CN111968080B - 一种基于高光谱和深度学习的肥城桃内外品质检测方法 - Google Patents

一种基于高光谱和深度学习的肥城桃内外品质检测方法 Download PDF

Info

Publication number
CN111968080B
CN111968080B CN202010741945.4A CN202010741945A CN111968080B CN 111968080 B CN111968080 B CN 111968080B CN 202010741945 A CN202010741945 A CN 202010741945A CN 111968080 B CN111968080 B CN 111968080B
Authority
CN
China
Prior art keywords
hyperspectral
prediction
feicheng
sample
deep learning
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
CN202010741945.4A
Other languages
English (en)
Other versions
CN111968080A (zh
Inventor
玄冠涛
高冲
邵园园
王永贤
王凯丽
韩军伟
张涛
刘艺
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.)
Shandong Agricultural University
Original Assignee
Shandong Agricultural 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 Shandong Agricultural University filed Critical Shandong Agricultural University
Priority to CN202010741945.4A priority Critical patent/CN111968080B/zh
Publication of CN111968080A publication Critical patent/CN111968080A/zh
Application granted granted Critical
Publication of CN111968080B publication Critical patent/CN111968080B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及水果品质无损检测领域，具体来说是一种基于高光谱和深度学习的肥城桃内外品质检测方法。该方法首先采集肥城桃样本的高光谱数据与理化指标并进行高光谱图像校准，然后通过蒙特卡罗偏最小二乘法剔除光谱数据异常值并采用光谱理化值共生距离法进行样本划分，再使用多种变量选择算法识别可溶性固形物含量与硬度的敏感特征波长，同时通过分析样本与背景光谱差值优选高光谱图像，利用深度学习YOLOv3算法进行目标框选与预测框尺寸面积提取，最后，建立特征波长光谱数据和可溶性固形物、硬度的回归预测模型，以及像素尺寸、面积和真实尺寸、重量的回归模型，实现肥城桃可溶性固形物、硬度、果径、重量的快速无损检测与内部品质空间分布可视化。

Description

一种基于高光谱和深度学习的肥城桃内外品质检测方法
技术领域
本发明涉及水果品质无损检测领域，具体来说是一种基于高光谱和深度学习的肥城桃内外品质检测方法。
背景技术
肥城桃，又名“佛桃”，个大质优，外形美观，营养物质丰富，被誉为“群桃之冠”，已有1000多年种植历史。但是，目前肥城桃生产水平较低，果品检测分级技术落后，远不能满足人们“优质精品”水果的消费需求，进行肥城桃果实品质快速分级对实现优果优价和提升产业发展至关重要。然而水果分级涉及多项理化指标，目前肥城桃鲜果分级主要依靠果农传统经验，对包括颜色、尺寸重量、质地、成分等做出判断，这些方法虽然取得较好效果，但往往是破坏性的，且操作繁琐费时，因此，如何快速、准确的检测肥城桃内外品质成为亟需解决的问题。本发明结合高光谱与深度学习技术提出了一种快速、无损、准确的肥城桃内外品质检测方法，为肥城桃产业的高质量发展提供了技术支撑。
发明内容
本发明针对上述问题及技术需求，提出了一种基于高光谱与深度学习的肥城桃内外品质检测方法，此方法可实现肥城桃内部品质(可溶性固形物、硬度等)与外部品质(果径、重量等)的快速无损检测，并将内部品质以伪彩色图像的形式直观显示。
本发明的目的通过以下的技术方案实现：
一种基于高光谱与深度学习的肥城桃内外品质检测方法，包括以下步骤：
步骤一：采集肥城桃样本在400-1000nm范围内的高光谱图像，并测量包括可溶性固形物含量、硬度值、果实最大横径、重量在内的理化指标，对高光谱图像进行黑白校准并通过掩膜选取整个肥城桃样品为兴趣区，获取样本的高光谱图像和兴趣区平均光谱数据立方体。
步骤二：结合光谱数据和理化指标进行异常值剔除与光谱数据集样本划分。
步骤三：对样本原始光谱数据进行预处理，并通过三种变量选择算法选取可溶性固形物、硬度的敏感特征波长。
步骤四：对高光谱图像进行样本与背景偏差光谱值分析，在光谱维中寻找样本与背景区分最为明显的波段，此波段下图像特征提取最为简单。
步骤五：使用深度学习目标框选技术提取样本的像素尺寸、面积。
步骤六：依据理化指标与步骤三所选特征波长，分别建立可溶性固形物、硬度的偏最小二乘回归(PLSR)、支持向量回归(SVR)、多元线性回归(MLR) 预测模型，预测模型的输入数据为特征光谱，输出数据为可溶性固形物含量、硬度值。
步骤七：依据步骤六所建最优模型预测高光谱图像上像素点的可溶性固形物含量与硬度值，并绘制其伪彩色分布图，完成内部品质分布的可视化。
步骤八：依据理化指标与步骤五提取的像素尺寸与面积，分别建立果径与重量的预测模型，预测模型的输入数据为像素尺寸、面积，输出数据为果径、重量。
步骤九：将待测样本的特征波段光谱数据与像素尺寸面积输入所建预测模型即可获得肥城桃的糖度、硬度、果径、重量信息与可视化图像。
优选的，所述步骤二中剔除异常值方法为蒙特卡罗偏最小二乘法 (MCPLS)，该方法通过计算所有样本的预测残差平均值(Mean)和预测残差方差(STD)，判定较高预测残差平均值和预测残差方差的样本为异常样本。
优选的，步骤二中样本集划分方法为光谱理化值共生距离(SPXY)法，该方法能兼顾样本的光谱数据与理化指标，使数据集的划分更合理，其距离公式：
Figure BSA0000215316220000031
其中，dx(p，q)为光谱距离；dy(p，q)为理化指标特征距离。
优选的，所述步骤三中采用多元散射校正(MSC)对光谱数据进行预处理，以消除球形果实表面漫反射的影响。
优选的，步骤三中采用竞争性自适应权重取样法(CARS)、连续投影算法 (SPA)、CARS-SPA方法进行特征波长选取。
其中，CARS使用蒙特卡洛抽样选择建模集以建立偏最小二乘模型，从而计算所有波长的回归系数，然后使用自适应重加权抽样和指数递减函数选择回归系数较大的关键波长，最后通过交叉验证获得具有最小均方根误差的波长子集； SPA利用向量的投影分析，选取含有最小冗余度和最小共线性的有效波长，通过比较波段投影向量大小，将最大投影量波段列为有效波段，并根据校正模型确定最佳的特征波段。
优选的，所述步骤五中深度学习目标框选的具体方法为：
利用迁移学习迁移已经在大数据集上预训练的YOLOv3模型；
改变模型语义层面的参数，使用步骤四选取的肥城桃高光谱图像完成对模型的精确训练；
以预测框、真实范围的交集和并集的比值IOU评价预测框的准确性，其计算公式为：
Figure BSA0000215316220000032
其中，Intersection为预测范围与真实范围的交集，Union为预测范围与真实范围的并集；
预测框为样本最小外接矩形，预测像素尺寸为：
X＝ymax-ymin (3)
预测框面积为：
S＝(xmax-xmin)(ymax-ymin) (4)
其中，x，y为同步生成检测文件中预测框的像素坐标。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明只需将待测样本特征光谱数据与预测框尺寸、面积输入检测模型即可获得肥城桃的可溶性固形物、硬度、果径、重量信息，实现内外品质的综合、无损检测，且检测精度高、检测速度快。
2、本发明对比分析了多种特征波长选取方法，建立了多种回归模型，可根据实际情况优选最佳组合。
3、本检测方法可实现内部品质的可视化，以伪彩色图像形式直观显示可溶性固形物与硬度的空间分布。
附图说明
图1为本发明方法流程图；
图2为全样本感兴趣区域的平均光谱；
图3为多元散射校正效果图；
图4为YOLOv3模型训练过程IOU曲线；
图5为样本目标框选图；
图6为可溶性固形物与硬度的最优模型预测散点图。
具体实施方式
为了更好的理解本发明的技术方案，下面结合附图详细描述本发明提供的实施例，但本发明的实施方式不限于此。
如图1所示，一种基于高光谱和深度学习的肥城桃内外品质检测方法，包括以下步骤：
步骤一：采集肥城桃样本在400-1000nm范围内的高光谱图像，并测量包括可溶性固形物含量、硬度值、果实最大横径、重量在内的理化指标，对高光谱图像进行黑白校准并通过掩膜选取整个肥城桃样品为兴趣区，获取样本的高光谱图像和兴趣区平均光谱数据立方体，全样本感兴趣区域的平均光谱如图2所示。
步骤一中，高光谱图像采集系统组成主要包括高光谱成像仪 (GaiaField-V10E)、成像镜头(HSIA-OL23)、专用光源(HSIA-LS-T-200W)、标准白板(HSIA-CT-150×150)、三脚架(HSIA-TP-S)及装有高光谱数据采集软件(SpecView)的专用计算机，系统参数设置为：成像距离为47cm，曝光时间为15ms；采集样本高光谱图像时应采集有最大投影面积时的样品图像，共采集150个样本的高光谱数据。
步骤一中，肥城桃硬度使用指针式水果硬度计测定，取五个不同位置测量结果平均值作为样本的硬度值；可溶性固形物含量使用数显折射仪测定，在每个样本五个硬度测试点处分别取1cm3果肉，榨汁后滴到数显折射仪镜面窗口，取五次测定平均值作为样本可溶性固形物含量；果径采用电子数显卡尺测量，测量时应测量其最大横径，重量采用电子天平进行称量。
步骤一中，采用白板和黑暗环境对高光谱成像系统进行黑白校正，以消除相机暗电流、光照不均等对图像的影响，根据公式(5)得到校正后肥城桃的图像R：
Figure BSA0000215316220000061
其中，I为样品的原始漫反射光谱图像，Iwhite为白板的漫反射图像，Idark为暗图像，R为校正后的漫反射光谱图像。
步骤二：结合光谱数据和理化指标进行异常值剔除与光谱数据集样本划分。
步骤二中，异常值剔除方法为蒙特卡罗偏最小二乘法(MCPLS)，该方法通过计算所有样本的预测残差平均值(Mean)和预测残差方差(STD)，判定较高预测残差平均值和预测残差方差的样本为异常样本，可溶性固形物、硬度及其对应特征光谱数据各剔除10个异常值。
步骤二中，使用光谱理化值共生距离(SPXY)法按3∶1的比例划分建模集与预测集，该方法能兼顾样本的光谱数据与理化指标，使数据集的划分更合理，其距离公式：
Figure BSA0000215316220000062
其中，dx(p，q)为光谱距离；dy(p，q)为理化指标特征距离。
经检验，肥城桃高光谱数据集中建模集分布范围均比预测集分布范围广，证明数据集划分合理。
步骤三：对样本原始光谱数据进行预处理，并通过三种变量选择算法选取可溶性固形物、硬度的敏感特征波长。
步骤三中采用多元散射校正(MSC)对光谱数据进行预处理，以消除球形果实表面漫反射的影响，为验证MSC预处理的效果，在图3所示位置取像素点反射率，由图3可知多元散射校正取得了较好的效果，校正后的光谱与理想光谱更为接近，减弱了光照不均对桃子表面反射率的影响，从而使可视化结果更为准确。
步骤三中采用竞争性自适应权重取样法(CARS)、连续投影算法(SPA)、 CARS-SPA方法进行特征波长选取。
其中，CARS使用蒙特卡洛抽样选择校准集以建立偏最小二乘模型，从而计算所有波长的回归系数，然后使用自适应重加权抽样和指数递减函数选择回归系数较大的关键波长，最后通过交叉验证获得具有最小均方根误差的波长子集； SPA利用向量的投影分析，选取含有最小冗余度和最小共线性的有效波长，通过比较波段投影向量大小，将最大投影量波段列为有效波段，并根据校正模型确定最佳的特征波段。
选取的具体特征波长数据如表1所示：
表1
Figure BSA0000215316220000071
步骤四：对高光谱图像进行样本与背景偏差光谱值分析，在光谱维中寻找样本与背景区分最为明显的波段，此波段下图像特征提取最为简单。
步骤四中，样本反射率在400-750nm变化剧烈，在730-810nm反射率最高且起伏平缓，此时样本与背景偏差光谱值最大，特征提取最为简单，因此选用 730-810nm范围内高光谱图像进行图像分割与目标框选。
步骤五：使用深度学习目标框选技术提取样本的像素尺寸、面积。
步骤五中，深度学习目标框选的具体方法为：
利用迁移学习迁移已经在大数据集上预训练的YOLOv3模型；
改变模型语义层面的参数，使用步骤四选取的肥城桃高光谱图像完成对模型的精确训练，模型初始参数设置为批次样本数为16，动量因子为0.9，初始学习率为0.001，权重衰减为0.0005；
以预测框、真实范围的交集和并集的比值IOU评价预测框的准确性， YOLOv3模型训练过程IOU曲线如图4所示，其计算公式为：
Figure BSA0000215316220000081
其中，Intersection为预测范围与真实范围的交集，Union为预测范围与真实范围的并集；
预测框为样本最小外接矩形，预测像素尺寸为：
X＝ymax-ymin (3)
预测框面积为：
S＝(xmax-xmin)(ymax-ymin) (4)
其中，x，y为同步生成检测文件中预测框的像素坐标。
目标框选的结果如图5所示，YOLOv3检测一幅图像平均时间为19.94ms ＜30ms，满足实时检测需求。
步骤六：依据理化指标与步骤三所选特征波长，分别建立可溶性固形物、硬度的偏最小二乘回归(PLSR)、支持向量回归(SVR)、多元线性回归(MLR) 预测模型，预测模型的输入数据为特征光谱，输出数据为可溶性固形物含量、硬度值。
步骤六中，以相对分析误差(RPD)、预测集精度
Figure BSA0000215316220000091
和预测集均方根误差 RMSEV作为模型性能主要评价指标，以建模集精度/>
Figure BSA0000215316220000092
和建模集均方根误差 RMSEC作为辅助指标，RPD、/>
Figure BSA0000215316220000093
和/>
Figure BSA0000215316220000094
越大，RMSEC和RMSEV越小，模型的预测能力越强，且通常认为RPD＞2时模型具有极好的预测能力，各模型效果如表2所示：
表2
Figure BSA0000215316220000095
可溶性固形物预测模型中CARS-MLR模型效果最好，
Figure BSA0000215316220000096
Figure BSA0000215316220000097
RMSEV＝0.365，RPD＝2.315＞2，预测效果十分优秀；硬度预测模型中 SPA-MLR模型效果最好，/>
Figure BSA0000215316220000098
RMSEV＝0.836，RPD＝2.236 ＞2，预测结果如图6所示。
步骤七：依据步骤六所建最优模型预测高光谱图像上像素点的可溶性固形物含量与硬度值，并绘制其伪彩色分布图，完成内部品质分布的可视化。
步骤八：依据理化指标与步骤五提取的像素尺寸与面积，分别建立果径与重量的预测模型，预测模型的输入数据为像素尺寸、面积，输出数据为果径、重量。
步骤八中，因预测框像素面积与重量数值相差太大，将预测像素面积缩小 1000倍与重量进行回归分析，所建模型的具体性能如表3所示：
表3
Figure BSA0000215316220000101
所建模型sig均＜0.05，说明回归关系具有统计学意义，调整后拟合优度
Figure BSA0000215316220000102
＞0.8，说明所建回归模型可以准确完成果径与重量的快速预测。
步骤九：将待测样本的特征波段光谱数据与像素尺寸面积输入所建预测模型即可获得肥城桃的糖度、硬度、果径、重量信息与可视化图像。
以上所述仅为本发明的优选实施方式，本发明不受以上实施例的限制，凡是依据本发明的原理、方法所做的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (6)

1.一种基于高光谱和深度学习的肥城桃内外品质检测方法，其特征在于，包括以下步骤：
步骤一：采集肥城桃样本在400-1000nm范围内的高光谱图像，并测量包括可溶性固形物含量、硬度值、果实最大横径、重量在内的理化指标，对高光谱图像进行黑白校准并通过掩膜选取整个肥城桃样品为兴趣区，获取样本的高光谱图像和兴趣区平均光谱数据立方体；
步骤二：结合光谱数据和理化指标进行异常值剔除与光谱数据集样本划分；
步骤三：对样本原始光谱数据进行预处理，并通过三种变量选择算法选取可溶性固形物、硬度的敏感特征波长；
步骤四：对高光谱图像进行样本与背景偏差光谱值分析，在光谱维中寻找样本与背景区分最为明显的波段，此波段下图像特征提取最为简单；
步骤五：使用深度学习目标框选技术提取样本的像素尺寸、面积；
步骤六：依据理化指标与步骤三所选特征波长，分别建立可溶性固形物、硬度的偏最小二乘回归(PLSR)、支持向量回归(SVR)、多元线性回归(MLR)预测模型，预测模型的输入数据为特征光谱，输出数据为可溶性固形物含量、硬度值；
步骤七：依据步骤六所建最优模型预测高光谱图像上像素点的可溶性固形物含量与硬度值，并绘制其伪彩色分布图，完成内部品质分布的可视化；
步骤八：依据理化指标与步骤五提取的像素尺寸与面积，分别建立果径与重量的预测模型，预测模型的输入数据为像素尺寸、面积，输出数据为果径、重量；
步骤九：将待测样本的特征波段光谱数据与像素尺寸面积输入所建预测模型即可获得肥城桃的糖度、硬度、果径、重量信息与可视化图像。
2.如权利要求1所述的一种基于高光谱和深度学习的肥城桃内外品质检测方法，其特征在于，所述步骤二中剔除异常值方法为蒙特卡罗偏最小二乘法(MCPLS)，该方法通过计算所有样本的预测残差平均值(Mean)和预测残差方差(STD)，判定较高预测残差平均值和预测残差方差的样本为异常样本。
3.如权利要求1所述的一种基于高光谱和深度学习的肥城桃内外品质检测方法，其特征在于，步骤二中样本集划分方法为光谱理化值共生距离(SPXY)法，该方法能兼顾样本的光谱数据与理化指标，使数据集的划分更合理，其距离公式：
Figure QLYQS_1
其中，dx(p，q)为光谱距离；dy(p，q)为理化指标特征距离。
4.如权利要求1所述的一种基于高光谱和深度学习的肥城桃内外品质检测方法，其特征在于，所述步骤三中采用多元散射校正(MSC)对光谱数据进行预处理，以消除球形果实表面漫反射的影响。
5.如权利要求1所述的一种基于高光谱的肥城桃内外品质检测方法，其特征在于，步骤三中采用竞争性自适应权重取样(CARS)法、连续投影算法(SPA)、CARS-SPA方法进行特征波长选取；
其中，CARS使用蒙特卡洛抽样选择校准集以建立偏最小二乘模型，从而计算所有波长的回归系数，然后使用自适应重加权抽样和指数递减函数选择回归系数较大的关键波长，最后通过交叉验证获得具有最小均方根误差的波长子集；SPA利用向量的投影分析，选取含有最小冗余度和最小共线性的有效波长，通过比较波段投影向量大小，将最大投影量波段列为有效波段，并根据校正模型确定最佳的特征波段。
6.如权利要求1所述的一种基于高光谱和深度学习的肥城桃内外品质检测方法，其特征在于，所述步骤五中深度学习目标框选的具体方法如为：
利用迁移学习迁移已经在大数据集上预训练的YOLOv3模型；
改变模型语义层面的参数，使用步骤四选取的肥城桃高光谱图像完成对模型的精确训练；
以预测框、真实范围的交集和并集的比值IOU评价预测框的准确性，其计算公式为：
Figure QLYQS_2
其中，Intersection为预测范围与真实范围的交集，Union为预测范围与真实范围的并集；
预测框为样本最小外接矩形，预测像素尺寸为：
X＝ymax-ymin (3)
预测框面积为：
S＝(xmax-xmin)(ymax-ymin) (4)
其中，x，y为同步生成检测文件中预测框的像素坐标。
CN202010741945.4A 2020-07-21 2020-07-21 一种基于高光谱和深度学习的肥城桃内外品质检测方法 Active CN111968080B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010741945.4A CN111968080B (zh) 2020-07-21 2020-07-21 一种基于高光谱和深度学习的肥城桃内外品质检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010741945.4A CN111968080B (zh) 2020-07-21 2020-07-21 一种基于高光谱和深度学习的肥城桃内外品质检测方法

Publications (2)

Publication Number Publication Date
CN111968080A CN111968080A (zh) 2020-11-20
CN111968080B true CN111968080B (zh) 2023-06-23

Family

ID=73362969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010741945.4A Active CN111968080B (zh) 2020-07-21 2020-07-21 一种基于高光谱和深度学习的肥城桃内外品质检测方法

Country Status (1)

Country Link
CN (1) CN111968080B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112964719B (zh) * 2021-04-26 2022-07-12 山东深蓝智谱数字科技有限公司 一种基于高光谱的食品果糖检测方法及装置
CN113192090B (zh) * 2021-05-08 2022-08-16 南京理工大学 一种基于机器学习的水蜜桃分拣方法及装置
CN113496486B (zh) * 2021-07-08 2023-08-22 四川农业大学 基于高光谱成像技术的猕猴桃货架期快速判别方法
CN113807869A (zh) * 2021-09-18 2021-12-17 中科巨匠人工智能技术(广州)有限公司 一种基于人工智能光学检测的溯源系统
CN114161469B (zh) * 2021-10-20 2024-03-26 华中农业大学 基于抓感一体化的无损水果卡爪
CN114002167A (zh) * 2021-11-02 2022-02-01 浙江大学 一种深度学习水果光谱分析模型更新方法
CN114235723B (zh) * 2021-11-04 2024-04-02 福建师范大学 一种水果内在品质的无损测量方法及终端
CN114112932A (zh) * 2021-11-08 2022-03-01 南京林业大学 基于深度学习的油茶果成熟度高光谱检测方法及分选设备
CN114018864B (zh) * 2021-11-10 2022-09-16 黑龙江八一农垦大学 灌浆期玉米籽粒醇溶蛋白质含量变化快速检测方法
CN117030628A (zh) * 2023-06-27 2023-11-10 浙江大学 一种中药浸膏质量高光谱智能分析方法
CN117474815B (zh) * 2023-12-25 2024-03-19 山东大学 一种高光谱图像校准方法及系统
CN117589741B (zh) * 2024-01-18 2024-04-05 天津博霆光电技术有限公司 基于光学特征的吲哚菁绿智能检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006047209A (ja) * 2004-08-06 2006-02-16 Kubota Corp 分光分析装置
CN106596416A (zh) * 2016-11-25 2017-04-26 华中农业大学 一种基于高光谱成像技术的冷鲜肉品质无损检测方法
CN107300536A (zh) * 2017-08-25 2017-10-27 天津商业大学 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法
CN111199192A (zh) * 2019-12-23 2020-05-26 中国农业大学 一种采用平行线取样的田间红提葡萄整体成熟度检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11645835B2 (en) * 2017-08-30 2023-05-09 Board Of Regents, The University Of Texas System Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006047209A (ja) * 2004-08-06 2006-02-16 Kubota Corp 分光分析装置
CN106596416A (zh) * 2016-11-25 2017-04-26 华中农业大学 一种基于高光谱成像技术的冷鲜肉品质无损检测方法
CN107300536A (zh) * 2017-08-25 2017-10-27 天津商业大学 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法
CN111199192A (zh) * 2019-12-23 2020-05-26 中国农业大学 一种采用平行线取样的田间红提葡萄整体成熟度检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
肥城桃品质可视化与成熟期高光谱成像检测;邵园园等;农业机械学报;全文 *

Also Published As

Publication number Publication date
CN111968080A (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
CN111968080B (zh) 一种基于高光谱和深度学习的肥城桃内外品质检测方法
Zhang et al. Fast prediction of sugar content in dangshan pear (Pyrus spp.) using hyperspectral imagery data
EP2161555B1 (en) Coating color database creating method, search method using the database, their system, program, and recording medium
CN102495005B (zh) 高光谱图像技术诊断作物水分亏缺的方法
CN110132862B (zh) 小麦赤霉病检测专属病情指数构建方法及其应用
CN108760655B (zh) 一种苹果味觉图谱信息可视化方法
CN109324000A (zh) 基于cars-miv-svr的库尔勒香梨可溶性固体含量预测方法
CN106340000A (zh) 骨龄评估方法
Zhang et al. Computer vision estimation of the volume and weight of apples by using 3d reconstruction and noncontact measuring methods
Liang et al. Determination and visualization of different levels of deoxynivalenol in bulk wheat kernels by hyperspectral imaging
US20140294296A1 (en) Spatially varying log-chromaticity normals for use in an image process
CN108169165A (zh) 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法
CN110567889A (zh) 一种基于光谱成像和深度学习技术的鲜茧含水率的无损检测方法
CN115545383A (zh) 一种草莓脆外观品质的双目立体视觉检测方法
Jiang et al. Rapid nondestructive detecting of wheat varieties and mixing ratio by combining hyperspectral imaging and ensemble learning
Wang et al. Grading detection of “Red Fuji” apple in Luochuan based on machine vision and near-infrared spectroscopy
CN113256733B (zh) 基于置信度投票卷积神经网络的相机光谱灵敏度重建方法
CN104198397B (zh) 氮磷钾交互作用下温室作物营养含量检测的方法
Luo et al. Prediction of soluble solid content in Nanfeng mandarin by combining hyperspectral imaging and effective wavelength selection
CN115830318A (zh) 基于改进Mask-RCNN网络的重叠烟丝图像分割方法及装置
CN116310788A (zh) 基于图谱融合的植株叶片氮含量高光谱建模方法
WO2021195817A1 (zh) 一种提取待测物质的光谱信息的方法
CN114813593A (zh) 基于高光谱成像技术的糟醅总酸含量的检测方法
Fei et al. The rapid non-destructive detection of the protein and fat contents of sorghum based on hyperspectral imaging
CN112070745A (zh) 一种快速有效的遥感影像分割非监督评价方法

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