CN112161937A - 基于级联森林和卷积神经网络的小麦粉筋度检测方法 - Google Patents
基于级联森林和卷积神经网络的小麦粉筋度检测方法 Download PDFInfo
- Publication number
- CN112161937A CN112161937A CN202011214332.1A CN202011214332A CN112161937A CN 112161937 A CN112161937 A CN 112161937A CN 202011214332 A CN202011214332 A CN 202011214332A CN 112161937 A CN112161937 A CN 112161937A
- Authority
- CN
- China
- Prior art keywords
- image
- wheat flour
- gluten
- convolutional neural
- neural network
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 69
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 69
- 108010068370 Glutens Proteins 0.000 title claims abstract description 59
- 235000021312 gluten Nutrition 0.000 title claims abstract description 59
- 235000013312 flour Nutrition 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 13
- 229910052736 halogen Inorganic materials 0.000 claims description 10
- 150000002367 halogens Chemical class 0.000 claims description 10
- 238000000701 chemical imaging Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 claims description 2
- 230000001678 irradiating effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 238000002310 reflectometry Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 5
- 235000013305 food Nutrition 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 235000012970 cakes Nutrition 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 235000015927 pasta Nutrition 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01N21/17—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
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
-
- 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
- G01N2021/1765—Method using an image detector and processing of image signal
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
- G01N2021/4764—Special kinds of physical applications
- G01N2021/4769—Fluid samples, e.g. slurries, granulates; Compressible powdery of fibrous samples
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Artificial Intelligence (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明特别涉及一种基于级联森林和卷积神经网络的小麦粉筋度检测方法,包括如下步骤:A、选取已知筋度的小麦粉作为样本并分成训练集和测试集;B、采集高光谱图像;C、提取单波段图;D、获得图像特征;E、将特征波长和图像特征进行图谱融合后作为特征值,将筋度标签作为结果,代入级联森林模型中进行训练得到小麦粉筋度识别模型;F、将测试集代入训练好的小麦粉筋度识别模型中进行测试,得到预测的筋度类别以及类别准确度。利用高光谱数据获得光谱特征建立小麦粉筋度控制模型,继而通过模型对输入数据进行对比分析,快速无损识别出小麦粉的筋度,判别小麦粉筋度是否符合制作工艺要求检测方法,该检测方法适用性强、检测精度高,能够无损地实现小麦粉筋度检测。
Description
技术领域
本发明涉及农产品品质检测技术领域,特别涉及一种基于级联森林和卷积神经网络的小麦粉筋度检测方法。
背景技术
小麦粉是中国人餐桌上必不可少的食物之一,可以使用小麦粉制作馒头、蛋糕、面筋等面食。然而对于不同的面食,对筋度的要求也不同。一旦小麦粉筋度达不到标准,会大幅地增加面食的制作难度,影响面食的口感。随着生活水平的提高,消费者在购买小麦粉时开始关注小麦粉筋度是否符合要求。目前小麦粉筋度未严格控制的情况在销售时不断出现,这些现象破坏了消费者的消费体验。由于外观差别微小,只依靠人的视觉和嗅觉,主观性太强,很容易就会产生误判,不能满足上述检测要求。
发明内容
本发明的目的在于提供一种基于级联森林和卷积神经网络的小麦粉筋度检测方法,可以方便的进行小麦粉筋度的检测。
为实现以上目的,本发明采用的技术方案为:一种基于级联森林和卷积神经网络的小麦粉筋度检测方法,包括如下步骤:A、选取已知筋度的小麦粉作为样本,样本按一定比例划分成训练集和测试集;B、采集样本的高光谱图像;C、对高光谱图像进行处理、选择特征波长并提取单波段图;D、将单波段图输入到卷积神经网络中提取图像特征,并对数据进行降维,获得最终的图像特征;E、将训练集的特征波长和图像特征进行图谱融合后作为特征值,将筋度标签作为结果,代入级联森林模型中进行训练得到小麦粉筋度识别模型;F、将测试集代入训练好的小麦粉筋度识别模型中进行测试,得到预测的筋度类别以及类别准确度。
与现有技术相比,本发明存在以下技术效果:这里利用高光谱数据获得光谱特征,并利用卷积神经网络自动提取单波段图像特征,建立小麦粉筋度控制模型,继而通过模型对输入数据进行对比分析,快速无损识别出小麦粉的筋度,判别小麦粉筋度是否符合制作工艺要求检测方法,该检测方法适用性强、检测精度高,能够无损地实现小麦粉筋度检测。
附图说明
图1是本发明中小麦粉筋度识别模型的构建流程图;
图2是本发明中BP神经网络模型结构图;
图3是本发明中高光谱数据采集装置的结构示意图。
图4是本发明中高光谱数据采集装置的剖视图;
图5是移动支架的结构示意图;
图6是转动件的结构示意图;
图7是轴杆的结构示意图;
图8是移动支架和支撑台装配状态示意图。
具体实施方式
下面结合图1至图8,对本发明做进一步详细叙述。
参阅图1,一种基于级联森林和卷积神经网络的小麦粉筋度检测方法,包括如下步骤:A、选取已知筋度的小麦粉作为样本,样本按一定比例划分成训练集和测试集;B、采集样本的高光谱图像;C、对高光谱图像进行处理、选择特征波长并提取单波段图;D、将单波段图输入到卷积神经网络中提取图像特征,并对数据进行降维,获得最终的图像特征;E、将训练集的特征波长和图像特征进行图谱融合后作为特征值,将筋度标签作为结果,代入级联森林模型中进行训练得到小麦粉筋度识别模型;F、将测试集代入训练好的小麦粉筋度识别模型中进行测试,得到预测的筋度类别以及类别准确度。这里利用高光谱数据获得光谱特征和纹理特征,以及不同筋度小麦粉的物理性质的差异获得吸水率的数据,建立小麦粉筋度控制模型,继而通过模型对光谱数据进行对比分析,快速无损识别出小麦粉的筋度,判别小麦粉筋度是否符合制作工艺要求检测方法,该检测方法适用性强、检测精度高,能够无损地实现小麦粉筋度检测。
为了避免拍摄环境带来的误差,本发明中优选地,所述的步骤B中,采集到的高光谱图像为*.cube格式,步骤C中,按如下步骤对高光谱图像进行处理:C11、对获取到的*.cube格式图像进行黑白板校正,并将校正后的图像以*.float格式存储,黑白板校正公式如下:R=(O-B)/(W-B);式中,O为原始的高光谱图像,B为黑板校正图像,W为白板校正图像,经过黑白板校正后的高光谱图像即为R,校正后的数据更为精准,建立的模型更加精确;C12、从*.float格式图像中选取696nm、544nm、488nm三个波段合成RGB小麦粉样本图像;C13、将RGB小麦粉样本图像转换至Lab空间并根据预先设定的阈值b0提取小麦粉样本区域得到二值图;C14、利用二值图进行分割得到感兴趣区域,计算感兴趣区域的平均反射率。
进一步地,所述的步骤C中,按如下步骤选择特征波长:C21、对步骤C14中得到的全光谱数据使用标准正态变换进行预处理,这样可以减小固体颗粒大小、表面散射及光程变换对漫反射的影响;C22、对预处理后的全光谱数据使用RELIEF特征选取算法对各波长的对于分类任务的贡献权重进行排序,选出前十个波长作为特征波长。通过这些步骤,可以去除与小麦粉筋度无关的物理性质的影响,特征波长的选取减小了冗余信息,提高识别模型的准确度。
进一步地,所述的步骤C中,按如下步骤提取图像特征:C31、从步骤C22的提取权重最大的波长的单波段图;C32、利用卷积神经网络作为特征提取器自动提取单波段图的特征;C33、再利用主成分分析对上述特诊进行降维,获得最终的图像特征。
获得了光谱特征和图像特征以后,为了减小特征的不同尺度问题,对所有特征值进行尺度缩放,把数据映射到0-1范围之内,这样可以更好的进行后续训练过程。故本发明中优选地,所述的步骤D中,先将获得的特征按如下步骤融合后再进行模型训练:D1、记样本的特征值分别为x(i),i∈[1,2,...,m];D2、对所有特征进行归一化处理,处理后的特征值为xnor(i)=x(i)/[x(1)+x(2)+…+x(m)],i∈[1,2,...,m]。
故本发明的步骤D中,筋度标签包括低筋度、中筋度、高筋度三个,将待测小麦粉的特征值代入小麦粉筋度识别模型中,识别出的结果为这三个筋度标签中的一个。
参阅图2,级联森林是一种是一种决策树集成方法,性能较之深度神经网络有很强的竞争力。深度神经网络需要花大力气调参,相比之下级联森林要容易训练得多。且能达到极佳的性能。级联森林的每一层包括两个随机森林和两个完全随机树森林。假设有三个类要预测,每个森林将输出三个类别的概率,即三维类向量,该类向量与输入的原始特征向量拼接作为下一层的输入。
为了降低过拟合风险,每个森林产生的类向量由k折交叉验证产生。具体来说,每个实例都将被用作k-1次训练数据,产生k-1个类向量,然后对其取平均值,获得最终的类向量。
需要注意的是,在扩展一个新的级后,整个级联的性能将在验证集上进行估计,如果没有显着的性能增益,训练过程将终止;因此,级联中级的数量是自动确定的。
参阅图3和图4,进一步地,所述的步骤B和F中,将样本或待测小麦粉放在高光谱数据采集装置中采集样本的高光谱图像;高光谱数据采集装置包括外壳100、支撑台300、第一锁紧单元、第二锁紧单元、卤素灯600、高光谱成像光谱仪700以及计算机,所述的支撑台300位于外壳100内底部,支撑台300具有多个检测面分别用于放置白板、黑板和比色皿,比色皿中盛放有待检测的小麦粉,第一锁紧单元解锁时支撑台300在外壳100内可以上下移动,第二锁紧单元解锁时支撑台300可以转动并使得某一检测面朝上,卤素灯600和高光谱成像光谱仪700位于外壳100内顶部,卤素灯600射出的光线用于照射白板、黑板或比色皿,高光谱成像光谱仪700用于采集白板校正图像、黑板校正图像或小麦粉的高光谱图像并通过数据线输出至计算机上;所述的步骤A-F中,支撑台300的高度一致,步骤B和F中,样本或待测小麦粉放在比色皿中以后需要将表面压平。通过设置支撑台300且支撑台300具有多个检测面,可以方便的获取到白板校正图像、黑板校正图像以及小麦粉的高光谱图像,并且切换起来很方便,只需要解锁第二锁紧单元,转动支撑台300即可,同时,支撑台300可在外壳100内上下位移,以保证所采集图像的质量,本装置结构简单,实用性强,使用起来非常的可靠和方便。
由于这里一般只用到三个检测面,故本发明中进一步地,所述的支撑台300包括转动件310,转动件310整体呈三棱柱型,如图6所示,转动件310的三个侧面构成检测面分别用于放置白板、黑板和比色皿,第二锁紧单元解锁时转动件310可绕其轴芯转动使得某一检测面朝上。
参阅图5,为了方便的实现支撑台300的上下移动,这里进一步地,所述的外壳100位于水平面内的截面呈方形,外壳100内设置有移动支架200,移动支架200包括方形框体210和凸柱220,方形框体210的外轮廓与外壳100的内轮廓尺寸相吻合,这样方形框体210就可以在外壳100内上下移动,凸柱220设置在方形框体210两个相对的侧面上,外壳100两个相对的侧面上设置有上下布置的腰型孔130供凸柱220穿过,凸柱220可以起到支撑方形框体210的作用,并且凸柱220可以在腰型孔130中滑移,腰型孔130的长度限制了支撑台300的上下移动范围。凸柱220外周设置有螺纹并套设有第一锁紧螺母400,凸柱220和第一锁紧螺母400共同构成第一锁紧单元。在使用的时候,如果需要移动支撑台300,只需要将第一锁紧螺母400拧松,然后两只手分别握住两侧的凸柱220,就可以调节移动支架200的位置,从而带动支撑台300上下移动,移动到指定位置以后,将两个第一锁紧螺母拧紧即可将移动支架200的位置固定。
进一步地,所述的支撑台300还包括轴杆320,轴杆320的轴芯与转动件310的轴芯重合,轴杆320和转动件310构成周向限位、轴向滑移配合,第二锁紧单元锁合时轴杆320不可转动从而限制转动件310转动。这里的支撑台300由轴杆320和转动件310两个部件构成,可以方便的实现两者之间的周向限位、轴向滑移配合,从而在需要调节检测面的时候,转动轴杆320即可带动转动件310转动,当需要固定转动件310的位置时,只需要固定轴杆320即可,轴杆320可以顺延轴向滑移,就能方便的实现轴杆320的周向固定。
参阅图6,进一步地,所述转动件310的一个侧面上设置有沉孔311用于容纳比色皿,这样比色皿的位置就会固定在检测面的中心位置,提高检测精度,另外两个侧面上分别固定设置白板和黑板,白板和黑板可以是可拆卸式的固定在转动件310上。
参阅图5-图8,进一步地,所述转动件310的轴芯位置上设置有通孔312供轴杆320穿过,沉孔311的孔底设置有销孔313,销孔313的里端延伸至转动件310的通孔312中,轴杆320的杆身设置有槽321,键杆330插置于销孔313中且其里端延伸至轴杆320的槽321内,键杆330与槽321构成键槽配合实现轴杆320和转动件310的周向限位、轴向滑移配合。在安装时,首先将轴杆320插置于转动件310的通孔312中,然后从销孔313中插入键杆330,键杆330的里端延伸至槽321中但并未抵靠在槽321的槽底上,这样就不会影响轴杆320在通孔312中轴向滑移,并且轴杆320在转动的时候会带动转动件310同步转动。
进一步地,所述移动支架200的凸柱220为中空状供轴杆320穿过;轴杆320的其中一端设置有第二凸起322,第二凸起322所在的平面与轴杆320的轴芯垂直,第二凸起322的长度方向沿轴杆320的径向方向布置,第二凸起322沿周向均匀间隔设置有三个,轴杆320的另一端设置有外螺纹并套设有第二锁紧螺母500;位于第二凸起322一侧的凸柱220上设置有三个卡槽221,第二凸起322位于卡槽221中时限制轴杆320转动,轴杆320和第二锁紧螺母500构成第二锁紧单元用于限制轴杆320轴向滑移。第二凸起322和卡槽221的设置,可以保证朝上的检测面能够位于水平面内,进一步保证图像采集的准确性。需要注意的是,这里第二凸起322的数量和转动件310检测面的个数是相等的,本实施例中,转动件310有三个检测面,因此这里设置了三个第二凸起322。
采用上述方案以后,各部件的安装和拆卸非常方便。在安装时:首先将方形框体210装入外壳100中,然后从外壳100的腰型孔130位置处装上凸柱220,并将第一锁紧螺母400拧在凸柱220上;其次在方形框体210中装入转动件310,然后将轴杆320自凸柱220中穿入转动件310的通孔312中并从另一个凸柱220中穿出,装配轴杆320时,需要注意将第二凸起322和卡槽221的位置相对应;再次,将键杆330插入销孔313中,并将第二锁紧螺母500拧在轴杆320上即完成安装。
在使用时,拧松第一锁紧螺母400,即可实现方形框体210上下位置调整,方形框体210会带动转动件310同步上下动作;拧松第二锁紧螺母500,将第二凸起322从卡槽221中退出,转动120°,再将第二凸起322插入卡槽221中,在拧紧第二锁紧螺母500即可实现支撑台300检测面的更换。
进一步地,所述的方形框体210上设置有第一凸起211,第一凸起211如图5所示,方形框体210在外壳100内沿腰型孔130上下位移至任意位置时,第一凸起211和方形框体210都能对腰型孔130实现遮挡。这样设置以后,可以保证外壳100整体是暗盒,不会影响到光谱的采集。
进一步地,所述外壳100的本体呈开口朝上的方盒状,外壳100的本体上端通过盖110封闭,高光谱成像光谱仪700设置在盖110的中心,卤素灯600以盖110的中心为轴在盖110的下板面上沿周向均匀间隔布置多个。多个卤素灯600,使得光线的照射更佳均匀,卤素灯600和高光谱成像光谱仪700均设置在盖110上,方便安装和拆卸。所述外壳100上未设置腰型孔130的其中一个侧面上开设有缺口并在缺口处设置有门120便于操作人员向外壳100内放入装有待检测小麦粉的比色皿。
Claims (10)
1.一种基于级联森林和卷积神经网络的小麦粉筋度检测方法,其特征在于:包括如下步骤:
A、选取已知筋度的小麦粉作为样本,样本按一定比例划分成训练集和测试集;
B、采集样本的高光谱图像;
C、对高光谱图像进行处理、选择特征波长并提取单波段图;
D、将单波段图输入到卷积神经网络中提取图像特征,并对数据进行降维,获得最终的图像特征;
E、将训练集的特征波长和图像特征进行图谱融合后作为特征值,将筋度标签作为结果,代入级联森林模型中进行训练得到小麦粉筋度识别模型;
F、将测试集代入训练好的小麦粉筋度识别模型中进行测试,得到预测的筋度类别以及类别准确度。
2.如权利要求1所述的基于级联森林和卷积神经网络的小麦粉筋度检测方法,其特征在于:所述的步骤B中,采集到的高光谱图像为*.cube格式,步骤C中,按如下步骤对高光谱图像进行处理:
C11、对获取到的*.cube格式图像进行黑白板校正,并将校正后的图像以*.float格式存储,黑白板校正公式如下:
R=(O-B)/(W-B);
式中,O为原始的高光谱图像,B为黑板校正图像,W为白板校正图像;
C12、从*.float格式图像中选取696nm、544nm、488nm三个波段合成RGB小麦粉样本图像;
C13、将RGB小麦粉样本图像转换至Lab空间并根据预先设定的阈值b0提取小麦粉样本区域得到二值图;
C14、利用二值图进行分割得到感兴趣区域,计算感兴趣区域的平均反射率。
3.如权利要求2所述的基于级联森林和卷积神经网络的小麦粉筋度检测方法,其特征在于:所述的步骤C中,按如下步骤选择特征波长:
C21、对步骤C14中得到的全光谱数据使用标准正态变换进行预处理;
C22、对预处理后的全光谱数据使用RELIEF特征选取算法对各波长的对于分类任务的贡献权重进行排序,选出前十个波长作为特征波长。
4.如权利要求3所述的基于级联森林和卷积神经网络的小麦粉筋度检测方法,其特征在于:所述的步骤C中,按如下步骤提取图像特征:
C31、从步骤C22的提取权重最大的波长的单波段图;
C32、利用卷积神经网络作为特征提取器自动提取单波段图的特征;
C33、再利用主成分分析对上述特诊进行降维,获得最终的图像特征。
5.如权利要求4所述的基于级联森林和卷积神经网络的小麦粉筋度检测方法,其特征在于:所述的步骤D中,先将获得的特征按如下步骤融合后再进行模型训练:
D1、记样本的特征值分别为x(i),i∈[1,2,...,m];
D2、对所有特征进行归一化处理,处理后的特征值为xnor(i)=x(i)/[x(1)+x(2)+…+x(m)],i∈[1,2,...,m]。
6.如权利要求5所述的基于级联森林和卷积神经网络的小麦粉筋度检测方法,其特征在于:所述的步骤B和F中,将样本或待测小麦粉放在高光谱数据采集装置中采集样本的高光谱图像;高光谱数据采集装置包括外壳(100)、支撑台(300)、第一锁紧单元、第二锁紧单元、卤素灯(600)、高光谱成像光谱仪(700)以及计算机,所述的支撑台(300)位于外壳(100)内底部,支撑台(300)具有多个检测面分别用于放置白板、黑板和比色皿,比色皿中盛放有待检测的小麦粉,第一锁紧单元解锁时支撑台(300)在外壳(100)内可以上下移动,第二锁紧单元解锁时支撑台(300)可以转动并使得某一检测面朝上,卤素灯(600)和高光谱成像光谱仪(700)位于外壳(100)内顶部,卤素灯(600)射出的光线用于照射白板、黑板或比色皿,高光谱成像光谱仪(700)用于采集白板校正图像、黑板校正图像或小麦粉的高光谱图像并通过数据线输出至计算机上;所述的步骤A-F中,支撑台(300)的高度一致,步骤B和F中,样本或待测小麦粉放在比色皿中以后需要将表面压平。
7.如权利要求6所述的基于级联森林和卷积神经网络的小麦粉筋度检测方法,其特征在于:所述的支撑台(300)包括转动件(310),转动件(310)整体呈三棱柱型,转动件(310)的三个侧面构成检测面分别用于放置白板、黑板和比色皿,第二锁紧单元解锁时转动件(310)可绕其轴芯转动使得某一检测面朝上。
8.如权利要求7所述的基于级联森林和卷积神经网络的小麦粉筋度检测方法,其特征在于:所述的外壳(100)位于水平面内的截面呈方形,外壳(100)内设置有移动支架(200),移动支架(200)包括方形框体(210)和凸柱(220),方形框体(210)的外轮廓与外壳(100)的内轮廓尺寸相吻合,凸柱(220)设置在方形框体(210)两个相对的侧面上,外壳(100)两个相对的侧面上设置有上下布置的腰型孔(130)供凸柱(220)穿过,凸柱(220)外周设置有螺纹并套设有第一锁紧螺母(400),凸柱(220)和第一锁紧螺母(400)共同构成第一锁紧单元;所述的支撑台(300)还包括轴杆(320),轴杆(320)的轴芯与转动件(310)的轴芯重合,轴杆(320)和转动件(310)构成周向限位、轴向滑移配合,第二锁紧单元锁合时轴杆(320)不可转动从而限制转动件(310)转动。
9.如权利要求8所述的基于级联森林和卷积神经网络的小麦粉筋度检测方法,其特征在于:所述转动件(310)的一个侧面上设置有沉孔(311)用于容纳比色皿,另外两个侧面上分别固定设置白板和黑板;转动件(310)的轴芯位置上设置有通孔(312)供轴杆(320)穿过,沉孔(311)的孔底设置有销孔(313),销孔(313)的里端延伸至转动件(310)的通孔(312)中,轴杆(320)的杆身设置有槽(321),键杆(330)插置于销孔(313)中且其里端延伸至轴杆(320)的槽(321)内,键杆(330)与槽(321)构成键槽配合实现轴杆(320)和转动件(310)的周向限位、轴向滑移配合。
10.如权利要求9所述的基于级联森林和卷积神经网络的小麦粉筋度检测方法,其特征在于:所述移动支架(200)的凸柱(220)为中空状供轴杆(320)穿过;轴杆(320)的其中一端设置有第二凸起(322),第二凸起(322)所在的平面与轴杆(320)的轴芯垂直,第二凸起(322)的长度方向沿轴杆(320)的径向方向布置,第二凸起(322)沿周向均匀间隔设置有三个,轴杆(320)的另一端设置有外螺纹并套设有第二锁紧螺母(500);位于第二凸起(322)一侧的凸柱(220)上设置有三个卡槽(221),第二凸起(322)位于卡槽(221)中时限制轴杆(320)转动,轴杆(320)和第二锁紧螺母(500)构成第二锁紧单元用于限制轴杆(320)轴向滑移;
所述的方形框体(210)上设置有第一凸起(211),方形框体(210)在外壳(100)内沿腰型孔(130)上下位移至任意位置时,第一凸起(211)和方形框体(210)都能对腰型孔(130)实现遮挡;
所述外壳(100)的本体呈开口朝上的方盒状,外壳(100)的本体上端通过盖(110)封闭,高光谱成像光谱仪(700)设置在盖(110)的中心,卤素灯(600)以盖(110)的中心为轴在盖(110)的下板面上沿周向均匀间隔布置多个;
所述外壳(100)上未设置腰型孔(130)的其中一个侧面上开设有缺口并在缺口处设置有门(120)便于操作人员向外壳(100)内放入装有待检测小麦粉的比色皿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011214332.1A CN112161937B (zh) | 2020-11-04 | 2020-11-04 | 基于级联森林和卷积神经网络的小麦粉筋度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011214332.1A CN112161937B (zh) | 2020-11-04 | 2020-11-04 | 基于级联森林和卷积神经网络的小麦粉筋度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112161937A true CN112161937A (zh) | 2021-01-01 |
CN112161937B CN112161937B (zh) | 2023-06-23 |
Family
ID=73865532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011214332.1A Active CN112161937B (zh) | 2020-11-04 | 2020-11-04 | 基于级联森林和卷积神经网络的小麦粉筋度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112161937B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923649A (zh) * | 2010-06-22 | 2010-12-22 | 中国海洋大学 | 一种基于荧光光谱的溢油种类识别方法 |
JP2011002330A (ja) * | 2009-06-18 | 2011-01-06 | Sanyu Kikai Seisakusho:Kk | 角缶の内面検査方法 |
CN105548029A (zh) * | 2015-12-14 | 2016-05-04 | 北京农业质量标准与检测技术研究中心 | 基于光谱成像技术的肉制品新鲜度检测方法 |
CN108508163A (zh) * | 2018-05-31 | 2018-09-07 | 四川理工学院 | 一种高精度空气检测系统 |
CN108956604A (zh) * | 2018-05-29 | 2018-12-07 | 江苏大学 | 一种基于高光谱图像技术识别中华绒螯蟹品质的方法 |
CN109060670A (zh) * | 2018-08-08 | 2018-12-21 | 华中科技大学 | 一种反射和透射一体化的高光谱成像系统及方法 |
CN109725299A (zh) * | 2017-10-31 | 2019-05-07 | 北京北科天绘科技有限公司 | 一种激光扫描装置、雷达装置及其扫描方法 |
CN110110596A (zh) * | 2019-03-29 | 2019-08-09 | 西北大学 | 高光谱图像特征提取、分类模型构建及分类方法 |
CN110108644A (zh) * | 2019-05-15 | 2019-08-09 | 北京师范大学 | 一种基于深度级联森林和高光谱图像的玉米品种鉴别方法 |
CN110346376A (zh) * | 2019-07-01 | 2019-10-18 | 中国农业大学 | 一种便携式玉米霉变双面无损检测装置 |
WO2020037594A1 (zh) * | 2018-08-23 | 2020-02-27 | 合刃科技(深圳)有限公司 | 一种基于高光谱成像的手势识别方法及装置 |
CN210465246U (zh) * | 2019-05-30 | 2020-05-05 | 南京农业大学 | 小麦感染赤霉病等级及病粒率高光谱无损检测装置的光谱采集装置 |
US20200191921A1 (en) * | 2018-12-13 | 2020-06-18 | Baidu Usa Llc | Lidar 3d design using a polygon mirror |
-
2020
- 2020-11-04 CN CN202011214332.1A patent/CN112161937B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011002330A (ja) * | 2009-06-18 | 2011-01-06 | Sanyu Kikai Seisakusho:Kk | 角缶の内面検査方法 |
CN101923649A (zh) * | 2010-06-22 | 2010-12-22 | 中国海洋大学 | 一种基于荧光光谱的溢油种类识别方法 |
CN105548029A (zh) * | 2015-12-14 | 2016-05-04 | 北京农业质量标准与检测技术研究中心 | 基于光谱成像技术的肉制品新鲜度检测方法 |
CN109725299A (zh) * | 2017-10-31 | 2019-05-07 | 北京北科天绘科技有限公司 | 一种激光扫描装置、雷达装置及其扫描方法 |
CN108956604A (zh) * | 2018-05-29 | 2018-12-07 | 江苏大学 | 一种基于高光谱图像技术识别中华绒螯蟹品质的方法 |
CN108508163A (zh) * | 2018-05-31 | 2018-09-07 | 四川理工学院 | 一种高精度空气检测系统 |
CN109060670A (zh) * | 2018-08-08 | 2018-12-21 | 华中科技大学 | 一种反射和透射一体化的高光谱成像系统及方法 |
WO2020037594A1 (zh) * | 2018-08-23 | 2020-02-27 | 合刃科技(深圳)有限公司 | 一种基于高光谱成像的手势识别方法及装置 |
US20200191921A1 (en) * | 2018-12-13 | 2020-06-18 | Baidu Usa Llc | Lidar 3d design using a polygon mirror |
CN110110596A (zh) * | 2019-03-29 | 2019-08-09 | 西北大学 | 高光谱图像特征提取、分类模型构建及分类方法 |
CN110108644A (zh) * | 2019-05-15 | 2019-08-09 | 北京师范大学 | 一种基于深度级联森林和高光谱图像的玉米品种鉴别方法 |
CN210465246U (zh) * | 2019-05-30 | 2020-05-05 | 南京农业大学 | 小麦感染赤霉病等级及病粒率高光谱无损检测装置的光谱采集装置 |
CN110346376A (zh) * | 2019-07-01 | 2019-10-18 | 中国农业大学 | 一种便携式玉米霉变双面无损检测装置 |
Non-Patent Citations (2)
Title |
---|
NAIYUE HU 等: "Predicting micronutrients of wheat using hyperspectral imaging", FOOD CHEMISTRY, vol. 343, pages 128473 * |
戴松松;殷勇;: "基于高光谱信息特征选择的玉米霉变程度Fisher鉴别方法", 食品与机械, vol. 34, no. 03, pages 68 - 72 * |
Also Published As
Publication number | Publication date |
---|---|
CN112161937B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gomes et al. | Comparison of different approaches for the prediction of sugar content in new vintages of whole Port wine grape berries using hyperspectral imaging | |
Li et al. | Hyperspectral imaging and their applications in the nondestructive quality assessment of fruits and vegetables | |
Diezma et al. | Examination of the quality of spinach leaves using hyperspectral imaging | |
Yu et al. | Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing | |
CN110411957B (zh) | 水果货架期及新鲜程度的无损快速预测方法及装置 | |
Li et al. | Pears characteristics (soluble solids content and firmness prediction, varieties) testing methods based on visible-near infrared hyperspectral imaging | |
Sun et al. | Detection of internal qualities of hami melons using hyperspectral imaging technology based on variable selection algorithms | |
Yue et al. | A smart data-driven rapid method to recognize the strawberry maturity | |
Manthou et al. | Application of spectroscopic and multispectral imaging technologies on the assessment of ready-to-eat pineapple quality: A performance evaluation study of machine learning models generated from two commercial data analytics tools | |
Moscetti et al. | Near infrared spectroscopy is suitable for the classification of hazelnuts according to Protected Designation of Origin | |
Tan et al. | The feasibility of early detection and grading of apple bruises using hyperspectral imaging | |
CN109001134B (zh) | 非接触式多通道水果内部缺陷检测系统及方法 | |
Sun et al. | Detection of moisture content in peanut kernels using hyperspectral imaging technology coupled with chemometrics | |
Xu et al. | Research on nondestructive identification of grape varieties based on EEMD‐DWT and hyperspectral image | |
Wang et al. | Measurement of SSC in processing tomatoes (Lycopersicon esculentum Mill.) by applying Vis‐NIR hyperspectral transmittance imaging and multi‐parameter compensation models | |
Gomes et al. | Determination of sugar content in whole Port Wine grape berries combining hyperspectral imaging with neural networks methodologies | |
Saputro et al. | Wavelength selection in hyperspectral imaging for prediction banana fruit quality | |
Feng et al. | Nondestructive determination of soluble solids content and pH in red bayberry (Myrica rubra) based on color space | |
CN107064056B (zh) | 一种水果无损检测的方法及装置 | |
Li et al. | Rapid detection and visualization of mechanical bruises on “Nanfeng” mandarin using the hyperspectral imaging combined with ICA_LSQ method | |
Li et al. | Assessment of multiregion local models for detection of SSC of whole peach (Amygdalus persica L.) by combining both hyperspectral imaging and wavelength optimization methods | |
Amirvaresi et al. | Miniaturized NIR spectroscopy and chemometrics: A smart combination to solve food authentication challenges | |
Akter et al. | A comprehensive review of external quality measurements of fruits and vegetables using nondestructive sensing technologies | |
Han et al. | Detection storage time of mild bruise’s loquats using hyperspectral imaging | |
CN112161937B (zh) | 基于级联森林和卷积神经网络的小麦粉筋度检测方法 |
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 |