CN113125358A - 一种基于高光谱的食品农药残留检测方法、设备及介质 - Google Patents
一种基于高光谱的食品农药残留检测方法、设备及介质 Download PDFInfo
- Publication number
- CN113125358A CN113125358A CN202110452991.7A CN202110452991A CN113125358A CN 113125358 A CN113125358 A CN 113125358A CN 202110452991 A CN202110452991 A CN 202110452991A CN 113125358 A CN113125358 A CN 113125358A
- Authority
- CN
- China
- Prior art keywords
- image
- principal component
- food
- hyperspectral image
- hyperspectral
- 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
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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- 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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
- G01N21/274—Calibration, base line adjustment, drift correction
Abstract
本申请公开了一种基于高光谱的食品农药残留检测方法、设备及介质,通过获取高光谱图像采集系统采集的待测食品的表面的高光谱图像;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;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;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;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;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;根据第二主成分信息,生成相应的彩色合成图像;基于彩色合成图像,对待测食品的农药残留进行检测。
Description
技术领域
本申请涉及食品安全检测技术领域,尤其涉及一种基于高光谱的食品农药残留检测方法设备及介质。
背景技术
随着人们生活水平的提高,食品安全成为大众重点关心的问题,特别是食品中的农产品(例如:水果、蔬菜等)。现有技术中,为了保证农产品在生长过程中的健康生长,例如防止蛀虫等,往往会对农产品进行农药的喷洒。因此,农产品的表面往往会有相应的农药残留,造成一定的食品安全问题。
目前,传统的对于食品的农药残留检测技术有很多,例如气相色谱-质谱、液相色谱、超临界流体色谱、色谱-质谱和免疫分析等等。这些传统方法虽然能对食品的农药残留进行检测,但是需要较长的处理时间,依赖大量的化学试剂,有污染,并且有些需要损坏食品样本,不利于后期的售卖或者在生产线上进行使用。
发明内容
本说明书实施例提供一种基于高光谱的食品农药残留检测方法及设备、介质,用于解决现有技术中的如下技术问题:现有技术中对于食品的农药残留检测往往会造成对食品的损坏,并且处理时间长,不利于后期的售卖以及生产线上的使用。
本说明书实施例采用下述技术方案:
一种基于高光谱的食品农药残留检测方法,所述方法包括:
获取高光谱图像采集系统采集的待测食品的表面的高光谱图像;
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,生成相应的彩色合成图像;
基于所述彩色合成图像,对所述待测食品的农药残留进行检测。
在本申请的一些实施例中,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,具体包括:
对所述高光谱图像进行基线校正,得到校正后的高光谱图像;
采用以下公式,对所述校正后的高光谱图像进行辐射定标,得到所述定标高光谱图像:
在本申请的一些实施例中,,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,具体包括:
确定所述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。
在本申请的一些实施例中,,在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之前,所述方法还包括:
对所述高光谱图像进行图像识别,确定所述待测食品的食品类型;
根据预设规则以及所述食品类型,确定所述待测食品对应的农药类型;
根据所述农药类型,从预先存储的农药残留图像集合中,确定所述农药类型对应的农药残留的对比图像。
在本申请的一些实施例中,所述基于所述彩色合成图像,对所述待测食品的农药残留进行检测,具体包括:
根据所述彩色合成图像与所述对比图像进行对比,以确定所述待测食品是否存在农药残留;
在所述待测食品存在农药残留的情况下,根据所述彩色合成图像,确定所述待测食品的农药残留等级。
在本申请的一些实施例中,获取高光谱图像采集系统采集的待测食品的表面的高光谱图像之后,所述方法还包括:
根据所述高光谱图像,确定所述待测食品的食品类型;
确实所述食品类型是否与预设食品类型一致;
在所述食品类型与预设食品类型不一致的情况下,向用户终端发送相应的提示信息,并基于用户对所述提示信息的操作,将所述食品类型对应的农药残留检测结果作为样本数据进行存储。
在本申请的一些实施例中,在基于所述彩色合成图像,对所述待测食品的农药残留进行检测之后,所述方法还包括:
在所述待测食品为水果的情况下,确定所述待测食品的成熟度;
根据所述待测食品的成熟度以及所述待测食品的农药残留结果,确定所述待测食品的预警等级;
在所述预警等级大于预设阈值的情况下,向相应的用户终端发送相应的提示信息。
在本申请的一些实施例中,所述方法还包括:
将所述彩色合成图像以及农药残留检测结果向用户进行展示
一种基于高光谱的食品农药残留检测设备,所述设备包括:
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:
获取高光谱图像采集系统采集的待测食品的表面的高光谱图像;
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,生成相应的彩色合成图像;
基于所述彩色合成图像,对所述待测食品的农药残留进行检测。
一种基于高光谱的食品农药残留检测的非易失性计算机存储介质,存储有计算机可执行的指令,所述计算机可执行指令设置为:
获取高光谱图像采集系统采集的待测食品的表面的高光谱图像;
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,生成相应的彩色合成图像;
基于所述彩色合成图像,对所述待测食品的农药残留进行检测。
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:一方面,可以实现对食品的无损检测,可以在生产线上进行使用,提高食品安全检测的完整度;另一方面,无需化学药剂等辅助材料,处理时间较短,处理效率高,具有普适性。
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一种基于高光谱的食品农药残留检测方法的流程图;
图2为本说明书实施例提供的一种基于高光谱的食品农药残留检测设备的结构示意图。
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食品农药残留检测方法的流程图。如图1所示,本申请提供的基于高光谱的食品农药残留检测方法,可以包括以下步骤:
S101,服务器获取高光谱图像采集系统采集的待测食品的表面的高光谱图像。
在本申请实施例中,上述高光谱图像采集系统可以由光谱相机、计算机和场景照明的两个光源组成。例如,高光谱相机为1392×1040 pixel互补金属氧化物半导体器件,孔径为F/2.4,探测元件为冷却CCD,狭缝尺寸为30um(W) × 8.98mm(L),最大帧率为62帧/秒。光源的面积约为100 cm2,其在400 ~ 1000 nm光谱范围内的辐射功率输出约为10 W。因此,光功率密度为100 mW/cm2。该图像可以使用定制开发软件Specview拍摄获得。根据光功率密度,最佳曝光时间设置为10ms,速度设置为0.8cm/s, binniing设置为2×2。图像采集范围为400 ~ 1000 nm,光谱子带为1.2 nm。因此,一个图像立方体总共有520个波段可用。
需要说明的是,服务器仅作为本申请实施例中执行主体的示例,也可以是其他设备作为执行主体,具体地,在本申请实施例中不加以限定。
S102,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:
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。
S103,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食品的检测精度下降,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食品的高光谱图像。
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。
S104,服务器根据主成分分析法对感兴趣区域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。
S105,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。
S106,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食品的主信息,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。
S107,服务器根据第二主成分信息,生成相应的彩色合成图像。
服务器根据各第二主成分信息,进行图像合成,以得到相应的彩色合成图像。
S108,服务器基于彩色合成图像,对待测食品的农药残留进行检测。
在本申请实施例中,根据生成的色彩合成图像,与预先存储的相应的预设图像进行比对,实现对待测食品的农药残留检测。
基于上述方案,先通过基线校正以及辐射定标得到定标高光谱图像,再根据定标高光谱图像确定感兴趣区域图像。并通过两次主成分分析法,得到相应的第二主成分信息,以生成与农药残留相关度较高的彩色合成图像,从根据彩色合成图像,实现对待测食品的农药残留检测。一方面,可以实现对食品的无损检测,可以在生产线上进行使用,提高食品安全检测的完整度;另一方面,无需化学药剂等辅助材料,处理时间较短,处理效率高,具有普适性。
更进一步的,基于彩色合成图像,对待测食品的农药残留进行检测,可以通过以下方式实现:
对高光谱图像进行图像识别,确定待测食品的食品类型。
具体地,可以根据预设的图像识别模型,对高光谱图像进行图像识别,从而确定待测食品的食品类型。
需要说明的是,这里所提到的图像识别模型可以是预先训练好的神经网络模型,以通过输入的高光谱图像,确定高光谱图像中的待测食品的食品类型。例如,输入苹果的高光谱图像,所得到的食品类型为苹果。
根据预设规则以及食品类型,确定待测食品对应的农药类型。
由于待测食品的食品类型不同,因此,待测食品在生长过程中所喷洒的农药的种类也不相同,但是存在一定的规律的。因此,在本申请实施例中,预先存储有食品类型以及该食品类型对应的农药类型,以确定待测食品对应的农药类型。
服务器可以根据农药类型,从预先存储的农药残留图像集合中,确定农药类型对应的农药残留的对比图像。
服务器可以根据彩色合成图像与对比图像进行对比,以确定待测食品是否存在农药残留。
在本申请的一些实施例中,在待测食品存在农药残留的情况下,还可以根据彩色合成图像,确定待测食品的农药残留等级。
在本申请的一些实施例中,获取高光谱图像采集系统采集的待测食品的表面的高光谱图像之后,方法还包括:
根据高光谱图像,确定待测食品的食品类型;
确实食品类型是否与预设食品类型一致;
在食品类型与预设食品类型不一致的情况下,向用户终端发送相应的提示信息,并基于用户对提示信息的操作,将食品类型对应的农药残留检测结果作为样本数据进行存储。
由于待测食品的食品类型较多,因此可能存在对于新的食品类型无法进行农药残留检测的情况,在这种情况下,可以向用户终端发送相应的提示信息。该提示信息可以提示该食品类型目前无法识别,并且在提示用户进行农药残留检测试验,并将农药残留检测结果作为样本数据进行上传,从而完善本申请实施例提供的食品农药残留检测方法。
需要说明的是,若用户根据提示信息进行反馈,上传相应的农药残留检测结果,可以给予该用户相应的奖励,从而鼓励用户进行数据回传。
在本申请的一些实施例中,在基于彩色合成图像,对待测食品的农药残留进行检测之后,本申请实施例提供的方法还包括:
在待测食品为水果的情况下,确定待测食品的成熟度;
根据待测食品的成熟度以及待测食品的农药残留结果,确定待测食品的预警等级;
在预警等级大于预设阈值的情况下,向相应的用户终端发送相应的提示信息。
在水果销售过程中,为了保证水果的正常销售,所采摘的水果测成熟度往往都比较低。例如,芒果、香蕉等水果在成熟度较低的情况下进行采摘,经过运输,在不断的程度,并且,随着时间的不断增长,水果表面的农药残留也会有一定的分解。因此,在待测食品为水果的情况下,需要先确定待测食品的成熟度,按照预设规则,根据待测食品的成熟度以及待测食品的农药残留结果,确定待测食品的预警等级。在预设等级大于预设阈值的情况下,向相应的用户终端发送相应的提示信息,以提示用户该待测食品的农药残留度较高,需要注意。
在本申请的一些实施例中,本申请实施例提供的方法还包括:将彩色合成图像以及农药残留检测结果向用户进行展示。
基于同样的思路,本申请的一些实施例还提供了上述方法对应的设备和非易失性计算机存储介质。
图2为本申请实施例提供的基于高光谱的食品农药残留检测设备的结构示意图。如图2所示,该设备包括:
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:
获取高光谱图像采集系统采集的待测食品的表面的高光谱图像;
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,生成相应的彩色合成图像;
基于所述彩色合成图像,对所述待测食品的农药残留进行检测。
本申请的一些实施例提供的对应于图1的一种基于高光谱的食品农药残留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:
获取高光谱图像采集系统采集的待测食品的表面的高光谱图像;
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,生成相应的彩色合成图像;
基于所述彩色合成图像,对所述待测食品的农药残留进行检测。
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 (10)
1.一种基于高光谱的食品农药残留检测方法,其特征在于,所述方法包括:
获取高光谱图像采集系统采集的待测食品的表面的高光谱图像;
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,生成相应的彩色合成图像;
基于所述彩色合成图像,对所述待测食品的农药残留进行检测。
2.根据权利要求1所述的方法,其特征在于,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,具体包括:
确定所述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。
3.根据权利要求1所述的方法,其特征在于,在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之前,所述方法还包括:
对所述高光谱图像进行图像识别,确定所述待测食品的食品类型;
根据预设规则以及所述食品类型,确定所述待测食品对应的农药类型;
根据所述农药类型,从预先存储的农药残留图像集合中,确定所述农药类型对应的农药残留的对比图像。
4.根据权利要求3所述的方法,其特征在于,所述基于所述彩色合成图像,对所述待测食品的农药残留进行检测,具体包括:
根据所述彩色合成图像与所述对比图像进行对比,以确定所述待测食品是否存在农药残留;
在所述待测食品存在农药残留的情况下,根据所述彩色合成图像,确定所述待测食品的农药残留等级。
5.根据权利要求1所述的方法,其特征在于,获取高光谱图像采集系统采集的待测食品的表面的高光谱图像之后,所述方法还包括:
根据所述高光谱图像,确定所述待测食品的食品类型;
确实所述食品类型是否与预设食品类型一致;
在所述食品类型与预设食品类型不一致的情况下,向用户终端发送相应的提示信息,并基于用户对所述提示信息的操作,将所述食品类型对应的农药残留检测结果作为样本数据进行存储。
6.根据权利要求1所述的方法,其特征在于,在基于所述彩色合成图像,对所述待测食品的农药残留进行检测之后,所述方法还包括:
在所述待测食品为水果的情况下,确定所述待测食品的成熟度;
根据所述待测食品的成熟度以及所述待测食品的农药残留结果,确定所述待测食品的预警等级;
在所述预警等级大于预设阈值的情况下,向相应的用户终端发送相应的提示信息。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述彩色合成图像以及农药残留检测结果向用户进行展示。
9.一种基于高光谱的食品农药残留检测设备,其特征在于,所述设备包括:
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:
获取高光谱图像采集系统采集的待测食品的表面的高光谱图像;
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,生成相应的彩色合成图像;
基于所述彩色合成图像,对所述待测食品的农药残留进行检测。
10.一种基于高光谱的食品农药残留检测的非易失性计算机存储介质,存储有计算机可执行的指令,其特征在于,所述计算机可执行指令设置为:
获取高光谱图像采集系统采集的待测食品的表面的高光谱图像;
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,生成相应的彩色合成图像;
基于所述彩色合成图像,对所述待测食品的农药残留进行检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110452991.7A CN113125358B (zh) | 2021-04-26 | 2021-04-26 | 一种基于高光谱的食品农药残留检测方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110452991.7A CN113125358B (zh) | 2021-04-26 | 2021-04-26 | 一种基于高光谱的食品农药残留检测方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113125358A true CN113125358A (zh) | 2021-07-16 |
CN113125358B CN113125358B (zh) | 2022-03-25 |
Family
ID=76779990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110452991.7A Active CN113125358B (zh) | 2021-04-26 | 2021-04-26 | 一种基于高光谱的食品农药残留检测方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113125358B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113740276A (zh) * | 2021-09-02 | 2021-12-03 | 福州大学 | 基于多光谱探测系统果蔬农残可视化实时检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103868857A (zh) * | 2014-02-18 | 2014-06-18 | 成都理工大学 | 一种农药残留的检测方法、装置及系统 |
CN104598886A (zh) * | 2015-01-23 | 2015-05-06 | 中国矿业大学(北京) | 一种用近红外高光谱图像识别霉变花生的方法 |
CN104931470A (zh) * | 2015-06-02 | 2015-09-23 | 江苏大学 | 一种基于荧光高光谱技术的农药残留检测装置及检测方法 |
CN105913023A (zh) * | 2016-04-12 | 2016-08-31 | 西北工业大学 | 基于多光谱图像和sar图像的黄河冰凌协同检测方法 |
CN107330875A (zh) * | 2017-05-31 | 2017-11-07 | 河海大学 | 基于遥感图像正反向异质性的水体周边环境变化检测方法 |
CN112070008A (zh) * | 2020-09-09 | 2020-12-11 | 武汉轻工大学 | 高光谱图像特征识别方法、装置、设备及存储介质 |
-
2021
- 2021-04-26 CN CN202110452991.7A patent/CN113125358B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103868857A (zh) * | 2014-02-18 | 2014-06-18 | 成都理工大学 | 一种农药残留的检测方法、装置及系统 |
CN104598886A (zh) * | 2015-01-23 | 2015-05-06 | 中国矿业大学(北京) | 一种用近红外高光谱图像识别霉变花生的方法 |
CN104931470A (zh) * | 2015-06-02 | 2015-09-23 | 江苏大学 | 一种基于荧光高光谱技术的农药残留检测装置及检测方法 |
CN105913023A (zh) * | 2016-04-12 | 2016-08-31 | 西北工业大学 | 基于多光谱图像和sar图像的黄河冰凌协同检测方法 |
CN107330875A (zh) * | 2017-05-31 | 2017-11-07 | 河海大学 | 基于遥感图像正反向异质性的水体周边环境变化检测方法 |
CN112070008A (zh) * | 2020-09-09 | 2020-12-11 | 武汉轻工大学 | 高光谱图像特征识别方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113740276A (zh) * | 2021-09-02 | 2021-12-03 | 福州大学 | 基于多光谱探测系统果蔬农残可视化实时检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113125358B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jonckheere et al. | Assessment of automatic gap fraction estimation of forests from digital hemispherical photography | |
Blasco et al. | Recognition and classification of external skin damage in citrus fruits using multispectral data and morphological features | |
Kayastha et al. | Monitoring wetland change using inter-annual landsat time-series data | |
Khoje et al. | Automated skin defect identification system for fruit grading based on discrete curvelet transform | |
US8948540B2 (en) | Optimized orthonormal system and method for reducing dimensionality of hyperspectral images | |
Wang et al. | Outdoor color rating of sweet cherries using computer vision | |
CN113160183B (zh) | 一种高光谱数据处理方法、设备及介质 | |
Ramos et al. | Non‐invasive setup for grape maturation classification using deep learning | |
CN113310909B (zh) | 一种基于高光谱的水质测定方法及设备 | |
Zhang et al. | Identification of common skin defects and classification of early decayed citrus using hyperspectral imaging technique | |
CN113435252B (zh) | 一种基于遥感的烟草病虫害监测预警方法和系统 | |
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 | |
Zhang et al. | Visual detection of apple bruises using AdaBoost algorithm and hyperspectral imaging | |
US10650498B2 (en) | System, method, and non-transitory, computer-readable medium containing instructions for image processing | |
Pouliot et al. | Evaluation of annual forest disturbance monitoring using a static decision tree approach and 250 m MODIS data | |
CN112974303B (zh) | 一种基于高光谱的果品品质检测方法、设备及介质 | |
Li et al. | Rapid detection and visualization of mechanical bruises on “Nanfeng” mandarin using the hyperspectral imaging combined with ICA_LSQ method | |
CN113052153B (zh) | 遥感反射率影像的检验方法、装置、电子设备及存储介质 | |
Erener et al. | A methodology for land use change detection of high resolution pan images based on texture analysis | |
Ashaari et al. | Comparison of model accuracy in tree canopy density estimation using single band, vegetation indices and forest canopy density (FCD) based on Landsat-8 imagery (case study: Peat Swamp Forest in Riau Province) | |
Khoje et al. | Comparative performance evaluation of fast discrete curvelet transform and colour texture moments as texture features for fruit skin damage detection | |
Mourato et al. | Automatic sunspot detection through semantic and instance segmentation approaches | |
Sahu et al. | Non-destructive rapid quality control method for tobacco grading using visible near-infrared hyperspectral imaging | |
Logan et al. | Assessing produce freshness using hyperspectral imaging and machine learning | |
JP2007199750A (ja) | 画素群パラメータ算出方法及び目標物検出方法並びに画素群パラメータ算出装置及び目標物検出装置 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A hyperspectral based method, equipment, and medium for detecting food pesticide residues Effective date of registration: 20230620 Granted publication date: 20220325 Pledgee: Ji'nan rural commercial bank Limited by Share Ltd. high tech branch Pledgor: Shandong Shenlan Zhipu Digital Technology Co.,Ltd. Registration number: Y2023980044411 |