CN111815540A - 一种基于高光谱的冷库果蔬冷害检测方法 - Google Patents
一种基于高光谱的冷库果蔬冷害检测方法 Download PDFInfo
- Publication number
- CN111815540A CN111815540A CN202010708642.2A CN202010708642A CN111815540A CN 111815540 A CN111815540 A CN 111815540A CN 202010708642 A CN202010708642 A CN 202010708642A CN 111815540 A CN111815540 A CN 111815540A
- Authority
- CN
- China
- Prior art keywords
- image
- hyperspectral
- cold damage
- fruits
- vegetables
- 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
- 235000012055 fruits and vegetables Nutrition 0.000 title claims abstract description 66
- 230000002595 cold damage Effects 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000005057 refrigeration Methods 0.000 title claims abstract description 14
- 230000003595 spectral effect Effects 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 6
- 238000013145 classification model Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 19
- 238000000513 principal component analysis Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 7
- 208000009084 Cold Injury Diseases 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 241000132456 Haplocarpha Species 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000002310 reflectometry Methods 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 abstract 1
- 235000013399 edible fruits Nutrition 0.000 description 6
- 235000013311 vegetables Nutrition 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 229940088597 hormone Drugs 0.000 description 3
- 239000005556 hormone Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000246 remedial effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007954 growth retardant Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10052—Images from lightfield camera
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高光谱的冷库果蔬冷害检测方法，属于果蔬检测技术领域。当对冷库中贮存的果蔬样本进行检测时，在黑暗环境下用可控光源在果蔬样本的两侧斜上方对其进行直线照射，用高光谱相机采集样本的高光谱图像，并通过图像预处理模块对图像进行去噪、校正操作。将预处理后更加完好的图像采用主成分分析法进行处理，通过计算原协方差矩阵的特征值和特征向量以及累计方差贡献率，保留前两个主成分图像，去除冗余信息。提取前两个主成分图像中的光谱数据作为神经网络模型的输入，通过训练好的神经网络分类模型快速辨识出该样本是否受到冷害，并通过信号灯显示。本发明快速高效，可及时检测出早期冷害，避免造成巨大经济损失。
Description
技术领域
本发明涉及果蔬检测技术领域，更具体地说，涉及一种基于高光谱的冷库果蔬冷害检测方法。
背景技术
在我们的日常生活中，水果和蔬菜是必不可少的，我们身体所需要的大多数的营养物质都要从日常饮食的水果和蔬菜中获得，所以采摘下来的水果和蔬菜必须在适宜的环境中保存以延缓其变质，通常果蔬批发商都会将大量的果蔬放到冷库中进行保存。低温可以明显抑制采摘后果蔬的互相作用且可以抑制微生物的生长，因此采用低温贮存果蔬可以延长贮存时间保持新鲜品质。然而不同的水果不同的蔬菜所需要的贮存环境温度是不同的，如果操作不当可能会使水果和蔬菜造成冷害，果蔬品质会因为冷害而发生变化，这些因冷害而产生的变化会大大缩短果蔬的贮藏时间，严重影响其商品价值。例如一些原产于热带或亚热带的果蔬，由于其发育处于高温多湿的气候环境中，形成对低温很敏感的特性，如果遇到零上低温则可能发生冷害，造成巨大的损失。
一些果蔬产品在冷害温度下贮藏，并不会立即表现出冷害症状，只有将这些低温下贮藏的果蔬产品转移至20-25℃较温暖的环境中，二到三天后冷害症状才会被察觉出来，此时已经造成了严重的价值损失，因此对果蔬产品的冷害检测是十分必要的。目前对于预防或降低果蔬冷害的方法主要以下几种：
变温预防处理，根据不同果蔬的温度敏感差异进行变温调节，以降低冷害影响；
气调贮藏：气调贮藏方法受果蔬种类影响，以及氧气和二氧化碳浓度、处理时间等很多因素影响。对于一些水果，气调贮藏会增加冷害的严重程度；
化学处理与激素调节：使用生长延缓剂刺激果蔬内的激素生成，调节果蔬体内激素的平衡，从而增强果蔬的抗冷性。
虽然以上几种方法在预防和降低冷害方面已经有一定的成效，但水果和蔬菜的种类繁多，难以从根本上杜绝冷害的发生，因此及时发现冷害并及时进行处理，减少损失，保护果蔬的商品价值是至关重要的。
发明内容
为了使受到冷害的果蔬能及时地被检测出来，本发明提供了一种基于高光谱的冷库果蔬冷害检测方法。
本发明方法采用高光谱相机在黑暗条件下对果蔬进行高光谱图像采集，通过可控光源在样本的两侧斜上方进行直线照射，采集样本高光谱图像。将采集到的图像传输到光谱图像预处理模块中进行预处理，通过图像去噪单元去除噪声造成的不一致性，通过黑白校正单元对高光谱图像进行校正，得到更加完好的高光谱图像。将预处理后的高光谱图像传输到光谱数据分析模块中，通过主成分分析单元对其进行主成分分析，去除冗余信息，保留前两个主成分图像并提取其中的高光谱数据，将前两个主成分中提取的高光谱数据传输到神经网络模型中，得到检测结果。本发明方法简单高效，可对贮存在冷库中的果蔬产品进行快速的冷害检测，在冷害初期及时发现，从而工作人员可以做出相应的措施，避免造成巨大的损失。
一种基于高光谱的冷库果蔬冷害检测方法，包括以下步骤：
S1，建立神经网络模型，选取一种果蔬为待检测样本，其中选取100个受到冷害的样本作为训练集，再从冷害和健康的样本中各随机选取15个作为测试集。
S2，将待检测样本置于黑暗环境中，通过可控光源在样本两侧斜上方进行直线照射，通过高光谱相机进行光谱图像采集。
S3，对采集到的高光谱图像进行预处理，通过图像去噪单元去除随机信号噪声，通过黑白校正单元对图像进行校正。
S4，对高光谱图像进行主成分分析，通过主成分分析单元对预处理后高光谱图像进行降维操作，选取感兴趣区域，提取出光谱数据并传输到训练好的神经网络模型中作为模型的输入，得到检测结果。
所述S4进一步包括：
S4.1，主成分分析单元对高光谱图像进行降维，去除冗余信息，保留前两个主成分图像，并从中选取感兴趣区域提取光谱信息；
S4.2，神经网络模型由输入层、隐藏层、输出层组成，输入层输入为主成分图像中提取的高光谱数据，输出层输出为分类检测结果，即该果蔬是否受到冷害。通过训练集100个训练样本对神经网络模型进行训练，训练完成后通过包含15个冷害样本和15个健康样本的测试集对训练结果进行测试，提高辨识度。
S5，将神经网络模型的辨识结果通过检测结果显示模块显示出来。
本发明的有益效果：
本发明通过采集果蔬的高光谱图像，提取高光谱图像中的光谱数据进行分析，根据健康的果蔬与受到冷害的果蔬之间的光谱信息差异，对冷库中贮存的果蔬进行快速的冷害检测，相比于传统的人工检测方法，本发明检测方法检测更准确高效，可在冷害形成早期及时发现，避免造成巨大损失。
附图说明
图1为本发明方法的模块流程示意图。
图2为本发明方法的模块内单元示意图。
图3为本发明方法的神经网络模型结构示意图。
其中：1-反射采集模块、11-高光谱相机、12-可控光源、2-光谱图像预处理模块、21-图像去噪单元、22-黑白校正单元、3-光谱数据分析模块、31-主成分分析单元、32-神经网络模型、4-检测结果显示模块、41-绿色警示灯、42-红色警示灯。
具体实施方式
本发明方法采用高光谱相机11在黑暗条件下对果蔬样本进行高光谱图像采集，通过可控光源12在样本的两侧斜上方进行照射。将采集到的图像传输到光谱图像预处理模块2中进行处理，通过图像去噪单元21去除噪声造成的不一致性，通过黑白校正单元22对高光谱图像进行校正，得到更加完好的高光谱图像。将预处理后的高光谱图像传输到光谱数据分析模块3中，通过主成分分析单元31对其进行主成分分析，去除冗余信息，保留前两个主成分图像并提取其中的高光谱数据，将前两个主成分图像中提取的高光谱数据传输到神经网络模型32中作为模型的输入，得到检测结果。将检测结果传输到检测结果显示模块4中显示出来，操作人员通过检测结果可将健康的果蔬与冷害果蔬进行分类并对冷害果蔬进行相应的补救措施，减少损失。
如图1和图2所示，一种基于高光谱的冷库果蔬冷害检测方法，包括以下步骤：
S1，建立神经网络模型，选取一种果蔬为例，其中选取100个受到冷害的果蔬作为训练集；再从冷害和健康的果蔬中各随机选取15个作为测试集。
S2，将待检测的样本置于黑暗环境中，通过可控光源模块12在样本两侧斜上方进行直线照射，由高光谱相机11对样本进行高光谱图像采集。
S3，对采集到的高光谱图像进行预处理，通过图像去噪单元21去除随机信号噪声，通过黑白校正单元22对图像进行校正。
进一步，所述S3包括：
S3.1，图像去噪方法采用最小噪声分离法进行降噪预处理，检测图像数据的内在维数，分离出数据中的噪声，减少后续处理所需的计算量，增强光谱信息的表达。
S3.2，对高光谱图像进行黑白校正，根据下式对图像进行校正：
其中R表示最终获得的高光谱反射率图像，S表示直接采集得到的原始高光谱样本图像，D表示系统暗电流存在情况下的参考图像，W表示标准白板的参考图像。
S4，对高光谱图像进行光谱数据分析，通过主成分分析单元对预处理后高光谱图像进行降维处理，选取感兴趣区域，提取出光谱数据传输到神经网络模型中作为模型的输入进行训练，得到检测结果。
本发明为解决现有技术得不足，提供了一种应用神经网络分类模型的简单快速的冷害果蔬快速检测方法。相比于现有的技术，本发明方法在高光谱图像的基础上，将高光谱数据作为神经网络模型的输入，即可快速鉴别出检测的果蔬是否受到冷害，在一定程度上更加简单高效。
进一步，所述步骤S4包括：
S4.1，主成分分析单元对高光谱图像进行降维，去除冗余信息，根据原协方差矩阵S的特征值和特征向量计算主成分的方差贡献率，保留包含绝大部分信息的前两个主成分图像，并从中选取感兴趣区域提取光谱数据；
S4.2，神经网络模型由输入层、隐藏层、输出层组成，输入层输入为主成分图像中提取的高光谱数据，输出层输出为分类检测结果，即该果蔬是否受到冷害。通过训练集100个训练样本对神经网络模型进行训练，训练完成后通过包含15个冷害样本和15个健康样本的测试集对训练结果进行测试，提高辨识度。
所述S4.1进一步包括：
主成分分析具体步骤为，计算出原有特征的协方差矩阵S，并计算出协方差矩阵S的全部特征值和特征向量，并将各特征值按从小到大的顺序排列，特征向量也按照对应特征值的顺序排列。定义第i个主成分的方差贡献率为第i个特征值与全部特征值之和的比值，前m个主成分的累计方差贡献率为前m个特征值之和与全部特征值之和的比值，在前m个主成分累计方差贡献率足够大时就可以只保留前m个主成分作为新特征，在本实施例中取m＝2，即保留前两个主成分。
所述S4.2进一步包括：
S4.2.1，神经网络分类检测模型采用BP神经网络，激活函数f(x)选用sigmod函数。如附图3所示，Xi为输入层神经元，bh为隐藏层神经元，Yj为输出层神经元。由输入层到隐藏层的权值记为vih，由隐藏层到输出层的权值记为whj。隐藏层第h个神经元的阈值记为γh，输入为βh，输出层神经元的阈值记为θj，输入为αj。
S4.2.2，分类模型参数更新依据“梯度下降法”反向计算更新参数。
神经网络模型初始参数为迭代5000次，步长0.6，精度0.01，权值和阈值初始值为(0，1)之间的随机值。其中误差记为Ek，对模型的参数进行更新时，根据误差逐层调整权值，一步一步缩小误差，当精度达到要求或迭代次数满5000次停止迭代。
进一步地，
利用下式来调整隐藏层到输出层的权值：
利用下式来调整输出层的阈值：
利用下式来调整输入层到隐藏层的权值：
Δvih＝-ηehxi，
利用下式来调整隐藏层的阈值：
Δγh＝ηeh，
其中
S5，将神经网络模型的辨识结果通过检测结果显示模块显示出来，具体为：
当主成分图像中提取的高光谱数据输入到神经网络分类检测模型中后，通过训练好的模型对其进行识别。若输入的高光谱数据不存在冷害光谱数据，则输出为Y1，绿色显示灯亮起；若输入的高光谱数据存在冷害光谱数据，则输出为Y2，红色显示灯亮起。
本发明的工作原理：
参照说明书附图1和附图2，通过对整体的设计，通过反射采集模块1中的可控光源12在待检测样本的两侧斜上方进行直线照射，通过高光谱相机11对样本进行高光谱图像采集。对采集到的高光谱图像进行预处理，通过光谱预处理模块2中的图像去噪单元21采用最小噪声分离法进行去噪，通过黑白校正单元22采用黑白校正法进行校正。对预处理后的高光谱图像进行光谱数据分析，通过光谱数据分析模块3中的主成分分析单元31对高光谱图像进行主成分分析，通过计算原协方差矩阵S的特征值和特征向量，以及累计方差贡献率，去除冗余信息，保留包含绝大部分信息的前两个主成分图像。提取前两个主成分图像中的光谱数据作为神经网络模型32的输入，通过训练好的神经网络分类模型即可快速识别出该检测样本是否受到冷害。将神经网络模型的分类辨识结果通过检测结果显示模块4显示出来，若检测的样本为未受到冷害的健康果蔬，则检测结果显示模块中的绿色显示灯41亮起；若检测的样本为受到冷害的果蔬，则红色显示灯42亮起。整体上使得本发明方法可以对冷库中贮存的果蔬产品进行较为快速准确的检测，便于工作人员快速找到受到冷害的果蔬产品并及时进行补救措施，避免造成巨大损失。
Claims (5)
1.一种基于高光谱的冷库果蔬冷害检测方法，其特征在于：包括以下步骤：
S1，建立神经网络分类检测模型，选取一种果蔬为待检测样本，选取100个受到冷害的果蔬样本为神经网络模型的训练集，再选取15个冷害果蔬样本和15个健康果蔬样本作为测试集；
S2，将待检测的样本置于黑暗环境中，通过可控光源在待检测样本的两侧斜上方进行直线照射，通过高光谱相机进行光谱图像采集；
S3，对采集到的高光谱图像进行预处理，通过图像预处理模块2中的图像去噪单元21去除随机信号噪声，通过黑白校正单元22对图像进行校正；
S4，对高光谱图像进行光谱数据分析，通过主成分分析单元对预处理后高光谱图像进行降维处理，选取感兴趣区域，提取出光谱数据传输到神经网络模型中作为模型的输入，得到检测结果；
S5，将神经网络模型的辨识结果通过检测结果显示模块显示出来。
2.根据权利要求1所述的一种基于高光谱的冷库果蔬冷害检测方法，其特征在意：所述的步骤S3包括：
S3.1，图像去噪方法采用最小噪声分离法进行降噪预处理，检测图像数据的内在维数，分离出数据中的噪声，减少后续处理所需的计算量，增强光谱信息的表达；
S3.2，对高光谱图像进行黑白校正，根据下式对图像进行校正：
其中R表示最终获得的高光谱反射率图像，S表示直接采集得到的原始高光谱样本图像，D表示系统暗电流存在情况下的参考图像，W表示标准白板的参考图像。
3.根据权利要求1所述的一种基于高光谱的冷库果蔬冷害检测方法，其特征在于：所述的步骤S4包括：
S4.1，主成分分析单元对高光谱图像进行降维，去除冗余信息，根据原协方差矩阵S的特征值和特征向量计算主成分的方差贡献率，保留包含绝大部分信息的前两个主成分图像，并从中选取感兴趣区域提取光谱信息；
S4.2，神经网络模型由输入层、隐藏层、输出层组成，输入层输入为主成分图像中提取的高光谱数据，输出层输出为分类检测结果，即该果蔬是否受到冷害；通过训练集100个训练样本对神经网络模型进行训练，训练完成后通过包含15个冷害样本和15个健康样本的测试集对训练结果进行测试，提高辨识度。
4.根据权利要求3所述的一种基于高光谱的冷库果蔬冷害检测方法，其特征在于：
所述的步骤S4.2包括：
S4.2.1，神经网络分类检测模型采用BP神经网络，激活函数f(x)选用sigmod函数；Xi为输入层神经元，bh为隐藏层神经元，Yj为输出层神经元；由输入层到隐藏层的权值记为vih，由隐藏层到输出层的权值记为whj；隐藏层第h个神经元的阈值记为γh，输入为βh，输出层神经元的阈值记为θj，输入为αj；
S4.2.2，分类模型参数更新依据“梯度下降法”反向计算更新参数；
神经网络模型初始参数迭代5000次，步长0.6，精度0.01，权值和阈值初始值为(0，1)之间的随机值；其中误差记为Ek，对模型的参数进行更新时，根据误差逐层调整权值和阈值，一步一步缩小误差，当精度达到要求或迭代次数满5000次停止迭代；
利用下式来调整隐藏层到输出层的权值：
利用下式来调整输出层的阈值：
利用下式来调整输入层到隐藏层的权值：
Δvih＝-ηehxi，
利用下式来调整隐藏层的阈值：
Δγh＝ηeh，
其中
5.根据权利要求1所述的一种基于高光谱的冷库果蔬冷害检测方法，其特征在于：所述的步骤S5进包括：
若输入的高光谱数据不存在冷害光谱数据，则输出为Y1，绿色显示灯亮起；若输入的高光谱数据存在冷害光谱数据，则输出为Y2，红色显示灯亮起。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010708642.2A CN111815540A (zh) | 2020-07-22 | 2020-07-22 | 一种基于高光谱的冷库果蔬冷害检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010708642.2A CN111815540A (zh) | 2020-07-22 | 2020-07-22 | 一种基于高光谱的冷库果蔬冷害检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111815540A true CN111815540A (zh) | 2020-10-23 |
Family
ID=72862118
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010708642.2A Pending CN111815540A (zh) | 2020-07-22 | 2020-07-22 | 一种基于高光谱的冷库果蔬冷害检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111815540A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113536927A (zh) * | 2021-06-15 | 2021-10-22 | 南昌海关技术中心 | 一种赣南脐橙鉴别方法、系统及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103808669A (zh) * | 2014-01-26 | 2014-05-21 | 沈阳农业大学 | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 |
| CN106053353A (zh) * | 2016-05-20 | 2016-10-26 | 宁波市农业科学研究院 | 一种桃果实冷害无损检测方法 |
| CN108335300A (zh) * | 2018-06-22 | 2018-07-27 | 北京工商大学 | 一种基于cnn的食品高光谱信息分析系统与方法 |
-
2020
- 2020-07-22 CN CN202010708642.2A patent/CN111815540A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103808669A (zh) * | 2014-01-26 | 2014-05-21 | 沈阳农业大学 | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 |
| CN106053353A (zh) * | 2016-05-20 | 2016-10-26 | 宁波市农业科学研究院 | 一种桃果实冷害无损检测方法 |
| CN108335300A (zh) * | 2018-06-22 | 2018-07-27 | 北京工商大学 | 一种基于cnn的食品高光谱信息分析系统与方法 |
Non-Patent Citations (1)
| Title |
|---|
| 岳林珊: "基于图像处理技术的冷冻冷藏果蔬品质研究", 《工程科技I辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113536927A (zh) * | 2021-06-15 | 2021-10-22 | 南昌海关技术中心 | 一种赣南脐橙鉴别方法、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Review of seed quality and safety tests using optical sensing technologies | |
| Nandi et al. | A machine vision-based maturity prediction system for sorting of harvested mangoes | |
| Arivazhagan et al. | Detection of unhealthy region of plant leaves and classification of plant leaf diseases using texture features | |
| Riquelme et al. | Olive classification according to external damage using image analysis | |
| Wang et al. | Outdoor color rating of sweet cherries using computer vision | |
| Kangune et al. | Grapes ripeness estimation using convolutional neural network and support vector machine | |
| US20200150051A1 (en) | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images | |
| Jiang et al. | Nondestructive detection and quantification of blueberry bruising using near-infrared (NIR) hyperspectral reflectance imaging | |
| Kavdir et al. | Apple sorting using artificial neural networks and spectral imaging | |
| Bhole et al. | Mango quality grading using deep learning technique: Perspectives from agriculture and food industry | |
| Chandy | RGBD analysis for finding the different stages of maturity of fruits in farming | |
| Gill et al. | A review of automatic fruit classification using soft computing techniques | |
| Sharma et al. | Rapid ripening stage classification and dry matter prediction of durian pulp using a pushbroom near infrared hyperspectral imaging system | |
| Pise et al. | Grading of harvested mangoes quality and maturity based on machine learning techniques | |
| Jiang et al. | Identification of tomato maturity based on multinomial logistic regression with kernel clustering by integrating color moments and physicochemical indices | |
| Zhang et al. | Detection of internally bruised blueberries using hyperspectral transmittance imaging | |
| Africa et al. | Ripe fruit detection and classification using machine learning | |
| Mohammadpoor et al. | An intelligent technique for grape fanleaf virus detection | |
| Ghazali et al. | Image analysis techniques for ripeness detection of palm oil fresh fruit bunches | |
| CN109934297B (zh) | 一种基于深度学习卷积神经网络的水稻考种方法 | |
| CN111815540A (zh) | 一种基于高光谱的冷库果蔬冷害检测方法 | |
| Ratha et al. | Papaya fruit maturity estimation using wavelet and ConvNET | |
| Ni et al. | A deep learning-based web application for segmentation and quantification of blueberry internal bruising | |
| Khadabadi et al. | Disease detection in vegetables using image processing techniques: A review | |
| Gaikwad et al. | Fruit disease detection and classification |
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: 20201023 |
|
| RJ01 | Rejection of invention patent application after publication |