高光谱成像技术无损检测水果缺陷的研究进展

水果缺陷无损检测是水果分级的重要依据。随着图像技术与光谱信息的发展、高光谱成像系统硬件成本的下降和性能的提升,高光谱成像技术在水果缺陷无损检测方面获得了越来越多的应用。为了能充分利用最新研究成果,从高光谱成像技术在水果的缺陷无损检测方面,综述了水果损伤、病害、虫害等缺陷无损检测的研究进展,并对其发展方向进行了展望。     

基于高光谱成像技术的柑橘缺陷无损检测

应用高光谱成像技术无损检测柑橘的缺陷。选取蒂腐、黑斑、褐腐、结痂缺陷果和正常果各30个,提取并分析了5类果皮感兴趣区域光谱曲线并结合主成分分析法确定2个最佳波长(615nm和680nm),然后基于特征波长作主成分分析,选取第2主成分作为分类识别图像,提出采用特征波长主成分分析法与波段比算法相结合的方法,识别率达到94%。试验结果表明,高光谱成像技术可以有效地对带有蒂腐、黑斑、褐腐、结痂缺陷的柑橘进行分类识别。     

高光谱成像技术在水果无损检测中的应用

高光谱成像技术结合了光谱学和成像技术的主要优势,可以同时获得一个样本的空间分布及物理和化学性能,是水果无损检测的发展趋势。为此,主要介绍了高光谱成像原理、装置、数据处理方法,以及国内外水果内外品质无损检测的应用,并对高光谱成像技术在水果无损检测中的不足及未来趋势进行了分析。     

高光谱成像技术在水果多品质无损检测中的应用

简介高光谱成像系统的原理及优势,综述国内外高光谱技术在水果内部和外部品质检测方面的应用,分析其在相关检测中存在的主要不足,展望其未来发展方向,为提高高光谱成像技术在水果多品质无损检测中的检测准确性提供参考。     

高光谱成像技术在水果品质无损检测中的研究现状

高光谱成像技术能实现"图谱合一",被广泛应用于各种水果的品质检测.为了深入了解高光谱成像技术在水果品质检测中的应用研究,介绍了高光谱成像技术的基本原理与数据处理方法以及高光谱成像技术在水果品质检测的进展,讨论了高光谱成像技术在水果品质检测中的发展趋势及存在的不足.     

农产品无损检测中高光谱成像技术的应用研究

高光谱成像技术集成了计算机成像技术和光谱技术的优势,能够在连续空间内同时获得被测物的光谱信息和图像信息,可对农产品内外部品质进行可视化研究.尽管高光谱成像技术起源于高空遥感,但近几年仍以高效快速的检测分析方法出现在农产品无损检测领域,成为该领域重要研究方向.为此,对高光谱成像技术的原理特点以及其成像技术在农产品无损检测中应用的最新研究进展进行了综述,分析总结了国内外高光谱成像技术在农产品品质无损检测发展中存在的问题以及应用前景,以期该技术在我国农产品品质无损检测领域中发挥更大的作用.     

高光谱成像结合模式识别无损检测猕猴桃成熟度

为实现“贵长”猕猴桃成熟度的快速无损检测,提出高光谱成像结合模式识别建立识别模型的检测方法。首先利用可见/近红外(390～1 030 nm)高光谱成像系统采集不同成熟阶段猕猴桃样本的高光谱图像,并获取整个样本区域的光谱反射率。然后对比3种光谱预处理方法：二阶导数、标准正态变换以及多元散射校正对原始光谱的预处理效果。最后分析偏最小二乘判别分析(PLS-DA)和简化的K最近邻(SKNN)模式识别方法对猕猴桃成熟度的识别性能。结果表明：相对于标准正态变换和多元散射校正两种光谱预处理方法,二阶导数预处理方法对原始光谱的预处理效果相对较好。另外,PLS-DA识别模型对猕猴桃成熟度的识别性能要优于SKNN识别模型,其正确识别率达到100%。表明采用高光谱成像技术结合模式识别方法判别“贵长”猕猴桃成熟度是可行的。     

基于高光谱成像技术的面条中马铃薯全粉含量检测

为了快速检测面条中马铃薯全粉含量,研究近红外高光谱成像技术定量检测面条中马铃薯全粉含量的可能性,自制了马铃薯全粉质量分数在0~35%内随机均匀分布的120个面条样品,在900~2500nm范围采集高光谱图像,随机选取80个样品作为校正集,分别采用原始光谱和经过6种预处理方法预处理后的光谱建立了偏最小二乘回归、主成分回归、支持向量机回归模型。结果表明经标准化预处理后用偏最小二乘回归建模效果最好,校正集决定系数（R2C）为0.8653,交叉验证集决定系数（R2CV）为0.6914。用回归系数法在经过标准化预处理后的光谱数据中提取了与全粉含量相关的特征波长,建立了马铃薯全粉含量偏最小二乘回归简化模型, 校正集决定系数（R2C）为0.8685,交叉验证集决定系数（R2CV）为0.8021,基于特征波长建立的模型效果优于全波段模型,模型效果得到了一定的提高。以剩余40个未参与校正模型建立的样品作为预测集,基于特征波长建立了标准化-偏最小二乘回归简化预测模型,预测集决定系数（R2P）为0.8546,模型具有较好的预测能力。结果表明利用近红外高光谱成像技术可检测面条中马铃薯全粉含量,可为马铃薯全粉面条的快速无损检测建立新的方法。     

基于高光谱成像的油茶籽含油率检测方法

为了快速准确地检测油茶籽含油率、解决传统检测手段费时费力等问题,提出了一种基于高光谱成像技术的油茶籽含油率检测方法.应用光谱集I (400～1000nm)和光谱集Ⅱ(900 ～1700 nm)两组高光谱成像系统采集油茶籽的漫反射高光谱图像,并结合化学计量学方法建立油茶籽含油率的回归预测模型.结果 显示,在不经预处理的情...     

基于深度学习与高光谱成像的蓝莓果蝇虫害无损检测

针对蓝莓果蝇虫害分类识别存在效率低、准确度差等问题,采用深度学习方法对采集的蓝莓高光谱图像进行数据处理与分析,以实现蓝莓果蝇虫害的无损检测。首先蓝莓高光谱图像采用PCA进行降维,优选数据集PC2与PC3并进行拼接得到最佳数据集PC23,对数据集中图像进行旋转90°、旋转180°、模糊、高亮、低亮、镜像和高斯噪声共7种增强操作,使各数据集容量扩增为原始容量的18倍。然后采用VGG16、InceptionV3与ResNet50深度学习模型对蓝莓果蝇虫害图像进行检测,均取得了较高的识别准确率。其中ResNet50模型效率最高,且ResNet50模型的准确率最高,达到92.92%,损失率最低,仅有3.08%,因此ResNet50模型在蓝莓果蝇虫害无损检测方面整体识别效果最佳。为了进一步提高蓝莓果蝇虫害无损检测性能,从ECA注意力模块、Focal Loss损失函数与Mish激活函数3方面对ResNet50模型进行了改进,构建了改进的im-ResNet50模型。得出im-ResNet50模型识别准确率达95.69%,损失率为1.52%。试验结果表明, im-ResNet50模型有效提升了蓝莓果蝇虫害识别能力。采用Grad-CAM分析了im-ResNet50模型可解释性,能够快速、准确地无损检测蓝莓果蝇虫害。     

壶瓶枣自然损伤的高光谱成像检测

采用高光谱成像技术(450~1 000 nm)对壶瓶枣的5种自然损伤(缩果病、裂纹、虫害、黑斑病、鸟啄伤)进行识别研究。利用高光谱成像系统采集了5种自然损伤及完好枣一共663个壶瓶枣样本的高光谱图像,并提取相应的感兴趣区域(ROI),得到了样本的光谱数据。应用偏最小二乘回归(PLSR)、连续投影算法(SPA)从全波段中分别提取了9条、10条特征波长,利用Kennard-Stone算法将各类样本按照3∶1的比例随机分成训练集(500个)和测试集(163个),并对其建立最小二乘支持向量机(LS-SVM)判别模型,结果表明使用SPA-LS-SVM建立的壶瓶枣自然损伤模型的整体判别正确识别率为93.2%。运用主成分分析(PCA)对由SPA提取出的10条特征波长(535、595、657、672、685、749、826、898、964、999 nm)所对应的单波段图像进行数据压缩,分别采用Sobel算子、区域生长算法Regiongrow并结合主成分图像识别出163个壶瓶枣样本的边缘与自然损伤特征区域,得出平均正确识别率达到90.8%。研究结果表明:采用高光谱成像技术可以对壶瓶枣的自然损伤进行光谱判别和图像识别。     

农产品品质检测系统的高光谱成像控制软件设计

利用VS2010与Matlab混合编程方法设计了用于农产品品质指标检测的高光谱成像在线检测系统的控制分析软件,包括仪器参数设置模块、信号检测与控制模块和数据采集与分析模块,完成了图像采集、图像合成、运动控制、数据提取分析及存储、显示功能。该控制分析软件设计提高了高光谱成像技术应用的实用化,实现了对农产品品质指标的无损、实时、快速检测分析。     

基于高光谱成像技术的苹果内外品质同时检测

结合高光谱图像处理和光谱分析方法,通过一次图像扫描同时对苹果的表面摔伤和糖分含量进行检测。苹果第一主成分图像与794nm的图像相减后进行去噪和阈值分割处理,摔伤检测的准确率为92.6%。对感兴趣区域的反射光谱曲线进行多元散射校正、一阶导数和SG平滑处理后利用偏最小二乘回归方法建立糖分含量的预测模型,校正集相关系数Rc为0.93,SEC为0.47°Brix,验证集相关系数Rv为0.92,SEV 为0.67°Brix。结果表明：利用高光谱成像技术可以实现苹果内部品质和外部品质的同时检测。     

苹果糖度高光谱图像可视化预测的光强度校正方法

针对类球形水果表面曲率变化引起高光谱图像光响应强度差异较大,难以有效预测各部位的品质信息的问题,以富士苹果为研究对象,对高光谱图像进行黑白标定后,以糖度测试部位为感兴趣区域提取平均光谱并建立糖度的定量预测模型,校正集相关系数Rc为0.930 5,校正均方根误差RMSEC为0.433 1;高光谱图像经构建掩模消除样本背景噪声后,提出了高光谱图像光强度校正方法,比较校正前后的高光谱图像能量分布图可以发现光强度得到有效补偿,对校正后的高光谱图像标记空间信息并提取对应光谱,用已建立的苹果糖度模型计算各像素点对应的糖度值,绘制苹果糖度的伪彩色分布图。研究结果表明,高光谱图像经强度校正可以快速无损的预测苹果的糖度及其分布。     

农畜产品品质无损检测中高光谱图像技术的应用进展

高光谱图像技术结合了计算机图像与光谱技术两者的优点,是农畜产品品质检测技术的发展趋势。阐述了农畜产品品质检测中高光谱图像技术的硬件组成和图像的获取方法。介绍了高光谱图像技术在农畜产品品质检测中的应用现状以及数据处理方法,重点分析了不均匀二次差分算法和独立分量分析算法。对高光谱图像技术应用于农畜产品品质检测的技术发展提出了建议。     

不同储存时间和取样部位牛肉颜色的高光谱图像检测

为了探讨高光谱图像技术对不同储存时间和取样部位的牛肉颜色检测的可行性,采集具有代表性的牛肉后腿、里脊和背脊共82个牛肉样品的高光谱图像,并测量其亮度、红度、黄度和饱和度等颜色参数.选取感兴趣区域获取样品代表性光谱,通过选择适宜的谱区范围和预处理方法,建立并评价了预测各颜色参数的偏最小二乘校正模型.对于亮度、红度、黄度和饱和度,校正集的相关系数分别为0.80、0.91、0.91和0.93,校正标准差分别为2.23、1.18、0.82和1.12,预测集的相关系数分别为0.92、0.88、0.87和0.89,预测标准差分别为1.66、1.45、0.80和1.27.研究结果表明,高光谱图像技术可用于快速无损检测不同储存时间下、不同部位的牛肉颜色.     

基于高光谱成像的绿皮马铃薯检测方法

针对任意放置姿态下的轻微绿皮马铃薯难以检测的问题,进行了半透射与反射高光谱成像方式的不同检测方法比较研究,最终确定较优高光谱成像方式的检测方法。分别以半透射与反射高光谱成像方式对图像维提取RGB、HSV和Lab空间颜色信息,并采用等距映射、最大方差展开、拉普拉斯特征映射进行图像信息降维;分别以半透射与反射高光谱成像方式对光谱维提取感兴趣区域的平均光谱数据,并采用局部保持投影、局部切空间排列、局部线性协调进行光谱信息降维;然后分别建立不同高光谱成像方式下的图像与光谱信息的深度信念网络模型;对识别率良好的模型采用多源信息融合技术进一步优化,并建立基于图像和光谱融合或不同成像方式融合的模型。结果表明,基于半透射和反射高光谱的光谱信息融合模型最优,校正集和测试集识别率均达到100%,可实现轻微绿皮马铃薯的无损检测。     

基于高光谱成像技术的生菜冠层含水率检测

为实现作物含水率的无损检测,以6种水分胁迫水平的生菜为研究对象,利用高光谱成像技术和特征波长选取方法对生菜冠层含水率进行检测研究。采用掩模法去除高光谱图像的背景噪声,并对生菜冠层光谱图像进行光强校正。利用标准正态变量变换法(SNV)去除原始平均光谱数据的噪声,采用蒙特卡罗无信息变量消除法(MCUVE)剔除无关变量,结合基于最小绝对收缩和选择算法(LASSO)、连续投影法(SPA)、LASSO与SPA算法组合(LASSO SPA)筛选特征变量,对数据进行降维处理,采用偏最小二乘法(PLS)建立5个生菜冠层含水率检测模型。经对比发现,全光谱中存在很多冗余信息变量和无关变量,采用全光谱建立的PLS模型复杂度最高,且预测能力最差;以MCUVE LASSO SPA筛选变量后的PLS模型效果最优,其中建模集相关系数R c和预测集相关系数R p分别为0.8827和0.9015,均方根误差分别为1.0662和0.9287。择优选取MCUVE LASSO SPA PLS模型计算生菜冠层每个像素点的干基含水率,生成可视化分布图,实现了生菜冠层叶片干基含水率可视化检测。本研究可为生菜冠层含水率快速无损检测提供参考。