CN114689539A - 基于近红外高光谱图像的大豆种子病变粒识别方法及系统 - Google Patents

基于近红外高光谱图像的大豆种子病变粒识别方法及系统 Download PDF

Info

Publication number
CN114689539A
CN114689539A CN202210321719.XA CN202210321719A CN114689539A CN 114689539 A CN114689539 A CN 114689539A CN 202210321719 A CN202210321719 A CN 202210321719A CN 114689539 A CN114689539 A CN 114689539A
Authority
CN
China
Prior art keywords
seed
soybean
image
hyperspectral image
discriminant analysis
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
Application number
CN202210321719.XA
Other languages
English (en)
Inventor
叶文武
李凯楠
沈广辉
郑小波
王源超
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.)
Nanjing Agricultural University
Original Assignee
Nanjing 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 Nanjing Agricultural University filed Critical Nanjing Agricultural University
Priority to CN202210321719.XA priority Critical patent/CN114689539A/zh
Publication of CN114689539A publication Critical patent/CN114689539A/zh
Pending legal-status Critical Current

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
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • 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
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/10048—Infrared image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种基于近红外高光谱图像的大豆种子病变粒识别方法及系统,属于种子筛选技术领域。方法包括：采集三种不同类型的大豆种子，构建种子样本，所述类型包括健康、霉变和紫斑；获取所述种子样本的近红外高光谱图像，对所述图像进行分割和光谱提取，获得单个大豆种子的近红外光谱数据；对所述近红外光谱数据进行预处理；根据所述预处理后的近红外光谱数据进行种子病变相关特征波长筛选，筛选出与大豆种子病变最相关的特征波长；基于所述特征波长，构建判别分析模型；根据所述判别分析模型对待识别的大豆种子进行识别，得到识别结果。本发明提高了病变大豆识别的效率和准确率。

Description

基于近红外高光谱图像的大豆种子病变粒识别方法及系统
技术领域
本发明属于种子筛选技术领域，尤其涉及一种基于近红外高光谱图像的大豆种子病变粒识别方法及系统。
背景技术
真菌病害不仅在大豆生产中造成产量损失，也在产后对种子质量和食品安全造成许多负面影响。大豆种子受病原真菌侵染后，经常出现色斑或霉变，不仅影响外观，也影响内在的营养品质，并携带对人畜有害的真菌毒素。带菌种子不仅萌发率低下，而且在播种后容易造成新一轮的病害和产量损失，调运播种未筛查的带菌种子是病害传播蔓延的重要途径之一。因此，快速识别和筛查带菌特别是病变种子对大豆生产与品质安全均具有重要意义。传统的农作物质量检测手段包括感官评价与理化分析等，存在处理时间长、对鉴定人员的经验要求较高、鉴定的准确性易受到主观因素影响等问题。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，在农作物质量检测中已经表现出极强的优越性。
近几年来，近红外成像技术在农产品检测领域得到了应用，并体现出了巨大的应用潜力，但目前该技术在病变大豆种子识别方面研究欠缺，因此，需要探索病变大豆种子高光谱图像识别方法，以提高获取大豆病变信息准确性，从而提高病变大豆识别的准确率。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于近红外高光谱图像的大豆种子病变粒识别方法及系统，通过对大豆样本的近红外高光谱图像数据进行预处理，进行种子病变相关特征波长筛选，筛选出与大豆种子病变最相关的特征波长，基于所述特征波长构建判别分析模型，根据判别分析模型对待识别的大豆种子进行识别，得到识别结果，提高了病变大豆识别的效率和准确率。
根据本发明的一个方面，本发明提供了一种基于近红外高光谱图像的大豆种子病变粒识别方法，所述方法包括以下步骤：
S1：采集三种不同类型的大豆种子，构建种子样本，所述类型包括健康、霉变和紫斑；
S2：获取所述种子样本的近红外高光谱图像，对所述图像进行分割和光谱提取，获得单个大豆种子的近红外光谱数据；
S3：对所述近红外光谱数据进行预处理；
S4：根据所述预处理后的近红外光谱数据进行种子病变相关特征波长筛选，筛选出与大豆种子病变最相关的特征波长；
S5：基于所述特征波长，构建判别分析模型；根据所述判别分析模型对待识别的大豆种子进行识别，得到识别结果。
优选地，所述获取所述种子样本的近红外高光谱图像，对所述图像进行分割和光谱提取包括：
根据以下公式对原始高光谱图像进行黑白校正：
Figure BDA0003571970710000021
式中，I为经校正后的图像，I0为原始的高光谱图像，B为黑色标定背景的信息，W为白板标定图像信息。
优选地，所述获得单个大豆种子的近红外光谱数据包括：
使用主成分分析法结合最大类间方差法对大豆高光谱图像进行背景分割，分别提取每一个种子所有像素的光谱，计算平均值作为此大豆种子的指纹图谱。
优选地，所述根据所述预处理后的近红外光谱数据进行种子病变相关特征波长筛选包括：
使用连续投影法对近红外光谱数据进行处理，筛选出与大豆种子病变最相关的波长，最大选定特征波长数设为30。
优选地，所述基于所述特征波长，构建判别分析模型包括：
将大豆种子的特征波长数据按照3:1随机分为校正集和验证集，使用偏最小二乘判别分析算法构建判别分析模型。
根据本发明的另一个方面，本发明还提供了一种基于近红外高光谱图像的大豆种子病变粒识别系统，所述系统包括：
采集模块，用于采集三种不同类型的大豆种子，构建种子样本，所述类型包括健康、霉变和紫斑；
获取模块，用于获取所述种子样本的近红外高光谱图像，对所述图像进行分割和光谱提取，获得单个大豆种子的近红外光谱数据；
处理模块，用于对所述近红外光谱数据进行预处理；
筛选模块，用于根据所述预处理后的近红外光谱数据进行种子病变相关特征波长筛选，筛选出与大豆种子病变最相关的特征波长；
识别模块，用于基于所述特征波长，构建判别分析模型；根据所述判别分析模型对待识别的大豆种子进行识别，得到识别结果。
优选地，所述获取模块获取所述种子样本的近红外高光谱图像，对所述图像进行分割和光谱提取包括：
根据以下公式对原始高光谱图像进行黑白校正：
Figure BDA0003571970710000041
式中，I为经校正后的图像，I0为原始的高光谱图像，B为黑色标定背景的信息，W为白板标定图像信息。
优选地，所述获取模块获得单个大豆种子的近红外光谱数据包括：
使用主成分分析法结合最大类间方差法对大豆高光谱图像进行背景分割，分别提取每一个种子所有像素的光谱，计算平均值作为此大豆种子的指纹图谱。
优选地，所述筛选模块根据所述预处理后的近红外光谱数据进行种子病变相关特征波长筛选包括：
使用连续投影法对近红外光谱数据进行处理，筛选出与大豆种子病变最相关的波长，最大选定特征波长数设为30。
优选地，所述识别模块基于所述特征波长，构建判别分析模型包括：
将大豆种子的特征波长数据按照3:1随机分为校正集和验证集，使用偏最小二乘判别分析算法构建判别分析模型。
有益效果：本发明通过对大豆样本的近红外高光谱图像数据进行预处理，进行种子病变相关特征波长筛选，筛选出与大豆种子病变最相关的特征波长，基于所述特征波长构建判别分析模型，根据判别分析模型对待识别的大豆种子进行识别，得到识别结果，提高了病变大豆识别的效率和准确率。
通过参照以下附图及对本发明的具体实施方式的详细描述，本发明的特征及优点将会变得清楚。
附图说明
图1是基于近红外高光谱图像的大豆种子病变粒识别方法流程图；
图2是三类种子的光谱特性比较示意图；
图3是特征波长筛选结果示意图；
图4是基于近红外高光谱图像的大豆种子病变粒识别系统结构示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例1
图1是基于近红外高光谱图像的大豆种子病变粒识别方法流程图。如图1所示，本发明提供了一种基于近红外高光谱图像的大豆种子病变粒识别方法，所述方法包括以下步骤：
S1：采集三种不同类型的大豆种子，构建种子样本，所述类型包括健康、霉变和紫斑。
具体地，分别采集大豆种子正常粒365粒、霉变粒381粒和紫斑粒237粒，通过随机采样的方法将样品分为校正集(用于模型构建)和验证集(用于模型评估)，校正集和验证集中正常粒、霉变粒和紫斑粒的粒数分别为279、86、297和84、163、74；样品均需经过经验丰富的实验员视觉区分确认。霉变种子是指：种子发生皱缩且表面有白色菌丝体；紫斑种子是指：种子种皮伴有现紫色斑点；所述健康大豆种子是指种子圆润饱满，无色斑、皱缩等症状。
S2：获取所述种子样本的近红外高光谱图像，对所述图像进行分割和光谱提取，获得单个大豆种子的近红外光谱数据。
具体地，光谱分辨率在10-2λ数量级范围内的光谱图像称为高光谱图像,使用近红外高光谱成像设备获取大豆种子的近红外高光谱图像；在进行近红外高光谱图像扫描时，摆放至样品台的大豆种子两两之间间隔0.5cm，光谱的波长范围为900-1700nm，单个种子最少像素点为150个。
所用设备为近红外高光谱成像系统(Gaiafield-N17E)，由光源、光谱相机、电控移动平台、计算机及控制软件等组成。光源为两个卤素灯穹顶光源，光谱采集范围为900-1700nm，光谱和相机分辨率分别为5nm和320×256像素，镜头高度为30cm，样品台移动速度设为0.6cm·s-1，曝光时间是20.6ms。图像采集时将大豆种子随机单层平铺到样品台上，获取其图像。
为消除暗电流和光源强度不均匀的影响，将原始图像据以下公式进行黑白校正：
Figure BDA0003571970710000061
式中I为经校正后的图像，I0为原始的高光谱图像，B为黑色标定背景的信息，W为白板(聚四氟乙烯材料)标定图像信息。
优选地，所述获得单个大豆种子的近红外光谱数据包括：
使用主成分分析(PCA)结合最大类间方差法(Otsu)对大豆高光谱图像进行背景分割，分别提取每一个种子所有像素的光谱，计算平均值作为此大豆种子指纹图谱。
具体地，利用ENVI 5.3软件中resize功能对高光谱图像进行剪裁，保留必要的区域；然后，使用PCA和otsu算法结合阈值分割图像，提取只含有大豆种子信息的图像；最后，基于MATLAB中bwlabel函数对图像中大豆种子编号，实现单种子指纹图谱的自动提取，并计算平均光谱作为此大豆种子指纹图谱。
S3：对所述近红外光谱数据进行预处理。
具体地，使用Autoscale算法进行预处理，消除背景干扰，降低光谱噪声，提高光谱质量和信号差异。
S4：根据所述预处理后的近红外光谱数据进行种子病变相关特征波长筛选，筛选出与大豆种子病变最相关的特征波长。
优选地，所述根据所述预处理后的近红外光谱数据进行种子病变相关特征波长筛选包括：
使用连续投影法对近红外光谱数据进行处理，筛选出与大豆种子病变最相关的波长，最大选定特征波长数设为30。
使用连续投影算法(SPA)从光谱信息中充分寻找含有最低限度的冗余信息的变量组，即特征波长。该方法可使得变量之间的共线性达到最小，同时能大大减少建模所用变量的个数，提高建模的速度和效率。
S5：基于所述特征波长，构建判别分析模型；根据所述判别分析模型对待识别的大豆种子进行识别，得到识别结果。
具体地，提取所有大豆种子样品特征波长数据，使用偏最小二乘判别分析(PLS-DA)算法，留一法交互验证方式，按照交叉验证误差最小原则，选取最佳潜变量数12，构建判别分析模型。
另一个实施方式中，所述基于所述特征波长，构建判别分析模型包括：
将大豆种子的特征波长数据按照3:1随机分为校正集和验证集，使用偏最小二乘判别分析算法构建判别分析模型。
以下给出一个具体的建模过程:
(1)采集近红外高光谱图像：将大豆种子样品平铺于近红外高光谱设备样品台，获取其近红外高光谱图像。
(2)提取单粒种子光谱信息：使用主成分分析(PCA)结合最大类间方差法(Otsu)对大豆高光谱图像进行背景分割，分别提取每一个大豆种子所有像素的光谱，计算平均值作为此大豆种子近红外光谱。三类种子的光谱特性比较如图2所示。
(3)光谱预处理：对大豆种子近红外光谱使用Autoscale算法处理，消除背景干扰，降低光谱噪声，提高光谱质量和信号差异；
(4)筛选特征波长：使用连续投影算法，获取模型最小的RMSEV值时的变量组，即为特征波长；特征波长的筛选结果如图3所示。
(5)模型构建：将每一类大豆种子的特征波长数据按照3:1随机分为校正集和验证集，使用偏最小二乘判别分析算法构建判别分析模型，采用留一交互验证方式，按照交叉验证误差最小原则，选取最佳潜变量数。
(6)模型评价：使用判别分析模型对验证集进行预测，对比预测值与真实值，计算预测准确率，对模型进行评价。
以上数据处理均在Matlab 2017a和PLS-toolbox 8.0中完成。
本实施例构建的定性分析模型，校正集的总识别正确率为93.91％，验证集总识别正确率为90.16％，具体结果如表1所示。结果表明基于近红外高光谱成像技术可有效实现对三类大豆种子的识别，可以用于真菌污染大豆病粒的快速筛分，有助于解决大豆生产、仓储和加工过程中病变种子的高通量快速无损识别，有利于保障谷物安全。
表1三类大豆的判别分析结果
Figure BDA0003571970710000091
本实施例通过对大豆样本的近红外高光谱图像数据进行预处理，进行种子病变相关特征波长筛选，筛选出与大豆种子病变最相关的特征波长，基于所述特征波长构建判别分析模型，根据判别分析模型对待识别的大豆种子进行识别，得到识别结果，提高了病变大豆识别的效率和准确率。本发明方法可在不破坏大豆种子的情况下，对单个大豆种子进行快速分析判别，具有快速、无损、高通量的特点，可有效应对实际生产中大批量种子筛选和检测难题，对及时发现真菌污染，保障谷物安全，保护人们的身体健康具有重要的意义，适于推广应用。
实施例2
图4是基于近红外高光谱图像的大豆种子病变粒识别系统结构示意图。如图4所示，本发明还提供了一种基于近红外高光谱图像的大豆种子病变粒识别系统，所述系统包括：
采集模块401，用于采集三种不同类型的大豆种子，构建种子样本，所述类型包括健康、霉变和紫斑；
获取模块402，用于获取所述种子样本的近红外高光谱图像，对所述图像进行分割和光谱提取，获得单个大豆种子的近红外光谱数据；
处理模块403，用于对所述近红外光谱数据进行预处理；
筛选模块404，用于根据所述预处理后的近红外光谱数据进行种子病变相关特征波长筛选，筛选出与大豆种子病变最相关的特征波长；
识别模块405，用于基于所述特征波长，构建判别分析模型；根据所述判别分析模型对待识别的大豆种子进行识别，得到识别结果。
优选地，所述获取模块402获取所述种子样本的近红外高光谱图像，对所述图像进行分割和光谱提取包括：
根据以下公式对原始高光谱图像进行黑白校正：
Figure BDA0003571970710000101
式中，I为经校正后的图像，I0为原始的高光谱图像，B为黑色标定背景的信息，W为白板标定图像信息。
优选地，所述获取模块402获得单个大豆种子的近红外光谱数据包括：
使用主成分分析法结合最大类间方差法对大豆高光谱图像进行背景分割，分别提取每一个种子所有像素的光谱，计算平均值作为此大豆种子的指纹图谱。
优选地，所述筛选模块404根据所述预处理后的近红外光谱数据进行种子病变相关特征波长筛选包括：
使用连续投影法对近红外光谱数据进行处理，筛选出与大豆种子病变最相关的波长，最大选定特征波长数设为30。
优选地，所述识别模块405基于所述特征波长，构建判别分析模型包括：
将大豆种子的特征波长数据按照3:1随机分为校正集和验证集，使用偏最小二乘判别分析算法构建判别分析模型。
本实施例2中各个模块所执行的方法步骤的具体实施过程与实施例1中的各个步骤的实施过程相同，在此不再赘述。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种基于近红外高光谱图像的大豆种子病变粒识别方法，其特征在于，所述方法包括以下步骤：
S1：采集三种不同类型的大豆种子，构建种子样本，所述类型包括健康、霉变和紫斑；
S2：获取所述种子样本的近红外高光谱图像，对所述图像进行分割和光谱提取，获得单个大豆种子的近红外光谱数据；
S3：对所述近红外光谱数据进行预处理；
S4：根据所述预处理后的近红外光谱数据进行种子病变相关特征波长筛选，筛选出与大豆种子病变最相关的特征波长；
S5：基于所述特征波长，构建判别分析模型；根据所述判别分析模型对待识别的大豆种子进行识别，得到识别结果。
2.根据权利要求1所述的方法，其特征在于，所述获取所述种子样本的近红外高光谱图像，对所述图像进行分割和光谱提取包括：
根据以下公式对原始高光谱图像进行黑白校正：
Figure FDA0003571970700000011
式中，I为经校正后的图像，I0为原始的高光谱图像，B为黑色标定背景的信息，W为白板标定图像信息。
3.根据权利要求2所述的方法，其特征在于，所述获得单个大豆种子的近红外光谱数据包括：
使用主成分分析法结合最大类间方差法对大豆高光谱图像进行背景分割，分别提取每一个种子所有像素的光谱，计算平均值作为此大豆种子的指纹图谱。
4.根据权利要求3所述的方法，其特征在于，所述根据所述预处理后的近红外光谱数据进行种子病变相关特征波长筛选包括：
使用连续投影法对近红外光谱数据进行处理，筛选出与大豆种子病变最相关的波长，最大选定特征波长数设为30。
5.根据权利要求4所述的方法，其特征在于，所述基于所述特征波长，构建判别分析模型包括：
将大豆种子的特征波长数据按照3:1随机分为校正集和验证集，使用偏最小二乘判别分析算法构建判别分析模型。
6.一种基于近红外高光谱图像的大豆种子病变粒识别系统，其特征在于，所述系统包括：
采集模块，用于采集三种不同类型的大豆种子，构建种子样本，所述类型包括健康、霉变和紫斑；
获取模块，用于获取所述种子样本的近红外高光谱图像，对所述图像进行分割和光谱提取，获得单个大豆种子的近红外光谱数据；
处理模块，用于对所述近红外光谱数据进行预处理；
筛选模块，用于根据所述预处理后的近红外光谱数据进行种子病变相关特征波长筛选，筛选出与大豆种子病变最相关的特征波长；
识别模块，用于基于所述特征波长，构建判别分析模型；根据所述判别分析模型对待识别的大豆种子进行识别，得到识别结果。
7.根据权利要求6所述的系统，其特征在于，所述获取模块获取所述种子样本的近红外高光谱图像，对所述图像进行分割和光谱提取包括：
根据以下公式对原始高光谱图像进行黑白校正：
Figure FDA0003571970700000031
式中，I为经校正后的图像，I0为原始的高光谱图像，B为黑色标定背景的信息，W为白板标定图像信息。
8.根据权利要求7所述的系统，其特征在于，所述获取模块获得单个大豆种子的近红外光谱数据包括：
使用主成分分析法结合最大类间方差法对大豆高光谱图像进行背景分割，分别提取每一个种子所有像素的光谱，计算平均值作为此大豆种子的指纹图谱。
9.根据权利要求8所述的系统，其特征在于，所述筛选模块根据所述预处理后的近红外光谱数据进行种子病变相关特征波长筛选包括：
使用连续投影法对近红外光谱数据进行处理，筛选出与大豆种子病变最相关的波长，最大选定特征波长数设为30。
10.根据权利要求9所述的系统，其特征在于，所述识别模块基于所述特征波长，构建判别分析模型包括：
将大豆种子的特征波长数据按照3:1随机分为校正集和验证集，使用偏最小二乘判别分析算法构建判别分析模型。
CN202210321719.XA 2022-03-30 2022-03-30 基于近红外高光谱图像的大豆种子病变粒识别方法及系统 Pending CN114689539A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210321719.XA CN114689539A (zh) 2022-03-30 2022-03-30 基于近红外高光谱图像的大豆种子病变粒识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210321719.XA CN114689539A (zh) 2022-03-30 2022-03-30 基于近红外高光谱图像的大豆种子病变粒识别方法及系统

Publications (1)

Publication Number Publication Date
CN114689539A true CN114689539A (zh) 2022-07-01

Family

ID=82141690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210321719.XA Pending CN114689539A (zh) 2022-03-30 2022-03-30 基于近红外高光谱图像的大豆种子病变粒识别方法及系统

Country Status (1)

Country Link
CN (1) CN114689539A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116994064A (zh) * 2023-08-25 2023-11-03 河北地质大学 一种种子病变粒识别方法及种子智能筛选系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104914052A (zh) * 2015-05-12 2015-09-16 江苏大学 一种霉变花生的光谱成像检测方法
CN107527326A (zh) * 2017-08-17 2017-12-29 安徽农业大学 一种基于高光谱成像的小麦赤霉病诊断方法
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
KR102112088B1 (ko) * 2018-12-31 2020-05-18 충남대학교산학협력단 초분광영상기술을 이용한 편백나무 우량종자 선별방법
CN113777104A (zh) * 2021-08-24 2021-12-10 北京工商大学 一种单粒玉米种子高光谱检测成熟度的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104914052A (zh) * 2015-05-12 2015-09-16 江苏大学 一种霉变花生的光谱成像检测方法
CN107527326A (zh) * 2017-08-17 2017-12-29 安徽农业大学 一种基于高光谱成像的小麦赤霉病诊断方法
KR102112088B1 (ko) * 2018-12-31 2020-05-18 충남대학교산학협력단 초분광영상기술을 이용한 편백나무 우량종자 선별방법
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
CN113777104A (zh) * 2021-08-24 2021-12-10 北京工商大学 一种单粒玉米种子高光谱检测成熟度的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
沈广辉 等: "近红外高光谱成像结合特征波长筛选识别小麦赤霉病瘪粒", 江苏农业学报, vol. 37, no. 02, 30 April 2021 (2021-04-30), pages 509 - 516 *
雷雨 等: "基于高光谱成像技术的小麦条锈病病害程度分级方法", 农业机械学报, vol. 49, no. 05, 31 May 2018 (2018-05-31), pages 226 - 232 *
黄双萍 等: "基于高光谱成像的水稻穗瘟病害程度分级方法", 农业工程学报, vol. 31, no. 01, 31 January 2015 (2015-01-31), pages 212 - 219 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116994064A (zh) * 2023-08-25 2023-11-03 河北地质大学 一种种子病变粒识别方法及种子智能筛选系统
CN116994064B (zh) * 2023-08-25 2024-02-27 河北地质大学 一种种子病变粒识别方法及种子智能筛选系统

Similar Documents

Publication Publication Date Title
Petrellis A smart phone image processing application for plant disease diagnosis
Perez-Sanz et al. Plant phenomics: An overview of image acquisition technologies and image data analysis algorithms
Knauer et al. Improved classification accuracy of powdery mildew infection levels of wine grapes by spatial-spectral analysis of hyperspectral images
Bauriegel et al. Early detection of Fusarium infection in wheat using hyper-spectral imaging
CN109657653B (zh) 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法
Fuentes et al. Automated grapevine cultivar classification based on machine learning using leaf morpho-colorimetry, fractal dimension and near-infrared spectroscopy parameters
Mahendran et al. Application of computer vision technique on sorting and grading of fruits and vegetables
CN110132862B (zh) 小麦赤霉病检测专属病情指数构建方法及其应用
ElMasry et al. Early detection of apple bruises on different background colors using hyperspectral imaging
Guzmán et al. Infrared machine vision system for the automatic detection of olive fruit quality
CN110376202B (zh) 基于成像高光谱技术的茶树炭疽病病斑识别方法
Bennedsen et al. Performance of a system for apple surface defect identification in near-infrared images
Xiaobo et al. Independent component analysis in information extraction from visible/near-infrared hyperspectral imaging data of cucumber leaves
CN109540831B (zh) 基于高光谱成像技术的枸杞子品种识别方法
Yan et al. Nondestructive phenolic compounds measurement and origin discrimination of peated barley malt using near-infrared hyperspectral imagery and machine learning
Femenias et al. Standardization of near infrared hyperspectral imaging for wheat single kernel sorting according to deoxynivalenol level
WO2018054091A1 (zh) 化橘红成分鉴定方法
CN105320970B (zh) 一种马铃薯病害诊断装置、诊断系统及诊断方法
CN210465246U (zh) 小麦感染赤霉病等级及病粒率高光谱无损检测装置的光谱采集装置
Patki et al. Cotton leaf disease detection & classification using multi SVM
CN106251328A (zh) 一种利用二维高光谱图像识别鸡胴体表面污染物的方法
CN111398211A (zh) 一种苍术颗粒剂的信息区分处理方法
CN114136920A (zh) 一种基于高光谱的单粒杂交水稻种子种类鉴定方法
Font et al. An image processing method for in-line nectarine variety verification based on the comparison of skin feature histogram vectors
CN103528967A (zh) 基于高光谱图像的过熟蓝靛果果实识别方法

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