CN112974303B - 一种基于高光谱的果品品质检测方法、设备及介质 - Google Patents
一种基于高光谱的果品品质检测方法、设备及介质 Download PDFInfo
- Publication number
- CN112974303B CN112974303B CN202110453992.3A CN202110453992A CN112974303B CN 112974303 B CN112974303 B CN 112974303B CN 202110453992 A CN202110453992 A CN 202110453992A CN 112974303 B CN112974303 B CN 112974303B
- Authority
- CN
- China
- Prior art keywords
- fruit
- image
- hyperspectral image
- hyperspectral
- production line
- 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
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 306
- 238000001514 detection method Methods 0.000 title claims abstract description 112
- 238000004519 manufacturing process Methods 0.000 claims abstract description 66
- 239000000447 pesticide residue Substances 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims description 68
- 238000001228 spectrum Methods 0.000 claims description 41
- 230000007547 defect Effects 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 238000012847 principal component analysis method Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 241000220225 Malus Species 0.000 description 6
- 235000013305 food Nutrition 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000000701 chemical imaging Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 235000021016 apples Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000012898 sample dilution Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 235000021022 fresh fruits Nutrition 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/02—Measures preceding sorting, e.g. arranging articles in a stream orientating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开一种基于高光谱的果品品质检测方法、设备及介质，通过接收来自终端的用于获取水果生产线路上的水果的高光谱图像的请求；获取水果生产线路上的水果的高光谱图像；其中，高光谱图像为设置于水果生产线路上的高光谱图像采集设备，对水果进行采集得到的；基于预设的糖度检测模型以及农药残留检测模型，对高光谱图像进行识别，以分别得到水果的糖分值以及农药残留值；基于水果的糖分值、农药残留值，以及水果的种类，按照预设规则，确定水果的品质等级；根据水果的品质等级，向设置于水果生产线路上的流道方向控制装置发送相应的控制指令，以使流道方向控制装置控制水果流向品质等级对应的流道。
Description
技术领域
本申请涉及检测技术领域，尤其涉及一种基于高光谱的果品品质检测方法设备及介质。
背景技术
果品一直是广受消费者欢迎的食品，特别是新鲜水果。然而随着人们生活水平的提高，人们的消费观念随之改变，对于水果的选购已经不再局限于单一的注重外观、大小、颜色等外部品质，也更多的重视水果的内部品质。因此，目前对于水果的分选也不再仅限于外部品质。
现有技术中，对于水果的内部品质的检测往往存在与实验室中，其检测正本高、使用环境要求高、检测耗时长，不适用于作业线生产中，也无法进行大产量的水果的内部品质的检测，从而影响果品品质检测，影响果品的可持续发展。
发明内容
本说明书实施例提供一种基于高光谱的果品品质检测方法、设备及介质，用于解决现有技术中的如下技术问题：现有技术中往往是对水果的外部品质进行检测，无法满足当前的水果品质检测要求，并且现有技术中的水果内部品质检测技术也不适用于作业生产中，从而影响水果的持续性发展。
本说明书实施例采用下述技术方案：
一种基于高光谱的果品品质检测方法，所述方法包括：
接收来自终端的用于获取水果生产线路上的水果的高光谱图像的请求；
获取所述水果生产线路上的水果的高光谱图像；其中，所述高光谱图像为设置于所述水果生产线路上的高光谱图像采集设备，对所述水果进行采集得到的；
基于预设的糖度检测模型以及农药残留检测模型，对所述高光谱图像进行识别，以分别得到所述水果的糖分值以及农药残留值；
基于所述水果的糖分值、农药残留值，以及所述水果的种类，按照预设规则，确定所述水果的品质等级；
根据所述水果的品质等级，向设置于所述水果生产线路上的流道方向控制装置发送相应的控制指令，以使所述流道方向控制装置控制所述水果流向所述品质等级对应的流道。
在一些可能实现的方式中，在获取所述水果生产线路上的水果的高光谱图像之前，所述方法还包括：
获取所述水果生产线路上的水果的水果表面图像；其中，所述水果表面图像为设置于所述水果生产线路上的图像采集设备，对所述水果的表面进行图像采集得到的；
基于预设的表面缺陷检测模型，根据所述水果表面图像确定所述水果表面是否存在缺陷；
在所述水果表面存在缺陷的情况下，向所述流道方向控制装置发送相应的控制指令，以使所述流道方向控制装置控制所述水果流向劣品流道；
在所述水果表面存在缺陷的情况下，向所述流道方向控制装置发送相应的控制指令，以使所述流道方向控制装置控制所述水果流向良品流道，以使终端发送用于获取水果生产线路上的水果的高光谱图像的请求。
在一些可能实现的方式中，在基于预设的表面缺陷检测模型，根据所述水果表面图像确定所述水果表面是否存在缺陷之后，所述方法还包括：
在所述表面缺陷检测模型未能检测所述水果表面是否存在缺陷的情况下，向所述终端设备发送相应的提示信息；
获取所述水果的图像标签；其中，所述图像标签用于表示所述水果表面图像对应的水果是否存在缺陷；所述图像标签是所述终端基于所述提示信息发送的；
根据所述水果的水果表面图像以及对应的图像标签，更新所述预设的水果表面缺陷模型。
在一些可能实现的方式中，所述水果的高光谱图像为所述高光谱图像采集设备对到达所述水果生产线路的内部品质检测区域的水果，进行采集得到的；
所述水果的表面图像为所述图像采集设备对到达所述水果生产线路的表面检测区域的水果，进行采集得到的；
其中，沿所述水果生产线路的流水线方向，所述表面检测区域设置于所述内部品质检测区域之前。
在一些可能实现的方式中，在分别得到所述水果的糖分值以及农药残留值之前，所述方法还包括：
接收待测水果的原始高光谱图像；
对所述原始高光谱图像分别进行中值滤波处理以及矢量归一化处理，得到待测高光谱图像；
基于偏最小二乘法，通过预存的所述待测水果对应的波长-糖度样本库，构建糖度检测模型。
在一些可能实现的方式中，对所述原始高光谱图像分别进行中值滤波处理以及矢量归一化处理，具体包括：
确定所述原始高光谱图像对应的像素值；
将所述像素值以大小关系进行顺序排列后，确定第一边界像素值以及第二边界像素值；其中，所述第一边界像素值大于所述第二边界像素值；
在所述原始高光谱图像中，剔除像素值大于所述第一边界像素值的若干像素点，以及剔除像素值小于所述第二边界像素值的若干像素点；
对所述原始高光谱图像中剩余的像素点对应的像素值进行平均值计算。
在一些可能实现的方式中，对所述原始高光谱图像分别进行中值滤波处理以及矢量归一化处理，还包括：
确定所述原始高光谱图像对应的所有光谱，并计算所述所有光谱对应的光谱平均值；
计算所述原始高光谱图像中的任一光谱与所述光谱平均值之间的差值；
确定所述差值与所述所有光谱对应的平方和之间的比值，为所述任一光谱对应的归一化光谱。
在一些可能实现的方式中，在分别得到所述水果的糖分值以及农药残留值之前，所述方法还包括：
接收待测水果的原始高光谱图像；
对所述对所述高光谱图像进行基线校正以及辐射定标，得到定标后的定标高光谱图像；
对所述定标高光谱图像进行图像识别，得到所述定标高光谱图像对应的感兴趣区域图像；
根据主成分分析法对所述感兴趣图像中的波段信息进行主成分分析，确定相应预设数目的主成分信息，作为第一主成分信息；
根据所述第一主成分信息中的权重系数曲线，确定相应的特征波段；
根据主成分分析法对所述特征波段进行主成分分析，确定相应数目的主成分信息，作为第二主成分信息；
根据所述第二主成分信息、第二主成分信息对应的波长数据，以及预设的待测水果的波长-农药残留样本库，构建农药残留检测模型。
一种基于高光谱的果品品质检测设备，其包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
接收来自终端的用于获取水果生产线路上的水果的高光谱图像的请求；
获取所述水果生产线路上的水果的高光谱图像；其中，所述高光谱图像为设置于所述水果生产线路上的高光谱图像采集设备，对所述水果进行采集得到的；
基于预设的糖度检测模型以及农药残留检测模型，对所述高光谱图像进行识别，以分别得到所述水果的糖分值以及农药残留值；
基于所述水果的糖分值、农药残留值，以及所述水果的种类，按照预设规则，确定所述水果的品质等级；
根据所述水果的品质等级，向设置于所述水果生产线路上的流道方向控制装置发送相应的控制指令，以使所述流道方向控制装置控制所述水果流向所述品质等级对应的流道。
一种基于高光谱的果品品质检测的非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
接收来自终端的用于获取水果生产线路上的水果的高光谱图像的请求；
获取所述水果生产线路上的水果的高光谱图像；其中，所述高光谱图像为设置于所述水果生产线路上的高光谱图像采集设备，对所述水果进行采集得到的；
基于预设的糖度检测模型以及农药残留检测模型，对所述高光谱图像进行识别，以分别得到所述水果的糖分值以及农药残留值；
基于所述水果的糖分值、农药残留值，以及所述水果的种类，按照预设规则，确定所述水果的品质等级；
根据所述水果的品质等级，向设置于所述水果生产线路上的流道方向控制装置发送相应的控制指令，以使所述流道方向控制装置控制所述水果流向所述品质等级对应的流道。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：可以在水果生产线路上进行果品品质检测，并且不仅局限于外部品质的检测，还结合了内部品质，从而确定水果的品质等级，以实现不同的筛选，能够应用在生产作业中，促进水果的发展。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的基于高光谱的果品品质检测方法的应用场景图；
图2为本说明书实施例提供的基于高光谱的果品品质检测方法的一种流程图；
图3为本说明书实施例提供的基于高光谱的果品品质检测方法的另一种流程图；
图4为本说明书实施例提供的基于高光谱的果品品质检测方法的另一种流程图；
图5为本申请实施例提供的对应于图2的用于搭载上述基于高光谱的果品品质检测方法的基于高光谱的果品品质检测方法设备的一种结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的基于高光谱的果品品质检测方法的应用场景图。如图1所示，在水果的水果生产线路上可以包含有多个工序，例如表面缺陷检测工序、高光谱内部品质检测工序。
图2为本说明书实施例提供的基于高光谱的果品品质检测方法的一种流程图。如图2所示，本说明书实施例提供的基于高光谱的果品品质检测方法，可以包括以下步骤：
S201，服务器接收来自终端的用于获取水果生产线路上的水果的高光谱图像的请求。
在本申请的一些实施例中，上述服务器为边缘计算服务器，通过边缘计算能够减少请求响应的时间，减少网络带宽同时能够保证阐述数据的安全性和私密性，提高果品品质检测的效率。
需要说明的是，上述终端可以是诸如手机、电脑等设备。
S202，服务器获取水果生产线路上的水果的高光谱图像。
其中，高光谱图像为设置于水果生产线路上的高光谱图像采集设备，对水果进行采集得到的。
S203，服务器基于预设的糖度检测模型以及农药残留检测模型，对高光谱图像进行识别，以分别得到水果的糖分值以及农药残留值。
在本申请的一些实施例中，如图3所示，在分别得到水果的糖分值以及农药残留值之前，该方法还包括以下步骤：
S301，服务器接收待测水果的原始高光谱图像。
高光谱成像技术是通过分光技术将入射光线进行细致地分割，对成像目标物在紫外至近红外的几十甚至上百个连续窄波带上成像，光谱分辨率可达到纳米数量级，因此，高光谱图像中某一像素的所有波段的光谱反射率可以表示成一条连续的曲线，同时每个波段都能呈现其空间图像信息。其数据结构是三维数据体，既包含了物体的二维空间信息，又包含了物体在不同波段上的光谱反射信息，实现了光谱与图像的结合。
因此，本申请实施例提出的检测方法中，通过待测水果的高光谱图像，实现待测水果的检测过程。
具体地，在接收待测水果对应的高光谱图像之前，首先在待测水果群体中确定出待测水果。需要说明的是，本申请实施例中的待测水果群体指的是待测水果对应的整个群体。例如，待测水果是苹果，那么待测水果群体就是整箱苹果。
在一个实施例中，由于在实际应用过程中，在检测一批待测水果时，我们常常需要面对待测水果的各种组合，例如一捆青菜、一箱水果，组合方式不同，我们抽取待测水果的方法也不一样。因此，在接收待测水果对应的原始高光图谱之前，首先需要确定待测水果群体的组合方式，这里的组合方式包括：捆绑组合，例如一捆蔬菜；排列组合，例如排排列整齐的苹果；随机组合，例如一箱散乱的苹果。在确定待测水果群体的组合方式后，再基于组合方式，通过预设规则确定如何选取待测水果中的一部分作为样本进行检测，例如，待测水果是一捆蔬菜时，我们可以抽取少量中间蔬菜以及适量的外圈蔬菜作为样本，若是一箱散乱的苹果，则可以随机抽取样本用以检测。
S302，服务器对原始高光谱图像分别进行中值滤波处理以及矢量归一化处理，得到待测高光谱图像。
高光谱成像技术在提供丰富信息量的同时也存在数据量大且冗余度高、处理时间长等弱点，甚至会导致维数灾难，即因维数过多且冗余度高而使分类精度降低的现象。因此，在实际应用中，我们需要对原始高光谱图像数据进行处理。
本申请实施例采用中值滤波处理对原始高光谱图像进行图像处理，以及通过矢量归一化处理方式对高光谱图像进行光谱处理，最终得到待测高光谱图像。其中，中值滤波能够有效抑制图像噪声，减少模糊图像的边缘，它不仅可以消除孤立噪声点，对稍密集的噪声点也有较好的除噪效果。而矢量归一化处理则可以降低光程变化和样品稀释对光谱产生的影响，将经过处理后的图像数据命名为待测高光谱图像。
具体地，本申请实施例中对原始高光谱图像进行中值滤波处理，主要包括：首先，确定原始高光谱图像对应的每一个像素值，将像素值进行大小排列，并确定其中两个像素值分别作为第一边界像素值和第二边界像素值。其中，第一边界像素值大于第二边界像素值。其次，在原始高光谱图像中，将大于第一边界像素值，以及小于第二边界像素值的像素点剔除，以抑制图像噪声，减少模糊图像的边缘，这种预处理方式有助于对孤立噪声点的消除，也能对略微密集的噪声点进行除噪。最后，对原始高光谱图像中剩余的像素点对应的像素值进行平均值计算，以得到中值滤波处理之后的高光谱图像。
进一步地，对原始高光谱图像进行矢量归一化处理，主要包括：确定对待测水果进行高光谱成像得到的原始高光谱图像对应的所有光谱，并计算所有光谱对应的光谱平均值；计算原始高光谱图像中的任一光谱与光谱平均值之间的光谱差值，然后再计算这个光谱差值与所有光谱对应的平方和之间的比值，这个比值就是任一光谱对应的归一化光谱。这种处理方法可以降低光程变化和样品稀释对光谱产生的影响，增加建模过程中数据的精确度。
需要说明的是，本申请实施例中的对原始高光谱图像进行中值滤波处理以及矢量归一化处理之后，得到待测高光谱图像。但在具体的处理过程中，两个处理过程的执行的顺序并不限定。即本申请实施例中可以先对原始高光谱图像进行中值滤波处理，然后对中值滤波处理后的高光谱图像进行矢量归一化处理；也可以先对原始高光谱图像进行矢量归一化处理，然后对矢量归一化处理后的高光谱图像进行中值滤波处理。
在经过上述两个处理过程之后，将原始高光谱图像转换为待测高光谱图像。
S303，基于偏最小二乘法，通过预存的待测水果对应的波长-糖度样本库，构建糖度检测模型。
偏最小二乘回归方法集多元线性回归、主成分分析和典型相关分析于一体，而且能够消除由于样本数远小于自变量数而引起的多重共线性，并且与其他多元校正方法相比对于变量的约束最少。将偏最小二乘法应用于高光谱成像技术的数据建模，能够有效避免因样本数量远远少于变量数而引起的多重共线性问题，因此具有重要的实际价值。
基于偏最小二乘法，再根据预存好的待测水果对应的波长-糖度样本库，构建糖度检测模型，主要包括以下实现过程：首先，将波长-糖度样本库中的所有样本按照2:1的比例进行划分，其中三分之二作为建模集，用以建立糖度检测模型，另外三分之一的样本作为验证集，用以鉴定糖度检测模型的精准度。然后，确定糖度检测模型建立过程中所需要的建模因子。需要说明的是，本申请实施例中的建模因子可以通过现有的偏最小二乘法模型建立过程中采用的建模因子确定方法实现，本申请实施例对此不作赘述。然后，基于确定好的建模因子，对建模集中的样本进行回归拟合，以得到糖度检测模型。最后，通过验证集对糖度检测模型进行验证及优化。
需要说明的是，本申请实施例中的波长-糖度样本库是与待测水果对应的。即如果待测水果为苹果，那建模所用的波长-糖度样本库也是根据苹果建立的波长-糖度样本库。
进一步地，为避免选择某些低效因子影响建模结果，本申请中的糖度检测模型在建立过程中，会对选出的建模因子进行筛选。具体地，在确定出的建模因子中，任意选取两个建模因子（第一建模因子与第二建模因子）。然后计算得到第一建模因子与第二建模因子都参与建模时的第一误差平方和，以及仅有第二建模因子参与建模时的第二误差平方和。其中，所述第一误差平方和与所述第二误差平方和都可以用来表示任意一个样本下，糖度样本值与糖度预测值之间的差值平方和。计算得到第一误差平方和减去第二误差平方和得到的误差平方和的差值，并计算误差平方和的差值与第二误差平方和之间的比值。在比值大于第一预设阈值的情况下，剔除所述第一建模因子。
即最佳建模因子数是由h个建模因子参与建模时，累积预测误差平方和
取得最低值时对应的建模因子数确定，如下方公式所示。
在公式中，并非每个因子对降低
都起到必要的作用。因此，本申请实施例在决定是否选择选择第
个因子参与建模之前增添约束条件，即
其中，
表示选择前
个因子（第一建模因子与第二建模因子都参与建模）建模时的
值；
表示选择前
个因子（仅有第二建模因子参与建模）建模时的
值。当
时，第
个因子被选入参与建模，当
时，第
个因子被舍弃，不参与建模。
其中，
表示上述第一预设阈值，其具体的取值可以根据实际模型要求进行调整。
更进一步地，本申请实施例中最后对糖度检测模型进行优化时，也会对建模因子进行调整。具体地，将验证集中的波长数据输入至建立好的糖度检测模型中，得到相应的糖度数据预测值。计算糖度数据预测值与验证集中的波长数据对应的糖度数据之间的误差。如果误差大于第二预设阈值时，调整构建好的糖度检测模型中的建模因子，例如将对建模影响度较低的建模因子去除。这里的第二预设阈值是人为设置的并可以随时调整，以对糖度检测模型进行优化。
需要说明的是，模型优化过程中的建模因子调整，与模型建立过程中的建模因子调整并不相同。前者是根据不同建模因子的影响度进行更换，一般不会选择剔除建模因子；而后者是在建模过程中不断的选取、剔除建模因子的过程。
至此，完成糖度检测模型的构建过程。
在本申请的一些实施例中，如图4所示，在分别得到水果的糖分值以及农药残留值之前，方法还包括以下步骤：
S401，服务器接收待测水果的原始高光谱图像。
上述已经进行阐述，在此不再加以赘述，参照上文。
S402，服务器对高光谱图像进行基线校正以及辐射定标，得到定标后的定标高光谱图像。
具体地，服务器可以先对高光谱图像进行基线校正，得到校正后的高光谱图像。然后采用以下公式：
其中，所述
为待测水果的反射率，
为标准参考板的反射率，
为校正后的高光谱图像中物体的数值，
为校正后的高光谱图像中标准参考板的数值，
为高光谱图像采集系统误差。
通过上述方式实现对高光谱图像的预处理，从而实现对高光谱图像线校正以及辐射定标，得到定标高光谱图像，可以使得后续对食品农药残留检测更加精确。
S403，服务器对定标高光谱图像进行图像识别，得到定标高光谱图像对应的感兴趣区域图像。
在本申请的一些实施例中，可以通过确定定标高光谱图像的初始种子像元，所述种子相关的光谱为初始种子光谱；计算像元与种子光谱间的光谱差异度，并根据所述光谱差异度判定像元是否被生长；在像元被生长后，将初始种子光谱更新为所有已生长像元的光谱均值，直至区域生长结束，进行背景区域的分割；确定新的初始种子像元，重新进行区域生长，进行背景区域分割，直至无法确定新的初始种子像元，以得到相应的感兴趣区域图像。
其中，可以通过确定预设尺寸的局部窗口，计算所述局部窗口中像元的光谱相似性，进行AP聚类，得到所述局部窗口像元聚类结果；根据所述聚类结果，得到局部窗口聚类标记图；在所述聚类标记图中，按照预设方格进行搜索；在所述预设方格内所有像元灰度值相等时，将所述方格中心像元作为初始种子像元。
由于拍摄获得的高光谱图像中存在很多噪声，例如背景噪声，由于噪声的存在可能导致对于待测水果的检测精度下降，因此在本申请实施例中，通过预设的区域生长算法，对定标高光谱图像进行图像识别，以得到该定标高光谱图像中待检测食品的轮廓。并基于该轮廓进行图像分割，以得到感兴趣区域图像。该感兴趣区域图像可以是指仅包含待测水果的高光谱图像。
通过上述方案可以对定标高光谱图像进行分割，仅保留需要进行食品农药残留检测的感兴趣区域图像，可以使得后续的食品农药残留检测更加快速，节约后期计算资源，也能使得后期检测更加精确。
S404，服务器根据主成分分析法对感兴趣图像中的波段信息进行主成分分析，确定相应预设数目的主成分信息，作为第一主成分信息。
服务器通过主成分分析法，对上述感兴趣区域图像中的波段信息进行主成分分析，按照相应的预设数目N，保留至少前N个主成分信息，作为第一主成分信息。保留的至少前N个主成分信息基本上包含了大部分可用波段信息，不但简化了执行时间，还可以提高识别效率。并且，利用主成分分析法对图像进行处理，去除频带间的多余信息，将多频带图像信息压缩为少量，比原频带更有效。
S405，服务器根据第一主成分信息中的权重系数曲线，确定相应的特征波段。
在本申请各实施例中，可以根据提取各第一主成分信息对应的特征相连AG，确定相应的权重系数曲线，确定特征波段，该特征波段至少是两个第一主成分信息中权重值同时为波峰值或者波谷值的波段。
S406，服务器根据主成分分析法对特征波段进行主成分分析，确定相应数目的主成分信息，作为第二主成分信息。
具体地，服务器通过主成分分析法，对特征波段再次进行主成分分析，确定第二主成分信息。例如，第一主成分信息保留的是前6个主成分信息，那么根据特征波段进行二次主成分分析，保留至少前3个主成分信息，作为第二主成分信息。
在本申请实施例中，由于第一主成分信息中大多数包含有比较多的强信息，这些强信息大多数反应了待测水果的主信息，淹没了需要进行农药残留检测的信息，因此在本申请实施例中并没有选择第一主成分信息进行识别分析，而是通过确定的特征波段进行二次的主成分分析，得到的第二主成分信息与农药残留检测紧密相关，从而提高识别效率，降低造成。
S407，服务器根据第二主成分信息、第二主成分信息对应的波长数据，以及预设的待测水果的波长-农药残留样本库，构建农药残留检测模型。
可以通过根据第二主成分信息、第二主成分信息对应的波长数据，以及预设的待测水果的波长-农药残留样本库作为训练样本，进行神经网络模型训练，以完成对农药残留检测模型的构建。
S204，服务器基于水果的糖分值、农药残留值，以及水果的种类，按照预设规则，确定水果的品质等级。
在本申请实施例中，可以预先对不同种类的水果，确定相应的品质等级评价标准，将水果的糖分值、农药残留值作为评价参数，以确定水果的品质等级。
S205，服务器根据水果的品质等级，向设置于水果生产线路上的流道方向控制装置发送相应的控制指令，以使流道方向控制装置控制水果流向品质等级对应的流道。
通过上述方案，可以在水果生产线路上进行果品品质检测，并且不仅局限于外部品质的检测，还结合了内部品质，从而确定水果的品质等级，以实现不同的筛选，能够应用在生产作业中，促进水果的发展。
在本申请的一些实施例中，在获取水果生产线路上的水果的高光谱图像之前，方法还包括：
服务器获取水果生产线路上的水果的水果表面图像。其中，水果表面图像为设置于水果生产线路上的图像采集设备，对水果的表面进行图像采集得到的。
服务器基于预设的表面缺陷检测模型，根据水果表面图像确定水果表面是否存在缺陷。
服务器在水果表面存在缺陷的情况下，向流道方向控制装置发送相应的控制指令，以使流道方向控制装置控制水果流向劣品流道。
服务器在水果表面存在缺陷的情况下，向流道方向控制装置发送相应的控制指令，以使流道方向控制装置控制水果流向良品流道，以使终端发送用于获取水果生产线路上的水果的高光谱图像的请求。
通过上述方案，可以先对水果表面进行缺陷检测，将存在表面缺陷的水果进行初步的筛选。
在本申请的一些实施例中，在基于预设的表面缺陷检测模型，根据水果表面图像确定水果表面是否存在缺陷之后，方法还包括：
服务器在表面缺陷检测模型未能检测水果表面是否存在缺陷的情况下，向终端设备发送相应的提示信息。
服务器获取水果的图像标签。其中，图像标签用于表示水果表面图像对应的水果是否存在缺陷。图像标签是终端基于提示信息发送的。
服务器根据水果的水果表面图像以及对应的图像标签，更新预设的水果表面缺陷模型。
由于在实际的水果生产过程中，一条生产线可能生产多个种类的水果，不同类型的水果的表面缺陷类型也可能不相同。此时，对不同的水果检测表面缺陷时，都需要设计开发不同的表面缺陷检测模型，整个过程周期长，耗费的时间和人力成本也较高，缺乏柔性。通过上述方案，一条生产线可能生产多个种类的水果的情况下，，能够灵活适配不同种类水果的表面缺陷检测，实现柔性生产，大大降低了产品表面缺陷检测的装置成本和人类成本，提高了生产的工作效率。
在本申请的一些实施例中，水果的高光谱图像为高光谱图像采集设备对到达水果生产线路的内部品质检测区域的水果，进行采集得到的。水果的表面图像为图像采集设备对到达水果生产线路的表面检测区域的水果，进行采集得到的。其中，沿水果生产线路的流水线方向，表面检测区域设置于内部品质检测区域之前，如图1所示。
基于同样的思路，本申请的一些实施例还提供了上述平台对应的设备和非易失性计算机存储介质。
图5为本申请实施例提供的对应于图2的用于基于高光谱的果品品质检测方法的基于高光谱的果品品质检测方法设备的一种结构示意图，所述质量链设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
接收来自终端的用于获取水果生产线路上的水果的高光谱图像的请求；
获取所述水果生产线路上的水果的高光谱图像；其中，所述高光谱图像为设置于所述水果生产线路上的高光谱图像采集设备，对所述水果进行采集得到的；
基于预设的糖度检测模型以及农药残留检测模型，对所述高光谱图像进行识别，以分别得到所述水果的糖分值以及农药残留值；
基于所述水果的糖分值、农药残留值，以及所述水果的种类，按照预设规则，确定所述水果的品质等级；
根据所述水果的品质等级，向设置于所述水果生产线路上的流道方向控制装置发送相应的控制指令，以使所述流道方向控制装置控制所述水果流向所述品质等级对应的流道。
本申请的一些实施例提供的对应于图2的一种基于高光谱的果品品质检测的非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
接收来自终端的用于获取水果生产线路上的水果的高光谱图像的请求；
获取所述水果生产线路上的水果的高光谱图像；其中，所述高光谱图像为设置于所述水果生产线路上的高光谱图像采集设备，对所述水果进行采集得到的；
基于预设的糖度检测模型以及农药残留检测模型，对所述高光谱图像进行识别，以分别得到所述水果的糖分值以及农药残留值；
基于所述水果的糖分值、农药残留值，以及所述水果的种类，按照预设规则，确定所述水果的品质等级；
根据所述水果的品质等级，向设置于所述水果生产线路上的流道方向控制装置发送相应的控制指令，以使所述流道方向控制装置控制所述水果流向所述品质等级对应的流道。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (7)
1.一种基于高光谱的果品品质检测方法，其特征在于，所述方法包括：
接收来自终端的用于获取水果生产线路上的水果的高光谱图像的请求；
获取所述水果生产线路上的水果的高光谱图像；其中，所述高光谱图像为设置于所述水果生产线路上的高光谱图像采集设备，对所述水果进行采集得到的；
基于预设的糖度检测模型以及农药残留检测模型，对所述高光谱图像进行识别，以分别得到所述水果的糖分值以及农药残留值；
基于所述水果的糖分值、农药残留值，以及所述水果的种类，按照预设规则，确定所述水果的品质等级；
根据所述水果的品质等级，向设置于所述水果生产线路上的流道方向控制装置发送相应的控制指令，以使所述流道方向控制装置控制所述水果流向所述品质等级对应的流道，
其中，在分别得到所述水果的糖分值以及农药残留值之前，所述方法还包括：
接收待测水果的原始高光谱图像；
对所述原始高光谱图像分别进行中值滤波处理以及矢量归一化处理，得到待测高光谱图像；
基于偏最小二乘法，通过预存的所述待测水果对应的波长-糖度样本库，构建糖度检测模型；
其中，对所述原始高光谱图像分别进行中值滤波处理以及矢量归一化处理，具体包括：
确定所述原始高光谱图像对应的像素值；
将所述像素值以大小关系进行顺序排列后，确定第一边界像素值以及第二边界像素值；其中，所述第一边界像素值大于所述第二边界像素值；
在所述原始高光谱图像中，剔除像素值大于所述第一边界像素值的若干像素点，以及剔除像素值小于所述第二边界像素值的若干像素点；
对所述原始高光谱图像中剩余的像素点对应的像素值进行平均值计算；
确定所述原始高光谱图像对应的所有光谱，并计算所述所有光谱对应的光谱平均值；
计算所述原始高光谱图像中的任一光谱与所述光谱平均值之间的差值；
确定所述差值与所述所有光谱对应的平方和之间的比值，为所述任一光谱对应的归一化光谱；
其中，基于偏最小二乘法，通过预存的所述待测水果对应的波长-糖度样本库，构建糖度检测模型，具体包括：
将波长-糖度样本库中的所有样本按照2:1的比例进行划分，其中三分之二作为建模集，用以建立糖度检测模型，另外三分之一的样本作为验证集，用以鉴定糖度检测模型的精准度；
确定糖度检测模型建立过程中所需要的建模因子，建模因子通过现有的偏最小二乘法模型建立过程中采用的建模因子确定方法实现；
基于确定好的建模因子，对建模集中的样本进行回归拟合，以得到糖度检测模型；
通过验证集对糖度检测模型进行验证及优化。
2.根据权利要求1所述的方法，其特征在于，在获取所述水果生产线路上的水果的高光谱图像之前，所述方法还包括：
获取所述水果生产线路上的水果的水果表面图像；其中，所述水果表面图像为设置于所述水果生产线路上的图像采集设备，对所述水果的表面进行图像采集得到的；
基于预设的表面缺陷检测模型，根据所述水果表面图像确定所述水果表面是否存在缺陷；
在所述水果表面存在缺陷的情况下，向所述流道方向控制装置发送相应的控制指令，以使所述流道方向控制装置控制所述水果流向劣品流道；
在所述水果表面存在缺陷的情况下，向所述流道方向控制装置发送相应的控制指令，以使所述流道方向控制装置控制所述水果流向良品流道，以使终端发送用于获取水果生产线路上的水果的高光谱图像的请求。
3.根据权利要求2所述的方法，其特征在于，在基于预设的表面缺陷检测模型，根据所述水果表面图像确定所述水果表面是否存在缺陷之后，所述方法还包括：
在所述表面缺陷检测模型未能检测所述水果表面是否存在缺陷的情况下，向所述终端设备发送相应的提示信息；
获取所述水果的图像标签；其中，所述图像标签用于表示所述水果表面图像对应的水果是否存在缺陷；所述图像标签是所述终端基于所述提示信息发送的；
根据所述水果的水果表面图像以及对应的图像标签，更新所述预设的水果表面缺陷模型。
4.根据权利要求2所述的方法，其特征在于，所述水果的高光谱图像为所述高光谱图像采集设备对到达所述水果生产线路的内部品质检测区域的水果，进行采集得到的；
所述水果的表面图像为所述图像采集设备对到达所述水果生产线路的表面检测区域的水果，进行采集得到的；
其中，沿所述水果生产线路的流水线方向，所述表面检测区域设置于所述内部品质检测区域之前。
5.根据权利要求1所述的方法，其特征在于，在分别得到所述水果的糖分值以及农药残留值之前，所述方法还包括：
接收待测水果的原始高光谱图像；
对所述对所述高光谱图像进行基线校正以及辐射定标，得到定标后的定标高光谱图像；
对所述定标高光谱图像进行图像识别，得到所述定标高光谱图像对应的感兴趣区域图像；
根据主成分分析法对所述感兴趣图像中的波段信息进行主成分分析，确定相应预设数目的主成分信息，作为第一主成分信息；
根据所述第一主成分信息中的权重系数曲线，确定相应的特征波段；
根据主成分分析法对所述特征波段进行主成分分析，确定相应数目的主成分信息，作为第二主成分信息；
根据所述第二主成分信息、第二主成分信息对应的波长数据，以及预设的待测水果的波长-农药残留样本库，构建农药残留检测模型。
6.一种基于高光谱的果品品质检测设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够实现如权利要求1-5任一项所述的基于高光谱的果品品质检测方法。
7.一种基于高光谱的果品品质检测的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为执行如权利要求1-5任一项所述的基于高光谱的果品品质检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110453992.3A CN112974303B (zh) | 2021-04-26 | 2021-04-26 | 一种基于高光谱的果品品质检测方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110453992.3A CN112974303B (zh) | 2021-04-26 | 2021-04-26 | 一种基于高光谱的果品品质检测方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112974303A CN112974303A (zh) | 2021-06-18 |
| CN112974303B true CN112974303B (zh) | 2022-11-08 |
Family
ID=76340153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110453992.3A Active CN112974303B (zh) | 2021-04-26 | 2021-04-26 | 一种基于高光谱的果品品质检测方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112974303B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115758888B (zh) * | 2022-11-17 | 2024-04-23 | 厦门智康力奇数字科技有限公司 | 一种基于多机器学习算法融合的农产品安全风险评估方法 |
| US11887351B1 (en) | 2023-07-26 | 2024-01-30 | Timea IGNAT | System and method for hyperspectral image-based quality control analysis of crop loads |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1329132C (zh) * | 2004-11-02 | 2007-08-01 | 江苏大学 | 基于三个摄像系统在线水果品质检测分级的装置与方法 |
| CN100449301C (zh) * | 2006-03-24 | 2009-01-07 | 浙江大学 | 基于光特性的水果内部品质在线无损检测方法和装置 |
| CN101920245A (zh) * | 2009-10-27 | 2010-12-22 | 华东交通大学 | 基于可见近红外光谱的水果糖酸度在线检测与分选生产线 |
| CN203170604U (zh) * | 2013-04-18 | 2013-09-04 | 北京农业智能装备技术研究中心 | 基于图像处理的小型农产品分选机 |
| CN104598886B (zh) * | 2015-01-23 | 2017-07-07 | 中国矿业大学(北京) | 一种利用近红外高光谱图像识别霉变油料作物的方法 |
| CN105170485A (zh) * | 2015-10-07 | 2015-12-23 | 西北农林科技大学 | 一种猕猴桃检测分级装置 |
| CN106525732B (zh) * | 2016-10-25 | 2021-08-17 | 沈阳农业大学 | 基于高光谱成像技术的苹果内外品质快速无损检测方法 |
| CN109187378B (zh) * | 2018-10-17 | 2021-04-16 | 四川农业大学 | 基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法 |
| CN111507939A (zh) * | 2020-03-12 | 2020-08-07 | 深圳大学 | 一种水果外部缺陷类型的检测方法、装置和终端 |
| CN111537469A (zh) * | 2020-06-04 | 2020-08-14 | 哈尔滨理工大学 | 一种基于近红外技术的苹果品质快速无损检测方法 |
| CN111774324A (zh) * | 2020-07-22 | 2020-10-16 | 浙江德菲洛智能机械制造有限公司 | 一种针对大型果蔬的紧凑型多品质自动分选装置 |
-
2021
- 2021-04-26 CN CN202110453992.3A patent/CN112974303B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112974303A (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109100323B (zh) | 一种苹果水心病的透射光谱无损定量评价方法 | |
| Millan et al. | Image analysis‐based modelling for flower number estimation in grapevine | |
| CN112974303B (zh) | 一种基于高光谱的果品品质检测方法、设备及介质 | |
| Cubero et al. | A new method for assessment of bunch compactness using automated image analysis | |
| CN108335300A (zh) | 一种基于cnn的食品高光谱信息分析系统与方法 | |
| CN113160183B (zh) | 一种高光谱数据处理方法、设备及介质 | |
| CN111310571B (zh) | 一种基于空谱维滤波的高光谱图像分类方法及装置 | |
| CN110736709A (zh) | 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法 | |
| WO2023084543A1 (en) | System and method for leveraging neural network based hybrid feature extraction model for grain quality analysis | |
| CN113030001B (zh) | 一种水果糖度检测方法及系统 | |
| CN110555395A (zh) | 一种油菜冠层氮素含量等级分类评估方法 | |
| CN111879709B (zh) | 湖泊水体光谱反射率检验方法及装置 | |
| Chen et al. | New approach of simultaneous, multi‐perspective imaging for quantitative assessment of the compactness of grape bunches | |
| Pouliot et al. | Evaluation of annual forest disturbance monitoring using a static decision tree approach and 250 m MODIS data | |
| CN115908257A (zh) | 缺陷识别模型训练方法及果蔬缺陷识别方法 | |
| CN116883674B (zh) | 多光谱图像去噪装置及使用该装置的食品品质检测系统 | |
| CN117274251B (zh) | 基于图像数据的药品生产过程中药片质量检测方法 | |
| WO2021195817A1 (zh) | 一种提取待测物质的光谱信息的方法 | |
| CN116026780B (zh) | 基于串联策略波长选择的包衣吸湿率在线检测方法及系统 | |
| CN112964719B (zh) | 一种基于高光谱的食品果糖检测方法及装置 | |
| CN113125358B (zh) | 一种基于高光谱的食品农药残留检测方法、设备及介质 | |
| CN111751295A (zh) | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 | |
| CN113570538A (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
| CN114720436B (zh) | 基于荧光高光谱成像的农产品品质参数检测方法及设备 | |
| CN117054372B (zh) | 基于nirs与cv的茶叶品质等级检测方法和系统 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method, Equipment, and Medium for High Spectral Fruit Quality Detection Effective date of registration: 20230519 Granted publication date: 20221108 Pledgee: Bank of Beijing Co.,Ltd. Jinan Branch Pledgor: Shandong Shenlan Zhipu Digital Technology Co.,Ltd. Registration number: Y2023980041054 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20221108 Pledgee: Bank of Beijing Co.,Ltd. Jinan Branch Pledgor: Shandong Shenlan Zhipu Digital Technology Co.,Ltd. Registration number: Y2023980041054 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method, equipment, and medium for detecting fruit quality based on hyperspectral analysis Granted publication date: 20221108 Pledgee: Huaxia Bank Co.,Ltd. Jinan Branch Pledgor: Shandong Shenlan Zhipu Digital Technology Co.,Ltd. Registration number: Y2024980008356 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |