CN111562273A - 基于高光谱的鱼水射流除鳞轻微损伤可视化方法 - Google Patents
基于高光谱的鱼水射流除鳞轻微损伤可视化方法 Download PDFInfo
- Publication number
- CN111562273A CN111562273A CN202010505987.8A CN202010505987A CN111562273A CN 111562273 A CN111562273 A CN 111562273A CN 202010505987 A CN202010505987 A CN 202010505987A CN 111562273 A CN111562273 A CN 111562273A
- Authority
- CN
- China
- Prior art keywords
- image
- area
- values
- hyperspectral
- water jet
- 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
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 50
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 47
- 238000007794 visualization technique Methods 0.000 title claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000000007 visual effect Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000003595 spectral effect Effects 0.000 claims description 30
- 239000002131 composite material Substances 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 229910052736 halogen Inorganic materials 0.000 claims description 6
- 150000002367 halogens Chemical class 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 210000001015 abdomen Anatomy 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 230000008961 swelling Effects 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 10
- 239000013505 freshwater Substances 0.000 abstract description 7
- 239000003153 chemical reaction reagent Substances 0.000 abstract description 3
- 238000000691 measurement method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 16
- 238000000701 chemical imaging Methods 0.000 description 8
- 235000013305 food Nutrition 0.000 description 8
- 238000000513 principal component analysis Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 241000252233 Cyprinus carpio Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 239000002250 absorbent Substances 0.000 description 1
- 230000002745 absorbent Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 235000010755 mineral Nutrition 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 235000020777 polyunsaturated fatty acids Nutrition 0.000 description 1
- 235000018102 proteins Nutrition 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (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 Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高光谱的鱼水射流除鳞轻微损伤可视化方法，其包括如下步骤：样品制备；高光谱数据采集；光谱校正；特征光谱提取；模型的建立与评价；数据降维；像元值提取与分析；获取可视化图像。本发明提供的一种基于高光谱的鱼水射流除鳞轻微损伤可视化方法，实验重复性好，分析时间短，分析过程不需消耗有机试剂，对淡水鱼无破坏，为非侵入式测量方法，检测的结果准确、稳定。
Description
技术领域
本发明属于食品检测领域，涉及利用一种基于高光谱的鱼水射流除鳞轻微损伤可视化方法。具体来说，在水射流除鳞时，鱼体表面产生条带状损伤，提取高光谱图像中感兴趣区域光谱值、结合决策树与像元值特征，实现对轻微损伤区域可视化。
背景技术
淡水鱼富含蛋白质、维生素、多不饱和脂肪酸以及人体必需的矿物质和微量元素。较高的营养价值使其深受消费者的喜爱。根据2019年渔业年鉴显示，淡水鱼产量在鱼类总产量中约占77.8％，其中淡水鱼类养殖产量2959.84万吨，占较大比重。目前，淡水鱼加工的主要工序包括除鳞、去内脏、清洗和冷冻。其中除鳞是鱼加工重要环节，除鳞过程中表面破损直接影响淡水鱼外观品质和商业价值。
水射流式除鳞法效率高，适合应用于流水线作业，并且能通过控制水射流喷嘴的形状、喷射角度、喷嘴与样品高度、水流速度、输出压力等实现不同偏好的除鳞作业。因此实际生产中被广泛应用，但这种除鳞方式容易对鱼体表面造成条带状损伤。因此，在除鳞过程中，需要一种快速、非破坏性的检测方法。高光谱成像技术是一门新兴的综合成像技术，有效地融合光谱和图像信息，结合了传统的光谱学和成像学技术，在食品品质鉴评过程中得到了广泛应用。在鱼类的检测研究中，高光谱成像技术已被应用于鱼类理化性质的测定、化学成分和新鲜度的预测、微生物腐败的鉴别和测定等方面，利用高光谱技术实现水射流除磷损伤检测未见报道。(参见：一种基于高光谱成像的鱼片新鲜度检测方法，申请号201310362936.4；一种基于高光谱成像技术的鱼水分含量分布检测方法，申请号201310562403.0；一种基于高光谱成像技术的鱼脂肪含量分布检测方法，申请号201310559434.0；Cheng J H,Sun D W.Hyperspectral imaging as an effective toolfor quality analysis and control of fish and other seafoods:Current researchand potential applications.Trends in Food Science&Technology,2014.37(2):78-91；Qu J H,Sun D W,Cheng J H,et.al.Mapping moisture contents in grass carp(Ctenopharyngodon idella)slices under different freeze drying periods by Vis-NIR hyperspectral imaging.LWT-Food Science and Technology,2017.75:529-536；闫朋涛,王昆伦,孙家亮,张学雨,王碧尧,王慧慧.基于机器视觉的淡水鱼去鳞损伤无损检测识别方法[J].食品工业,2020,41(03):184-187.)。本发明基于高光谱成像技术对鱼的除鳞质量进行快速检测。结合图像纹理、光谱值、决策树与像元值特征，建立起快速和客观的鱼除鳞质量无损检测方法。
发明内容
为解决现有技术中存在的上述问题，本发明提供水射流除鳞下的轻微损伤区域可视化方法，在水射流作用下，鱼体表面产生条带状损伤，提取高光谱图像中感兴趣区域光谱值、结合决策树与像元值特征，实现对轻微损伤区域可视化。
具体地，本发明提供一种基于高光谱的鱼水射流除鳞轻微损伤可视化方法，其包括如下步骤：
1)样品制备：采集具有代表性的鱼的样品，采用水射流方法除鳞，获得呈条带状损伤的样品；具体地，步骤1)中具有代表性的鱼的样品为重量范围为390-405g、形体与厚度较为一致。
2)高光谱数据采集：利用高光谱成像仪采集步骤1)中样品的原始高光谱图像及其光谱数据；
具体地，在步骤2)中，将步骤1)中获得的样品取出，置于高光谱成像仪的传送台上，送至光谱采集区，卤素灯与水平线呈60度照射待测的样品，通过光谱相机进行原始图像及其光谱采集。
进一步地，所述的高光谱成像仪参数设置为：光谱分辨率2.8nm、图像位深24、物距500mm、图像分辨率900*1400、波段范围387.1-1024.7nm、曝光时间设置为22ms，载物台移动速度设置为前进速度0.9cm/s、后退速度2cm/s。
3)光谱校正：对步骤2)获得的原始高光谱图像进行黑白校正，以减少光照和探测器灵敏度的影响，并且减少成像系统在照相机和物理配置上的差异其中，黑白校正运算过程如下：
式中，Rr为步骤2)中获得的原始高光谱图像，Rd为标准黑色图像，Rw为白标定图像，Rn为校准后的高光谱图像。
4)特征光谱提取：提取步骤3)校准后的高光谱图像的ROI区域的光谱平均值，其中，ROI区域选择步骤1)中样品表面正常区域和损伤区域的图像块。
进一步地，ROI区域选择步骤1)中样品的鱼背、鱼腹、鱼尾处的表面正常区域和损伤区域的图像块。更进一步地，图像块大小为20*20pixel2。
5)模型的建立与评价：通过决策树算法，建立水射流除鳞轻微损伤模型并对模型进行评价；具体地，基于步骤4)中获得的ROI区域的光谱平均值为特征输入，选取一部分ROI区域的光谱平均值用作训练集，另一部分ROI区域的光谱平均值用作测试集，训练集和测试集比例为1:1，通过准确度、灵敏度、特效度和综合评价指标对模型进行评价。
6)数据降维：采用主成分分析法对步骤3)中获得的校准后的高光谱图像的光谱数据降维，获取最佳主成分图像；
7)像元值提取与分析：基于正常区域和损伤区域像元值统计特征，选择合适阈值，剔除正常区域像素点；具体地，包括以下步骤：
7.1)将步骤6)中获得的最佳主成分图像进行像元值的随机提取，获得提取区域每个像素点的像元值，提取区域包含了水射流去鳞损伤区域和正常区域；
7.2)将步骤7.1)中获得的像元值与像素点进行数理统计，统计正常区域、损伤区域像素点的数量与像元值范围，其中，正常区域像元值均大于0，损伤区域像元值均小于0；
7.3)根据步骤7.2)中获得的数理统计，确定阈值为0，剔除最佳主成分图像中正常区域。
8)获取可视化图像：提取步骤7)中最佳主成分图像剔除正常区域后剩余像素点的位置，针对步骤3)获得的校准后的高光谱图像，提取校准后的高光谱图像中剩余像素点的平均光谱，使用步骤5)已建立的水射流除鳞轻微损伤模型，判定各像素点是否为损伤区域，并根据判别结果和像素位置信息将其还原为二值图像，即判定为损伤区域的图像像素值取1，判定为正常区域的像素值取0；经还原的二值图像采用形态学处理获得最终的二值图像，以去除孔洞和小区域干扰；最终的二值图像取反后与步骤2)获得的原始高光谱图像的合成图进行逻辑乘法运算，通过遍寻像素点，将G、R、B值均为0的像素点标记为损伤区域并赋值为255，获得损伤区域可视化图像。
进一步地，形态学处理包括膨胀腐蚀、小区域去除；其中，膨胀腐蚀操作均取半径为3pixel的圆形结构元素。小区域像素区≤3000pixel2，连通区域判断原则为8邻域。
进一步地，原始高光谱图像的合成图由原始高光谱图像中波段为700.4nm、551.2nm、431.1nm的灰度图合成。具体地，700.4nm灰度图的灰度值赋值给合成图的R值，551.2nm灰度图的灰度值赋值给合成图的G值，431.1nm灰度图的灰度值赋值给合成图的B值。
本发明是一种基于高光谱的鱼水射流除鳞轻微损伤可视化方法，实验重复性好，分析时间短，分析过程不需消耗有机试剂，对淡水鱼无破坏，为非侵入式测量方法，检测的结果准确、稳定。
附图说明
图1为水射流式去鳞损伤的前六个主成分图像。
图2A和图2B为水射流去鳞损伤像元值提取过程图像。
图3为水射流式去鳞损伤区域二值图。
图4为合成图。
图5基于光谱建模的水射流式去鳞损伤区域可视化图像。
具体实施方式
以下结合附图和实施例，对本发明的具体实施方式进行更加详细的说明，以便能够更好地理解本发明的方案以及其各个方面的优点。然而，以下描述的具体实施方式和实施例仅是说明的目的，而不是对本发明的限制。
下述实施例中所使用的实验方法如无特殊说明，均为常规方法。
下述实施例中所用的材料、试剂等，如无特殊说明，均可从商业途径得到。
实施例
基于高光谱的鱼水射流除鳞轻微损伤可视化方法，具体实施步骤如下：
1、样品制备：将购置的重量范围为390-405g的鲤鱼样品在冰冻条件下迅速运回实验室。随机选择120条样品进行水射流去鳞，调整喷头角度和水压，在鱼体表面形成条带状的鱼皮表面组织轻微损伤。用吸水纸除去样品表面水分，放入密封袋保存，获得样品。
2、高光谱数据采集：将步骤1)中获得的样品取出，置于高光谱成像仪的传送台上，送至光谱采集区，卤素灯与水平线呈60度照射待测的样品，通过光谱相机进行原始高光谱图像(Rr)及其光谱数据的采集。
本实施例中，高光谱成像仪为GaiaSorter-Dual全波段高光谱分选系统(四川双利合谱科技有限公司，成都，中国)，该系统采用推扫结构，记录图像的整条线以及对应于该线中每个空间像素的光谱信息，并以逐行带交织(BIL)格式存储高光谱图像。系统主要包含五个部件：卤素灯、白色标准校正板、光谱相机(成像摄谱仪、摄像头、变焦镜头)、传送台、计算机和控制软件。将样品置于传送台上送至光谱采集区，卤素灯与水平线呈一定角度照射待测样品，通过光谱相机进行图像与光谱采集。具体地，本实施例中，所采用的高光谱成像仪参数设置为：光谱分辨率2.8nm、图像位深24、物距500mm、图像分辨率900*1400、波段范围387.1-1024.7nm、曝光时间设置为22ms，载物台移动速度设置为前进速度0.9cm/s、后退速度2cm/s。
3、光谱校正：为减少光照和探测器灵敏度的影响，并且减少成像系统在照相机和物理配置上的差异，步骤2)获得的原始高光谱图像(Rr)需要被校准。清空传送台，通过光谱相机采集的白色标准校正板图像为白标定图像(Rw)。盖上镜头盖，关闭卤素灯，采集标准黑色图像(Rd)。根据黑白校正公式校正图像，得到校准后的高光谱图像(Rn)。
其中，黑白校正运算过程如下：
式中，Rr为步骤1)中获得的原始高光谱图像，Rd为标准黑色图像，Rw为白标定图像，Rn为校准后的高光谱图像。
4、特征光谱提取：提取步骤3)校准后的高光谱图像(Rn)的ROI区域的光谱平均值，其中ROI区域选择步骤1)样品表面正常区域和损伤区域的图像块，为使区域具有一定代表性，选择鱼背、鱼腹、鱼尾处进行提取。
本实施例中所用图像块大小为20*20pixel2。其中正常区域选择60幅图像块，损伤区域选择60幅图像块。
5、模型的建立与评价：通过决策树算法，建立水射流除鳞轻微损伤模型并对模型进行评价；
其中，决策树算法是基于步骤4)中获得的ROI区域的光谱平均值为特征输入，在本实施例中，用于建立水射流除鳞轻微损伤模型的样品共120个，训练集和测试集比例为1:1，即选择60个样品用于建立模型的训练集，60个样品用于建立模型预测集。通过准确度(Acc)、灵敏度(Sensitive)、特效度(Specificity)和综合评价指标(F-Measure)对模型进行评价(参见：Quinlan R J.Induction of Decision Trees[J].Machine Learning,1986.1:81-106；杨永刚,殷坤龙,赵海燕,等.基于C5.0决策树-快速聚类模型的万州区库岸段乡镇滑坡易发性区划.地质科技情报,2019.38(6):189-197；Young-Kwang Yeon,Jong-Gyu Han,Keun Ho Ryu.Landslide susceptibility mapping in Injae,Korea,using adecision tree.Engineering Geology,2010.116(3))。
具体地，选取步骤4)中60幅ROI区域，进行水射流式去鳞损伤判别模型的训练，其中正常区域图像块30幅，损伤区域图像块30幅。提取ROI区域的光谱平均值(所有光谱波段下的光谱谱值的均值)作为输入，构建水射流式去鳞损伤识别模型。选取60幅ROI区域进行决策树去鳞损伤判别模型的测试，其中正常区域图像块30幅，损伤区域图像块30幅。判别结果如表1所示。准确率、灵敏度、特效度、综合评价指标均＞95％，说明该模型在进行去鳞损伤区域判别时具有较优的判别效果。
表1基于决策树模型的去鳞损伤判别结果
6、数据降维：采用主成分分析法(PCA)对步骤3)中获得的校准后的高光谱图像的光谱数据降维。
其中，主成分分析法(PCA)是通过线性变换重构，将步骤3)中校准后的光谱数据转换成新的实现信息，简化空间坐标，用相关性较小的变量代替原来的变量，所得结果按投影方差大小顺序排列，方差越大包含的信息越多，少数主成分分析图像可以代表大部分原始图像信息。前若干张主成分图像的方差累积贡献率值达到99.99％，可以代替原来的多个变量。对选择的主成分图进行对比与评价，确定样品的最佳主成分图像(参见：田野,赵春晖,季亚新.主成分分析在高光谱遥感图像降维中的应用.哈尔滨师范大学自然科学学报,2007.23(5):58-60；刘文涛.基于高光谱成像技术的苹果品质无损检测研究：〔硕士学位论文〕.河北省保定市:河北农业大学,2015；贾仕强,刘哲,李绍明,等.基于高光谱图像技术的玉米杂交种纯度鉴定方法探索.光谱学与光谱分析,2013.33(10):2847-2852)。
水射流式去鳞损伤的主成分特征值和方差累计贡献率如表2所示，主成分图PC1、PC2、PC3、PC4、PC5和PC6方差累积贡献率已达99.99％，说明上述六个主成分可以代替所有光谱99.99％的变量信息，因此选取PC1-PC6六个主成分进行后续分析。所得6个主成分图像如图1所示。PC6图像损伤区域亮度较高，与其它区域差异明显，说明其含有大量的损伤区域特征信息。
表2主成分图PC1-PC6累积贡献率
7、像元值提取与分析：通过像元值的统计特征区分出正常区域像素点。具体包括以下步骤：
a)将步骤6)中获得的最佳主成分图像PC6进行像元值的随机提取，通过ENVI 5.2(The Environment for Visualing Images，USA)获得提取区域每个像素点的像元值。如图2A和图2B所示，提取区域包含了部分水射流去鳞损伤区域和正常区域；
b)将步骤a)中获得的像元值与像素点进行数理统计，统计正常区域、损伤区域像素点的数量与像元值范围，如表3所示，正常区域像元值均大于0，损伤区域像元值均小于0；
c)根据步骤b)中获得的数理统计，确定阈值为0，剔除最佳主成分图像PC6中正常区域像素点。
表3水射流式去鳞损伤区域像元值数学统计
8、获取可视化图像：经步骤7)剔除步骤6)中最佳主成分图像PC6正常区域像素点，提取步骤7)获得的PC6中剩余像素点，针对步骤3)获得的校准后的高光谱图像(Rn)，提取校准后的高光谱图像中剩余像素点的光谱平均值，使用步骤5)已建立的水射流除鳞轻微损伤模型，判定各像素点是否为损伤区域，并根据判别结果和像素位置信息将其还原为二值图像，即判定为损伤区域的图像像素值取1，判定为正常区域的像素值取0。经还原的二值图像存在一些孔洞和小区域干扰，采用形态学处理获得最终的二值图像，如图3所示(参见ChenC,Liang J,Zhao H,Hu H,Tian J.Frame difference energy image for gaitrecognition with incomplete silhouettes.Pattern Recognition Letters.2009；30(11):977-984.doi:10.1016/j.patrec.2009.04.012.；Zhang E,Zhao Y,Xiong W.Activeenergy image plus 2DLPP for gait recognition.Signal Processing.2010；90(7):2295-2302.doi:10.1016/j.sigpro.2010.01.024.)。将最终的二值图(图3)取反后与步骤2)获得的原始高光谱图像的合成图(图4)进行逻辑乘法运算，通过遍寻像素点，将G、R、B值均为0的像素点标记为损伤区域并赋值为255，获得损伤区域可视化图像，如图5所示。
其中，步骤8)中，原始高光谱图像的合成图由原始高光谱图像中波段为700.4nm、551.2nm、431.1nm的灰度图合成。具体地，700.4nm灰度图的灰度值赋值给合成图的R值，551.2nm灰度图的灰度值赋值给合成图的G值，431.1nm灰度图的灰度值赋值给合成图的B值。
步骤8)中形态学处理包括膨胀腐蚀、小区域去除。其中膨胀与腐蚀操作均取半径为3pixel的圆形结构元素。小区域像素区≤3000pixel2，连通区域判断原则为8邻域；
上述实施例仅仅是为清楚地说明本发明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (8)
1.一种基于高光谱的鱼水射流除鳞轻微损伤可视化方法，其特征在于，其包括如下步骤：
1)样品制备：采集具有代表性的鱼的样品，采用水射流方法除鳞，获得呈条带状损伤的样品；
2)高光谱数据采集：利用高光谱成像仪采集步骤1)中样品的原始高光谱图像及其光谱数据；
3)光谱校正：对步骤2)获得的原始高光谱图像进行黑白校正，以减少光照和探测器灵敏度的影响，并且减少成像系统在照相机和物理配置上的差异其中，黑白校正运算过程如下：
式中，Rr为步骤2)中获得的原始高光谱图像，Rd为标准黑色图像，Rw为白标定图像，Rn为校准后的高光谱图像；
4)特征光谱提取：提取步骤3)校准后的高光谱图像的ROI区域的光谱平均值，其中，ROI区域选择步骤1)中样品表面正常区域和损伤区域的图像块；
5)模型的建立与评价：通过决策树算法，建立水射流除鳞轻微损伤模型并对模型进行评价；基于步骤4)中获得的ROI区域的光谱平均值为特征输入，选取一部分ROI区域的光谱平均值用作训练集，另一部分ROI区域的光谱平均值用作测试集，训练集和测试集比例为1:1，通过准确度、灵敏度、特效度和综合评价指标对模型进行评价；
6)数据降维：采用主成分分析法对步骤3)中获得的校准后的高光谱图像的光谱数据降维，获取最佳主成分图像；
7)像元值提取与分析：基于正常区域和损伤区域像元值统计特征，选择合适阈值，剔除正常区域像素点；包括以下步骤：
7.1)将步骤6)中获得的最佳主成分图像进行像元值的随机提取，获得提取区域每个像素点的像元值，提取区域包含了水射流去鳞损伤区域和正常区域；
7.2)将步骤7.1)中获得的像元值与像素点进行数理统计，统计正常区域、损伤区域像素点的数量与像元值范围，其中，正常区域像元值均大于0，损伤区域像元值均小于0；
7.3)根据步骤7.2)中获得的数理统计，确定阈值为0，剔除最佳主成分图像中正常区域；
8)获取可视化图像：提取步骤7)中最佳主成分图像剔除正常区域后剩余像素点的位置，针对步骤3)获得的校准后的高光谱图像，提取校准后的高光谱图像中剩余像素点的平均光谱，使用步骤5)已建立的水射流除鳞轻微损伤模型，判定各像素点是否为损伤区域，并根据判别结果和像素位置信息将其还原为二值图像，即判定为损伤区域的图像像素值取1，判定为正常区域的像素值取0；经还原的二值图像采用形态学处理获得最终的二值图像，以去除孔洞和小区域干扰；最终的二值图像取反后与步骤2)获得的原始高光谱图像的合成图进行逻辑乘法运算，通过遍寻像素点，将G、R、B值均为0的像素点标记为损伤区域并赋值为255，获得损伤区域可视化图像。
2.根据权利要求1所述的基于高光谱的鱼水射流除鳞轻微损伤可视化方法，其特征在于，在步骤2)中，将步骤1)中获得的样品取出，置于高光谱成像仪的传送台上，送至光谱采集区，卤素灯与水平线呈60度照射待测的样品，通过光谱相机进行原始图像及其光谱采集；所述的高光谱成像仪参数设置为：光谱分辨率2.8nm、图像位深24、物距500mm、图像分辨率900*1400、波段范围387.1-1024.7nm、曝光时间设置为22ms，载物台移动速度设置为前进速度0.9cm/s、后退速度2cm/s。
3.根据权利要求1或2所述的基于高光谱的鱼水射流除鳞轻微损伤可视化方法，其特征在于，在步骤4)中ROI区域选择步骤1)中样品的鱼背、鱼腹、鱼尾处的表面正常区域和损伤区域的图像块；图像块大小为20*20pixel2。
4.根据权利要求1或2所述的基于高光谱的鱼水射流除鳞轻微损伤可视化方法，其特征在于，在步骤8)中，形态学处理包括膨胀腐蚀、小区域去除；其中，膨胀腐蚀操作均取半径为3pixel的圆形结构元素；小区域像素区≤3000pixel2，连通区域判断原则为8邻域。
5.根据权利要求3所述的基于高光谱的鱼水射流除鳞轻微损伤可视化方法，其特征在于，在步骤8)中，形态学处理包括膨胀腐蚀、小区域去除；其中，膨胀腐蚀操作均取半径为3pixel的圆形结构元素；小区域像素区≤3000pixel2，连通区域判断原则为8邻域。
6.根据权利要求1、2或5所述的基于高光谱的鱼水射流除鳞轻微损伤可视化方法，其特征在于，在步骤8)中，原始高光谱图像的合成图由原始高光谱图像中波段为700.4nm、551.2nm、431.1nm的灰度图合成；700.4nm灰度图的灰度值赋值给合成图的R值，551.2nm灰度图的灰度值赋值给合成图的G值，431.1nm灰度图的灰度值赋值给合成图的B值。
7.根据权利要求3所述的基于高光谱的鱼水射流除鳞轻微损伤可视化方法，其特征在于，在步骤8)中，原始高光谱图像的合成图由原始高光谱图像中波段为700.4nm、551.2nm、431.1nm的灰度图合成；700.4nm灰度图的灰度值赋值给合成图的R值，551.2nm灰度图的灰度值赋值给合成图的G值，431.1nm灰度图的灰度值赋值给合成图的B值。
8.根据权利要求4所述的基于高光谱的鱼水射流除鳞轻微损伤可视化方法，其特征在于，在步骤8)中，原始高光谱图像的合成图由原始高光谱图像中波段为700.4nm、551.2nm、431.1nm的灰度图合成；700.4nm灰度图的灰度值赋值给合成图的R值，551.2nm灰度图的灰度值赋值给合成图的G值，431.1nm灰度图的灰度值赋值给合成图的B值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010505987.8A CN111562273A (zh) | 2020-06-05 | 2020-06-05 | 基于高光谱的鱼水射流除鳞轻微损伤可视化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010505987.8A CN111562273A (zh) | 2020-06-05 | 2020-06-05 | 基于高光谱的鱼水射流除鳞轻微损伤可视化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111562273A true CN111562273A (zh) | 2020-08-21 |
Family
ID=72072519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010505987.8A Pending CN111562273A (zh) | 2020-06-05 | 2020-06-05 | 基于高光谱的鱼水射流除鳞轻微损伤可视化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111562273A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113177544A (zh) * | 2021-04-27 | 2021-07-27 | 大连工业大学 | 一种罗非鱼加工过程损伤、血污残留的检测方法 |
| CN114342993A (zh) * | 2022-01-22 | 2022-04-15 | 武汉轻工大学 | 一种去鱼鳞装置 |
Citations (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000055824A (ja) * | 1998-08-04 | 2000-02-25 | Daihatsu Motor Co Ltd | 穴のある平面プレートの傷検査装置 |
| JP2001223894A (ja) * | 2000-02-14 | 2001-08-17 | Canon Inc | 画像処理装置、方法および記憶媒体 |
| JP2003191698A (ja) * | 2001-12-27 | 2003-07-09 | Nissha Printing Co Ltd | 紙製書画等の修復方法と修復装置 |
| WO2006122789A1 (de) * | 2005-05-20 | 2006-11-23 | Michael Nebert | Verfahren zum automatisierten reparieren einer papierbahn, vorrichtung hierzu sowie papierverarbeitungsmaschine |
| CN101794437A (zh) * | 2010-03-19 | 2010-08-04 | 武汉大学 | 一种高光谱遥感影像异常探测方法 |
| JP2011179874A (ja) * | 2010-02-26 | 2011-09-15 | East Nippon Expressway Co Ltd | 舗装路面のクラックの抽出と損傷レベルの評価方法 |
| CN102890092A (zh) * | 2012-10-12 | 2013-01-23 | 浙江大学 | 用于水蜜桃褐腐病缺陷检测的特征角余弦值方法 |
| CN103065310A (zh) * | 2012-12-25 | 2013-04-24 | 南京理工大学 | 基于三维光谱角统计的高光谱图像边缘信息提取方法 |
| CN103218779A (zh) * | 2013-03-26 | 2013-07-24 | 华东师范大学 | 一种干涉成像光谱仪的高光谱数据坏点检测与修正方法 |
| KR101388551B1 (ko) * | 2012-12-28 | 2014-04-24 | 동국대학교 산학협력단 | 화폐의 정사 판단 방법 |
| KR101498096B1 (ko) * | 2013-11-19 | 2015-03-06 | 대한민국 | 초분광 영상을 이용한 농산물의 원산지 판별 장치 및 방법 |
| CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
| CN105372324A (zh) * | 2015-12-07 | 2016-03-02 | 电子科技大学 | 基于磁光成像法的缺陷检测方法 |
| JP2016197033A (ja) * | 2015-04-02 | 2016-11-24 | マークテック株式会社 | 探傷装置、及び探傷装置による傷部検出方法 |
| CN106198442A (zh) * | 2016-09-14 | 2016-12-07 | 南京财经大学 | 一种鉴别盘锦大米的光谱分析方法 |
| JP2017083312A (ja) * | 2015-10-28 | 2017-05-18 | 三井造船株式会社 | 表面損傷検出方法および表面損傷検出装置 |
| KR101738311B1 (ko) * | 2016-09-26 | 2017-05-30 | 충남대학교산학협력단 | 발아억제 처리된 유전자 변형 옥수수 종자의 비파괴 판별방법 |
| CN107202784A (zh) * | 2017-04-28 | 2017-09-26 | 黑龙江八农垦大学 | 一种水稻浸种催芽过程中工艺节点的检测方法 |
| CN107240113A (zh) * | 2017-05-23 | 2017-10-10 | 武汉大学 | 一种基于空间剖面线的半自动水体范围提取方法 |
| WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
| WO2018113284A1 (zh) * | 2016-12-22 | 2018-06-28 | 深圳开立生物医疗科技股份有限公司 | 肛门括约肌图像处理方法及装置、超声设备 |
| CN108318433A (zh) * | 2018-01-24 | 2018-07-24 | 大连工业大学 | 利用高光谱图像技术检测三文鱼中注水量的方法 |
| 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 |
| CN109100323A (zh) * | 2018-08-20 | 2018-12-28 | 江苏大学 | 一种苹果水心病的透射光谱无损定量评价方法 |
| 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 |
| DE102017007195A1 (de) * | 2017-07-25 | 2019-01-31 | Guido Becker | Verfahren und Vorrichtung zur Papierblattrestaurierung |
| CN110376202A (zh) * | 2019-06-13 | 2019-10-25 | 浙江水利水电学院 | 基于成像高光谱技术的茶树炭疽病病斑识别方法 |
| CN110596117A (zh) * | 2019-08-15 | 2019-12-20 | 山东科技大学 | 一种基于高光谱成像的苹果表面损伤快速无损检测方法 |
| CN111122587A (zh) * | 2020-01-19 | 2020-05-08 | 南京理工大学 | 一种基于视觉特征提取的刀具损伤检测方法 |
| US20200150051A1 (en) * | 2018-03-12 | 2020-05-14 | Zhejiang University | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images |
| CN111157459A (zh) * | 2019-12-20 | 2020-05-15 | 核工业北京地质研究院 | 一种用于矿物信息提取的高光谱影像处理方法 |
| US20200170226A1 (en) * | 2017-05-29 | 2020-06-04 | Ecotone As | Method and System for Underwater Hyperspectral Imaging of Fish |
-
2020
- 2020-06-05 CN CN202010505987.8A patent/CN111562273A/zh active Pending
Patent Citations (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000055824A (ja) * | 1998-08-04 | 2000-02-25 | Daihatsu Motor Co Ltd | 穴のある平面プレートの傷検査装置 |
| JP2001223894A (ja) * | 2000-02-14 | 2001-08-17 | Canon Inc | 画像処理装置、方法および記憶媒体 |
| JP2003191698A (ja) * | 2001-12-27 | 2003-07-09 | Nissha Printing Co Ltd | 紙製書画等の修復方法と修復装置 |
| WO2006122789A1 (de) * | 2005-05-20 | 2006-11-23 | Michael Nebert | Verfahren zum automatisierten reparieren einer papierbahn, vorrichtung hierzu sowie papierverarbeitungsmaschine |
| JP2011179874A (ja) * | 2010-02-26 | 2011-09-15 | East Nippon Expressway Co Ltd | 舗装路面のクラックの抽出と損傷レベルの評価方法 |
| CN101794437A (zh) * | 2010-03-19 | 2010-08-04 | 武汉大学 | 一种高光谱遥感影像异常探测方法 |
| CN102890092A (zh) * | 2012-10-12 | 2013-01-23 | 浙江大学 | 用于水蜜桃褐腐病缺陷检测的特征角余弦值方法 |
| CN103065310A (zh) * | 2012-12-25 | 2013-04-24 | 南京理工大学 | 基于三维光谱角统计的高光谱图像边缘信息提取方法 |
| KR101388551B1 (ko) * | 2012-12-28 | 2014-04-24 | 동국대학교 산학협력단 | 화폐의 정사 판단 방법 |
| CN103218779A (zh) * | 2013-03-26 | 2013-07-24 | 华东师范大学 | 一种干涉成像光谱仪的高光谱数据坏点检测与修正方法 |
| KR101498096B1 (ko) * | 2013-11-19 | 2015-03-06 | 대한민국 | 초분광 영상을 이용한 농산물의 원산지 판별 장치 및 방법 |
| JP2016197033A (ja) * | 2015-04-02 | 2016-11-24 | マークテック株式会社 | 探傷装置、及び探傷装置による傷部検出方法 |
| CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
| JP2017083312A (ja) * | 2015-10-28 | 2017-05-18 | 三井造船株式会社 | 表面損傷検出方法および表面損傷検出装置 |
| CN105372324A (zh) * | 2015-12-07 | 2016-03-02 | 电子科技大学 | 基于磁光成像法的缺陷检测方法 |
| WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
| CN106198442A (zh) * | 2016-09-14 | 2016-12-07 | 南京财经大学 | 一种鉴别盘锦大米的光谱分析方法 |
| KR101738311B1 (ko) * | 2016-09-26 | 2017-05-30 | 충남대학교산학협력단 | 발아억제 처리된 유전자 변형 옥수수 종자의 비파괴 판별방법 |
| WO2018113284A1 (zh) * | 2016-12-22 | 2018-06-28 | 深圳开立生物医疗科技股份有限公司 | 肛门括约肌图像处理方法及装置、超声设备 |
| CN107202784A (zh) * | 2017-04-28 | 2017-09-26 | 黑龙江八农垦大学 | 一种水稻浸种催芽过程中工艺节点的检测方法 |
| CN107240113A (zh) * | 2017-05-23 | 2017-10-10 | 武汉大学 | 一种基于空间剖面线的半自动水体范围提取方法 |
| US20200170226A1 (en) * | 2017-05-29 | 2020-06-04 | Ecotone As | Method and System for Underwater Hyperspectral Imaging of Fish |
| DE102017007195A1 (de) * | 2017-07-25 | 2019-01-31 | Guido Becker | Verfahren und Vorrichtung zur Papierblattrestaurierung |
| CN108318433A (zh) * | 2018-01-24 | 2018-07-24 | 大连工业大学 | 利用高光谱图像技术检测三文鱼中注水量的方法 |
| US20200150051A1 (en) * | 2018-03-12 | 2020-05-14 | Zhejiang University | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images |
| CN109100323A (zh) * | 2018-08-20 | 2018-12-28 | 江苏大学 | 一种苹果水心病的透射光谱无损定量评价方法 |
| 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 |
| 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 |
| CN110376202A (zh) * | 2019-06-13 | 2019-10-25 | 浙江水利水电学院 | 基于成像高光谱技术的茶树炭疽病病斑识别方法 |
| CN110596117A (zh) * | 2019-08-15 | 2019-12-20 | 山东科技大学 | 一种基于高光谱成像的苹果表面损伤快速无损检测方法 |
| CN111157459A (zh) * | 2019-12-20 | 2020-05-15 | 核工业北京地质研究院 | 一种用于矿物信息提取的高光谱影像处理方法 |
| CN111122587A (zh) * | 2020-01-19 | 2020-05-08 | 南京理工大学 | 一种基于视觉特征提取的刀具损伤检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 闫朋涛: "基于机器视觉的淡水鱼去鳞损伤无损检测识别方法", 《食品工业》 * |
| 闫朋涛: "基于机器视觉的淡水鱼去鳞损伤无损检测识别方法", 《食品工业》, vol. 41, no. 3, 20 March 2020 (2020-03-20), pages 184 - 187 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113177544A (zh) * | 2021-04-27 | 2021-07-27 | 大连工业大学 | 一种罗非鱼加工过程损伤、血污残留的检测方法 |
| CN114342993A (zh) * | 2022-01-22 | 2022-04-15 | 武汉轻工大学 | 一种去鱼鳞装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Blasco et al. | Recognition and classification of external skin damage in citrus fruits using multispectral data and morphological features | |
| Taheri-Garavand et al. | Smart deep learning-based approach for non-destructive freshness diagnosis of common carp fish | |
| CN108956604B (zh) | 一种基于高光谱图像技术识别中华绒螯蟹品质的方法 | |
| US11454594B2 (en) | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images | |
| Li et al. | Detection of common defects on oranges using hyperspectral reflectance imaging | |
| Li et al. | Automatic detection of common surface defects on oranges using combined lighting transform and image ratio methods | |
| Zion et al. | Sorting fish by computer vision | |
| Manickavasagan et al. | RGB color imaging technique for grading of dates | |
| 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 | |
| CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
| CN106815819B (zh) | 多策略粮虫视觉检测方法 | |
| Zheng et al. | AFFU-Net: Attention feature fusion U-Net with hybrid loss for winter jujube crack detection | |
| 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 | |
| CN111380813B (zh) | 一种便携式小麦种子多品质无损检测装置及检测方法 | |
| CN111562273A (zh) | 基于高光谱的鱼水射流除鳞轻微损伤可视化方法 | |
| CN111192260A (zh) | 一种基于高光谱图像深度特征融合的甜瓜品质检测方法 | |
| CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
| CN110929787B (zh) | 一种基于图像的苹果客观定级系统 | |
| CN107576600B (zh) | 一种抹茶粒度等级的快速检测方法 | |
| Fan et al. | Estimating the aquatic-plant area on a pond surface using a hue-saturation-component combination and an improved Otsu method | |
| Tian et al. | Detection of early bruises on apples using hyperspectral reflectance imaging coupled with optimal wavelengths selection and improved watershed segmentation algorithm | |
| Janardhana et al. | Computer aided inspection system for food products using machine vision—a review | |
| Pazoki et al. | Rain fed barley seed cultivars identification using neural network and different neurons number | |
| He et al. | A binocular stereovision system for transplant growth variables analysis | |
| Wang et al. | A new approach for unqualified salted sea cucumber identification: integration of image texture and machine learning under the pressure contact |
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: 20200821 |