方法及装置
Wang et al. Recognition of worm-eaten chestnuts based on machine vision
Raut et al. Assessment of fruit maturity using digital image processing
CN114858984A (zh) 厚皮甜瓜种质资源商品性数据采集装置及采集与分析方法
CN109342331A (zh) 基于可见/近红外光谱技术的李子硬度无损检测方法
Mehendran et al. Banana freshness identification using image processing techniques
Chong et al. Features extraction for eggplant fruit grading system using machine vision
CN201041547Y (zh) 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置
Ji et al. Apple color automatic grading method based on machine vision
Shetty et al. Intelligent system to evaluate the quality of DRC using image processing and then categorize using artificial neural network (ANN)
Thinh et al. Sorting and classification of mangoes based on artificial intelligence
Dili Classification of green coffee beans by convolutional neural network and its implementation on raspberry Pi and Camera Module
Díaz Classification and quality evaluation of table olives

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