基于多光谱柑桔缺陷检测方法研究
基于深度学习的无人机多光谱图像柑橘树冠分割
第3期
ห้องสมุดไป่ตู้
宋昊昕,等:基于深度学习的无人机多光谱图像柑橘树冠分割
141
0 引言
柑橘作为我国南方广泛种植的果树,在增加农 民收入等方面发挥着重要作用。 柑橘树冠、产量等 基础数 据 的 准 确 获 取 是 实 施 精 准 农 业 的 前 提[1] 。 然而,目前获取这些数据的标准方法仍主要依靠人 工劳动,费时费力。 由于成本限制,大范围调查通 常只选择几棵进行,抽样偏差和测量的稀疏性可能 导致数据不准确[2] 。 因此,需要开发一种快速、可 靠的技术,精确提取柑橘单木信息。
( 桂林理工大学 测绘地理信息学院,广西 桂林 541006)
摘 要:树冠信息的准确获取是研究柑橘树生长及产量预测的重要指标,但复杂的树木结构给树冠的准确提取带来一定 影响,深度学习的快速发展为柑橘树冠信息准确获取提供了可能。 采用一种新的基于深度学习的柑橘树冠自动提取方法,即 将消费级无人机采集的多光谱图像与一种新的深度学习模型 U2 -Net 结合,通过对获取的图像进行几何变换以构建柑橘树冠 图像数据集。 将 U2 -Net 模型和当前 3 种主流深度学习模型( 即 PSPNet、U-Net 和 DeepLabv3+) 分别在 3 个典型试验分区进行 试验以提取柑橘树冠信息,并对提取结果进行对比分析。 结果表明,在 3 个试验分区,U2 -Net 模型的柑橘树冠提取精度最高, 其中交并比( IoU) 、总体精度( OA) 和 F1 分数( F1-score) 分别为 91. 93%、92. 34%和 93. 92%。 与其他 3 种深度学习模型相比, U2 -Net 模型的 IoU、OA 和 F1-socre 分别提高了 3. 63% ~ 8. 31%、1. 17% ~ 5. 25%和 1. 97% ~ 4. 91%。 此外,U2 -Net 模型柑橘树 冠提取面积和测量面积之间具有较高的一致性,3 个试验分区决定系数( R2 ) 均高于 0. 93,且与其他 3 种深度学习模型相比, U2 -Net 模型的错误率也较低,均方根误差( RMSE) 为 1. 35 m2 ,均方误差( MRE) 为 8. 15%。 此研究将无人机多光谱图像与 U2 -Net 模型相结合的方法能够实现柑橘树冠的精确提取,且提取树冠轮廓完整性较好,可为柑橘动态生长变化监测和产量预 测提供基础数据与技术支撑。
高光谱成像技术无损检测水果缺陷的研究进展
高光谱成像技术无损检测水果缺陷的研究进展田有文;牟鑫;程怡【摘要】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。
%Nondestructive detection of fruits defects is an important basis of the classification of fruits .With the develop-ment of image technology and spectral information , decline of the hyperspectral imaging system hardware cost and im-provements of performance , hyperspectral imaging technology in nondestructive detection of fruits defects gains more and more applications .In order to take full advantage of the latest research results , this paper reviews the advancement of nondestructive detection of the fruits defects of disease , pest by hyperspectral imaging technology .And the development direction is prospected .【期刊名称】《农机化研究》【年(卷),期】2014(000)006【总页数】5页(P1-5)【关键词】高光谱成像;水果;缺陷;无损检测【作者】田有文;牟鑫;程怡【作者单位】沈阳农业大学信息与电气工程学院，沈阳 110866;沈阳农业大学信息与电气工程学院，沈阳 110866;沈阳农业大学信息与电气工程学院，沈阳110866【正文语种】中文【中图分类】TP391.410 引言水果缺陷是水果自动分级系统中的重要依据之一，种类主要有碰伤、压伤、擦伤、刺伤、磨伤、裂伤、雹伤、腐烂、虫咬、果锈、日灼和病害等。
基于多光谱柑桔缺陷检测方法研究
我国大多数水果质量并不比外国水果质量差, 但始终面临着销售难、 价格低等困难 , 纠 其原因, 除 了品种、 品质等主要因素外 , 还有一个易被大多数生 产者和中间商忽略的一个重要环节 ) ) ) 采后处理. 落后的水果采后处理技术已经成为制约我国水果出 口创汇的瓶颈问题. 面对当前入世后水果销售方面 的严峻形势 , 研究高效的水果自动分级系统对于提 高水果在国际市 场上的竞 争力有 着重要的 现实意 [ 1] 义 . 因此, 目前国内外对于计算机视觉技术应用于 苹果外观质量分级的研究比较多 .
第 26 卷 第 4 期 2010 年 8 月
天 津 理 பைடு நூலகம் 大 学 学 报 JOURNAL OF T IANJ IN UNIVER SITY O F TECHNOLOGY
Vo. l 26 No . 4 Aug . 2010
文章编号 : 16732095X( 2010 ) 042 0036204
基于多光谱柑桔缺陷检测方法研究
2 试验材料与装置
2 . 1 实验材料 实验已柑桔 作为研究 对象, 共有 20 个柑 桔样 本 , 其中有 3 个为损伤柑桔 . 2 . 2 系统设计 本研究的硬件系统主要由多光谱光源、 摄像机、 图像采集卡、 计算机组成. 系统框图如图 2 所示. 本 研究采用的 光源 为自制 多光 谱 LED 光源 , 光 源的 LED 阵列所示 , 选用 4 种不同的 LED 灯 , 光源可以提
F ig . 3 图 3 多光谱系统采集单光谱图像 S ingle sp ectr um i m ages cap tur ed by the system
3 . 1 图像采集 本研究采用多光谱光源 照射的方法进行柑桔 ,
# 38#
天
基于拉曼光谱和自荧光光谱的柑橘黄龙病快速检测方法
基于拉曼光谱和自荧光光谱的柑橘黄龙病快速检测方法作者：代芬邱泽源邱倩刘楚健黄国增黄雅琳邓小玲来源：《智慧农业》2019年第03期摘; ;要：为了快速检测黄龙病这一柑橘毁灭性病害，分析了柑橘黄龙病样本和健康样本的自荧光和拉曼光谱差异，建立了基于自荧光光谱、拉曼光谱和混合光谱的PLS-DA模型，进行了模型的结果比较，最后绘制了三种模型的分类器特征曲线ROC，通过曲线下面积AUC参数进一步评价了模型的性能。
试验结果表明，柑橘黄龙病叶片样本和健康叶片样本的自荧光光谱和拉曼光谱存在差异信息。
在785nm波长激光诱导下，柑橘叶片样本都产生了比较强的自荧光。
黄龙病叶片的自荧光相对于健康样本的自荧光在小于1203cm-1范围更弱，而在大于1206cm-1范围更强，其下降的斜率（绝对值）相对健康样本更小。
在典型的黄龙病样本和健康样本的拉曼光谱数据中，均可发现具有以下拉曼峰且具有一致性：920cm-1，1160cm-1，1289cm-1，1331cm-1和1529cm-1。
黄龙病样本和健康样本相比在1257cm-1、1396cm-1、1446cm-1、1601 cm-1和1622cm-1具有更大的拉曼峰值强度和光谱带宽，在1006cm-1、1160cm-1、1191cm-1和1529cm-1位置谱峰强度较弱，提示黄龙病样本的类胡萝卜素含量较低。
基于自荧光光谱、拉曼光谱和混合光谱三种光谱的PLS-DA模型鉴别的准确率分别为86.08%、98.17%和94.75%。
进一步计算三种模型的ROC曲线下面积AUC参数分别为0.9313、0.9991和0.9875，拉曼光谱模型的AUC值最大，也表明拉曼光谱模型的鉴别效果最优。
拉曼光谱分析技术可以成为探索柑橘黄龙病快速诊断鉴别的新途径。
关键词：黄龙病检测;拉曼光谱;自荧光光谱;PLS-DA;柑橘;诊断中图分类号：S-3; ; ; ; ; ; ; ; ; 文献标志码：A; ; ; ; ; ; ;文章编号：201812-SA026代; ;芬，邱泽源，邱; ;倩，刘楚健，黄国增，黄雅琳，邓小玲. 基于拉曼光谱和自荧光光谱的柑橘黄龙病快速检测方法[J].智慧农业，2019，1（3）： 77-86.Dai F， Qiu Z， Qiu Q， Liu C， Huang G， Huang Y， Deng X. Rapid detection of citrus Huanglongbing using Raman spectroscopy and Auto-fluorescence spectroscopy[J]. Smart Agriculture， 2019， 1（3）： 77-86. （in Chinese with English abstract）1; 引言柑桔黄龙病（Huanglongbing，HLB）是柑桔的毁灭性病害[1]。
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％。
多光谱技术论文：多光谱技术 大小形状检测 缺陷检测 颜色检测
多光谱技术论文：基于多光谱柑桔检测方法研究【中文摘要】柑桔是我国南方栽培面积最广的水果,柑桔产业已成为南方农村经济的支柱产业。
当前我国柑桔采后分级的研究较少,现有分级方法主要是人工分级和机械分级,工作效率较低,准确性较差。
因此国内柑桔产业商品化程度不足,其产品附加值较低。
研究利用无损检测技术对柑桔品质进行无损检测处理,对于提高其产品质量,提升商品附加值,增加农民收入具有重要意义。
根据计算机视觉技术工作效率高的特点和水果在不同光谱下吸收反射特性,研究了基于计算机视觉技术与多光谱技术的柑桔识别方法。
主要研究内容如下：1.提出了一种基于多光谱光源的新多光谱图像采集方法,并设计了适合柑桔检测的多光谱LED光源。
2.研究了柑桔不同识别特征的多光谱测量方法,并得到如下结论：在红色波段与黄色波段下采集的多光谱图像,边缘与果体更易提取；在红色波段与黄色波段下采集的多光谱图像,表面缺陷特征更易提取,在红外波段下采集的图像,柑桔的内部缺陷可以提取出来,但表皮缺陷不能提取出来,因此,采用红外波段下的单光谱图像与红色波段、黄色波段下的多光谱图像共同判断柑桔的缺陷；在红色波段下采集的图像,绿色柑桔图像与黄色柑桔图像在果体灰度上有很大的差异,但不宜进行水果颜色的定性分析,因...【英文摘要】Citrus is the fruit which is the most widely cultivated in the southern China. The citrus industry is the pillar industry of the rural economy in the southern China.Currently, the study on citrus’s post-harvest grading is verylittle in our country. The classification method which we havenow is mainly manual and mechanical grading. The two methods have low efficiency and poor accuracy. Therefore, the citrus industry in our country is lack of commercialization and itsadd-value is low. It has great signifi...【关键词】多光谱技术大小形状检测缺陷检测颜色检测【英文关键词】Multi-spectrum technology size and shape detect defects detect color detect【索购全文】联系Q1：138113721 Q2：139938848 同时提供论文写作一对一辅导和论文发表服务.保过包发【目录】基于多光谱柑桔检测方法研究摘要5-6Abstract6-7第一章绪论11-18 1.1 引言11-12 1.2 本研究的目的与意义12-14 1.2.1 我国水果生产现状12-13 1.2.2 现有的分级方法13 1.2.3 本研究的目的与意义13-14 1.3 水果检测的国内外发展概况14-16 1.3.1 计算机视觉技术国内外发展概况14-15 1.3.2 多光谱图像技术国内外发展概况15-16 1.3.3 现有技术存在的缺陷和不足16 1.4 本文的主要研究内容16-17 1.5 本章小结17-18第二章柑桔的光学分析与多光谱光源设计18-29 2.1 引言18 2.2 图像的光学基础与原理18-21 2.2.1 光学的基本性质18-20 2.2.2 多光谱图像的基本原理20-21 2.3 水果分光反射特性21-24 2.3.1 受损苹果的红外反射特性21-22 2.3.2 桃与梨的红外反射特性22-23 2.3.3 讨论23-24 2.4 多光谱光源设计24-28 2.4.1 多光谱光源总体设计24-26 2.4.2 灯体设计26 2.4.3 光源控制部分设计26-28 2.5 本章小结28-29第三章多光谱图像获取方法研究29-39 3.1 引言29 3.2 图像融合的基本理论29-32 3.2.1 代数运算29-30 3.2.2 变换处理30-32 3.3 多光谱图像获取方法研究32-34 3.3.1 单色光谱图像采集与图像分析32 3.3.2 多光谱图像采集与图像分析32-34 3.4 柑桔特征光谱分析34-38 3.4.1 柑桔的识别特征34-35 3.4.2 柑桔识别特征与光谱关系35-38 3.5 本章小结38-39第四章柑桔预处理算法研究39-49 4.1 引言39 4.2 多光谱图像采集系统39-41 4.2.1 基于多光谱柑桔分级系统结构39-40 4.2.2 本文主要采用的部件40-41 4.3 图像分割预处理算法研究41-45 4.3.1 几种常见阂值分割算法41-43 4.3.2 几种算法分析比较43-44 4.3.3 柑桔Otsu法分割结果44-45 4.4 边缘检测算法研究45-48 4.4.1 几种常见的边缘检测算法45-47 4.4.2 几种方法的分析与比较47 4.4.3 柑桔边缘检测结果47-48 4.5 水果形心计算48 4.6 本章小结48-49第五章柑桔图像识别算法研究49-64 5.1 引言49 5.2 柑桔大小和形状算法研究49-53 5.2.1 圆形果大小、形状常用的识别算法49-51 5.2.2 三种方法的比较与分析51 5.2.3 柑桔大小形状检测结果51-53 5.2.4 本节小结53 5.3 柑桔缺陷识别方法研究53-55 5.3.1 水果缺陷识别的几种算法53 5.3.2 两种方法的比较53-54 5.3.3 柑桔缺陷检测结果54-55 5.3.4 本节小结55 5.4 柑桔颜色识别方法研究55-61 5.4.1 颜色的基本理论56-57 5.4.2 现有的颜色判断方法57-58 5.4.3 柑桔颜色检测方法研究58-60 5.4.4 柑桔颜色检测结果60-61 5.4.5 本节小结61 5.5 柑桔检测软件实现61-63 5.6 本章小结63-64第六章结论和展望64-66 6.1 本文主要结论64 6.2 展望64-66参考文献66-69发表论文和科研情况说明69-70致谢70。
一种基于机器视觉的柑橘表面质量检测方法
一种基于机器视觉的柑橘表面质量检测方法摘要为了保证柑橘质量，有必要对柑橘进行质量检测和分级。
针对传统人工筛选检测成本高、效率低的问题，提出了一种基于机器视觉的智能分析方法，能够快速、准确地判别柑橘表面质量。
通过对CCD采集到的图像进行预处理、目标分割、缺陷特征提取，利用支持向量机（SVM）训练缺陷样本，最后对测试样本进行模式识别。
实验结果证明，通过该方法研制的柑橘检测系统可以实现无损化、智能化检测，具有良好的应用前景。
关键词柑橘质量；机器视觉；检测；支持向量机1系统原理与结构柑橘自动检测系统分为硬件和软件部分组成。
硬件部分包括：光照箱、LED 光源、CCD彩色摄像机、图像采集卡、计算机、水果传输系统、PLC等。
软件部分包括：Visual Studio 2010、OpenCV等，通过Visual Studio 2010开发上位机平台，OpenCV处理图像[5]。
系统对传输带上的柑橘进行图像采集、图像处理、分类分级和分拣操作。
CCD摄像机安装在光照箱内，当传输带运动一定距离时，就会通过电感式接近开关触发CCD采集一帧柑橘的图像，然后计算机及其软件系统针对该图像进行处理识别，并将结果发送给PLC，最后通过旋转电磁铁动作分拣柑橘。
2 图像处理与识别2.1 图像预处理CCD采集到的柑橘图像以RGB位图的形式储存在PC上，为了方便后续图像处理，备份原图。
图像预处理的目的是找到柑橘单果目标，而柑橘和背景的亮度差别很大，这有利于分割目标。
首先将彩色图像灰度化，并增强对比度，然后采用大津法将图像二值化，得到带毛边的二值图像，可以利用中值滤波去掉毛刺。
接着对二值图像进行边缘检测，采用Canny 算子效果较好。
然后通过形态学处理，比如膨胀连通边缘小区域，得到完整的柑橘轮廓。
设为输入图像，是结构元素，用b对函数f进行膨胀运算，定义为⑴其中和分别是f和 b 的定义域。
若结构元素为正，则输出图像变亮，暗的细节被消除或者减少。
基于高光谱技术的柑橘不同部位糖度预测模型研究_介邓飞
手 持 糖 度 计 ：ＷＹＴ－４ 型 ，福 建 泉 州 光 学 仪 器 厂 ； 电 子 天 平 ：ＡＰＴＰ４５２ 型 ，中 国 深 圳 安 普 特 公 司 ； 游标卡尺：ＭＮＴ－１５０Ｅ 型，中国上海美耐特公司； 高 光 谱 成 像 光 谱 仪：Ｓｐｅｃｉｍ Ｖ１０Ｅ 型，芬 兰 ＳＰＥＣＩＭ 公司。 １．２ 试 验 方 法 １．２．１ 光谱采集 柑 橘 试 验 样 本 的 高 光 谱 图 像 信 息 通 过 漫 透射的方式获 取。 高 光 谱 漫 透 射 成 像 系 统 由 光 谱 仪、镜 头、 光源、电 动 位 移 平 台、风 扇 和 电 脑 组 成，装 置 示 意 图 见 图 １。 高光谱成像仪是由 ＣＣＤ 摄像头（Ａｎｄｏｒ，Ｃｌａｒａ，Ｂｒｉｔａｉｎ）、图 像 光谱仪（ＳＰＥＣＩＭ，Ｖ１０Ｅ－ＣＬ，Ｆｉｎｌａｎｄ）和 成 像 镜 头 组 成，样 品 室光源采 用 ４ 盏 ５０ Ｗ 卤 素 灯，风 扇 用 于 样 品 室 的 散 热。 光 谱 仪的光谱范围是３９０～１ ０５５ｎｍ，分辨率为２．８ｎｍ，像素为 １ ３９２×１ ０４０。 在对样本进行试验之前，对试验 装 置 的 各 项 参 数 进 行 调 试以获得较高信噪 比 高 光 谱 图 像，调 整 完 毕 后，进 行 信 息 采 集试验。试验过程中采集柑橘花萼、果 梗 和 赤 道 部 位 的 光 谱 信息 ，光 谱 采 集 部 位 示 意 图 见 图２，曝 光 时 间 设 置 为１００ ｍｓ，
基于多光谱柑桔缺陷检测方法研究
Ａｂ ｔａ ｔ ｅ ｔｏ ｆ ｏ — ｅ ｔ ｃｉｅ ｑ ａｉ ｎ ｐ ｃｉｎ ｏ ｕ ｔ ａ ｎ ｅ ｔ ａｅ ａ ｅ ｎ ｍｕｔ ｓ ｅ ｔ ｌ ｍａ ｉｇ ｔｃ — ｓ ｒ ｃ ：Ａ ｎ ｗ ｍｅｈ ｄ ｏ ｎ ｄ ｓｒ ｔ ｕ ｌ ｙ ｉｓ ｅ ｔ ｆ ｒ ｉ ｗ ｓｉ ｖ ｓｉ ｔ ｄ ｂ ｓ ｄ ｏ ｌ — ｐ ｃｒ ｇｎ ｈ ｎ ｕ ｖ ｔ ｏ ｆ ｓ ｇ ｉ ａｉ ｅ
根 据 色度 学基础理论 ， 用图像融合技 术对柑 桔 图像进 行融合 分析判 断 ， 到使柑 桔缺 陷识别 率最 高的 图像 为红 采 得
光 、 光 、 红 外 光 波段 融合 后 的 图像 ． 融合 后 的 多光 谱 图像 ， 用 Ｏｓ 图像 处理 算 法进 行 缺 陷检 测． 黄 近 对 采 ｔ ｕ等 实验 表 明 。 采 用 多光 谱 技 术 可 快 速 有 效 的提 取 缺 陷特 征 ．
基于高光谱成像的病虫害识别研究——以“柑橘”为例★
480 引言我国是农业大国,农业是经济发展的重头戏,南方水果种植是产业发展重要项目之一,其中柑橘在我国南方水果种植产量中占有举足轻重的地位。
病虫害是影响柑橘生长的主要因素之一,严重的病虫害威胁到柑橘的产量,造成大额损失,所以解决病虫害是提高柑橘产量最迫切需要解决的问题。
病虫害最显著的特点是,种类多,影响大且长期发生。
当柑橘出现较严重病虫害时,容易造成减产甚至绝收从而影响农民的收入并且对相应地区的经济发展有一定的阻碍。
本实验通过高光谱成像技术能够早期预测植物病虫害的程度,将高光谱成像技术与小程序结合实现病虫害识别的触手可及。
这样能大大提高农林工作者的工作效率,真正做到了植物病虫害的早防早治,降低不必要的经济损失,甚至对于一些科研人员也是有很大帮助的。
1 材料与方法1.1 实验材料在湖南省常德市石门县,选择3～5年生的石门柑橘作为实验材料。
采集有柑橘溃疡病发病果实的叶片和没有发病果实的叶片作为实验样本。
采集35株不同发病程度果树上的叶片,每一株采集10片左右的叶片,一共采集350片。
采集15株未发病果树的叶片,每一株采集10片左右的叶片,共150片。
采集后用去离子水清洗叶片并擦干,装自封袋并标号,压平整后采集高光谱图像[1]。
1.2 高光谱成像系统高光谱成像系统主要部件有高分辨率光栅光谱仪、CCD摄像机、一维电移台、暗箱等。
光栅分光技术与CCD影像技术结合能够快速的获取影像光谱,由于面阵探测器每帧图像数据就是一个水平方向的光谱数据,一维电移台的运动以一定速率连续记录光谱图像,就可获取二维光谱图。
1.3 图像采集采集高光谱图像数据之前要对参数进行调整,以保证图像清晰并避免失真。
最终确定曝光时间为50ms,图像采集速度为3.24mm/s,扫描距离200mm。
将样品放置在一维电移台上,使得样品与摄像机的垂直方向做纵向扫描,达到扫描距离后拿到样品的光谱信息值。
完成图像采集。
1.4 黑白标定为避免光照不均匀和暗电流导致图像的噪声过大,为减少噪声影响使用黑白标定方法得到矫正后的图像。
基于荧光高光谱图像的柑桔糖度无损检测
基于荧光高光谱图像的柑桔糖度无损检测喻晓强1,刘木华2*,郭恩有2,杨勇2(1.江西农业大学农学院,江西南昌330045;2.江西农业大学工学院,江西南昌330045)摘要 采用632nm 的连续波激光作为激发光,应用激光诱导荧光高光谱成像技术对柑桔的糖度值进行无损测量。
先将该激光照射到南丰蜜桔和脐橙样品上,后用高光谱图像采集系统收集诱导出的荧光散射图像;接下来对荧光散射图像进行分析,选取100 50像素的荧光区域作为感兴趣区域(ROIs);再提取感兴趣区域在波长700~1000n m 的光谱值作为荧光高光谱图像数据;最后用线性回归方法建立荧光高光谱图像数据预测果实糖度值的预测模型。
结果表明,该模型预测柑桔糖度值的相关系数分别为南丰蜜桔的R =0.970,脐橙的R =0.960。
因此可以看出,应用激光诱导荧光高光谱成像对柑桔糖度值进行无损检测是一种很有效的方法。
关键词 高光谱图像;激光诱导荧光;无损检测;柑桔;糖度中图分类号 S666 文献标识码 A 文章编号 0517-6611(2007)36-11807-02Hyperspectral La ser induced F luo rescence Im ag ing for N ondestructive A ssess ing Soluble Solids C ontent of Ora nge Y U X iao qiang et al (En gineerin C ollege,Jian gxi Agricul tural University,Nan gchang,Jian gxi 330045)Abstract Laser i nduced fluorescence i magin g is a promising techniq ue for asses si ng q uali ty of fruit.In this paper a hyperspectral l aser in duced fl uores cence i magin g techniq ue for measurement of laser in duced fluorescence from oran ge for predicting s oluble solids conten t (S SC)of fruit was rep orted .A con tinu ous wave laser (632nm)was used as an excitation source for ind uci ng fluorescence in oranges.Fluorescence scattering i mages were acq uired from Nanfeng !oran ge and n avel orange b y a hyperspectral im aging system at the in stance of laser illu minati on.Sub seq uent analysi s of Fl uorescence scatteri ng images consis ted in selectin g regions of in terest (ROIs)of pi xels,and ROIs were segmen t around the laser ill umin ation poin t from Fl uorescence scatteri ng images.The hyperspectral fl uorescence im age data in the wavelength ran ge of 700~1000nmwere represented by mean grey value of the ROIs.The frui t soluble solid s con tent were measured using hand held refractom eter.A li ne regressi ng method was u sed for devel opin g prediction m odels to p redict frui t soluble solid s con ten t.E xcellen t predicti on s were obtain ed for solu ble solids content with the correlati on coefficient of p rediction of R =0.970(Nanfeng orange)an d R =0.960(n avel orange).The res ults show that hypers pectral laser ind uced flu orescence i magin g is a very good method for nondestructive assessi ng solu ble s olids content of oran ge.Key w ords Hypersp ectral imaging;Laser in duced fluorescen ce;Nondestructive assess;Oran ge;Soluble soli ds con ten t基金项目 国家自然科学基金项目(30460059)。
波段比算法结合高光谱图像技术检测柑橘果锈
SI Cov p p
（4）
第1期
蔡健荣等：波段比算法结合高光谱图像技术检测柑橘果锈
129
式中 | Covpp| ——协方差矩阵中任意一个 p 阶行列 式[13-15]，SI 值越大，对应波段间的相关性越小。 波段比算法是两个波段间的比值变换，当选择 p＞2 时，根据 SI 确定的波段数势必大于 2， ，仍需确定相关性 最小的两个波段，因此只需考虑 p=2 的情况。分别计算 各种波段组合的 SI 值，进行排序。表 1 列出了最大的 5 个 SI 值及其对应的波段组合。由表 1 可知，最大的 SI 值 所对应的波段组合的波长分别为 625 和 717 nm（图像如 图 4 所示） ，说明这两个波段的相关性最小，因此确定这 两个波段为特征波长[17]。
柑橘果锈区域的光谱曲线。从图 3 可以看出，果锈区域 与正常区域的光谱曲线在波长 550～750nm 之间区别较 大，而在 550 nm 以下和 750 nm 以上的光谱曲线噪音明 显。因此，在后期的数据处理过程中，选取 550～750 nm 范围内的高光谱图像数据进行分析。 为了减少噪音和数据冗余，将标定后的图像块在光 谱轴方向每 5 个像素取平均值，在 X 轴方向选取 281～ 800 范围内的像素，以保证柑橘图像完整为准，这样就得 到一个 520×Y×56 的图像块，从而大大减少了数据量。
Fig.1
基于高光谱成像技术的柑橘缺陷无损检测
基于高光谱成像技术的柑橘缺陷无损检测
章海亮;高俊峰;何勇
【期刊名称】《农业机械学报》
【年(卷),期】2013(044)009
【摘要】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(615 nm和680 nm),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.
【总页数】5页(P177-181)
【作者】章海亮;高俊峰;何勇
【作者单位】浙江大学生物系统工程与食品科学学院,杭州310058;华东交通大学机电工程学院,南昌330013;浙江大学生物系统工程与食品科学学院,杭州310058;浙江大学生物系统工程与食品科学学院,杭州310058
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于高光谱成像技术的柑橘黄龙病病情诊断及分类 [J], 邓小玲;郑建宝;梅慧兰;李震;邓晓玲;洪添胜
2.基于高光谱成像技术应用光谱及纹理特征识别柑橘黄龙病 [J], 马淏;吉海彦;Won Suk Lee
3.高光谱成像技术无损检测水果缺陷的研究进展 [J], 田有文;牟鑫;程怡
4.基于高光谱成像的柑橘黄龙病无损检测 [J], 刘燕德;肖怀春;孙旭东;曾体伟;张智诚;刘宛坤
5.基于高光谱成像技术的苹果表面缺陷\r无损检测 [J], 孟庆龙;张艳;尚静
因版权原因，仅展示原文概要，查看原文内容请购买。
柑橘表面缺陷图像快速准确分割方法
柑橘表面缺陷图像快速准确分割方法白雪冰;宋恩来;李润佳;许景涛【摘要】Citrus surface defects affects the quality of fruit and food safety, so the detection of citrus surface defects has a great significance for improving the quality and value of fruits. Local Binary Fitting (LBF) is a image segmentation model which based on Chan-Vese (CV) model. Because the traditional LBF model has high requirements on the initial contour line and poor anti-noise ability. This paper presents a new LBF model based on the original LBF model by adding a kernel function (Gaussian function) and linear level set method for the LBF model improving. In order to solve the problem of image segmentation on the common defects of citrus surface (insect pests, decay, anthrax, wounds), an improved LBF model was used to verify whether the improved LBF model effectively extract the four common defects of cit rus surface. The results showed that the improved LBF model could be quickly identify the surface defects of insect pests, decayed fruits, anthrax fruits and medicinal fruits. The result is great and can be obtained with the defect image level set evolutionary images as well. It has the advantages of fewer iterations, shorter segmentation time, insensitive to the initial contour position, more smooth and complete segmentation contour, and accurate recognition of defect boundaries, which effectively solves the problem of the traditional LBF model. The experimental results showed that the improved LBF model was suitable for the segmentation and extraction of four kinds of citrussurface defects, which is feasible, rapid and accurate, and also provide a reference for the identification of citrus surface defects and on-line detection of citrus.%柑橘表面缺陷会严重影响水果的品质和食用安全,柑橘表面缺陷进行检测对于提高水果品质、提升水果价值有着重要意义.LBF(local binary fitting)是一种基于Chan-Vese(CV)模型的局部化的图像分割模型.由于传统的LBF 模型存在对于初始轮廓线的位置要求高且抗噪能力差,对于灰度不均匀图像分割效果欠佳的问题,通过在原LBF模型基础上,添加一个核函数(高斯函数)和线性水平集的方法,对LBF模型进行了改进.针对柑橘表面常见缺陷(虫伤、腐烂、炭疽、药伤)的图像分割问题,采用改进的LBF模型进行试验,来验证改进后的LBF模型对柑橘表面四种常见缺陷能否进行有效的分割提取.通过对虫伤果、腐烂果、炭疽果、药伤果四组样本分别进行分组试验,结果表明:改进后的LBF模型对于虫伤果、腐烂果、炭疽果、药伤果的表面缺陷能够进行快速的识别,分割效果好并能得到与缺陷图像相对应的水平集演化图像.具有迭代次数少、分割时间短、对初始轮廓位置不敏感、分割轮廓线更加光滑和完整、缺陷边界识别准确等优点,有效地解决了传统LBF模型的不足.试验验证了改进后的LBF模型适用于四种柑橘表面缺陷的分割提取,具有可行性、快速性和准确性,为柑橘表面缺陷的识别与柑橘在线检测提供参考.【期刊名称】《沈阳农业大学学报》【年(卷),期】2018(049)002【总页数】8页(P242-249)【关键词】柑橘表面缺陷;柑橘图像分割;LBF模型;水平集【作者】白雪冰;宋恩来;李润佳;许景涛【作者单位】东北林业大学机电工程学院,哈尔滨150040;东北林业大学机电工程学院,哈尔滨150040;东北林业大学机电工程学院,哈尔滨150040;东北林业大学机电工程学院,哈尔滨150040【正文语种】中文【中图分类】S24.1;TP391.41我国在水果表面缺陷的领域研究起步于20世纪90年代后。
- 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)。
在水果品质检测检测与自 动化分级系统中, 通 常采用彩色 CCD 摄像头采集水果图像, 然后对采集 到的图像进行模式识别 , 最后根据识别结果进行相 应的分级. 水果图像的采集质量的高低将直接影响 最终确定水果品质和级别的确定性, 所以采集到的 水果图像所包含的信息应尽可能详细地反映水果的 各种外部特性. 但是在实际应用中, 彩色 CCD 摄像 头采集到的水果图像不能很好地反映水果表面细微 特征, 为了提高检测与分级的可靠性 , 利用水果在不 同光谱条件下的图像 , 提取更多的表面特征.
i= 480 , j= 640, k = K [ 4]
4 . 1 Otsu 算法 Otsu 方法
[ 6]
又称最大类间方差自动门限法, 该
方法是利用图像中的灰度直方图, 以目标与背景之 间的方差最大而动态地确定图像分割阈值, 如果选 取的的阈值使得图像的被测物体与背景部分灰度分 布方差越大 , 则被测对象与背景分割的效果越好. 设一幅图像的像素点数为 N, 它有 个灰度级 ( 0, 1 , !, L - 1 ), 灰度级为 i的像素点数为 n, 那么 N =
图 1 高光谱图像数据块示意图 F ig . 1 ske tch m ap of the mu lti- sp ec tral i m age three- d i m en siona l data b lock
测当中 , 提出了新的柑桔多光谱图像采集方式与最 优的光谱波段.
多光谱中, 特定波长的光 可通过图像光谱仪和 滤波片两种方式获得. 本研究采用一种基于多光谱 光源新的多光谱图像获得方法. 本研究采用多光谱 光源照射水果, 得到不同光谱下的图像.
L- 1
ni. 对图 像直 方图 归 一化 , 且有 概 率密 度 分布
i= 0 L -1
P i = n i /N , P i ∀ 0 ,
i= 0
Pi = 1 .
假设阈值 t 将图像分成两类 C 0 和 C 1 ( 物体和背 景 ), 即 C 0 和 C 1 分别对应具有灰度级 { 0 , 1, !, t) 和 { t+ 1 , t+ 2 , !, L - 1 ) 的像素 . C 0 和 C 1 的发生概率 分别为
பைடு நூலகம்2 B
( t ) = m ax {
( t) }
式中 Ak 为颜色的权重系数. 从上面的图像可知在黄色与红色光 谱下, 柑桔 的图像的缺陷识别最为明显, 在红外光谱下, 柑桔的 边缘最易识别, 因此, 可将黄色、 红色、 红外光进行融 合 , 融合后图像如图 4 所示 .
2010 年 8 月
李晓慧 , 等 : 基于多光谱柑桔缺陷检测方法研 究
37
1 多光谱图像的基本原理
多光谱图像是在特定波长范围内 , 由一系列波 长的光学图像组成的三维图像块. 图 1 为一副多光 谱图像三维数据块示意图. 图 1 中, x 和 y 表示二维 平面坐标轴 , 表示波长信息坐标轴 . 可以看出, 高 光谱图像既具有某个特定波长 i 下的图像信息, 并 且针对 x、 y 平面内某个特定像素又具有不同波长下 的光谱信息 . 因此 , 多光谱图像集图像与光谱信息于 一身. 光谱信息能充分反映水果内部的物理结构和 化学成分, 内部结构的差异可以通过特定波长下的 光谱值表现 . 在每个波长下 , x、 y 平面内每个像素的 灰度值与其在该波长下的光谱值之间一一对应, 在 某个特定波长下, 轻微损伤区域与正常区域之间的 光谱值会存在很大差异, 因此, 在恰当的波长下的多 光谱图像中 , 它们之间的灰度也存在一定的差异
Fig . 3 图 3 多光谱系统采集单光谱图像 S ingle sp ectru m i m ages cap tured by the system
3 . 1 图像采集 本研究采用多光谱光源 照射的方法进行柑桔 ,
38
天
津
理
工
大
学
学
报
第 26 卷
第 4期
光谱选择与融合判断时, 人为在柑桔上面弄出色斑, 采集不同光谱的图像. 图 4 为同一状态柑桔不同光 谱图像 . 图 3 中, ( a) 为红光 ( 波长在 630 nm 左右 )图像, ( b)为红外 ( 波长为 840 nm 左右 ) 图像 , ( c) 为黄光 ( 590 n m 左 右 ) 图 像, ( d) 为 绿 光 ( 520 nm 左 右 ) 图像. 3 . 2 图像融合 图像融合技术就是指将多源信道或不同方式下 所采集到的关于同一物体对象的图像经过一定的图 像处理方法 , 提取各自信道的信息 , 最后综合成同一 幅图像以供观察或进一步处理 . 目前 , 多光谱图像融 合增强技术主要应用于遥感上, 其主要的增强处理 方法有两种 : 代数运算和变换处理 . 本研究的检测目 的为: 有效的提取柑桔的缺陷特征 . 也就是要突出柑 桔图像中的缺陷与边缘特性. 本研究采用代数运算的方式进行图 像融合. 设 fk (x i, y i ) 第 k 个选择光谱在点 ( x i, y i ) 处的灰度值, 则所选 K 个光谱融合后图像的灰度
.
3 多光谱图像获得方法研究与结果
由多光谱图像原理可知 , 图像上每个像素点的 灰度值都存在 不同波段 下的光谱 吸收反 射特性信 息 . 因此, 可以采取令缺陷与果体间差距最大的光谱 波段的多光谱图像来进行柑桔缺陷检测. 在以往的 研究中 , 多光谱图像技术多是应用在遥感领域, 主要 应用在资源勘测、 环境管理、 全球变化、 动态监控等 [ 3] 方面 . 本研究多光谱图像技术应用在柑桔缺陷检
我国大多数水果质量并不比外国水果质量差, 但始终面临着销售难、 价格低等困难 , 纠 其原因, 除 了品种、 品质等主要因素外 , 还有一个易被大多数生 产者和中间商忽略的一个重要环节 采后处理. 落后的水果采后处理技术已经成为制约我国水果出 口创汇的瓶颈问题. 面对当前入世后水果销售方面 的严峻形势 , 研究高效的水果自动分级系统对于提 高水果在国际市 场上的竞 争力有 着重要的 现实意 [ 1] 义 . 因此, 目前国内外对于计算机视觉技术应用于 苹果外观质量分级的研究比较多 .
t 0 L= 1
=
i= 0 2
Pi =
( t ),
2 B
1
=
2 B
Pi = 1i= t+ 1
( t)
2
为:
1
两类的 类间 方差 (! 1 - !) 则最佳阈值 t 为 :
*
为:
*
=
0
(! + 0 - !)
2 B
f ( x i, y i ) =
i= 0, j = 0, k= 1
A k fk ( x i , y j )
[ 2]
供波长在 520 nm、 590 nm、 630 n m、 840 nm 左右的光 谱 . 摄像机采用的是德国的 BALSER 公司生产的工 业 黑白相 机以及与 其相配套 的千兆网 卡 尔 ? PRO /1000 GT 台式机适配器 . 英特
图 2 多光谱图像采集系 统示意图 F ig. 2 Schematic d iagram of mu lti spectral m age acqu isition syste i m
Non destructive inspection of fruits 'defect based on multi spectral i m aging
L I X iao hu,i ZHANG Bao feng, ZHU Jun chao
( Schoo l of E lectrical Eng ineer ing , T ian jin U niversity of T echno logy , T ian jin 300384 , Ch ina) A bstrac t : A new m ethod o f non destructive quality inspection of fru itsw as investigated based on m ulti spectra l i m ag ing tech nology , and the syste m w as a lso dev eloped , w hich consists of lighting cha m ber 、 mu lti spectra l light source 、 CCD ca m era . Ac cording to the basic co lo r theory m ulti spectral i m ag es were absta ined by th is syste m, and ana lyzed using m ulti spectral i ma ges fusion m ethods . It w as found that the m ulti spectral i m ages had the highest recogn ition rate when the spectral bands o f mu lti spec tra l fusion i m ag es a re red spectra l band, ye llow spectra l band and near in frared spectra l band . The best m ulti spectra l i m ag ing wh ich m ake the defect detection easy is obta ined under the new m ethod, then w e used the i m age processing a lgo rithm such as O tsu to detect the defect . It w as sho w n by the exper i m ent that the defects can be detected eas ily using mu lti spec tra l de tection techno logy on non destructive . K ey word s : mu lti spectra l i m ag ing ; i m ages fus ion ; non destruc tive quality inspec tion o f orange ; defects