基于计算机视觉的花生霉变程度检测
计算机视觉技术在农产品品质检测中的应用
计算机视觉技术在农产品品质检测中的应用随着科技的发展和人们对生活品质要求的提高，农产品品质安全成为了人们越来越关注的问题。
传统的农产品品质检测依靠人工目测，操作繁琐，且易受主观因素影响，导致检测结果的准确性和一致性无法得到保障。
而计算机视觉技术的应用，为农产品品质检测带来了新的机遇，可以实现更为精确、高效和自动化的检测方式。
本文将就计算机视觉技术在农产品品质检测中的应用进行详细阐述。
计算机视觉技术是利用摄像机、图像处理器和计算机等设备对图像信息进行采集、处理和分析，通过对图像进行特征提取和比对，实现物体识别、分类、计数及定位等功能。
在农产品品质检测中，计算机视觉技术主要借助摄像机获取农产品的图像信息，通过图像识别和特征提取，对农产品的大小、形状、颜色、纹理等特征进行分析，从而实现对农产品品质的评估和检测。
2. 农产品内部质量检测对于一些农产品，其内部质量也是品质的重要指标之一，例如果肉的软硬程度、籽粒的完整性等。
通过计算机视觉技术，可以利用X射线、红外线等成像技术对农产品的内部结构进行非破坏性检测，实现对农产品内部质量的评估。
在果蔬类产品中，可以利用X射线成像技术对果实内部的籽粒结构、果肉软硬程度进行分析，从而实现对农产品内部质量的自动化检测。
3. 农产品瑕疵检测农产品在生长和采摘过程中，易受到病虫害的侵害，导致出现瑕疵和腐烂现象。
传统的瑕疵检测主要依靠人工目测，操作繁琐，易漏检漏判。
通过计算机视觉技术，可以实现对农产品表面的瑕疵和腐烂进行自动化的检测和识别。
在水果的表面瑕疵检测中，可以利用计算机视觉技术对果实表面的色斑、烂斑等瑕疵进行自动化的识别和分类，从而实现对农产品瑕疵的精确检测。
1. 高效性通过计算机视觉技术，可以实现对农产品品质的自动化检测和分析，大大提高了检测的效率和速度，减少了人工操作的繁琐性。
2. 准确性计算机视觉技术可以对农产品的外观、内部结构、瑕疵等进行精确的识别和分析，提高了检测结果的准确性和一致性。
计算机视觉技术在花生破损检测中的应用
像 增 强等 多种基 本 图像 处理 的 方法 对花 生破损 图像 进行 了处理 。其 次 ，对花 生 图像 进 行 了特征 分析 、 颜 色切 割 。然后根 据拍 摄 的花 生 图像 的像 素 之 比得 出破 损 率 。本 研 究方 法 不但 节省 了时 间和人 力 ．
且 提 高 了精 度 。
（ ａ ｔｕ Ｌｇ ｔ ｎ ｕｔ ｃｔ ｎｌ ｃｎｃ ｌｇ ，ＢａｔｕＩｎ ｒＭ ｏ ｇ ｈ ０ ４ ３ ， Ｃｈｎ ） Ｂ ｏｏ ｉｈ ｄ ｓｙＶｏ ａ ｏ ａ Ｔｅｈ ｉａ Ｃｏ ｅ ｅ Ｉ ｒ ｉ ｌ ｌ ｏｏ ｎ ｅ ｎ ｏ ａ １ ０ ５ ｉａ
Ａｂｓｒ ｃ ： Ｔｈｅ ｅ ｐ ｒｍ ｅ ｅ ｏ ｏ ｔａ ｔ ｘ ｅ ｉ ｎｔｕｓ ｆｃ ｍｐｕｅ ｉｕ ｌａ ｐ ｏ ｃ ｏ ｔ ｔ ｄ ｆｐｅｎｕ ａ ｇ ｄ．ｉｓ，ｗｅ ｓ ｕｄ ａ ｑ ｉｅ ｐ ａ ｔ ｉ ａ ｅ ｉ ｔｒｖｓ ａ ｐ ｒ ａ ｈ ｔ ｈｅ ｓｕ ｙ ｏ ａ ｔ ｄ ｍａ ｅ Ｆｒｔ ｓ ｈｏ ｌ ｃ ｕｒ ｅ ｎｕｓ ｍ ｇ ｓｕｓ ｎｇ ｉ ａ ｅ ｐ ｏ ｅｓｎ ｉ ｅ ｏ ａ，ｉ ｇ ｅ ａａ ｏｎ ｍ ａ ｅ ｎｈ ｎｃ ｍ ｅ ｔ ｎｄ ｍ ｎ ｔ ｒ ｂ ｓｃ ｍａ ｅ ｐｒ ｃ ｓｉ ｅ ｏ ｍ ｇ ｒ ｃ ｓｉｇ ｎｏｓ ｒｍ ｖ ｅ ｌ ｍａ ｅ ｓｐ ｒ ｔ ，ｉ ｇ ｅ ａ ｅ ｎ ，ａ ｉ ａ ｙ ｏｈｅ ａｉ ｉ ｇ ｏ ｅｓ ｎｇ ｍ ｔ ＆ ｔ ａ ｔ ｈ ｈ ｏ ｄｅ ｗｉｈ ｔ ｅ ｌ ｐ ａ ｔ ａ ａ ｅ ｍ ａ ｅ．Ｓ ｃ ｎ ｌ，ｔ ｅ ｉ ａ ｅ ｆｐ ａ ｔｐｒ ｆ ｇ ｏｏ ｒ ｅ ａａｉ ．Ｂａｅ ｎ ｔ ｅ ｐｘｅｓｏ ａ ｕｔ ｉ ｇ ｓｄ ａ ａ ｇ ｄ ｅ ｎｕ ｄ ｍ ｇ ｄ ｉ ｇ ｓ ｅ ｏ ｄｙ ｈ ｍ ｇ ｓｏ ｅ ｎｕ ｏ ｈｎ ，ｃ ｌｕ ｓｐ ｒｔ ｓ ｉ ｓ ｏｎ ｓｄ ｏ ｉ ｌ ｆｐｅ ｎ ｓ ｍ ｅ ｒｗｎ ｄ ｍａ ｅ ｈ ａ ｒｔｓ ａｅ．Ｔｅｔｎ ｆｐ ａ ｕｔ ｄ ｍ ａ ｅ ｎ ｔ ｅ ｐ ｓ ｂ ｒｉ ｃａ，ｔ ｅ ｒ ｓｌ ｕｓｄ ｎ ｕｅ ｃ ，ａ ｄ ｓ ｗ ｏｒｔ ｅ ｓ ｅ ａ ｄ ｅ ｏ ｔｏ ｅ ｎｕｓｂｒ ｓ ｇ ｏ ｅ ｎ ｓ ａ ｇ ｄ ｉ ａｔ ｙ ａｔｆ ｉｌ ｈ ｅｕｔｏｆｏ ｔｉｅ ｉ ｆ ｎ ｅ ｎ ｌ ｉ ｈ ｉ ｌ ｏ ｆ ａ ｈ ｌ ｎ ｘ ｒ ｆｐ ａ ｔ ｉ ｐ ｎｇ ｔｏ ｂｅ ｒ ｕ ｌ．Ｔｈ ｓｍ ｅｈ ｄ ｎｏ ｎｌ ｓｖ ｄ ｔ ｅａ ｄ ｍ ａ ｐ ｉ ｔ ｏ ｔｏ ｙ ａ ｅ ｉ ｎ ｎ ｏｗｅ ， ｎ ｍ ｐ ｏ ｅｔ ｅ ｐ ｅ ｉｉｎ． ｍ ｒ ａ ｄ ｉ ｒ ｖ ｈ ｒｃｓｏ Ｋ ｅ ｒ ｓ ｏ ｐ ｔｒｖｓｏ ｙ ｗｏ ｄ ：ｃ ｍ ｕ ｅ ｉ ｎ； ｕｔａ ｉ ｅ ； ｐ ａ ｔ ａ ａ ｅ ｉ ｌ ｖｏｌｔ ｅ ｎｕｓｄ ｍ ｇ ｄ ｒ
基于计算机视觉的植物病害检测与诊断系统
基于计算机视觉的植物病害检测与诊断系统植物病害是引起农作物减产、甚至死亡的主要因素之一。
及早检测和诊断植物病害对农业生产的保护具有重要意义。
然而，传统的植物病害检测方法通常需要人工操作，耗时耗力且容易受主观因素的影响。
随着计算机视觉技术的发展，基于计算机视觉的植物病害检测与诊断系统逐渐受到关注和应用。
基于计算机视觉的植物病害检测与诊断系统利用图像处理和机器学习的方法，通过对植物受感染部位的图像进行分析和识别，实现自动化的植物病害检测与诊断。
该系统一般包括图像采集、图像预处理、特征提取和分类识别等模块。
首先，图像采集是基于计算机视觉的植物病害检测与诊断系统的第一步。
利用高分辨率的数字相机或移动设备，可以轻松地获取植物受感染部位的图像。
为了提高图像质量，减少噪声，图像采集时应注意光照条件，选择清晰明亮的环境，并确保图像没有明显的失真。
其次，图像预处理是基于计算机视觉的植物病害检测与诊断系统的重要环节。
图像预处理主要包括图像去噪、图像增强、图像分割等步骤。
对于图像去噪，可以采用滤波器进行降噪处理，如中值滤波器、高斯滤波器等。
图像增强可以通过对比度增强、直方图均衡化等方法来实现。
而图像分割则是将图像分割为不同的区域，以便于后续的特征提取和分类识别。
然后，特征提取是基于计算机视觉的植物病害检测与诊断系统的关键步骤。
特征提取是从图像中提取出具有代表性的特征信息，用于后续的分类识别。
常用的特征提取方法包括颜色特征、纹理特征、形状特征等。
在颜色特征提取中，可以利用颜色直方图、色彩矩、颜色熵等进行描述。
在纹理特征提取中，可以使用灰度共生矩阵、小波变换等进行描述。
而形状特征提取则可以利用边缘检测、轮廓提取等方法进行描述。
最后，分类识别是基于计算机视觉的植物病害检测与诊断系统的核心任务。
利用机器学习算法和已标注的样本数据集，可以构建分类模型，对植物病害进行识别和分类。
常用的机器学习算法包括支持向量机、随机森林、卷积神经网络等。
计算机视觉技术在农产品品质检测中的应用
计算机视觉技术在农产品品质检测中的应用
随着科技的发展，计算机视觉技术已经在各个领域得到了广泛的应用，其中就包括农产品品质检测。
农产品的品质检测一直是很重要的一项工作，如何让检测更加高效准确也是农业发展中的一个难题。
而计算机视觉技术的出现就可以解决这个问题。
计算机视觉技术可以把数码图像转化成数据，利用图像处理和分析的方法来判断图像中目标的一些特性，包括大小、形态、颜色等。
在农产品品质检测中，计算机视觉技术可以帮助农民和检测人员找出一些问题，比如寄生虫、细菌、枯萎、变质等，以便及时采取措施避免延误时间或者危害食品安全。
在水果和蔬菜的检测中，计算机视觉可以通过图像识别、分割和分类技术将他们按照大小、颜色、肉质和外观等特性进行分类。
通过这些特性，可以判断农产品的等级，不仅可以省时省力，还可以保证检测的准确性，使各个品种的农产品质量得到统一认证。
同时，计算机视觉技术在农产品的外观和内部质量检测中也可以发挥作用。
在外观检测中，机器通过对农产品外观的快速分析，可以判断出是否有病虫害、是否有机械损伤、是否正常成熟等问题。
在内部质量检测中，计算机视觉可以通过扫描图像来检测采样点的质量，如硫化程度、酸度、糖度等，以此判断农产品的品质水平，以此维护消费者的健康权益，保证农产品的品质和安全。
总体来说，计算机视觉技术的广泛应用，使得农产品品质检测的速度和精度都得到了显著提高，并且可以大量减轻人工的工作压力。
基于计算机视觉技术的农产品品质检测，还可以通过依赖大数据、人工智能和云服务等技术，来更好地发挥其优势。
相信在不久的将来，这方面的技术将会更加智能化和成熟化，为农业的发展和食品安全的保障贡献更大的力量。
基于几何和色度学特征识别的花生视觉选种方法
第42卷第5期2021年5月中国农机化学报Journal of Chinese Agricultural MechanizationVol.42No.5May.2021DOI：10.13733/j.jcam.issn.2095-5553.2021.05.13基于几何和色度学特征识别的花生视觉选种方法"王雪晴!郑福来！赵换丽(平顶山学院电气与机械工程学院，河南平顶山$67000)摘要：花生选种要求花生粒完好、个大、颗粒饱满&为减少花生选种的工作量，该研究以花生粒为研究对象,建立花生选种的视觉识别方法&该方法首先采集图像并对图像进行视觉处理，根据训练样本图像建立基于几何和色度学的项目特征库；再根据采集的待选种子花生图像，对比特征库测试待选种子花生的2个重要几何特征参数面积和圆度，来识别粒大饱满种子花生；以及测试其色度学特征参数，区分完好、破损和霉变花生，从而识别能够选做种子的花生&通过识别测试，该研究的花生视觉选种识别率达到93.3%，能够满足选种要求，该花生视觉选种方法可应用于花生自动选种装置&关键词：花生；选种；视觉识别；色度学特征;几何特征；图像处理中图分类号：S24文献标识码:A文章编号：2095-5553(2021)05-0094-06王雪晴$郑福来$赵换丽’基于几何和色度学特征识别的花生视觉选种方法［J,中国农机化学报$2021,42(5)：94-99 Wang Xueqing,Zheng Fulai,Zhao Huanli.Visual seed selection method for peanut based on geometric and chromaticity feature recognition［J,Journal of Chinese Agricultural Mechanization,2021,42(5)：94—990引言亚洲是花生的主要产出区，中国的是全球最大的花生出产国，总产量连年高居世界首位花生油作为我国主要食用油之一，霉变花生会产生的毒性和致癌性最强的黄曲霉毒⑵。
计算机视觉技术在农作物病害检测中的应用研究
计算机视觉技术在农作物病害检测中的应用研究摘要：随着现代农业的发展，农作物病害的防治变得越来越重要。
传统的农作物病害检测方法存在着效率低、准确性差等问题。
而计算机视觉技术作为一种非接触式、快速、准确的检测方法，逐渐得到了广泛应用。
本文主要研究计算机视觉技术在农作物病害检测中的应用情况和未来发展趋势。
引言：农作物病害对农业生产和食品安全造成了严重影响。
传统的农作物病害检测方法主要依赖人工目测，效率低、准确性差，且容易受主观因素影响。
而计算机视觉技术的出现为农作物病害检测提供了一种新的解决方案。
一、计算机视觉技术在农作物病害检测中的应用1.图像采集与处理计算机视觉技术的核心是图像采集和处理。
通过使用高分辨率的摄像设备对农作物进行拍摄，获取高质量的图像。
随后，利用图像处理算法，对图像进行预处理，去除噪声、锐化图像等。
2.特征提取与分类在经过图像处理之后，需要对农作物病害进行特征提取和分类。
常见的特征提取方法包括形态学分析、纹理分析、颜色分析等。
通过这些特征提取方法，可以从图像中提取出病害的特征。
3.病害识别与检测特征提取之后，需要进行病害的识别和检测。
常见的识别方法包括基于规则的识别和基于机器学习的识别。
基于规则的识别依赖于专家知识，需要手动定义规则。
而基于机器学习的识别则利用已有的病害样本数据进行训练，建立分类模型。
二、计算机视觉技术在农作物病害检测中的优势1.非接触式检测传统的农作物病害检测方法通常需要人工接触作物，容易造成交叉感染。
而计算机视觉技术通过图像采集和处理，实现了非接触式检测，避免了交叉感染的风险。
2.快速高效计算机视觉技术能够对大量的作物图像进行快速处理和分析，大大提高了病害检测效率。
同时，与传统的人工目测相比，计算机视觉技术在准确性上也有显著的提升。
3.自动化计算机视觉技术能够实现自动化的农作物病害检测，减少了人工劳动力的消耗。
通过对大量农田进行自动监测，可以及时发现潜在的病害问题，采取相应的预防措施。
基于电子鼻的花生有害霉菌种类识别及侵染程度定量检测
摘
要 ：针对 花生霉变传统分析方法操作繁琐 、时效性差等 不足，该研究拟利用 电子鼻气体传感技术建立起花 生有 害霉
菌污染 的快速检测方法 。辐射灭菌花生籽粒分别接种 ５种谷物 中常 见有 害霉 菌 （ 黄曲霉 ３ ． １ ７ 、黄 曲霉 ３ ． ３ ９ ５ ０ 、寄生 曲霉 ３ ． ３ ９ ５ 、寄生 曲霉 ３ ． ０ １ ２ ４和赭 曲霉 ３ ． ６ ４ ８ ６ ） ，并 于 ２ ６℃、８ ０ ％相对湿度 条件下储藏 ９ ｄ至严重霉变 。利 用电子鼻气体传感 器获取不 同储藏 时期 （ ０ 、３ 、６ 、９ ｄ ）花生样 品的整体挥发 性气 味信 息。最后 ，结合多元统计分析方法对 电子 鼻传 感器 响应 信号进 行特征 提取 ，建立 了花 生 中有害霉 菌污染程 度 的定性定 量分析模 型 。结果显示 ，主成 分分析 法 （ ｐ ｒ ｉ ｎ ｃ ｉ ｐ ａ ｌ Ｃ ｏ ｍｐ ｏ ｎ ｅ ｎ ｔ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ，Ｐ Ｃ Ａ）可成功 区分不 同霉菌侵染程度 的花生样 品，线性判别分析 （ １ ｉ ｎ ｅ ａ ｒ ｄ ｉ ｓ ｃ ｒ ｉ ｍｉ ｎ ｎｔ ａ ｎａ ａ ｌ ｙ ｓ ｉ ｓ ，Ｌ Ｄ Ａ） 模型对样 品不 同储藏天数判别 的准确率均达到或接近 １ ０ ０ ％。花生 中菌落 总数 的偏 最小二乘 回归分析 （ ｐ ａ ｒ ｔ ｉ ａ ｌ ｌ ｅ ａ ｓ ｔ ｓ ｑ ｕ ａ ｒ ｅ ｓ ｒ ｅ ｇ ｒ ｅ ｓ ｓ ｉ ｏ ｎ ，Ｐ Ｌ Ｓ Ｒ）模型的预测决定系数和预测相对均方根误差分别达到 ０ ． ８ １ ４ ５和 ０ ￣ ２ ４ ４ ０ ｌ ｇ（ Ｃ Ｆ Ｕ ／ ｇ ） 。结果表 明，应用 电子鼻技术快速检测储藏 期间花生霉变状况具有一定可行性 ，可为利用气 味信 息实现粮食霉菌污染的在线监测提供理论
基于太赫兹衰减全反射技术的花生霉变程度判别
2019年4月农业机械学报第50卷第4期doi:10.6041/j.issn.1000⁃1298.2019.04.038基于太赫兹衰减全反射技术的花生霉变程度判别刘翠玲1,2 胡 莹1,2 吴静珠1,2 邢瑞芯1,2 王少敏1,2(1.北京工商大学计算机与信息工程学院,北京100048;2.北京工商大学食品安全大数据技术北京市重点实验室,北京100048)摘要:为了能够可靠㊁快速㊁便捷地检测花生仁不同程度的霉变,研究了一种基于太赫兹时域光谱技术㊁分别结合误差反向传播(Back propagation,BP)神经网络算法与支持向量机算法(Support vector machine,SVM)的霉变花生定性分析方法㊂为排除不同样本带来的偶然性,实验随机采集花育36号㊁鲁花9号两个花生品种进行霉变培养㊂依据花生的感官特征与前人的研究经验,将花生分为正常㊁轻度霉变㊁中度霉变与严重霉变4类,采用太赫兹衰减全反射技术采集花生仁样本光谱(波段0.3~3.6THz)㊂利用傅里叶变换方法对时域光谱信号进行频域变换并进行加窗处理,然后对所得频域信号进行光学常数吸光度与吸收系数的提取,得到样本的光学常数信号,并进行特征波段筛选㊂在此基础上分别建立BP 神经网络定性分析模型与SVM 定性分析模型㊂实验表明,BP 神经网络模型对花育36号花生霉变模型的预测集识别正确率为88.57%,对鲁花9号花生霉变模型的预测集识别正确率为91.40%;LibSVM 模型对两个品种花生霉变的二分类模型㊁3类霉变花生的三分类模型的预测集识别正确率均为100%㊂应用太赫兹时域光谱技术结合SVM 算法检测霉变花生仁效果良好,具有一定的可行性㊂关键词:霉变花生;太赫兹衰减全反射技术;误差反向传播神经网络;支持向量机;定性分析中图分类号:O657.3;TS207.3文献标识码:A文章编号:1000⁃1298(2019)04⁃0333⁃06收稿日期:20181015 修回日期:20181221基金项目:北京市自然科学基金项目(4182017)作者简介:刘翠玲(1963 ),女,教授,博士,主要从事智能测量技术与数据处理研究,E⁃mail:liucl@Discrimination of Peanut Mildew Degree Based on TerahertzAttenuated Total Reflection SpectroscopyLIU Cuiling 1,2 HU Ying 1,2 WU Jingzhu 1,2 XING Ruixin 1,2 WANG Shaomin 1,2(1.School of Computer and Information Engineering ,Beijing Technology and Business University ,Beijing 100048,China2.Beijing Key Laboratory of Big Data Technology for Food Safety ,Beijing Technology and Business University ,Beijing 100048,China )Abstract :In order to detect the different degrees of mildew of peanut kernels in an efficient,convenient and reliable way,a qualitative analysis method of mildew peanut based on back propagation(BP)neural network algorithm and support vector machine based on Terahertz (THz)time⁃domain spectroscopy was studied.In order to eliminate the contingency brought by different peanut samples,two peanut varieties,Huayu 36and Luhua 9,were randomly collected for mildew culture.According to the sensory characteristics of peanut and the existing research foundation,the peanut samples were divided into four categories:normal,mild mildew,moderate mildew and severe mildew.The spectrum of peanut kernel samples (band 0.3~3.6THz)was collected by THz total reflection.The Fourier transform method was used to perform frequency domain transformation on the time domain spectral signal and window processing.Then the optical constant absorbance and absorption coefficient of the obtained frequency domain signal were extracted,and the optical constant signal of the sample was obtained and the characteristic band was screened.On this basis,BP neural network qualitative analysis model and SVM qualitative analysis model were established respectively.Experiment results showed that the BP neural network model had a prediction set recognition rate of 88.57%for the Huayu 36peanut mold model,and the prediction set recognition rate of the Luhua 9peanut model was 91.40%;the Lib SVM model for two varieties of peanut mold whether or not the two⁃class model,the three⁃class model of the three types of mildew peanuts had a prediction set recognition rate of 100%.It was shown that the application of Terahertz time⁃domain spectroscopy combined with BP neural network algorithm and SVM algorithm had agood effect on detecting mildewed peanut kernels.Key words:mildew peanut;THz attenuation total reflection technique;back propagation neural network;support vector machine;qualitative analysis0 引言花生富含大量的蛋白质㊁脂肪㊁糖类以及钙㊁磷㊁铁矿物元素等,可直接食用或者进行烘培等后续加工后食用,已成为人们喜爱的休闲食品;同时花生也是食用油的重要原材料之一,丰厚的营养价值使花生成为人们生活中的必需品[1]㊂但收获后的花生在储藏期间易受到温㊁湿度的影响而引起花生霉变[2]㊂霉变花生极有可能含强致癌物质 黄曲霉素,快速识别并分离霉变花生可从源头上阻止其进入食物链,降低人类摄入黄曲霉素的风险[3]㊂因此,对花生的霉变检测尤为重要㊂目前,绝大多数花生生产企业,主要依靠人工观测判断花生是否发生霉变,该检测方法易受主观心理㊁视觉疲劳等因素影响[4]㊂在农业行业标准NY/T1068 2006和国标GB/T5494 2008中,规定了对于花生中霉素的检验,采用同位素稀释液相色谱串联质谱法㊁酶联免疫吸附法等检测方法㊂这些传统检测方法具有前处理复杂㊁费时费力,且易对样品造成破坏㊁产生二次污染等问题[5-6]㊂因此,亟需寻找一种可靠㊁快速㊁便捷的方法来检测花生仁的霉变程度㊂光谱检测技术具有绿色环保㊁耗时短㊁成本低㊁可靠性高的特点,弥补了传统理化检测方法的不足[7-9],近年来在食品检测领域发展较快㊂HIRANO 等[10]通过分析花生油脂短波近红外(700~1100nm)的透射比对表面良好㊁内部霉变的花生进行了检测,但该方法对样本具有破坏性,且油脂提取程序相对繁琐㊂LEE等[11]采用了拉曼光谱㊁近红外光谱技术(Near infrared,NIR)与中红外光谱技术(Mid infrared, MIR)3种光谱技术对玉米受黄曲霉毒素污染进行了对比分析,结果显示,拉曼光谱与MIR对玉米中黄曲霉毒素的预测精度优于NIR光谱技术㊂这些研究均表明,光谱技术在农产品的霉变检测领域取得了较好的研究进展[12-14]㊂新兴的太赫兹光谱技术与其他光谱技术相比,具有承载更多信息㊁能量低㊁不会对被检物质造成光电离破坏㊁并具有一定的穿透性等特点[15-17],在农产品检测领域具有巨大的潜力[18-19]㊂因此,本文采用太赫兹光谱技术中的衰减全反射方式进行光谱扫描,通过光谱预处理与变量优化后分别结合BP(误差反向传播)神经网络算法与支持向量机(Support vector machine,SVM)算法,建立不同霉变程度花生的定性分析模型㊂1 实验及方法1.1 材料与仪器材料:不同品种的带壳花生1000g(购于某种子公司)㊂主仪器:英国Tera View公司生产的TeraPulse 4000型太赫兹脉冲光谱仪,如图1a所示,可发射频率从60GHz到4THz(2~133cm-1)的太赫兹波,信噪比最高达到70dB㊂光谱采集部分选择入射角为35°的单晶硅衰减全发射(ATR)模块,工作范围为10~120cm-1(0.3~3.6THz)㊂辅助仪器:SPX80型智能生化培养箱,购自杭州硕联仪器有限公司,温度波动±0.5℃,如图1b所示㊂图1 实验仪器Fig.1 Experimental apparatus 1.2 实验方法实验选取的花生品种为花育36号;为排除不同品种给实验带来的偶然性,选取鲁花9号花生品种作为参考样本进行培育㊂两种花生品种样本共计80枚,大小㊁颜色均匀一致,吹扫干净㊂预留20枚视为正常花生样本,其余60枚作为发霉培育对象㊂花生在高温㊁高湿㊁封闭环境下最易发生霉变[20],因此实验时,按照水分与花生样本质量比0.2左右在花生壳表面均匀喷洒去离子水,并置于28℃的生化培养箱里培养㊂同时利用温湿度检测仪确保花生所处环境温度在28℃左右㊁相对湿度80%~90%㊂实验方案如表1所示㊂表1 样本培养方案Tab.1 Sample culture program参数轻度霉变中度霉变严重霉变培养时间/d246样本个数202020 将得到的轻度㊁中度㊁严重霉变花生样本作为实验待测样本,取出并放置于干燥㊁常温环境下1~433农 业 机 械 学 报 2019年2d㊂得到的花生样本外壳表面有明显皱缩㊁发黑,有斑点的现象;去壳后霉变样本如图2所示㊂图2 不同状态下的花生Fig.2 Peanuts in different states3类霉变花生样本表面皆有4mm 左右淡绿毛㊁白色块状斑点产生,颜色晦暗发黄,质地变软,肉眼较难区分㊂随机选取包括正常㊁轻度㊁中度㊁严重霉变花生仁各20粒,制作成厚度约1mm㊁尺寸约1cm ×1cm 的花生仁切片,样本共计80个㊂为防止花生仁发生氧化等反应,该操作应尽可能快速准确㊂实验环境温度始终保持在22℃㊂图3 部分霉变样本的时域光谱Fig.3 Time⁃domain spectra of some mildew samples1.3 光谱采集实验采集80个花生样本切片的ATR 光谱㊂确保ATR 晶体未放置样品并干净无污染,采集得到参考信号(Reference signal)后进行样本的数据采集㊂为确保样本和ATR 晶体之间光学接触良好,需拧紧压力螺钉,最大限度地提高吸光度[21]㊂ATR 采集参数设置为:分辨率0.94cm -1,每次快速扫描的平均次数为450㊂部分样本的原始太赫兹时域光谱如图3所示㊂从图中可以看出,由于空气中的水分干扰,样本信号的波形均存在较小抖动㊂此外,4种花生仁样本的脉冲波形相似,差异细微,说明了系统的稳定性;但不易直接通过太赫兹时域光谱进行不同程度霉变花生的有效鉴别,需要将采集得到的时域信号进一步处理,提取出更有效的光学常数并结合模式识别算法建立定性分析模型㊂2 结果与分析2.1 光谱预处理2.1.1 光学常数提取光学常数是表征物质宏观光学性质的重要物理量,同样也是太赫兹光谱分析中建模数据的来源[22]㊂通常情况下更多选用的光学常数是物质的吸光度与吸收系数㊂提取光学常数前,需要利用快速傅里叶变换(FFT)将参考信号和样本的时域光谱进行转换㊂在获得信号频域谱的过程中,为避免信号数据开头和结尾不连续造成信号频谱显示的失真,需对信号进行加窗处理,减少时域信号截断所带来的误差[23]㊂窗函数的种类多样,比如Boxcar 用于高分辨率,Blackman Harris 用于高信噪比,本文选择最常用的Happ Genzel,因为其兼顾了信噪比和分辨率㊂将得到样本信号与参考信号的对应频域信息作比后,利用所得比值函数的幅值ρ(ω)和相位φ(ω)信息计算得到所需的光学常数㊂样本的光学常数吸光度A (ϑ)与吸收系数α(ω)计算公式为A (ϑ)=2lg E 1(ϑ)E 0(ϑ)(1)α(ω)=2d ln4n (ω)ρ(ω)(n (ω)+1)2(2)其中n (ω)=1+φ(ω)c ωd(3)式中 E 0(ϑ) 入射的太赫兹波强度E 1(ϑ) 透过物质的太赫兹波强度d 样本的厚度ω 角频率ρ(ω) 比值函数的幅值φ(ω) 比值函数的相位n (ω) 样本的折射率c 太赫兹波在空气中的传播速度其中吸光度与吸收系数谱图如图4所示㊂2.1.2 光谱范围选取在10~120cm -1频域内,观察图4a 实验数据发现,随着频率的增加,样品吸光度整体呈现先上升后下降趋势,但无明显特征峰存在;而图4b 中所有样本的吸收系数光谱特征峰明显,所以本实验选择吸收系数作为建模数据㊂但吸收系数谱线整体呈差异较小㊁重叠度较高㊁难以分辨的特点㊂为了解决这个问题,进一步对每个类别的所有样本取平均处理㊂处理后可以发现在一定波段内正常样本与霉变样本的差异十分显著㊂图5a 为正常㊁严重霉变花育36号各自类别在5~44cm -1的平均533第4期 刘翠玲等:基于太赫兹衰减全反射技术的花生霉变程度判别图4 吸光度谱图和吸收系数谱图Fig.4 Absorption and absorbance spectra图5 平均吸收系数Fig.5 Average absorption coefficient 吸收系数,可以看到两条曲线相离甚远,并且随着频率增加,吸收系数越来越高㊂图5b为正常㊁严重霉变鲁花9号各自类别在0~50cm-1的平均吸收系数,同样两条曲线差异也是十分显著,为后期模型建立提供了可能性㊂2.2 建模及定性分析BP神经网络算法是当前工业领域应用较多的一种前馈式学习算法与反向传播算法的神经网络,可对样本进行有效分类,故采用BP神经网络进行不同霉变程度样本的分类处理;同时,为了探究处理此类数据更优的算法,尝试采用同样经典的SVM方法进行霉变样本分类的定性分析㊂支持向量机库Lib SVM,能够解决小样本情况下的机器学习问题,提高泛化能力,解决高维问题㊁非线性问题,适于处理光谱数据[24-25],故同时采用Lib SVM进行花生霉变程度鉴别模型的建立㊂2.2.1 基于BP神经网络的定性分析全波段10~120cm-1共计110个点,若采用全光谱计算量过大㊂故在保证输入节点信息尽可能代表整条吸收系数谱线中所包含信息的基础上,等间隔提取合适数量的光谱点作为网络输入㊂经多次实验确定在所选频域范围内对两种花生样本的太赫兹吸收系数谱线提取间隔10cm-1的10个光谱点作为输入样本,依据网络的隐含层节点数经验公式:m= n+l+a(a为1~10的整数,n为输入层节点数,l 为输出层节点数)设为15,输出层节点数为2,随机选取2/3样本作为训练样本,其余1/3样本作为校验样本;表2为输出节点所代表的样本分类编码;图6为分析结果,其中横轴为样本数,纵轴中x㊁y分别表示表2中编码值;蓝线代表正确输出编码,红线代表实际输出编码,箭头所指为错误分类样本㊂结果表明花育36号样本分类的识别正确率为88.57%;鲁花9号样本分类的识别正确率为91.40%,建模效果较为理想,证实了模型具有一定可靠性㊂表2 BP网络输出节点编码Tab.2 BP network output node coding正常轻度霉变中度霉变严重霉变x0011y0101 2.2.2 基于Lib SVM的定性分析首先建立正常与霉变花生的二分类模型㊂采用基于网格搜索及交叉验证方法进行参数寻优的支持向量机多分类算法,建立两类品种样本霉变的二分类模型㊂按3∶1的比例随机划分建模集和测试集,即得到20个样本作为测试集,其余60个样本作为建模集㊂对经过归一化预处理后的样本建立基于特征波段吸收系数的正常㊁霉变样本二分类模型㊂模型结果如图7所示,蓝色标识代表样本的实际类别,红色标识代表样本的预测类别,可以看出,两类测试样本都准确地被划分到自身所属类别当中,模型预测正确率为100%㊂633农 业 机 械 学 报 2019年图6 BP算法分类结果Fig.6 BP algorithm classification results图7 霉变程度二分类模型预测结果Fig.7 Prediction result of mildew degree two⁃class model 为进一步探索太赫兹光谱技术在花生霉变情况检测研究中的可行性,对轻度㊁中度㊁严重霉变样本建立基于特征波段吸收系数谱的霉变程度三分类模型㊂在建立三分类模型时,同样选择采用基于网格搜索法及交叉验证方法进行参数寻优的SVM多分类算法,按3∶1的比例随机划分建模集和测试集,即得到15个样本作为测试集,其余45个样本作为建模集㊂对经过归一化预处理后的所有样本建立SVM模型,并分别建立花育36号㊁鲁花9号霉变样本的三分类模型,结果如图8所示㊂可以看出,3类测试样本都准确地被划分到自身所属类别当中,模型预测正确率为100%,可靠性较高㊂所有模型参数及预测结果如表3所示㊂图8 霉变程度三分类模型预测结果Fig.8 Prediction result of mildew degreethree⁃class model 表3 模型参数及结果Tab.3 Model parameters and results分类模型光谱范围/cm-1总预测正确率/%惩罚参数Gamma参数花育二分类模型5~44100-2.5-5鲁花二分类模型0~50100-4.0-4.5花育三分类模型5~44100-1.5-6鲁花三分类模型0~501000-73 结束语应用太赫兹衰减全反射技术对不同霉变程度的花生样本进行了定性分析研究㊂通过对比发现,不同霉变程度的花生样本在太赫兹波段的时域谱㊁吸光度谱以及吸收系数谱均存在一定的差异㊂进一步使用归一化对数据进行处理,并分别结合BP神经网络算法与SVM算法,建立了花生霉变程度鉴别的定性分析模型㊂其中,基于BP神经网络算法的模型对花育36号霉变样本的识别正确率为88.57%,对鲁花9号样本的识别正确率为91.40%;基于SVM算法的二分类㊁三分类模型对花育36号㊁鲁花9号霉变样本的识别正确率均达到100%㊂结果表明,相比于BP神经网络算法,SVM算法能够解决小样本情况下的机器学习问题,可提高泛化能力,更适合处理光谱数据,并进行建模分析;作为一种便捷㊁可靠的方式,采用太赫兹衰减全反射光谱技术对贮藏期间的花生进行检测,在判断花生霉变程度方面具有一定的可行性㊂733第4期 刘翠玲等:基于太赫兹衰减全反射技术的花生霉变程度判别833农 业 机 械 学 报 2019年参考文献[1] 厉广辉,王兴军,石素华,等.我国鲜食花生研究现状及展望[J].中国油料作物学报,2018,40(4):604-607.LI Guanghui,WANG Xingjun,SHI Suhua,et al.An overview of research progress and prospect for fresh peanut in China[J].Chinese Journal of Oil Crop Sciences,2018,40(4):604-607.(in Chinese)[2] 袁贝,邵亮亮,张迪骏,等.储藏条件对花生的氨基酸和脂肪酸组成及风味的变化影响[J].食品工业科技,2016,37(8):318-322.YUAN Bei,SHAO Liangliang,ZHANG Dijun,et al.The difference of amino acids,fatty acids and flavor of peanut stored in different conditions[J].Science and Technology of Food Industry,2016,37(8):318-322.(in Chinese)[3] 乔小军,蒋金豹,李辉,等.高光谱图像识别霉变花生的光谱特征分析与指数模型构建[J].光谱学与光谱分析,2018,38(2):535-539.QIAO Xiaojun,JIANG Jinbao,LI Hui,et al.Spectral analysis and index models to identify moldy peanuts using hyperspectral images[J].Spectroscopy and Spectral Analysis,2018,38(2):535-539.(in Chinese)[4] 沈飞,刘鹏,蒋雪松,等.基于电子鼻的花生有害霉菌种类识别及侵染程度定量检测[J].农业工程学报,2016,32(24):297-302.SHEN Fei,LIU Peng,JIANG Xuesong,et al.Recognition of harmful fungal species and quantitative detection of fungal contamination in peanuts based on electronic nose technology[J].Transactions of the CSAE,2016,32(24):297-302.(in Chinese)[5] 张旻.表面增强拉曼光谱与微萃取分析方法联用现场检测有机污染物[D].济南:山东大学,2017.ZHANG Min.Surface enhanced Raman spectroscopy combined with microextraction methods for on⁃site analysis organic pollutants[D].Ji’nan:Shandong University,2017.(in Chinese)[6] 潘振朝.花生及花生油中黄曲霉毒素B_1检测方法优化及危害分析[D].广州:华南农业大学,2016.PAN Zhenzhao.Hazard analysis and detection method establishment of aflatoxin B_1in peanut oil and raw materials[D].Guangzhou:South China Agricultural University,2016.(in Chinese)[7] SOURDAINE M,GUENTHER D,DOWGIALLO A M,et al.Protecting the food supply chain:utilizing SERS and portableRaman spectroscopy[J].tm Technisches Messen,2015,82(12):625-632.[8] WENNING M,BREITENWIESER F,KONRAD R,et al.Identification and differentiation of food⁃related bacteria:acomparison of FTIR spectroscopy and MALDI TOF mass spectrometry[J].Journal of Microbiological Methods,2014,103:44-52.[9] 许生陆,高媛,胡国梁,等.基于有效波长选择的近红外光谱枸杞总糖含量快速检测[J].食品科学,2016,37(12):105-109.XU Shenglu,GAO Yuan,HU Guoliang,et al.Rapid determination of total sugar content of Goji berries(Lycium barbarum)by near infrared spectroscopy with effective wavenumber selection[J].Food Science,2016,37(12):105-109.(in Chinese) [10] HIRANO S,OKAWARA N,NARAZAKI S.Near infrared detection of internally moldy nuts[J].Journal of the AgriculturalChemical Society of Japan,1998,62(1):102-107.[11] LEE K M,DAVIS J,HERRMAN T J,et al.An empirical evaluation of three vibrational spectroscopic methods for detection ofaflatoxins in maize[J].Food Chemistry,2015,173:629-639.[12] WANG K,SUN D W,PU H.Emerging non⁃destructive Terahertz spectroscopic imaging technique:principle and applicationsin the agri⁃food industry[J].Trends in Food Science&Technology,2017,67:93-105.[13] ZHAN H,XI J,ZHAO K,et al.A spectral⁃mathematical strategy for the identification of edible and swill⁃cooked dirty oilsusing Terahertz spectroscopy[J].Food Control,2016,67:114-118.[14] 王转卫,迟茜,郭文川,等.基于近红外光谱技术的发育后期苹果内部品质检测[J/OL].农业机械学报,2018,49(5):348-354.WANG Zhuanwei,CHI Qian,GUO Wenchuan,et al.Internal quality detection of apples during late developmental period based on near⁃infrared spectral technology[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2018, 49(5):348-354.http:∥www.j⁃/jcsam/ch/reader/view_abstract.aspx?file_no=20180541&flag=1&journal_id =jcsam.DOI:10.6041/j.issn.1000⁃1298.2018.05.041.(in Chinese)[15] 焦丽娟.太赫兹时域光谱技术在农药残留检测方面的应用研究[D].天津:天津大学,2014.JIAO Lijuan.Study on pesticide residues detection using Terahertz time⁃domain spectroscopy[D].Tianjin:Tianjin University, 2014.(in Chinese)[16] 李鹏鹏,张元,葛宏义,等.太赫兹光谱技术在食品质量安全检测中的应用研究进展[J].食品工业科技,2017,38(3):372-375.LI Pengpeng,ZHANG Yuan,GE Hongyi,et al.Research advances in Terahertz spectroscopy detection of harmful substances in food[J].Science and Technology of Food Industry,2017,38(3):372-375.(in Chinese)[17] 谢丽娟,徐文道,应义斌,等.太赫兹波谱无损检测技术研究进展[J/OL].农业机械学报,2013,44(7):246-255.XIE Lijuan,XU Wendao,YING Yibin,et al.Advancement and trend of Terahertz spectroscopy technique for non⁃destructive detection[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2013,44(7):246-255.http:∥www.j⁃/jcsam/ch/reader/view_abstract.aspx?file_no=20130743&flag=1.DOI:10.6041/j.issn.1000⁃1298.2013.07.043.(in Chinese)[18] 张卓勇,张欣.太赫兹时域光谱技术应用研究进展[J].光谱学与光谱分析,2016,36(1):54-55.ZHANG Zhuoyong,ZHANG Xin.Research development on the applications of Terahertz time domain spectroscopy[J].Spectroscopy and Spectral Analysis,2016,36(1):54-55.(in Chinese)(下转第355页)12(10):3363-3372.[42] KHALDI M,BADREDDINE M,LEGROURI A,et al.Preparation of a well⁃ordered layered nanocomposite from zinc⁃aluminum⁃chloride layered double hydroxide and hydrogenophosphate by ion exchange[J].Materials Research Bulletin,1998,33(12):1835-1843.[43] ALJEBOREE A M,ALSHIRIFI A N,ALKAIM A F.Kinetics and equilibrium study for the adsorption of textile dyes on coconut shell activated carbon[J].Arabian Journal of Chemistry,2014,150(Supp.2):3381-3393.[44] THAWATCHAI M,JOHAN L,YANJUN D,et al.Activated carbon derived from carbon residue from biomass gasification and its application for dye adsorption:kinetics,isotherms and thermodynamic studies[J].Bioresource Technology,2016,200:350-359.[45] KUZAWA K,JUNG Y J,KISO Y,et al.Phosphate removal and recovery with a synthetic hydrotalcite as an adsorbent[J].Chemosphere,2006,62(1):45-52.[46] LIU C C,WANG M K,LI Y S.Removal of nickel from aqueous solution using wine processing waste sludge[J].Industrial &Engineering Chemistry Research,2005,44(5):1438-1445.[47] 李克超,王承明,汪雪瑞,等.焙烧镁铝水滑石对棉粕水提液中棉酚的吸附性能及吸附机理研究[J].中国粮油学报,2018,33(2):82-88.LI Kechao,WANG Chengming,WANG Xuerui,et al.Adsorption properties and mechanism of gossypol in extract of cottonseed meal by Mg Al calcined layered double hydroxide[J].Journal of the Chinese Cereals and Oils Association,2018,33(2):82-88.(in Chinese)[48] 殷实,朱玲君,刘银聪,等.柳桉快速热裂解炭改性制取多级孔道活性炭的研究[J /OL].农业机械学报,2017,48(12):306-310,326.YIN Shi,ZHU Lingjun,LIU Yincong,et al.Upgrading of char from lauan pyrolysis for production of activated char with multilevel pore structure[J /OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(12):306-310,326.http:∥www.j⁃ /jcsam /ch /reader /view_abstract.aspx?flag =1&file_no =20171237&journal_id =jcsam.DOI:10.6041/j.issn.1000⁃1298.2017.12.037.(in Chinese)[49] 刘静波,于志鹏,赵文竹,等.蛋清肽酶解工艺及血管紧张素转化酶抑制活性研究[J].农业机械学报,2010,41(7):147-152.LIU Jingbo,YU Zhipeng,ZHAO Wenzhu,et al.Technology for ACE⁃inhibitory peptides from egg white[J].Transactions of the Chinese Society for Agricultural Machinery,2010,41(7):147-152.(in Chinese)[50] BYRNE B M,VAN HET SCHIP A D,VAN DE KLUNDERT J A M,et al.Amino acid sequence of phosvitin derived from the nucleotide sequenceof part of the chicken vitellogenin gene[J].Biochemistry,1984,23(19):4275-4279.(上接第338页)[19] GOWEN A A,O’SULLIVAN C,O’DONNELL C P.Terahertz time domain spectroscopy and imaging:emerging techniques forfood process monitoring and quality control[J].Trends in Food Science &Technology,2012,25(1):40-46.[20] 欧阳玲花,冯健雄,朱雪晶,等.花生原料贮藏技术研究进展与展望[J].食品研究与开发,2014(8):125-128.OUYANG Linghua,FENG Jianxiong,ZHU Xuejing,et al.Research progress and prediction of storage technology in peanuts [J].Food Research and Development,2014(8):125-128.(in Chinese)[21] 刘翠玲,邢瑞芯,吴静珠,等.基于太赫兹衰减全反射技术的花生品种快速鉴别[J /OL].农业机械学报,2018,49(3):361-366.LIU Cuiling,XING Ruixin,WU Jingzhu,et al.Rapid discrimination of peanut varieties using Terahertz attenuated total reflection spectroscopy[J /OL].Transactions of the Chinese Society for Agricultural Machinery,2018,49(3):361-366.http:∥ /jcsam /ch /reader /view_abstract.aspx?flag =1&file_no =20180345&journal_id =jcsam.DOI:10.6041/j.issn.1000⁃1298.2018.03.045.(in Chinese)[22] 韩晓惠,张瑾,杨晔,等.基于太赫兹时域光谱技术的光学参数提取方法的研究进展[J].光谱学与光谱分析,2016,36(11):3449-3454.HAN Xiaohui,ZHANG Jin,YANG Ye,et al.Review on the methodology for optical parameter extraction with Terahertz time⁃domain spectroscopy[J].Spectroscopy and Spectral Analysis,2016,36(11):3449-3454.(in Chinese)[23] 张浩,王建林,赵利强,等.基于加窗插值FFT 的加速度传感器信号处理方法[J].仪表技术与传感器,2016(2):12-14.ZHANG Hao,WANG Jianlin,ZHAO Liqiang,et al.Signal processing method of accelerometers based on windowed interpolation FFT[J].Instrument Technique and Sensor,2016(2):12-14.(in Chinese)[24] 张文涛,李跃文,占平平,等.基于太赫兹时域光谱技术与PCA SVM 的转基因大豆油鉴别研究[J].红外与激光工程,2017,46(11):149-154.ZHANG Wentao,LI Yuewen,ZHAN Pingping,et al.Recognition of transgenic soybean oil based on Terahertz time domain spectroscopy and PCA SVM[J].Infrared and Laser Engineering,2017,46(11):149-154.(in Chinese)[25] 齐亮,赵茂程,赵婕,等.基于太赫兹光谱分析的猪肉K 值无损检测方法[J/OL].农业机械学报,2017,48(12):346-353.QI Liang,ZHAO Maocheng,ZHAO Jie,et al.Non⁃destructive detection method of K in pork with Terahertz spectroscopy[J /OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(12):346-353.http:∥ /jcsam /ch /reader /view_abstract.aspx?flag =1&file _no =20171243&journal _id =jcsam.DOI:10.6041/j.issn.1000⁃1298.2017.12.043.(in Chinese)553第4期 迟玉杰等:基于水滑石的全蛋液中磷吸附与解吸及动力学模型研究。
基于UPLC-MS-MS技术快速测定花生中4种黄曲霉毒素
ＣＨＩＮＡ ０ＩＬＳ ＡＮＤ ＦＡＴＳ
２０１８ Ｖｏ１．４３ Ｎｏ．１
基 于 ＵＰＬＣ—ＭＳ—ＭＳ 技 术 快 速 测 定 花 生 中 ４种 黄 曲霉 毒 素
孟繁 磊 ，宋志峰 ，牛红 红 ，蔡 红梅 ，何 智 勇，李 刚
（吉林省农业科学院 农业质量标 准与检测技 术研 究所 ，农业部农 产品质量安全风险评估 实验 室（长春），长春 １３００３３）
ｉｃ ｃｏｌｕｍｎ．ｓｕｂｊｅｃｔｅｄ ｔｏ ｇｒａｄｉｅｎｔ ｅｌｕｔｉｏｎ ｕｓｉｎｇ ｍｅｔｈａｎｏｌ一０．１％ ｆｏｒｍｉｃ ａｃｉｄ ｓｏｌｕｔｉｏｎ ａｓ ｔｈｅ ｍｏｂｉｌｅ
ｐｈａｓｅ， ｔｈｅｎ ｄｅｔｅｃｔｅｄ ｂｙ ｔｒｉｐｌｅ — ｑｕａｄｒｕｐｏｌｅ ｍａｓｓ ｓｐｅｃｔｒｏｍｅｔｒｙ ｗｉｔｈ ｍｕｌｔｉｐｌｅ ｒｅａｃｔｉｏｎ ｍｏｎｉｔｏｒｉｎｇ
Ｊｉｌｉｎ Ａｃａｄｅｍｙ ｏｆ Ａｇｒｉｃｕｌｔｕｒａｌ Ｓｃｉｅｎｃｅｓ，Ｃｈａｎｇｃｈｕｎ １ ３００３３，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａ ＵＰＬＣ — ＭＳ —ＭＳ ｍｅｔｈｏｄ ｆ ｏｒ ｄｅｔｅｃｔｉｎｇ ｆｏｕｒ ｋｉｎｄｓ ｏｆ ａｆ ｌａｔｏｘｉｎｓ ｉｎ ｐｅａｎｕｔ ｗａｓ ｅｓｔａｂｌｉｓｈｅｄ． Ｔｈｅ ｓａｍｐｌｅｓ ｗｅｒｅ ｅｘｔｒａｃｔｅｄ ｉｎ ８０％ ａｃｅｔｏｎｉｔｒｉｌｅ — ｗａｔｅｒ ｓｏｌｕｔｉｏｎ ｂｙ ｕｌｔｒａｓｏｎｉｃ ｖｉｂｒａｔｉｏｎ， ａｎｄ ｐｕｒ ｉｆ ｉｅｄ ｕｓｉｎｇ ａ ｍｕｌｔｉ—ｆｕｎｃｔｉｏｎａｌ ｃｌｅａｎｕｐ ｃｏｌｕｍｎ．Ｔｈｅ ｓａｍｐｌｅ ｗａｓ ｓｅｐａｒａｔｅｄ ｂｙ Ｋｉｎｅｔｅｘ ＳＢ —Ｃｌ８ ｃｈｒｏｍａｔｏｇｒａｐｈ—
＠ １６３．ＣＯＢ 。
基于近红外高光谱图像的花生内部霉变快速判别方法研究
基于近红外高光谱图像的花生内部霉变快速判别方法研究朱昊宇;王俊杰;杨一;朱新峰【期刊名称】《食品安全质量检测学报》【年(卷),期】2024(15)1【摘要】目的针对外观正常但内部存在不同程度霉变的花生,探索采用近红外高光谱成像技术结合机器学习方法构建花生内部霉变快速无损判别模型的可行性。
方法采集100粒内部霉变和100粒健康花生的近红外高光谱图像构成数据集,将多种经典光谱预处理方法与支持向量机(support vector machine,SVM)组合建立花生内部霉变判别模型,并采用蒙特卡洛-无信息变量消除法(Monte Carlo-uninformative variable elimination,MC-UVE)找出霉变判别中有效的光谱特征波长。
结果将Savitzky-Golay卷积平滑方法和二阶求导光谱预处理方法与SVM 组合,对内部霉变严重样本判别的总体识别准确率可达95%,对不同程度内部霉变样本的平均识别准确率为88%;基于MC-UVE筛选得到10、5、3个特征波长构建的模型总体识别准确率为90%、85%和82%。
结论实验结果表明高光谱技术结合机器学习可为花生内部霉变的快速、无损判别提供可行的解决方案,同时特征波长筛选为基于光电原理的霉变花生色选机系统开发提供了参考。
【总页数】7页(P85-91)【作者】朱昊宇;王俊杰;杨一;朱新峰【作者单位】扬州大学信息工程学院;北京工商大学食品安全大数据技术北京市重点实验室【正文语种】中文【中图分类】TP3【相关文献】1.基于近红外高光谱技术和特征波谱分析方法的竹类判别研究2.基于近红外高光谱图像的黄瓜叶片色素含量快速检测3.基于近红外技术和偏最小二乘判别法对卫青萝卜内部品质的快速判别4.基于近红外高光谱成像技术识别紫斑和霉变大豆的方法5.花生冻伤近红外光谱快速判别方法研究因版权原因，仅展示原文概要，查看原文内容请购买。
基于目标识别的霉菌检测系统的研究
基于目标识别的霉菌检测系统的研究
刘红;王成成;郝林杰
【期刊名称】《上海电机学院学报》
【年(卷),期】2022(25)3
【摘要】随着人们生活水平的提高,人们越来越关注霉菌的存在。
设计了一种基于YOLOv5目标识别的霉菌检测系统。
该系统能够检测出食物表面或者其他物品表面的霉菌,以此了解食物腐败的情况,进而降低霉菌引起的患病率。
此系统的设计原理是利用紫外线灯下霉菌所产生的黄曲霉毒素会发出荧光的特性,通过霉菌荧光图片来检测霉菌。
系统采用单片机数据采集和非单片机数据采集2种方式采集数据并传输给电脑,由YOLOv5程序完成霉菌目标的识别。
实验表明:该系统的图像识别功能和数据采集功能表现良好,可以比较准确地检测出霉菌。
【总页数】5页(P171-175)
【作者】刘红;王成成;郝林杰
【作者单位】上海电机学院电子信息学院
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于目标识别与跟踪的嵌入式铁路异物侵限检测算法研究
2.基于目标识别的软管装配视觉检测系统
3.自动对靶精准施药机研究\r——基于图像边缘检测和目标识
别4.基于监控运动目标识别检测系统的设计与实现5.基于监控运动目标识别检测系统的设计与实现
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)。
基于计算机视觉的花生霉变程度检测王金英ꎬ董㊀礼(秦皇岛职业技术学院ꎬ河北㊀秦皇岛㊀０６６１００)摘㊀要:花生是重要的油料作物ꎬ且富含蛋白质和维生素ꎬ具有很高的食用价值ꎮ黄曲霉和寄生曲霉能引起花生的霉变ꎬ产生强致癌物质黄曲霉素ꎬ对人类健康产生严重的威胁ꎮ通过对霉变程度的检测ꎬ可以为霉变花生的清选提供条件ꎬ极大地提高花生食用的安全性ꎮ为此ꎬ基于计算机视觉技术ꎬ用相机拍摄花生的图像ꎬ采用维纳滤波处理去除噪音ꎬ用Ｂ分量进行图像分割后获得目标区域图像ꎮ选用Ｈ颜色分量作为反映花生霉变程度的特征参数ꎬ根据设定的阈值评判霉变等级ꎮ该方法对花生霉变程度检测的准确率超过９３％ꎬ处理单张图像耗时１ｓꎬ可以满足实时检测的要求ꎬ为花生的在线分选提供了技术支撑ꎮ关键词:花生ꎻ霉变ꎻ计算机视觉ꎻ检测中图分类号:Ｓ１２６㊀㊀㊀㊀㊀㊀㊀文献标识码:Ａ文章编号:１００３－１８８Ｘ(２０１９)０８－０２２３－０４０㊀引言花生是世界范围内的油料作物ꎬ种植面积和重要性仅次于油菜ꎮ花生在１６世纪传入我国ꎬ１９世纪末开始推广种植ꎬ目前在很多的地区均有分布ꎬ其中河南和山东两省是最大的种植区ꎮ我国花生的年产量约１７００万ｔꎬ占世界总量的４０％ꎮ除了４０％的脂肪含量外ꎬ花生还富含蛋白质和维生素ꎬ具有很高的营养价值ꎬ也可以作为人们的日常食品ꎮ花生的果实位于地表以下ꎬ土壤中存在黄曲霉或寄生曲霉等霉菌能引起花生的霉变ꎮ在花生的生长和储存过程中ꎬ当温度和湿度适合时ꎬ上述的霉菌便会产生黄曲霉素这种毒性很强的次生代谢产物ꎬ并伴随发霉的现象[１]ꎮ黄曲霉素是毒性最大和对人类健康危害最突出的一类霉菌毒素ꎬ被世界卫生组织认定为一类致癌物ꎬ长期食用含有这类毒素的花生会对健康产生严重的影响ꎮ我国相关标准限定的花生及其制品中黄曲霉素Ｂ１最高含量为２０ｐｐｂꎬ而欧盟限定的为２ｐｐｂꎬ导致我国花生在出口过程中时常因黄曲霉素超标而被扣留或销毁ꎬ造成严重经济损失的同时也削弱了在国际市场的竞争力[２]ꎮ花生的黄曲霉素含量与霉变程度密切相关ꎬ因此对霉变程度的检测可以为霉变花生的清选提供条件ꎬ极大地提高花生食用的安全性ꎮ传统的花生霉变检收稿日期:２０１８－０５－０７基金项目:河北省科技厅课题(１８４５７６６０Ｄ)作者简介:王金英(１９７８－)ꎬ女ꎬ河北唐山人ꎬ讲师ꎬ硕士ꎬ(Ｅ－ｍａｉｌ)ｑｅｎｙｅｇａｅｐｕ＠１６３.ｃｏｍꎮ测方法是由人工观察判别ꎬ工作强度大ꎬ且易受到人员体能和状态的影响ꎮ生化检测具有一定的优势ꎬ但是对人员的技术水平和工作经验要求较高ꎬ测定的成本和周期也相应增加[３]ꎮ随着花生加工和出口规模的增长ꎬ上述方法的局限性日益明显ꎬ已经无法满足对食品安全的需求ꎮ目前ꎬ对黄曲霉素的测定方法有薄层色谱法㊁高效液相色谱法及酶联免疫吸附测定等ꎮ对含有黄曲霉素花生的分选有比色分选和图像识别等ꎬ是根据外观差异清除发生霉变的花生粒ꎬ还没有实现以黄曲霉素含量为指标的无损在线分选[４]ꎮ科学技术的发展为全面检测花生霉变程度开辟了方法ꎬ如电子鼻㊁光电技术㊁光谱特征分析和计算机视觉分析ꎬ这些方法克服了检测成本高和过程繁琐的缺点ꎬ具有实际应用的潜力ꎮ电子鼻是由特异性的化学传感器阵列组成的模式识别系统ꎬ能够识别复杂的气味ꎮ花生霉变过程中形成黄曲霉素的同时ꎬ也会产生特殊的气味ꎮ惠国华等研制了一套电子鼻系统ꎬ通过分析花生霉变产生的气味ꎬ较好地反映出了霉变的程度[５]ꎮ花生霉变的光电分选设备有两种ꎬ即色选机和近红外透射分选机ꎮ其中ꎬ色选机根据霉变花生与正常花生之间的颜色差异进行分选ꎮ花生发霉后ꎬ内部的蛋白质和脂肪酸会发生变化ꎬ对近红外光的吸收强度出现差异ꎬ近红外透射分选机则是根据这种特性进行分选[６]ꎮ另外ꎬ花生发霉后内部的物质发生变化ꎬ还会形成独特的光谱特征ꎬ采集这些光谱特征并建立指数分析模型ꎬ能够对花生的霉变进行准确识别和检测[７－８]ꎮ计算机视觉是由相机拍摄图像ꎬ通过电脑对图像中的目标进行识别和检测ꎮ这种技术在２０世纪８０年代取得了较大的发展ꎬ现在已经广泛用于社会生产的各个领域ꎮ计算机视觉在农业上主要用于水果采摘㊁分级检测及田间杂草识别等ꎬ符合现代精准农业发展的趋势[９－１２]ꎮ陈红等采用计算机视觉对花生仁进行识别ꎬ并引入神经网络的分析算法ꎬ对各种霉变程度的花生获得了很高的检测准确率[１３]ꎻ另外ꎬ还基于计算机视觉ꎬ采用不同的特征参数和分析方法ꎬ对花生霉变程度的判断准确率也达到了９０％[１４]ꎮ韩仲志等利用计算机视觉对花生的多种外观特征进行测量ꎬ实现了对花生品质的准确检测和分级[１５]ꎮ上述方法在检测环节上已经较为完善ꎬ但是缺少对实时性的验证ꎬ因此还没有应用于在线检测分选ꎮ本文基于计算机视觉技术ꎬ用相机拍摄霉变花生的图像并对外观进行检测ꎬ根据颜色特征评判花生的霉变程度ꎬ以期为花生的在线分选提供技术支撑ꎮ１㊀硬件设备花生图像在封闭的暗箱中拍摄ꎬ拍摄箱是一个尺寸０.７ｍˑ０.６ｍˑ０.６ｍ的长方体ꎬ内壁为黑色以避免反光ꎬ底部的样品台也是黑色背景ꎮ拍摄箱内部上方的４个角上各安装１盏白炽灯ꎬ功率为１０Ｗꎮ拍摄箱内部正上方安装１台世纪科信ＵＣＭＯＳ０３００型ＣＣＤ工业相机ꎬ拍摄花生图像后由ＡＤ６６７３型Ａ/Ｄ转换器转换为数码信号ꎬ再通过ＵＳＢ数据线传输给计算机ꎮ核心计算机为戴尔ＸＰＳ８９１０型台式电脑ꎬ配置包括北京大恒ＶＲＴ－ＣＧ２００型图像采集卡㊁Ｉｎｔｅｌｉ７处理器㊁ＧＴＸ１０７０型显卡和１６Ｇ内存ꎬ具有兼容性强㊁性能快速稳定等优点ꎮ图像分析的软件为ＭａｔＬａｂ工具箱ꎬ在Ｗｉｎｄｏｗｓ１０环境中运行ꎬ可以满足图像实时分析处理的要求ꎮ２㊀图像分析２.１㊀图像预处理由于受到各种环境因素的干扰ꎬ拍摄得到的图像会存在一定的噪音ꎬ影响了图像质量和分析处理效果ꎬ需要进行预处理ꎮ图像噪音去除的方法有多种ꎬ本文根据实际情况ꎬ采用维纳滤波处理ꎮ维纳滤波经过多次循环后ꎬ图像的清晰度增加ꎬ边缘和细节信息保存较为完整ꎬ取得了良好的滤波效果ꎮ预处理得到的图像中背景为黑色ꎬ花生的图像明显ꎮ正常花生表面的颜色均匀ꎬ光泽度好ꎬ呈现浅红色ꎻ霉变花生的表面出现皱缩和黑色的斑点ꎬ颜色褐化不均匀ꎬ光泽较为晦暗ꎬ如图１所示ꎮ图１㊀花生图像的预处理Ｆｉｇ.１㊀Ｐｒｅｔｒｅａｔｍｅｎｔｏｆｐｅａｎｕｔｉｍａｇｅ２.２㊀图像分割根据花生图像目标的颜色特征ꎬ采用ＨＳＬ的颜色空间ꎬ以色调Ｈ㊁饱和度Ｓ和亮度Ｌ作为分量来增加图像的对比度和减小亮度ꎬ获得了ＨＳＬ颜色空间下对Ｌ分量进行灰度化的图像ꎬ如图２所示ꎮ图２㊀花生图像的灰度化Ｆｉｇ.２㊀Ｇｒａｙｉｎｇｏｆｐｅａｎｕｔｉｍａｇｅ灰度化图像中的背景为黑色ꎬ花生为浅红色㊁灰白色或褐色ꎬ因此可以利用两者之间颜色或亮度的明显差异将检测目标从背景中分离出来ꎮ这里将图像分解为Ｒ㊁Ｇ㊁Ｂ等３种原色ꎬ因Ｂ分量在灰度化图像中边缘保存完整ꎬ含有的噪音较少ꎬ因此利用阈值对Ｂ分量进行边缘检测ꎻ然后通过一系列形态学滤波消除冗余的信息ꎬ修复边缘上的毛刺后得到平滑闭合的目标轮廓ꎻ最后ꎬ对轮廓进行填充ꎬ得到从背景中分割出来的花生图像ꎬ如图３所示ꎮ图３㊀花生图像的轮廓提取Ｆｉｇ.３㊀Ｏｕｔｌｉｎｅｅｘｔｒａｃｔｉｏｎｏｆｐｅａｎｕｔｉｍａｇｅ２.３㊀特征提取霉变花生和正常花生的差异主要体现在表皮颜色上ꎬ因此这里选用颜色相关的参数提取花生霉变的特征ꎮ为了获得目标区域的特征信息ꎬ对分割得到的花生图像内的各个像素点提取特征量并计算平均值ꎮ花生发生霉变后表面的明暗变化显著ꎬ所以采用ＨＩＳ的颜色模型对霉变的程度进行检测ꎮ提取单个花生图像区域的Ｈ㊁Ｉ㊁Ｓ颜色分量计算均值后ꎬ分析发现Ｈ颜色分量的变化最为明显ꎬ且随着霉变程度逐渐增加ꎮ因此ꎬ选用Ｈ颜色分量作为评判花生霉变程度的特征参数ꎬ根据设定的阈值将霉变程度分别划分为正常０㊁轻度霉变１㊁中度霉变２和严重霉变３ꎬ并标识在花生图像内ꎬ如图４所示ꎮ图４㊀花生霉变程度评判Ｆｉｇ.４㊀Ｊｕｄｇｍｅｎｔｏｆｍｉｌｄｅｗｄｅｇｒｅｅｉｎｐｅａｎｕｔ３㊀仿真试验结果通过仿真试验对上述的检测方法进行验证ꎬ使用的花生品种为中花１２号ꎬ不同霉变程度的花生各５０粒ꎬ共２００粒ꎮ每次随机选取２０粒花生排布在样品台上拍摄图像ꎬ通过计算机视觉检测后评判花生的霉变程度ꎬ划分４种霉变程度的Ｈ分量阈值分别为０.０５７㊁０.０６３和０.０６９ꎬ最后统计检测的准确率ꎮ仿真试验的结果如表１所示ꎮ由表１可以看出:正常的花生粒中仅有３个被计算机视觉误判为轻度或中度霉变ꎬ检测的准确率为９４％ꎻ轻度㊁中度和严重霉变的花生分别有２粒㊁４粒和４粒被误判为相邻的等级ꎬ最低的检测准确率也达到了９２％ꎮ总体上看ꎬ计算机视觉对花生霉变程度的检测准确率超过９３％ꎬ单张图像从拍摄到完成检测并输出结果共耗时１ｓꎬ可以满足实时检测和在线分选的要求ꎮ表１㊀花生霉变检测的准确率Ｔａｂｌｅ１㊀Ａｃｃｕｒａｃｙｒａｔｅｏｆｍｉｌｄｅｗｄｅｇｒｅｅｔｅｓｔｉｎｇｉｎｐｅａｎｕｔ霉变程度计算机视觉检测正常轻度中度严重准确率/％正常４７２１０９４轻度１４８１０９６中度０２４６２９２严重００４４６９２４㊀结论基于计算机视觉技术ꎬ用相机拍摄花生的图像ꎬ依次采用维纳滤波处理去除噪音㊁Ｌ分量进行灰度化㊁Ｂ分量进行图像分割后获得目标区域图像ꎮ选用Ｈ颜色分量作为反映花生霉变程度的特征参数ꎬ根据设定的阈值评判霉变等级ꎮ仿真试验中仅有个别的花生粒被计算机视觉误判为其它等级ꎬ对花生霉变程度检测的整体准确率超过９３％ꎮ单张图像的处理过程耗时１ｓꎬ可以满足实时检测的要求ꎮ花生霉变的本质是内部物质的变化ꎬ而该方法检测的是外部特征ꎬ若与近红外透射和光谱分析等内部特征检测技术结合ꎬ则能更全面地评判花生的霉变情况ꎮ另外ꎬ计算机视觉检测技术还需要配套相应的分级执行装置ꎬ才能实现花生的在线分选ꎮ参考文献:[１]㊀时焦ꎬ徐宜民.污染花生真菌毒素的研究现状[Ｊ].农牧情报研究ꎬ１９８９(１２):２１－２６.[２]㊀邢君.外贸花生的质量标准与改进措施[Ｊ].安徽农学通报ꎬ２００１ꎬ７(１):４３－４５.[３]㊀孙春梅ꎬ李绍伟ꎬ任丽ꎬ等.花生品种品质分析及品质育种方向[Ｊ].安徽农业科学ꎬ２００５ꎬ３３(１１):２００５－２００６.[４]㊀王叶群ꎬ姚刚ꎬ张绍英.污染黄曲霉毒素花生的检测及分选技术研究进展[Ｊ].农业工程ꎬ２０１４ꎬ４(６):５９－６３. [５]㊀惠国华ꎬ倪彧.基于电子鼻系统的粮食霉变检测方法研究[Ｊ].中国食品学报ꎬ２０１１ꎬ１１(５):１６２－１６８. [６]㊀李雅丽ꎬ刘阳.霉变花生光电分选技术应用现状及发展趋势[Ｊ].农业机械ꎬ２０１２(１２):５０－５３.[７]㊀蒋雪松ꎬ刘鹏ꎬ沈飞ꎬ等.衰减全反射－傅里叶变换红外光谱法对花生仁霉变的分析[Ｊ].食品科学ꎬ２０１７ꎬ３８(１２):３１５－３２０.[８]㊀乔小军ꎬ蒋金豹ꎬ李辉ꎬ等.高广谱图像识别霉变花生的光谱特征分析与指数模型构建[Ｊ].广谱学与广谱分析ꎬ２０１８ꎬ３８(２):５３５－５３８.[９]㊀何东健ꎬ杨青ꎬ薛少平ꎬ等.果实表面颜色计算机视觉分级技术研究[Ｊ].农业工程学报ꎬ１９９８ꎬ１４(３):２０２－２０５.[１０]㊀沈维政ꎬ张长利ꎬ刘振恒.基于计算机视觉的田间杂草识别方法研究[Ｊ].农机化研究ꎬ２００６ꎬ２８(７):１６３－１６５. [１１]㊀柴阿丽ꎬ李宝聚ꎬ网倩ꎬ等.基于计算机视觉技术的番茄叶片叶绿素含量的测定[Ｊ].园艺学报ꎬ２００９ꎬ３６(１):４５－５２.[１２]㊀王彦辉ꎬ赵培琨ꎬ边东良.基于计算机视觉的瓜果采摘系统的运营研究[Ｊ].农机化研究ꎬ２０１８ꎬ４０(１):２００－２０３. [１３]㊀陈红ꎬ熊利荣ꎬ胡筱波ꎬ等.基于神经网络与图像处理的花生仁霉变识别方法[Ｊ].农业工程学报ꎬ２００７ꎬ２３(４):１５８－１６１.[１４]㊀陈红ꎬ吴谋成ꎬ熊利荣ꎬ等.霉变花生的计算机视觉识别[Ｊ].农业机械学报ꎬ２００８ꎬ３９(１):１１０－１１３.[１５]㊀韩仲志ꎬ赵友刚.基于计算机视觉的花生品质分级检测研究[Ｊ].中国农业科学ꎬ２０１０ꎬ４３(１８):３８８２－３８９１.ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ－ｂａｓｅｄＤｅｔｅｃｔｉｏｎｏｆＭｉｌｄｅｗｉｎＰｅａｎｕｔＷａｎｇＪｉｎｙｉｎｇꎬＤｏｎｇＬｉ(ＱｉｎｈｕａｎｇｄａｏＶｏｃａｔｉｏｎａｌａｎｄＴｅｃｈｎｉｃａｌＣｏｌｌｅｇｅꎬＱｉｎｈｕａｎｇｄａｏ０６６１００ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｐｅａｎｕｔｓａｒｅｉｍｐｏｒｔａｎｔｏｉｌｃｒｏｐｓ.Ｔｈｅｙａｒｅａｌｓｏｒｉｃｈｉｎｐｒｏｔｅｉｎａｎｄｖｉｔａｍｉｎｓａｎｄｈａｖｅａｈｉｇｈｆｏｏｄｖａｌｕｅ.Ａｓｐｅｒ￣ｇｉｌｌｕｓｆｌａｖｕｓａｎｄＡｓｐｅｒｇｉｌｌｕｓｐａｒａｓｉｔｉｃｕｓｃａｎｃａｕｓｅｍｉｌｄｅｗｉｎｐｅａｎｕｔｓꎬｐｒｏｄｕｃｉｎｇａｓｔｒｏｎｇｃａｒｃｉｎｏｇｅｎａｆｌａｔｏｘｉｎꎬｗｈｉｃｈｐｏ￣ｓｅｓａｓｅｒｉｏｕｓｔｈｒｅａｔｔｏｈｕｍａｎｈｅａｌｔｈ.Ｔｈｒｏｕｇｈｔｈｅｄｅｔｅｃｔｉｏｎｏｆｍｏｌｄｉｎｅｓｓꎬｉｔｃａｎｐｒｏｖｉｄｅｃｏｎｄｉｔｉｏｎｓｆｏｒｔｈｅｓｅｌｅｃｔｉｏｎｏｆｍｏｌｄｙｐｅａｎｕｔｓａｎｄｇｒｅａｔｌｙｉｍｐｒｏｖｅｔｈｅｓａｆｅｔｙｏｆｐｅａｎｕｔｓ.ＴｈｉｓｐａｐｅｒｉｓｂａｓｅｄｏｎｃｏｍｐｕｔｅｒｖｉｓｉｏｎｔｅｃｈｎｏｌｏｇｙꎬｕｓｉｎｇａｃａｍｅｒａｔｏｔａｋｅｐｉｃｔｕｒｅｓｏｆｐｅａｎｕｔｓꎬｕｓｉｎｇＷｉｅｎｅｒｆｉｌｔｅｒｉｎｇｔｏｒｅｍｏｖｅｎｏｉｓｅꎬａｎｄｕｓｉｎｇＢ－ｃｏｍｐｏｎｅｎｔｓｆｏｒｉｍａｇｅｓｅｇｍｅｎｔａ￣ｔｉｏｎｔｏｏｂｔａｉｎｉｍａｇｅｓｏｆｔｈｅｔａｒｇｅｔａｒｅａ.ＴｈｅＨｃｏｌｏｒｃｏｍｐｏｎｅｎｔｗａｓｓｅｌｅｃｔｅｄａｓａｃｈａｒａｃｔｅｒｉｓｔｉｃｐａｒａｍｅｔｅｒｒｅｆｌｅｃｔｉｎｇｔｈｅｄｅｇｒｅｅｏｆｍｉｌｄｅｗｉｎｐｅａｎｕｔꎬａｎｄｔｈｅｍｉｌｄｅｗｇｒａｄｅｗａｓｊｕｄｇｅｄａｃｃｏｒｄｉｎｇｔｏｔｈｅｓｅｔｔｈｒｅｓｈｏｌｄｖａｌｕｅ.Ｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｍｅｔｈｏｄｆｏｒｔｈｅｄｅｔｅｃｔｉｏｎｏｆｍｉｌｄｅｗｄｅｇｒｅｅｏｆｐｅａｎｕｔｅｘｃｅｅｄｓ９３％ꎬａｎｄｉｔｔａｋｅｓ１ｓｔｏｐｒｏｃｅｓｓｔｈｅｓｉｎｇｌｅ－ｓｈｅｅｔｉｍａｇｅꎬｗｈｉｃｈｃａｎｍｅｅｔｔｈｅｒｅｑｕｉｒｅｍｅｎｔｓｏｆｒｅａｌ－ｔｉｍｅｄｅｔｅｃｔｉｏｎａｎｄｐｒｏｖｉｄｅｔｅｃｈｎｉｃａｌｓｕｐｐｏｒｔｆｏｒｏｎ－ｌｉｎｅｓｏｒｔｉｎｇｏｆｐｅａｎｕｔｓ.Ｋｅｙｗｏｒｄｓ:ｐｅａｎｕｔꎻｍｉｌｄｅｗꎻｃｏｍｐｕｔｅｒｖｉｓｉｏｎꎻｄｅｔｅｃｔｉｏｎ２０１９年８月㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀农机化研究㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第８期。