高光谱成像结合人工神经网络无损检测桃的硬度

合集下载

高光谱成像技术在水果多品质无损检测中的应用

高光谱成像技术在水果多品质无损检测中的应用刘亚;木合塔尔·米吉提;曹鹏程;岳建魁【摘要】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.【期刊名称】《农业科技与装备》【年(卷),期】2016(000)005【总页数】4页(P50-52,56)【关键词】高光谱成像技术;水果品质;无损检测;外部品质;内部品质【作者】刘亚;木合塔尔·米吉提;曹鹏程;岳建魁【作者单位】新疆农业大学机械交通学院,乌鲁木齐 830052;阿克苏职业技术学院,新疆阿克苏 843000;新疆农业大学机械交通学院,乌鲁木齐 830052;新疆农业大学机械交通学院,乌鲁木齐 830052【正文语种】中文【中图分类】S123;TP391.4水果在采摘包装运输过程中，易受人为或水果自身因素影响而内部或外部品质受损。

随着人类健康观念的增强，对水果品质的要求越来越高，促使水果多品质分类越来越严格。

在水果商品化处理过程中，准确、快速、客观的质量检测系统是确保其安全高质量生产的保证，也是现代水果产业的发展趋势。

目前，我国水果分类分级主要依靠人工视觉，既费时费力又难以排除主观因素。

水果无损检测是在不损伤果体的情况下，应用一定的检测技术和分析手段，对水果内外部品质进行测定，并按照一定标准作出评价的过程。

随着光谱技术发展，国内外学者把目光聚焦在高光谱成像技术上。

高光谱成像技术是从遥感图像技术发展而来的，基于非常多窄波段图像数据技术，是传统二维图像技术和光谱技术有机结合的一项新兴技术，融合光学、电子学、图像处理、计算机科学等多学科知识。

高光谱成像技术可以同时获取农产品图像和光谱信息，其中图像信息能够直接反映农产品外部形状特征、颜色、纹理、缺陷和污斑情况，光谱数据则可分析农产品内部化学成分含量，如糖度、酸度、含水率、可溶性固形物含量等。

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。

基于高光谱图像技术的农产品品质无损检测

基于高光谱图像技术的农产品品质无损检测田有文;王晓娟【摘要】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,是农产品品质无损检测技术的发展趋势.为此,阐述了农产品品质检测中高光谱图像技术的基本原理;介绍了高光谱图像技术在农产品外部品质和内部品质检测中的应用现状及信息处理方法;并对高光谱图像技术应用于农产品品质检测技术的发展提出了建议.【期刊名称】《农机化研究》【年(卷),期】2009(031)010【总页数】4页(P220-222,226)【关键词】高光谱图像;农产品品质;无损检测【作者】田有文;王晓娟【作者单位】沈阳农业大学,信息与电气工程学院,沈阳110161;沈阳农业大学,信息与电气工程学院,沈阳110161【正文语种】中文【中图分类】TP274+.5;S1260 引言农产品品质关系到人民生命安全和国民经济发展，因此农产品的检测技术一直是农业工程领域的重要研究课题。

农产品的品质包括内部品质和外部品质。

目前，对农产品的外部品质检测主要采用可见光图像检测和红外图像检测等较成熟的技术，但是这些检测技术无法获取农产品内部品质有效信息。

近红外光谱技术可在线实时无损检测农产品的内部品质，而近红外光谱技术只提供对检验客体一个小区域的检测。

由于农产品的品质在空间上存在差异 ,所以该方法还存在一定的局限。

近年来, 高光谱图像技术在农产品品质无损检测中的应用是一个重要的发展趋势。

由于高光谱图像技术检测的农产品品质信息包含光谱和图像信息，光谱技术能检测水果的物理结构和化学成分等, 图像技术又能全面反映农产品的外在特征、表面缺陷及污染情况, 所以通过提取农产品高光谱图像中各检测参数所对应的特征波长,能对农产品的综合品质进行全面、快速的检测。

1 高光谱图像基本原理高光谱图像是一系列光波波长处的光学图像。

光谱范围可以在紫外(200～400nm )、可见光(400～760nm )、近红外(760～ 2 560nm ) 以及波长大于2 560nm 的区域。

高光谱相机无损检测红不软桃的品质案例

标题：如何利用高光谱相机无损检测红不软桃的品质——以案例分析为例在当今社会，食品安全与品质成为人们关注的焦点，红不软桃作为一种水果，其品质更是备受关注。

而利用高光谱相机进行无损检测，已经成为一种先进的技术手段。

本文将结合案例分析，探讨如何利用高光谱相机无损检测红不软桃的品质，以及在食品行业中的应用。

一、高光谱相机的原理和技术特点高光谱成像技术是一种集成光学、光谱和信息处理的先进技术，其工作原理是通过不同波长的光线对物体进行扫描，获取物体在不同波长下的反射光谱信息，从而实现对物体成分、表面特性等信息的分析和识别。

高光谱相机具有高分辨率、高灵敏度和高准确性的特点，能够快速获取大量数据，并在不破坏样品的情况下对其进行分析和检测。

二、红不软桃的品质特征及高光谱检测方法红不软桃是一种具有丰富营养和独特风味的水果，其品质受多种因素影响，如成熟度、糖酸比、香气成分等。

利用高光谱相机进行无损检测红不软桃的品质，首先需要建立起相关的光谱数据库，通过采集大量样品的光谱数据，建立起品质特征与光谱参数的对应关系模型。

然后利用高光谱成像技术对红不软桃进行成分分析和品质评估，通过对比样品光谱数据与数据库中的标准光谱数据，可以准确地判断红不软桃的成熟度、香气成分含量等，从而实现对其品质的无损检测。

三、案例分析：利用高光谱相机无损检测红不软桃的品质某果园引进了高光谱相机用于无损检测红不软桃的品质，通过对红不软桃的光谱特征进行分析，发现不同成熟度和质量的红不软桃在光谱上有明显的差异。

利用高光谱相机，果园工作人员可以在不同时间段对红不软桃进行光谱扫描，并通过数据分析，精准地掌握果实的成熟度和香气成分含量，及时调整采摘和储存的方式，从而最大限度地保持红不软桃的品质和营养价值。

四、个人观点与总结高光谱相机在无损检测食品品质方面具有广阔的应用前景，其技术手段不仅可以提高检测的准确性和效率，还可以最大程度地保持食品的原有品质和营养价值。

随着科技的不断进步，高光谱相机无疑将在食品行业中发挥越来越重要的作用。

高光谱成像的猕猴桃货架期快速预测

Vol 40, No. 6, pp 1940-1946June , 2020第40卷，第6期2 0 2 0年6月光谱学与光谱分析SpectroscopyandSpectralAnalysis高光谱成像的猕猴桃货架期快速预测邵园园12,王永贤】，玄冠涛1!3"，高宗梅4,刘艺1，韩翔】，胡志超21. 山东农业大学机械与电子工程学院，山东泰安2710182. 农业农村部南京农业机械化研究所，江苏南京2100143. College of Agriculture , Food and Natural Resources , Universty of Missouri , Columbia 65211, USA4. Biological Systems Engineering, Washington State Universty, Washington 99350, USA摘要货架期是影响果蔬品质和供应安全的重要因素，快速准确预测果蔬货架期已成为消费者、生产者和管理者共同关注的问题）猕猴桃含有多种有机物和氨基酸，具有丰富的营养价值，深受广大消费者的喜爱）但由于猕猴桃表面颜色变化不明显，人们仅凭感官难以准确判断猕猴桃的货架期和质量等级）采用高光谱成像结合化学计量学方法对不同储存条件下的保鲜猕猴桃进行了货架期预测）首先采集了 4 h 和（18土 2）h 下保鲜时间为0, 2, 4天各120个猕猴桃样本在400〜1 000 nm 的高光谱数据,测定其硬度值和可溶性固形物含量（SSC ）,获取猕猴桃切片高光谱图像）对猕猴桃平均光谱提取并进行Savitzky-Golay 卷积平滑预处理后,通过光谱数据主成分分析（PCA ）,发现不同货架期和储存温度的猕猴桃样本在前2个主成分空间形成一定的聚类，4 h 下猕猴桃样本出现少量重叠）为了减少波长变量，提高运算速度，使用载荷系数法（XL ）与连续投影算法（SPA ）选择特征波长）其中，4 h 猕猴桃样本的XL 和SPA 特征波长分别7个（481 , 501 , 547 , 665 , 723 , 839 , 912 nm ）和 10 个（406 , 428 , 520 , 617 , 665 , 682 , 723 , 818 , 878 和 983 nm ）；（18土 2） h 猕猴桃样本XL 特征波长为508 , 545 , 665 , 672 , 720 , 839和909 nm , SPA 特征波长为575 , 622 , 731 , 756 , 779 , 800 , 828 , 865 , 920和983 nm 。

高光谱图像技术在水果无损检测中的研究进展

３．宁夏红枣工程技术研究中心，宁夏灵武７５０４００）
摘
要：为保证水果质量，满足企业与消费者的需求，势必要对水果进行品质检测和分级处理。
高光谱图像作为一种新型的无损检测技术，融合了图像学和光谱学的优点，可以快速、无损地获取水果的空间和光谱图像信息，从而全方位的反映水果内外部的品质信息。因此，该技术在
Ｒｅｓｅａｒｃｈｐｒｏｇｒｅｓｓｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇｔｅｃｈｎｏｌｏｇｙｉｎｎｏｎ．ｄｅｓｔｒｕｃｔｉｖｅｄｅｔｅｃｔｉｏｎｏｆｆｒｕｉｔ
３．ＮｉｎｇｘｉａＪｕｊｕｂｅＥｎｇｉｎｅｅｉｒｎｇＴｅｃｈｎｏｌｏｇｙＲｅｓｅａｒｃｈＣｅｎｔｅｒ，Ｙｉｎｅｈｕａｎ７５００２１，Ｃｈｉｎａ）
ＷＵＬｏｎｇ — ｇｕｏ，ＨＥＪｉａｎ．ｇｕｏ，ＨＥＸｉａｏｇｕａｎｇ，ＬＩＵＧｕｉ．ｓｈａｎ，ＷＡＮＧＷｅｉ，ＷＡＮＧＳｏｎｇ．１ｅｉ，
ＳＵＷｅｉ．ｄｏｎｇ。ＬＵＯＹａｎｇ，ＳＩＺｈｅｎ— ｈｕａ
・综述与评论・
高光谱图像技术在水果无损检测中的研究进展

基于高光谱成像的肥城桃品质可视化分析与成熟度检测

３. 华盛顿州立大学精细与自动化农业研究中心ꎬ 普罗瑟９９３５０)
摘要: 肥城桃采摘后转色快、易腐烂ꎬ导致果品等级下降ꎮ 采用高光谱成像技术对其进行可溶性固形物含量( ＳＳＣ)
和硬度可视化分析与成熟度检测ꎬ以提高果品质量ꎬ实现优果优价ꎮ 首先ꎬ采集成熟度为７０％和９０％的各８０个肥
城桃的高光谱信息、ＳＳＣ和硬度ꎬ通过蒙特卡罗偏最小二乘法分析剔除异常值ꎬ利用光谱理化值共生距离划分样本
ｐｒｏｊｅｃｔｉｏｎｓａｌｇｏｒｉｔｈｍ ( ＳＰＡ) ꎬ ｒｅｓｐｅｃｔｉｖｅｌｙ. ＴｈｅｍｏｒｅｅｆｆｅｃｔｉｖｅｄｅｔｅｃｔｉｏｎｒｅｓｕｌｔｓｗａｓｅｍｅｒｇｅｄｂｙＣＡＲＳ
ＭＬＲｍｏｄｅｌꎬ ｗｉｔｈａｄｅｔｅｒｍｉｎａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｏｆｃａｌｉｂｒａｔｉｏｎｓｅｔ ( Ｒ２ｃ ) ｏｆ０８１９１ꎬ ａｄｅｔｅｒｍｉｎａｔｉｏｎ
ｅｌｉｍｉｎａｔｅｄｂｙｕｓｉｎｇＭｏｎｔｅＣａｒｌｏ￣ｐａｒｔｉａｌｌｅａｓｔｓｑｕａｒｅｓｍｅｔｈｏｄ. ＭＬＲｄｅｔｅｃｔｉｏｎｍｏｄｅｌｓｗｅｒｅｅｓｔａｂｌｉｓｈｅｄ
ｕｓｉｎｇｆｅａｔｕｒｅｗａｖｅｌｅｎｇｔｈｓｓｅｌｅｃｔｅｄｂｙｃｏｍｐｅｔｉｔｉｖｅａｄａｐｔｉｖｅｒｅｗｅｉｇｈｔｅｄｓａｍｐｌｉｎｇ ( ＣＡＲＳ) ａｎｄｓｕｃｃｅｓｓｉｖｅ
ｃｏｅｆｆｉｃｉｅｎｔｏｆｖａｌｉｄａｔｉｏｎｓｅｔ ( Ｒ２ｖ ) ｏｆ０８４３９ａｎｄａｒｅｓｉｄｕａｌｐｒｅｄｉｃｔｉｏｎｄｅｖｉａｔｉｏｎ ( ＲＰＤ) ｏｆ２０ｆｏｒＳＳＣ
ａｓｓｅｓｓｍｅｎｔꎬ Ｒ２ｃｏｆ０９５１８ꎬ Ｒ２ｖｏｆ０８７７２ａｎｄＲＰＤｏｆ２１ｆｏｒｆｉｒｍｎｅｓｓａｓｓｅｓｓｍｅｎｔ. Ｖｉｓｕａｌｉｚａｔｉｏｎｍａｐｓ

高光谱成像技术在水果品质检测中的应用研究进展

谭　涛，冯树南，温青纯，等．高光谱成像技术在水果品质检测中的应用研究进展［Ｊ］．江苏农业科学，２０２４，５２（６）：１１－１８．ｄｏｉ：１０．１５８８９／ｊ．ｉｓｓｎ．１００２－１３０２．２０２４．０６．００２高光谱成像技术在水果品质检测中的应用研究进展谭　涛１，冯树南１，温青纯１，黄人帅１，２，孟庆龙１，２，尚　静１，２（１．贵阳学院食品与制药工程学院，贵州贵阳５５０００５；２．贵州省农产品无损检测工程研究中心，贵州贵阳５５０００５）摘要：高光谱成像技术结合成像技术和光谱技术，可以从样本中获取其空间和光谱信息。

因此，高光谱成像技术能够识别和检测水果的各种化学成分及其空间分布，在水果品质的检测中备受关注。

本文首先综述了高光谱成像原理及系统装置，并展开讨论了高光谱图像的校正方法、多种光谱预处理、数据降维和样本集划分方法，从定量和定性角度对模型的构建方法和性能评估进行了分析。

其次，总结了高光谱成像技术在水果内部品质（可溶性固形物含量、酸度、硬度、水分含量）和外部品质（损伤、缺陷和纹理）检测和分级中的最新研究进展。

最后，对高光谱成像技术在水果品质检测与分级中的应用前景提出展望，以期为优化水果品质的检测方法提供理论依据。

同时，也指出了当前可能存在的挑战和局限性。

关键词：高光谱成像；水果品质；缺陷；物理化学属性；无损检测中图分类号：ＴＳ２５５．７；Ｓ１２７文献标志码：Ａ文章编号：１００２－１３０２（２０２４）０６－００１１－０８收稿日期：２０２３－０６－０７基金项目：中央引导地方科技发展资金（编号：黔科中引地［２０２２］４０５０）；贵州省科技计划（编号：黔科合基础［２０２０］１Ｙ２７０）；贵州省普通高等学校青年人才成长项目（编号：黔教合ＫＹ字［２０２０］０８１）；贵阳市科技计划（编号：筑科合同［２０２１］４３－１５号）；贵阳学院硕士研究生科研基金（编号：ＧＹＵ－ＹＪＳ［２０２２］－５３）；大学生创新创业训练计划（编号：Ｓ２０２２１０９７６０４６）。

关于近红外高光谱成像技术的桃轻微损伤早期检测

关于近红外高光谱成像技术的桃轻微损伤早期检测引言桃柔软多汁、营养丰富，素有仙桃寿果之称。

桃不耐贮运且在采摘、运输和贮藏过程中极易发生各种机械损伤[1]，损伤初期表皮未破损，伤面有轻微凹陷，肉眼难以察觉; 随着时间流逝表皮会逐渐褐变，成为侵染性病害产生的入口和温床，并侵染其他完好的水果; 最终导致水果大量腐烂，给果农造成经济损失。

因此，找到一种有效的对轻微损伤早期检测方法很有必要。

水果表面缺陷的检测目前广泛使用RGB 成像系统。

然而，在桃受损伤的早期，轻微损伤的表面和正常部位几乎一样，肉眼很难识别，RGB 成像系统难以满足需要。

而受损区域的含水量要高于其他正常组织，这种变化可以通过RGB 以外的特定波长下的光谱表现出来。

近年来，可以同时获取被测对象的空间及光谱信息的高光谱成像技术在水果表面轻微损伤检测中得到了广泛的使用。

Xing 等应用可见/ 近红外( 400 ～ 1 000nm) 高光谱图像对Jonagold( 乔纳金) 苹果和Golden Delicious苹果表面损伤进行检测。

识别结果表明: 损伤发生1 天后的苹果检测率分别为77. 5%和86%。

ElMasry 等 ( 2008 年) 以Mc-Intosh苹果为研究对象，应用可见/ 近红外( 400 ～1 000nm) 对发生1h 内的损伤进行检测，最终确定近红外区域的3 个有效波段( 750、820、960nm) 可用来检测。

黄文倩等以具有代表性的阿克苏苹果为研究对象，采用高光谱成像技术( 320 ～ 1 100nm) 和分段主成分分析对发生0. 5h 之内的损伤苹果进行早期检测研究，对比分析不同光谱区域主成分分析对识别结果的影响，优选出识别光谱区域为近红外范围( 780 ～1 000nm) 。

结果表明: 正常果的识别率为100%，损伤果的识别率为96%。

Benxue 应用在在500 ～ 800nm范围的高光谱数据对香梨表面损伤进行检测，检测正确率为89. 4%。

高光谱成像在水果内部品质无损检测中的研究进展

高光谱成像在水果内部品质无损检测中的研究进展一、本文概述Overview of this article随着科技的进步和消费者对食品安全与品质要求的日益提高，无损检测技术在水果品质评估中的应用逐渐受到关注。

其中，高光谱成像技术以其独特的光谱与空间信息结合能力，为水果内部品质的无损检测提供了新的可能。

本文旨在综述高光谱成像技术在水果内部品质无损检测领域的研究进展，包括其基本原理、技术应用、研究成果以及面临的挑战与未来发展趋势。

通过对相关文献的梳理和分析，本文期望能为该领域的进一步研究提供参考与借鉴。

With the advancement of technology and the increasing demands of consumers for food safety and quality, the application of non-destructive testing technology in fruit quality assessment is gradually receiving attention. Among them, hyperspectral imaging technology, with its unique ability to combine spectral and spatial information, provides new possibilities for non-destructive testing of the internalquality of fruits. This article aims to review the research progress of hyperspectral imaging technology innon-destructive testing of fruit internal quality, including its basic principles, technical applications, research achievements, challenges and future development trends. By reviewing and analyzing relevant literature, this article aims to provide reference and inspiration for further research in this field.二、高光谱成像技术原理及其在水果检测中的应用基础The principle of hyperspectral imaging technology and its application foundation in fruit detection 高光谱成像（Hyperspectral Imaging，HSI）是一种集图像与光谱信息于一体的技术，它能够在多个连续的狭窄波长范围内获取物体的图像数据，进而形成三维数据立方体——两个空间维度和一个光谱维度。

基于高光谱成像技术的典型水果冲击损伤的研究

基于高光谱成像技术的典型水果冲击损伤的研究水果富含维生素、矿物质和膳食纤维,历来受到人们的青睐,并且已经成为人类饮食结构的重要组成部分。

但是,新鲜水果在收获、包装和运输期间非常容易受到机械损伤,这可能导致果实品质的显著降低。

在各种形式的损伤中,冲击损伤最严重且最容易发生。

如果发生损伤,基于损伤的程度,通过把水果分级处理可以减少经济损失。

这时就需要对损伤的程度进行客观和定量的评估。

然而,这在食品安全领域仍是一个重要挑战。

传统的人工感官检测和破坏性预测评价方法费时费力,而且精度不高,已经无法满足现代化农业快速、无损、实时的自动检测分级的需求。

本文分别以芒果和苹果等典型水果为研究对象,基于高光谱成像技术,并结合多种光谱分析技术及数学建模方法,研究了水果受冲击损伤后其光谱的变化、理化指标的变化和相应力学参数的变化,寻找影响损伤程度的主要贡献因子,进一步建立了果实光谱信息与其理化指标、力学参数的数学模型,实现了果实是否受损的无损鉴别及对其品质等各参数的预测,为无损评估果实的机械损伤提供重要参考。

主要研究内容和成果有:(1)采用近红外高光谱成像技术(900-1700nm)实现了对芒果理化指标的预测及损伤程度的无损鉴别。

采集从不同高度(0.5m,1.0m,1.5m)跌落的芒果样品的高光谱图像,提取样品感兴趣区域(Region of interest,ROI)的平均光谱。

结合竞争性自适应重加权算法(Competitive adaptive reweighted sampling,CARS)提取总光谱的特征波长作为光谱变量。

采用理化方法测定所有样品的理化指标值。

建立样品光谱变量与其相应的理化指标的偏最小二乘回归(Partial least square regression,PLSR)模型,针对果肉硬度(Pulp firmness,PF)、可溶性固形物(Total soluble solids,TSS)、可滴定酸(Titratable acidity,TA)及颜色(?b*),PLSR预测模型的决定系数~2和均方根误差RMSEP分别可达到0.84和3.16 N,0.9和0.49 ~oBrix,0.86和0.07%,0.94和0.96。

高光谱图像结合机器学习方法无损检测猕猴桃

第４０卷第４期２０１９年４月
中国农机化学报ＪｏｕｒｎａｌｏｆＣｈｉｎｅｓｅＡｇｒｉｃｕｌｔｕｒａｌＭｅｃｈａｎｉｚａｔｉｏｎ
ＤＯＩ：１０．１３７３３／ｊ．ｊｃａｍ．ｉｓｓｎ．２０９５－５５５３．２０１９．０４．１３
Ｖｏｌ．４０Ｎｏ．４Ａｐｒ．２０１９
高光谱图像结合机器学习方法无损检测猕猴桃＊
（２０１５ＪＭ３１１０）第一作者：霍迎秋，男，１９７８年生，河北玉田人，博士，高级实验师；研究方向为机器学习和农产品无损检测。Ｅ－ｍａｉｌ：ｆａｌｌｙｉｎｇ＠ｎｗｓｕａｆ．ｅｄｕ．ｃｎ通讯作者：刘景玲，女，１９７９年生，河北大城人，博士，实验师；研究方向为药用植物学和生物信息学。Ｅ－ｍａｉｌ：ｊｉｎｇｌｉｎｇｌｉｕ－ｓｍ＠ｎｗｓｕａｆ．ｅｄｕ．ｃｎ
１试验部分
１．１试验材料与方法试验样品为２００个空白猕猴桃，果实的果肉硬度
约为５．１０ｋｇ／ｃｍ２，可溶性固形物约为９０．０ｇ／ｋｇ，果实形状规则、大小均匀，无损伤、无病虫害，成熟度相对
பைடு நூலகம்
收稿日期：２０１８年１１月６日修回日期：２０１８年１２月８日＊基金项目：国家高技术研究发展计划子课题（２０１３ＡＡ１０２３０４０２）；陕西省农业科技创新与攻关项目（２０１５ＮＹ０４９）；陕西省自然科学基金面上项目
霍迎秋１，张晨１，李宇豪１，智文涛１，张炯２，刘景玲３

基于高光谱成像的鲜桃虫害检测特征向量的选取

基于高光谱成像的鲜桃虫害检测特征向量的选取王帅帅【摘要】本文采用阈值分割和主成分分析方法对高光谱图像进行处理，以得到虫害区域分割结果。

然后选取2个特征波长作为光谱特征，提取4个纹理参数作为纹理特征，并将其优化组合成4组特征向量。

利用BP神经网络进行鲜桃虫害检测。

结果表明，667nm和746nm波段的光谱反射值的光谱特征和270。

方向的能量、对比度、熵、相关性的纹理特征的组合为鲜桃虫害检测的最优特征向量，果实识别正确率为100％。

【期刊名称】《信阳农林学院学报》【年(卷),期】2015(025)004【总页数】5页(P119-123)【关键词】高光谱成像;元损检测;图像处理;主成分分析;光谱特征【作者】王帅帅【作者单位】滁州学院地理信息与旅游学院,安徽滁州239000【正文语种】中文【中图分类】TP391.4桃树原产我国，近年来发展速度较快，栽培面积达45.2万hm2，产量达2000万t，占世界鲜桃总产的36%，而出口量却不到世界总出口量的0.6%。

采摘及储藏技术、采后缺陷监测及分级技术落后等致使果实品质较差，缺乏国际市场竞争力。

虫害是影响果实品质的重要指标，食心虫等虫害一旦侵入果实，往往在内部进行驻洞，破坏其组织结构并在表面形成虫眼[1]，严重影响果实的品质与销售。

目前，我国水果缺陷的检测主要依靠人工目测、抽样切片或常规可见光机器识别[2]。

传统方法耗时耗力，效率低，误判率高，很难满足水果在线检测应具备的无损性、快速性、直观性以及大规模生产需求[3-4]。

因此，亟需发展一种快速、高效、无损的鲜桃虫害检测方法。

高光谱成像技术既能反映被测物体内部的光谱信息，也体现了其外部特质的图像信息[5]，目前，基于高光谱图像技术的水果品质与安全性检测研究已成为一些国内外学者的主要研究方向。

本文利用高光谱成像技术提供的图像和光谱信息，结合图像纹理分析和光谱分析的数学解析方法，探究能有效识别鲜桃虫害的特征向量，以期为高光谱图像技术对鲜桃品质的检测与分级提供理论依据。

无损检测在猕猴桃质地检测中的应用

猕猴桃是水果中的“维生素C之王”，又称奇异果、藤梨等，我国是猕猴桃的原产国之一，具有悠久的种植历史[1]。

质地是猕猴桃内部评价的重要指标，猕猴桃的质地与其果实的口感、成熟度等有着紧密的关系[2]，消费者在购买时也常通过猕猴桃的质地来主观判断猕猴桃内部品质的好坏。

无损检测技术的迅速发展，能提高水果质量检测的效率，不破坏水果后续的销售和食用，不产生不良影响，增加了果农的经济效益。

传统的猕猴桃质地检测是通过捏、破皮检查等手段进行判断，但预判结果不精确，同时还会破坏猕猴桃的原有状态和化学性质。

1　猕猴桃质地无损检测方法1.1　基于计算机视觉无损检测利用特定编写的计算机程序代替人的视觉对猕猴桃的颜色、性状、大小、表面伤损等特征进行感知，捕获图像后进行识别和分析，从而作为猕猴桃分级分类的依据。

计算机视觉无损检测方法检测迅速、精确度高、信息量大，可用于猕猴桃的颜色、形状、表皮损伤等外观特征的无损检测。

李倩倩采用形态学对猕猴桃表面损伤进行处理并基于BP（Back Propagation）神经网络算法对猕猴桃进行分级分类，准确率为91.3%[3]。

1.2　基于介电特性无损检测猕猴桃内部含有大量带电粒子，随着生长、成熟、受损、腐败等过程发展，猕猴桃内部也存在能量与物质的交换，从而导致内部电荷的所带电量及空间分布发生改变，在宏观上表现出不同的电特性[4]。

与其他方法相比，介电特性无损检测方法具有快速、灵敏、装置简单、易实现等优点，可应用于猕猴桃的机械损伤、新鲜度、质地等品质特征的识别。

卢丹对猕猴桃介电特性特征频率进行提取和数据降维时，发现建模效果较好的是遗传算法，降维效果较好的是投影算法[5]。

1.3　基于声学振动无损检测猕猴桃与检测装置接触的过程中产生声学振动信号，利用音频采集器和数据分析器对数据进行收集和分析处理，可得到猕猴桃的质地与其声学信号特征之间的关系。

声学振动方法具有操作便捷、速度快、装置便于携带等优点[6]，可应用于猕猴桃的质地、内部缺陷、成熟度等品质无损检测。

基于高光谱成像的贵长猕猴桃硬度快速预测

基于高光谱成像的贵长猕猴桃硬度快速预测尚静;冯树南;谭涛;吴美芝;陈海江;孟庆龙【期刊名称】《食品工业科技》【年(卷),期】2023(44)6【摘要】为了提高猕猴桃硬度预测的效率。

应用可见/近红外(390~1030 nm)高光谱成像系统获取贵长猕猴桃的高光谱图像信息,并提取每个样品感兴趣区域的反射光谱,采用标准正态变换消除原始反射光谱中的噪声干扰;基于竞争性自适应重加权(competitive adaptive reweighted sampling,CARS)与连续投影算法筛选特征变量,建立误差反向传播神经网络和多元线性回归(multi linear regression,MLR)模型检测贵长猕猴桃硬度。

结果表明:应用CARS从256个变量中筛选了35个特征变量,运算效率提升了近11倍(即运算时间从5.84 s降到了0.54 s);构建的CARS-MLR检测模型具有较大的r_(c)=0.95和r_(p)=0.92,较小的RMSEC=1.65kg/cm^(2)和RMSEP=1.99 kg/cm^(2),且RPD值(2.47)大于2,表明CARS-MLR 模型具有非常好的检测性能,利用高光谱成像技术以及化学计量学可以实现贵长猕猴桃硬度的快速无损检测。

【总页数】6页(P345-350)【作者】尚静;冯树南;谭涛;吴美芝;陈海江;孟庆龙【作者单位】贵阳学院食品与制药工程学院;贵州省农产品无损检测工程研究中心【正文语种】中文【中图分类】O657.3;S663.4【相关文献】1.基于高光谱反射、透射和交互作用成像模式的蓝莓硬度和弹性模量预测的比较2.基于高光谱成像技术的草莓硬度预测3.高光谱成像的猕猴桃货架期快速预测4.基于高光谱成像技术的草莓硬度预测5.基于近红外高光谱成像快速预测牛肉中猪肉掺入量因版权原因，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)。

第２３卷
第６期
光学精密工程
ＯｐｔｉｃｓａｎｄＰｒｅｃｉｓｉｏｎＥｎｇｉｎｅｅｒｉｎｇ
Ｖｏｌ＿２３Ｎｏ．６
２０１５年６月
Ｊｕｎ．２０１５
文章编号１００４ — ９２４Ｘ（２０１５）０６ — １５３０ — ０８
ቤተ መጻሕፍቲ ባይዱ
文献标识码：Ａ
ｄｏｉ：１０．３７８８／ＯＰＥ．２Ｏ１５２３０６．１５３０
Ｎ０ｎｄｅｓｔｒｕｃｔｉｖｅｄｅｔｅｃｔｉｏｎｏｎｆｉｒｍｎｅｓｓｏｆｐｅａｃｈｅｓｂａｓｅｄｏｎｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｎｇａｎｄａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ
４Ｏｐｉｘｅｌｉｎｅａｃｈｉｍａｇｅｗａｓｃａｌｃｕｌａｔｅｄａｎｄｗａｓｕｓｅｄａｓｔｈｅｏｒｉｇｉｎａｌｓｐｅｃｔｒａ．Ｔｈｅｓｐｅｃｔｒａｗｅｒｅ
ＧＵＯＷｅｎ — ｃｈｕａｎ，ＤＯＮＧＪｉｎｌｅｉ
（ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌａｎｄＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，
ＮｏｒｔｈｗｅｓｔＡｇｒｉｃｕｌｔｕｒｅａｎｄＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｙａｎｇｌｉｎｇ７１２１００，Ｃｈｉｎａ）
高光谱成像结合人工神经网络无损检测桃的硬度
郭文川，董金磊
（西北农林科技大学机械与电子工程学院，陕西杨凌７１２１００）
摘要：为无损检测桃的内部品质，提出了结合高光谱成像技术和人工神经网络无损检测桃硬度的方法。采集了摘后贮藏
为０．８５６，预测均方根误差为０．９３１。本研究为基于桃内部品质的工业化分级提供了基础。关键词：高光谱成像；桃；硬度；无损检测；ＢＰ网络；支持矢量向量机
中图分类号：０６５７．３３；￥６６２．１
＊Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ，Ｅ－ｍａｉｌ：ｇｕｏｗｅｎｃｈｕａｎ６９＠１２６．ｃｏｍ
Ａｂｓｔｒａｃｔ：Ｔｏｅｘｐｌｏｒｅａｎｏｎｄｅｓｔｒｕｃｔｉｖｅｍｅｔｈｏｄｔｏｍｅａｓｕｒｅｐｅａｃｈｉｎｔｅｒｎａｌｑｕａｌｉｔｙ，ａｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇｔｅｃｈｎｏｌｏｇｙｃｏｍｂｉｎｅｄｗｉｔｈＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ（ＡＮＮ）ｗａｓａｐｐｌｉｅｄｔｏｅｖａｌｕａｔｅｔｈｅｆｉｒｍｎｅｓｓｏｆｉｎｔａｃｔｐｅａｃｈｅｓ．Ｔｈｅｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｓｏｆ１４０ｐｅａｃｈｅｓｄｕｒｉｎｇ１２ｄａｙｓｔｏｒａｇｅｗｅｒｅａｃａｕｉｒｅｄｆｒｏｍ９００ｎｍｔｏ１７００ｎｍ，ａｎｄｔｈｅａｖｅｒａｇｅｒｅｆｌｅｃｔｉｖｅｓｐｅｃｔｒｕｍｏｆｉｎｔｅｒｅｓｔｒｅｇｉｏｎｏｆ４０ｐｉｘｅｌ ×
了１２ｄ的１４０个桃在９ＯＯ～１７００ｎｌＴｌ的高光谱图像，以每个桃高光谱图像中４０ｐｉｘｅｌ ×４０ｐｉｘｅｌ的感兴趣区域的平均光
谱作为桃的原始反射光谱；利用Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ平滑和标准正态变量变换对光谱进行预处理；基于共生距离算法划分样本，得到校正集样本１０５个和预测集样本３５个。利用连续投影算法、无信息变量消除法和正自适应加权算法从全光谱的２１６个波长中分别提取了ｌ２个、１０３个和２２个特征波长；分别建立了基于全光谱和提取的特征波长预测桃硬度的支持向量机模型和ＢＰ网络模型。结果表明，基于全光谱建立的ＢＰ网络模型具有最好的预测性能，其预测相关系数