CN111060471B - 一种柑橘早期腐烂的透射成像检测方法 - Google Patents

一种柑橘早期腐烂的透射成像检测方法 Download PDF

Info

Publication number
CN111060471B
CN111060471B CN201911192624.7A CN201911192624A CN111060471B CN 111060471 B CN111060471 B CN 111060471B CN 201911192624 A CN201911192624 A CN 201911192624A CN 111060471 B CN111060471 B CN 111060471B
Authority
CN
China
Prior art keywords
image
region
citrus
segmentation
transmission
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
CN201911192624.7A
Other languages
English (en)
Other versions
CN111060471A (zh
Inventor
田喜
李江波
黄文倩
刘宸
樊书祥
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.)
Beijing Research Center for Information Technology in Agriculture
Original Assignee
Beijing Research Center for Information Technology in Agriculture
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 Beijing Research Center for Information Technology in Agriculture filed Critical Beijing Research Center for Information Technology in Agriculture
Priority to CN201911192624.7A priority Critical patent/CN111060471B/zh
Publication of CN111060471A publication Critical patent/CN111060471A/zh
Application granted granted Critical
Publication of CN111060471B publication Critical patent/CN111060471B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N21/17—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
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • 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
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

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

Abstract

本发明涉及光谱检测技术领域，公开了一种柑橘早期腐烂的透射成像检测方法，包括：S1，采集待测柑橘的全透射式高光谱图像；S2，对全透射式高光谱图像进行主成分分析，获取第二、第三主成分灰度图像PC2、PC3；S3，对PC3进行腐烂区域的图像分割，获取第一腐烂区域分割图像M1，对PC2进行果梗区域的图像分割，获取第一果梗区域分割图像M2；S4，获取第二果梗区域的分割图像M3，将M1中与M3相重合的区域图像移除，以得到表征腐烂区域的目标识别图像M4；本发明实现了对透射式高光谱图像中柑橘的早期腐烂区进行快速准确地识别，提高了对柑橘腐烂缺陷的检测精度与检测效率，并具有普遍的适用性。

Description

一种柑橘早期腐烂的透射成像检测方法
技术领域
本发明涉及光谱检测技术领域，特别是涉及一种柑橘早期腐烂的透射成像检测方法。
背景技术
柑橘风味独特，营养丰富，深受消费者喜爱。我国是世界上第一大柑橘生产国，然而，柑橘成熟期高度集中，针对柑橘的有效贮运保鲜技术研究还比较落后，每年柑橘在贮运过程中的腐烂率高达25％～30％，造成了巨大的经济损失。新鲜水果采后贮藏中品质恶化受多种因素影响，但腐烂是柑橘采后贮藏面临的最严重问题，与其它常见的外部缺陷(如疤痕、溃疡、虫伤等)不同，腐烂果会以极快的速度在周围传播，引起大批柑橘腐烂感染，造成更大的经济损失。因此，快速识别和检测柑橘的腐烂部位，这对水果的品质分级和商品价值十分重要。
传统的腐烂柑橘筛选主要是靠人工判别，工作量大、耗时长、易遗漏，如何在柑橘分级装箱的生产线中实现快速检测，是当前亟待解决的关键问题。
基于RGB彩色相机的机器视觉检测技术在柑橘外部缺陷检测中应用较多，然而，柑橘在发生早期腐烂时，腐烂发生部位的表皮颜色与正常果皮颜色几乎一致，传统的RGB相机对这种表皮缺陷无能为力，难以有效识别。早期研究发现，在柑橘表皮的油腺中含有一种名为多甲氧基黄酮的橘皮素，这种成分在柑橘腐烂时被释放，在紫外光的照射下会激发出黄色的可见荧光，该荧光很容易被眼睛或者RGB成像系统检测到。Blasco等人利用柑橘的紫外诱导荧光现象，结合传统RGB相机发明了一套柑橘腐烂检测系统(Blasco,J.,Aleixos,N.,&Molto,E.(2007).Computer vision detection of peel defects in citrus by meansof a region oriented segmentation algorithm.Journal of Food Engineering,81(3),535-543.)。然而，紫外诱导荧光成像技术也具有其局限性。一方面，长期接触紫外光，易对操作人员造成损害；另一方面，丑橘等柑橘品种在紫外光照射下所产生的荧光强度微弱，限制了紫外诱导荧光成像技术的适用范围。
高光谱成像技术可以同时获取样本的光谱和图像信息，结合光谱和图像处理算法完成目标检测，是一种全新的品质检测技术。根据样品、光源和探测器的相对位置，高光谱成像技术可分为漫反射和透射两种检测模式。
漫反射检测模式在农产品品质检测中应用较多，Gómez-Sanchis等人采用几何结构因子对获取的反射式腐烂柑橘高光谱图像进行校正，结合四种特征选择方法和两种分类算法对腐烂区域进行了识别(Gómez-Sanchis,J.,Gómez-Chova,L.,Aleixos,N.,Camps-Valls,G.,Montesinos-Herrero,C.,Moltó,E.,&Blasco,J.(2008).Hyperspectral systemfor early detection of rottenness caused by penicilliumdigitatum inmandarins.Journal of Food Engineering,89(1),80-86.)。Li等人提取了4个可用于腐烂柑橘检测的反射式高光谱图像特征波段，并采用伪彩色图像变换方法对4个特征波段所构建的衍生图像进行了腐烂区域可视化识别(Li,J.,Huang,W.,Tian,X.,Wang,C.,Fan,S.,&Zhao,C.(2016).Fast detection and visualization of early decay in citrus usingVis-NIR hyperspectral imaging.Computers and Electronics in Agriculture,127,582-592.)。
与漫反射检测模式相比，透射模式可获取更多的组织内部品质信息，但是，透射高光谱图像获取较为困难，目前研究较少。Lu等人发现透射式高光谱检测模式对黄瓜内部蝇虫侵染比反射模式更适用(Lu,R.,&Ariana,D.P.(2013).Detection of fruit flyinfestation in picklingcucumbers using a hyperspectral reflectance/transmittance imaging system.Postharvest Biology and Technology,81,44-50.)。Pan等人采用透射式高光谱检测模式实现了白萝卜的内部空心检测(Pan,L.,Sun,Y.,Xiao,H.,Gu,X.,Hu,P.,Wei,Y.,&Tu,K.(2017).Hyperspectral imaging with differentillumination patterns for the hollowness classification of whiteradish.Postharvest Biology and Technology,126,40-49.)。Cen等人在透射射式高光谱图像中提取了可用于黄瓜冻害检测的特征波长(Cen,H.,Lu,R.,Zhu,Q.,&Mendoza,F.(2016).Nondestructive detection of chilling injury in cucumber fruit usinghyperspectral imaging with feature selection and supervisedclassification.Postharvest Biology and Technology,111,352-361.)。这些研究结果表明，透射式高光谱成像技术对农产品品质检测具有较大潜力等待挖掘。柑橘表皮腐烂区域组织细胞崩溃，汁液外流，表皮呈现水渍化特征，这一特征增强了光在腐烂区域的穿透能力，为透射式检测提供了契机，而且这种腐烂后的水渍化特征存在于所有柑橘品种，增加了透射式检测技术的实用范围。
然而，在获取的早期腐烂柑橘透射式高光谱图像中，柑橘的果梗区域与腐烂区域均会在透射图像中突出显示，现有技术中没有相关技术手段对透射式高光谱图像中柑橘的早期腐烂区进行快速准确地识别，而人工肉眼识别又存在效率低下及识别错误的问题，这大大影响了柑橘腐烂缺陷的检测精度与检测效率。
发明内容
本发明实施例提供一种柑橘早期腐烂的透射成像检测方法，用于解决或部分解决当前难以对透射式高光谱图像中柑橘的早期腐烂区进行快速准确地识别，并大大影响到柑橘腐烂缺陷的检测精度与检测效率的问题。
为了解决上述技术问题，本发明实施例提供了一种柑橘早期腐烂的透射成像检测方法，包括：
S1，采集待测柑橘的全透射式高光谱图像；
S2，对全透射式高光谱图像进行主成分分析，获取第二主成分灰度图像PC2和第三主成分灰度图像PC3；
S3，对PC3进行腐烂区域的图像分割，获取第一腐烂区域分割图像M1，并对PC2进行果梗区域的图像分割，获取第一果梗区域分割图像M2；
S4，对M2上显示的目标区域进行面积大小和圆形度的判定，获取第二果梗区域的分割图像M3，将M1中与M3相重合的区域图像移除，得到表征腐烂区域的目标识别图像M4。
其中，步骤S1中采集的全透射式高光谱图像的波段范围为600～930nm。
其中，步骤S3中对PC3进行腐烂区域的图像分割的步骤包括：
S311，将PC3转换成索引图像F1；
S312，提取F1三基色分量中的G分量图像；
S313，对G分量图像进行腐烂区域的目标图像切割，获取分割图像M1。
其中，步骤S3中对PC2进行果梗区域的图像分割的步骤包括：
S321，将PC2转换成索引图像F2；
S322，提取F2三基色分量中的R分量图像；
S323，对R分量图像进行果梗区域的目标图像切割，获取分割图像M2。
其中，采用伪彩色变换方法将PC3转换成索引图像F1或将PC2转换成索引图像F2；所述采用伪彩色变换方法包括灰度分层法、空间域灰度级彩色变换法当中的至少一种。
其中，所述伪彩色变换方法为灰度分层法，在将PC3转换成索引图像F1或将PC2转换成索引图像F2时，对PC3或PC2的分层为16至256层。
其中，采用图像区域分割法实现对G分量图像进行腐烂区域的目标图像切割或对R分量图像进行果梗区域的目标图像切割；所述图像区域分割法包括最大类间方差算法、分水岭算法、改进分水岭算法当中的一种。
其中，所述图像区域分割法为改进分水岭算法，且对G分量图像进行腐烂区域分割的判断阈值为45，对R分量图像进行果梗区域分割的判断阈值为42。
其中，步骤S4中对目标区域的面积大小和圆形度进行判定的阈值分别为：150＜A＜650，C＞0.65；其中，A为目标区域内像素的个数，C为目标区域的圆形度。
本发明实施例提供的柑橘早期腐烂的透射成像检测方法，首先通过采集发生早期腐烂的待测柑橘的全透射式高光谱图像，然后对全透射式高光谱图像进行主成分分析和图像分割处理，以便在图像处理过程中清晰地识别出柑橘腐烂区域和果梗组织区域，从而再将识别出的果梗组织区域从分割图像中剔除后，即可得到表征腐烂区域的目标识别图像，由此实现了对透射式高光谱图像中柑橘的早期腐烂区进行快速准确地识别，提高了对柑橘腐烂缺陷的检测精度与检测效率。
此外，由于柑橘表皮腐烂区域的水渍化特征增强了光的穿透强度，使得腐烂区域的光谱信号明显强于正常组织，因此本发明采用的透射成像检测方法具有对柑橘品种的普遍适用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所示的人工接种的早期腐烂柑橘样本照片；
图2为本发明实施例所示的柑橘早期腐烂的透射成像检测方法的流程图；
图3为本发明实施例所示的可见-近红外波段透射式高光谱成像系统的结构示意图；
图4为本发明实施例所示的第一主成分灰度图像；
图5为本发明实施例所示的第二主成分灰度图像；
图6为本发明实施例所示的第三主成分灰度图像；
图7为本发明实施例所示的第一次获取的腐烂区域分割图像；
图8为本发明实施例所示的第一次获取的果梗区域分割图像；
图9为本发明实施例所示的第二次获取的果梗区域的分割图像；
图10为本发明实施例所示的步骤S4获取的表征腐烂区域的目标识别图像；
图11为本发明实施例所示的采集得到的全透射式高光谱图像及其对应的光谱曲线图；
图12为本发明实施例所示的步骤S3中对PC3进行腐烂区域的图像分割的流程图；
图13为本发明实施例所示的PC3的索引图及其相应的R分量图、G分量图和B分量图；
图14为本发明实施例所示的采用改进分水岭算法对G分量图进行处理时依次获取的中值滤波图、形态学梯度构建图和梯度图像重建图；
图15为本发明实施例所示的步骤S3中对PC2进行果梗区域的图像分割的流程图；
图16为本发明实施例所示的PC2的索引图及其相应的R分量图、G分量图和B分量图；
图17为本发明实施例所示的检测方法对验证集样本进行检测识别的结果。
附图标记说明：1、卤素灯；2、聚光镜；3、托盘；4、变焦镜头；5、光谱仪；6、EMCCD相机；7、柑橘样本；8、移动平台；9、计算机。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供的柑橘早期腐烂的透射成像检测方法在实施前，首先，制备柑橘早期腐烂的样本。以对脐橙的检测为例，准备132个正常果和168个早期腐烂果，早期腐烂果可采用人工接种方法获取，其具体方法为：选取自然条件下严重腐烂的柑橘样本作为霉菌供体，用镊子夹取下腐烂果皮组织，用小刀将腐烂果皮组织捣碎成小块，加入无菌水，搅拌后制备成含有霉菌孢子的孢子悬浊液，然后，静置一段时间，待果皮碎屑沉淀后，采用注射器吸取上层清液作为孢子溶液，并接种正常柑橘，接种深度大约为柑橘皮下5-10毫米。为了模拟真实腐烂，接种位置和接种点个数不固定。待接种完成后，将接种过的柑橘放入密封塑料培养箱，并置于温度27摄氏度，相对湿度在95％左右的环境中等待发生腐烂。3天后，在接种点形成直径为10～15mm左右的类圆形感染区域。
由此，得到人工接种的早期腐烂柑橘样本，如图1所示，此时柑橘的早期腐烂与自然腐烂相同，与正常果皮颜色相似，用肉眼较难识别，图1中椭圆所圈定的区域标识为柑橘的早期腐烂区域，柑橘上果梗所在的区域在图1中未示意出。
在早期腐烂柑橘样本制备好之后，参见图2，采用本实施例所示的透射成像检测方法进行柑橘腐烂缺陷的检测，其检测方法包括：
S1，采集发生早期腐烂的待测柑橘的全透射式高光谱图像；
S2，对全透射式高光谱图像进行主成分分析，获取第二主成分灰度图像PC2和第三主成分灰度图像PC3；
S3，对PC3进行腐烂区域的图像分割，第一次获取腐烂区域分割图像M1，并对PC2进行果梗区域的图像分割，第一次获取果梗区域分割图像M2；
S4，对M2上显示的目标区域进行面积大小和圆形度的判定，第二次获取果梗区域的分割图像M3，将M1中与M3相重合的区域图像移除，以得到表征腐烂区域的目标识别图像M4。
具体的，本实施例所示的检测方法在具体实施时，将制备的早期腐烂样本分为训练集和验证集，训练集用于腐烂检测算法的开发，包括随机选择的66个正常果和84个腐烂果；验证集用于腐烂检测算法的检验，包括余下的66个正常果和84个腐烂果。基于训练集样本进行本实施例所示的腐烂缺陷区域识别，包括如下步骤：
首先，搭建如图3所示的可见-近红外波段透射式高光谱成像系统，采集发生早期腐烂的待测柑橘的全透射式高光谱图像。高光谱成像系统包括从沿光路依次设置的卤素灯1、聚光镜2、托盘3、变焦镜头4、光谱仪5和EMCCD相机6，其中，在托盘3上放置发生早期腐烂的柑橘样本7，并且托盘3放置于移动平台8上，移动平台8优选为本领域所公知的XY位移平台，EMCCD相机6通讯连接计算机9。
高光谱成像系统在工作时，卤素灯1发出的透射光在经过聚光镜2的汇聚后，对柑橘样本7进行透射，穿过柑橘样本7的透射光在依次经过变焦镜头4和光谱仪5后，由EMCCD相机6成像，并在计算机9显示出柑橘样本7的全透射式高光谱图像。
本实施例选择带有果梗组织的早期腐烂柑橘样本进行详细描述，由于柑橘样本上发生腐烂的区域与果梗区域的光谱强度明显区别于其他正常的果皮区域，在全透射式高光谱图像上会同时显示出腐烂区域与果梗区域，从而需要对果梗区域进行识别。
在进一步具体实施时，对全透射式高光谱图像进行主成分分析，获取得到如图4所示的第一主成分灰度图像PC1、如图5所示的第二主成分灰度图像PC2及如图6所示的第三主成分灰度图像PC3。通过对比发现，第三主成分灰度图像PC3中腐烂区域与正常区域的对比度比PC1和PC2更明显，从而在步骤S3中选取PC3作进一步腐烂区域的图像分割，以第一次获取腐烂区域分割图像M1，此次获取的图像也为第一腐烂区域分割图像，参见图7；而第二主成分灰度图像PC2相对于PC1与PC3而言，PC2当中果梗与正常组织和腐烂组织具有较明显的对比度，从而在步骤S3中选取PC2作进一步果梗区域的图像分割，第一次获取果梗区域分割图像M2，此次获取的图像也为第一果梗区域分割图像，参见图8。
由此，在步骤S4进一步的具体实施时，对M2上显示的目标区域进行面积大小和圆形度的判定，可第二次获取果梗区域的分割图像M3，此次获取的图像也为第二果梗区域的分割图像，参见图9，从而将M1中与M3相重合的区域图像移除后，即可得到表征腐烂区域的目标识别图像M4，参见图10。
进一步的，本实施例中步骤S1中采集的全透射式高光谱图像的波段范围为600～930nm。
具体的，由图3所示的成像系统得到的全透射式高光谱图如图11中的图11-1所示，在图11-1中对应标识出柑橘的果梗区的位置及柑橘上发生早期腐烂的腐烂区的位置，图11中全透射式高光谱图对应的光谱曲线图如图11-2所示，在图11-2中横坐标表示光波的波长，单位为nm，纵坐标表示光谱强度。
在光谱曲线图中，腐烂区域和正常区域光谱曲线变化趋势是一致的，只有光谱强度大小的差异，而在波段为600～930nm的范围内，光谱强度出现明显的变化，尤其是在710nm和820nm处具有明显的峰值，710nm和820nm灰度图和伪彩色图显示腐烂区域亮度较正常果皮高，但是部分腐烂区域和正常果皮区域的光谱强度交织在一起，对照非常不明显，因而，无法直接采用单波段图像进行腐烂区域的提取和识别，即在对柑橘样本进行腐烂区域的提取与识别时，应采用的波段范围为600～930nm。
进一步的，参见图12，本实施例中步骤S3中对PC3进行腐烂区域的图像分割的步骤包括：
S311，将PC3转换成索引图像F1；
S312，提取F1三基色分量中的G分量图像；
S313，对G分量图像进行腐烂区域的目标图像切割，获取分割图像M1。
具体的，在步骤S311中，采用伪彩色变换方法将PC3转换成索引图像F1，索引图像F1如图13中的图13-1所示，其中，伪彩色变换方法包括灰度分层法、空间域灰度级彩色变换法当中的至少一种，而在本实施例中具体采用灰度分层法，该灰度分层法分层可为16至256层，而在PC3转换成索引图像F1时，具体可采用的分层为256层。索引图像F1所对应的R分量图、G分量图和B分量图分别图13中的图13-2、图13-3和图13-4所示，由于G分量图中腐烂区域与正常区域对比更明显，因而，在步骤S312中，选取索引图像F1的G分量图作进一步腐烂识别分析。
进一步的，在步骤S313中，采用图像区域分割法实现对G分量图像进行腐烂区域的目标图像切割，图像区域分割法包括最大类间方差算法、分水岭算法、改进分水岭算法当中的一种，而本实施例中具体采用改进分水岭算法对G分量图像进行腐烂区域的目标图像切割，并依次得到如图14中图14-1所示的中值滤波图、图14-2所示的形态学梯度构建图和图14-3所示的梯度图像重建图，从而在设定分割阈值为45时，对梯度图像重建图进行腐烂区域分割，获取如图7所示的第一次获取的腐烂区域分割图像M1。果梗是柑橘中的正常组织，分割图像M1中果梗区域也被误作为腐烂提取出来，这容易增加腐烂识别的误检几率，因此，需要将果梗区域从该分割结果中识别，并剔除果梗，避免腐烂区域误识别。
进一步的，参见图15，本实施例中步骤S3中对PC2进行果梗区域的图像分割的步骤包括：
S321，将PC2转换成索引图像F2；
S322，提取F2三基色分量中的R分量图像；
S323，对R分量图像进行果梗区域的目标图像切割，获取分割图像M2。
具体的，在步骤S321中，由于第二主成分灰度图像PC2相对于PC1与PC3而言，PC2当中果梗与正常组织和腐烂组织具有较明显的对比度，因而采用伪彩色变换方法将第二主成分灰度图像PC2转换为索引图F2，索引图像F2如图16中的图16-1所示，其所用的伪彩色变换方法为灰度分层法，且索引图像变换时原灰度图像分层为256层。索引图像F2所对应的R分量图、G分量图和B分量图分别图16中的图16-2、图16-3和图16-4所示，由于R分量图中果梗区域与腐烂区域和正常区域对比更明显，因而，在步骤S322中，选取索引图像F2中的R分量图作进一步识别。
进一步的，在步骤S323中，采用改进分水岭算法对R分量图进行果梗组织目标分割，设定分割阈值为42，得到如图8所示的第一次获取的果梗区域分割图像M2。
进一步的，通过对所获取的分割图像M2分析发现，柑橘的边缘区域也被改进分水岭算法识别分割出来，因此需要将果梗和边缘区域进行鉴别，其鉴别方式为：将分割图像M2中所有的分割区域分别编号，计算各分割区域面积A和圆形度C，其中，A表征相应分割区域内的像素个数。由此，当分割区域同时满足150＜A＜650，且C＞0.65时，则确定该区域为果梗组织，不能同时满足面积和圆形度条件，则认定为其它组织，并从分割图像M2中将该区域移除，从而第二次获取果梗区域的分割图像M3，如图9所示。
通过将分割图像M1与分割图像M3进行比对可知，在分割图像M1与分割图像M3中均具有果梗组织，而且位置是相同的。因此，将分割图像M1与分割图像M3的重合区域认定为果梗组织，并从分割图像M1中移除，最终获取如图10所示的表征腐烂区域的目标识别图像M4，从而避免把果梗组织误识别为缺陷组织，实现第二次腐烂区域识别。
在此应指出的是，本实施例在实施时，还包括对全透射式高光谱图像进行掩模处理和边缘提取，最终在获取的目标识别图像M4中添加边缘。
基于训练集构建了如上柑橘早期腐烂区域的透射成像检测方法，并利用上述步骤对验证集样本(66个正常果和84个腐烂果)进行检测识别，其结果如图17所示。从检测结果看，本实施例所示的图像处理算法获得了非常好的的柑橘早期腐烂果识别效果，可以极大减少柑橘类水果采后因腐烂传播造成的损失。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种柑橘早期腐烂的透射成像检测方法，其特征在于，包括：
S1，采集待测柑橘的全透射式高光谱图像；
S2，对全透射式高光谱图像进行主成分分析，获取第二主成分灰度图像PC2和第三主成分灰度图像PC3；
S3，对PC3进行腐烂区域的图像分割，获取第一腐烂区域分割图像M1；对PC2进行果梗区域的图像分割，获取第一果梗区域分割图像M2；
S4，对M2上显示的目标区域进行面积大小和圆形度的判定，获取第二果梗区域的分割图像M3，将M1中与M3相重合的区域图像移除，得到表征腐烂区域的目标识别图像M4；
步骤S1中采集的全透射式高光谱图像的波段范围为710～820nm；
步骤S3中对PC3进行腐烂区域的图像分割的步骤包括：
S311，采用伪彩色变换方法将PC3转换成索引图像F1；
S312，提取F1三基色分量中的G分量图像；
S313，采用图像区域分割法对G分量图像进行腐烂区域的目标图像切割，获取分割图像M1；
步骤S3中对PC2进行果梗区域的图像分割的步骤包括：
S321，采用伪彩色变换方法将PC2转换成索引图像F2；
S322，提取F2三基色分量中的R分量图像；
S323，采用图像区域分割法对R分量图像进行果梗区域的目标图像切割，获取分割图像M2。
2.根据权利要求1所述的柑橘早期腐烂的透射成像检测方法，其特征在于，
所述伪彩色变换方法包括灰度分层法、空间域灰度级彩色变换法当中的至少一种。
3.根据权利要求2所述的柑橘早期腐烂的透射成像检测方法，其特征在于，所述伪彩色变换方法为灰度分层法，在将PC3转换成索引图像F1或将PC2转换成索引图像F2时，对PC3或PC2的分层为16至256层。
4.根据权利要求1所述的柑橘早期腐烂的透射成像检测方法，其特征在于，
所述图像区域分割法包括最大类间方差算法、分水岭算法、改进分水岭算法当中的一种。
5.根据权利要求4所述的柑橘早期腐烂的透射成像检测方法，其特征在于，所述图像区域分割法为改进分水岭算法，且对G分量图像进行腐烂区域分割的判断阈值为45，对R分量图像进行果梗区域分割的判断阈值为42。
6.根据权利要求1所述的柑橘早期腐烂的透射成像检测方法，其特征在于，步骤S4中对目标区域的面积大小和圆形度进行判定的阈值分别为：150＜A＜650，C＞0.65；
其中，A为目标区域内像素的个数，C为目标区域的圆形度。
CN201911192624.7A 2019-11-28 2019-11-28 一种柑橘早期腐烂的透射成像检测方法 Active CN111060471B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911192624.7A CN111060471B (zh) 2019-11-28 2019-11-28 一种柑橘早期腐烂的透射成像检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911192624.7A CN111060471B (zh) 2019-11-28 2019-11-28 一种柑橘早期腐烂的透射成像检测方法

Publications (2)

Publication Number Publication Date
CN111060471A CN111060471A (zh) 2020-04-24
CN111060471B true CN111060471B (zh) 2022-09-16

Family

ID=70299230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911192624.7A Active CN111060471B (zh) 2019-11-28 2019-11-28 一种柑橘早期腐烂的透射成像检测方法

Country Status (1)

Country Link
CN (1) CN111060471B (zh)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102890092B (zh) * 2012-10-12 2014-12-17 浙江大学 利用特征角余弦值检测水蜜桃褐腐病缺陷的方法
CN105427274B (zh) * 2015-10-28 2017-12-26 北京农业智能装备技术研究中心 一种由青霉感染引起腐烂的柑橘图像检测方法

Also Published As

Publication number Publication date
CN111060471A (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
Yu et al. Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing
Tian et al. Detection of early decay on citrus using hyperspectral transmittance imaging technology coupled with principal component analysis and improved watershed segmentation algorithms
Li et al. Detection of common defects on oranges using hyperspectral reflectance imaging
Tian et al. Detection of early decay on citrus using LW-NIR hyperspectral reflectance imaging coupled with two-band ratio and improved watershed segmentation algorithm
Sun et al. Detection of early decay in peaches by structured-illumination reflectance imaging
Sun et al. Detecting decayed peach using a rotating hyperspectral imaging testbed
Li et al. Machine vision technology for detecting the external defects of fruits—a review
Lü et al. Detection of hidden bruise on kiwi fruit using hyperspectral imaging and parallelepiped classification
CN106525732B (zh) 基于高光谱成像技术的苹果内外品质快速无损检测方法
CN105427274A (zh) 一种由青霉感染引起腐烂的柑橘图像检测方法
CN109100323A (zh) 一种苹果水心病的透射光谱无损定量评价方法
CN106332713B (zh) 一种sd-oct图像的枇杷早期瘀伤鉴别方法
CN107392920B (zh) 一种基于可见光-太赫兹光的植株健康辨别方法和装置
CN112699756B (zh) 一种基于高光谱图像的茶叶原产地识别方法和系统
CN113989639B (zh) 基于高光谱图像分析处理方法的荔枝病害自动识别方法及装置
CN105067532A (zh) 一种鉴别油菜菌核病和灰霉病早期病斑的方法
Derkowska et al. Assessment of mycorrhizal frequency in the roots of fruit plants using different dyes
CN105300895B (zh) 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法
CN109389581A (zh) 基于红外热成像边缘检测处理的小麦叶锈病分级的方法
Tian et al. Detection of early bruises on apples using hyperspectral reflectance imaging coupled with optimal wavelengths selection and improved watershed segmentation algorithm
CN114965346A (zh) 基于深度学习和高光谱成像技术的猕猴桃品质检测方法
Torres et al. Setting up a methodology to distinguish between green oranges and leaves using hyperspectral imaging
Zhang et al. Chlorophyll content detection of field maize using RGB-NIR camera
Gaikwad et al. Multi-spectral imaging for fruits and vegetables
CN114199880A (zh) 一种基于边缘计算的柑橘病虫害实时检测方法

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