CN110658174A - 基于表面增强拉曼光谱检测的智能化识别方法及系统 - Google Patents
基于表面增强拉曼光谱检测的智能化识别方法及系统 Download PDFInfo
- Publication number
- CN110658174A CN110658174A CN201910797248.8A CN201910797248A CN110658174A CN 110658174 A CN110658174 A CN 110658174A CN 201910797248 A CN201910797248 A CN 201910797248A CN 110658174 A CN110658174 A CN 110658174A
- Authority
- CN
- China
- Prior art keywords
- neural network
- apple
- network model
- peak intensity
- spectral
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000000479 surface-enhanced Raman spectrum Methods 0.000 title description 7
- 241000220225 Malus Species 0.000 claims abstract description 110
- 230000003595 spectral effect Effects 0.000 claims abstract description 88
- 238000003062 neural network model Methods 0.000 claims abstract description 71
- 238000001237 Raman spectrum Methods 0.000 claims abstract description 45
- 235000021466 carotenoid Nutrition 0.000 claims abstract description 14
- 150000001747 carotenoids Chemical class 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 13
- 238000004416 surface enhanced Raman spectroscopy Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 235000021016 apples Nutrition 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 10
- 238000001069 Raman spectroscopy Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 4
- 239000000835 fiber Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 235000019640 taste Nutrition 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000005079 FT-Raman Methods 0.000 description 1
- 235000004789 Rosa xanthina Nutrition 0.000 description 1
- 241000220222 Rosaceae Species 0.000 description 1
- 229930002877 anthocyanin Natural products 0.000 description 1
- 235000010208 anthocyanin Nutrition 0.000 description 1
- 239000004410 anthocyanin Substances 0.000 description 1
- 150000004636 anthocyanins Chemical class 0.000 description 1
- 230000000975 bioactive effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
- G01N21/658—Raman scattering enhancement Raman, e.g. surface plasmons
-
- 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
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (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, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明实施例公开一种基于表面增强拉曼光谱检测的智能化识别方法及系统，方法包括：获取待检测的苹果的拉曼光谱；对所述拉曼光谱预处理，以去除荧光背景，得到预处理拉曼光谱；根据所述预处理拉曼光谱，获得类胡萝卜素所在谱峰的特征；其中，所述特征包括谱峰强度以及谱线位置；将所述谱峰强度以及谱线位置输入预先训练好的神经网络模型中，以使得所述神经网络模型根据所述谱峰强度以及谱线位置对所述苹果的种类进行识别检测；输出所述神经网络模型的识别结果。本发明可以实现利用拉曼光谱对苹果的种类进行无损的快速识别鉴定。
Description
技术领域
本发明实施例涉及光学检测技术领域，尤其涉及一种基于表面增强拉曼光谱检测的智能化识别方法及系统。
背景技术
苹果是蔷薇科中经济价值较高的植物。我国是世界苹果生产第一大国，无论是栽培面积还是产量均局世界第一位。苹果果实口感丰富，果实富含类胡萝卜素、花青苷等生物活性物质，具有较高的营养价值。
苹果的种类众多，不同种类的苹果有不同的口感和营养价值，但目前大多数人都只能通过苹果的外观分辨苹果的种类，这对普通人甚至超市人员而言都存在很大的困难，常常导致苹果分类出错的情况发生。
发明内容
本发明实施例提供了一种基于表面增强拉曼光谱检测的智能化识别方法及系统，实现了拉曼光谱对苹果的种类进行智能识别。
本发明实施例提供了一种基于表面增强拉曼光谱检测的智能化识别方法，包括：
获取待检测的苹果的拉曼光谱；
对所述拉曼光谱预处理，以去除荧光背景，得到预处理拉曼光谱；
根据所述预处理拉曼光谱，获得类胡萝卜素所在谱峰的特征；其中，所述特征包括谱峰强度以及谱线位置；
将所述谱峰强度以及谱线位置输入预先训练好的神经网络模型中，以使得所述神经网络模型根据所述谱峰强度以及谱线位置对所述苹果的种类进行识别检测；
输出所述神经网络模型的识别结果。
优选地，还包括：
获取处于不同阶段的不同种类的苹果的特征；
将所述特征作为神经网络模型的输入，将与所述特征对应的苹果的种类作为所述神经网络模型的输出，对所述神经网络模型进行训练，以获得对应于不同阶段的苹果的神经网络模型。
优选地，所述将所述谱峰强度以及谱线位置输入预先训练好的神经网络模型中，以使得所述神经网络模型根据所述谱峰强度以及谱线位置对所述苹果的种类进行识别检测，具体为：
获取用户选取的所述待检测的苹果的阶段；
根据所述阶段选择对应的神经网络模型，并将所述谱峰强度以及谱线位置输入预先训练好的神经网络模型中，以使得所述神经网络模型根据所述谱峰强度以及谱线位置对所述苹果的种类进行识别检测。
优选地，还包括：
根据经验统计获得与识别出的所述苹果种类的谱峰强度最大值；
根据所述苹果的当前谱峰强度以及所述苹果的谱峰强度最大值的比值，确定所述苹果所处的阶段；
根据确定的所述苹果所处的阶段对用户选取的阶段进行校正。
本发明实施例还提供了一种基于表面增强拉曼光谱检测的智能化识别系统，包括：
拉曼光谱获取单元，用于获取待检测的苹果的拉曼光谱；
预处理单元，用于对所述拉曼光谱预处理，以去除荧光背景，得到预处理拉曼光谱；
特征提取单元，用于根据所述预处理拉曼光谱，获得类胡萝卜素所在谱峰的特征；其中，所述特征包括谱峰强度以及谱线位置；
识别单元，用于将所述谱峰强度以及谱线位置输入预先训练好的神经网络模型中，以使得所述神经网络模型根据所述谱峰强度以及谱线位置对所述苹果的种类进行识别检测；
输出单元，用于输出所述神经网络模型的识别结果。
优选地，还包括：
特征获取单元，用于获取处于不同阶段的不同种类的苹果的特征；
训练单元，用于将所述特征作为神经网络模型的输入，将与所述特征对应的苹果的种类作为所述神经网络模型的输出，对所述神经网络模型进行训练，以获得对应于不同阶段的苹果的神经网络模型。
优选地，所述识别单元具体包括：
阶段获取模块，用于获取用户选取的所述待检测的苹果的阶段；
特征输入模块，用于根据所述阶段选择对应的神经网络模型，并将所述谱峰强度以及谱线位置输入预先训练好的神经网络模型中，以使得所述神经网络模型根据所述谱峰强度以及谱线位置对所述苹果的种类进行识别检测。
优选地，还包括：
最大值获取单元，用于根据经验统计获得与识别出的所述苹果种类的谱峰强度最大值；
比值计算单元，用于根据所述苹果的当前谱峰强度以及所述苹果的谱峰强度最大值的比值，确定所述苹果所处的阶段；
校正单元，用于根据确定的所述苹果所处的阶段对用户选取的阶段进行校正。
本实施例提供的基于表面增强拉曼光谱检测的智能化识别方法，通过采集苹果的谱线强度以及谱线位置特征，再根据训练好的神经网络模型对特征进行识别分类，以获得苹果的种类，由于不同苹果的类胡萝卜素的种类以及浓度不同，因此通过此方法可以准确无损的识别出苹果的种类，从而利于相关人员(例如超市员工)进行分类存放等操作。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是本发明实施例提供的基于表面增强拉曼光谱检测的智能化识别方法的流程图；
图2是本发明实施例提供的基于表面增强拉曼光谱检测的智能化识别系统的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
请参阅图1，本发明第一实施例提供了一种基于表面增强拉曼光谱检测的智能化识别方法，包括：
S101，获取待检测的苹果的拉曼光谱。
在本实施例中，所述基于表面增强拉曼光谱检测的智能化识别方法可由拉曼光谱仪来执行，其中，所述拉曼光谱仪包括控制器以及与控制器连接的拉曼光谱检测装置，所述拉曼光谱检测装置用于采集待检测的苹果的拉曼光谱。
其中，所述拉曼光谱检测装置包括光纤端部，所述光纤端部用于传输激光以及采集携带拉曼光谱信息的光信号，所述光纤端部包括表面增强活性基底。当将光纤端部靠近待检测的苹果时，即可采集得到所述待检测的苹果的拉曼光谱。
S102，对所述拉曼光谱预处理，以去除荧光背景，得到预处理拉曼光谱。
在本实施例中，通常采集的拉曼光谱都包含有荧光背景信号，这些荧光背景信号会覆盖到拉曼光谱，因此需要去除这些荧光背景信号。其中，例如可以通过FT-Raman或使用Scissors(SSRS技术)来消除荧光背景信号。
S103，根据所述预处理拉曼光谱，获得类胡萝卜素所在谱峰的特征；其中，所述特征包括谱峰强度以及谱线位置。
在本实施例中，由于苹果的种类不同，其包含的类胡萝卜素的种类以及浓度也均不同，而类胡萝卜素的种类以及浓度不同反应到拉曼光谱上，就是对应的谱峰的谱峰强度以及谱线位置不同，因此可通过这两个特征来对苹果的种类进行识别。
S104，将所述谱峰强度以及谱线位置输入预先训练好的神经网络模型中，以使得所述神经网络模型根据所述谱峰强度以及谱线位置对所述苹果的种类进行识别检测。
在本实施例中，首先需要训练获得所述神经网络模型，其中，考虑到苹果的不同阶段的类胡萝卜素的浓度不同，例如，苹果处于生长阶段、成熟阶段以及存储阶段的类胡萝卜素的浓度均有较大的区别，因此需要建立针对不同阶段的神经网络模型，以保证模型的识别精度。
其中，在训练时，首先获取处于同一阶段的不同种类的苹果，然后提取不同种类的苹果的特征，将特征作为神经网络模型的输入，将与所述特征对应的苹果的种类作为所述神经网络模型的输出，对所述神经网络模型进行训练，以获得神经网络模型。
在本实施例中，依次对各个阶段的不同种类的苹果进行训练，即可以获得相应于每个阶段的神经网络模型。
在本实施例中，在识别前，需要确定该苹果的阶段来选取对应的神经网络模型，其中，所述拉曼光谱仪可提供阶段选择控件以供用户选择相应的苹果阶段。
在本实施例中，在选择好阶段后，所述拉曼光谱仪即可以采集待检测的苹果的拉曼光谱，并从拉曼光谱中提取特征，再根据特征以及神经网络模型进行种类的识别。
综上所述，本实施例提供的基于表面增强拉曼光谱检测的智能化识别方法，通过采集苹果的谱线强度以及谱线位置特征，再根据训练好的神经网络模型对特征进行识别分类，以获得苹果的种类，由于不同苹果的类胡萝卜素的种类以及浓度不同，因此通过此方法可以准确无损的识别出苹果的种类，从而利于相关人员(例如超市员工)进行分类存放等操作。
优选地，根据经验统计获得与识别出的所述苹果种类的谱峰强度最大值；
根据所述苹果的当前谱峰强度以及所述苹果的谱峰强度最大值的比值，确定所述苹果所处的阶段；
根据确定的所述苹果所处的阶段对用户选取的阶段进行校正。
在本实施例中，用户可能对苹果的阶段选取不正确或者不确定，因此本实施例在识别到苹果的种类后，还进一步根据识别出的所述苹果种类的谱峰强度最大值以及当前谱峰强度的比值确定所述苹果所处的阶段，再根据判断的阶段对用户选择的阶段进行校正，如果二者不同，则可能需要根据校正后的阶段再次进行识别或者提醒用户，如果相同，则进行正确识别的提示，如此以进一步保证识别的准确率。
请参阅图2，本发明第二实施例还提供了一种基于表面增强拉曼光谱检测的智能化识别装置，包括：
拉曼光谱获取单元210，用于获取待检测的苹果的拉曼光谱；
预处理单元220，用于对所述拉曼光谱预处理，以去除荧光背景，得到预处理拉曼光谱；
特征提取单元230，用于根据所述预处理拉曼光谱，获得类胡萝卜素所在谱峰的特征；其中，所述特征包括谱峰强度以及谱线位置；
识别单元240，用于将所述谱峰强度以及谱线位置输入预先训练好的神经网络模型中，以使得所述神经网络模型根据所述谱峰强度以及谱线位置对所述苹果的种类进行识别检测；
输出单元250，用于输出所述神经网络模型的识别结果。
优选地，还包括：
特征获取单元，用于获取处于不同阶段的不同种类的苹果的特征；
训练单元，用于将所述特征作为神经网络模型的输入，将与所述特征对应的苹果的种类作为所述神经网络模型的输出，对所述神经网络模型进行训练，以获得对应于不同阶段的苹果的神经网络模型。
优选地，所述识别单元具体包括：
阶段获取模块，用于获取用户选取的所述待检测的苹果的阶段；
特征输入模块，用于根据所述阶段选择对应的神经网络模型，并将所述谱峰强度以及谱线位置输入预先训练好的神经网络模型中，以使得所述神经网络模型根据所述谱峰强度以及谱线位置对所述苹果的种类进行识别检测。
优选地，还包括：
最大值获取单元，用于根据经验统计获得与识别出的所述苹果种类的谱峰强度最大值；
比值计算单元，用于根据所述苹果的当前谱峰强度以及所述苹果的谱峰强度最大值的比值，确定所述苹果所处的阶段；
校正单元，用于根据确定的所述苹果所处的阶段对用户选取的阶段进行校正。
本发明第三实施例还提供了一种拉曼光谱仪，包括控制器以及与控制器连接的拉曼光谱检测装置，所述拉曼光谱检测装置用于采集待检测的苹果的拉曼光谱，所述控制器用于实现如上述的基于表面增强拉曼光谱检测的智能化识别方法。
优选地，所述拉曼光谱检测装置包括光纤端部，所述光纤端部用于传输激光以及采集携带拉曼光谱信息的光信号，所述光纤端部包括表面增强活性基底。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
此外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一实施例所述方法的步骤。
本实施例中，上述基于表面增强拉曼光谱检测的智能化识别装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在对应装置中的执行过程。
所述设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述设备并不构成对设备的限定，可以包括比上述示例更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述设备还可以包括输入装置630、输出装置、网络接入设备和总线等。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器，也可以是任何常规的处理器等，所述处理是所述设备的控制中心，利用各种接口和线路连接整个设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在本发明实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的连接或直接连接或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性或其它的形式。
本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种基于表面增强拉曼光谱检测的智能化识别方法，其特征在于，包括：
获取待检测的苹果的拉曼光谱；
对所述拉曼光谱预处理，以去除荧光背景，得到预处理拉曼光谱；
根据所述预处理拉曼光谱，获得类胡萝卜素所在谱峰的特征；其中，所述特征包括谱峰强度以及谱线位置；
将所述谱峰强度以及谱线位置输入预先训练好的神经网络模型中，以使得所述神经网络模型根据所述谱峰强度以及谱线位置对所述苹果的种类进行识别检测；
输出所述神经网络模型的识别结果。
2.根据权利要求1所述的基于表面增强拉曼光谱检测的智能化识别方法，其特征在于，还包括：
获取处于不同阶段的不同种类的苹果的特征；
将所述特征作为神经网络模型的输入，将与所述特征对应的苹果的种类作为所述神经网络模型的输出，对所述神经网络模型进行训练，以获得对应于不同阶段的苹果的神经网络模型。
3.根据权利要求2所述的基于表面增强拉曼光谱检测的智能化识别方法，其特征在于，所述将所述谱峰强度以及谱线位置输入预先训练好的神经网络模型中，以使得所述神经网络模型根据所述谱峰强度以及谱线位置对所述苹果的种类进行识别检测，具体为：
获取用户选取的所述待检测的苹果的阶段；
根据所述阶段选择对应的神经网络模型，并将所述谱峰强度以及谱线位置输入预先训练好的神经网络模型中，以使得所述神经网络模型根据所述谱峰强度以及谱线位置对所述苹果的种类进行识别检测。
4.根据权利要求3所述的基于表面增强拉曼光谱检测的智能化识别方法，其特征在于，在输出所述神经网络模型的识别结果之后，还包括：
根据经验统计获得与识别出的所述苹果种类的谱峰强度最大值；
根据所述苹果的当前谱峰强度以及所述苹果的谱峰强度最大值的比值，确定所述苹果所处的阶段；
根据确定的所述苹果所处的阶段对用户选取的阶段进行校正。
5.一种基于表面增强拉曼光谱检测的智能化识别方法系统，其特征在于，包括：
拉曼光谱获取单元，用于获取待检测的苹果的拉曼光谱；
预处理单元，用于对所述拉曼光谱预处理，以去除荧光背景，得到预处理拉曼光谱；
特征提取单元，用于根据所述预处理拉曼光谱，获得类胡萝卜素所在谱峰的特征；其中，所述特征包括谱峰强度以及谱线位置；
识别单元，用于将所述谱峰强度以及谱线位置输入预先训练好的神经网络模型中，以使得所述神经网络模型根据所述谱峰强度以及谱线位置对所述苹果的种类进行识别检测；
输出单元，用于输出所述神经网络模型的识别结果。
6.根据权利要求5所述的基于表面增强拉曼光谱检测的智能化识别方法系统，其特征在于，还包括：
特征获取单元，用于获取处于不同阶段的不同种类的苹果的特征；
训练单元，用于将所述特征作为神经网络模型的输入，将与所述特征对应的苹果的种类作为所述神经网络模型的输出，对所述神经网络模型进行训练，以获得对应于不同阶段的苹果的神经网络模型。
7.根据权利要求6所述的基于表面增强拉曼光谱检测的智能化识别方法系统，其特征在于，所述识别单元具体包括：
阶段获取模块，用于获取用户选取的所述待检测的苹果的阶段；
特征输入模块，用于根据所述阶段选择对应的神经网络模型，并将所述谱峰强度以及谱线位置输入预先训练好的神经网络模型中，以使得所述神经网络模型根据所述谱峰强度以及谱线位置对所述苹果的种类进行识别检测。
8.根据权利要求7所述的基于表面增强拉曼光谱检测的智能化识别方法系统，其特征在于，还包括：
最大值获取单元，用于根据经验统计获得与识别出的所述苹果种类的谱峰强度最大值；
比值计算单元，用于根据所述苹果的当前谱峰强度以及所述苹果的谱峰强度最大值的比值，确定所述苹果所处的阶段；
校正单元，用于根据确定的所述苹果所处的阶段对用户选取的阶段进行校正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910797248.8A CN110658174B (zh) | 2019-08-27 | 2019-08-27 | 基于表面增强拉曼光谱检测的智能化识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910797248.8A CN110658174B (zh) | 2019-08-27 | 2019-08-27 | 基于表面增强拉曼光谱检测的智能化识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110658174A true CN110658174A (zh) | 2020-01-07 |
| CN110658174B CN110658174B (zh) | 2022-05-20 |
Family
ID=69036484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910797248.8A Expired - Fee Related CN110658174B (zh) | 2019-08-27 | 2019-08-27 | 基于表面增强拉曼光谱检测的智能化识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110658174B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112161966A (zh) * | 2020-09-29 | 2021-01-01 | 中国科学院长春光学精密机械与物理研究所 | 一种含有荧光光谱的样本拉曼光谱的分离方法和装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6091843A (en) * | 1998-09-03 | 2000-07-18 | Greenvision Systems Ltd. | Method of calibration and real-time analysis of particulates |
| ES2390069A1 (es) * | 2011-04-06 | 2012-11-06 | Universitat Autònoma De Barcelona | Procedimiento de caracterización y clasificación de cálculos renales |
| CN103499560A (zh) * | 2013-09-29 | 2014-01-08 | 浙江大学 | 一种结合拉曼光谱技术和谱峰比值法的藻种鉴别方法 |
| CN103760113A (zh) * | 2014-01-27 | 2014-04-30 | 林兴志 | 高光谱遥感甘蔗糖分分析装置 |
| CN104502309A (zh) * | 2014-12-31 | 2015-04-08 | 天津大学 | 采用近红外光谱特征波长识别几种废旧塑料种类的方法 |
| CN106770194A (zh) * | 2017-01-20 | 2017-05-31 | 华中科技大学 | 基于小波变换激光诱导击穿光谱的谷类作物产地鉴别方法 |
| CN107271372A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种苹果叶片叶绿素遥感估测方法 |
| US20180285621A1 (en) * | 2012-11-19 | 2018-10-04 | Altria Client Services Llc | Blending of agricultural products via hyperspectral imaging and analysis |
| US20180285679A1 (en) * | 2017-03-31 | 2018-10-04 | Qualcomm Incorporated | Systems and methods for improved image textures |
| CN109324032A (zh) * | 2018-11-30 | 2019-02-12 | 厦门谱识科仪有限公司 | 一种实现食品安全快速筛查的表面增强拉曼光谱仪 |
| CN109863874A (zh) * | 2019-01-30 | 2019-06-11 | 深圳大学 | 一种基于机器视觉的果蔬采摘方法、采摘装置及存储介质 |
| CN110097473A (zh) * | 2019-04-26 | 2019-08-06 | 仲恺农业工程学院 | 一种农作物生命全周期的数据采集方法、装置及设备 |
-
2019
- 2019-08-27 CN CN201910797248.8A patent/CN110658174B/zh not_active Expired - Fee Related
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6091843A (en) * | 1998-09-03 | 2000-07-18 | Greenvision Systems Ltd. | Method of calibration and real-time analysis of particulates |
| ES2390069A1 (es) * | 2011-04-06 | 2012-11-06 | Universitat Autònoma De Barcelona | Procedimiento de caracterización y clasificación de cálculos renales |
| US20180285621A1 (en) * | 2012-11-19 | 2018-10-04 | Altria Client Services Llc | Blending of agricultural products via hyperspectral imaging and analysis |
| CN103499560A (zh) * | 2013-09-29 | 2014-01-08 | 浙江大学 | 一种结合拉曼光谱技术和谱峰比值法的藻种鉴别方法 |
| CN103760113A (zh) * | 2014-01-27 | 2014-04-30 | 林兴志 | 高光谱遥感甘蔗糖分分析装置 |
| CN104502309A (zh) * | 2014-12-31 | 2015-04-08 | 天津大学 | 采用近红外光谱特征波长识别几种废旧塑料种类的方法 |
| CN106770194A (zh) * | 2017-01-20 | 2017-05-31 | 华中科技大学 | 基于小波变换激光诱导击穿光谱的谷类作物产地鉴别方法 |
| US20180285679A1 (en) * | 2017-03-31 | 2018-10-04 | Qualcomm Incorporated | Systems and methods for improved image textures |
| CN107271372A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种苹果叶片叶绿素遥感估测方法 |
| CN109324032A (zh) * | 2018-11-30 | 2019-02-12 | 厦门谱识科仪有限公司 | 一种实现食品安全快速筛查的表面增强拉曼光谱仪 |
| CN109863874A (zh) * | 2019-01-30 | 2019-06-11 | 深圳大学 | 一种基于机器视觉的果蔬采摘方法、采摘装置及存储介质 |
| CN110097473A (zh) * | 2019-04-26 | 2019-08-06 | 仲恺农业工程学院 | 一种农作物生命全周期的数据采集方法、装置及设备 |
Non-Patent Citations (16)
| Title |
|---|
| TAO-TAO MU 等: "Recognition of edible oil by using BP neural network and laser induced fluorescence spectrum", 《INTERNATIONAL SYMPOSIUM ON PHOTOELECTRONIC DETECTION AND IMAGING 2013: LASER SENSING AND IMAGING AND APPLICATIONS》 * |
| YUAN-YUAN PU 等: "Recent Progress of Hyperspectral Imaging on Quality and Safety Inspection of Fruits and Vegetables: A Review", 《COMPREHENSIVE REVIEWS IN FOOD SCIENCE AND FOOD SAFETY》 * |
| 任配培: "基于可见/近红外光谱的苹果表皮叶绿素及类胡萝卜素检测与成熟度评价", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
| 何勇 等: "基于主成分分析和神经网络的近红外光谱苹果品种鉴别方法研究", 《光谱学与光谱分析》 * |
| 傅霞萍 等: "基于NIR和Raman光谱的果蔬质量检测研究进展与展望", 《农业机械学报》 * |
| 唐军 等: "不同品种产地麻黄的FTIR快速分析鉴别研究", 《时珍国医国药》 * |
| 姚霞 等: "水稻叶片色素含量近红外光谱估测模型研究", 《分析化学》 * |
| 姜微: "高光谱技术在马铃薯品种鉴别及品质无损检测中的应用研究", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
| 徐永群 等: "红外光谱与人工神经网络相结合识别栽培、野生黄芩和粘毛黄芩", 《光谱学与光谱分析》 * |
| 李伟星 等: "基于SVM及BPNN的辣椒红外光谱分析", 《湖北农业科学》 * |
| 李伟星: "基于傅里叶变换红外光谱的辣椒分类研究", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
| 李宪霞 等: "近红外光谱结合小波神经网络鉴别苹果种类", 《光谱实验室》 * |
| 蒋爱民 等: "《食品原料学》", 30 September 2000, 中国农业出版社 * |
| 许畅: "湖库藻类浓度预测技术研究及应用", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
| 赵娟 等: "富士苹果采收成熟度光谱无损预测模型对比分析", 《农业机械学报》 * |
| 陈建 等: "基于近红外光谱技术和人工神经网络的玉米品种鉴别方法研究", 《光谱学与光谱分析》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112161966A (zh) * | 2020-09-29 | 2021-01-01 | 中国科学院长春光学精密机械与物理研究所 | 一种含有荧光光谱的样本拉曼光谱的分离方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110658174B (zh) | 2022-05-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Barbedo et al. | Identifying multiple plant diseases using digital image processing | |
| Okamoto et al. | Green citrus detection using hyperspectral imaging | |
| US8781174B2 (en) | Method and system for recognizing plant diseases and recording medium | |
| Li et al. | Immature green citrus fruit detection and counting based on fast normalized cross correlation (FNCC) using natural outdoor colour images | |
| Pardede et al. | Fruit ripeness based on RGB, HSV, HSL, L* a* b* color feature using SVM | |
| CN110763698B (zh) | 一种基于特征波长的高光谱柑橘叶片病害识别方法 | |
| Liu et al. | Detection of citrus fruit and tree trunks in natural environments using a multi-elliptical boundary model | |
| CN105320970B (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
| Safdar et al. | Intelligent microscopic approach for identification and recognition of citrus deformities | |
| Netto et al. | Segmentation of RGB images using different vegetation indices and thresholding methods | |
| Nogales-Bueno et al. | Comparative study on the use of anthocyanin profile, color image analysis and near-infrared hyperspectral imaging as tools to discriminate between four autochthonous red grape cultivars from La Rioja (Spain) | |
| CN110658174B (zh) | 基于表面增强拉曼光谱检测的智能化识别方法及系统 | |
| CN112539785A (zh) | 一种基于多维度特征信息的烟叶等级识别系统及方法 | |
| Wouters et al. | Hyperspectral waveband selection for automatic detection of floral pear buds | |
| Muhammad Zahir et al. | Correlating the natural color of tropical fruit juice with its pH | |
| CN118097544A (zh) | 一种荔枝果实生长情况监测方法 | |
| CN114266979A (zh) | 茶树病虫害智能识别方法、装置、设备及存储介质 | |
| CN110718270B (zh) | 基因测序结果类型的检测方法、装置、设备及存储介质 | |
| CN103487380A (zh) | 一种梨树叶片上梨锈病斑的识别方法 | |
| Putra et al. | Feature Extraction for Quality Modeling of Malang Oranges on an Automatic Fruit Sorting System | |
| CN112132129A (zh) | 一种基于外观图像的枸杞子道地性ai识别方法 | |
| EP3491582B1 (fr) | Procédé de comparaison d'objets disposés au voisinage les uns des autres, et dispositif associé | |
| Schmidtke | Developing a phone-based imaging tool to inform on fruit volume and potential optimal harvest time | |
| Gonzalez et al. | EarCV: An open‐source, computer vision package for maize ear phenotyping | |
| Hena et al. | MangoLDB: a dataset of mango leaves RGB, binary and gray-scale image |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220520 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |