葡萄干轮廓的图像检测方法研究
基于卷积神经网络的多尺度葡萄图像识别方法
Multi-scale grape image recognition method based on convolutional neural network
QIU Jinyi1'2, LUO Jun1'2*, LI Xiu3, JIA Wei1, NI Fuchuan1'2, FENG Hui1
1datafeaturesof15categoriesofgrapes种类拍摄数量扩增后数量拍摄时间拍摄地点比昂扣2861430201708武汉江夏夏黑7041412201708201808武汉江夏武汉蔡甸金手指5901180201708201808武汉江夏武汉蔡甸美人指4811443201808武汉蔡甸水晶葡萄1021122201708云南施甸摩尔多瓦611098201708云南施甸甬优一号9221226201708201808武汉江夏武汉蔡甸克伦生1531377201708云南施甸阳光玫瑰5231046201708201808武汉江夏武汉蔡甸巨玫瑰3131252201708武汉江夏香玉4981494201808武汉东西湖红提2801400201808武汉蔡甸红地球3971588201808武汉蔡甸黑珍珠5311062201808武汉东西湖赤霞珠5481096201808武汉蔡甸总计638919226本数据集的复杂度在于
such as depth of field changes and multiple strings in the grape images. Grape recognition is ineffective due to the limitations of single pretreatment method. The research objects were 15 kinds of natural scene grape images collected in the greenhouse, and the corresponding image dataset Vitis-15 was established. Aiming at the large intra-class differences and small inter-class o£ differences grape images, a multi-scale grape image recognition method based on Convolutional Neural Network (CNN) was proposed. Firstly, the data in Vitis-15 dataset were pre-processed by three methods, including the image rotating based data augmentation method, central cropping based multi-scale image method and data fusion method of the above two. Then, transfer learning method and convolution neural network method were adopted to realiize the classification and recognition. The Inception V3 network model pre-trained on ImageNet was selected for transfer learning, and three types of models — AlexNet, ResNet and Inception V3 were selected for convolution neural network. The multi-scale image data fusion classification model MS-EAlexNet was proposed, which was suitable for Vitis-15. Experimental results show that with the same learning rate on the same test dataset, compared with the augmentation and multi-scale image method, the data fusion method improves nearly 1 % testing accuracy on MS-EAlexNet model with 99. 92% accuracy, meanwhile the proposed method has higher efficiency in classifying small saissn. 1001-9081.2019040594
基于高光谱图像技术的水果品质检测的若干问题研究的开题报告
基于高光谱图像技术的水果品质检测的若干问题研究的开题报告一、研究背景水果作为人们日常生活中重要的食品之一，其品质的好坏直接关系到消费者的健康和满意度。
传统的水果品质检测主要依靠人工经验和观察。
但这种方法存在不可避免的主观性，而且检测效率低下，无法满足大规模生产的需求。
高光谱图像技术是一种新兴的无损检测方法，可以获取物体的大量光谱信息，对物体进行全面、准确的质量评估。
近年来，高光谱图像技术在农产品品质检测领域得到广泛应用，成为解决传统检测方法缺陷的有效手段。
二、研究目的本研究旨在探索基于高光谱图像技术的水果品质检测方法，研究如何利用高光谱图像技术提取水果的特征信息，建立水果品质检测模型，实现自动化检测，提高检测效率和准确性。
三、研究内容1. 研究高光谱图像技术在水果品质检测中的应用原理和方法；2. 建立基于高光谱图像技术的水果品质检测模型，采用经典算法和深度学习等方法进行特征提取和分类；3. 实验验证所建立的水果品质检测模型的准确性和可靠性；4. 分析不同因素对水果品质检测结果的影响，探讨如何进一步提高检测效率和灵敏度。
四、研究意义本研究探索基于高光谱图像技术的水果品质检测方法，具有以下意义：1. 提高了水果品质检测的准确性和效率，为水果质量监测提供了新的手段和思路；2. 推广了高光谱图像技术在农业领域的应用，为农业智能化发展做出了贡献；3. 为消费者提供更加安全、健康的水果产品，促进健康中国战略的实施。
五、研究方法本研究采用文献调研和实验验证相结合的方法进行，具体步骤如下：1. 对高光谱图像技术在农业领域的基础理论和应用现状进行全面调研和综述；2. 收集水果品质检测相关数据，采用高光谱图像技术进行数据处理和特征提取；3. 采用传统算法和深度学习方法建立水果品质检测模型，进行实验验证；4. 分析实验结果，总结经验教训，提出可行性方案和改进建议。
六、研究计划本研究计划于2022年开始，历时两年完成。
基于多光谱图像的水果外观品质检测方法研究解读
浙江大学硕士学位论文基于多光谱图像的水果外观品质检测方法研究姓名：叶昱程申请学位级别：硕士专业：机械设计及理论指导教师：应义斌20050301硕士学位论文摘要利用计算机视觉和图像处理技术对水果进行品质无损检测和自动分级过程中，果梗、花萼部分容易和碰伤、腐烂等常见表面缺陷混淆，从而被误判而引起分级错误。
本文主要针对这种情况，研究了碰伤、腐烂等常见表面缺陷的检测方法，并对果梗和花萼的识别进行了研究，主要研究内容和研究成果如下：ｌ、综述了利用计算机视觉技术和多光谱图像技术进行水果品质检测和自动分级的国内外研究进展，并指出了国内外同类研究中所存在的问题。
２、建立并完善了适合本研究的多光谱图像系统。
该系统由光照箱、８吏ＴＬ５１４Ｗ／８４０ＨＥ荧光灯、ＨＵＢＢＡ－ＩＩＩ黑白数字ＣＣＤ摄像头、滤光片支架、滤光片、ＭｅｔｅｏｒＩＩ／ＭＣ图像采集卡及ＡＤＶＡＮＴＥＣＨＩＮＤＵＳＴＲＩＡＬＣＯＭＰＵＴＥＲ６１０工控机组成。
３、进行了苹果的分光反射特性实验，采用美国分析光谱仪器公司（ＡｎａｌｙｔｉｃａｌＳｐｅｃｔｒａｌＤｅｖｉｃｅｓ）生产的ＦｉｅｌｄＳｐｅｃ＠ＨａｎｄＨｅｌｄ光谱分析仪进行。
通过该实验测定苹果的完好、碰伤、腐烂、果梗和花萼等不同表面组织的光谱反射特性曲线，进而可以得出区分不同表面组织的波段，然后选择合适的滤光片，有利于水果分级精度的提高。
４、根据ＲＧＢ颜色模型理论，把在４８０ｎｍ＋＿１０ｎｍ、５３０ｎｍ＿＿＋１０ｎｍ、６３０ｎｍ＿】０ｎｍ和８３０ｎｍ＿＋１０ｒｉｍ四个波段下所采集到的图像区域分别用Ｂ、Ｇ、Ｒ和Ｉ表示，然后作为ＲＧＢ颜色模型中的各个分量进行叠加，分别得到ＲＧＢ、ＲＧＩ、ＧＢｌ和ＲＧＢＩ四神多光谱图像。
从碰伤和腐烂等常见表面缺陷的识别结果可以看出：利用Ｒ、Ｇ、Ｂ、１单色图像和ＲＧＢ、ＲＧＩ、ＧＢＩ、ＲＧＢＩ多光谱图像进行分级时。
对完好表面的识别率分别为７５％、７８．３％、５５％、５１．７％、９５％、１００％、９６．７％、９８．３％，而对有缺陷表面的识别率分别为７５．８％、７３．３％、５３３％、４３．３％、９７．５％、９６．７％、９１．７％、９５．８％。
葡萄内部品质的高光谱成像检测研究
葡萄内部品质的高光谱成像检测研究葡萄内部品质的高光谱成像检测研究摘要：近年来，随着农业科技的进步和人们对食品安全的关注度逐渐提高，葡萄品质检测成为了一个备受关注的研究领域。
本文通过引入高光谱成像技术，系统研究了对葡萄内部各种成分进行非破坏检测的方法和技术，为葡萄品质检测提供了新的思路和手段。
1. 引言葡萄是一种重要的经济作物，也是人们日常饮食中常见的水果之一。
其丰富的营养价值和独特的口感使其备受欢迎。
然而，葡萄的品质受到多种因素的影响，如种植环境、栽培管理、气候条件等。
因此，对葡萄的品质进行准确评估和检测具有重要意义。
2. 葡萄内部品质的成分及检测方法葡萄内部的品质主要包括糖分含量、酸度、多酚、维生素等成分。
传统的葡萄品质检测方法主要采用化学分析的方法，如高效液相色谱、气相色谱等。
然而，这些方法需要对葡萄进行破坏性采样，且操作复杂，限制了其在实际生产中的应用。
3. 高光谱成像技术高光谱成像技术是一种利用大量连续的谱线进行成像的技术。
其利用物体不同成分对光谱的吸收、反射和散射特性进行成像，能够提取出物体的大量信息。
高光谱成像技术在农业领域的应用已逐渐得到重视，对于作物的生长状态、病虫害检测等方面有着重要作用。
4. 葡萄内部品质的高光谱成像检测研究为了研究葡萄内部品质的高光谱成像检测方法，我们选择了一批葡萄样本进行实验。
首先，我们利用高光谱成像设备对葡萄进行成像，获取了葡萄不同位置的高光谱图像。
然后，我们利用光谱分析和数据处理技术提取出葡萄中不同成分的光谱特征，并构建了相应的检测模型。
最后，我们通过对比实验结果和化学分析结果，验证了高光谱成像检测方法的有效性和准确性。
5. 结果与讨论实验结果表明，利用高光谱成像技术可以准确、非破坏性地检测葡萄内部的各种成分。
通过对比分析不同位置的高光谱图像，我们可以发现不同位置的葡萄中成分含量存在差异。
而且，通过对光谱特征进行分析，我们还可以了解到不同成分之间的相互关系。
葡萄图像检测技术研究进展
园艺学现代农业科技圆园20年第12期葡萄是常见的水果之一,通常有鲜食、酿酒和制葡萄干3种食用方式。
葡萄的根和藤可药用,能起到安胎和止呕的作用[1-3]。
葡萄作为我国重要的果树之一,现已在栽培方式、葡萄品质和产量方面取得了很大的突破,逐步跻身于世界葡萄生产大国[4]。
虽然取得了长足的进步,但我国葡萄栽培仍存在诸多问题,葡萄检测主要通过人工进行,时间长,成本高,并且分析结果具有不可靠性。
人工测量通常需要在良好的静态测量条件下进行,得到的数据集往往会产生较大误差,很难对作物生长状况进行精准判断,致使不能及时对葡萄生长过程中出现的问题施行相应的措施,导致我国葡萄品质与世界先进水平相比仍存在一定的差距。
随着计算机技术和精准农业的发展,图像技术已被广泛应用于葡萄检测中。
计算机图像能够代替人眼快速、准确地进行检测分析。
在葡萄生长发育过程中,根据成像技术实时监测生长数据并及时采取相应的措施,同时可以对葡萄的产量进行精准预测,还可自动对葡萄品质分级,这对确保葡萄的品质与产量有重要作用[5]。
了解国内外研究进展,对促进我国葡萄精准栽培和提高葡萄产量具有重要意义。
本文主要对葡萄图像检测技术的研究进展进行综述,并提出了不足以及未来的展望,以期为图像处理在葡萄检测中的应用提供参考。
1葡萄叶片特性图像检测1.1叶片病害图像检测葡萄种植过程中存在密度小、面积大的问题,这种种植模式加速了病害的传播,且不利于病害防治。
对病害进行准确检测和识别,有利于对症下药,保证葡萄健康生长。
传统的病害识别和检测主要是通过有经验的果农在田间进行,该方式周期长、效率低,识别中人为主观意识产生的误差也较大[6]。
图像处理的应用有效解决了上述问题。
乔虹[7]提出了一种基于深度学习动态监测葡萄叶片病害的方法,运用Faster R-CNN 算法对葡萄叶片进行检测,然后采用改进卡尔曼滤波法进行跟踪,以此获取葡萄叶片的正面图像;文章中还提出了一种新的跟踪方法,解决了由于叶片遮挡导致跟踪失败的问题,并且还可以实现多叶片的跟踪。
基于形态学图像处理的重叠葡萄果径无损测量
第２５卷第９期３５６２００９年９月农业工程学报ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣＳＡＥ、，０１．２５Ｎｏ．９Ｓｅｐ．２００９基于形态学图像处理的重叠葡萄果径无损测量曾庆兵１，刘成良１，苗玉彬１，王世平２，黄丹枫２（１．上海交通大学机械与动力工程学院，上海２００２４０；２．上海交通大学农业与生物学院，上海２００２４０）摘要：葡萄果实尺寸变化能用来评价葡萄生长及诊断植株水分亏损状况。
为实现重叠葡萄果实尺寸的非接触和精确测量，该文提出基于数学形态学的重叠葡萄果实直径测量方法，该方法首先通过内外对象标记消除图像中存在的伪极小值点，再对去除伪极小值点后图像进行分水岭变换得到目标果实的精准轮廓，从而依据目标果实区域计算果实当量直径。
试验和现场应用表明，该方法具有好的定位精度，能为葡萄果实直径测量提供精确的轮廓信息：测量系统具有非接触和高精度等优点，测量的重复精度可达±９／ｔｍ，为葡萄生长规律研究及葡萄缺水诊断提供了参考。
关键词：计算机视觉，图像处理，图像分析，生长监测，分水岭ｄｏｉ：１０．３９６９ａ．ｉｓｓｎ．１００２—６８１９．２００９．０９．０６３中图分类号：ＴＰ３９１．４１文献标识码：Ａ文章编号：１００２—６８１９（２００９）一９一０３５６—０５曾庆兵，刘成良，苗玉彬，等．基于形态学图像处理的重叠葡萄果径无损测量［Ｊ］．农业工程学报，２００９，２５（９）：３５６－－３６０．ＺｅｎｇＱｉｎｇｂｉｎｇ，ＬｉｕＣｈｅｎｇｌｉａｎｇ，ＭｉａｏＹｕｂｉｎ，ｅｔａ１．Ｎｏｎ－ｄｅｓｔｒｕｃｔｉｖｅｍｅａｓｕｒｅｍｅｎｔｏｆｄｉａｍｅｔｅｒｏｆｏｖｅｒｌａｐｐｉｎｇｇｒａｐｅｆｒｕｉｔｂａｓｅｄｍｏｒｐｈｏｌｏｇｉｃａｌｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣＳＡＥ，２００９，２５（９）：３５６－－３６０．（ｉｎＣｈｉｎｅｓｅ、ⅣｉｔｈＥｎｇｌｉｓｈａｂｓ仃ａｃ００引言植物果实生长受水分、光照、温度等环境因子的影响。
红外光谱法快速鉴别葡萄干、红枣和枸杞中酸性染料
ｏ ｆ ａ ｃ ｉ ｄ ｄ ｙ ｅ ｓ ，ｉ ｔ ｉ ｓ ｃ ｏ ｎ ｉ ｆ ｒ ｍｅ ｄ ｔ ｈ ａ ｔ ｈｅ ｔ ｃ ｈ ｒａ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｐ ｅ ａ ｋ ｒｏ ａ ｕ ｎ ｄ １ ３ ３ ０ ｃ ｍ 、１ ２ ０ ０ ｃ ｍ ｗａ ｖ ｅ ｎ ｕ ｍｂ ｅ ｒ ｓ（ Ｏ ＝ Ｓ ＝ Ｏ ｓ ｕ ｌ ｆ ｏ ｇ ｒ ｏ ｕ ｐ ） ，Ｃ — Ｏ— Ｃ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｐ ｅ ａ ｋ ａ ｒ ｏ ｕ ｎ ｄ １ ４ １ ０ ｃ ｍ一 ｗａ ｖ ｅ ｎ ｕ ｍｂ ｅ ｒ ａ ｎ ｄ Ｏ— Ｈ ｓ ｔ ｒ ｅ ｔ ｃ ｈ ｖ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ ａ ｂ ｓ ｏ ｒ ｐ ｔ ｉ ｏ ｎ ｐ ｅ ａ ｋ
（ １ ． Ｚ ｈ ｕ ｈ ａ ｉ Ｌ ａ ｂ ｆ ｙ Ｔ ｅ ｃ ｈ ｎ ｉ ｃ ａ ｌ Ｓ ｅ ｒ ｖ ｉ ｃ ｅ ｓ Ｃ ｏ ． ，Ｌ ｔ ｄ ． ，Ｚ ｈ ｕ ｈ ａ ｉ ５ １ ９ ０ ０ ０ ，
２ ． Ｘｉ ｎ ｊ ｉ ａ ｎ ｇ Ｅ ｎ ｔ ｒ ｙ — ｅ ｘ ｉ ｔ Ｉ ｎ ｓ ｐ ｅ ｃ ｔ ｉ ｏ ｎ ａ ｎ ｄ Ｑｕ ａ ｒ ａ ｎ ｔ ｉ ｎ ｅ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ Ｃ ｅ ｎ ｔ ｅ ｒ ，Ｕ ｒ ｕ ｍｃ ｈ ｉ ８ ３ ０ ０ ６ ３ ）
ａ ｎ ａ ｌ ｙ ｚ ｅ ｄ ａ ｎ ｄ ｃ ｏ ｍｐ ｒｅ ａ ｄ ｔ ｈ ｅ ｓ ｐ ｅ ｃ ｔ ｒ ｏ ｇ ｒ ｍ ａ ｏ ｆ ｄ ｒ ｉ ｅ ｄ ｆ ｕｉ ｒ ｔ ｓ ｗｈ ｉ ｃ ｈ ｄ ｙ ｅ ｄ ｗｉ ｔ ｈ ａ ｃ ｉ ｄ ｄ ｙ ｅ ｓ ｂ ｅ ｆ ｏ ｒ ｅ ｎｄ ａ ａ ｆ ｔ ｅ ｒ ａ ｎ ｄ ｓ ｐ ｅ ｃ ｒ ｔ ｏ ｇ ｒ ａ ｍ
葡萄干彩色图像的背景分割研究
为后期进一 步精确地进行 图像特征检 测做准备 。因 此 ，如何准确 、有效地进行 背景分割 ，对 后期的 图 像 处理 有 重 要 的 意义 。
１ 图 像 的 获取
图像获取设 备如 图 １所示 。照 明室 为直 径为
５ ０＝ 的 封 闭式 圆筒 形 照 明 室 ，其 顶 部 开 有 直 径 为 ８＝
可 以提高检测的准确性 、科学性 和客观性 ，同时可 以提高检测效率。 计算机图像 处理 技术主要通 过提取葡萄干相关 特 征 向量 进 行定 量 描 述 ，确 定 葡 萄 干 等 级 。对 葡 萄 干图像信息进行 有效的分解 ，获取 葡萄干的形状 、 大 小 、颜 色 等 信 息是 葡 萄 干 特 征 提 取 的 关 键 ，而 图 像分割是图像 特征 提取 的基础 。图像 分割是把 图像
维普资讯
２０ ０ ６年 ６月
农 机 化 研 究
第 ６期
葡 萄 干 彩 色 图像 的 背 景 分 割 研 究
刘 小 英 ‘ 东 健 ，何 ，张 健。
（ 西北农林科技大学 ａ 机械与 电子工程学院 ；ｂ 信息工程学 院 ，陕西 杨凌 ７ ２ ０ ） ． ． １ １０
２０ ０ ６年 ６月
农 机 化 研 究
第 ６期
３ 运 用 改进 的 迭 代 算 法 确 定 最 佳 阈 值
阈值 的选择恰 当与否对分割的效果起着决定性 的作用 。图像 的灰度直方 图是 图像各像素灰度值的
一
（） Ｒ 、绿 （） Ｇ 、蓝 （） 个颜 色通道表示 ，而各个通道 Ｂ３ 的图像 都为灰度 图像 。为此 首先计算 出 Ｒ， Ｇ， 通 Ｂ 道的灰 度直方 图数据 ；然后依据上述迭 代算法 获取 最佳 阈值 ， ， 最 后在 ３ 瓦； 颜色分置 图像 中做如
葡萄干轮廓的图像检测方法研究
+ 0. 114B ( i, j )
( 1)
式中: Y - 为经过灰度转换后的图像在点 ( i , j ) 处的 灰度值; R ( i , j ) 、 G ( i , j )、 B ( i , j ) - 分别为转 换前的彩色图像在点 ( i , j ) 处的红、 绿、 蓝亮度值。
I m age D etect ing M ethod of R a isin’s Con tou r
1, 2 33 4 1 L IU X iao - y ing , HE D ong - j ian , ZHANG J ian , L I J iao
(1. Colleg e of M echan ica l and E lectron ic E ng ineering , N orthw est A & F U n iversity , Y ang ling , S haanx i 712100, Ch ina; 2. P anz h ihua U n iversity
3. 2 最佳阈值分割与形态学运算相结合的轮廓提
图 2 原始图像及中值滤波后的图像
F ig. 1 O rig inal im age and the im age after m ed ian filters
取新方法 鉴于经典的边缘检测算子难以得到满意的轮廓 提取结果, 本文提出一种最佳阈值分割与形态学运 算相结合的轮廓提取新方法。 研究首先通过判别分 析法的快速算法[ 5 ] 判定最佳阈值, 进行图像二值化, 然后对二值化图像进行腐蚀运算, 最后, 用原始二值 化图像减去腐蚀后的图像, 得到葡萄干图像的真实 边缘。
X ( S = {x S + x Α X }
激发-发射荧光矩阵光谱结合多维辩别分析用于葡萄干分类研究
第38卷，第4期 光谱学与光谱分析Vo<38，No.4，p p l l53-1158 2 0 18年 4 月Spectroscopy and Spectral A nalysis A p ril，2018激发-发射荧光矩阵光谱结合多维辩别分析用于葡萄干分类研究胡乐乾，马帅，尹春玲，刘志敏河南工业大学化学化工学院，河南郑州450001摘要葡萄干因其种类繁杂，产地来源多，制作工艺多样，导致品质各异。
因此需要建立能够科学、准确的鉴别葡萄干种类、产地、品质的分析方法，以确保葡萄干产品质量、保护消费者利益、规范葡萄干商品市场。
该实验基于葡萄干中富含多种荧光物质，以甲醇为萃取剂，应用微波提取法，结合三维荧光光谱技术，在激发波长300〜700 n m，发射波长360〜720 n m范围，获取三维荧光矩阵数据，应用多维主成分分析(M-P C A)，多维偏最小二乘辨别分析（N-PL S-D A)和平行因子算法一偏最小二乘辨别分析（P A R A F A C-PL S-D A)等多维模式识别方法，对三种主色为绿色、两种主色为红色的五个不同种类的葡萄干进了分类研究！M-P C A研究结果显示不同种类的葡萄干存在聚类趋势，而N-PL S-D A和P A R A F A C-PL S-D A则给出了比较满意的分类结果。
相对而言，由于P A R A F A C-PL S-D A是基于P A R A F A C分解得到浓度得分结果基础之上进行的分类，去除了不相干的冗余信息，因此取得了 100D准确的分类结果。
两种算法的品质因子比较结果也说明基于荧光光谱法和多维模式识别技术相结合的分析技术可以很好的用于葡萄干种类的识别研究，并有望用于葡萄干质量等级识别及产地追溯。
关键词葡萄干（三维荧光（多维模式识别（品质因子中图分类号$0657.3 文献标识码：A D O I：10. 3964/j.issn. 1000-0593(2018)04-1153-07引言葡萄干是指将葡萄通过阳光曝晒、自然晾干或人工烘干制得的衍生食品。
基于图像处理和光谱分析技术的水果品质快速无损检测方法研究
基于图像处理和光谱分析技术的水果品质快速无损检测方法研究基于图像处理和光谱分析技术的水果品质快速无损检测方法研究随着人们对食品安全和食品品质要求的提高，对水果品质的快速无损检测方法的需求也日益增加。
传统的水果品质检测方法存在着操作复杂、耗时耗力和无法实现在线检测等问题。
而基于图像处理和光谱分析技术的水果品质快速无损检测方法能够提高水果品质的检测效率和准确性，适应了现代农产品质量检测的需求。
本文主要介绍了基于图像处理和光谱分析技术的水果品质快速无损检测方法的研究现状和发展趋势，包括图像采集、图像处理和光谱分析的原理及其在水果品质检测中的应用。
首先，图像采集是基于图像处理的水果品质快速无损检测的重要环节。
通过选择合适的图像采集设备，如高分辨率相机或光谱仪，可以获取水果的外观图像或光谱信息。
水果外观图像包括水果的颜色、形状、大小等特征，而水果光谱信息可以反映水果的内部成分和质量特性。
其次，图像处理是实现水果品质快速无损检测的关键步骤之一。
通过使用各种图像处理算法，如边缘检测、颜色特征提取、纹理分析等，可以对水果外观图像进行特征提取和分析。
这些图像处理算法可以帮助识别水果的瑕疵、病虫害或变质情况，从而评估水果的品质。
最后，光谱分析技术是水果品质快速无损检测的另一个重要方向。
光谱分析可以通过测量水果在不同波长下的反射或透射光谱，来获取水果的化学成分和生理状态信息。
常用的光谱分析技术包括近红外光谱、红外光谱和紫外光谱等。
通过分析水果的光谱数据，可以实现对水果成熟度、糖度、酸度等质量指标的无损检测。
基于图像处理和光谱分析技术的水果品质快速无损检测方法在实际应用中具有广泛的前景和潜力。
它可以大大提高水果品质检测的效率和准确性，减少品质评估过程中的主观因素，并且对水果的外观特征和质量指标进行全面而准确的评估。
然而，目前该领域还存在一些挑战和问题，如复杂的图像处理算法的设计和优化、光谱数据的获取和处理等。
此外，不同水果种类和不同品种的水果也需要针对性地开发适用的检测模型和算法。
葡萄干的傅里叶变换红外光谱鉴别研究
第４０卷，第１０期 光谱学与光谱分析Ｖｏｌ．４０，Ｎｏ．１ ０，ｐｐ６ ３－６ ４２ ０ ２ ０年１ ０月 Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ Ｏｃｔｏｂｅｒ，２０２０ 葡萄干的傅里叶变换红外光谱鉴别研究魏巧燕１，欧全宏１，时有明２，刘 刚１＊１．云南师范大学物理与电子信息学院，云南昆明 ６５０５００２．曲靖师范学院物理与电子工程学院，云南曲靖 ６５５０１１摘 要 利用傅里叶变换红外光谱（ＦＴＩＲ）结合二维相关红外光谱（２Ｄ－ＩＲ）对不同种类葡萄干进行鉴别研究。
结果显示５个种类的原始光谱图整体相似，光谱主要由糖类峰构成；二维相关红外光谱结果显示在９６０～１ １００ｃｍ－１范围内不同种类葡萄干自动峰数目及强度存在显著差异。
结果表明，ＦＴＩＲ结合２Ｄ－ＩＲ能够有效鉴别不同种类葡萄干。
关键词 葡萄干；傅里叶变换红外光谱（ＦＴＩＲ）；二维相关红外光谱（２Ｄ－ＩＲ）文献标识码：Ａ 文章编号：１０００－０５９３（２０２０）１０－００６３－０２ 收稿日期：２０２０－０３－３０，修订日期：２０２０－０７－１０ 基金项目：国家自然科学基金项目（３１７６０３４１），云南省高校科技创新团队支持计划项目资助 作者简介：魏巧燕，１９９５年生，云南师范大学物理与电子信息学院硕士研究生＊通讯联系人 ｅ－ｍａｉｌ：ｇｌｉｕ６６＠１６３．ｃｏｍ 葡萄干是一种世界性的干果产品，因其口味酸甜，营养丰富，深受人们欢迎［１］。
中医认为葡萄具有“补血强智利筋骨，健胃生津除烦渴，益气逐水利小便，滋肾益肝好脸色”的功效，平常多吃葡萄，可以缓解手脚冰冷、腰痛、贫血等现象，提高免疫力。
葡萄中大部分营养在葡萄干中被浓缩。
葡萄干蕴含有不少能降胆固醇的成分，而且其含水量较低，约１７％，糖和铁含量均相对增加，是儿童、妇女和体虚贫血者的滋补佳品。
随着近年来人们越来越重视天然食品的营养与健康功效，葡萄干必将具备良好的开发应用前景［１］。
葡萄干图像长短轴快速检测算法
葡萄干图像长短轴快速检测算法
刘小英;张健
【期刊名称】《安徽农业科学》
【年(卷),期】2008(036)026
【摘要】特征提取是葡萄干等级检测的基础,该文在研究极惯性矩计算长短轴方法的基础上,提出一种利用数值微分法进行长短轴检测的新方法.试验证明,该方法不但能够快速提取长短轴特征,而且能够检测出长短轴位置,且具有旋转不变性.
【总页数】3页(P11482-11483,11509)
【作者】刘小英;张健
【作者单位】攀枝花学院计算机学院,四川攀枝花617000;攀枝花学院工程技术学院,四川攀枝花617000
【正文语种】中文
【中图分类】S126
【相关文献】
1.基于积分图像的快速ACCA-CFAR SAR图像目标检测算法 [J], 顾丹丹;许小剑
2.低频快速切比雪夫矩的篡改图像检测算法 [J], 郑佳雯; 张威虎
3.单幅光学遥感图像中深灰色飞机的快速检测算法 [J], 黄世奇;蒲学文;张玉成;罗鹏
4.单幅光学遥感图像中深灰色飞机的快速检测算法 [J], 黄世奇;蒲学文;张玉成;罗鹏
5.四旋翼飞行器自主巡线图像快速检测算法研究 [J], 冯新宇;王贺磊;蒋洪波
因版权原因，仅展示原文概要，查看原文内容请购买。
葡萄干轮廓的图像检测方法研究
葡萄干轮廓的图像检测方法研究
刘小英;何东健;张健;李姣
【期刊名称】《西北林学院学报》
【年(卷),期】2006(021)005
【摘要】葡萄干的轮廓检测是葡萄干其他特征提取的基础,研究通过与经典的边缘检测算子检测轮廓的方法进行比较分析,提出了最佳阈值分割与形态学运算相结合的轮廓提取新方法,实验证明,该方法能够有效的提取葡萄干的轮廓特征,为后期图像的分析打下了基础.
【总页数】4页(P189-192)
【作者】刘小英;何东健;张健;李姣
【作者单位】西北农林科技大学,机械与电子工程学院,陕西,杨陵,712100;攀枝花学院,计算机学院,四川,攀枝花,671000;西北农林科技大学信息工程学院,陕西,杨
陵,712100;攀枝花学院工程技术学院,四川,攀枝花,671000;西北农林科技大学,机械与电子工程学院,陕西,杨陵,712100
【正文语种】中文
【中图分类】S663.1
【相关文献】
1.基于改进梯度向量流动态轮廓模型的图像检测 [J], 胡鹏博;刘晓利;白宏阳
2.基于人工神经网络与VPMCD的葡萄干等级检测方法研究 [J], 刘小英;张健;杨蜀秦
3.基于小波变换的物体轮廓缺陷图像检测研究 [J], 张先叶;李亚强
4.用品味葡萄干的方法研究学生 [J], 赵坡
5.数学形态学与主动轮廓模型的托槽焊膏图像检测算法 [J], 石玲玉; 程玉柱; 刘军; 马原卉; 黄元; 王皖君
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1 0
2 0
1 0
- 1 - 2 - 1
图 3 Sobel 算子模板
F ig. 3 Sobel algo rithm m odel
3. 1. 3 P rew it t 边缘检测算子 与Sobel 算子相同,
图 1 图像获取设备
F ig. 1 Equ ipm en t of getting im age
α
萄干等级的一个重要指标, 如何快速准确的提取葡 萄干的外形轮廓是进行葡萄干等级评定的一个重要 环节。
1 图像的获取
图像获取设备如图 1 所示。照明室为直径为 580
mm 的封闭式圆筒形照明室, 其顶部开有直径为 65 mm 的圆孔, 内壁涂成白色, 6 个 60 W 的装饰灯泡
对称安装于照明室底部。 为避免背景光反射造成的 光干扰, 载样台以白色绘图纸作为背景, 葡萄干单 层、 均匀平铺在载样台上。采用COOL P IX4500 数码 相机进行图像获取, 获取图像为 24 位真彩色图像, 图像大小为 640×480 像素。
收稿日期: 2005212212 修回日期: 2006201206 作者简介: 刘小英 (1980- ) , 女, 新疆昌吉人, 硕士, 研究方向: 图像分析与识别。 3 通讯作者: 何东健 (19572) , 男, 陕西西乡人, 博士, 教授, 主要从事图像分析与识别、 智能化检测与控制、 基于网络的计算机应用等研究。
1 ) 统计类分布参数时, 先统计整个图像的灰度
[6 ]
1 0
f (x , y ) < T f (x < y ) ≥ T
( 7)
图 6 是阈值分割后的图像。 结果表明, 采用 T = 115 阈值, 能取得较好的二值化效果。
图 6 二值化图像。
F ig. 6 B inalization im age
3. 2. 2 采用形态学算子进行轮廓提取 经过图像
分割, 原灰度图像变成二值图像, 二值图像的轮廓提 取算法比较简单, 就是掏空内部点: 如果原图中有一 点为黑, 且它的 8 个相邻点都是黑色时 ( 此时该点是 内部点) , 则将该点删除[ 3 ]。 经过这样的算法处理后, 得到的就是葡萄干的轮廓。 腐蚀在形态学运算中的作用是消除物体边界 点。 如果用结构元素取 3×3 的黑点块, 腐蚀将使物 体的边界沿周边减少 1 个像素。那么, 如果用原始二 值图像减去用 3×3 结构元素腐蚀过的图像, 将会得 到宽度为 1 个像素的物体的边缘轮廓[ 7 ]。 设 X 为原始二值图像, S 为 3 × 3 结构元素, X 被 S 腐蚀的数学表达式为式:
3. 2 最佳阈值分割与形态学运算相结合的轮廓提
图 2 原始图像及中值滤波后的图像
F ig. 1 O rig inal im age and the im age after m ed ian filters
取新方法 鉴于经典的边缘检测算子难以得到满意的轮廓 提取结果, 本文提出一种最佳阈值分割与形态学运 算相结合的轮廓提取新方法。 研究首先通过判别分 析法的快速算法[ 5 ] 判定最佳阈值, 进行图像二值化, 然后对二值化图像进行腐蚀运算, 最后, 用原始二值 化图像减去腐蚀后的图像, 得到葡萄干图像的真实 边缘。
葡萄干不但营养价值丰富, 而且美味可口, 是我 国干制果品中的名优产品。 目前, 葡萄干的等级检测 主要依据其外观、 气味、 色泽、 杂质、 水分、 含糖量等 方面进行综合评价, 外观检测主要依靠目视比较法, 这种方法主观性强, 受人为的影响较大, 存在一定 程度的不精确性。 利用计算机图像处理技术替代人 眼进行等级的外观测定, 在一定程度上可以提高检 测的准确性、科学性和客观性, 同时可以提高检测 效率。 计算机图像处理技术主要是通过提取葡萄干 相关特征向量进行定量描述 , 确定葡萄干的等级。 葡萄干的外观检验主要看葡萄干的色泽粒形, 匀整 及洁净程度, 边缘轮廓是组成物体外形的一个重要 部分[ 1 ] , 所以, 葡萄干的外形轮廓自然成为影响葡
I m age D etect ing M ethod of R a isin’s Con tou r
1, 2 33 4 1 L IU X iao - y ing , HE D ong - j ian , ZHANG J ian , L I J iao
(1. Colleg e of M echan ica l and E lectron ic E ng ineering , N orthw est A & F U n iversity , Y ang ling , S haanx i 712100, Ch ina; 2. P anz h ihua U n iversity
X ( S = {x S + x Α X }
直方图, 设灰度直方图数组为 pB uffer[L ], 则由灰度 级 k 分成的 2 个类的零阶及一阶矩分别为: Ξ ( ϑ) =
Abstract: Con tou r detect ing is the ba sis fo r ob ta in ing the o ther cha racters of ra isin s, com p a red w ith the conven t iona l edge detect ion a lgo rithm , a new a lgo rithm con st itu ted op t im a l th resho ld segm en ta t ion and m o rp ho logy a lgo rithm w a s in t roduced. Exp erim en t s Show ed the new a lgo rithm cou ld efficien t ly ob ta in the . con tou r of the ra isin s, and la id the founda t ion fo r the im age ana lysis in the la t ter step s Key words: im age p rocessing; th resho ld; b ina liza t ion; con tou r; ero sion
1 2 1 0 0 0 - 1 - 2 1
+ 0. 114B ( i, j )
( 1)
式中: Y - 为经过灰度转换后的图像在点 ( i , j ) 处的 灰度值; R ( i , j ) 、 G ( i , j )、 B ( i , j ) - 分别为转 换前的彩色图像在点 ( i , j ) 处的红、 绿、 蓝亮度值。
Y ( i , j ) = 0. 299R ( i , j ) + 0. 587 ( i , j )
[2 ]
[
f (x , y ) -
2 f ( x + 1, y + 1) ] + }
( 2)
3. 1. 2 Sobel 边缘检测算子 Sobel 算子是滤波算
子的形式, 用于提取边缘。图像中的每个点都用图 3 所示的 2 个模板做卷积, 第一个模板对垂直边缘影 响最大; 第二个模板对水平边缘影响最大。2 个卷积 的最大值作为该点的输出[ 4 ]。
图像中的每个点都用图4 所示的2 个模板做卷积分, 并且取最大值作为输出, 结果是一幅边缘幅度的图 像[ 4 ]。
1 0 1 0 1 - 0
为提高图像质量, 便于后期的处理, 需要对图像 进行平滑去噪。 中值滤波是一种非线性信号处理方 法, 这种方法在抑止随机噪声的同时能有效的保护 边缘少受模糊。 通过比较分析, 研究选用 5×5 中值 滤波器对图像进行平滑, 得到较好的处理效果, 图 2 为转化后的灰度图像及中值滤波后的图像。
摘 要: 葡萄干的轮廓检测是葡萄干其他特征提取的基础, 研究通过与经典的边缘检测算子检 测轮廓的方法进行比较分析, 提出了最佳阈值分割与形态学运算相结合的轮廓提取新方法, 实 验证明, 该方法能够有效的提取葡萄干的轮廓特征, 为后期图像的分析打下了基础。 关键词: 图像处理; 阈值; 二值化; 轮廓; 腐蚀 中图分类号: S663. 1 文献标识码: A 文章编号: 100127461 ( 2006) 0520189204
西北林学院学报 2006, 21 ( 5) : 189 ～ 192 Jou rna l of N o rthw est Fo restry U n iversity
葡萄干轮廓的图像检测方法研究
α
刘小英1, 2 , 何东健33 , 张 健4 , 李 姣1
(1. 西北农林科技大学 机械与电子工程学院, 陕西 杨陵 712100; 2. 攀枝花学院 计算机学院, 四川 攀枝花 671000; 3. 西北农林科技大学 信息工程学院, 陕西 杨陵 712100; 4. 攀枝花学院 工程技术学院, 四川攀枝花 671000)
3 轮廓检测的算法比较与研究
3. 1 采用经典的边缘检测算子进行轮廓提取
对于中值滤波后的灰度图像, 研究首先考虑采 用几种经典的边缘检测算子进行轮廓提取。
3. 1. 1 Robert s 边缘检测算子 Robert s 边缘检测
算子是一种利用局部差分算子寻找边缘的算子, 它
第5 期
刘小英等 葡萄干轮廓的图像检测方法研究
Com p u ter D ep a rtm en t, P anz h ihua , S ichuan 671000, Ch ina; 3. Colleg e of Inf orm a tion and E ng ineering , N orthw est A & F U n iversity , Y ang ling , S haanx i 712100, Ch ina; 4. P anz h ihua U n iversity E ng ineering ” T echn ica l Colleg e, P anz h ihua , S ichuan 671000, Ch ina )