CN110991469B - 一种水果可溶性固形物在线检测方法及系统 - Google Patents

一种水果可溶性固形物在线检测方法及系统 Download PDF

Info

Publication number
CN110991469B
CN110991469B CN201911393705.3A CN201911393705A CN110991469B CN 110991469 B CN110991469 B CN 110991469B CN 201911393705 A CN201911393705 A CN 201911393705A CN 110991469 B CN110991469 B CN 110991469B
Authority
CN
China
Prior art keywords
fruit
orientation
image
spectrum
detected
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
CN201911393705.3A
Other languages
English (en)
Other versions
CN110991469A (zh
Inventor
宋杰
李光林
张信
杨晓东
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.)
Southwest University
Original Assignee
Southwest University
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 Southwest University filed Critical Southwest University
Priority to CN201911393705.3A priority Critical patent/CN110991469B/zh
Publication of CN110991469A publication Critical patent/CN110991469A/zh
Application granted granted Critical
Publication of CN110991469B publication Critical patent/CN110991469B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Abstract

本发明提供一种水果可溶性固形物在线检测方法及系统，其中，方法包括以下步骤：S1：将目标水果在线方位进行分类，获取每一类方位的图像和透射光谱；S2：根据所述方位的图像和透射光谱，建立目标水果方位分类模型和对应方位类别的可溶性固形物含量光谱检测模型；S3：采集待检测水果的在线方位图像，利用所述目标水果方位分类模型判断待测水果所属方位类别，并且利用相应方位类别的可溶性固形物含量光谱检测模型对待测水果进行检测，解决了工业化生产中由于自动上果造成水果检测方位不确定，从而导致水果可溶性固形物在线检测误差较大的问题，本发明提供的方法不仅检测速度快，且检测精度高。

Description

一种水果可溶性固形物在线检测方法及系统
技术领域
本发明涉及农产品无损检测领域，具体涉及一种水果可溶性固形物在线检测方法及系统。
背景技术
水果的无损检测与分级是实现水果优质优价、提高水果商品化价值、增加产品附加值的有效途径，对于帮助果农增收具有重要的实际意义。水果品质检测包括外观品质，如形状、大小、颜色、缺陷等和内部品质，如可溶性固形物、可滴定酸等。
在现有的水果可溶性固形物在线检测技术中，应用较为成熟的是近红外透射光谱技术。水果可溶性固形物检测分级工业生产线均采用自动上果技术，通过机械设备，例如传送带，自动将水果一个个传送至检测机构，存在的问题是，水果传送至检测机构的过程中，放置在传送带上的方位是不确定的，而检测机构在进行检测时，被检测水果的方位会极大地影响检测结果，尤其是厚皮类水果，造成检测精度不高。
发明内容
本发明的目的在于克服现有技术中的缺点，提供一种水果可溶性固形物在线检测方法及系统，检测速度快、精度高。
本发明的目的是通过以下技术方案来实现的：一种水果可溶性固形物在线检测方法，包括以下步骤：
S1：将目标水果在线方位进行分类，获取每一类方位的图像和透射光谱；
S2：根据所述方位的图像和透射光谱，建立目标水果方位分类模型和对应方位类别的可溶性固形物含量光谱检测模型；
S3：采集待检测水果的在线方位图像，利用所述目标水果方位分类模型判断待测水果所属方位类别，并且利用相应方位类别的可溶性固形物含量光谱检测模型对待测水果进行检测。
本发明的有益效果是，解决了工业化生产中由于自动上果造成水果检测方位不确定，从而导致水果可溶性固形物在线检测误差较大的问题，本发明提供的方法不仅检测速度快，且检测精度高。
进一步，所述S1中目标水果在线方位的分类方法为：
以果蒂与果脐的连线平行于水平面且果蒂正向朝右为基准，当果蒂朝向落入逆时针45°～135°的方位范围时划分为A类；当果蒂朝向落入逆时针135°～225°或315°～45°的方位范围时划分为B类；当果蒂朝向落入逆时针225°～315°的方位范围时划分为C类。
采用上述进一步方案的有益效果是，将水果方位分为A、B、C类，每一类对应不同的可溶性固形物含量光谱检测模型，有效提高检测精度。
进一步，所述S2中建立目标水果方位分类模型包括以下步骤：
S201：获取目标水果不同方位类别的俯视图像，并对所述俯视图像进行预处理；
S202：根据预处理后的俯视图像，获取目标水果中心，并根据所述目标水果中心，提取目标水果图像的感兴趣区域；
S203：提取所述图像中感兴趣区域的特征信息进行训练，建立目标水果方位分类模型，所述目标水果方位分类模型用于判断待测水果的在线方位的俯视图像所属的方位类别。采用上述进一步方案的有益效果是，由于工业生产中对水果进行检测时，水果在传送带上的方位是不确定的，通过建立水果方位分类模型对待测水果的在线方位图进行分类，再通过对应方位的可溶性固形物含量光谱检测模型进行检测，有效提高检测精度。
进一步，所述S201中预处理包括以下步骤：
S2011：将原始图像依次进行比例缩放、伽马变换、灰度化、二值化并分离
背景
采用上述进一步方案的有益效果是，进行预处理，消除原始图像中无关的信息，增强有关信息的可检测性和最大限度地简化数据。
进一步，所述S202包括以下步骤：
S2021：将预处理后的图像进行形态学处理，并确定外接区域；
S2022：根据所述外接区域获取目标水果中心，以目标水果中心为圆心，提取圆形感兴趣区域，所述圆形感兴趣区域作为所述图像的感兴趣区域。
采用上述进一步方案的有益效果是，通过定位水果中心提取感兴趣区域，感兴趣区域的确定是根据水果方位分类的角度设定，在俯视图像上形成圆形分界线，分界线以内的区域是感兴趣区域，因此仅需提取分界线以内的图像进行处理。进一步，所述S203中建立目标水果方位分类模型的过程为：
提取感兴趣区域的SIFT、HOG、SURF、DOG、LBP、HAAR中的一种或多种特征，基于线性或非线性核函数建立识别目标水果在线方位的SVM分类模型。
采用上述进一步方案的有益效果是，SVM分类模型仅仅使用一部分支持向量来做超平面的决策，无需依赖全部数据，样本量不是海量数据的时候，分类准确率高，泛化能力强。
进一步，所述S2中建立目标水果可溶性固形物含量光谱检测模型包括以下步骤：
S204：将目标水果放置在各类方位范围内的任意位置，获取每一位置的透射光谱，再通过各类方位中不同位置的透射光谱分别获取A、B和C类方位各自的平均透射光谱；
S205:分别对所述A、B和C类方位各自的平均透射光谱进行预处理；
S206：根据预处理后的A、B和C类方位的平均透射光谱，分别提取光谱特征信息；
S207：根据所述光谱特征信息，分别建立A、B和C类方位的可溶性固形物含量光谱检测模型。
采用上述进一步方案的有益效果是，采用某一在线方位类别的平均透射光谱建立可溶性固形物含量光谱检测模型比直接使用该方位范围内任意位置透射光谱建立模型的误差更小。
进一步，所述S205中对所述A、B和C类方位各自的平均透射光谱进行预处理的方式为DWT、MSC、SNV、SG中的一种或多种；
所述S206中光谱特征信息提取的过程为：将预处理后的光谱归一化，并采用SPA提取光谱特征信息。
采用上述进一步方案的有益效果是，采用DWT、MSC、SNV、SG中的一种或多种进行预处理，去除平均透射光谱中的噪声，减少对光谱信息的干扰，采用SPA提取光谱信息，有利于去掉冗余信息，最大程度的减少信息的重叠，改善建立可溶性固形物含量光谱检测模型的条件。一种水果可溶性固形物在线检测系统，包括传输机构、图像采集系统、近红外光谱采集系统和控制器；所述近红外光谱采集系统和所述图像采集系统分别与所述控制器连接；
所述传输机构用于传送待测水果依次经过所述图像采集系统和所述近红外光谱采集系统；
所述图像采集系统用于采集待测水果在所述传输机构上的在线方位图像并将所述在线方位图像传输至所述控制器；
所述近红外光谱采集系统用于采集待测水果的透射光谱，并将所述透射光谱传输至所述控制器；
所述控制器用于判断所述待测水果在线方位图像的类别并利用相应类别的可溶性固形物含量光谱检测模型对待测水果进行检测。本发明的有益效果是，用所述图像采集系统采集待测水果的在线方位图像，近红外光谱采集系统采集待测水果的透射光谱，所述控制器内储存有判断目标水果在线方位的分类模型和对应方位类别的可溶性固形物含量光谱检测模型，通过输入的待测水果在线方位图像可判断出待测水果的方位类别，并通过对应方位类别的可溶性固形物含量光谱检测模型进行检测即可输出可溶性固形物含量的值，进行分类检测有效提高检测精度。
进一步，所述传输机构为传送带，所述图像采集系统集成了高速工业相机，所述高速工业相机设置在所述传送带的上方，用于采集待测水果在所述传送带上的俯视图像，所述俯视图像作为在线方位图像；所述光谱采集系统集成了高速光纤光谱仪，所述光纤光谱仪设置在所述传送带的下方，用于采集待测水果在传送带上的透射光谱。
采用上述进一步方案的有益效果是，将高速工业相机设置在传送带的上方采集俯视图像，方便确定待测水果在所述传送带上的在线方位；将高速光纤光谱仪设置在传送带的下方采集待测水果的透射光谱，有利于隔离传送带上方光源的干扰。
参见表1，本发明中名词解释如下：
表1
Figure BDA0002345700880000051
Figure BDA0002345700880000061
附图说明
图1为本发明一种水果可溶性固形物在线检测方法的逻辑图；
图2为本发明预处理后的图像；
图3为本发明确定外接区域后的图像；
图4为本发明提取的圆形感兴趣区域的图像；
图5为本发明的采用目标水果在线方位分类模型对水果在线方位分类的结果图；
图6为本发明一种水果可溶性固形物在线检测系统结构示意图；
图7为本发明水果方位分类的坐标图；
图8为本发明水果方位分类示例图。
附图说明：1、高速光纤光谱仪；2、传送带；3、待测水果；4、近红外光谱采集系统；5、光源；6、高速工业相机；7、图像采集系统；8控制器。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下。
实施例1
如图1所示，一种水果可溶性固形物在线检测方法，包括以下步骤：
S1：将目标水果在线方位进行分类，获取每一类方位的图像和透射光谱；
S2：根据方位的图像和透射光谱，建立目标水果方位分类模型和对应方位类别的可溶性固形物含量光谱检测模型；
S3：采集待检测水果的在线方位图像，利用目标水果方位分类模型判断待测水果3所属方位类别，并且利用相应方位类别的可溶性固形物含量光谱检测模型对待测水果3进行检测。
解决了工业化生产中由于自动上果造成水果检测方位不确定，从而导致水果可溶性固形物在线检测误差较大的问题，本发明提供的方法不仅检测速度快，且检测精度高。
在本实施例中，使用传送带2将待测目标水果依次输送至图像采集系统7和近红外光谱采集系统4，使用高速工业相机6快速采集待测目标水果在线方位的俯视图像，使用高速光纤光谱仪1快速采集待测目标水果的透射光谱，结构如图6所示。
S1中目标水果在线方位的分类方法为：
如图7所示，以果蒂与果脐的连线平行于水平面且果蒂正向朝右为基准，当果蒂朝向落入逆时针45°～135°的方位范围时划分为A类；当果蒂朝向落入逆时针135°～225°或315°～45°的方位范围时划分为B类；当果蒂朝向落入逆时针225°～315°的方位范围时划分为C类。
将水果方位分为A、B、C类，每一类对应不同的可溶性固形物含量光谱检测模型，有效提高检测精度。
例如，图8中待检测水果的在线方位为A类。
S2中建立目标水果方位分类模型包括以下步骤：
S201：获取目标水果不同方位类别的俯视图像，并对俯视图像进行预处理；
S202：根据预处理后的俯视图像，获取目标水果中心，并根据目标水果中心，提取目标水果图像的感兴趣区域；
S203：提取图像中感兴趣区域的特征信息进行训练，建立目标水果方位分类模型，目标水果方位分类模型用于判断待测水果3的在线方位的俯视图像所属的方位类别。
由于工业生产中对水果进行检测时，水果在传送带2上的方位是不确定的，通过建立水果方位分类模型对待测水果3的在线方位图进行分类，再通过对应方位的可溶性固形物含量光谱检测模型进行检测，有效提高检测精度。
S201中预处理包括以下步骤：
S2011：将原始图像依次进行比例缩放、伽马变换、灰度化、二值化并分离背景。
如图2所示，为灰度化后的目标水果在线方位图像。进行预处理，消除原始图像中无关的信息，增强有关信息的可检测性和最大限度地简化数据。
S202包括以下步骤：
S2021：将预处理后的图像进行形态学处理，并确定外接区域；将预处理后的图像进行膨胀和腐蚀，并采用8连通法确定目标水果的外接矩形区域，如图3所示；
S2022：根据外接区域获取目标水果中心，以目标水果中心为圆心，提取圆形感兴趣区域，圆形感兴趣区域作为图像的感兴趣区域，如图4所示。
在本实施例中，感兴趣区域的确定是根据目标水果方位分类的角度设定，在俯视图像上形成圆形分界线，分界线以内的区域是感兴趣区域，因此仅需提取分界线以内的图像进行处理，其中S2021将预处理后的图像进行膨胀和腐蚀，并采用8连通法确定目标水果的外接矩形区域在MATLAB中以算法实现。
S203中建立目标水果方位分类模型的过程为：
提取感兴趣区域的SIFT、HOG、SURF、DOG、LBP、HAAR中的一种或多种特征，基于线性或非线性核函数建立识别目标水果在线方位的SVM分类模型。SVM分类模型仅仅使用一部分支持向量来做超平面的决策，无需依赖全部数据，样本量不是海量数据的时候，分类准确率高，泛化能力强，在本实施例中，采用目标水果在线方位分类模型的分类结果如图5所示。
S2中建立目标水果可溶性固形物含量光谱检测模型包括以下步骤：
S204：将目标水果放置在各类方位范围内的任意位置，获取每一位置的透射光谱，再通过各类方位中不同位置的透射光谱分别获取A、B和C类方位各自的平均透射光谱；
S205:分别对A、B和C类方位各自的平均透射光谱进行预处理；
S206：根据预处理后的A、B和C类方位的平均透射光谱，分别提取光谱特征信息；
S207：根据光谱特征信息，分别建立A、B和C类方位的可溶性固形物含量光谱检测模型。
所述S205中对所述A、B和C类方位各自的平均透射光谱进行预处理的方式为DWT、MSC、SNV、SG中的一种或多种；所述S206中光谱特征信息提取的过程为：将预处理后的光谱归一化，并采用SPA提取光谱特征信息。
采用DWT、MSC、SNV、SG中的一种或多种进行预处理，去除平均透射光谱中的噪声，减少对光谱信息的干扰，采用SPA提取光谱信息，有利于去掉冗余信息，最大程度的减少信息的重叠，改善建立可溶性固形物含量光谱检测模型的条件。
在本实施例中，S205中，采用MSC进行预处理，具体的处理过程如下：
S2051:计算校正集平均光谱
Figure BDA0002345700880000093
S2052:将样品光谱xi与
Figure BDA0002345700880000091
线性回归，即
Figure BDA0002345700880000092
用最小二乘法求取ai和bi；
S2053:则第条i光谱经MSC校正后为xi，MSC＝(xi-bi)/ai。
在本实施例中，S206中，分别采用SPA提取光谱特征信息，S207可溶性固形物含量光谱检测模型为PLS模型。应当知道的是，进行光谱信息的提取还包括CRAS、MC-UVE、DWT、IPLS、SIPLS、BIPLS、GA、PSO等。
采用某一在线方位类别的平均透射光谱建立可溶性固形物含量光谱检测模型比直接使用该方位范围内任意位置透射光谱建立模型的误差更小。
在本实施例中，目标水果采用脐橙，采用300个目标水果建模，105个目标水果进行测试，对于A类方位，对应建立了脐橙可溶性固形物含量模型1；对于B类方位，对应建立了脐橙可溶性固形物含量模型2；对于C类方位，对应建立了脐橙可溶性固形物含量模型3。
本发明的实施原理，在线检测时，通过高速工业相机6快速采集待测水果3的俯视图像，通过目标水果在线分类模型对该幅俯视图像进行分类识别，若识别结果为A类，则利用可溶性固形物含量模型1进行快速计算，输出可溶性固形物含量的值；若识别结果为B类，则利用可溶性固形物含量模型2进行快速计算，输出可溶性固形物含量的值；若识别结果为C类，则利用可溶性固形物含量模型3进行快速计算，输出可溶性固形物含量的值。
实施例2
一种水果可溶性固形物在线检测系统，包括传输机构、图像采集系统7、近红外光谱采集系统4和控制器8；近红外光谱采集系统4和图像采集系统7分别与控制器8连接；
传输机构用于传送待测水果3依次经过图像采集系统7和近红外光谱采集系统4；
图像采集系统7用于采集待测水果3在传输机构上的在线方位图像并将在线方位图像传输至控制器8；
近红外光谱采集系统4用于采集待测水果3的透射光谱，并将透射光谱传输至控制器8；
控制器8用于判断待测水果3在线方位图像的类别并利用相应类别的可溶性固形物含量光谱检测模型对待测水果3进行检测。用图像采集系统7采集待测水果3的在线方位图像，近红外光谱采集系统4采集待测水果3的透射光谱，控制器8内储存有判断目标水果在线方位的分类模型和对应方位类别的可溶性固形物含量光谱检测模型，通过输入的待测水果3在线方位图像可判断出待测水果3的方位类别，并通过对应方位类别的可溶性固形物含量光谱检测模型进行检测即可输出可溶性固形物含量的值，进行分类检测有效提高检测精度。
在本实施例中，控制器8可使用嵌入式系统，将实施例1中的目标水果方位分类模型和可溶性固形物含量的光谱检测模型存储在控制器8中。
传输机构为传送带2，图像采集系统7集成了高速工业相机6，高速工业相机6设置在传送带2的上方，用于采集待测水果3在传送带2上的俯视图像，俯视图像作为在线方位图像；光谱采集系统集成了高速光纤光谱仪1，光纤光谱仪设置在传送带2的下方，用于采集待测水果3在传送带2上的透射光谱。将高速工业相机6设置在传送带2的上方采集俯视图像，方便确定待测水果3在传送带2上的在线方位；将高速光纤光谱仪1设置在传送带2的下方采集待测水果3的透射光谱，有利于隔离传送带2上方光源5的干扰。
在本实施例中，在线方位图像的类别分别为A类、B类、C类，其中，以果蒂与果脐的连线平行于水平面且果蒂正向朝右为基准，当果蒂朝向落入逆时针45°～135°的方位范围时划分为A类；当果蒂朝向落入逆时针135°～225°或315°～45°的方位范围时划分为B类；当果蒂朝向落入逆时针225°～315°的方位范围时划分为C类；A类方位，对应可溶性固形物含量模型1；B类方位，对应可溶性固形物含量模型2；C类方位，对应可溶性固形物含量模型3。
如图6所示，传输机构为传送带2，将高速工业相机6设置在传送带2的上方采集俯视图像，方便确定待测水果3在传送带2上的在线方位；将高速光纤光谱仪1设置在传送带2的下方采集待测水果3的透射光谱，有利于隔离传送带2上方光源5的干扰。
本发明的实施原理，高速工业相机6采集待测目标水果在传送带2上的俯视图像，近红外光谱采集系统4采集待测目标水果在传送带2上的透射光谱，分别传输至控制器8，控制器8中目标水果在线方位分类模型对待测目标水果的俯视图像进行类别判断，若判断为A类，控制器8中可溶性固形物含量模型1通过计算，输出可溶性固形物含量的值；若判断为B类，控制器8中可溶性固形物含量模型2通过计算，输出可溶性固形物含量的值；若判断为C类，控制器8中可溶性固形物含量模型3通过计算，输出可溶性固形物含量的值。
以上仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护。

Claims (7)

1.一种水果可溶性固形物在线检测方法，其特征在于，包括以下步骤：
S1：将目标水果在线方位进行分类，获取每一类方位的图像和透射光谱；
S2：根据所述方位的图像和透射光谱，建立目标水果方位分类模型和对应方位类别的可溶性固形物含量光谱检测模型；
S3：采集待检测水果的在线方位图像，利用所述目标水果方位分类模型判断待测水果所属方位类别，并且利用相应方位类别的可溶性固形物含量光谱检测模型对待测水果进行检测；
所述S2中建立目标水果方位分类模型包括以下步骤：
S201：获取目标水果不同方位类别的俯视图像，并对所述俯视图像进行预处理；
S202：根据预处理后的俯视图像，获取目标水果中心，并根据所述目标水果中心，提取目标水果图像的感兴趣区域；
S203：提取所述图像中感兴趣区域的特征信息进行训练，建立目标水果方位分类模型，所述目标水果方位分类模型用于判断待测水果的在线方位的俯视图像所属的方位类别；
所述S201中预处理包括以下步骤：
S2011：将原始图像依次进行比例缩放、伽马变换、灰度化、二值化并分离背景；
所述S202包括以下步骤：
S2021：将预处理后的图像进行形态学处理，并确定外接区域；
S2022：根据所述外接区域获取目标水果中心，以目标水果中心为圆心，提取圆形感兴趣区域，所述圆形感兴趣区域作为所述图像的感兴趣区域。
2.根据权利要求1所述的一种水果可溶性固形物在线检测方法，其特征在于，所述S1中目标水果在线方位的分类方法为：
以果蒂与果脐的连线平行于水平面且果蒂正向朝右为基准，当果蒂朝向落入逆时针45°～135°的方位范围时划分为A类；当果蒂朝向落入逆时针135°～225°或315°～45°的方位范围时划分为B类；当果蒂朝向落入逆时针225°～315°的方位范围时划分为C类。
3.根据权利要求1所述的一种水果可溶性固形物在线检测方法，其特征在于，所述S203中建立目标水果方位分类模型的过程为：
提取感兴趣区域的SIFT、HOG、SURF、DOG、LBP、HAAR中的一种或多种特征，基于线性或非线性核函数建立识别目标水果在线方位的SVM分类模型。
4.根据权利要求2所述的一种水果可溶性固形物在线检测方法，其特征在于，所述S2中建立可溶性固形物含量光谱检测模型包括以下步骤：
S204：将目标水果放置在各类方位范围内的任意位置，获取每一位置的透射光谱，再通过各类方位中不同位置的透射光谱分别获取A、B和C类方位各自的平均透射光谱；
S205:分别对所述A、B和C类方位各自的平均透射光谱进行预处理；
S206：根据预处理后的A、B和C类方位的平均透射光谱，分别提取光谱特征信息；
S207：根据所述光谱特征信息，分别建立A、B和C类方位的可溶性固形物含量光谱检测模型。
5.根据权利要求4所述的一种水果可溶性固形物在线检测方法，其特征在于，所述S205中对所述A、B和C类方位各自的平均透射光谱进行预处理的方式为DWT、MSC、SNV、SG中的一种或多种；
所述S206中光谱特征信息提取的过程为：将预处理后的光谱归一化，并采用SPA提取光谱特征信息。
6.一种水果可溶性固形物在线检测系统，采用如实现权利要求1所述的一种水果可溶性固形物在线检测方法，其特征在于，包括传输机构、图像采集系统、近红外光谱采集系统和控制器；所述近红外光谱采集系统和所述图像采集系统分别与所述控制器连接；
所述传输机构用于传送待测水果依次经过所述图像采集系统和所述近红外光谱采集系统；
所述图像采集系统用于采集待测水果在所述传输机构上的在线方位图像并将所述在线方位图像传输至所述控制器；
所述近红外光谱采集系统用于采集待测水果的透射光谱，并将所述透射光谱传输至所述控制器；
所述控制器用于判断所述待测水果在线方位图像的类别并利用相应类别的可溶性固形物含量光谱检测模型对待测水果进行检测。
7.根据权利要求6所述的一种水果可溶性固形物在线检测系统，其特征在于，所述传输机构为传送带，所述图像采集系统集成了高速工业相机，所述高速工业相机设置在所述传送带的上方，用于采集待测水果在所述传送带上的俯视图像，所述俯视图像作为在线方位图像；所述近红外光谱采集系统集成了高速光纤光谱仪，所述光纤光谱仪设置在所述传送带的下方，用于采集待测水果在传送带上的透射光谱。
CN201911393705.3A 2019-12-30 2019-12-30 一种水果可溶性固形物在线检测方法及系统 Active CN110991469B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911393705.3A CN110991469B (zh) 2019-12-30 2019-12-30 一种水果可溶性固形物在线检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911393705.3A CN110991469B (zh) 2019-12-30 2019-12-30 一种水果可溶性固形物在线检测方法及系统

Publications (2)

Publication Number Publication Date
CN110991469A CN110991469A (zh) 2020-04-10
CN110991469B true CN110991469B (zh) 2022-08-12

Family

ID=70078711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911393705.3A Active CN110991469B (zh) 2019-12-30 2019-12-30 一种水果可溶性固形物在线检测方法及系统

Country Status (1)

Country Link
CN (1) CN110991469B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111923073A (zh) * 2020-06-15 2020-11-13 中国农业大学 一种球形果蔬采摘检测智能机器手及机械臂系统
CN112611745A (zh) * 2020-12-11 2021-04-06 华中科技大学 一种水果可溶性固形物间接无损检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323457A (zh) * 2013-05-20 2013-09-25 中国农业大学 水果外观缺陷实时在线检测系统及检测方法
CN105548070A (zh) * 2015-12-31 2016-05-04 北京农业智能装备技术研究中心 一种苹果可溶性固形物近红外检测部位补偿方法及系统
CN109001134A (zh) * 2018-09-14 2018-12-14 南京林业大学 非接触式多通道水果内部缺陷检测系统及方法
WO2019042956A1 (en) * 2017-08-28 2019-03-07 Trinamix Gmbh DETECTOR FOR DETERMINING A POSITION OF AT LEAST ONE OBJECT
CN110146516A (zh) * 2019-06-17 2019-08-20 湖南农业大学 基于正交双目机器视觉的水果分级装置
CN110296951A (zh) * 2019-07-24 2019-10-01 湖北琪谱检测技术有限公司 一种食品安全检测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8749635B2 (en) * 2009-06-03 2014-06-10 Flir Systems, Inc. Infrared camera systems and methods for dual sensor applications
US9235775B2 (en) * 2014-06-08 2016-01-12 Uber Technologies, Inc. Entrance detection from street-level imagery

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323457A (zh) * 2013-05-20 2013-09-25 中国农业大学 水果外观缺陷实时在线检测系统及检测方法
CN105548070A (zh) * 2015-12-31 2016-05-04 北京农业智能装备技术研究中心 一种苹果可溶性固形物近红外检测部位补偿方法及系统
WO2019042956A1 (en) * 2017-08-28 2019-03-07 Trinamix Gmbh DETECTOR FOR DETERMINING A POSITION OF AT LEAST ONE OBJECT
CN109001134A (zh) * 2018-09-14 2018-12-14 南京林业大学 非接触式多通道水果内部缺陷检测系统及方法
CN110146516A (zh) * 2019-06-17 2019-08-20 湖南农业大学 基于正交双目机器视觉的水果分级装置
CN110296951A (zh) * 2019-07-24 2019-10-01 湖北琪谱检测技术有限公司 一种食品安全检测系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Effect of measurement position on prediction of apple soluble solids content (SSC) by an on-line near-infrared (NIR) system;Xiao Xu 等;《Journal of Food Measurement and Characterization》;20181212;第13卷;506-512 *
水果品质智能化实时检测和分级系统研究;毛华先 等;《农机化研究》;20101031(第10期);95-97 *
脐橙放置方位对近红外光谱检测结果的影响;许文丽 等;《光谱学与光谱分析》;20121130;第32卷(第11期);3002-3005 *
西瓜检测部位差异对近红外光谱可溶性固形物预测模型的影响;钱曼 等;《光谱学与光谱分析》;20160615;第35卷(第06期);1700-1703 *

Also Published As

Publication number Publication date
CN110991469A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
Liming et al. Automated strawberry grading system based on image processing
CN109978822B (zh) 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法
Hong et al. Comparative study on vision based rice seed varieties identification
Zhao et al. Detection of bruise on pear by hyperspectral imaging sensor with different classification algorithms
CN110991469B (zh) 一种水果可溶性固形物在线检测方法及系统
Wah et al. Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques
CN111161237A (zh) 一种果蔬表面质检方法及其储存介质、分拣装置
CN116503402B (zh) 一种粮食并肩杂质含量的检测方法及装置
Chen et al. Automatic sorting of fresh tea leaves using vision‐based recognition method
Ünal et al. Classification of hazelnut kernels with deep learning
Alfatni et al. Real-time oil palm FFB ripeness grading system based on ANN, KNN and SVM classifiers
CN116559111A (zh) 一种基于高光谱成像技术的高粱品种识别方法
Gong et al. Recent developments of seeds quality inspection and grading based on machine vision
CN110321890B (zh) 一种电力巡检机器人的数字仪表识别方法
CN106940292A (zh) 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法
CN114662594B (zh) 一种目标特征识别分析系统
Kaiyan et al. Review on the Application of Machine Vision Algorithms in Fruit Grading Systems
Sun et al. A novel method for multi-feature grading of mango using machine vision
Tian et al. Recognition method of insect damage and stem/calyx on apple based on hyperspectral imaging
Du et al. Research on Potato Appearance Quality Detection Based on Computer Vision
CN110929787B (zh) 一种基于图像的苹果客观定级系统
CN107451585B (zh) 基于激光成像的马铃薯图像识别装置和方法
Evstafev et al. Surface Defect Detection and Recognition Based on CNN
Sadhana et al. Fruit Quality Identification Using Deep LearningTechniques
Youwen et al. Recognition method of insect damage and stem/calyx on apple based on hyperspectral imaging.

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