CN112699756A - 一种基于高光谱图像的茶叶原产地识别方法和系统 - Google Patents

一种基于高光谱图像的茶叶原产地识别方法和系统 Download PDF

Info

Publication number
CN112699756A
CN112699756A CN202011546118.6A CN202011546118A CN112699756A CN 112699756 A CN112699756 A CN 112699756A CN 202011546118 A CN202011546118 A CN 202011546118A CN 112699756 A CN112699756 A CN 112699756A
Authority
CN
China
Prior art keywords
tea
hyperspectral
image
origin
spectrum
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
Application number
CN202011546118.6A
Other languages
English (en)
Other versions
CN112699756B (zh
Inventor
张凝
孙坦
柴秀娟
张文蓉
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.)
Agricultural Information Institute of CAAS
Original Assignee
Agricultural Information Institute of CAAS
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 Agricultural Information Institute of CAAS filed Critical Agricultural Information Institute of CAAS
Priority to CN202011546118.6A priority Critical patent/CN112699756B/zh
Publication of CN112699756A publication Critical patent/CN112699756A/zh
Application granted granted Critical
Publication of CN112699756B publication Critical patent/CN112699756B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • 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

Abstract

本发明涉及一种基于高光谱图像的茶叶原产地识别方法和系统，包括获取待检测茶叶样本，按顺序排放，利用室内成像高光谱系统获取各样本的高光谱图像，搭建实例分割网络，获取感兴趣区，并计算茶叶叶片短径、面积、周长等外部结构信息，在叶片区域检测基础上提取茶叶叶片平均光谱，通过筛选敏感波段，得到原产地识别的最佳光谱波段，并形成光谱指数，获取敏感波段图像纹理信息，同步分析光谱波段、光谱指数、茶叶外部结构信息以及图像纹理信息，构建茶叶原产地识别模型，利用验证集进行验证优化，将最优的茶叶原产地识别模型集成，实现对茶叶原产地的快速无损检测。本发明无需进行研磨操作以及相关化学分析实验，提高了检测速度和无损检测精度。

Description

一种基于高光谱图像的茶叶原产地识别方法和系统
技术领域
本发明属于茶叶快速无损检测技术领域，具体涉及到利用一种高光谱图像实现茶叶原产地实时无损识别的方法和系统。
背景技术
茶位列世界三大饮料之首，是世界公认的健康天然饮料，更是被世界粮农组织(FAO)称为“仅次于水的人类健康饮料”。茶叶在我国种植范围广泛，种类多，文化底蕴深厚。各个地区独有的气候、自然地理环境及土壤分布孕育产生了各式各样的地域特色。在地理标识保护意识逐步提升的同时，消费者和生产者信息极不对称，集特色、环保、文化、品牌于一身的地理标识成为其利益相关者“模仿”的关键点。茶叶作为我国地理标识产品的重点，其原产地的快速、无损、准确判别至关重要。
目前，茶叶原产地识别的主体技术方法可以归纳为传统的感官检测、理化分析以及智能感官检测。
一直以来，茶叶原产地识别主要依靠评审人观色泽、尝滋味和闻气味的感官检测，该方法虽传承多年，但其需要依靠具有丰富经验的评审人，同时主观意识强，极易受到周围环境及评审人自身情况的影响，可靠度不高。为了能够提供客观定量的产地识别方法，针对茶叶内部不同物质及其含量进行识别的电感耦合等离子体发射光谱分法(ICP-ASE)、电感耦合等离子体质谱法(ICP-MS)、差示扫描量热(DSC)法和热重(TG/DTG)法等理化方法得到了发展，这些方法被认为是目前精度最高的茶叶原产地检测方法，但其专业性极强，检测过程复杂，资金花费高，评审周期长，并不适用于实时的原产地识别。近些年，电子鼻/电子舌、红外光谱等智能感官技术发展迅速，特别是红外光谱技术，实现了茶叶品质、类别等的快速无损检测，但各项无损检测技术针对茶叶单一特性，很难实现高精度的原产地判别。综合以上三个主流技术方向，如何实现快速、无损、高精度且推广性强的茶叶原产地识别，是当前极具挑战性的研究课题。
当前，茶叶原产地识别技术及其可推广性面临的主要问题可以归纳为：
1、原产地识别技术本质上多沿用茶叶品质或茶叶分类的主体技术，对于主产区及周边产区的识别基本只能依靠理化检测方法，但各种理化检测方法专业性强，时间、人力和经济成本高，并不适用于具有低成本需求的人员进行检测，很难推广；
2、多数无损识别仅依靠单一传感器，即只针对茶叶色、香或味中的一个参数进行评定，识别时间成本较高而精度较低。
发明内容
为了解决上述技术问题，本发明目的在于提供一种通过室内成像高光谱系统，获取待检测茶叶高光谱图像数据，结合光谱分析及机器视觉技术，准确获取待检测茶叶的外部结构信息、光谱信息以及纹理等相关信息，通过模型训练，确定不同品种茶叶的产地最优识别模型，无需进行研磨等操作以及相关化学分析实验，提高检测速度的同时，有效提高了无损检测的精度，并降低了实验的人力和经济成本，具体为获取待检测茶叶样本，按顺序排放，利用室内成像高光谱系统获取各样本的高光谱图像，搭建实例分割网络，获取感兴趣区(即茶叶叶片区域)，并计算茶叶叶片短径，面积，周长等外部结构信息，在叶片区域检测基础上提取茶叶叶片平均光谱，通过筛选敏感波段，得到原产地识别的最佳光谱波段，并形成光谱指数，获取敏感波段图像纹理信息，同步分析光谱波段、光谱指数、茶叶外部结构信息以及图像纹理信息，构建茶叶原产地识别模型，利用验证集进行验证优化，将最优的茶叶原产地识别模型集成，实现对茶叶原产地的快速无损检测。
具体地说，本发明公开了一种基于高光谱图像的茶叶原产地识别方法，其中包括：
步骤1、获取包含茶叶样本高光谱图像的成像高光谱数据集作为训练集，且该训练集中每个高光谱图像均对应有其茶叶原产地类别标签；
步骤2、通过合成该训练集中高光谱图像的红、绿、蓝三个光谱范围内的中心波长，得到该训练集中每个高光谱图像的RGB图像，通过图像分割网络对该RGB图像进行叶片分割，得到每个RGB图像对应的二值化图像，基于该二值化图像的叶片轮廓进行感兴趣区提取，对提取得到的叶片按顺序进行编号；
步骤3、根据该二值化图像和该训练集中高光谱图像的空间特征和光谱特征，得到每一个叶片的空谱分类特征集，以空谱分类特征集的特征参数作为训练数据，以空谱分类特征集对应的茶叶原产地标签作为训练目标，训练离散数据分类模型，得到茶叶原产地识别模型；
步骤4、通过成像高光谱传感器采集待测茶叶的待测高光谱图像，并根据该待测高光谱图像得到该待测茶叶的待测空谱分类特征集，将该待测空谱分类特征集输入至该茶叶原产地识别模型，以得到该待测茶叶的原产地识别结果。
所述的基于高光谱图像的茶叶原产地识别方法，其中该步骤1包括对该成像高光谱数据集进行预处理，该预处理包括将其中所有高光谱图像在确保茶叶叶片完整的前提下裁剪成相同大小，并对裁剪后的高光谱图像完成辐射定标；对所有定标后的高光谱图像通过平滑滤波去除光线及外部环境对图像光谱造成的影响，集合平滑滤波后的高光谱图像作为该训练集，并对该训练集中高光谱图像按照格式P-m进行编号，其中P为茶叶原产地类别，m为该训练集中对应单张高光谱图像的编号。
所述的基于高光谱图像的茶叶原产地识别方法，其中该步骤2中对提取得到的叶片按顺序进行编号具体为：对单个叶片按照由上到下且从左到右的次序进行编号，格式为P-mn，其中n为单张高光谱图像P-m内的叶片编号。
所述的基于高光谱图像的茶叶原产地识别方法，其中该步骤3包括：
利用该二值化图像内数据进行凸包计算，获取茶叶叶片的外形结构信息，形成对应P-mn的形状特征数据集G；提取每张高光谱图像中茶叶叶片对应区域内的平均光谱和敏感波段图像，形成对应P-mn的敏感光谱数据集S；依据敏感光谱数据集S，利用穷尽搜索确定多种波段组合方式，同时计算相关植被指数，叠加茶叶叶片兴趣区到对应的波段组合或植被指数图上，提取茶叶叶片范围平均值，形成对应P-mn的敏感光谱指数数据集SVIs；对该敏感波段图像，利用灰度共生矩阵得到各单波段图像的纹理特征，构成纹理数据集T；综合数据集合S、SVIs、G以及T内特征，按照编号P-mn编号对应该茶叶原产地类别标签，构成该空谱分类特征集。
所述的基于高光谱图像的茶叶原产地识别方法，其中还包括根据该茶叶原产地识别模型，得到茶叶原产地识别所涉及的光谱波段，使用谱段范围包括该光谱波段的成像高/多光谱传感器采集该待测高光谱图像。
本发明还提出了一种基于高光谱图像的茶叶原产地识别系统，其中包括：
模块1，用于获取包含茶叶样本高光谱图像的成像高光谱数据集作为训练集，且该训练集中每个高光谱图像均对应有其茶叶原产地类别标签；
模块2，用于通过合成该训练集中高光谱图像的红、绿、蓝三个光谱范围内的中心波长，得到该训练集中每个高光谱图像的RGB图像，通过图像分割网络对该RGB图像进行叶片分割，得到每个RGB图像对应的二值化图像，基于该二值化图像的叶片轮廓进行感兴趣区提取，对提取得到的叶片按顺序进行编号；
模块3，用于根据该二值化图像和该训练集中高光谱图像的空间特征和光谱特征，得到每一个叶片的空谱分类特征集，以空谱分类特征集的特征参数作为训练数据，以空谱分类特征集对应的茶叶原产地标签作为训练目标，训练离散数据分类模型，得到茶叶原产地识别模型；
模块4，用于通过成像高光谱传感器采集待测茶叶的待测高光谱图像，根据该待测高光谱图像得到该待测茶叶的待测空谱分类特征集，将该待测空谱分类特征集输入至该茶叶原产地识别模型，得到该待测茶叶的原产地识别结果。
所述的基于高光谱图像的茶叶原产地识别系统，其中该模块1包括对该成像高光谱数据集进行预处理，该预处理包括将其中所有高光谱图像在确保茶叶叶片完整的前提下裁剪成相同大小，并对裁剪后的高光谱图像完成辐射定标；对所有定标后的高光谱图像通过平滑滤波去除光线及外部环境对图像光谱造成的影响，集合平滑滤波后的高光谱图像作为该训练集，并对该训练集中高光谱图像按照格式P-m进行编号，其中P为茶叶原产地类别，m为该训练集中对应单张高光谱图像的编号。
所述的基于高光谱图像的茶叶原产地识别系统，其中该模块2中对提取得到的叶片按顺序进行编号具体为：对单个叶片按照由上到下且从左到右的次序进行编号，格式为P-mn，其中n为单张高光谱图像P-m内的叶片编号。
所述的基于高光谱图像的茶叶原产地识别系统，其中该模块3包括：
利用该二值化图像内数据进行凸包计算，获取茶叶叶片的外形结构信息，形成对应P-mn的形状特征数据集G；提取每张高光谱图像中茶叶叶片对应区域内的平均光谱和敏感波段图像，形成对应P-mn的敏感光谱数据集S；依据敏感光谱数据集S，利用穷尽搜索确定多种波段组合方式，同时计算相关植被指数，叠加茶叶叶片兴趣区到对应的波段组合或植被指数图上，提取茶叶叶片范围平均值，形成对应P-mn的敏感光谱指数数据集SVIs；对该敏感波段图像，利用灰度共生矩阵得到各单波段图像的纹理特征，构成纹理数据集T；综合数据集合S、SVIs、G以及T内特征，按照编号P-mn编号对应该茶叶原产地类别标签，构成该空谱分类特征集。
所述的基于高光谱图像的茶叶原产地识别系统，其中还包括根据该茶叶原产地识别模型，得到茶叶原产地识别所涉及的光谱波段，使用谱段范围包括该光谱波段的成像高/多光谱传感器采集该待测高光谱图像。
和现有技术相比，本发明的技术优势在于：
用高光谱图像进行茶叶原产地识别，有效地将光谱信息及图像信息相结合，即同时考虑了茶叶本身的理化和结构特点，综合了茶叶原产地识别中的色、香、味三要素，弥补了当前无损检测单一传感器只能覆盖单一要素的缺陷；同时，基于深度学习的茶叶叶片提取过程，相较于人工勾绘和阈值分割等方法，同步提高了分割精度及运行效率；此外，基于高光谱图像的检测无需专业理化分析，且分析结果可明确给出检测设备所需光谱信息，有效降低硬件设备定制时高光谱棱镜的使用，从而有效降低检测成本，在实现快速无损检测的同时降低操作及分析难度，有利于推广使用。
附图说明
图1为本发明的基本流程框图；
图2为实施例龙井茶不同产区识别流程框图；
图3为LJ-00001的茶叶叶片分割结果及二值化图；
图4为不同产区龙井茶叶片平均光谱曲线图；
图5为西湖及钱塘产区龙井茶敏感光谱筛选结果图；
具体实施方式
针对当下茶叶原产地识别技术所面临的：1、高精度定量方式时间及资金花费大；2、快速无损检测覆盖范围单一且精度低的主要问题，本发明提出一种利用成像高光谱数据，通过光谱及图像信息的综合分析，实现基于光谱及图像等多源信息融合的茶叶原产地识别方法。其主要目的在于解决快速无损检测时只使用单一传感器产生的单一参数评定导致产地识别精度低的问题，利用可见光/红外光谱对茶叶内茶多酚、茶碱以及含水量等的识别能力，综合图像的空间及纹理特征所能提供的茶叶外形结构信息，实现定性与定量的综合分析，完成高精度、快速、无损的茶叶原产地识别；其次，在高光谱数据分析过程中，为提高茶叶原产地识别效率，利用红、绿、蓝中心波段合成的RGB图像进行基于深度学习实例分割的茶叶感兴趣区提取(ROIs)，并通过凸包计算确定茶叶外形结构信息，在保证茶叶纹理及空间信息的同时，减少人工勾绘ROIs的时间及人力成本，并确保了边界信息提取的精确度(常规基于光谱信息的阈值分割边界模糊，在有重叠时很难实现有效的单叶片分割)；再者，在完成不同茶叶原产地识别模型构建后，即可确定不同品种茶叶原产地识别所需的特定光谱信息，从而在最终的模型及设备集成中，避免高光谱全谱段数据的生产、集成和应用，只提供并定制模型对应所需的敏感波段，有效减少设备成本的同时大幅度提升运行效率。本发明提出一种基于高光谱图像进行茶叶原产地识别的方法，可应用于各类茶叶原产地的快速、无损识别。
本发明解决技术问题采用的技术方案是：使用光谱分析和图像机器视觉相融合的方法，利用高光谱图像实现茶叶原产地是识别，其特征是能够快速、准确识别单个或多个叶片的原产地。本发明所述方法包括以下步骤：
步骤一：数据获取。利用成像高光谱传感器，获取待检测品种茶叶样本不同产地(或核心及非核心区)的高光谱图像，形成应用于模型训练的成像高光谱数据集(HSI)。
步骤二：数据预处理。整理获取的原始HSI，将所有图像裁剪成相同大小并确保茶叶叶片完整保留，对所有HSI进行辐射定标；所有定标后的图像进行平滑滤波(移动平均平滑、Savizkg-Golag滤波、最小噪声分离变换等)，去除光线及外部环境对图像光谱造成的影响，形成HSI-F数据集，并对所有HSI-F进行编号(按照P-m，P为品种名称，m为数据集中对应单张图像的编号)，按照3:1划分训练集(HSI-FT)和测试集(HSI-FTe)。
步骤三：茶叶叶片提取。为提高运行速率，选择HSI-FT数据集中各个图像红、绿、蓝三个光谱范围内的中心波长合成RGB三通道图像，形成RGB数据集；搭建合适的基于深度学习的图像分割网络(例Mask R-CNN，U-net等)并对RGB数据集进行训练，实现背景剔除并提取茶叶叶片；将茶叶叶片的分割结果进行二值化处理(RGB-B)，依据二值化图形成基于轮廓的感兴趣区(ROIs)，对单个叶片按照由上到下，从左到右的次序进行编号，格式为P-mn(n为单张图像P-m内的茶叶叶片编号)。
步骤四：茶叶原产地识别空谱分类特征集构建。综合成像高光谱数据能够提供的空间和光谱特征，形成包括茶叶外形结构信息、光谱信息和纹理信息在内的空谱特征数据集，利用特征筛选算法针对不同产地茶叶进行特征图谱优化筛选，完成待测品种茶叶原产地识别空谱分类特征集的构建。其中：
茶叶外形结构信息特征集利用RGB-B内数据进行凸包计算，获取茶叶叶片周长，叶长，叶面积等外形结构信息，形成对应P-mn的形状特征数据集(G)；光谱数据集包含敏感波段及敏感波段对应的植被指数，利用ROIs提取每张HSI-FT图像中各茶叶叶片对应区域内的平均光谱，通过波段优选算法提取对应于敏感波段，按照P-mn编号形成敏感光谱数据集(S)；依据S，利用穷尽搜索确定不同波段组合方式，同时计算相关植被指数(归一化植被指数NDVI、差值植被指数DVI、三边信息等)，叠加ROIs到对应的波段组合或植被指数图上，提取茶叶叶片范围平均值，对应于P-mn编号形成敏感光谱指数数据集(SVIs)；纹理信息数据集针对HSI-FT数据集的获取的敏感波段图像，利用灰度共生矩阵(GLCM)计算各单波段图像的纹理特征，对应于P-mn编号形成纹理数据集(T)。
茶叶原产地识别空谱特征集构建。综合数据集合S、SVIs、G以及T内的特征变量，按照编号P-mn编号对应待测品种茶叶产地标签，构成茶叶原产地识别空谱特征数据集(Spatial-spectral feature set，SSFS)；将SSFS对应是数据按照3:1划分训练集(SSFS-T)和验证集(SSFS-V)，针对SSFS-T数据集合，结合已有图谱特征筛选算法(如相关性分析、随机森林重要性排序等)，通过精度评价参数确定茶叶原产地识别特征图谱数据集(Opt)。
步骤五：茶叶原产地识别分类模型构建。利用Opt数据集中的特征参数作为自变量，以不同产地类别标签为因变量，利用离散数据分类算法构建茶叶原产地识别分类模型，通过分类结果混淆矩阵，以生产者精度、用户精度以及总体分类精度和Kappa系数四个分类参数进行分类精度评价，并利用SSFS-V数据集进行模型验证。
步骤六：茶叶原产地识别模型封装及测试。将以上步骤二到步骤五整体过程集成，形成一套完善的基于高光谱图像预处理及综合分析的软件，利用HSI-FTe测试集对性能及精度进行测试；针对不同品种茶叶的识别模型，筛选不同品种茶叶原产地识别所需光谱波段，搭建室内成像平台，并集成软件，以实现茶叶叶片的原产地识别。
为让本发明的上述特征和效果能阐述的更明确易懂，下文特举实施例，并配合说明书附图作详细说明如下。
为解决茶叶原产地识别所面临的理化方法费时费力，智能检测覆盖面窄且精度不高的缺陷，本发明提出一种基于高光谱图像进行茶叶原产地识别的方法，可应用于各类茶叶原产地的快速、无损识别。以下结合附图及实施例对本发明进行详细的说明。
如图1和图2所示，本发明提供一种基于成像高光谱数据的茶叶原产地识别方法，包括以下内容：
茶叶样品高光谱数据获取：将龙井茶茶叶样本按照不同产地(西湖和钱塘产区)无重叠摆放在成像高光谱系统置物台上，选择白色定标板作为背景(利用HSIA-DB高光谱暗箱作为数据获取平台，置物台上放置白色定标板作为背景板)，通过室内成像高光谱传感器GaiaField-V10E，获取待检测茶叶成像高光谱数据(HSI，光谱范围400-1000nm，波段数128)；完成样本数据获取后，拍摄白色定标板成像高光谱数据，并盖上传感器镜头盖，拍摄暗电流高光谱图像。
其中：可以依据高光谱传感器视场角及置物台大小确定单次拍摄茶叶样本样本量，进行多次拍摄直至获取所有样本成像高光谱数据；待测茶叶不同产区样本可分别成像亦可混合成像(同一张图像内同时包含不同产区茶叶样本)。
图像预处理：将获取HSI(775×696)按照383×251进行裁剪，以减少视场范围内的背景并保证图像内茶叶叶片完整；利用获取的白色定标板及暗环境高光谱图像对HSI数据集内的所有图像采用：
Figure BDA0002856357680000081
进行辐射定标，其中R表示定标后的光谱，为I、Iwhite和Idark分别表示茶叶高光谱图像、标准白板和暗电流图像的光谱强度；为消除光线及环境等因素造成的影响，对定标后的所有高光谱图像进行Savizkg-Golag滤波，并按3:1划分训练集(HSI-FT，包含162张SG滤波后的高光谱图像)和测试集(HSI-FTe，包含54张SG滤波后的高光谱图像)，对HSI-FT中的图像按照“LJ-00001”格式进行编号。
基于深度学习的茶叶叶片提取：提取HSI-FT数据集中每张图像的471nm、564nm、660nm三个波段，合成对应的RGB三通道图像数据集；利用Labelme数据标注软件对每张图像内的茶叶样本进行标注，在深度学习框架Tensorflow中搭建U-net的网络架构实现单张图像茶叶叶片提取；将茶叶叶片的分割结果利用最大类间方差法(OTSU)进行二值化处理如图3所示，形成RGB-B数据集，并对二值图通过边缘检测确定单个叶片的轮廓，将单个叶片轮廓信息导出形成感兴趣区文件(ROIs)，利用区域标记法对单个叶片按照由上到下，从左到右的次序进行编号，格式为LJ-00001-n(n为单张图像内的茶叶叶片编号)。
其中，U-net网络架构包含：由10个3×3卷积层和4个2×2的最大值池化层构成的下采样以及由8个3×3卷积层，1个1×1卷积层和4个2×2的反卷积层构成的上采样部分，以线性整流函数(ReLU)作为激励函数，设置学习率为0.001，迭代次数为1000，损失函数为交叉熵函数。
茶叶原产地识别空谱特征数据集构建：包括茶叶外形特征提取、光谱特征提取及纹理特征提取，并进行基于随机森林重要性排序的空谱特征筛选，以确定茶叶原产地识别空谱特征数据集(Opt)。其中：
①茶叶外形结构信息提取利用RGB-B内各张图像的最大连通区域以减少噪点对最终结果的影响，将最大连通区域中的坐标集合记为A；对坐标集合A采用Graham算法进行凸包计算，获取外接多边形的顶点，记为M；根据M计算茶叶叶片的面积及周长，并获取纵轴方向距离最远的两个点计算茶叶叶片的长度，获取横轴方向距离最远的两个点计算茶叶叶片的宽度，形成对应单个叶片编号的形状特征数据集(G)；
②光谱敏感波段提取利用ROIs叠加到其对应的HSI-FT数据集中的图像上，提取每张HSI-FT图像中各茶叶叶片对应区域内的平均光谱如图4所示，按照两个不同产区进行类别划分，利用连续投影变换(SPA)算法，选择RMSE最小时对应的波段为敏感波段，提取对应于产地的敏感波段36个，同步按照单个茶叶叶片编号将各茶叶叶片的敏感光谱信息导出并记录，形成敏感光谱数据集(S)；依据S，利用穷尽搜索，获取36个波段中所有2-4个波段的可能性组合，通过波段计算的方法确定指数图；同样利用波段计算的方法，依据植被指数公式，获取相关植被指数图(归一化植被指数NDVI、差值植被指数DVI、三边信息、归一化红边指数RNDVI等)，将ROIs叠加到对应通过波段组合或植被指数计算得到的指数图上，提取茶叶叶片范围内对应指数的平均值，对应于叶片编号构成敏感光谱指数数据集(SVIs)。具体来说SVIs的形成主要包括两个方面的内容：一是针对获取得36个波段，可以通过加减乘除等方式，对计算波段所有的可能性组合，每个可能性组合，通过计算可以获得一张对应的指数图(由于波段数多，因此将穷尽搜索的范围确定在2-4个波段)；二是依据已有研究中明确过得对茶叶品质等信息具有反演效果的植被指数，通过波段计算的方式获取对应的植被指数图；以上两步形成的指数图和植被指数图能够在一定程度上增强某些有效信息。此后，利用ROIs提取对应范围内的相元平均值并对应于每个茶叶样本的类别标签，可形成SVIs。
③如图5所示，基于敏感波段的图像纹理信息提取主要依据SPA筛选出的36个敏感波段，从HSI-FT数据集的每张图像中提取出对应的波段，利用灰度共生矩阵(GLCM)计算各单波段图像的8个纹理特征，将ROIs叠加到对应单波段纹理图像上，提取单个叶片在对应波段上的纹理值，并对应叶片编号，构成纹理数据集(T)；
④茶叶原产地识别空谱特征集构建。综合数据集合S、SVIs、G以及T内的特征参数，按照单个叶片编号对应产区划分两个类别，构成茶叶原产地识别空谱特征数据集(Spatial-spectral feature set，SSFS)；将SSFS对应的数据按照3:1划分训练集(SSFS-T)和验证集(SSFS-V)，利用SSFS-T数据进行基于随机森林(Random Forest，RF)分类器的训练，综合利用均值降低精度(Mean Decrease Accuracy，MDA)以及均值降低基尼系数(MeanDecrease Gini，MDG)两个指标进行特征图谱筛选：
Figure BDA0002856357680000101
Figure BDA0002856357680000111
其中，v为对应变量，ntree为随机森林决策树数量，t为分类节点，errOOBt为v值未改变时的OOB误差，errOOB′t为v值改变后的OOB误差；Q为目标变量总类别数，p2(k/t)表示在节点t中目标变量为第k类的条件概率，在实施例中，Q为2。
按照MDA和MDQ数值将SSFS中的图谱特征变量按照从大到小排序，从重要性靠后的位置逐个剔除10个变量，得到新的特征集并利用新的特征集再次进行RF分类，计算生产者精度、用户精度以及总体分类精度和Kappa系数四个分类评价参数；重复上述步骤，直到分类评价参数出现明显降低。此时对应的特征图谱形成茶叶原产地识别特征图谱数据集(Opt)，包含敏感波段5个，光谱指数7个，纹理特征6个以及叶长和面积两个外形结构特征。
茶叶原产地分类识别模型构建及优化：利用Opt数据集中的特征参数作为自变量，以产区划分两个类别为应变量，进行随机森林分类，设定简单决策树数量为1000，构建分类混淆矩阵，以生产者精度、用户精度以及总体分类精度和Kappa系数四个分类参数进行分类精度评价，并利用SSFS-V数据集进行模型验证。
系统集成：根据数据分析，确定对“龙井”产地识别有效的特征光谱集5个敏感波段，增加纹理特征额外对应波段1个，龙井茶原产地识别所需光谱波段确定为6个；利用HSI-Fte数据集对模型及系统进行测试；以对应的6个光谱波段为基础进行多光谱相机光栅设置，集成硬件系统；综合数据获取、预处理、数据分析及识别结果输出模块，完成软件系统集成。
以下为与上述方法实施例对应的系统实施例，本实施方式可与上述实施方式互相配合实施。上述施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在上述实施方式中。
本发明还提出了一种基于高光谱图像的茶叶原产地识别系统，其中包括：
模块1，用于获取包含茶叶样本高光谱图像的成像高光谱数据集作为训练集，且该训练集中每个高光谱图像均对应有其茶叶原产地类别标签；
模块2，用于通过合成该训练集中高光谱图像的红、绿、蓝三个光谱范围内的中心波长，得到该训练集中每个高光谱图像的RGB图像，通过图像分割网络对该RGB图像进行叶片分割，得到每个RGB图像对应的二值化图像，基于该二值化图像的叶片轮廓进行感兴趣区提取，对提取得到的叶片按顺序进行编号；
模块3，用于根据该二值化图像和该训练集中高光谱图像的空间特征和光谱特征，得到每一个叶片的空谱分类特征集，以空谱分类特征集的特征参数作为训练数据，以空谱分类特征集对应的茶叶原产地标签作为训练目标，训练离散数据分类模型，得到茶叶原产地识别模型；
模块4，用于通过成像高光谱传感器采集待测茶叶的待测高光谱图像，根据该待测高光谱图像得到该待测茶叶的待测空谱分类特征集，将该待测空谱分类特征集输入至该茶叶原产地识别模型，得到该待测茶叶的原产地识别结果。
所述的基于高光谱图像的茶叶原产地识别系统，其中该模块1包括对该成像高光谱数据集进行预处理，该预处理包括将其中所有高光谱图像在确保茶叶叶片完整的前提下裁剪成相同大小，并对裁剪后的高光谱图像完成辐射定标；对所有定标后的高光谱图像通过平滑滤波去除光线及外部环境对图像光谱造成的影响，集合平滑滤波后的高光谱图像作为该训练集，并对该训练集中高光谱图像按照格式P-m进行编号，其中P为茶叶原产地类别，m为该训练集中对应单张高光谱图像的编号。
所述的基于高光谱图像的茶叶原产地识别系统，其中该模块2中对提取得到的叶片按顺序进行编号具体为：对单个叶片按照由上到下且从左到右的次序进行编号，格式为P-mn，其中n为单张高光谱图像P-m内的叶片编号。
所述的基于高光谱图像的茶叶原产地识别系统，其中该模块3包括：
利用该二值化图像内数据进行凸包计算，获取茶叶叶片的外形结构信息，形成对应P-mn的形状特征数据集G；提取每张高光谱图像中茶叶叶片对应区域内的平均光谱和敏感波段图像，形成对应P-mn的敏感光谱数据集S；依据敏感光谱数据集S，利用穷尽搜索确定多种波段组合方式，同时计算相关植被指数，叠加茶叶叶片兴趣区到对应的波段组合或植被指数图上，提取茶叶叶片范围平均值，形成对应P-mn的敏感光谱指数数据集SVIs；对该敏感波段图像，利用灰度共生矩阵得到各单波段图像的纹理特征，构成纹理数据集T；综合数据集合S、SVIs、G以及T内特征，按照编号P-mn编号对应该茶叶原产地类别标签，构成该空谱分类特征集。
所述的基于高光谱图像的茶叶原产地识别系统，其中还包括根据该茶叶原产地识别模型，得到茶叶原产地识别所涉及的光谱波段，使用谱段范围包括该光谱波段的成像高/多光谱传感器采集该待测高光谱图像。

Claims (10)

1.一种基于高光谱图像的茶叶原产地识别方法，其特征在于，包括：
步骤1、获取包含茶叶样本高光谱图像的成像高光谱数据集作为训练集，且该训练集中每个高光谱图像均对应有其茶叶原产地类别标签；
步骤2、通过合成该训练集中高光谱图像的红、绿、蓝三个光谱范围内的中心波长，得到该训练集中每个高光谱图像的RGB图像，通过图像分割网络对该RGB图像进行叶片分割，得到每个RGB图像对应的二值化图像，基于该二值化图像的叶片轮廓进行感兴趣区提取，对提取得到的叶片按顺序进行编号；
步骤3、根据该二值化图像和该训练集中高光谱图像的空间特征和光谱特征，得到每一个叶片的空谱分类特征集，以空谱分类特征集的特征参数作为训练数据，以空谱分类特征集对应的茶叶原产地标签作为训练目标，训练离散数据分类模型，得到茶叶原产地识别模型；
步骤4、通过成像高光谱传感器采集待测茶叶的待测高光谱图像，并根据该待测高光谱图像得到该待测茶叶的待测空谱分类特征集，将该待测空谱分类特征集输入至该茶叶原产地识别模型，以得到该待测茶叶的原产地识别结果。
2.如权利要求1所述的基于高光谱图像的茶叶原产地识别方法，其特征在于，该步骤1包括对该成像高光谱数据集进行预处理，该预处理包括将其中所有高光谱图像在确保茶叶叶片完整的前提下裁剪成相同大小，并对裁剪后的高光谱图像完成辐射定标；对所有定标后的高光谱图像通过平滑滤波去除光线及外部环境对图像光谱造成的影响，集合平滑滤波后的高光谱图像作为该训练集，并对该训练集中高光谱图像按照格式P-m进行编号，其中P为茶叶原产地类别，m为该训练集中对应单张高光谱图像的编号。
3.如权利要求2所述的基于高光谱图像的茶叶原产地识别方法，其特征在于，该步骤2中对提取得到的叶片按顺序进行编号具体为：对单个叶片按照由上到下且从左到右的次序进行编号，格式为P-mn，其中n为单张高光谱图像P-m内的叶片编号。
4.如权利要求3所述的基于高光谱图像的茶叶原产地识别方法，其特征在于，该步骤3包括：
利用该二值化图像内数据进行凸包计算，获取茶叶叶片的外形结构信息，形成对应P-mn的形状特征数据集G；提取每张高光谱图像中茶叶叶片对应区域内的平均光谱和敏感波段图像，形成对应P-mn的敏感光谱数据集S；依据敏感光谱数据集S，利用穷尽搜索确定多种波段组合方式，同时计算相关植被指数，叠加茶叶叶片兴趣区到对应的波段组合或植被指数图上，提取茶叶叶片范围平均值，形成对应P-mn的敏感光谱指数数据集SVIs；对该敏感波段图像，利用灰度共生矩阵得到各单波段图像的纹理特征，构成纹理数据集T；综合数据集合S、SVIs、G以及T内特征，按照编号P-mn编号对应该茶叶原产地类别标签，构成该空谱分类特征集。
5.如权利要求1所述的基于高光谱图像的茶叶原产地识别方法，其特征在于，还包括根据该茶叶原产地识别模型，得到茶叶原产地识别所涉及的光谱波段，使用谱段范围包括该光谱波段的成像高光谱传感器或多光谱传感器采集该待测高光谱图像。
6.一种基于高光谱图像的茶叶原产地识别系统，其特征在于，包括：
模块1，用于获取包含茶叶样本高光谱图像的成像高光谱数据集作为训练集，且该训练集中每个高光谱图像均对应有其茶叶原产地类别标签；
模块2，用于通过合成该训练集中高光谱图像的红、绿、蓝三个光谱范围内的中心波长，得到该训练集中每个高光谱图像的RGB图像，通过图像分割网络对该RGB图像进行叶片分割，得到每个RGB图像对应的二值化图像，基于该二值化图像的叶片轮廓进行感兴趣区提取，对提取得到的叶片按顺序进行编号；
模块3，用于根据该二值化图像和该训练集中高光谱图像的空间特征和光谱特征，得到每一个叶片的空谱分类特征集，以空谱分类特征集的特征参数作为训练数据，以空谱分类特征集对应的茶叶原产地标签作为训练目标，训练离散数据分类模型，得到茶叶原产地识别模型；
模块4，用于通过成像高光谱传感器采集待测茶叶的待测高光谱图像，根据该待测高光谱图像得到该待测茶叶的待测空谱分类特征集，将该待测空谱分类特征集输入至该茶叶原产地识别模型，得到该待测茶叶的原产地识别结果。
7.如权利要求1所述的基于高光谱图像的茶叶原产地识别系统，其特征在于，该模块1包括对该成像高光谱数据集进行预处理，该预处理包括将其中所有高光谱图像在确保茶叶叶片完整的前提下裁剪成相同大小，并对裁剪后的高光谱图像完成辐射定标；对所有定标后的高光谱图像通过平滑滤波去除光线及外部环境对图像光谱造成的影响，集合平滑滤波后的高光谱图像作为该训练集，并对该训练集中高光谱图像按照格式P-m进行编号，其中P为茶叶原产地类别，m为该训练集中对应单张高光谱图像的编号。
8.如权利要求7所述的基于高光谱图像的茶叶原产地识别系统，其特征在于，该模块2中对提取得到的叶片按顺序进行编号具体为：对单个叶片按照由上到下且从左到右的次序进行编号，格式为P-mn，其中n为单张高光谱图像P-m内的叶片编号。
9.如权利要求8所述的基于高光谱图像的茶叶原产地识别系统，其特征在于，该模块3包括：
利用该二值化图像内数据进行凸包计算，获取茶叶叶片的外形结构信息，形成对应P-mn的形状特征数据集G；提取每张高光谱图像中茶叶叶片对应区域内的平均光谱和敏感波段图像，形成对应P-mn的敏感光谱数据集S；依据敏感光谱数据集S，利用穷尽搜索确定多种波段组合方式，同时计算相关植被指数，叠加茶叶叶片兴趣区到对应的波段组合或植被指数图上，提取茶叶叶片范围平均值，形成对应P-mn的敏感光谱指数数据集SVIs；对该敏感波段图像，利用灰度共生矩阵得到各单波段图像的纹理特征，构成纹理数据集T；综合数据集合S、SVIs、G以及T内特征，按照编号P-mn编号对应该茶叶原产地类别标签，构成该空谱分类特征集。
10.如权利要求6所述的基于高光谱图像的茶叶原产地识别系统，其特征在于，还包括根据该茶叶原产地识别模型，得到茶叶原产地识别所涉及的光谱波段，使用谱段范围包括该光谱波段的成像高光谱传感器或多光谱传感器采集该待测高光谱图像。
CN202011546118.6A 2020-12-24 2020-12-24 一种基于高光谱图像的茶叶原产地识别方法和系统 Active CN112699756B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011546118.6A CN112699756B (zh) 2020-12-24 2020-12-24 一种基于高光谱图像的茶叶原产地识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011546118.6A CN112699756B (zh) 2020-12-24 2020-12-24 一种基于高光谱图像的茶叶原产地识别方法和系统

Publications (2)

Publication Number Publication Date
CN112699756A true CN112699756A (zh) 2021-04-23
CN112699756B CN112699756B (zh) 2023-08-25

Family

ID=75509611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011546118.6A Active CN112699756B (zh) 2020-12-24 2020-12-24 一种基于高光谱图像的茶叶原产地识别方法和系统

Country Status (1)

Country Link
CN (1) CN112699756B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114817991A (zh) * 2022-05-10 2022-07-29 上海计算机软件技术开发中心 一种车联网图像脱敏方法和系统
CN114818985A (zh) * 2022-05-31 2022-07-29 安徽农业大学 基于中心锚点三元组优化伪孪生网络的茶叶品质评价方法
CN114998708A (zh) * 2022-06-10 2022-09-02 安徽农业大学 一种基于图谱信号的茶叶种类识别方法和装置
CN115131317A (zh) * 2022-06-28 2022-09-30 华东师范大学 一种基于双模态图像的胃癌癌前病变分析系统及方法
CN116188946A (zh) * 2023-04-24 2023-05-30 简阳市人民医院 一种基于神经网络的血糖浓度预测系统

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130010105A1 (en) * 2007-01-05 2013-01-10 Lewis E Neil Spectrometric investigation of heterogeneity
CN102982339A (zh) * 2012-10-31 2013-03-20 浙江大学 一种高光谱特征变量选取的方法
CN103389255A (zh) * 2013-08-05 2013-11-13 浙江大学 基于近红外高光谱纹理特征建模的预测茶叶含水率的方法
CN104021396A (zh) * 2014-06-23 2014-09-03 哈尔滨工业大学 基于集成学习的高光谱遥感数据分类方法
CN107633264A (zh) * 2017-09-02 2018-01-26 南京理工大学 基于空谱多特征极限学习的线性共识集成融合分类方法
CN108444924A (zh) * 2018-03-07 2018-08-24 安徽农业大学 一种应用高光谱图像技术判别茶叶贮藏期的方法
CN110047062A (zh) * 2019-03-13 2019-07-23 江苏大学 一种用于茶叶外形品质检测的高光谱特征波段优化方法
US20190261913A1 (en) * 2016-10-18 2019-08-29 The Johns Hopkins University Hyperspectral imaging for passive detection of colorectal cancers
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
CN110458208A (zh) * 2019-07-24 2019-11-15 哈尔滨工业大学 基于信息测度的高光谱图像分类方法
CN110763698A (zh) * 2019-10-12 2020-02-07 仲恺农业工程学院 一种基于特征波长的高光谱柑橘叶片病害识别方法
CN111368940A (zh) * 2020-03-25 2020-07-03 西北工业大学 一种基于引导滤波与核极限学习机的高光谱图像分类方法
CN111579502A (zh) * 2020-05-29 2020-08-25 核工业北京地质研究院 一种判断岩心成像光谱扫描质量的方法
CN111695467A (zh) * 2020-06-01 2020-09-22 西安电子科技大学 基于超像素样本扩充的空谱全卷积高光谱图像分类方法
CN111881965A (zh) * 2020-07-20 2020-11-03 北京理工大学 药材产地等级的高光谱图形分类识别方法、装置及设备
CN111914907A (zh) * 2020-07-13 2020-11-10 河海大学 一种基于深度学习空谱联合网络的高光谱图像分类方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130010105A1 (en) * 2007-01-05 2013-01-10 Lewis E Neil Spectrometric investigation of heterogeneity
CN102982339A (zh) * 2012-10-31 2013-03-20 浙江大学 一种高光谱特征变量选取的方法
CN103389255A (zh) * 2013-08-05 2013-11-13 浙江大学 基于近红外高光谱纹理特征建模的预测茶叶含水率的方法
CN104021396A (zh) * 2014-06-23 2014-09-03 哈尔滨工业大学 基于集成学习的高光谱遥感数据分类方法
US20190261913A1 (en) * 2016-10-18 2019-08-29 The Johns Hopkins University Hyperspectral imaging for passive detection of colorectal cancers
CN107633264A (zh) * 2017-09-02 2018-01-26 南京理工大学 基于空谱多特征极限学习的线性共识集成融合分类方法
CN108444924A (zh) * 2018-03-07 2018-08-24 安徽农业大学 一种应用高光谱图像技术判别茶叶贮藏期的方法
CN110047062A (zh) * 2019-03-13 2019-07-23 江苏大学 一种用于茶叶外形品质检测的高光谱特征波段优化方法
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
CN110458208A (zh) * 2019-07-24 2019-11-15 哈尔滨工业大学 基于信息测度的高光谱图像分类方法
CN110763698A (zh) * 2019-10-12 2020-02-07 仲恺农业工程学院 一种基于特征波长的高光谱柑橘叶片病害识别方法
CN111368940A (zh) * 2020-03-25 2020-07-03 西北工业大学 一种基于引导滤波与核极限学习机的高光谱图像分类方法
CN111579502A (zh) * 2020-05-29 2020-08-25 核工业北京地质研究院 一种判断岩心成像光谱扫描质量的方法
CN111695467A (zh) * 2020-06-01 2020-09-22 西安电子科技大学 基于超像素样本扩充的空谱全卷积高光谱图像分类方法
CN111914907A (zh) * 2020-07-13 2020-11-10 河海大学 一种基于深度学习空谱联合网络的高光谱图像分类方法
CN111881965A (zh) * 2020-07-20 2020-11-03 北京理工大学 药材产地等级的高光谱图形分类识别方法、装置及设备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
PUNEET MISHRA 等: "Classifying green teas with near infrared hyperspectral imaging", 《NIR NEWS》, pages 20 - 23 *
ZHIQI HONG 等: "Rapid and Nondestructive Discrimination of Geographical Origins of Longjing Tea using Hyperspectral Imaging at Two Spectral Ranges Coupled with Machine Learning Methods", 《APPLIED SCIENCES》, pages 1 - 12 *
刘晔: "庐山云雾茶产地溯源研究及其饮料工厂设计", 《中国优秀硕士学位论文全文数据库 工程科技I辑》, pages 024 - 500 *
史波林 等: "智能感官分析技术在茶叶品质检测中的应用", 《食品科学》, pages 351 - 355 *
杨思成: "基于高光谱成像技术的稻谷品种鉴别研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》, pages 014 - 723 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114817991A (zh) * 2022-05-10 2022-07-29 上海计算机软件技术开发中心 一种车联网图像脱敏方法和系统
CN114817991B (zh) * 2022-05-10 2024-02-02 上海计算机软件技术开发中心 一种车联网图像脱敏方法和系统
CN114818985A (zh) * 2022-05-31 2022-07-29 安徽农业大学 基于中心锚点三元组优化伪孪生网络的茶叶品质评价方法
CN114818985B (zh) * 2022-05-31 2024-04-16 安徽农业大学 基于中心锚点三元组优化伪孪生网络的茶叶品质评价方法
CN114998708A (zh) * 2022-06-10 2022-09-02 安徽农业大学 一种基于图谱信号的茶叶种类识别方法和装置
CN114998708B (zh) * 2022-06-10 2023-09-26 安徽农业大学 一种基于图谱信号的茶叶种类识别方法和装置
CN115131317A (zh) * 2022-06-28 2022-09-30 华东师范大学 一种基于双模态图像的胃癌癌前病变分析系统及方法
CN115131317B (zh) * 2022-06-28 2024-03-12 华东师范大学 一种基于双模态图像的胃癌癌前病变分析系统及方法
CN116188946A (zh) * 2023-04-24 2023-05-30 简阳市人民医院 一种基于神经网络的血糖浓度预测系统

Also Published As

Publication number Publication date
CN112699756B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN112699756B (zh) 一种基于高光谱图像的茶叶原产地识别方法和系统
CN110763698B (zh) 一种基于特征波长的高光谱柑橘叶片病害识别方法
CN112541921B (zh) 城市绿地植被信息数据化精准测定方法
CN102072882B (zh) 一种基于叶片图像特征的植物养分含量指标定量分析方法
CN111476170A (zh) 一种结合深度学习和随机森林的遥感影像语义分割方法
CN110991335A (zh) 一种基于多特征优选的可见光无人机遥感影像森林树种分类方法
CN110376202B (zh) 基于成像高光谱技术的茶树炭疽病病斑识别方法
CN101692052B (zh) 基于超光谱图像技术的名优茶真伪鉴别方法及装置
CN104990892B (zh) 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法
CN111582194A (zh) 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法
CN111443043B (zh) 一种基于高光谱图像的核桃仁品质检测方法
CN107292328A (zh) 多尺度多特征融合的遥感影像阴影检测提取方法及系统
Chen et al. Land cover mapping in urban environments using hyperspectral APEX data: A study case in Baden, Switzerland
CN115439759A (zh) 遥感影像中植被的提取方法、装置、电子设备及介质
CN109883967A (zh) 一种基于信息融合的中华绒螯蟹品质等级判别方法
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
CN105894520A (zh) 一种基于高斯混合模型的卫星影像自动云检测方法
CN111008664A (zh) 一种基于空谱联合特征的高光谱海冰检测方法
CN116310840A (zh) 一种融合多关键物候期光谱特征的冬小麦遥感识别方法
CN114778483A (zh) 用于监测山地的遥感影像近红外波段地形阴影校正方法
CN111060455B (zh) 面向东北冷凉区的遥感图像作物标记方法和装置
CN114332534B (zh) 一种高光谱图像小样本分类方法
CN112669363A (zh) 城市绿地三维绿量测算方法
CN114689539A (zh) 基于近红外高光谱图像的大豆种子病变粒识别方法及系统
CN112577954A (zh) 城市绿地地上生物量估测方法

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