CN110596117A - 一种基于高光谱成像的苹果表面损伤快速无损检测方法 - Google Patents
一种基于高光谱成像的苹果表面损伤快速无损检测方法 Download PDFInfo
- Publication number
- CN110596117A CN110596117A CN201910751197.5A CN201910751197A CN110596117A CN 110596117 A CN110596117 A CN 110596117A CN 201910751197 A CN201910751197 A CN 201910751197A CN 110596117 A CN110596117 A CN 110596117A
- Authority
- CN
- China
- Prior art keywords
- image
- damaged
- spectral
- hyperspectral
- hyperspectral imaging
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 34
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 230000003595 spectral effect Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012937 correction Methods 0.000 claims abstract description 11
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 230000007797 corrosion Effects 0.000 claims abstract description 5
- 238000005260 corrosion Methods 0.000 claims abstract description 5
- 238000012217 deletion Methods 0.000 claims abstract description 5
- 230000037430 deletion Effects 0.000 claims abstract description 5
- 230000000873 masking effect Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 241000220225 Malus Species 0.000 claims description 39
- 238000001228 spectrum Methods 0.000 claims description 24
- 235000021016 apples Nutrition 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 238000009659 non-destructive testing Methods 0.000 abstract description 5
- 235000013399 edible fruits Nutrition 0.000 abstract description 4
- 238000005286 illumination Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000012041 food component Nutrition 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 229910052742 iron Inorganic materials 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
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000002984 plastic foam Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Signal Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高光谱成像的苹果表面损伤快速无损检测方法,具体涉及水果品质无损检测技术领域。该方法是首先利用高光谱成像光谱仪采集损伤苹果的光谱图像,然后对光谱图像进行校正,再利用ENVI获取图像上完好与损伤区域的平均光谱曲线,分析光谱特性,再利用多元散射校正法对光谱数据进行预处理,其次,利用二次连续投影算法分析光谱数据,筛选特征波段,并对特征波段图像进行掩膜处理,去除背景干扰,再进行主成分分析确定完好与损伤区域差异明显的有效检测图像,最后采用固定阈值法分割出损伤区域,分割图像中依然存在因光照影响而误分的小面积区域,再利用图像的膨胀、腐蚀和删除小面积区域操作来实现损伤区域的精确分割。
Description
技术领域
本发明涉及水果品质无损检测技术领域,具体涉及一种基于高光谱成像的苹果表面损伤快速无损检测方法。
背景技术
苹果是我国种植面积最广,产量最大的水果。但苹果在采摘、分装和运输过程中会不可避免地受到摩擦、碰撞或挤压,造成不同程度的机械损伤。轻微机械损伤是最难检测和识别的,因为这种损伤在初期很不明显,尤其是当损伤发生在苹果表皮颜色较深的部位。但机械损伤破坏了苹果内部的组织结构,会加速苹果营养成分的流失和衰老的进程。同时,机械损伤部位更容易受到细菌侵染,使得损伤程度进一步加大,甚至演变为霉变或者腐烂,若不及时检测,会影响其他优质果,降低整批苹果的储藏能力和销售价格。
高光谱成像技术,作为新一代的光电无损检测技术,结合了光谱技术和图像技术的主要优势,目前对苹果的损伤检测中并未将该技术进行有效利用。利用高光谱成像光谱仪采集到的高光谱图像是由二维图像空间信息和一维光谱信息构成的立方体。在图像空间维上,高光谱图像与一般的图像类似,用于表述样品的空间分布;在图像光谱维上,高光谱图像的每一个像元可得到一条连续的光谱曲线,基于光谱数据建立模型可以实现对物体与目标的识别与检测。
发明内容
本发明的目的是针对上述不足,提出了一种基于高光谱成像技术,可以在不破坏苹果的情况下,快速检测苹果表面的轻微损伤的检测方法。
本发明具体采用如下技术方案:
一种基于高光谱成像的苹果表面损伤快速无损检测方法,包括以下步骤:
步骤一:构建一套高光谱图像采集系统,利用高光谱成像系统采集损伤苹果的高光谱图像;
步骤二:对获取的高光谱图像进行校正处理,并分析苹果完好与损伤部分的光谱曲线特性,去除含有大量噪声的首尾波段,保留503~989nm波段进行后续分析处理;
步骤三:对光谱数据进行预处理,并利用二次连续投影算法分析光谱数据,确定特征波段;
步骤四:对特征波段图像进行掩膜,去除背景干扰;
步骤五:对去除背景后的特征波段图像进行主成分分析,并选取完好与损伤区域差异明显的第二主成分图像PC2作为检测损伤的有效图像,用于后续分析处理;
步骤六:对PC2图像利用5*5的高斯低通滤波器保存图像中的低频成分,使图像平滑;
步骤七:采用固定阈值法分割PC2中的损伤部位;
步骤八:对损伤分割后的图像再利用图像的膨胀、腐蚀和删除小面积区域操作来实现损伤区域的精确分割。
优选地,所述步骤一中构建的高光谱图像采集系统包括高光谱成像光谱仪、4个室内高光谱照明灯、样品载物台、计算机和暗箱。
优选地,所述步骤三中,采用多元散射校正法对光谱数据进行预处理,具体校正过程为:
通过式(1)计算平均光谱:
通过式(2)进行一元线性回归:
通过式(3)进行多元散射校正:
其中,A表示n×p维校正光谱数据矩阵,n为校正样品数,p为波长数,表示所有样品原始光谱在各个波长点处求平均值得到的平均光谱矢量,Ai为1×p维光谱矩阵,表示单个样品光谱矢量,mi和bi分别表示各样品光谱Ai与平均光谱进行一元线性回归后得到的相对偏移系数和平移量。
优选地,步骤三中利用二次连续投影算法分析光谱数据,确定特征波段,首先利用连续投影算法从503nm~989nm波段提取能够有效区分完好与损伤的特征波段集合S1,S1包括9个波段,分别是503nm,720nm,742nm,821nm,848nm,907nm,913nm,923nm和940nm,然后对S1再次使用连续投影算法筛选出2个特征波段,分别是821nm和940nm,构成波段集合S2。
优选地,所述步骤七中,采用固定阈值法对PC2进行损伤分割,阈值为162。
本发明具有如下有益效果:
该方法是首先利用高光谱成像光谱仪采集损伤苹果的光谱图像,然后对光谱图像进行校正,再利用ENVI获取图像上完好与损伤区域的平均光谱曲线,分析光谱特性,再利用多元散射校正法对光谱数据进行预处理,其次,利用二次连续投影算法分析光谱数据,筛选特征波段,并对特征波段图像进行掩膜处理,去除背景干扰,再进行主成分分析确定完好与损伤区域差异明显的有效检测图像,最后采用固定阈值法分割出损伤区域,分割图像中依然存在因光照影响而误分的小面积区域,再利用图像的膨胀、腐蚀和删除小面积区域操作来实现损伤区域的精确分割;
该检测方法操作简单,对苹果无任何破坏,且能够同时满足损伤检测速度和精度需求。
附图说明
图1为基于高光谱成像的苹果表面损伤快速无损检测方法流程框图;
图2a为苹果的特征波段821nm的图像;
图2b为苹果的特征波段940nm的图像;
图3为主成分分析后的第二主成分图像;
图4为苹果损伤检测结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明:
如图1-图4所示,一种基于高光谱成像的苹果表面损伤快速无损检测方法,包括以下步骤:
步骤一:构建一套高光谱图像采集系统,利用高光谱成像系统采集损伤苹果的高光谱图像;
构建的高光谱图像采集系统包括高光谱成像光谱仪(SOC710VP,USA)、4个75W的室内高光谱照明灯(CrawImiacle,China)、样品载物台、计算机(LAPTOP-A5R0O41,LENOVO)和暗箱。SOC710VP光谱仪的成像范围是400~1 000nm(128个波段),分辨率约为4.69nm,扫描速度为32s/cube,并内置12-bit动态范围的C-Mount CCD相机。
构建苹果人工轻微损伤装置,并对苹果进行损伤。用硬纸盒制造一个高度为160mm,角度为20.4°,带有底部的斜坡,将待损伤苹果固定至斜坡底部(为了防止苹果损伤面的对立面也因受力造成损伤,在斜坡底部加固一定厚度的塑料泡沫,以增加缓冲),使得从斜坡顶部固定位置自由滑落的实心钢球(重量为175g)对苹果的赤道部位造成面积约为1cm2的机械损伤(为了防止铁球撞破苹果表皮,在苹果待损伤面的前方放置一层薄纸片)。
构建高光谱成像系统采集苹果完好与轻微损伤的高光谱图像。该系统主要由高光谱成像光谱仪(SOC710VP,USA),4个75W的室内高光谱照明灯(CrawImiacle,China),样品载物台,计算机(LAPTOP-A5R0O41,LENOVO),暗箱等组成。其中,SOC710VP光谱仪的成像范围是400~1 000nm(128个波段),分辨率约为4.69nm,扫描速度为32s/cube,并内置12-bit动态范围的C-Mount CCD相机。根据测量样本和使用环境的光线条件,确保高光谱图像的完整清晰且不失真,反复调试高光谱成像系统的各参数,将样本表面至镜头的垂直距离设置为255mm,CCD相机的积分时间和增益设置为20ms和4。在保证采集系统参数不变的情况下,依次获取完好与损伤后的苹果高光谱图像,将单个苹果依次放置于黑色托盘上,托盘放置于载物台上方,调整苹果位置与相机的镜头在一条直线上,等待光谱仪内置设备的推扫,获取(每个仅获取一次)样本完整的光谱图像。
步骤二:对获取的高光谱图像进行校正处理,并分析苹果完好与损伤部分的光谱曲线特性,去除含有大量噪声的首尾波段,保留503~989nm波段进行后续分析处理;
步骤二中,高光谱图像校正处理,利用的是全白光谱图像Rw,全黑光谱图像Rd,依据公式(4)完成的,采集到的原始图像Rori变成校正后的图像R。
步骤三:对光谱数据进行预处理,并利用二次连续投影算法分析光谱数据,确定特征波段;
步骤三中,采用多元散射校正法对光谱数据进行预处理,具体校正过程为:
通过式(1)计算平均光谱:
通过式(2)进行一元线性回归:
通过式(3)进行多元散射校正:
其中,A表示n×p维校正光谱数据矩阵,n为校正样品数,p为波长数,表示所有样品原始光谱在各个波长点处求平均值得到的平均光谱矢量,Ai为1×p维光谱矩阵,表示单个样品光谱矢量,mi和bi分别表示各样品光谱Ai与平均光谱进行一元线性回归后得到的相对偏移系数和平移量。
步骤三中利用二次连续投影算法分析光谱数据,确定特征波段,首先利用连续投影算法从503nm~989nm波段提取能够有效区分完好与损伤的特征波段集合S1,S1包括9个波段,分别是503nm,720nm,742nm,821nm,848nm,907nm,913nm,923nm和940nm,然后对S1再次使用连续投影算法筛选出2个特征波段,分别是821nm和940nm,构成波段集合S2。
步骤四:对特征波段图像进行掩膜,去除背景干扰;
步骤五:对去除背景后的特征波段图像进行主成分分析,并选取完好与损伤区域差异明显的第二主成分图像PC2作为检测损伤的有效图像,用于后续分析处理;
步骤五中,采用主成分分析获取检测损伤的有效图像。本发明是对利用二次连续投影算法提取的特征波段集S2进行主成分分析,获得两个PC图像,通过对比各PC图像,PC2中损伤区域与周围完好部分界限明显清晰,故将PC2确定为后续处理分析的有效图像。
步骤六:对PC2图像利用5*5的高斯低通滤波器保存图像中的低频成分,使图像平滑;
步骤七:采用固定阈值法分割PC2中的损伤部位,采用固定阈值法对PC2进行损伤分割,阈值为162。
步骤八:对损伤分割后的图像再利用图像的膨胀、腐蚀和删除小面积区域操作来实现损伤区域的精确分割。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (5)
1.一种基于高光谱成像的苹果表面损伤快速无损检测方法,其特征在于,包括以下步骤:
步骤一:构建一套高光谱图像采集系统,利用高光谱成像系统采集损伤苹果的高光谱图像;
步骤二:对获取的高光谱图像进行校正处理,并分析苹果完好与损伤部分的光谱曲线特性,去除含有大量噪声的首尾波段,保留503~989nm波段进行后续分析处理;
步骤三:对光谱数据进行预处理,并利用二次连续投影算法分析光谱数据,确定特征波段;
步骤四:对特征波段图像进行掩膜,去除背景干扰;
步骤五:对去除背景后的特征波段图像进行主成分分析,并选取完好与损伤区域差异明显的第二主成分图像PC2作为检测损伤的有效图像,用于后续分析处理;
步骤六:对PC2图像利用5*5的高斯低通滤波器保存图像中的低频成分,使图像平滑;
步骤七:采用固定阈值法分割PC2中的损伤部位;
步骤八:对损伤分割后的图像再利用图像的膨胀、腐蚀和删除小面积区域操作来实现损伤区域的精确分割。
2.如权利要求1所述的一种基于高光谱成像的苹果表面损伤快速无损检测方法,其特征在于,所述步骤一中构建的高光谱图像采集系统包括高光谱成像光谱仪、4个室内高光谱照明灯、样品载物台、计算机和暗箱。
3.如权利要求1所述的一种基于高光谱成像的苹果表面损伤快速无损检测方法,其特征在于,所述步骤三中,采用多元散射校正法对光谱数据进行预处理,具体校正过程为:
通过式(1)计算平均光谱:
通过式(2)进行一元线性回归:
通过式(3)进行多元散射校正:
其中,A表示n×p维校正光谱数据矩阵,n为校正样品数,p为波长数,表示所有样品原始光谱在各个波长点处求平均值得到的平均光谱矢量,Ai为1×p维光谱矩阵,表示单个样品光谱矢量,mi和bi分别表示各样品光谱Ai与平均光谱进行一元线性回归后得到的相对偏移系数和平移量。
4.如权利要求1所述的一种基于高光谱成像的苹果表面损伤快速无损检测方法,其特征在于,步骤三中利用二次连续投影算法分析光谱数据,确定特征波段,首先利用连续投影算法从503nm~989nm波段提取能够有效区分完好与损伤的特征波段集合S1,S1包括9个波段,分别是503nm,720nm,742nm,821nm,848nm,907nm,913nm,923nm和940nm,然后对S1再次使用连续投影算法筛选出2个特征波段,分别是821nm和940nm,构成波段集合S2。
5.如权利要求1所述的一种基于高光谱成像的苹果表面损伤快速无损检测方法,其特征在于,所述步骤七中,采用固定阈值法对PC2进行损伤分割,阈值为162。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910751197.5A CN110596117A (zh) | 2019-08-15 | 2019-08-15 | 一种基于高光谱成像的苹果表面损伤快速无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910751197.5A CN110596117A (zh) | 2019-08-15 | 2019-08-15 | 一种基于高光谱成像的苹果表面损伤快速无损检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110596117A true CN110596117A (zh) | 2019-12-20 |
Family
ID=68854224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910751197.5A Pending CN110596117A (zh) | 2019-08-15 | 2019-08-15 | 一种基于高光谱成像的苹果表面损伤快速无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110596117A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111754591A (zh) * | 2020-07-02 | 2020-10-09 | 吉林大学 | 一种基于高光谱的刑侦现场血迹的检测系统及方法 |
CN113252624A (zh) * | 2021-04-23 | 2021-08-13 | 杭州电子科技大学 | 一种基于荧光光谱的苹果黄酮含量无损检测方法 |
CN113252585A (zh) * | 2021-04-21 | 2021-08-13 | 深圳市海谱纳米光学科技有限公司 | 一种基于高光谱图像判断黄金表面覆膜的方法和装置 |
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 |
CN113655072A (zh) * | 2021-08-20 | 2021-11-16 | 福建中烟工业有限责任公司 | 检测样品表面污染物的方法、装置和计算机可读取介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034232A (zh) * | 2009-09-25 | 2011-04-27 | 上海电机学院 | 一种医学影像图形的分割方法 |
CN104442924A (zh) * | 2014-11-05 | 2015-03-25 | 杭州南车城市轨道交通车辆有限公司 | 全天候高速铁路车载路障检测系统及方法 |
CN204287401U (zh) * | 2014-12-26 | 2015-04-22 | 国家电网公司 | 气体绝缘变电站gis内置传感器的布置装置 |
CN105868717A (zh) * | 2016-03-29 | 2016-08-17 | 南京信息工程大学 | 一种基于分类的高分辨率遥感图像单木树冠信息提取方法 |
CN106525732A (zh) * | 2016-10-25 | 2017-03-22 | 沈阳农业大学 | 基于高光谱成像技术的苹果内外品质快速无损检测方法 |
CN106846340A (zh) * | 2017-02-17 | 2017-06-13 | 大连理工大学 | 一种基于非固定特征点的光条边界提取方法 |
CN107085726A (zh) * | 2017-01-04 | 2017-08-22 | 安阳师范学院 | 基于多方法去噪和连通区域分析的甲骨拓片单字定位方法 |
CN109001218A (zh) * | 2018-09-03 | 2018-12-14 | 贵阳学院 | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 |
CN109009110A (zh) * | 2018-06-26 | 2018-12-18 | 东北大学 | 基于mri影像的腋窝淋巴结转移预测系统 |
CN109187378A (zh) * | 2018-10-17 | 2019-01-11 | 四川农业大学 | 基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法 |
CN109253975A (zh) * | 2018-11-08 | 2019-01-22 | 江南大学 | 基于msc-cfs-ica的苹果轻微损伤高光谱检测方法 |
CN109540831A (zh) * | 2019-01-25 | 2019-03-29 | 中国中医科学院中药研究所 | 基于高光谱成像技术的枸杞子品种识别方法 |
CN109886220A (zh) * | 2019-02-26 | 2019-06-14 | 北京凌云天润智能科技有限公司 | 一种指静脉图像的特征值提取和对比算法 |
CN110097510A (zh) * | 2019-04-11 | 2019-08-06 | 平安科技(深圳)有限公司 | 一种纯色花朵识别方法、装置及存储介质 |
-
2019
- 2019-08-15 CN CN201910751197.5A patent/CN110596117A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034232A (zh) * | 2009-09-25 | 2011-04-27 | 上海电机学院 | 一种医学影像图形的分割方法 |
CN104442924A (zh) * | 2014-11-05 | 2015-03-25 | 杭州南车城市轨道交通车辆有限公司 | 全天候高速铁路车载路障检测系统及方法 |
CN204287401U (zh) * | 2014-12-26 | 2015-04-22 | 国家电网公司 | 气体绝缘变电站gis内置传感器的布置装置 |
CN105868717A (zh) * | 2016-03-29 | 2016-08-17 | 南京信息工程大学 | 一种基于分类的高分辨率遥感图像单木树冠信息提取方法 |
CN106525732A (zh) * | 2016-10-25 | 2017-03-22 | 沈阳农业大学 | 基于高光谱成像技术的苹果内外品质快速无损检测方法 |
CN107085726A (zh) * | 2017-01-04 | 2017-08-22 | 安阳师范学院 | 基于多方法去噪和连通区域分析的甲骨拓片单字定位方法 |
CN106846340A (zh) * | 2017-02-17 | 2017-06-13 | 大连理工大学 | 一种基于非固定特征点的光条边界提取方法 |
CN109009110A (zh) * | 2018-06-26 | 2018-12-18 | 东北大学 | 基于mri影像的腋窝淋巴结转移预测系统 |
CN109001218A (zh) * | 2018-09-03 | 2018-12-14 | 贵阳学院 | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 |
CN109187378A (zh) * | 2018-10-17 | 2019-01-11 | 四川农业大学 | 基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法 |
CN109253975A (zh) * | 2018-11-08 | 2019-01-22 | 江南大学 | 基于msc-cfs-ica的苹果轻微损伤高光谱检测方法 |
CN109540831A (zh) * | 2019-01-25 | 2019-03-29 | 中国中医科学院中药研究所 | 基于高光谱成像技术的枸杞子品种识别方法 |
CN109886220A (zh) * | 2019-02-26 | 2019-06-14 | 北京凌云天润智能科技有限公司 | 一种指静脉图像的特征值提取和对比算法 |
CN110097510A (zh) * | 2019-04-11 | 2019-08-06 | 平安科技(深圳)有限公司 | 一种纯色花朵识别方法、装置及存储介质 |
Non-Patent Citations (3)
Title |
---|
孙俊: "《光谱技术在农作物/农产品信息无损检测中的应用》", 30 June 2017 * |
赵杰文等: "利用高光谱图像技术检测水果轻微损伤", 《农业机械学报》 * |
黄文倩: "基于高光谱成像的苹果轻微损伤检测有效波长选取", 《农业工程学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111754591A (zh) * | 2020-07-02 | 2020-10-09 | 吉林大学 | 一种基于高光谱的刑侦现场血迹的检测系统及方法 |
CN111754591B (zh) * | 2020-07-02 | 2024-05-14 | 吉林大学 | 一种基于高光谱的刑侦现场血迹的检测系统及方法 |
CN113252585A (zh) * | 2021-04-21 | 2021-08-13 | 深圳市海谱纳米光学科技有限公司 | 一种基于高光谱图像判断黄金表面覆膜的方法和装置 |
CN113252585B (zh) * | 2021-04-21 | 2024-02-09 | 深圳市海谱纳米光学科技有限公司 | 一种基于高光谱图像判断黄金表面覆膜的方法和装置 |
CN113252624A (zh) * | 2021-04-23 | 2021-08-13 | 杭州电子科技大学 | 一种基于荧光光谱的苹果黄酮含量无损检测方法 |
CN113252624B (zh) * | 2021-04-23 | 2024-06-11 | 杭州电子科技大学 | 一种基于荧光光谱的苹果黄酮含量无损检测方法 |
CN113655072A (zh) * | 2021-08-20 | 2021-11-16 | 福建中烟工业有限责任公司 | 检测样品表面污染物的方法、装置和计算机可读取介质 |
CN113655072B (zh) * | 2021-08-20 | 2023-12-26 | 福建中烟工业有限责任公司 | 检测样品表面污染物的方法、装置和计算机可读取介质 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110596117A (zh) | 一种基于高光谱成像的苹果表面损伤快速无损检测方法 | |
US11454594B2 (en) | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images | |
Blasco et al. | Recognition and classification of external skin damage in citrus fruits using multispectral data and morphological features | |
Tan et al. | Study on bruising degree classification of apples using hyperspectral imaging and GS-SVM | |
Huang et al. | Development of a multispectral imaging system for online detection of bruises on apples | |
Li et al. | Multispectral detection of skin defects of bi-colored peaches based on vis–NIR hyperspectral imaging | |
Yu et al. | Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing | |
Kleynen et al. | Development of a multi-spectral vision system for the detection of defects on apples | |
Lü et al. | Detection of hidden bruise on kiwi fruit using hyperspectral imaging and parallelepiped classification | |
Xiao-bo et al. | In-line detection of apple defects using three color cameras system | |
Xing et al. | Combination of chemometric tools and image processing for bruise detection on apples | |
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 | |
Zareiforoush et al. | Potential applications of computer vision in quality inspection of rice: a review | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
Gao et al. | Application of hyperspectral imaging technology to discriminate different geographical origins of Jatropha curcas L. seeds | |
Zhang et al. | Identification of common skin defects and classification of early decayed citrus using hyperspectral imaging technique | |
CN106780347A (zh) | 一种基于oct图像处理的枇杷早期瘀伤鉴别方法 | |
Dong et al. | Detection of thrips defect on green-peel citrus using hyperspectral imaging technology combining PCA and B-spline lighting correction method | |
Zhang et al. | Development of a hyperspectral imaging system for the early detection of apple rottenness caused by P enicillium | |
CN113177925A (zh) | 一种无损检测水果表面缺陷的方法 | |
CN111562273A (zh) | 基于高光谱的鱼水射流除鳞轻微损伤可视化方法 | |
Huang et al. | Early detection of bruises on apples using near-infrared hyperspectral image | |
Tian et al. | Recognition method of insect damage and stem/calyx on apple based on hyperspectral imaging | |
Fu et al. | Distinguishing overripe berries of Japanese blue honeysuckle using hyperspectral imaging analysis | |
Zhang et al. | Analysis of moisture and total sugar content of Huizao based on surface 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |
|
RJ01 | Rejection of invention patent application after publication |