CN112132792A - 基于高光谱和深度学习的山核桃内源异物像素级检测方法 - Google Patents
基于高光谱和深度学习的山核桃内源异物像素级检测方法 Download PDFInfo
- Publication number
- CN112132792A CN112132792A CN202010922380.XA CN202010922380A CN112132792A CN 112132792 A CN112132792 A CN 112132792A CN 202010922380 A CN202010922380 A CN 202010922380A CN 112132792 A CN112132792 A CN 112132792A
- Authority
- CN
- China
- Prior art keywords
- hickory
- pecan
- pixel
- component
- foreign matters
- 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.)
- Granted
Links
- 235000009025 Carya illinoensis Nutrition 0.000 title claims abstract description 48
- 241001453450 Carya illinoinensis Species 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 10
- 238000001228 spectrum Methods 0.000 claims abstract description 37
- 241000723418 Carya Species 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000013145 classification model Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 235000013372 meat Nutrition 0.000 claims description 35
- 241000899834 Obovaria olivaria Species 0.000 claims description 28
- 235000009496 Juglans regia Nutrition 0.000 claims description 10
- 235000020234 walnut Nutrition 0.000 claims description 10
- 230000001537 neural effect Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 229920000742 Cotton Polymers 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 235000014571 nuts Nutrition 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 240000007049 Juglans regia Species 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 241000758789 Juglans Species 0.000 description 9
- 238000012360 testing method Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000000701 chemical imaging Methods 0.000 description 3
- 240000004875 Carya cathayensis Species 0.000 description 2
- 235000005663 Carya cathayensis Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 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
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高光谱和深度学习的山核桃内源异物像素级检测方法。方法包括步骤(1)建模样品集的采集;步骤(2)高光谱图像的采集;步骤(3)高光谱图像的背景分割;步骤(4)各组分像素的光谱提取;步骤(5)分类模型的建立;步骤(6)待测山核桃内源性异物的检测。本发明以像素光谱处理,实现了小尺寸像素级山核桃碎壳的检测,解决了山核桃壳检测难度大而无法实现检测的技术问题,以及部分像素存在误判的问题,提高了检测精度。
Description
技术领域
本发明涉及一种山核桃壳和山核桃仁的图像鉴别检测方法,尤其涉及一种基于高光谱和深度学习的山核桃内源性异物的高光谱图像像素级检测方法。
背景技术
山核桃富含丰富的蛋白质、脂肪、维生素等人体所需的营养物质,具有润肺强肾、降低血脂、防老健脑、预防冠心病等功效。目前,山核桃剥壳取肉主要经过筛选、浸泡、敲壳、剥壳、去杂等步骤。经过上述步骤以后,大部分的山核桃壳都会被去除,但仍有少量碎壳片粘连在山核桃仁上未被去除。碎壳由山核桃本身产生的,是一种食品的内源性异物,不仅会影响产品质量,而且还会给消费者带来安全隐患。残留的碎壳通常尺寸较小,在山核桃加工生产中很难用肉眼识别出来,检测难度高。因此,本发明旨在开发一种山核桃内源性异物的高光谱图像像素级检测方法,为实现山核桃仁智能化生产提供技术支撑。
发明内容
针对山核桃碎壳尺寸小、检测难的问题,本发明提供了一种基于高光谱成像和深度学习的山核桃内源性异物的像素级检测方法。
本发明的技术方案采用如下:
步骤(1)建模样品集的采集:
挑选无虫蛀、无霉变的山核桃壳和山核桃仁作为待测样本,根据山核桃的组成和结构,将山核桃壳分为内肉和外肉的组分,将山核桃仁分为内壳和外壳的组分;
内肉是指山核桃仁的内侧,外肉是指山核桃仁的外测,内壳是指山核桃壳的内表面,外壳是山核桃壳的外表面。
步骤(2)高光谱图像的采集:
对高光谱相机进行黑白校正,然后将山核桃壳的内肉和外肉以及山核桃仁的内壳和外壳面向高光谱相机镜头并放置在黑色棉布上,分别采集山核桃各组分的高光谱图像;
步骤(3)高光谱图像的背景分割:
分别计算山核桃的各组分的高光谱图像的所有波段的平均图像,利用大律法对平均图像进行分割,使用形态学滤波方法去噪,再使用孔洞填充方法获得各组分的掩模图像,最后将掩模图像与各组分的高光谱图像进行与运算,从而获得去除背景后的山核桃各组分的高光谱图像;
步骤(4)各组分像素的光谱提取:
从去除背景后的山核桃各组分的高光谱图像中提取每个像素点的光谱,每个光谱包含了由各个波段组成的光谱数据,再采用多元散射校正(MSC)方法对每个像素点的光谱单独进行预处理,然后预处理后组成各组分的像素点光谱数据集,一种组分组成一个像素点光谱数据集,接着从各组分的像素点光谱数据集中随机选出数量相同的像素点的光谱,并对像素点对应的类别标签进行标记;像素点对应的类别标签即分为内肉、外肉、内壳和外壳的四种;
步骤(5)分类模型的建立:
构建卷积神经网络-长短时记忆网络(CNN-LSTM)结构并进行结构调整,将提取的各组分的光谱及其标记的类别标签对卷积神经网络-长短时记忆网络结构进行训练,以获得最优的山核桃各组分分类识别结果,训练后获得山核桃各组分分类模型;
具体实施建立测试集并利用测试集对训练好的山核桃各组分分类模型进行验证。
步骤(6)待测山核桃内源性异物的检测:
首先用训练好的山核桃各组分分类模型对待测壳仁混合样本的高光谱图像各像素点进行识别,输出每个像素点的分类,将外壳和内壳的像素点归类为山核桃壳,山核桃壳作为内源性异物,将外肉和内肉的像素点归类为核桃仁;再通过计算内源性异物的连通域面积,剔除小面积区域,获取最终的山核桃仁和山核桃壳的区域,实现对山核桃内源性异物的检测。
所述步骤(5)中,结构调整后的卷积神经网络-长短时记忆网络结构具体包括二维CNN网络、三个堆叠的LSTM层、全连接层和分类层依次连接构成,二维CNN网络包括连续的两个卷积池化模块,每个卷积池化模块是由连续的两个2D卷积层和一个池化层连接构成,分类层采用Softmax激活函数。
卷积神经网络-长短时记忆网络结构训练时,采用L2正则化和Dropout过拟合方法对二维CNN网络进行优化,以防止模型出现过拟合现象。
所述步骤(6)中,剔除小面积区域具体是将像素点个数小于1/k的连通域剔除,k表示高光谱图像中每个像素的实际面积大小。
具体是根据高光谱图像中每个像素点对应的实际面积进行计算,实际生产中碎壳尺寸大于1mm2,高光谱图像中每个像素的实际面积大小为k mm2,则核桃壳碎片在图像中对应的像素点个数一定大于1/k,则上述处理能剔除干扰,提高精度。
本发明方法首先提取高光谱图像中山核桃仁(外肉、内肉)和核桃壳(外壳、内壳)像素的光谱,然后基于卷积神经网络-长短时记忆网络(CNN-LSTM)模型,建立山核桃各组分(外肉、内肉、外壳、内壳)的分类模型,从实现像素级的山核桃内源性异物(山核桃壳)检测。
本发明方法与现有技术相比的优点优势在于:
针对山核桃壳碎片尺寸小且颜色与核桃仁相似、检测难度大的问题,本发明结合了高光谱成像和深度学习,并针对像素的光谱进行处理,进行了山核桃内源性异物的高光谱图像像素级检测,实现了小尺寸(像素级)山核桃碎壳的检测。
针对山核桃内源性异物检测模型对部分像素存在误判的问题,本发明利用连通域面积对模型进行修正,提高了检测精度。
附图说明
图1是山核桃各组分示意图。
图2是山核桃各组分平均光谱曲线图。
图3是山核桃高光谱图像背景分割和各组分光谱提取流程。
图4是基于CNN-LSTM的山核桃内源性异物检测模型的结构图。
图5是基于CNN-LSTM的山核桃内源性异物检测模型训练过程中的loss曲线图。
图6是基于高光谱图像和CNN-LSTM对的山核桃壳仁粘连样本的内源性异物检测结果(a)样本图像;(b)4分类指示图像(灰色代表内肉,白色区域为其他组分,黑点散点为误判的噪点);(c)2分类指示图像(灰色代表内肉,白色区域为内源性异物,黑点散点为误判的噪点);(d)经过连通域面积判别后的分类图像
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明提供的方法用于检测山核桃生产中所产生的内源性异物(核桃壳),高光谱成像技术和深度学习方法被用于本发明的检测过程。
本发明的具体实施例如下:
1、建模样品集的采集:
挑选无虫蛀、无霉变的山核桃壳和山核桃仁作为待测样本。根据山核桃的组成和结构特点,把山核桃壳和山核桃仁各分为2个组分:内肉、外肉、内壳和外壳。如图1所示,内肉是指山核桃仁的内侧,外肉是指山核桃仁的外测,内壳是指山核桃壳的内表面,外壳是山核桃壳的外表面;
2、高光谱图像的采集:
首先对高光谱相机进行黑白校正,然后将山核内肉、外肉、内壳和外壳面向高光谱相机镜头放置在黑色棉布上,分别采集山核桃各组分的高光谱图像;
3、高光谱图像的背景分割:
分别计算山核各组分(内肉、外肉、内壳和外壳)高光谱图像所有波段的平均图像,利用大律法对平均图像进行分割,使用形态学滤波方法去除噪点,再使用孔洞填充方法获得各组分的掩模图像,最后将掩模图像与各组分高光谱图像进行“与”运算,从而获得去除背景后的山核桃各组分高光谱图像;
4、各组分像素的光谱提取:
首先分别从去除背景后的山核桃各组分高光谱图像中提取每个像素点的光谱,组成各组分像素点光谱数据集,然后从各组分数据集中随机选出数量相等的光谱,并对光谱对应的类别进行标记,其中将外肉标记为1,内肉标记为2,外壳标记为3,内壳标记为4。山核桃各组分平均光谱曲线图如图2所示,山核桃高光谱图像背景分割和各组分光谱提取流程如图3所示;
5、分类模型的建立:
将提取的山核桃各组分光谱按4:1的比例划分为训练集和测试集,且保证训练集和测试集的光谱不来自于同一个样本,构建卷积神经网络-长短时记忆网络(CNN-LSTM)模型,模型结构如图4所示,模型具体参数如表1所示。原始光谱的长度为1×400,但是在该模型中,输入层依照列的模式对向量进行了变形,以20×20的矩阵形式输入到模型中。由于输入数据是一个二维矩阵,卷积和池化操作也同样在二维的基础上进行。CNN-LSTM模型包含了4个卷积层、2个池化层、3个LSTM层和1个全连接层,其中卷积层的卷积核大小为3×3,池化层的卷积核大小为2×2。在数据流进入LSTM层之前,它有三个维度,因此需要对第一和第二维度进行展平,使得数据流以一维向量的模式进入LSTM层。当模型过于复杂时,容易发生过拟合现象,因此采用L2正则化和Dropout方法对卷积神经网络进行优化。
表1 CNN-LSTM的结构参数
基于CNN-LSTM的山核桃内源性异物检测模型训练集的正确率为100.0%,测试集的正确率为99.0%,训练过程中的loss曲线如图5所示,模型测试集的混淆矩阵、精准率、召回率和F1分数如表3和表4所示。
表3 CNN-LSTM模型测试集的混淆矩阵
表4 CNN-LSTM模型测试集的精准率,召回率和F1分数
结果表明,山核桃各个组分识别精准率在96.9~100.0%之间,召回率在96.0~100.0%之间,该模型对山核桃各组分的分类正确率较高,可以有效对山核桃的内源性异物进行检测。
6、山核桃内源性异物的检测:
由于在实际生产过程中,山核桃壳往往和仁粘连在一起,对山核桃壳仁粘连样本的检测结果如图6所示,图6(b)显示的是按照之前思路的4分类结果。但是在实际生产中,只要区分出山核桃壳和山核桃仁即可,不需要细分为内壳、外壳、内肉和外肉,因此可以在CNN-LSTM模型的高光谱内源性异物检测结果基础上进行二分类,其中外壳和内壳被归类为内源性异物,外肉和内肉被归类为核桃仁。从图6(c)中可以看到,绝大多数像素点都被正确分类,由于仅仅需要进行二分类,因此正确率比之前的四分类模型更高。虽然被误判的像素点依然存在,但是可采取以下方法去除误判的像素区域:由于核桃壳碎片尺寸一定大于1mm2,而本实验中高光谱图像中每个像素的实际面积大小为8×10-3mm2,则“剔除小面积区域”的阈值设为125。计算图6(c)中白色连通域的面积,当白色连通域内像素点的个数大于125时,该白色连通域被判定为核桃壳,否则判定为核桃仁。
上述具体实施方式用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (3)
1.一种基于高光谱和深度学习的山核桃内源异物像素级检测方法,其特征在于:方法包括以下步骤:
步骤(1)建模样品集的采集:挑选无虫蛀、无霉变的山核桃壳和山核桃仁作为待测样本,将山核桃壳分为内肉和外肉的组分,将山核桃仁分为内壳和外壳的组分;
步骤(2)高光谱图像的采集:对高光谱相机进行黑白校正,然后将山核桃壳的内肉和外肉以及山核桃仁的内壳和外壳面向高光谱相机镜头并放置在黑色棉布上,分别采集山核桃各组分的高光谱图像;
步骤(3)高光谱图像的背景分割:分别计算山核桃的各组分的高光谱图像的所有波段的平均图像,利用大律法对平均图像进行分割,使用形态学滤波方法去噪,再使用孔洞填充方法获得各组分的掩模图像,最后将掩模图像与各组分的高光谱图像进行与运算,从而获得去除背景后的山核桃各组分的高光谱图像;
步骤(4)各组分像素的光谱提取:从去除背景后的山核桃各组分的高光谱图像中提取每个像素点的光谱,每个光谱包含了由各个波段组成的光谱数据,再采用多元散射校正方法对每个像素点的光谱单独进行预处理,然后预处理后组成各组分的像素点光谱数据集,一种组分组成一个像素点光谱数据集,接着从各组分的像素点光谱数据集中随机选出数量相同的像素点的光谱,并对像素点对应的类别标签进行标记;
步骤(5)分类模型的建立:构建卷积神经网络-长短时记忆网络结构并进行结构调整,将提取的各组分的光谱及其标记的类别标签对卷积神经网络-长短时记忆网络结构进行训练,训练后获得山核桃各组分分类模型;
步骤(6)待测山核桃内源性异物的检测:首先用训练好的山核桃各组分分类模型对待测壳仁混合样本的高光谱图像各像素点进行识别,输出每个像素点的分类,将外壳和内壳的像素点归类为山核桃壳,山核桃壳作为内源性异物,将外肉和内肉的像素点归类为核桃仁;再通过计算内源性异物的连通域面积,剔除小面积区域,获取最终的山核桃仁和山核桃壳的区域,实现对山核桃内源性异物的检测。
2.根据权利要求1所述的一种基于高光谱和深度学习的山核桃内源异物像素级检测方法,其特征在于:所述步骤(5)中,结构调整后的卷积神经网络-长短时记忆网络结构具体包括二维CNN网络、三个堆叠的LSTM层、全连接层和分类层依次连接构成,二维CNN网络包括连续的两个卷积池化模块,每个卷积池化模块是由连续的两个2D卷积层和一个池化层连接构成,分类层采用Softmax激活函数。
3.根据权利要求1所述的一种基于高光谱和深度学习的山核桃内源异物像素级检测方法,其特征在于:所述步骤(6)中,剔除小面积区域具体是将像素点个数小于1/k的连通域剔除,k表示高光谱图像中每个像素的实际面积大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010922380.XA CN112132792B (zh) | 2020-09-04 | 2020-09-04 | 基于高光谱和深度学习的山核桃内源异物像素级检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010922380.XA CN112132792B (zh) | 2020-09-04 | 2020-09-04 | 基于高光谱和深度学习的山核桃内源异物像素级检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132792A true CN112132792A (zh) | 2020-12-25 |
CN112132792B CN112132792B (zh) | 2022-05-10 |
Family
ID=73848012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010922380.XA Active CN112132792B (zh) | 2020-09-04 | 2020-09-04 | 基于高光谱和深度学习的山核桃内源异物像素级检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132792B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113887702A (zh) * | 2021-09-10 | 2022-01-04 | 哈尔滨工业大学 | 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006046913A1 (en) * | 2004-10-25 | 2006-05-04 | Forskarpatent I Uppsala Ab | A system for multi- and hyperspectral imaging |
CN108855988A (zh) * | 2018-05-07 | 2018-11-23 | 新疆农业大学 | 基于机器视觉的核桃仁分级方法及核桃仁分级装置 |
CN110378344A (zh) * | 2019-05-05 | 2019-10-25 | 北京交通大学 | 基于谱维转换网络的卷积神经网络多光谱图像分割方法 |
-
2020
- 2020-09-04 CN CN202010922380.XA patent/CN112132792B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006046913A1 (en) * | 2004-10-25 | 2006-05-04 | Forskarpatent I Uppsala Ab | A system for multi- and hyperspectral imaging |
CN108855988A (zh) * | 2018-05-07 | 2018-11-23 | 新疆农业大学 | 基于机器视觉的核桃仁分级方法及核桃仁分级装置 |
CN110378344A (zh) * | 2019-05-05 | 2019-10-25 | 北京交通大学 | 基于谱维转换网络的卷积神经网络多光谱图像分割方法 |
Non-Patent Citations (2)
Title |
---|
ZHONGZHI HAN,ET AL;: "《Pixel-level aflatoxin detecting based on deep learning and hyperspectral imaging 》", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 * |
张号逵 等;: "《深度学习在高光谱图像分类领域的研究现状与展望》", 《自动化学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113887702A (zh) * | 2021-09-10 | 2022-01-04 | 哈尔滨工业大学 | 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法 |
CN113887702B (zh) * | 2021-09-10 | 2024-06-04 | 哈尔滨工业大学 | 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112132792B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao-bo et al. | In-line detection of apple defects using three color cameras system | |
Li et al. | Automatic detection of common surface defects on oranges using combined lighting transform and image ratio methods | |
CN109002851B (zh) | 一种基于图像多特征融合的水果分类方法及应用 | |
CN110490895B (zh) | 一种基于高光谱图像处理的提高肉源真伪鉴别正确率方法 | |
Abdullah et al. | Automated inspection system for colour and shape grading of starfruit (Averrhoa carambola L.) using machine vision sensor | |
CN107505325B (zh) | 冬枣果实的全方位品质检测方法 | |
Ünal et al. | Classification of hazelnut kernels with deep learning | |
Leiva et al. | The automatic sorting using image processing improves postharvest blueberries storage quality | |
CN113222959B (zh) | 一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法 | |
Wang et al. | Recognition of worm-eaten chestnuts based on machine vision | |
CN110929787B (zh) | 一种基于图像的苹果客观定级系统 | |
Aran et al. | Automated cashew kernel grading using machine vision | |
Fiona et al. | Identification of ripe and unripe citrus fruits using artificial neural network | |
CN112132792B (zh) | 基于高光谱和深度学习的山核桃内源异物像素级检测方法 | |
Arlimatti | Window based method for automatic classification of apple fruit | |
Nashat et al. | Automatic segmentation and classification of olive fruits batches based on discrete wavelet transform and visual perceptual texture features | |
CN114295556A (zh) | 一种基于一维卷积的高光谱理化指标拟合方法及系统 | |
Sabanci et al. | Benchmarking analysis of CNN models for pits of sour cherry cultivars | |
Janardhana et al. | Computer aided inspection system for food products using machine vision—a review | |
Tadele et al. | Sesame disease detection using a deep convolutional neural network | |
Peterson et al. | Identifying apple surface defects using principal components analysis and artificial neural networks | |
Kociołek et al. | Preprocessing of barley grain images for defect identification | |
Ahmad et al. | Classification of starfruit ripeness using neural network technique | |
Sreekanth et al. | Fruit detection using improved K-means algorithm | |
Hanibah et al. | Determination of physical rice composition using image processing technique |
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 |