CN113418874A - 面向果实品质检测的高光谱图像重构方法及检测方法 - Google Patents
面向果实品质检测的高光谱图像重构方法及检测方法 Download PDFInfo
- Publication number
- CN113418874A CN113418874A CN202110275774.5A CN202110275774A CN113418874A CN 113418874 A CN113418874 A CN 113418874A CN 202110275774 A CN202110275774 A CN 202110275774A CN 113418874 A CN113418874 A CN 113418874A
- Authority
- CN
- China
- Prior art keywords
- fruit
- image
- camera
- definition
- images
- 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.)
- Pending
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 115
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003595 spectral effect Effects 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 238000002310 reflectometry Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 238000012935 Averaging Methods 0.000 claims abstract description 4
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000013441 quality evaluation Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 230000003028 elevating effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 11
- 230000003044 adaptive effect Effects 0.000 description 2
- 244000052616 bacterial pathogen Species 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 description 1
- 229930091371 Fructose Natural products 0.000 description 1
- 241000132456 Haplocarpha Species 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 229960002737 fructose Drugs 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 238000010943 off-gassing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002834 transmittance Methods 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- 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
- G01N21/55—Specular reflectivity
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N2021/3196—Correlating located peaks in spectrum with reference data, e.g. fingerprint data
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明特别涉及一种面向果实品质检测的高光谱图像重构方法，包括如下步骤：S110、拍摄果实得到果实的高清图像和高光谱图像；S120、对两者进行分割并提取感兴趣区域；S130、对相机通道响应值D和光谱反射率R分别求平均得到样本集
；S140、根据样本集
找到转换矩阵W；S150、利用高清相机拍摄待测果实的高清图像，再用转换矩阵W对待测果实的通道响应值Dv进行转换即可得到重构后的光谱反射率数据Rv；还公开了一种面向果实品质检测方法。采用高光谱图像重构技术，仪器设备成本和人工操作时间成本大幅降低；操作运用简单，降低了检测人员的专业技术操作要求，大幅提高检测效率；重构后的高光谱图像分辨率比原始高光谱图像分辨率更高，可以获得更细致的图像信息。
Description
技术领域
本发明涉及高光谱图像重构技术领域，特别涉及一种面向果实品质检测的高光谱图像重构方法及检测方法。
背景技术
在生长繁育过程中，果实容易受到各类病菌的感染，而病菌腐生能力强、传播范围广，会严重影响果实的品质。因此，需要快速、高效的品质检测方法对果实进行品控管理。高光谱成像技术将传统的成像与光谱技术相结合来获取物体的空间和光谱信息，是一种新兴的、无损的光学检测技术。相较于传统果实品质检测方法，高光谱成像技术不仅在获取样品信息丰富程度方面有了极大提高，还可获取被测样品的整个面阵的品质信息，可以实现对果实品质快速无损的检测分析。但存在以下问题：（1）高光谱仪器设备价格昂贵；（2）仪器的使用专业性要求高，需要由专业技术人员操作；（3）高光谱图像的分辨率远低于普通相机的分辨率，无法获取细微信息。这些问题限制了高光谱技术在果实品质检测中的应用与推广。
发明内容
本发明的目的在于提供一种面向果实品质检测的高光谱图像重构方法，获得的高光谱图像分辨率更高。
为实现以上目的，本发明采用的技术方案为：一种面向果实品质检测的高光谱图像重构方法，包括如下步骤：S110、利用高清相机和高光谱相机拍摄果实图像分别得到果实的高清图像和高光谱图像；S120、对果实的高清图像和高光谱图像进行分割并提取感兴趣区域，两个图像中的感兴趣区域一一对应；S130、每个感兴趣区域作为一个样本，对感兴趣区域中的相机通道响应值D和光谱反射率R分别求平均得到样本集
；S140、根据样本集
找到样本光谱反射率数据和相机通道响应值之间的转换矩阵W；S150、利用高清相机拍摄待测果实的高清图像，再用转换矩阵W对待测果实的通道响应值Dv进行转换即可得到重构后的光谱反射率数据Rv。
与现有技术相比，本发明存在以下技术效果：采用高光谱图像重构技术，仪器设备成本和人工操作时间成本大幅降低；操作运用简单，降低了检测人员的专业技术操作要求，大幅提高检测效率；重构后的高光谱图像分辨率比原始高光谱图像分辨率更高，可以获得更细致的图像信息。
本发明的目的在于提供一种面向果实品质检测的方法，能够实现果实品质的低成本、高通量、快速检测。
为实现以上目的，本发明采用的技术方案为：一种面向果实品质检测的方法，包括如下步骤：S210、将待测果实放在采集装置中采集其高清图像；S220、按照前述步骤S110-S150对待测果实的高清图像进行重构得到待测果实的光谱反射率数据；S230、将重构后的光谱反射率数据通过神经网络模型进行分类和回归实现待测果实品质的检测。
与现有技术相比，本发明存在以下技术效果：通过建立重构图像和果实多种品质的反演模型，实现果实品质的低成本、高通量、快速检测，拓展高光谱检测技术的应用范围；并且，由于重构后高光谱图像分辨率非常高，因此基于该数据建立的神经网络模型的分类准确度非常高，检测的结果很准确率更高。
附图说明
图1是高光谱图像重构流程图；
图2是本发明检测装置的结构示意图；
图3是高光谱仪器获得样品的.cube格式数据图；
图4是图3处理成.float格式数据图；
图5是针对图4中三个波段融合成的图像；
图6是对图5进行图像分割后的图像。
具体实施方式
下面结合图1至图6，对本发明做进一步详细叙述。
参阅图1，一种面向果实品质检测的高光谱图像重构方法，包括如下步骤：S110、利用高清相机5和高光谱相机拍摄果实图像分别得到果实的高清图像和高光谱图像；S120、对果实的高清图像和高光谱图像进行分割并提取感兴趣区域，两个图像中的感兴趣区域一一对应，这里说的一一对应，表示的是两个图像中所对应的果实区域一致；S130、每个感兴趣区域作为一个样本，对感兴趣区域中的相机通道响应值D和光谱反射率R分别求平均得到样本集
；S140、根据样本集
找到样本光谱反射率数据和相机通道响应值之间的转换矩阵W；S150、利用高清相机5拍摄待测果实的高清图像，再用转换矩阵W对待测果实的通道响应值Dv进行转换即可得到重构后的光谱反射率数据Rv。采用高光谱图像重构技术，仪器设备成本和人工操作时间成本大幅降低；操作运用简单，降低了检测人员的专业技术操作要求，大幅提高检测效率；重构后的高光谱图像分辨率比原始高光谱图像分辨率更高，可以获得更细致的图像信息。
进一步地，所述的步骤S110中，高清相机5和高光谱相机拍摄的果实图像中有一个或多个果实，高清相机5拍摄的图像格式为RGB，步骤S120中，每一个果实即为一个感兴趣区域，这样更方便后续的处理，单个的果实很容易进行分割得出，当然，实际处理中，也可以将一个果实区域切分成多个小的区域，以提高样品数量。步骤S140中，样本训练集中，相机通道相应平均值
为1×3矩阵，即分别对应R、G、B三个通道值，光谱反射率平均值
为1×M矩阵，其中M为高光谱相机的通道数，转换矩阵W为3×M矩阵且满足
，通过矩阵的方式，可以方便的找到转换矩阵W。
图像的分割方法有很多，将一个果实作为一个感兴趣区域后，我们只需要分割出图像中的每个果实即可。这里以苹果为例进行简要的说明，图3是我们采用高光谱仪器获取到的.cube格式的数据；经过计算单元中SRAna1710e软件处理成.float格式的数据，如图4所示；再通过Matlab读取后选择其中的3个波段图像，将其融合成一个图像后如图5所示；最后，再使用自适应阈值、基本全局阈值等分割算法进行图像分割后得到图6，分割后的二值化图像可以很方便的提取出感兴趣区域，然后对感兴趣区域中的相机通道响应值D和光谱反射率R分别求平均得到样本集
。
参阅图1，矩阵的求解算法有很多，本发明中具体地，所述的步骤S140中，包括如下步骤：S141、通过核函数将样本集
升到高维空间；S142、再利用降维思想求高维数据的协方差矩阵的特征向量；S143、保持变量的总方差不变，用少量指标表示多维数据；S144、通过线性变换，实现特征向量空间数据与高维数据之间的转换即得到转换矩阵W。图1显示的是对苹果样品试用KPCA方法、伪逆法和维纳法进行400nm-1000nm波段重构后的样品反射率数据与原始样品反射率数据的拟合对比；KPCA方法在重构高光谱图像时，无需考虑成像系统的光谱灵敏度、功率分布以及滤光片的光谱透射率等光谱光谱特征矩阵，同时，由于高清相机5获取得到的图像分辨率高于高光谱图像的分辨率，即像素点的个数更多，导致基于RGB图像进行重构得到的高光谱图像分辨率更高。
本发明还公开了一种面向果实品质检测的方法，包括如下步骤：S210、将待测果实放在采集装置中采集其高清图像；S220、按照前述步骤S110-S150对待测果实的高清图像进行重构得到待测果实的光谱反射率数据；S230、将重构后的光谱反射率数据通过神经网络模型进行分类和回归实现待测果实品质的检测。通过建立重构图像和果实多种品质的反演模型，实现果实品质的低成本、高通量、快速检测，拓展高光谱检测技术的应用范围；并且，由于重构后高光谱图像分辨率非常高，因此基于该数据建立的神经网络模型的分类准确度非常高，检测的结果很准确率更高。
参阅图2，进一步地，所述的采集装置包括暗箱1、升降台3、高清相机5、光源4以及控制单元6，暗箱1整体为方盒状且侧面安装有门用于放入待测果实，升降台3设置在暗箱1内底面上用于托撑待测果实，高清相机5设置在暗箱1内顶部中心，光源4设置在高清相机5的旁侧，控制单元6与升降台3和光源4相连分别控制升降台3的高度和光源4的强度。暗箱整体选择ABS材质，强度高，韧性好且牢固美观，暗箱1的内壁镀上材质为Spectral Black™（铝上的半镜面镀膜）的Acktar吸光箔与吸光膜2，吸收率为99.5-99.7(0-10°AOI)，用于消除光反射，其具有高发射率和低反射率、低释气性、出众的生物兼容性。暗箱1的内部中间安置有升降台3，将待测样品置于升降台3上，通过调节升降台3的高度以获取样品的RGB图像。这里图像的获取需跟光源4和高清相机5配套使用，升降台3、光源4和高清相机5都连接至控制单元6。
本实施例中光源4可以选择四个色温为3000K的HL1000-20W卤素光源，功耗为20W，电压为12V，波长范围宽为360-2500nm，可以输出平滑的光谱曲线，适用各种光学检测。所使用的高清相机5是数字图像传感器阵列，其中两个为EcimagingEC1100D型号的CMOS传感器51，该传感器光谱响应值范围为380nm-1100nm，最大分辨率为3840*2880，可获取高清jpg等格式图像；另两个为AmsAS7262型号的6通道传感器52，分别位于450、500、550、570、600和650 nm处，可获取430nm-670nm波段范围的光谱图像。光源4和高清相机5可以根据实际需求来选择合适型号的产品来替代。
进一步地，包括计算单元7，所述高清相机5拍摄的图像通过控制单元6输出至计算单元7中，计算单元7将高清图像按照步骤S220和S230进行处理得到待测果实的品质。计算单元7可以是计算机，其上安装有相关软件，来实现上述步骤。
进一步地，所述的步骤S210中，包括如下步骤：S211、调整暗箱1中的光源4强度和升降台3高度为默认值；S212、将待测果实放在升降台3上采集其高清图像；S213、将采集到的高清图像输出至控制单元6中，控制单元6计算该高清图像和控制单元6内存储的参考图像的图像质量评价指标，若图像质量评价指标低于或高于设定阈值，则执行下一步，否则执行步骤S220；S214、控制单元6调节升降台3的高度或光源4的强度后，返回步骤S212重新采集高清图像。采用以上步骤，可以实现升降台3和光源4的自动控制，用户只需要将待测果实放入暗箱1中即可，控制单元6会自动控制高清相机5进行拍摄，并且若拍摄得到的图像质量不佳时，还能自动调整光源4的强度和升降台3的高度，以使得所拍摄得到的图像质量更加。
具体地，所述的步骤S213中，参考图像有多张，每种果实、每个高度、每个光照强度下分别对应一张参考图像，参考图像由人工拍摄后存储在控制单元6中，以苹果为例，我们可以将苹果放入暗箱1中，然后分别调节升降台3的高度、光源4的强度，然后在每个条件下，人工拍摄一张质量较佳的图像作为参考图像；且步骤S213中选择与步骤S212中所获得的高清图像的果实种类、升降台3高度、光照强度均相同的那张参考图像计算图像质量评价指标。
进一步地，控制单元6可通过I²C寄存器组或通过串行UART的高级AT频谱命令集依据设定好的图像质量评价指标实现自适应调整光照强度，具体地，所述的步骤S213中，按如下步骤计算采集的高清图像和所选择的参考图像的图像质量评价指标：A、计算两张图像中像素点的亮度和色度，得到亮度相似度和色度近似度；B、使用GBVS显著性模型提取两张图像之间的显著性特征，得到显著性图，根据显著性图得到两者之间的显著性相似度；C、计算两张图像的梯度幅值，根据梯度幅值计算两张图像之间的梯度相似度；D、根据亮度相似度、色度相似度、显著性相似度以及梯度相似度计算得到两张图像的质量评价指标。
果实品质有多种评价标准，本实施例中通过对果实的糖度含量来评价果实的品质。进一步地，所述的步骤S110中，高清相机5和高光谱相机拍摄的果实图像中有一个或多个果实，高清相机5拍摄的图像格式为RGB，步骤S120中，每一个果实即为一个感兴趣区域，步骤S140中，样本训练集中，相机通道相应平均值
为1×3矩阵，光谱反射率平均值
为1×M矩阵，其中M为高光谱相机的通道数，转换矩阵W为3×M矩阵且满足
；步骤S110中，还通过糖度测量仪测量果实的糖度含量。所述的步骤S230中，包括如下步骤：S231、随机初始化BP神经网络模型的权值和阈值；S232、将每个果实重构后的光谱反射率数据Rv划分为训练集和测试集，并对数据进行归一化处理；S233、将训练集代入BP神经网络模型中对网络模型进行训练，其中训练集中归一化处理后的光谱反射率数据Rv作为模型输入、糖度含量作为模型输出；根据网络模型中的预测误差不断调整网络的权值和阈值；S234、将测试集代入训练好的BP神经网络模型中预测并输出预测值与实测值的相关性系数，若相关性系数满足设定阈值，则将该BP神经网络模型作为该种类果实的糖度预测模型存储在计算单元7中；S235、将待测果实重构后的光谱反射率数据代入该类果实的糖度预测模型中进行识别得到待测果实的糖度。通过BP神经网络模型，可以方便的对果实糖度进行预测识别，并且，其中的模型只需要训练一次然后将识别模型存储在计算单元7中即可，后续需要识别时，只需要将待测果实的谱反射率数据Rv代入模型中就可以得到果实的糖度，实现起来非常的方便。
Claims (10)
1.一种面向果实品质检测的高光谱图像重构方法，其特征在于：包括如下步骤：
S110、利用高清相机（5）和高光谱相机拍摄果实图像分别得到果实的高清图像和高光谱图像；
S120、对果实的高清图像和高光谱图像进行分割并提取感兴趣区域，两个图像中的感兴趣区域一一对应；
S130、每个感兴趣区域作为一个样本，对感兴趣区域中的相机通道响应值D和光谱反射率R分别求平均得到样本集
；
S140、根据样本集
找到样本光谱反射率数据和相机通道响应值之间的转换矩阵W；
S150、利用高清相机（5）拍摄待测果实的高清图像，再用转换矩阵W对待测果实的通道响应值Dv进行转换即可得到重构后的光谱反射率数据Rv。
2.如权利要求1所述的面向果实品质检测的高光谱图像重构方法，其特征在于：所述的步骤S110中，高清相机（5）和高光谱相机拍摄的果实图像中有一个或多个果实，高清相机（5）拍摄的图像格式为RGB，步骤S120中，每一个果实即为一个感兴趣区域，步骤S140中，样本训练集中，相机通道相应平均值
为1×3矩阵，光谱反射率平均值
为1×M矩阵，其中M为高光谱相机的通道数，转换矩阵W为3×M矩阵且满足
。
3.如权利要求2所述的面向果实品质检测的高光谱图像重构方法，其特征在于：所述的步骤S140中，包括如下步骤：
S141、通过核函数将样本集
升到高维空间；
S142、再利用降维思想求高维数据的协方差矩阵的特征向量；
S143、保持变量的总方差不变，用少量指标表示多维数据；
S144、通过线性变换，实现特征向量空间数据与高维数据之间的转换即得到转换矩阵W。
4.一种面向果实品质检测的方法，其特征在于：包括如下步骤：
S210、将待测果实放在采集装置中采集其高清图像；
S220、按照权利要求1中步骤S110-S150对待测果实的高清图像进行重构得到待测果实的光谱反射率数据；
S230、将重构后的光谱反射率数据通过神经网络模型进行分类和回归实现待测果实品质的检测。
5.如权利要求4所述的面向果实品质检测的方法，其特征在于：所述的采集装置包括暗箱（1）、升降台（3）、高清相机（5）、光源（4）以及控制单元（6），暗箱（1）整体为方盒状且侧面安装有门用于放入待测果实，升降台（3）设置在暗箱（1）内底面上用于托撑待测果实，高清相机（5）设置在暗箱（1）内顶部中心，光源（4）设置在高清相机（5）的旁侧，控制单元（6）与升降台（3）和光源（4）相连分别控制升降台（3）的高度和光源（4）的强度。
6.如权利要求5所述的面向果实品质检测的方法，其特征在于：包括计算单元（7），所述高清相机（5）拍摄的图像通过控制单元（6）输出至计算单元（7）中，计算单元（7）将高清图像按照步骤S220和S230进行处理得到待测果实的品质。
7.如权利要求6所述的面向果实品质检测的方法，其特征在于：所述的步骤S210中，包括如下步骤：
S211、调整暗箱（1）中的光源（4）强度和升降台（3）高度为默认值；
S212、将待测果实放在升降台（3）上采集其高清图像；
S213、将采集到的高清图像输出至控制单元（6）中，控制单元（6）计算该高清图像和控制单元（6）内存储的参考图像的图像质量评价指标，若图像质量评价指标低于或高于设定阈值，则执行下一步，否则执行步骤S220；
S214、控制单元（6）调节升降台（3）的高度或光源（4）的强度后，返回步骤S212重新采集高清图像。
8.如权利要求7所述的面向果实品质检测的方法，其特征在于：所述的步骤S213中，参考图像有多张，每种果实、每个高度、每个光照强度下分别对应一张参考图像，参考图像由人工拍摄后存储在控制单元（6）中；且步骤S213中选择与步骤S212中所获得的高清图像的果实种类、升降台（3）高度、光照强度均相同的那张参考图像计算图像质量评价指标。
9.如权利要求8所述的面向果实品质检测的方法，其特征在于：所述的步骤S213中，按如下步骤计算采集的高清图像和所选择的参考图像的图像质量评价指标：
A、计算两张图像中像素点的亮度和色度，得到亮度相似度和色度近似度；
B、使用GBVS显著性模型提取两张图像之间的显著性特征，得到显著性图，根据显著性图得到两者之间的显著性相似度；
C、计算两张图像的梯度幅值，根据梯度幅值计算两张图像之间的梯度相似度；
D、根据亮度相似度、色度相似度、显著性相似度以及梯度相似度计算得到两张图像的质量评价指标。
10.如权利要求9所述的面向果实品质检测的方法，其特征在于：所述的步骤S110中，高清相机（5）和高光谱相机拍摄的果实图像中有一个或多个果实，高清相机（5）拍摄的图像格式为RGB，步骤S120中，每一个果实即为一个感兴趣区域，步骤S140中，样本训练集中，相机通道相应平均值
为1×3矩阵，光谱反射率平均值
为1×M矩阵，其中M为高光谱相机的通道数，转换矩阵W为3×M矩阵且满足
；步骤S110中，还通过糖度测量仪测量果实的糖度含量；
所述的步骤S230中，包括如下步骤：
S231、随机初始化BP神经网络模型的权值和阈值；
S232、将每个果实重构后的光谱反射率数据Rv划分为训练集和测试集，并对数据进行归一化处理；
S233、将训练集代入BP神经网络模型中对网络模型进行训练，其中训练集中归一化处理后的光谱反射率数据Rv作为模型输入、糖度含量作为模型输出；根据网络模型中的预测误差不断调整网络的权值和阈值；
S234、将测试集代入训练好的BP神经网络模型中预测并输出预测值与实测值的相关性系数，若相关性系数满足设定阈值，则将该BP神经网络模型作为该种类果实的糖度预测模型存储在计算单元（7）中；
S235、将待测果实重构后的光谱反射率数据代入该类果实的糖度预测模型中进行识别得到待测果实的糖度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110275774.5A CN113418874A (zh) | 2021-03-15 | 2021-03-15 | 面向果实品质检测的高光谱图像重构方法及检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110275774.5A CN113418874A (zh) | 2021-03-15 | 2021-03-15 | 面向果实品质检测的高光谱图像重构方法及检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113418874A true CN113418874A (zh) | 2021-09-21 |
Family
ID=77711980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110275774.5A Pending CN113418874A (zh) | 2021-03-15 | 2021-03-15 | 面向果实品质检测的高光谱图像重构方法及检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113418874A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113916817A (zh) * | 2021-10-21 | 2022-01-11 | 深圳市中科云驰环境科技有限公司 | 用于城镇生活饮用水的光谱法色度在线测量方法 |
| CN114062282A (zh) * | 2022-01-12 | 2022-02-18 | 中国农业科学院农业资源与农业区划研究所 | 一种树上果实干物质快速判定方法及装置 |
| US11887351B1 (en) | 2023-07-26 | 2024-01-30 | Timea IGNAT | System and method for hyperspectral image-based quality control analysis of crop loads |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003024283A (ja) * | 2001-07-18 | 2003-01-28 | Shiseido Co Ltd | 皮膚表面状態観察装置 |
| CN105825503A (zh) * | 2016-03-10 | 2016-08-03 | 天津大学 | 基于视觉显著性的图像质量评价方法 |
| CN106525732A (zh) * | 2016-10-25 | 2017-03-22 | 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 |
| CN106920232A (zh) * | 2017-02-22 | 2017-07-04 | 武汉大学 | 基于显著性检测的梯度相似度图像质量评价方法及系统 |
| CN109001218A (zh) * | 2018-09-03 | 2018-12-14 | 贵阳学院 | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 |
| CN209460132U (zh) * | 2018-12-24 | 2019-10-01 | 石河子大学 | 用于检测果蔬的内部品质的高光谱成像装置 |
| CN111489346A (zh) * | 2020-04-14 | 2020-08-04 | 广东工业大学 | 一种全参考图像质量评价方法及系统 |
| CN112465077A (zh) * | 2021-02-02 | 2021-03-09 | 中国人民解放军国防科技大学 | 水果糖度无损检测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-03-15 CN CN202110275774.5A patent/CN113418874A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003024283A (ja) * | 2001-07-18 | 2003-01-28 | Shiseido Co Ltd | 皮膚表面状態観察装置 |
| CN105825503A (zh) * | 2016-03-10 | 2016-08-03 | 天津大学 | 基于视觉显著性的图像质量评价方法 |
| CN106525732A (zh) * | 2016-10-25 | 2017-03-22 | 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 |
| CN106920232A (zh) * | 2017-02-22 | 2017-07-04 | 武汉大学 | 基于显著性检测的梯度相似度图像质量评价方法及系统 |
| CN109001218A (zh) * | 2018-09-03 | 2018-12-14 | 贵阳学院 | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 |
| CN209460132U (zh) * | 2018-12-24 | 2019-10-01 | 石河子大学 | 用于检测果蔬的内部品质的高光谱成像装置 |
| CN111489346A (zh) * | 2020-04-14 | 2020-08-04 | 广东工业大学 | 一种全参考图像质量评价方法及系统 |
| CN112465077A (zh) * | 2021-02-02 | 2021-03-09 | 中国人民解放军国防科技大学 | 水果糖度无损检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| YOON SEUNG-CHUL ET AL.: "Hyperspectral imaging using a color camera and its application for pathogen detection", 《PROC. OF SPIE-IS&T》 * |
| 李瑞峰等: "《服务机器人人机交互的视觉识别技术》", 31 January 2021, 哈尔滨工业大学出版社有限公司 * |
| 杜德伟等: "基于核熵成分分析的光谱重建算法研究", 《光学仪器》 * |
| 王文举等: "光谱反射率重建技术的研究进展", 《包装工程》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113916817A (zh) * | 2021-10-21 | 2022-01-11 | 深圳市中科云驰环境科技有限公司 | 用于城镇生活饮用水的光谱法色度在线测量方法 |
| CN113916817B (zh) * | 2021-10-21 | 2024-02-02 | 深圳市中科云驰环境科技有限公司 | 用于城镇生活饮用水的光谱法色度在线测量方法 |
| CN114062282A (zh) * | 2022-01-12 | 2022-02-18 | 中国农业科学院农业资源与农业区划研究所 | 一种树上果实干物质快速判定方法及装置 |
| CN114062282B (zh) * | 2022-01-12 | 2023-09-22 | 中国农业科学院农业资源与农业区划研究所 | 一种树上果实干物质快速判定方法及装置 |
| US11887351B1 (en) | 2023-07-26 | 2024-01-30 | Timea IGNAT | System and method for hyperspectral image-based quality control analysis of crop loads |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113418874A (zh) | 面向果实品质检测的高光谱图像重构方法及检测方法 | |
| JP5496509B2 (ja) | 色分類および皮膚色検出のための画像処理のためのシステム、方法、および装置 | |
| Guo et al. | Nondestructive measurement of soluble solids content of kiwifruits using near-infrared hyperspectral imaging | |
| CN106525732B (zh) | 基于高光谱成像技术的苹果内外品质快速无损检测方法 | |
| JP2014515587A (ja) | デジタル画像装置用の画像処理パイプラインの学習 | |
| CA2642722A1 (en) | Method for spectral data classification and detection in diverse lighting conditions | |
| CN109253975A (zh) | 基于msc-cfs-ica的苹果轻微损伤高光谱检测方法 | |
| CN116849612B (zh) | 一种多光谱舌象图像采集分析系统 | |
| Concepcion et al. | Tomato septoria leaf spot necrotic and chlorotic regions computational assessment using artificial bee colony-optimized leaf disease index | |
| CN111340698A (zh) | 一种基于神经网络的多光谱图像光谱分辨率增强方法 | |
| Yan et al. | Application and interpretation of deep learning methods for the geographical origin identification of Radix Glycyrrhizae using hyperspectral imaging | |
| Beyaz et al. | Meta-learning-based prediction of different corn cultivars from color feature extraction | |
| Yoon et al. | Hyperspectral image processing methods | |
| Wang et al. | Nondestructive identification of millet varieties using hyperspectral imaging technology | |
| Cuan et al. | Spectral reflectance reconstruction with the locally weighted linear model | |
| CN116824171A (zh) | 中医高光谱舌象图像波段的选择方法及相关装置 | |
| Sippel et al. | Optimal Filter Selection for Multispectral Object Classification Using Fast Binary Search | |
| CN113670440A (zh) | 一种基于自适应字典的压缩光谱成像方法 | |
| CN103234915B (zh) | 一种基于多光谱检测的波段选择方法 | |
| CN115015180B (zh) | 一种基于光谱反射率重建技术的水果糖度无损检测方法 | |
| Kusnandar et al. | A Novel Method for Optimizing Color Selection Using the Hadamard Product Technique | |
| Wang et al. | Rapid species discrimination of similar insects using hyperspectral imaging and lightweight edge artificial intelligence | |
| Ramírez et al. | Spectral vision system for discriminating small pelagic species caught by small-scale fishing | |
| Yan et al. | Effect of the restoration of saturated signals in hyperspectral image analysis and color reproduction | |
| Riley et al. | Anomaly detection in noisy hyperspectral imagery |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210921 |
|
| RJ01 | Rejection of invention patent application after publication |