CN113420614A - 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法 - Google Patents
一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法 Download PDFInfo
- Publication number
- CN113420614A CN113420614A CN202110617767.9A CN202110617767A CN113420614A CN 113420614 A CN113420614 A CN 113420614A CN 202110617767 A CN202110617767 A CN 202110617767A CN 113420614 A CN113420614 A CN 113420614A
- Authority
- CN
- China
- Prior art keywords
- mildewed
- peanut
- peanuts
- identifying
- image
- 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
- 241001553178 Arachis glabrata Species 0.000 title claims abstract description 148
- 235000020232 peanut Nutrition 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 25
- 235000017060 Arachis glabrata Nutrition 0.000 claims abstract description 87
- 235000010777 Arachis hypogaea Nutrition 0.000 claims abstract description 87
- 235000018262 Arachis monticola Nutrition 0.000 claims abstract description 87
- 230000003595 spectral effect Effects 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 239000002245 particle Substances 0.000 claims abstract description 14
- 238000000701 chemical imaging Methods 0.000 claims abstract description 7
- 230000004044 response Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 27
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 3
- 235000013305 food Nutrition 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000010200 validation analysis Methods 0.000 description 6
- 229930195730 Aflatoxin Natural products 0.000 description 5
- XWIYFDMXXLINPU-UHFFFAOYSA-N Aflatoxin G Chemical compound O=C1OCCC2=C1C(=O)OC1=C2C(OC)=CC2=C1C1C=COC1O2 XWIYFDMXXLINPU-UHFFFAOYSA-N 0.000 description 5
- 239000005409 aflatoxin Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241000124008 Mammalia Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000008157 edible vegetable oil Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 1
- 231100000844 hepatocellular carcinoma Toxicity 0.000 description 1
- 238000004811 liquid chromatography Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003333 near-infrared imaging Methods 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法，对待识别花生进行近红外高光谱成像，获取近红外高光谱图像数据；依据霉变花生和健康花生光谱响应的不同，构建用于霉变花生识别的深度置信网络（DBN）模型，生成花生霉变信息分布图；通过霉变信息分布图中每个花生颗粒的霉变像元数和阈值（β）来判别一个待识别的花生颗粒是否霉变，生成霉变花生识别结果图；该方法可以高效、准确识别出霉变花生，识别精度高，有利于提高花生提取的油品及相应的食品的质量。
Description
技术领域
本发明涉及一种识别霉变花生的方法，特别涉及一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法。
背景技术
花生是食用油的重要来源之一，同时具有丰富的营养价值。在花生生长及存储过程中极易因存储条件不当发生霉变，而霉变花生中多含有黄曲霉毒素。黄曲霉素会损伤哺乳动物的肝脏，诱发肝细胞癌变，可对人类健康构成严重的威胁。因此，迫切需要发展一种检测技术，能够使花生在进入产品生产环节前就能够对霉变花生进行有效识别并分离，以便阻止黄曲霉素进入食物链。这样，有助于减少花生及其制品中黄曲霉素含量，可以提高食品安全性，也对人类健康有着巨大意义。目前定量检测黄曲霉素的方法主要通过破坏性采样检测，如薄膜层析法和（高效）液相色谱法等。这些方法所得结果准确，但费时、繁琐且无法实时在线检测。高光谱成像技术作为一种结合空间信息和光谱信息于一体的新型技术，在食品领域安全检测中已经表现出极强的优越性，已有学者利用高光谱成像技术识别霉变花生。
近年来，深度学习已经成为机器学习领域非常优秀的分类算法，包括卷积神经网络（Convolutional neural network，CNN）、堆叠自编码（Stacked auto-encoder，SAE）、和深度置信网络（Deep belief network，DBN）等在内的众多网络模型已被广泛应用于各个领域，如图像分类、目标定位、信号及人脸识别，并均取得了令人满意的成果。此外，深度学习也已被成功应用于高光谱图像分类，其可通过建立深层模型，很好地表征原始输入数据与目标之间复杂的映射关系，无需人工干预特征提取过程。但目前深度学习在霉变花生高光谱识别方面研究欠缺，因此，需要探索基于深度学习的霉变花生高光谱图像识别模型的构建，以提高花生霉变信息获取的准确性，从而提高霉变花生识别的准确率。
发明内容
本发明的目的是为了可高效、准确地识别花生中的霉变花生，提供出一种基于深度学习算法近红外高光谱图像识别霉变花生的方法。
为了实现上述目的，本发明采用的技术方案如下：
一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法，其特征在于：对待识别花生进行近红外高光谱成像，获取近红外高光谱图像数据；依据霉变花生和健康花生光谱响应的不同，构建用于霉变花生识别的深度置信网络（DBN）模型，生成花生霉变信息分布图；通过霉变信息分布图中每个花生颗粒的霉变像元数和阈值（β）来判别一个待识别的花生颗粒是否霉变，生成霉变花生识别结果图。
进一步的，所述构建用于霉变花生识别的深度置信网络（DBN）模型，生成花生霉变信息分布图，是指首先以均方根误差和总体分类精度分别为预训练和微调迭代次数的准则，通过5-折交叉验证的方法，确定最佳的深度学习训练迭代次数；然后采用试差法确定网络模型的最佳隐含层数量及各层节点数量，从而确定网络模型结构；最后利用构建好的模型生成花生霉变信息分布图。
优选上述实施方案，通过霉变信息分布图中每个花生颗粒的霉变像元数和阈值（β）来判别一个待识别的花生颗粒是否霉变，生成霉变花生识别结果图，是指对1343 nm单波段图像采用标记控制分水岭算法，将所述待识别花生的几何形状与大小进行独立分割，生成分割结果图；结合所述霉变信息分类图中的“霉变”像元数和分割结果图中的像元数，根据所述阈值（β），判断每一个待识别花生是否发生霉变；所述霉变信息分类图中的“霉变”像元数和分割结果图中的像元数的结合方式为：“霉变”像元数与像元数之比。
进一步的，所选阈值（β）为0.1。
一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法，具体的步骤如下：
S1：制备健康花生样本和霉变花生样本；
S2：利用近红外高光谱扫描仪对待识别的花生进行近扫描，获取近红外高光谱图像数据，最终获取了总波段数为288的高光谱图像数据；
S3：对高光谱图像数据进行预处理：
首先，在采集暗场全黑标定图像和标准白板的全白反射标定图像后，按以下公式完成对高光谱图像的黑白校正；
之后，采用5点移动均值光谱平滑技术消除光谱噪声，同时，移除全波段两端信噪比较低的波段，选取1000-2490 nm作为有效波段；
S4：采用基于标记控制的分水岭算法对花生图像进行分割；
S5：在训练集图像中首先手动选取ROI区域，然后在ROI区域中随机生成健康和霉变花生像元各300个，作为训练样本；
S7：构建深度置信网络模型：
首先以重构的单元与训练样本之间的均方根误差及健康和霉变花生像元的总体分类精度为准则，采用5-折交叉验证的方法优选预训练和微调的迭代次数；
之后初始化深度置信网络模型的输入节点数为265，输出节点数为2，根据原始数据的特征维数，设计隐含层节点数在
中优选；采用试差法确定隐含层数量及各层节点数量；最终确定构建的深度置信网络分类模型；
S8：采用构建的深度置信网络分类模型，得到花生霉变信息分类图；
S9：设定比例阈值β，对于每一颗待识别花生，当其霉变像元个数比例低于阈值β时被判别为健康，反之判为霉变。
进一步的，S2中高光谱相机的光谱范围为1000~2500 nm，光谱分辨率为5.6 nm，需要设置物镜的高度为31cm，曝光时间为10ms，平台的移动速度为16mm/s，以获取大小合适、清晰、不变形失真的图像。
进一步的，黑白校正公式如下：
式中：R0为未校正的高光谱数据，W为全白反射标定图像，B为全黑标定图像，R为校正后的高光谱数据。
进一步的，S4中具体步骤是对1343nm波段灰度图像阈值分割与运算，得到初步分割结果，经过图像求补、欧式距离变换归一化，得到值为0-1的灰度图像，阈值分割质心求取得到标记点图，标记控制的分水岭变换，得到分水岭变换脊线图，最后得到图像分割结果。
进一步的，S9中最后根据颜色标记方法，标记成红色的待识别物为霉变物，标记成绿色的为健康物，生成霉变识别结果图。
上述技术方案可以得到以下有益效果：
通过近红外成像技术，利用基于深度学习的分类方法能够更高精度的对霉变花生进行识别，既能减少霉变花生进入食物链的风险又可减少健康花生被误分为健康花生的可能，减少不必要的经济损失。同时高光谱成像技术可获取样品的光谱信息又可获得其空间信息，不仅可以判断样品是否存在异常，还可以定位其空间位置，有利于采用机械装置进行分拣。该方法可以高效、准确识别出霉变花生，识别精度高，有利于提高花生提取的油品及相应的食品的质量。
附图说明
图1为本发明中基于深度学习算法的近红外高光谱图像识别霉变花生的方法流程图。
图2为本发明中基于标记控制的分水岭算法分割流程图。
图3为本发明中构建的用于霉变花生识别的深度置信网络模型图。
图4为品种a花生像元霉变分类图：其中，第一行的3幅是训练集，第二行的4幅是验证集。
图5为品种b花生像元霉变分类图：其中，第一行的3幅是训练集，第二行的4幅是验证集。
图6为品种c花生像元霉变分类图：其中，第一行的3幅是训练集，第二行的4幅是验证集。
图7为品种a霉变花生识别结果图：其中，第一行的3幅是训练集，第二行的4幅是验证集。
图8为品种a霉变花生识别结果图：其中，第一行的3幅是训练集，第二行的4幅是验证集。
图9为品种a霉变花生识别结果图：其中，第一行的3幅是训练集，第二行的4幅是验证集。
具体实施方式
下面结合附图对本发明做进一步的说明：
如图1-9所示，一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法，对待识别花生进行近红外高光谱成像，获取近红外高光谱图像数据；依据霉变花生和健康花生光谱响应的不同，构建用于霉变花生识别的深度置信网络（DBN）模型，生成花生霉变信息分布图；通过霉变信息分布图中每个花生颗粒的霉变像元数和阈值（β）来判别一个待识别的花生颗粒是否霉变，生成霉变花生识别结果图。
构建用于霉变花生识别的深度置信网络（DBN）模型，生成花生霉变信息分布图，是指首先以均方根误差和总体分类精度分别为预训练和微调迭代次数的准则，通过5-折交叉验证的方法，确定最佳的深度学习训练迭代次数；然后采用试差法确定网络模型的最佳隐含层数量及各层节点数量，从而确定网络模型结构；最后利用构建好的模型生成花生霉变信息分布图。
通过霉变信息分布图中每个花生颗粒的霉变像元数和阈值（β）来判别一个待识别的花生颗粒是否霉变，生成霉变花生识别结果图，是指对1343 nm单波段图像采用标记控制分水岭算法，将所述待识别花生的几何形状与大小进行独立分割，生成分割结果图；结合所述霉变信息分类图中的“霉变”像元数和分割结果图中的像元数，根据所述阈值（β），判断每一个待识别花生是否发生霉变；所述霉变信息分类图中的“霉变”像元数和分割结果图中的像元数的结合方式为：“霉变”像元数与像元数之比；所选阈值（β）为0.1。
具体实施例步骤如下：
（1）制备健康花生样本和霉变花生样本，其中霉变花生样本的制备借助于恒温恒湿培养箱提供的高温高湿环境。
（2）利用近红外高光谱扫描仪对待识别的花生进行近扫描，获取近红外高光谱图像数据。高光谱相机的光谱范围为1000~2500 nm，光谱分辨率为5.6 nm，需要设置物镜的高度为31cm，曝光时间为10ms，平台的移动速度为16mm/s，以获取大小合适、清晰、不变形失真的图像。最终获取了总波段数为288的高光谱图像数据。
（3）对高光谱图像数据进行预处理：
首先，在采集暗场全黑标定图像和标准白板的全白反射标定图像后，按以下公式完成对高光谱图像的黑白校正。校正公式如下：
式中：R0为未校正的高光谱数据，W为全白反射标定图像，B为全黑标定图像，R为校正后的高光谱数据。
之后，采用5点移动均值光谱平滑技术消除光谱噪声，同时，移除全波段两端信噪比较低的波段，选取1000-2490 nm作为有效波段。
（4）采用基于标记控制的分水岭算法对花生图像进行分割，具体步骤如附图2。
（5）在训练集图像中首先手动选取ROI区域，然后在ROI区域中随机生成健康和霉变花生像元各300个，作为训练样本。
（6）深度置信网络模型构建：
首先以重构的单元与训练样本之间的均方根误差及健康和霉变花生像元的总体分类精度为准则，采用5-折交叉验证的方法优选预训练和微调的迭代次数；
之后初始化深度置信网络模型的输入节点数为265，输出节点数为2，根据原始数据的特征维数，设计隐含层节点数在
中优选。采用试差法确定隐含层数量及各层节点数量。最终确定构建的深度置信网络分类模型如附图3。
（7）采用构建的深度置信网络分类模型，得到花生霉变信息分类图，如图4、5、6所示。
（8）由于“同物异谱”及“异物同谱现象”的存在，健康花生像元与霉变像元之间存在误分情况。因此花生中霉变像元的数量达到一定比例，才能够确定其发生霉变。设定比例阈值β，对于每一颗待识别花生，当其霉变像元个数比例低于阈值β时被判别为健康，反之判为霉变。最后根据颜色标记方法（例如，标记成红色的待识别物为霉变物，标记成绿色的为健康物）生成霉变识别结果图，如图7、8、9所示此外，所述阈值β为0.1。
基于上述步骤方法选取了3个品种的花生进行试验，其中品种a共218颗花生粒（训练集：89颗，验证集：129颗），品种b共174颗花生颗粒（训练集：74颗，验证集：100颗），品种c共154颗花生颗粒（训练集：68颗，验证集：86颗），具体结果如表1所示。
表1基于DBN模型的霉变花生识别结果
以上所述均为本发明的优选实施方式，对于本技术领域的普通技术人员，在不脱离本发明的原理前提下，对本发明的各种等价形式的修改均属于本申请所附权利要求的保护范围。
Claims (9)
1.一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法，其特征在于：对待识别花生进行近红外高光谱成像，获取近红外高光谱图像数据；依据霉变花生和健康花生光谱响应的不同，构建用于霉变花生识别的深度置信网络（DBN）模型，生成花生霉变信息分布图；通过霉变信息分布图中每个花生颗粒的霉变像元数和阈值（β）来判别一个待识别的花生颗粒是否霉变，生成霉变花生识别结果图。
2.根据权利要求1所述的一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法，其特征在于：所述构建用于霉变花生识别的深度置信网络（DBN）模型，生成花生霉变信息分布图，是指首先以均方根误差和总体分类精度分别为预训练和微调迭代次数的准则，通过5-折交叉验证的方法，确定最佳的深度学习训练迭代次数；然后采用试差法确定网络模型的最佳隐含层数量及各层节点数量，从而确定网络模型结构；最后利用构建好的模型生成花生霉变信息分布图。
3.根据权利要求1或2所述的一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法，其特征在于：通过霉变信息分布图中每个花生颗粒的霉变像元数和阈值（β）来判别一个待识别的花生颗粒是否霉变，生成霉变花生识别结果图，是指对1343 nm单波段图像采用标记控制分水岭算法，将所述待识别花生的几何形状与大小进行独立分割，生成分割结果图；结合所述霉变信息分类图中的“霉变”像元数和分割结果图中的像元数，根据所述阈值（β），判断每一个待识别花生是否发生霉变；所述霉变信息分类图中的“霉变”像元数和分割结果图中的像元数的结合方式为：“霉变”像元数与像元数之比。
4.根据权利要求3所述的一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法，其特征在于：所选阈值（β）为0.1。
5.根据权利要求1所述的一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法，其特征在于：具体的步骤如下：
S1：制备健康花生样本和霉变花生样本；
S2：利用近红外高光谱扫描仪对待识别的花生进行近扫描，获取近红外高光谱图像数据，最终获取了总波段数为288的高光谱图像数据；
S3：对高光谱图像数据进行预处理：
首先，在采集暗场全黑标定图像和标准白板的全白反射标定图像后，按以下公式完成对高光谱图像的黑白校正；
之后，采用5点移动均值光谱平滑技术消除光谱噪声，同时，移除全波段两端信噪比较低的波段，选取1000-2490 nm作为有效波段；
S4：采用基于标记控制的分水岭算法对花生图像进行分割；
S5：在训练集图像中首先手动选取ROI区域，然后在ROI区域中随机生成健康和霉变花生像元各300个，作为训练样本；
S7：构建深度置信网络模型：
首先以重构的单元与训练样本之间的均方根误差及健康和霉变花生像元的总体分类精度为准则，采用5-折交叉验证的方法优选预训练和微调的迭代次数；
之后初始化深度置信网络模型的输入节点数为265，输出节点数为2，根据原始数据的特征维数，设计隐含层节点数在
中优选；采用试差法确定隐含层数量及各层节点数量；最终确定构建的深度置信网络分类模型；
S8：采用构建的深度置信网络分类模型，得到花生霉变信息分类图；
S9：设定比例阈值β，对于每一颗待识别花生，当其霉变像元个数比例低于阈值β时被判别为健康，反之判为霉变。
6.根据权利要求5所述的一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法，其特征在于：高光谱相机的光谱范围为1000~2500 nm，光谱分辨率为5.6 nm，需要设置物镜的高度为31cm，曝光时间为10ms，平台的移动速度为16mm/s，以获取大小合适、清晰、不变形失真的图像。
7.根据权利要求5所述的一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法，其特征在于：黑白校正公式如下：
式中：R0为未校正的高光谱数据，W为全白反射标定图像，B为全黑标定图像，R为校正后的高光谱数据。
8.根据权利要求5所述的一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法，其特征在于：S4中具体步骤是对1343nm波段灰度图像阈值分割与运算，得到初步分割结果，经过图像求补、欧式距离变换归一化，得到值为0-1的灰度图像，阈值分割质心求取得到标记点图，标记控制的分水岭变换，得到分水岭变换脊线图，最后得到图像分割结果。
9.根据权利要求5所述的一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法，其特征在于：S9中最后根据颜色标记方法，标记成红色的待识别物为霉变物，标记成绿色的为健康物，生成霉变识别结果图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110617767.9A CN113420614A (zh) | 2021-06-03 | 2021-06-03 | 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110617767.9A CN113420614A (zh) | 2021-06-03 | 2021-06-03 | 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113420614A true CN113420614A (zh) | 2021-09-21 |
Family
ID=77713674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110617767.9A Pending CN113420614A (zh) | 2021-06-03 | 2021-06-03 | 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113420614A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113933248A (zh) * | 2021-10-12 | 2022-01-14 | 广东省科学院智能制造研究所 | 一种高光谱在线检测系统及方法 |
| CN114067314A (zh) * | 2022-01-17 | 2022-02-18 | 泗水县锦川花生食品有限公司 | 一种基于神经网络的花生霉变识别方法及系统 |
| CN114155385A (zh) * | 2021-11-30 | 2022-03-08 | 江苏鑫源烟草薄片有限公司 | 一种基于深度学习的rgb与高光谱的烟草识别方法 |
| WO2023148692A1 (de) | 2022-02-07 | 2023-08-10 | Insort Gmbh | Verfahren und vorrichtung zur bestimmung, ob eine ölfrucht, eine nuss, insbesondere eine haselnuss oder ein samen faulig ist |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109657653A (zh) * | 2019-01-21 | 2019-04-19 | 安徽大学 | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 |
-
2021
- 2021-06-03 CN CN202110617767.9A patent/CN113420614A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109657653A (zh) * | 2019-01-21 | 2019-04-19 | 安徽大学 | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 周兆永等: "基于深度信念网络的苹果霉心病病害程度无损检测方法", 《食品科学》, pages 297 - 303 * |
| 张传雷 等: "《基于图像分析的植物及其病虫害识别方法研究》", 中国经济出版社, pages: 9 - 10 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113933248A (zh) * | 2021-10-12 | 2022-01-14 | 广东省科学院智能制造研究所 | 一种高光谱在线检测系统及方法 |
| CN114155385A (zh) * | 2021-11-30 | 2022-03-08 | 江苏鑫源烟草薄片有限公司 | 一种基于深度学习的rgb与高光谱的烟草识别方法 |
| CN114155385B (zh) * | 2021-11-30 | 2022-09-27 | 江苏鑫源烟草薄片有限公司 | 一种基于深度学习的rgb与高光谱的烟草识别方法 |
| CN114067314A (zh) * | 2022-01-17 | 2022-02-18 | 泗水县锦川花生食品有限公司 | 一种基于神经网络的花生霉变识别方法及系统 |
| CN114067314B (zh) * | 2022-01-17 | 2022-04-26 | 泗水县锦川花生食品有限公司 | 一种基于神经网络的花生霉变识别方法及系统 |
| WO2023148692A1 (de) | 2022-02-07 | 2023-08-10 | Insort Gmbh | Verfahren und vorrichtung zur bestimmung, ob eine ölfrucht, eine nuss, insbesondere eine haselnuss oder ein samen faulig ist |
| AT525827A1 (de) * | 2022-02-07 | 2023-08-15 | Insort Gmbh | Verfahren und Vorrichtung zur Bestimmung, ob eine Ölfrucht, eine Nuss, insbesondere eine Haselnuss oder ein Samen faulig ist |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113420614A (zh) | 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法 | |
| CN109146889B (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
| CN109978822B (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
| CN111985543B (zh) | 一种高光谱图像分类模型的构建方法、分类方法及系统 | |
| CN109325431B (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
| CN109035273B (zh) | 一种免疫层析试纸卡的图像信号快速分割方法 | |
| CN109522889A (zh) | 一种基于图像分析的水文尺水位识别估算方法 | |
| CN112818988A (zh) | 一种指针式仪表自动识别读数方法及系统 | |
| CN107610114A (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
| CN111784721A (zh) | 基于深度学习的超声内窥图像智能分割与量化方法及系统 | |
| CN111652213A (zh) | 一种基于深度学习的船舶水尺读数识别方法 | |
| CN113222959B (zh) | 一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法 | |
| CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
| CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
| CN114897816A (zh) | 基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法 | |
| CN116721391B (zh) | 一种基于计算机视觉的原料油分离效果检测方法 | |
| CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
| CN105894520A (zh) | 一种基于高斯混合模型的卫星影像自动云检测方法 | |
| CN110929787B (zh) | 一种基于图像的苹果客观定级系统 | |
| CN110458019B (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
| CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
| Mestre et al. | Monitoring of in-vitro plant cultures using digital image processing and random forests | |
| CN116205879A (zh) | 一种基于无人机图像及深度学习的小麦倒伏面积估算方法 | |
| CN112991425B (zh) | 一种水域水位提取方法、系统及存储介质 | |
| Narendra et al. | An intelligent system for identification of Indian Lentil types using Artificial Neural Network (BPNN) |
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 |