CN113496486B - 基于高光谱成像技术的猕猴桃货架期快速判别方法 - Google Patents

基于高光谱成像技术的猕猴桃货架期快速判别方法 Download PDF

Info

Publication number
CN113496486B
CN113496486B CN202110770250.3A CN202110770250A CN113496486B CN 113496486 B CN113496486 B CN 113496486B CN 202110770250 A CN202110770250 A CN 202110770250A CN 113496486 B CN113496486 B CN 113496486B
Authority
CN
China
Prior art keywords
value
kiwi fruit
shelf life
new
kiwi
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
Application number
CN202110770250.3A
Other languages
English (en)
Other versions
CN113496486A (zh
Inventor
许丽佳
黄鹏
陈铭
康志亮
王玉超
彭英琦
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.)
Sichuan Agricultural University
Original Assignee
Sichuan Agricultural University
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 Sichuan Agricultural University filed Critical Sichuan Agricultural University
Priority to CN202110770250.3A priority Critical patent/CN113496486B/zh
Publication of CN113496486A publication Critical patent/CN113496486A/zh
Application granted granted Critical
Publication of CN113496486B publication Critical patent/CN113496486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于高光谱成像技术的猕猴桃货架期快速判别方法，包括以下判别步骤：S1：取不同货架期的猕猴桃样本，并采集猕猴桃样本的高光谱图像，再对该图像进行黑白校正，获得校正后图像R：S2：将校正后图像进行降噪处理，获得有效光谱信息：S3：采用DOSC处理方法对有效光谱信息进行预处理；S4：将预处理后的有效光谱信息采用SPA算法提取出特征光谱变量；S5：建立ELM模型，再将特征光谱变量输入至ELM模型中，获得待测猕猴桃货架期的判别结果。本发明算法新颖、实现简单；对猕猴桃的货架期进行无损判别，快速且准确；推广性强，具有广阔的市场应用前景。

Description

基于高光谱成像技术的猕猴桃货架期快速判别方法
技术领域
本发明涉及农产品检测领域，具体涉及基于高光谱成像技术的猕猴桃货架期快速判别方法。
背景技术
猕猴桃是典型的呼吸跃变型水果，长时间货架储藏的猕猴桃，其内部可溶性糖由不断产生变为渐渐代谢，细胞壁膨胀、降解，果肉变软，表现是糖度先增后减和硬度逐渐降低，但猕猴桃在外观上变化不显著，难以通过其外观变化来确定猕猴桃的货架期，易出现不同货架期猕猴桃与新鲜猕猴桃混在一起，质量参差不齐，易导致销售质量降低，更危及食品安全。故设计一种能快速且准确判别猕猴桃货架期的方法就显得十分必要。
发明内容
本发明的目的在于提供基于高光谱成像技术的猕猴桃货架期快速判别方法，通过采集不同货架期猕猴桃的高光谱图像，通过分析处理光谱信息从中提取出有效的低维特征光谱变量，并将之用于判别猕猴桃的货架期。
为实现上述发明目的，本发明所采用的技术方案是：基于高光谱成像技术的猕猴桃货架期快速判别方法，包括以下判别步骤：
S1：取不同货架期的猕猴桃样本，并采集猕猴桃样本的高光谱图像，再对该图像进行黑白校正，获得校正后图像R：
；
式中，R为校正后图像，R D 为黑标准图像，R W 为白标准图像，R O 为猕猴桃高光谱图像；
S2：对校正后的图像进行降噪处理，获得有效光谱信息：
;
式中，为猕猴桃样本在各波长下提取的感兴趣区域内每个像素点的光谱信息值，h为感兴趣区域内的像素点数，/>为猕猴桃样本在各波长点处求取的有效光谱信息值；
S3：采用DOSC处理方法对有效光谱信息进行预处理；
S4：将预处理后的有效光谱信息采用SPA算法提取出特征光谱变量；
S5：建立ELM模型，再将特征光谱变量输入至ELM模型中，获得待测猕猴桃货架期的判别结果；ELM模型为：
；
式中，x j 为第j个样本的输入变量，g(∙)为隐含层神经元激活函数，b i 为隐含层神经元的偏置，l、L分别为隐含层节点数和样本数，w i 为输入层节点到隐含层节点之间的权值，β i 为隐含层节点到输出层节点之间的权值，f( x j ) 是ELM模型的输出值。
优选的，所述DOSC处理方法包括以下步骤：
S31：对有效光谱矩阵X(n×m)、真实货架期矩阵Y(n×1)进行均值中心化，其中，n为猕猴桃样本个数，m为有效光谱变量数；
S32：将Y分解成正交部分M和F，其中，M是Y在X上的投影，即，F与X正交；
S33：将X分解成2个正交部分，一部分与M同幅值，另一部分与M正交，即Z=X-MM -1 X；
S34：对Z×Z’进行奇异值分解，求得Z的得分矩阵T d ；
S35：计算权重矩阵H：H=X -1 T d ；
S36：计算新的得分矩阵T d-new ：T d-new =XH；
S37：计算载荷矩阵Q：Q=X’ T d-new (T d-new ’ T d-new ) -1 ；
S38：计算预处理后的光谱信息矩阵X DOSC ：X DOSC =X-T d-new Q’。
优选的，所述SPA算法包括以下步骤：
S41：将预处理后的光谱信息X DOSC 标准化处理为X M×K ，其中，K是预处理后的光谱波段数，N为SPA提取出的特征光谱变量个数；
S42：任选一列光谱数据x j ，记为变量；
S43：定义集合，代表其余未选中的光谱变量；
S44：计算x j 在S上的投影；
S45：记录投影向量中最大投影k(n)： ；
S46：令为下轮迭代的投影向量：/>；
S47：若n<N，返回步骤S43，继续投影。
优选的，经步骤S41~S47可获得特征光谱变量 ，并建立相应的多元线性回归模型，计算在不同特征光谱变量数下的均方根误差，选取均方根误差最小值时所对应的特征光谱变量个数作为SPA提取出的特征光谱变量的最佳个数。
优选的，在步骤S5中，ELM模型在输入特征光谱变量前，需对ELM模型的权值(w i ,β i )和隐含层偏置b i 采用PSO处理，PSO处理步骤如下：
S51：初始化粒子群算法的参数，包括学习因子c 1和c 2、惯性因子初值ω ini 和终值ω end 、隐含层节点数、迭代次数K和粒子（即权值和隐含层偏置）种群数，以及粒子的寻优范围；
S52：以ELM实际与期望输出的RMSEC为适应值，计算所有粒子的适应值，并从中找出全局最佳适应值和对应的全局最优粒子；
S53：更新各粒子并计算其适应值，并与前一次各自的个体适应值作比较，若此次适应值更接近期望值，则更新粒子及其相应的适应值，否则维持不变；
S54：在各粒子的适应值中找出新的全局最佳适应值和新的全局最优粒子；
S55：若新的全局最佳适应值优于上次的全局最佳适应值 ，则保留该次全局最佳适应值及相应的全局最优粒子，否则维持不变；
S56：判断当前迭代次数k是否等于迭代次数K，或粒子对应的RMSEC为限值范围内的最小值；若是，则结束对ELM模型的PSO处理；若否，循环执行步骤S52~S55。
优选的，所述猕猴桃样本的高光谱图像采用“盖亚”高光谱分选仪进行采集。
本发明的有益效果集中体现在：
1、本发明算法新颖、实现简单；
2、对猕猴桃的货架期进行无损判别，快速且准确；
3、推广性强，具有广阔的市场应用前景。
附图说明
图1是本发明的判别流程图。
图2是本发明的猕猴桃高光谱图像去噪前后的光谱信息。
图3是本发明的DOSC处理前后的光谱反射率图像。
图4是本发明的SPA提取的6个特征光谱变量在450nm~1000nm光谱波段范围内对应的波长位置分布图。
图5是本发明的80个猕猴桃样本（5℃保鲜室贮藏）的货架期判别结果。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示，基于高光谱成像技术的猕猴桃货架期快速判别方法，包括以下判别步骤：
S1：取不同货架期的猕猴桃样本，并采集猕猴桃样本的高光谱图像，在本实施例中，采集在387nm~1034nm光谱波段范围内（共计256个波长）的不同货架期猕猴桃的高光谱图像，将标准白板对准相机正下方以获取白标准图像，盖上镜头后获取全黑的标准图像；同时再对该图像进行黑白校正，获得校正后图像R；校正后图像计算如下：
；
式中，R为校正后图像，R D 为黑标准图像，R W 为白标准图像，R O 为猕猴桃高光谱图像；
S2：将校正后图像进行降噪处理，在本实施例中降噪处理具体为：从校正后的图像中选择猕猴桃中间部位85×85像素点的正方形区域作为感兴趣区域，提取该区域内的平均光谱信息作为原始光谱信息；去除原始光谱信息中首尾两端的噪声波段，保留450nm~1000nm光谱波段范围内（共计217个波长）的光谱信息作为有效光谱信息，获得有效光谱信息；
；
式中，为在猕猴桃样本在各波长下提取的感兴趣区域内每个像素点的光谱信息值，h为感兴趣区域内的像素点数，为猕猴桃样本在各波长点处求取的有效光谱信息值；
S3：采用DOSC处理方法（即直接正交信号校正）对有效光谱信息进行预处理；也就是将将猕猴桃的有效光谱矩阵X与猕猴桃的真实货架期矩阵Y正交，以便筛掉X与Y之间的部分不相干信息，终获得预处理后的光谱信息；
所述DOSC处理方法包括以下步骤：
S31：对有效光谱矩阵X(n×m)、真实货架期矩阵Y(n×1)进行均值中心化，其中，n为猕猴桃样本个数，m为有效光谱变量数；
S32：将Y分解成正交部分M和F，其中，M是Y在X上的投影，即，F与X正交；
S33：将X分解成2个正交部分，一部分与M同幅值，另一部分与M正交，即Z=X-MM -1 X；
S34：对Z×Z’进行奇异值分解，求得Z的得分矩阵T d ；
S35：计算权重矩阵H：H=X -1 T d ；
S36：计算新的得分矩阵T d-new ：T d-new =XH；
S37：计算载荷矩阵Q：Q=X’ T d-new (T d-new ’ T d-new ) -1 ；
S38：计算预处理后的光谱信息矩阵X DOSC ：X DOSC =X-T d-new Q’。
S4：将预处理后的有效光谱信息采用SPA算法（即连续投影算法）提取出特征光谱变量；
所述SPA算法包括以下步骤：
S41：将预处理后的光谱信息X DOSC 标准化处理为X M×K ，其中，K是预处理后的光谱波段数，N为SPA提取出的特征光谱变量个数；
S42：任选一列光谱数据x j ，记为变量；
S43：定义集合，代表其余未选中的光谱变量；
S44：计算x j 在S上的投影；
S45：记录投影向量中最大投影k(n)： ；
S46：令为下轮迭代的投影向量：/>；
S47：若n<N，返回步骤S43，继续投影。
并且，经步骤S41~S47可获得特征光谱变量，并建立相应的多元线性回归模型，计算在不同特征光谱变量数下的均方根误差，选取均方根误差最小值时所对应的特征光谱变量个数作为SPA提取出的特征光谱变量的最佳个数。
S5：建立ELM模型（即极限学习机），再将特征光谱变量输入至ELM模型中，获得待测猕猴桃货架期的判别结果；ELM模型为：
；
式中，x j 为第j个样本的输入变量，g(∙)为隐含层神经元激活函数，b i 为隐含层神经元的偏置，l、L分别为隐含层节点数和样本数，w i 为输入层节点到隐含层节点之间的权值，β i 为隐含层节点到输出层节点之间的权值，f( x j )是ELM模型的输出值。
在步骤S5中，ELM模型在输入特征光谱变量前，需对ELM模型的权值(w i ,β i )和隐含层偏置b i 采用PSO处理（粒子群算法），PSO处理步骤如下：
S51：初始化粒子群算法的参数，包括学习因子c 1和c 2、惯性因子初值ω ini 和终值ω end 、隐含层节点数、迭代次数K和粒子（即权值和隐含层偏置）种群数，以及粒子的寻优范围；
S52：以ELM实际与期望输出的RMSEC为适应值，计算所有粒子的适应值，并从中找出全局最佳适应值和对应的全局最优粒子；
S53：更新各粒子并计算其适应值，并与前一次各自的个体适应值作比较，若此次适应值更接近期望值，则更新粒子及其相应的适应值，否则维持不变；
S54：在各粒子的适应值中找出新的全局最佳适应值和新的全局最优粒子；
S55：若新的全局最佳适应值优于上次的全局最佳适应值 ，则保留该次全局最佳适应值及相应的全局最优粒子，否则维持不变；
S56：判断当前迭代次数k是否等于迭代次数K，或粒子对应的RMSEC为限值范围内的最小值；若是，则结束对ELM模型的PSO处理；若否，循环执行步骤S52~S55。
如图2-5所示，图2（a）为387～1034nm光谱波段范围内的光谱信息，合计256个波长；图2（b）为450～1000nm光谱波段范围内的光谱信息，合计217个波长；图3为DOSC预处理前后的光谱反射率图像；图4为SPA提取的6个特征光谱变量在450nm~1000nm光谱波段范围内对应的波长位置分布图；图5为80个猕猴桃样本（5℃保鲜室贮藏）的货架期判别结果。
进一步的，所述猕猴桃样本的高光谱图像采用“盖亚”高光谱分选仪进行采集。该分选仪包括 1 台 Image-λ“谱像”系列高光谱相机、由4 个呈梯形结构排列的LSTS-200W溴钨灯组成的光源、1 个电控移动平台及计算机等；所述高光谱相机的光谱分辨率设置为2.8nm，光谱波段范围为 387 nm ~1034nm，曝光时间设置为5.6ms；所述电控移动平台用于放置猕猴桃样品，其前进距离为11cm，其前进速度及回退速度分别为0.46cm/s和5cm/s；所述计算机用于控制整个系统工作。
需要说明的是，对于前述的各个方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和单元并不一定是本申请所必须的。

Claims (3)

1.基于高光谱成像技术的猕猴桃货架期快速判别方法，其特征在于：包括以下判别步骤：
S1：取不同货架期的猕猴桃样本，并采集猕猴桃样本的高光谱图像，再对该图像进行黑白校正，获得校正后图像R：
式中，R为校正后图像，RD为黑标准图像，RW为白标准图像，R0为猕猴桃高光谱图像；
S2：对校正后的图像进行降噪处理，获得有效光谱信息
式中，Xi,j为猕猴桃样本在各波长下提取的感兴趣区域内每个像素点的光谱信息值，所述感兴趣区域为校正后图像中选择猕猴桃中间部位85×85像素点的正方形区域，h为感兴趣区域内的像素点数，为猕猴桃样本在各波长点处求取的有效光谱信息值；
S3：采用DOSC处理方法对有效光谱信息进行预处理；
S4：将预处理后的有效光谱信息采用SPA算法提取出特征光谱变量；
S5：建立ELM模型，再将特征光谱变量输入至ELM模型中，获得待测猕
猴桃货架期的判别结果；ELM模型为：
式中，xj为第j个样本的输入变量，g(·)为隐含层神经元激活函数，bi为隐含层神经元的偏置，l、L分别为隐含层节点数和样本数，wi为输入层节点到隐含层节点之间的权值，βi为隐含层节点到输出层节点之间的权值，f(xi)是ELM模型的输出值；
所述DOSC处理方法包括以下步骤：
S31：对有效光谱矩阵x(n×m)、真实货架期矩阵Y(n×1)进行均值中心化，其中，n为猕猴桃样本个数，m为有效光谱变量数；
S32：将Y分解成正交部分M和F，其中，M是Y在X上的投影，即M＝X'((X')-1)Y，F与X正交；
S33：将X分解成2个正交部分，一部分与M同幅值，另一部分与M正交，
即Z＝X-MM-1X；
S34：对Z×Z'进行奇异值分解，求得Z的得分矩阵Td；
S35：计算权重矩阵H：H＝X-1Td；
S36：计算新的得分矩阵Td-new:Td-new＝XH；
S37：计算载荷矩阵Q：Q＝X'Td-new(Td-new'Td-new)-1；
S38：计算预处理后的光谱信息矩阵XDOSC：XDOSC＝X-Td-newQ'；
所述SPA算法包括以下步骤：
S41：将预处理后的光谱信息XDOSC标准化处理为XM×K，其中，K是预处理后的光谱波段数，N为SPA提取出的特征光谱变量个数；
S42：任选一列光谱数据xj，记为变量xk(0)(k(0)＝j)；
S43：定义集合代表其余未选中的光谱变量；
S44：计算xj在S上的投影Pxj:
S45：记录投影向量中最大投影k(n)：k(n)＝arg(max||Pxj||,j∈S)；
S46：令Pxj为下轮迭代的投影向量：xj＝Pxj,j∈S；
S47：若n＜N，返回步骤S43，继续投影；
在步骤S5中，在特征光谱变量输入至ELM模型之前，需对ELM模型的权值(wi,βi)和隐含层偏置bi采用PSO算法处理，PSO处理步骤如下：
S51：初始化粒子群算法的参数，包括学习因子c1和c2、惯性因子初值ωini和终值ωend、隐含层节点数、迭代次数K和粒子种群数，以及粒子的寻优范围；
S52：以ELM实际输出与期望输出的RMSEC为适应值，计算所有粒子的适应值，并从中找出全局最佳适应值和对应的全局最优粒子；
S53：更新各粒子并计算其适应值，并与前一次各自的个体适应值作比较，若此次适应值更接近期望值，则更新粒子及其相应的适应值，否则维持不变；
S54：在各粒子的适应值中找出新的全局最佳适应值和新的全局最优粒子；
S55：若新的全局最佳适应值优于上次的全局最佳适应值，则保留该次全局最佳适应值及相应的全局最优粒子，否则维持不变；
S56：判断当前迭代次数k是否等于迭代次数K，或粒子对应的RMSEC为限值范围内的最小值；若是，则结束对ELM模型的PSO处理；若否，循环执行步骤S52～S55。
2.根据权利要求1所述的基于高光谱成像技术的猕猴桃货架期快速判别方法，其特征在于：经步骤S41～S47可获得特征光谱变量，并建立相应的多元线性回归模型，计算在不同特征光谱变量数下的均方根误差，选取均方根误差最小值时所对应的特征光谱变量个数作为SPA提取出的特征光谱变量的最佳个数。
3.根据权利要求1所述的基于高光谱成像技术的猕猴桃货架期快速判别方法，其特征在于：所述猕猴桃样本的高光谱图像采用“盖亚”高光谱分选仪进行采集。
CN202110770250.3A 2021-07-08 2021-07-08 基于高光谱成像技术的猕猴桃货架期快速判别方法 Active CN113496486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110770250.3A CN113496486B (zh) 2021-07-08 2021-07-08 基于高光谱成像技术的猕猴桃货架期快速判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110770250.3A CN113496486B (zh) 2021-07-08 2021-07-08 基于高光谱成像技术的猕猴桃货架期快速判别方法

Publications (2)

Publication Number Publication Date
CN113496486A CN113496486A (zh) 2021-10-12
CN113496486B true CN113496486B (zh) 2023-08-22

Family

ID=77996277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110770250.3A Active CN113496486B (zh) 2021-07-08 2021-07-08 基于高光谱成像技术的猕猴桃货架期快速判别方法

Country Status (1)

Country Link
CN (1) CN113496486B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114720436B (zh) * 2022-01-24 2023-05-12 四川农业大学 基于荧光高光谱成像的农产品品质参数检测方法及设备
CN115049206A (zh) * 2022-04-29 2022-09-13 广西宏廷智能科技有限公司 一种实时无损检测水果内部品质的方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106950186A (zh) * 2017-03-14 2017-07-14 华中农业大学 基于光纤光谱的土鸡蛋或洋鸡蛋品种检测装置及其方法
CN109187378A (zh) * 2018-10-17 2019-01-11 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
CN109187578A (zh) * 2018-09-03 2019-01-11 贵阳学院 基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法
CN110031408A (zh) * 2019-05-14 2019-07-19 贵阳学院 一种猕猴桃成熟度快速判别装置及方法
CN111968080A (zh) * 2020-07-21 2020-11-20 山东农业大学 一种基于高光谱和深度学习的肥城桃内外品质检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180240018A1 (en) * 2016-05-19 2018-08-23 Jiangnan University Improved extreme learning machine method based on artificial bee colony optimization

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106950186A (zh) * 2017-03-14 2017-07-14 华中农业大学 基于光纤光谱的土鸡蛋或洋鸡蛋品种检测装置及其方法
CN109187578A (zh) * 2018-09-03 2019-01-11 贵阳学院 基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法
CN109187378A (zh) * 2018-10-17 2019-01-11 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
CN110031408A (zh) * 2019-05-14 2019-07-19 贵阳学院 一种猕猴桃成熟度快速判别装置及方法
CN111968080A (zh) * 2020-07-21 2020-11-20 山东农业大学 一种基于高光谱和深度学习的肥城桃内外品质检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邵园园 等.高光谱成像的猕猴桃货架期快速预测.《光谱学与光谱分析》.2020,第第40卷卷(第第6期期),1940-1946. *

Also Published As

Publication number Publication date
CN113496486A (zh) 2021-10-12

Similar Documents

Publication Publication Date Title
Pal et al. AgriDet: Plant Leaf Disease severity classification using agriculture detection framework
US9741107B2 (en) Full reference image quality assessment based on convolutional neural network
US20200250428A1 (en) Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron
CN113496486B (zh) 基于高光谱成像技术的猕猴桃货架期快速判别方法
CN107169535B (zh) 生物多光谱图像的深度学习分类方法及装置
da Silva et al. Estimating soybean leaf defoliation using convolutional neural networks and synthetic images
CN106910192B (zh) 一种基于卷积神经网络的图像融合效果评估方法
CN111860330A (zh) 基于多特征融合和卷积神经网络的苹果叶部病害识别方法
CN110929944A (zh) 基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法
US20240290008A1 (en) Method and apparatus for image processing
CN113221913A (zh) 一种基于高斯概率决策级融合的农林病虫害细粒度识别方法及装置
CN116297236A (zh) 一种基于高光谱的单粒玉米种子活力鉴别方法及装置
Zhang et al. Robust image segmentation method for cotton leaf under natural conditions based on immune algorithm and PCNN algorithm
CN113962258A (zh) 一种烟草病害的识别与防治方法、系统及存储介质
Lopez et al. Convolutional neural networks for semantic segmentation of multispectral remote sensing images
CN112435177B (zh) 基于sru与残差网络的递归红外图像非均匀校正方法
Abdalla et al. Color Consistency of UAV Imagery using Multi-Channel CNN-based Image-to-Image Regression and Residual Learning
CN117765041B (zh) 一种基于配准增强和最优传输gan的dsa图像生成方法
Gonzalez et al. EarCV: An open‐source, computer vision package for maize ear phenotyping
CN118172676B (zh) 一种基于量子深度学习的农田害虫检测方法
CN110095436A (zh) 苹果轻微损伤分类方法
CN117274236B (zh) 基于高光谱图像的尿液成分异常检测方法及系统
CN115457255B (zh) 基于深度学习的地基望远镜图像非均匀校正方法
Dinca et al. Halyomorpha Halys Detection Using Efficient Neural Networks
Nduanya et al. Identification of Cocoyam (Taro) Leaf Disease Using Deep Learning to Enhance Food Security

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