高光谱成像的猕猴桃形状特征检测

发布时间：2021-10-10 16:25

　　猕猴桃形状特征是猕猴桃在产后分级处理过程的一项重要指标,不仅影响果实外观,也决定果实等级高低的划分。传统的形状分级方法大多采用人工分级,存在耗时长、效率低、重复性差且易受人为主观影响等问题。针对传统猕猴桃形状分级存在的问题,研究利用高光谱成像建立猕猴桃正常果和畸形果的分类检测方法。以成熟期的248个金魁猕猴桃（正常果107个,畸形果141个）作为研究样本,先利用可见-近红外高光谱成像系统采集猕猴桃样本的光谱数据,再采用主成分分析法对光谱数据进行降维,得到第一主成分图像。随后提取第一主成分图像的3个特征波长（682, 809和858 nm）,并对其进行融合计算,生成新的光谱图像（融合图像）。然后利用四叉树分解算法对融合图像进行分割处理,并计算掩膜图像所对应的12组形状特征参数,结合偏最小二乘线性判别分析（PLS-LDA）、反向传播神经网络（BPNN）、最小二乘支持向量机（LSSVM）建立判别模型,对比分析,最终得到猕猴桃形状特征的最佳分类模型。结果表明,所建立的三种分类模型中, BPNN和LSSVM模型的分类效果较好,总体分类准确率均在95%以上; PLS-LDA的效果略差,训练集和测试... 

【文章来源】：光谱学与光谱分析. 2020,40(08)北大核心EISCICSCD

【文章页数】：7 页

【部分图文】：

购买的猕猴桃样品

高光谱图像采集系统如图2所示。 该系统主要由1台CMOS照相机(Photonfocus, Switzerland), 1台行扫描光谱摄制仪(Spectrograph V10E), 2个250 W的光纤卤素灯(ALPHA-1501, 21 V/250 W Halogen Tugsten Lamp)和一套光学移动平台(由步进电机控制的载物台)等部件组成。 为防止采集的图像受噪声和杂散光的干扰, 将其他硬件设备(除电脑外)全放置暗箱中。 图像采集范围是400～1 000 nm, 光谱分辨率约为1 nm, 曝光时间40 ms。 光谱采集软件为Spectral Cube(Spectral Imaging Ltd. , Finland)。2 高光谱图像处理及数据处理

图3显示了猕猴桃第一主成分(PC-1)图像的光谱权重系数, 根据波峰、 波谷等特征位置得到3个特征波长(682, 809和858 nm), 在图上已标明。 利用3个特征波长, 对原始图像进行加权计算, 融合成一个和PC-1很接近的图像。 图4显示了波长为800 nm的原始图像及由PC-1的融合图像, 对比可看出, 融合图像[图4(b)]前景和背景差异性较大, 猕猴桃区域亮度更高, 边界更清晰, 便于处理。图4 单波长和特征波长下灰度图像的对比

【参考文献】：
期刊论文
[1]基于机器视觉的产地脏污鸭蛋外形扁平度在线检测[J]. 王巧华,芦茜,马美湖,段宇飞,王彩云.  中国食品学报. 2017(05)
[2]基于果萼图像的猕猴桃果实夜间识别方法[J]. 傅隆生,孙世鹏,Vázquez-Arellano Manuel,李石峰,李瑞,崔永杰.  农业工程学报. 2017(02)
[3]近红外光谱联合CARS-PLS-LDA的山茶油检测[J]. 孙通,吴宜青,许朋,温珍才,胡田,刘木华.  核农学报. 2015(05)
[4]猕猴桃自动分级设备设计与试验[J]. 左兴健,武广伟.  农业机械学报. 2014(S1)



本文编号：3428734