CN115661813A - 基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法 - Google Patents
基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法 Download PDFInfo
- Publication number
- CN115661813A CN115661813A CN202211314162.3A CN202211314162A CN115661813A CN 115661813 A CN115661813 A CN 115661813A CN 202211314162 A CN202211314162 A CN 202211314162A CN 115661813 A CN115661813 A CN 115661813A
- Authority
- CN
- China
- Prior art keywords
- model
- classification
- sample
- hyperspectral imaging
- grain
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 28
- 238000005516 engineering process Methods 0.000 title claims abstract description 27
- 230000003595 spectral effect Effects 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000013145 classification model Methods 0.000 claims abstract description 9
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000002860 competitive effect Effects 0.000 claims description 3
- 229910052736 halogen Inorganic materials 0.000 claims description 3
- 150000002367 halogens Chemical class 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000006740 morphological transformation Effects 0.000 claims 1
- 238000012795 verification Methods 0.000 abstract description 16
- 238000012549 training Methods 0.000 abstract description 15
- 230000006870 function Effects 0.000 abstract description 4
- 238000002156 mixing Methods 0.000 abstract description 4
- 239000004615 ingredient Substances 0.000 abstract 1
- 239000007787 solid Substances 0.000 abstract 1
- 235000013339 cereals Nutrition 0.000 description 46
- 241000209094 Oryza Species 0.000 description 24
- 235000007164 Oryza sativa Nutrition 0.000 description 24
- 235000009566 rice Nutrition 0.000 description 24
- 230000000694 effects Effects 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 11
- 240000006394 Sorghum bicolor Species 0.000 description 10
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 10
- 241000209140 Triticum Species 0.000 description 10
- 235000021307 Triticum Nutrition 0.000 description 10
- 240000008042 Zea mays Species 0.000 description 8
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 8
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 8
- 235000005822 corn Nutrition 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 229920002472 Starch Polymers 0.000 description 5
- 235000013305 food Nutrition 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000000843 powder Substances 0.000 description 5
- 239000002994 raw material Substances 0.000 description 5
- 235000019698 starch Nutrition 0.000 description 5
- 239000008107 starch Substances 0.000 description 5
- 208000001034 Frostbite Diseases 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000010987 Kennard-Stone algorithm Methods 0.000 description 1
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 238000001237 Raman spectrum Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011362 coarse particle Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000000870 ultraviolet spectroscopy Methods 0.000 description 1
- 238000002211 ultraviolet spectrum Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法，属于固态酿造中配料拌合均匀度检测技术领域，所述方法包括：制作样本，确定各样本数量；通过高光谱成像系统获取样本光谱数据和图像信息；利用MSC对光谱数据进行预处理；采用DBSCAN‑MD剔除异常值；使用IVSO‑CARS筛选出具有代表性的特征波长；通过不同的训练函数训练模型，得出最佳分类模型；将待测样本的高光谱全波长数据代入到训练好的最佳模型中，得到样本分类结果；对混杂样本进行分类结果可视化验证，实现在线检测。
Description
技术领域
本发明涉及一种基于高光谱成像技术的多粮混杂碎颗粒快速分类识别检测方法，属于酿酒专用粮检测技术领域。
背景技术
“粮为酒之肉”，粮食在白酒酿造中占有重要地位。其中高粱、大米、糯米、小麦、玉米等主粮都已经成为了酿造白酒的首选原料，白酒生产原料配比是决定着成品质量及风味的关键因素，因此提高食品生产原料分类检测效率对厂家及时调整生产工艺参数、节省生产成本具有重大意义。实际生产中，为提高出酒质量，通常会将各种粮食颗粒分别粉碎，再均匀的混合在一起。粉碎颗粒的目的是为了让更多的淀粉暴露在外，增加粮食颗粒与曲粉的接触面，有利于糖化发酵。粮食粉碎程度和混杂比例是影响出酒质量的关键，经粉碎的颗粒不能太细。如果太细，会导致蒸馏时易压气，酒醅粘黏，起疙瘩，这样就会增加填充料用量，降低成品质量。反之则易导致蒸煮糊化不透，曲粉作用不彻底，会将许多可利用的淀粉残留，造成出酒率低。由于粉碎后的粮食颗粒大小不同，形态各异，肉眼很难分辨出各个品种，也无法判断多粮碎颗粒是否均匀混合。因此找到一种简便快速、高效准确的分辨多品种粮食碎颗粒品种的方法是保证出酒质量的关键。
目前，应用于食品检测领域中的高新技术有：拉曼光谱、紫外光谱和X射线和机器视觉技术等。拉曼光谱和X射线价格昂贵、成本高不适用于五粮混杂碎颗粒分辨中。紫外光谱选择性不高，无法实现在不分离干扰物的情况下对多个感兴趣组分的分类识别。机器视觉是人工智能技术的一个重要分支，它是将被摄目标转化成图像信号再由图像系统处理后转变为数字化信号，以通过运算来对结果进行更好的评估，不足的是在实际应用中这项技术只提供被测物体空间信息。高光谱成像技术恰好弥补了这一点，高光谱成像技术将成像和光谱学结合起来，可将材料可视化并确定其特性，即提供空间信息又提供光谱信息。
高光谱成像技术是近年来运用于无损检测和分类辨别领域的一项热门技术。例如在专利号CN108444928A中，叙述了一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法，根据种子发芽率判定种子冻伤情况。该方法的主要步骤是：先通过高光谱成像系统采集种子光谱数据和图像信息，经剔除噪声波段后保留了432.23nm～985.37nm范围的波段，通过SPA筛选特征波长后，将数据代入到Linear SVM分类模型中，结果得到正常、轻微冻伤与严重冻伤三种损伤程度的玉米种子分类准确率可以达到99％。为延展技术研究深度，挖掘高光谱成像技术在食品检测中的巨大潜力，本发明采用了5种不同品种的粮食颗粒，根据酿酒行业要求，对粮食颗粒进行粉碎，再按照特定比例进行混杂后实现多品种粮食碎颗粒快速分类识别。
发明内容
本发明的目的是为了填补现有技术空白，提供一种基于高光谱成像技术的多粮混杂碎颗粒快速分类识别检测方法。此方法是将光谱学与机器视觉相结合，具有较高的探测能力和分辨能力，在获取被测物体外部信息的同时可通过光谱数据来分析物体内部品质变化情况。本发明在数据处理上采用了MSC对数据进行预处理，利用KS算法划分训练集和测试集，选用DBSCAN-MD算法剔除异常值，通过IVSO-CARS算法筛选特征波长，再分别建立基于全波长和特征波长的分类识别模型，将待测样本的光谱数据值带入模型，得到分类识别结果，为混杂粮食颗粒分辨提供了一种新的参考，也为酿酒行业提升出酒质量提供了新的技术指导。
为了实现以上发明目的，本发明的具体技术方案为：
基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法，包括以下步骤：
(1)利用高光谱成像系统采集可见光和短波近红外(397nm～1004.5nm)范围下多粮混杂碎颗粒的光谱数据和图像信息；
(2)获取感兴趣区域内的碎颗粒样本光谱数据；
(3)数据处理：对提取出的光谱数据进行预处理，剔除异常值，并筛选出具有代表性的特征波段；
(4)利用全波段和特征波段建立分类识别模型，对模型分类识别结果进行评估，确定模型性能；
(5)将待检测样本光谱数据输入到分类模型中，输出分类结果；
所述高光谱成像系统主要是由高精度电控载物台、两组150W的卤素灯、装专用处理软件的计算机以及辅助支架组成；其中高光谱相机，视场角FOV为38°，相机输出为12bit，空间分辨率为632×1024像素，光谱分辨率5nm,光谱范围在397～1004.5nm，共产生448个波段。数据采集前，对系统各参数进行设置。参数设置完成后，开始采集数据。将样本按照编号顺序依次平铺于直径100mm、高10mm的培养皿中，确保碎颗粒相互之间不粘连、不重叠，再放于移动平台，通过线阵推扫式获得多粮碎颗粒样本的三维高光谱图像数据块。
作为本申请中一种较好的实施方式，步骤(2)中所述多品种粮食碎颗粒样本图像分割方法采用优化后的分水岭算法，提取出样本光谱数据。
作为本申请中一种较好的实施方式，步骤(3)中所述预处理方法采用多元散射校正(MSC)；所述剔除异常值是采用基于密度聚类(DBSCAN)与马氏距离(MD)相结合的方法剔除异常值；所述特征波长提取方法为迭代变量子集优化算法(IVSO)结合竞争性自适应重加权算法(CARS)来挑选特征波长。
作为本申请中一种较好的实施方式，步骤(4)中所述建立的分类识别模型为反向传播神经网络模型(BPNN)，以precision作为评价指标来判定模型的有效性。
作为本申请中一种较好的实施方式，步骤(5)中所述将获得分类识别结果，并对结果进行可视化处理。
进一步地，对采集的图像进行校正。在样品数据采集过程中，由于各波长的光源强度分布不均匀，会对所采集到的图像信号产生影响。
以上所述方法用于对混杂粮食碎颗粒样本进行快速分类识别
与现有技术相比，本发明具有以下有益效果：
(一)本发明公开的基于高光谱参数技术的多粮混杂碎颗粒快速分类识别检测方法，首次采用DBSCAN-MD算法剔除异常值提高模型分类识别精度，本发明提供的分类检测方法简单，提升了分类识别检测效率，为多品种混杂粮食颗粒分辨提供了一种新的参考，也为固态酿造智能化发展提供了新的技术指导。
(二)在技术领域方面，本发明采用高光谱成像技术对多粮混杂碎颗粒进行快速分类识别检测，将每个样本的ROI输入到最佳分类识别模型中，对模型识别出的不同粮食品种的ROI进行彩色标记，并获得可视化分布图。以不同颜色来表示粮食品种，可直观地反映出各品种粮食碎颗粒占有比例和混杂情况。
(三)在数据处理上，本发明采用MSC对光谱进行预处理,增强光谱与数据之间的相关性；本发明在剔除异常值上，开发了一种DBSCAN结合MD的方法，此方法可以有效去除影响建模结果的噪声点和分布异常的点；本发明在特征波长筛选上，开发了一种IVSO与CARS相结合的算法，能有效消除信息量较小的变量及冗余信息，挑选出具有代表性的波长，消除波长之间共线性问题，提升模型运算速度，减少时间损耗。
(四)在模型的建立方面，本发明采用了BP神经网络模型来进行粮食碎颗粒品种的分类识别。BPNN参数较多，可调整空间较大，每次学习都要进行所有网络连接的权重迭代更新，训练完成后所获得的神经网络模型损失小，分类识别准确率高。
(六)本发明提出了一种高效准确的粮食碎颗粒品种分类检测方法。该方法不仅可用于粮食品种分类识别还可用于食品掺伪检测，为酿酒行业提升出酒质量提供了新的技术指导，
附图说明
图1为本发明中基于高光谱成像技术的多品种粮食混杂碎颗粒方法的流程示意图；
图2为本发明中不规则样本ROI分割流程图；
图3a高粱样本原始光谱数据；
图3b高粱样本主成分分析图；
图3c高粱样本剔除异常值后的光谱数据；
图3d小麦样本原始光谱数据；
图3e小麦样本主成分分析图；
图3f小麦样本剔除异常值后的光谱数据；
图4为本发明特征波长筛选过程图；
图5a是高粱识别结果图；
图5b是大米识别结果图；
图5c是糯米识别结果图；
图5d是小麦识别结果图；
图5e是玉米识别结果图；
图6a为本发明混杂样本碎颗粒分类识别结果图(高粱：大米：糯米：小麦：玉米)
真值:36％:22％:18％:16％:8％；
预测值:36％:22％:18％:16％:8％。
图6b为本发明混杂样本碎颗粒分类识别结果图(高粱：大米：糯米：小麦：玉米)
真值:36％:22％:18％:16％:8％；
预测值:35％:23％；16％；18％；8％.
图6c为本发明混杂样本碎颗粒分类识别结果图(高粱：大米：糯米：小麦：玉米)
真值:36％:22％:18％:16％:8％；
预测值:36％:22％:17％:17％:8％。
具体实施方式
以下通过具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，为使本发明实施例的目的、技术方案和优点更加清楚，下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
因此，以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
本发明中所用原料、设备，方法，若无特殊说明，均为本领域的常用原料、设备或方法。
实施例：
基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法，包括以下步骤：
1.多品种粮食碎颗粒样本制备
本实施例选用了产自四川的五种粮食谷物，选取颗粒完整，无虫蚀的粮食颗粒0.5kg放于搅拌机中，粉碎5s一次。每个品种单独称量粉碎，再将粉碎后的粮食颗粒放置于20目筛中，最终以通过20目筛的细粉不超过20％为合格。筛出的细粉放于一边，保留剩下的粗颗粒用于样本制备。每个品种样本制备22个，每个样本包含大小不一、形态各异的粮食碎颗粒100粒，共计11500个样本。再按照高粱36％、大米22％、糯米18％、小麦16％和玉米8％的比例制备混杂样本3个。另外，还要选取五个品种各300粒碎颗粒共1500个样本作为模型外部输入验证样本。
2.高光谱图像的获取和校正
采用实验室中高光谱成像系统获取多粮混杂碎颗粒样本的高光谱图像。这个系统主要包含了：高光谱相机(FX10E,Specim,芬兰)电控载物台、两组150W的卤素灯(OSRAM，德国)、装有专用软件(DELL，美国)的计算机以及辅助支架。产自芬兰的FX10E型号的高光谱相机，视场角FOV为38°，相机输出为12bit，空间分辨率为632×1024像素，光谱分辨率5nm,光谱范围在397～1004.5nm，共产生448个波段。数据采集前，对系统各参数进行设置。对采集后的光谱图像进行校正，黑白校正的公式如下式所示：
式中:D校正后的光谱图像；Dd盖上镜头采集的暗参考图像；D0原始高光谱图像；Dw采集的标准白板图像。
为提高模型分类识别精度，本发明采用大津法与分水岭算法提取出样本光谱反射率，以采集到的粮食碎颗粒样本图像中心为圆心，180像素为半径划定ROI,具体过程如图所示。
3.提取光谱数据
根据式(2)计算ROI区域内每个碎颗粒样本连通域的所有像素点的平均光谱值作为该样本的光谱数据，从11000个样本中得到11000*448(样本数*波长数)的原始光谱数据；
式中：I为每个碎颗粒样本ROI的平均光谱值；m为所选连ROI的像素点个数；n为高光谱数据的波段数；m为第j个像素点在第i个波段下的反射率。
4.剔除异常值
提取出有效的光谱数据后，需对数据进行清洗，以剔除影响建模结果的异常值。本发明采用基于密度的聚类算法(DBSCAN)与马氏距离(MD)相结合的方法剔除异常值。密度聚类能够将密度足够高的区域划分为簇，并可在有噪声的空间数据集中发现任意形状的簇，再剔除影响建模结果的噪声点。马氏距离认为点是具有各向异性的，各向异性的具体参数可由一个协方差矩阵表示。可以把协方差矩阵当成是一个多维正态分布的协方差阵，那么描述这个分布密度函数的等高线就是常见的椭圆。从椭圆中心到椭圆上各个点的马氏距离是相等的，若不满足则作为异常点去掉，用此方法可有效去除分布异常的点。
5.构建检测模型
步骤一：实验样本划分
为找到适合的分类模型，通常会将数据集划分为训练集和测试集，训练集用于模型训练，测试集用于验证训练好的模型的分类识别效果。除此之外，这里还采用了外部输入验证集来检验模型的泛化性。对比分析，综合评估确定出最优分类模型。这里采用随机划分算法将样本数据按照4:1的比例划分为训练集(7700)和测试集(1931)，外部输入验证集单独采集，共采集了300个光谱数据作为验证集。
步骤二：光谱预处理
由于采集到的光谱数据受系统噪声和光源不稳定等因素影响，所以需对数据进行预处理。因此，本发明采用MSC对光谱数据进行预处理，以增强光谱与数据之间的相关性。此方法是将光谱数据的平均值作为‘理想光谱’来修正光谱数据的基线平移和偏移现象，具体实现方法为：
①求得所有光谱数据的平均值作为“理想光谱“；
②将每个样本的光谱与平均光谱进行一元线性回归，求解最小二乘问题得到每个样本的基线平移量和偏移量；
③对每个样本的光谱进行校正：减去求得的基线平移量后除以偏移量，得到校正后的光谱；
其中，ki是相对偏移系数，bi是平移量；
步骤四：数据降维处理
经高光谱成像系统采集到的数据包含了很多繁杂冗余的信息，相邻波段图像相似度高，为挑选出具有代表性的波段数据，需对光谱数据进行降维。因此，本发明采用迭代变量子集优化算法和竞争性自适应重加权算法相结合的方法来挑选特征波长。所述IVSO-CARS算法实施步骤如下：
S3-1:IVSO算法中引入了一种新的随机抽样方法WBMS，以消除部分无信息变量。首先将光谱数据载入WBMS，再对二进制矩阵进行采样，得到N次采样,记录WBMS采样的变量个数。
S3-2:建立X个PLS子模型计算回归系数矩阵B，矩阵B的每一行归一化得到矩阵C，计算公式如下：
T＝XW
y＝Ta+a＝XWa+a＝Xb+a
b＝Wa
其中，T是分数矩阵，W是组合系数；b是PLS回归系数的向量，a为模型无法解释的残差向量
S3-3:将矩阵C的每一列求和，作为对应变量的判据，用向量e表示。
S3-4:根据秩进行顺序相加，构建L1子模型。取子模型中RMSECV值最低的变量子集作为本次迭代的目标变量子集。记录RMSECV值R和变量子集L2的长度。
S3-5:对向量s进行归一化，按如下公式计算权重：
其中,回归系数矩阵B(B＝[b1,b2，…bn]),max(bj)为行向量bj的最大值。由所有cij组成的归一化回归系数矩阵用C表示，C中的元素范围为0～1。
S3-6:重复步骤1-5，直到L1等于L2，得到多个可变子集。选取R值最小的变量子集作为算法的最终变量子集。
然后利用CARS算法对IVSO算法提取出的特征波长进行再次筛选，在去除信息量较小变量的同时去除掉权重较小的波段，提取出与检测目标相关的重要变量。在CARS算法中，采用PLSR模型回归系数的绝对值作为评价指标。采用蒙特卡洛采样方法，以迭代竞争的方式依次选择一定数量的变量子集。通过最小RMSECV值确定最优子集。在本研究的每次CARS采样运行中，设定采样次数为50次，交叉验证为10倍，随机抽取校准集中80％的样本用于构建PLSR模型。最终提取出了41个特征波长，筛选过程如图4所示。
步骤五：构建分类检测模型
反向传播神经网络(BPNN)是一种按照误差逆向传播算法训练的多层前馈神经网络，学习过程由信号的正向传播和误差的反向传播两个过程组成，与其他网络模型相比BPNN具有较好的容错能力，当BPNN的神经元受到破坏后对全局的训练结果不会造成很大的影响，系统依然可以正常工作的。
本申请人使用概率神经网络模型(PNN),广义回归神经网模型(GRNN)，径向基神经网络模型(RBFNN)和反向传播神经网络模型(BPNN)建立多品种混杂粮食碎颗粒分类模型。通过训练集、测试集以及外部输入验证集的正确率来对模型进行综合评估，正确率计算公式如下：
式中：precision表示分类正确率；Tp表示预测正确的数目：Fp表示预测错误的数目；
将剔除异常值后的9631组全波段和经IVSO-CARS法挑选出来的特征波段分别代入到PNN，GRNN，BPNN和RBFNN模型中，其中，训练集7700组，测试集1931组，验证集1490组，结果如表2所示。在GRNN模型中用十折交叉验证寻找最优spread值来用于模型训练。从全波段和特征波段的结果来看，训练集和测试集都取得了不错效果，但是在外部输入的验证集中出现过拟合，验证效果极差，这是由于模型泛化性能不好造成的影响。在GRNN和RBFNN中，基于全波长建立的模型分类识别效果要比用特征波长建立的模型好很多，这是因为打碎后的粮食颗粒，大小不一、形态各异没有规律性，挑选出来的特征波长具有代表性，但是也只能体现碎颗粒的部分特征，不能较为全面的概括碎颗粒样本整体情况。从建模结果来看，BPNN模型效果最佳，无论是全波长建立的模型还是特征波长建立的模型，都取得了不错效果。这主要是因为BPNN相比RBF，RNN，PNN参数较多，可调整空间较大且每次学习都要进行所有网络连接的权重迭代更新，训练完成后所获得的神经网络模型损失小。
Table 2.建模结果
步骤六：优化分类检测模型
由于全波长和特征波长所建立的BPNN模型所得结果接近(精度相差1％以内)，所以无法区分出哪个效果更佳。为探索BPNN分类效果，找到基于全波长和特征波长建模区别，提高模型泛化性能，选用了不同的核函数对BPNN进行训练，BPNN网络层设置为两层，模型最大迭代次数设置为500，精度为0.1。得出OSS训练的BPNN结果较好，如表4所示,三组样本的特征波长模型平均分类识别准确率是96％；三组样本的全波长模型平均分类识别准确率是99％。由此，可以确定用OSS函数训练出的全波长BPNN模型效果最佳。
Table 4.三组混合样本验证结果
步骤七：可视化
可视化颜色定义为：高粱红色、大米绿色、糯米蓝色、小麦紫色和玉米黄色。将样本ROI的数据代入到训练好的模型中，得出各ROI的标签值，再用不同的标签值代表不同的颜色。然后将每个ROI的值拉伸所得标签值，依据射流色度带原理得到每个品种碎颗粒的可视化分类图。
单品种碎颗粒验证结果如图5所示。除大米有一颗误判为糯米外，其余品种碎颗粒验证结果全部正确。大米与糯米相比其它几个品种碎颗粒样本容易误判是因为糯米与大米的碳水化合物(主要是淀粉)含量相差不大，都在75％左右。其次，大米颗粒中淀粉分布不均匀，将其打碎后有些碎颗粒淀粉含量较高，所以容易被误判为糯米。
为进一步验证训练好模型的稳定性和泛化性，采用多粮混杂样本进行可视化验证，结果如图6所示。a图验证效果最好，验证正确率为100％，b图识别效果最差，验证正确率仅为97％，有3颗误判，c图中有1颗误判，平均验证正确率为99％，所以，用OSS函数训练的BPNN模型能够准确的对多粮混杂碎颗粒进行分类识别，识别准确率可达95％以上。相比以往对完整颗粒的分类识别，碎颗粒样本大小不一、形态各异，所采集到的光谱数据没有规律，突变严重，增添了许多不确定性。本研究采用的DBCAN-MD法可以有效剔除由此原因造成的异常值再建立基于全波长的BPNN模型，在可视化验证中进一步提高了BPNN模型的分类准确率。
以上所述仅为本发明的典型实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法，其特征在于包括以下步骤：
(1)利用高光谱成像系统采集可见光和短波近红外范围(397nm～1004.5nm)下多粮混杂碎颗粒的光谱数据和图像信息；
(2)获取有效区域内的碎颗粒样本光谱数据；
(3)数据处理：对提取出的光谱数据进行预处理，剔除异常值，并筛选出具有代表性的特征波段；
(4)利用全波段和特征波段建立分类识别模型，对模型分类识别结果进行评估，确定模型性能；
(5)将待检测样本光谱数据输入到分类模型中，输出分类结果。
2.根据权利要求1所述的基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法，其特征在于，步骤(1)中，高光谱成像系统包括高精度电控载物台、两组150W的卤素灯、装有专用处理软件的计算机以及辅助支架；其中高光谱相机，视场角FOV为38°，相机输出为12bit，空间分辨率为632×1024像素，共产生448个波段；数据采集前，对系统各参数进行设置：打光峰值为3616，曝光频率50HZ,曝光时间8ms,平台移动速度10.84mm/s；参数设置完成后，开始采集数据，将样本按照编号顺序依次平铺于直径100mm、高10mm的培养皿中，确保碎颗粒相互之间不粘连、不重叠，再放于移动平台，通过线阵推扫式获得多粮碎颗粒样本的三维高光谱图像数据块。
3.根据权利要求1所述的基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法，其特征在于，步骤(2)中，利用优化后的分水岭算法对步骤(1)中采集到的多粮混杂碎颗粒样本图像进行分割、形态学变换、掩模运算以提取出样本光谱数据。
4.根据权利要求1所述的基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法，其特征在于步骤(3)具体为：
(3.1)采用多元散射校正(MSC)对步骤(2)提取出的光谱数据进行预处理；
(3.2)运用基于密度聚类(DBSCAN)与马氏距离(MD)相结合的方法对步骤(3.1)处理后的光谱数据进行剔除异常值处理；
(3.3)通过迭代变量子集优化算法(IVSO)结合竞争性自适应重加权算法(CARS)来从步骤(3.2)剔除异常值后的光谱数据中挑选特征波长。
5.根据权利要求1所述的基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法，其特征在于，步骤(4)中所述建立的分类识别模型为反向传播神经网络模型(BPNN)，以precision作为评价指标来判定模型的有效性。
6.根据权利要求1所述的基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法，其特征在于，步骤(5)中所述：通过步骤(4)所建立的模型获得分类识别结果，确定出最佳分类模型，将待检测样本带入最佳分类模型，并对分类结果进行可视化处理。
7.根据权利要求3所述的基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法，其特征在于，以采集到的碎颗粒样本图像中心为圆心，设定半径值为180像素划分一块圆形有效区域，再对有效区域内碎颗粒样本图像ROI进行分割。
8.如权利要求1-7中任意一项权利要求所述的基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法，其特征在于，该方法用于多粮混杂碎颗粒及多粮混杂颗粒快速分类识别检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211314162.3A CN115661813A (zh) | 2022-10-25 | 2022-10-25 | 基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211314162.3A CN115661813A (zh) | 2022-10-25 | 2022-10-25 | 基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115661813A true CN115661813A (zh) | 2023-01-31 |
Family
ID=84991978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211314162.3A Pending CN115661813A (zh) | 2022-10-25 | 2022-10-25 | 基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115661813A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117288692A (zh) * | 2023-11-23 | 2023-12-26 | 四川轻化工大学 | 一种酿酒粮食中单宁含量的检测方法 |
-
2022
- 2022-10-25 CN CN202211314162.3A patent/CN115661813A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117288692A (zh) * | 2023-11-23 | 2023-12-26 | 四川轻化工大学 | 一种酿酒粮食中单宁含量的检测方法 |
| CN117288692B (zh) * | 2023-11-23 | 2024-04-02 | 四川轻化工大学 | 一种酿酒粮食中单宁含量的检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bhargava et al. | Fruits and vegetables quality evaluation using computer vision: A review | |
| Xing et al. | Combination of chemometric tools and image processing for bruise detection on apples | |
| ElMasry et al. | Image analysis operations applied to hyperspectral images for non-invasive sensing of food quality–a comprehensive review | |
| Wu et al. | Variety identification of oat seeds using hyperspectral imaging: Investigating the representation ability of deep convolutional neural network | |
| Williams et al. | Maize kernel hardness classification by near infrared (NIR) hyperspectral imaging and multivariate data analysis | |
| Zhang et al. | Principles, developments and applications of computer vision for external quality inspection of fruits and vegetables: A review | |
| Liu et al. | Application of multispectral imaging to determine quality attributes and ripeness stage in strawberry fruit | |
| CN113049530B (zh) | 一种基于近红外高光谱的单粒玉米种子水分含量检测方法 | |
| Rad et al. | Classification of rice varieties using optimal color and texture features and BP neural networks | |
| Zhang et al. | Integration of spectroscopy and image for identifying fusarium damage in wheat kernels | |
| Zhang et al. | Detection and classification of potato defects using multispectral imaging system based on single shot method | |
| Khojastehnazhand et al. | Classification of seven Iranian wheat varieties using texture features | |
| Bhargava et al. | Machine learning based quality evaluation of mono-colored apples | |
| Zhang et al. | Non-destructive identification of slightly sprouted wheat kernels using hyperspectral data on both sides of wheat kernels | |
| Weng et al. | Reflectance images of effective wavelengths from hyperspectral imaging for identification of Fusarium head blight-infected wheat kernels combined with a residual attention convolution neural network | |
| CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
| Zhang et al. | Identification of rice-weevil (Sitophilus oryzae L.) damaged wheat kernels using multi-angle NIR hyperspectral data | |
| Jiang et al. | Rapid nondestructive detecting of wheat varieties and mixing ratio by combining hyperspectral imaging and ensemble learning | |
| CN115661813A (zh) | 基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法 | |
| Komyshev et al. | Analysis of color and texture characteristics of cereals on digital images | |
| Cheng et al. | Hyperspectral and imagery integrated analysis for vegetable seed vigor detection | |
| McDonald et al. | Images, features, or feature distributions? A comparison of inputs for training convolutional neural networks to classify lentil and field pea milling fractions | |
| Jin et al. | Methodology for potatoes defects detection with computer vision | |
| Bayram et al. | Classification of some barley cultivars with deep convolutional neural networks | |
| Shi et al. | Application of spectral features for separating homochromatic foreign matter from mixed congee |
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 |