一種基于高光譜成像技術的獼猴桃膨大果無損檢測方法
【專利摘要】本發(fā)明公開了一種基于高光譜成像技術的獼猴桃膨大果（施用膨大劑的獼猴桃果實）的無損檢測方法，該方法包括以下步驟：以高光譜成像系統(tǒng)為工具，通過掃描一批完好無損獼猴桃膨大果和非膨大果樣品的高光譜圖像獲取樣本的高光譜圖像信息；對高光譜圖像進行黑白校正和掩模處理，提取整個果實區(qū)域的平均光譜；對平均光譜預處理；劃分校正集與預測集；對光譜數(shù)據(jù)降維以提取反映獼猴桃膨大果的特征波長或特征變量；建立無損識別獼猴桃膨大果的線性或非線性模型，并對模型進行檢驗，本方法對獼猴桃膨大果的正確識別率大于99％。本發(fā)明基于高光譜成像技術檢測獼猴桃果實是否施用膨大劑，具有無損、效率高、準確率高、結果可靠的優(yōu)點。
【專利說明】一種基于高光譜成像技術的獼猴桃膨大果無損檢測方法
【技術領域】
[0001]本發(fā)明涉及水果膨大果無損檢測【技術領域】，特別是涉及一種基于高光譜成像技術的獼猴桃膨大果無損檢測方法。
【背景技術】
[0002]獼猴桃果實細嫩多汁、清香鮮美、酸甜宜人、營養(yǎng)豐富，深受廣大消費者的喜愛。自
20世紀90年代初，外源性植物生長調節(jié)劑或外源性植物生長激素(俗稱膨大劑)，如氯吡脲、吡效隆等作為一項重要的增產技術，在獼猴桃生產中大面積推廣應用。通常將施用過膨大劑的果實稱為膨大果。膨大劑雖能使獼猴桃產量提高30%?50%，但同未施用膨大劑的果實(正常果)相比，膨大果的品質較差，且不耐貯藏、爛果率高、庫損嚴重。此外，膨大劑(屬于生長激素)對人健康的潛在危害尚不明確。為了使獼猴桃產業(yè)健康發(fā)展，雖然各省已經發(fā)出了在獼猴桃生產中禁用膨大劑的通告，但使用膨大劑的現(xiàn)象從未被杜絕。如果不能從生產源頭杜絕膨大劑的使用，識別膨大果就成為獼猴桃采后加工業(yè)亟需解決的關鍵問題。
[0003]馬紀偉提出了一種基于高效液相色譜法測定獼猴桃中膨大劑含量的方法，但該方法是有損檢測，不適于對所有個體進行無損檢驗。經檢索，授權的實用新型專利“一種氯吡脲快速檢測卡”(專利號201120165085.0)提供了一種快速檢測氯吡脲含量的方法，但是該方法也是有損檢測。從檢索結果看，目前尚未見無損識別獼猴桃膨大果的文章和專利。
[0004]由于高光譜能較全面地反映農產品的內、外部物理特征和化學成分，已成為國內外農產品品質無損檢測領域中一種重要的檢測技術。雖然在利用高光譜成像技術檢測果品的內部品質，如糖度(或可溶性固形物含量)、硬度、含水率以及外部損傷等方面已經進行了比較廣泛的研究，而現(xiàn)有的研究均未涉及獼猴桃膨大果識別方面。為此，有必要開發(fā)一種基于高光譜成像技術無損識別獼猴桃膨大果的方法，以保障消費者的權益，同時促使獼猴桃產業(yè)的健康發(fā)展，也為獼猴桃采后加工業(yè)提供一種無損、快捷、簡便、準確的獼猴桃膨大果識別技術。

【發(fā)明內容】

[0005]鑒于上述現(xiàn)有技術發(fā)展現(xiàn)狀，本發(fā)明的目的是提供一種基于高光譜成像技術的獼猴桃膨大果無損檢測方法。通過高光譜裝置采集一批獼猴桃膨大果和非膨大果的高光譜圖像，基于光譜信息建立識別獼猴桃膨大果的模型。本發(fā)明的方法也可以用于其它果品膨大果的無損檢測中。
[0006]一種基于高光譜成像技術的獼猴桃膨大果無損檢測方法，包括如下步驟:
步驟一，選取完好無損的獼猴桃膨大果和非膨大果作為樣本；
步驟二，調試好高光譜圖像采集系統(tǒng)的各項參數(shù)，采集獼猴桃樣品的高光譜圖像，并對采集的獼猴桃高光譜圖像進行黑白校正；
步驟三，為了保證圖像中僅有獼猴桃樣本信息，構建掩膜以去除背景，進而求取獼猴桃果實區(qū)域所有采樣點下光譜的平均值，然后對光譜曲線進行預處理，以校正由于光的散射等引起的光譜誤差；
步驟四，劃分獼猴桃樣本，得到校正集與預測集；
步驟五，對獼猴桃光譜數(shù)據(jù)進行降維；
步驟六，利用校正集樣本建立獼猴桃膨大果識別模型，利用獼猴桃校正集和預測集樣本分別檢驗模型對獼猴桃膨大果的正確識別率。
[0007]其中，在步驟二中，獼猴桃樣本高光譜圖像采集系統(tǒng)包括C⑶相機、光譜儀、鏡頭、光源、載物臺、電控傳送帶、暗箱、電機控制器、電機和計算機組成，獼猴桃放在載物臺上。
[0008]其中，在步驟三中，基于閾值分割的方法構建掩膜以去圖像中的背景信息，而只留下獼猴桃的圖像。
[0009]其中，在步驟四中，按2:1、3:1或者4:1的比例將獼猴桃膨大果和非膨大果分別劃分進獼猴桃校正集和預測集。
[0010]其中，步驟五中，可以通過選取光譜主成分或者提取光譜特征波長的方法實現(xiàn)獼猴桃光譜數(shù)據(jù)降維。
[0011]其中，在步驟六中，分別采用線性和非線性建模方法建立膨大果識別模型。通過對獼猴桃校正集與測試集中獼猴桃膨大果的正確識別率確定較優(yōu)的建模方法。
[0012]其中，在步驟五和步驟六中，分別建立不同的數(shù)據(jù)降維方法下識別獼猴桃膨大果的線性和非線性模型，并根據(jù)幾種組合所建模型的校正集和預測集的正確識別率確定最佳的建模方法。
[0013]其中，在步驟二中，獼猴桃高光譜圖像采集系統(tǒng)中相機的曝光時間是10ms，載物臺的移動速度是20mm/s，CCD相機鏡頭和載物臺之間的距離是65cm，光譜采集范圍為865.11-1711.71 nm，光譜圖像的大小為320X250像素，光譜波段256個，光譜采樣間隔
3.32nm ;用于光譜分析的有效范圍為941.47-1668.55 nm，含波段220個；光源為4個100W的漫反射型鹵素燈，均勻安裝在暗箱上部四個方位上。
[0014]本發(fā)明中所述的獼猴桃膨大果是指在獼猴桃果實生長發(fā)育期間，施用過(涂抹、蘸用、浸潰)膨大劑的獼猴桃果實；所述的非膨大果是指在獼猴桃果實生長發(fā)育期間，未施用過(涂抹、蘸用、浸潰)膨大劑的獼猴桃果實。
[0015]本發(fā)明具有如下優(yōu)點:本發(fā)明通過獲取獼猴桃的高光譜圖像得到其光譜信息，采用不同的數(shù)據(jù)降維技術獲取表征獼猴桃膨大果的特征波長或特征變量，建立識別獼猴桃膨大果的線性或非線性模型，并結合降維方法優(yōu)選出最佳的膨大果識別模型，為獼猴桃膨大果的識別提供一種無損、快捷、簡便、準確的方法。
【專利附圖】

【附圖說明】
[0016]圖1:高光譜圖像采集系統(tǒng)；
圖2:獼猴桃高光譜圖像提取的掩膜；
圖3:應用連續(xù)投影算法優(yōu)選特征波長過程中均方根誤差(RMSE)隨模型中包含的波長數(shù)的變化曲線。
[0017]圖1說明:1為CXD相機、2為光譜儀、3為鏡頭、4為光源、5為載物臺、6為電控傳送帶、7為暗箱、8為電機控制器、9為電機和10為計算機。
[0018]【具體實施方式】
[0019]本發(fā)明方法對不同品種獼猴桃膨大果的無損識別具有很好的通用性。由于獼猴桃品種很多，因此，本發(fā)明只以陜西省的一個主要品種——“西選二號”稱猴桃為實施實例，其他品種獼猴桃膨大果的識別可參照該實施例的方法進行。具體根據(jù)所測獼猴桃品種，建立一個適用于該品種的獼猴桃膨大果識別模型，就可以對該品種獼猴桃的膨大果進行檢測。
[0020]下面結合附圖和實施例對本發(fā)明作進一步說明。
[0021]依據(jù)本發(fā)明實施例的方法包括以下步驟:
步驟一，選取獼猴桃膨大果和非膨大果樣品。選取一批形狀比較規(guī)則，已知是膨大果和非膨大果的完好無損樣品(樣品總數(shù)盡可能大于100，且膨大果和正常果的總數(shù)相差不大)。本實施例中在承包的獼猴桃果園中，選取“西選二號”獼猴桃膨大果和非膨大果各120個。
[0022]步驟二，采集獼猴桃樣品的高光譜圖像。本實施例所采用的高光譜圖像采集系統(tǒng)如圖1所示，高光譜圖像采集系統(tǒng)裝置包括CXD相機1、光譜儀2、鏡頭3、光源4、載物臺5、電控傳送帶6、暗箱7、電機控制器8、電機9和計算機10組成。
[0023]圖像采集時，將標號的獼猴桃人工橫置于載物臺5上，載物臺5與鏡頭3之間的距離為65cm，電控傳輸帶6以20mm/s的速度傳送獼猴桃，使用光源4照射放置于載物臺5上的獼猴桃，CCD相機I的曝光時間為10ms，獼猴桃樣品被光源照射部分的影像通過鏡頭被光譜儀2捕獲，在X軸向上被光譜儀分光，Y軸上直接成像，由電控傳送帶6帶動樣品連續(xù)運行，從而得到連續(xù)的二維圖像和一維光譜信息，完成對整個獼猴桃樣本圖像的采集。
[0024]圖像采集過程由SpectralSENS (Spectral Imaging Ltd., Finland)軟件控制，光譜采樣間隔為3.32nm，光譜范圍為865.11?1711.71nm，在此范圍內有256個波段，高光譜圖像的大小為320X250像素。
[0025]步驟三，光譜的提取及預處理。在對采集到的高光譜圖像進行黑白校正后，為了保證圖像中僅有樣本信息，本文通過ENVI V4.8 (Research System, Inc.,USA)軟件基于閾值分割的方法構建掩膜以去除背景，而使圖像中僅保留獼猴桃的信息。即選擇樣本和背景反射值(反射光強度)差異大的波段對采集的高光譜圖像進行分割，當某像素對應的光譜值大于閾值時被保留，小于閾值時，被置為O。本實施例中選擇閾值為0.35。然后求取果實區(qū)域中所有采樣點下光譜的平均值。某獼猴桃樣本在1459.39nm處的高光譜圖像所構建的掩膜如圖2所示。
[0026]在ENVI V4.8中應用掩膜去除背景后計算獼猴桃果實區(qū)域中所有采樣點下光譜的平均值，形成每個樣品的平均反射光譜曲線(光譜范圍為865.11?1711.71nm)。由于光譜兩端的噪聲較大，故選擇有效波段范圍為941.47-1668.55 nm,含波段220個；然后采用變量標準化方法對光譜進行預處理，從而校正樣品由于光的散射等而引起的光譜誤差。
[0027]步驟四,劃分樣本,得到校正集與預測集。選擇Kennard-Stone法按照4:1比例劃分樣本。即在所有的樣本中選擇歐氏距離最遠的兩個向量對進入訓練集，在接下來的迭代過程中擁有最大最小距離的待選樣本被選入訓練集，以此類推，達到所要求訓練集的數(shù)目后停止迭代。
[0028]步驟五，對數(shù)據(jù)進行降維處理。數(shù)據(jù)的降維分別通過選取光譜數(shù)據(jù)的主成分或提取光譜的特征波長來實現(xiàn)。[0029]采用主成分分析法選取光譜的主成分時，通過降維技術把多個變量壓縮成少數(shù)幾個主成分變量，這些主成分不僅能夠反映原始數(shù)據(jù)的絕大部分信息，而且各主成分之間互不相關，從而可以很好地降低噪聲、減少冗余信息的干擾。此方法選取了前10個主成分作為特征變量，累積貢獻率達到99.92%。
[0030]采用連續(xù)投影算法提取光譜特征波長時，首先選擇一個初始波長，在剩余的波長中選擇與該波長相關性最小的波長，然后依次進行迭代，直到波長數(shù)達到設定數(shù)后停止運算，通過多次迭代，找出冗余信息最少的變量組。變量的數(shù)量根據(jù)校正集的均方根誤差(RMSE)值確定，隨著特征波長數(shù)的增加，校正集RMSE的變化過程如圖3所示。本研究選擇了 12個波長作為特征變量，該12個波長分別為948.11，961.39，964.71，997.91，1064.31，1230.31，1356.47, 1529.11，1592.19，1635.35，1638.67 and 1668.55 nm。
[0031]步驟六，利用校正集樣本建立獼猴桃膨大果識別模型，利用校正集和預測集樣本分別對模型效果進行驗證。對步驟五中選取出的主成分或特征波段分別建立偏最小二乘識別模型和支持向量機識別模型。所建立的四個模型中，基于連續(xù)投影算法的支持向量機模型識別率最高，其校正集的正確識別率為99.5%，測試集的正確識別率達到100%。
[0032]由以上實施例可以看出，本發(fā)明利用高光譜成像技術識別獼猴桃膨大果不但能實現(xiàn)快速無損檢測，而且識別效果很好。
[0033]以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本【技術領域】的普通技術人員來說，在不脫離本發(fā)明技術原理的前提下，還可以做出若干改進和變型，這些改進和變型也應視為本發(fā)明的保護范圍。
【權利要求】
1.一種基于高光譜成像技術的獼猴桃膨大果無損檢測方法，其特征在于，包括以下步驟: 步驟一，選取完好無損的獼猴桃膨大果和非膨大果作為樣本； 步驟二，調試好高光譜圖像采集系統(tǒng)的各項參數(shù)，采集獼猴桃樣品的高光譜圖像，并對采集的獼猴桃高光譜圖像進行黑白校正； 步驟三，為了保證圖像中僅有獼猴桃樣本信息，構建掩膜以去除背景，進而求取獼猴桃果實區(qū)域中所有采樣點下光譜的平均值，然后對光譜進行預處理； 步驟四，劃分獼猴桃樣本，得到校正集與預測集； 步驟五，對獼猴桃光譜數(shù)據(jù)進行降維； 步驟六，利用校正集樣本建立獼猴桃膨大果識別模型，利用獼猴桃校正集和預測集樣本分別檢驗模型對獼猴桃膨大果的正確識別率。
2.根據(jù)權利要求1所述的一種基于高光譜成像技術的獼猴桃膨大果無損檢測方法，其特征在于，在步驟二中，獼猴桃高光譜圖像采集系統(tǒng)包括:CCD相機、光譜儀、鏡頭、光源、載物臺、電控傳送帶、暗箱、電機控制器、電機和計算機組成，完好無損的獼猴桃放在載物臺上。
3.根據(jù)權利要求1所述的一種基于高光譜成像技術的獼猴桃膨大果無損檢測方法，其特征在于，在步驟三中，基于閾值分割的方法構建掩膜以去除背景信息而使圖像中僅有獼猴桃。
4.根據(jù)權利要求1所述的一種基于高光譜成像技術的獼猴桃膨大果無損檢測方法，其特征在于，在步驟四中，校正集和預測集中均包含獼猴桃膨大果和非膨大果，且校正集和預測集中獼猴桃膨大果和非膨大果的數(shù)量分別大于預測集中獼猴桃膨大果和非膨大果的量。
5.根據(jù)權利要求1所述的一種基于高光譜成像技術的獼猴桃膨大果無損檢測方法，其特征在于，在所述步驟五中，可以通過選取光譜主成分或者提取光譜特征波長的方法實現(xiàn)獼猴桃光譜數(shù)據(jù)的降維。
6.根據(jù)權利要求1所述的一種基于高光譜成像技術的獼猴桃膨大果無損檢測方法，其特征在于，在所述步驟六中，分別采用線性和非線性建模方法建立識別膨大果的模型；通過對校正集與測試集中獼猴桃膨大果的正確識別率確定較優(yōu)的建模方法。
7.根據(jù)權利要求5或6所述的一種基于高光譜成像技術的獼猴桃膨大果無損檢測方法，其特征在于，分別建立不同的數(shù)據(jù)降維方法下識別獼猴桃膨大果的線性和非線性模型，并根據(jù)幾種組合下所建模型對校正集和預測集中獼猴桃膨大果的正確識別率確定最佳的建模方法。
8.根據(jù)權利要求1或2所述的一種基于高光譜成像技術的獼猴桃膨大果無損檢測方法，其特征在于，獼猴桃高光譜圖像采集系統(tǒng)中相機的曝光時間是10ms，載物臺的移動速度是20mm/s，C⑶相機鏡頭和載物臺之間的距離是65cm，光譜采集范圍為865.11-1711.71nm，光譜圖像的大小為320X250像素，光譜波段256個，光譜采樣間隔3.32nm ;用于光譜分析的有效范圍為941.47-1668.55 nm，含波段220個；光源為4個100W的漫反射型鹵素燈，均勻安裝在暗箱上部四個方位上。
【文檔編號】G01N21/25GK103822879SQ201410061719
【公開日】2014年5月28日 申請日期:2014年2月24日 優(yōu)先權日:2014年2月24日
【發(fā)明者】郭文川, 朱新華, 劉大洋, 遲茜, 王轉衛(wèi) 申請人:西北農林科技大學