下载文档原格式
基于高光谱成像的苹果多品质参数同时检测单佳佳;吴建虎;陈菁菁;彭彦昆;王伟;李永玉【期刊名称】《光谱学与光谱分析》【年(卷),期】2010(030)010【摘要】利用高光谱空间散射曲线的3个洛伦兹拟合参数对苹果的品质(硬度、可溶性固溶物含量)进行同时检测.采用偏最小二乘,逐步多元线性回归和BP神经网络3种方法,对归一化处理和未归一化处理的3个洛伦兹参数组合分别建立苹果品质的预测模型.结果表明:采用偏最小二乘法对未归一化处理参数的组合建立硬度的预测模型其预测结果最好,校正组相关系数Rc=0.93,校正标准差SEC=0.56,验证组相关系数Rv=0.84,验证标准差SEV=0.94.采用偏最小二乘法对归一化处理参数的组合建立可溶性固形物的预测模型其预测结果最好,Rc=0.95,SEC=0.29,Rv=0.83,SEV=0.63.研究结果表明:利用高光谱空间散射曲线的多拟合参数组合可以同时检测苹果的多品质参数.【总页数】5页(P2729-2733)【作者】单佳佳;吴建虎;陈菁菁;彭彦昆;王伟;李永玉【作者单位】中国农业大学工学院,北京,100083;中国农业大学工学院,北京,100083;中国农业大学工学院,北京,100083;中国农业大学工学院,北京,100083;中国农业大学工学院,北京,100083;中国农业大学工学院,北京,100083【正文语种】中文【中图分类】S123【相关文献】1.高光谱成像技术在水果多品质无损检测中的应用 [J], 刘亚;木合塔尔·米吉提;曹鹏程;岳建魁2.基于高光谱成像技术的苹果内外品质同时检测 [J], 单佳佳;彭彦昆;王伟;李永玉;吴建虎;张雷蕾3.基于特征LED光源的苹果多品质参数无损检测装置研究 [J], 赵娟;全朋坤;张猛胜;田世杰;张海辉;任小林4.基于高光谱成像的肥城桃品质可视化分析与成熟度检测 [J], 邵园园;王永贤;玄冠涛;高冲;王凯丽;高宗梅5.基于高光谱图像和3D-CNN的苹果多品质参数无损检测 [J], 王浩云;李晓凡;李亦白;孙云晓;徐焕良因版权原因，仅展示原文概要，查看原文内容请购买。
Development and Innovation | 发展与创新 |·261·基于高光谱成像技术的水果损伤检测李懂懂，唐晓燕（南阳理工学院电子与电气工程学院，河南 南阳 473004）摘 要：水果在储存和长途运输过程中，具有易损伤、腐烂、变质的性质，且在早期不易被识别。
为确保水果品质，文章采用高光谱成像技术对早期水果损伤进行检测。
首先提取信噪比高的波段，接着将苹果与背景图像分离，最后分别采用主成分分析算法、波段比算法和支持向量机算法对苹果早期损伤进行识检测识别，并对3种检测结果进行比较。
实验结果表明，波段比算法检测效果优于主成分分析算法和支持向量机算法，正确检测率高达90%，可以快速有效地检测到苹果损伤。
关键词：高光谱成像技术；水果损伤；主成分分算析；波段比算法；支持向量机中图分类号：TS255.7 文献标志码：A 文章编号：2096-2789（2020）03-0261-02作者简介：李懂懂（1995—），男，硕士在读，研究方向：遥感图像处理。
目前关于检测水果损伤的研究越来越多，2007年洪添胜等[1]开始研究高光谱水果检测技术。
2008年赵杰文等[2]利用高光谱图像技术检测水果轻微损伤，利用主成分分析方法处理光谱数据，其检测正确率达到88.5%。
2009年蔡健荣等[3]运用波段比算法结合高光谱图像技术检测柑橘果锈，其检测率达到92%。
2018年谈文艺等[4]运用高光谱成像技术对苹果外部损伤进行精确识别和分级，应用主成分分析选出最佳广谱区，经分析其平均识别率高达98.5%。
2018年韩浩然等[5]基于高光谱成像技术对水果轻微机械损伤进行研究，并利用主成分分析算法、波段比算法对光谱数据做处理。
文章以苹果为研究对象，结合高光谱技术利用适当的算法对光谱数据分析，对水果的内在损伤进行无损检测。
1 高光谱图像预处理1.1 噪声去除文章选择山东红富士苹果作为主要研究对象，对苹果的轻微损伤做了早期识别检测，用GaiaField 便携式高光谱成像仪采集苹果400～1000nm 光谱范围的256幅图像，光谱分辨率为10nm 。
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。
基于邻域粗糙集和高光谱散射图像的苹果粉质化检测朱启兵;黄敏;赵桂林【期刊名称】《农业机械学报》【年(卷),期】2011(042)010【总页数】4页(P154-157)【作者】朱启兵;黄敏;赵桂林【作者单位】;;【正文语种】中文引言苹果粉质化是影响苹果等级的重要口感参数，是苹果内部综合指标的反映［1］。
传统的基于人工品尝和破坏性仪器测量方法难以满足无损测量要求。
目前，利用高光谱图像技术进行水果的内外部品质检测已成为国内外的一个研究热点，已有大量的文献报道［2～3］。
由于高光谱图像数据存在很强的谱间相关性，在线获取如此多的信息所需要的时间长，很难满足快速检测的目的，解决这一问题的途径是选取最能表述水果内部品质的高光谱图像的最优波长，然后通过设计具有若干个波长的光谱图像系统，应用到生产实际中。
这样设计出的多光谱图像检测系统能大大提高检测效率［7］。
但是如何进行高光谱图像的波长选择目前还没有一个很好的理论指导。
本文利用高光谱散射图像技术检测苹果的粉质化。
首先利用邻域粗糙集(neighborhood rough sets，简称NRS)对苹果样本的高光谱波段进行选择，选择出决定分类准确率的最优波长，然后利用支持向量机(support vector machine，简称SVM)建立分类模型。
1 试验材料与方法1.1 试验样本及试验装置试验用580个“Red Delicious”苹果，来自于美国密歇根州立大学实验站和商业包装厂，为得到非粉质化和不同程度粉质化的样本，在4℃的环境下储藏240个样本，其余340个样本储藏在相对湿度为95%、温度为20℃的环境中，以加速苹果的粉质化过程。
由于不是所有样本都会在高温、高湿条件下完全粉质化，试验时非粉质化样本仍会多于粉质化样本。
试验前，所有样本需要在室温下至少放置15 h。
试验时，在每个样本的中心赤道位置采集二维高光谱散射图像。
高光谱试验系统包括高光谱成像单元、直流稳压光源和样品平台。
基于高光谱图像技术的新疆红富士苹果重量预测程国首;郭俊先;石砦;肉孜·阿木提;亢银霞【期刊名称】《新疆农业大学学报》【年(卷),期】2011(034)003【摘要】以新疆红富士苹果为研究对象,初步探讨应用高光谱图像技术预测其重量的研究方法.首先采用高光谱成像仪采集苹果侧面和赤道面投影图像,提取苹果高光谱图像中前景与背景光谱偏差最大的波长图像(733 nm),对其图像分割后获得目标区域的面积(像素数)特征.随后,采用不同的特征和建模方法,建立不同的重量预测模型,对比后确定最佳模型.结果表明,采用两个体积特征建立多元线性回归重量预测模型,苹果重量预测值与实际值间相关系数为0.9927,预测均方根误差为4.3393 g.【总页数】4页(P249-252)【作者】程国首;郭俊先;石砦;肉孜·阿木提;亢银霞【作者单位】新疆农业大学机械交通学院,乌鲁木齐853002;新疆农业大学机械交通学院,乌鲁木齐853002;浙江大学生物系统工程与食品科学学院,杭州310029;新疆农业大学机械交通学院,乌鲁木齐853002;新疆农业大学机械交通学院,乌鲁木齐853002;新疆农业大学机械交通学院,乌鲁木齐853002【正文语种】中文【中图分类】TP274【相关文献】1.基于高光谱成像技术的新疆冰糖心红富士苹果分级和糖度预测研究 [J], 郭俊先;饶秀勤;程国首;胡光辉;李俊伟;石砦;亢银霞2.基于高光谱图像的新疆红富士苹果颜色分级研究 [J], 程国首;肉孜·阿木提;郭俊先;胡光辉;李俊伟;亢银霞;石砦3.红富士苹果叶片全钾含量高光谱预测研究 [J], 邓海龙;安静4.基于高光谱图像技术的苹果粉质化LLE-SVM分类 [J], 赵桂林;朱启兵;黄敏5.基于高光谱散射图像技术的UVE-LLE苹果粉质化分类 [J], 汪泊锦;黄敏;朱启兵;王爽因版权原因，仅展示原文概要，查看原文内容请购买。
收稿日期：2023-03-31基金项目：岭南现代农业科学与技术广东省实验室河源分中心自主科研项目（DT20220009，DT20220007，DT20220011）；北京市农林科学院财政项目（CZZJ202203）通信作者：段丹丹（1984—），女，博士，高级工程师，研究方向为农业定量遥感监测，E-mail：duandd@广东农业科学2023，50（7）：57-63Guangdong Agricultural SciencesDOI:10.16768/j.issn.1004-874X.2023.07.006王凡，孟翔宇，陈龙跃，段丹丹，钱英军. 基于高光谱成像的苹果损伤检测方法研究［J］. 广东农业科学，2023，50（7）：57-63.基于高光谱成像的苹果损伤检测方法研究王 凡1,2，孟翔宇1，陈龙跃2，段丹丹1,2,3，钱英军4（1.北京市农林科学院信息技术研究中心，北京 100097；2.岭南现代农业科学与技术广东省实验室河源分中心，广东 河源 517000；3.清远市智慧农业农村研究院，广东 清远 511500；4.广东科贸职业技术学院，广东 清远 511500）摘 要：【目的】研究苹果损伤高光谱特征，建立基于高光谱成像的苹果损伤区域最佳分类模型，为实时、快速、准确地识别苹果损伤提供重要依据。
【方法】以北京平谷区收集的苹果样品为研究对象，利用高光谱图像技术检测水果表面机械损伤。
利用390 ~1 000 nm 范围的高光谱图像（HSI）数据，通过比值光谱分析损伤与正常感兴趣区域（ROI）的光谱响应特性，筛选特征波段，并构建较好地突出损伤区域特征的3种类型光谱指数：归一化光谱指数（NDSI）、比值光谱指数（RSI）和差值光谱指数（DSI）。
在此基础上，优选提取损伤区域能力较强的光谱指数，利用迭代自组织数据分析（ISODATA）无监督据聚类算法提取苹果损伤区域。
【结果】当苹果表面受到损伤时，光谱反射率变化显著。
第30卷第12期农业工程学报V ol.30 No.12132 2014年6月Transactions of the Chinese Society of Agricultural Engineering Jun. 2014 基于高光谱成像的苹果虫害检测特征向量的选取田有文1，程怡1，王小奇2，栗庆吉1（1. 沈阳农业大学信息与电气工程学院，沈阳 110866； 2. 沈阳农业大学植物保护学院，沈阳 110866）摘 要：利用高光谱成像技术，明确苹果虫害无损检测的最优特征向量，以实现对苹果虫害的快速、准确、无损检测。
本文首先对646 nm波长的特征图像进行阈值分割、膨胀与腐蚀运算获得掩膜图像，并利用掩模图像对高光谱图像进行掩模和主成分分析，对获得的PC1（the first principal component，第一主成分）图像进行最大熵阈值分割以有效提取虫害区域。
然后对比分析虫害区域与正常区域图像的纹理特征，提取灰度共生矩阵的4个方向的4个纹理参数（能量、熵、惯性矩和相关性），并且采用基于高光谱图像的光谱差值获取了2个特征波长对应的光谱相对反射率作为光谱特征。
优化组合纹理特征和光谱特征成4个特征向量组，采用BP（back propagation，反向传播）神经网络对正常苹果和虫害苹果进行检测。
结果表明，融合0度方向的能量、熵、惯性矩和相关性的纹理特征和646、824 nm波段的相对光谱反射率的光谱特征进行检测识别效果最好，正常果的识别率为100%，虫害果的识别率为100%，并且速度快、误差小。
该研究所获得的特征向量可为开发多光谱成像的苹果品质检测和分级系统提供参考。
关键词：无损检测；主成分分析；图像处理；光谱特征；高光谱成像doi：10.3969/j.issn.1002-6819.2014.12.016中图分类号：TP391.41；TP274+.52 文献标识码：A 文章编号：1002-6819(2014)-12-0132-08田有文，程 怡，王小奇，等. 基于高光谱成像的苹果虫害检测特征向量的选取[J].农业工程学报，2014，30(12)：132－139.Tian Youwen, Cheng Yi, Wang Xiaoqi, et al. Feature vectors determination for pest detection on apples based on hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(12): 132－139. (in Chinese with English abstract)0 引 言中国是苹果生产大国，苹果的种植面积和总产量均居世界第一[1]。
苹果近红外光谱的特征提取和分类研究卜锡滨;武斌;贾红雯【摘要】NIR spectroscopy analysis method is applied to classify different kinds of apple samples. A new method of apple NIR spectra qualitative analysis based on uncorrelated discriminant transformation is presented. Three methods of feature extraction such as principal component analysis, Fisher discriminant analysis and uncorrelated discriminant transformation are used to extract feature from apple NIR spectra. By using AT-nearest neighbour(KNN) three classification models are constructed for the classification recognition of apples. The models are verified by using the leave-one-out cross-validation. The results show that Uncorrelated Discriminant Transformation (UDT) model, comparing with Principal Component Analysis (PC A) model and Fisher Discriminant Analysis(FDA) model, has higher accuracy recognition rate.%采用近红外光谱分析法对不同种类的苹果样品进行分类,提出一种基于非相关判别转换的苹果近红外光谱定性分析新方法.实验分别采用主成分分析、Fisher判别分析和非相关判别转换三种方法对苹果光谱数据进行特征提取,并使用K-近邻分类算法建立三种苹果分类识别模型,最后使用“留一”交叉验证法进行模型检验.结果表明,使用非相关判别转换方法建立的模型正确识别率优于使用主成分分析和Fisher判别分析建立的模型.【期刊名称】《计算机工程与应用》【年(卷),期】2013(049)002【总页数】5页(P170-173,193)【关键词】近红外光谱;主成分分析;Fisher判别分析;非相关判别转换;特征提取【作者】卜锡滨;武斌;贾红雯【作者单位】滁州职业技术学院信息工程系,安徽滁州239000;滁州职业技术学院信息工程系,安徽滁州239000;滁州职业技术学院信息工程系,安徽滁州239000【正文语种】中文【中图分类】TP391苹果是一种生活中常见的水果，采摘后进行有效的分类是苹果商品化处理（包括挑选、分类、包装等）的关键环节。
２０Ｏ８年１月农业机械学报第３９卷第１期利用高光谱图像技术检测水果轻微损伤＊赵杰文刘剑华陈全胜ＳａｒｉｔｐｏｍＶｉｔｔａｙａｐａｄｕｎｇ【摘要】提出了利用高光谱图像技术检测水果轻微损伤的方法。
试验以苹果为研究对象，利用５００～９００ｎｍ范围内的高光谱图像数据，通过主成分分析提取５４７ｎｍ波长下的特征图像，然后设计不均匀二次差分消除了苹果图像亮度分布不均匀的影响，最后通过合适的数字图像处理方法提取苹果的轻微损伤。
试验结果表明，高光谱图像技术对苹果轻微损伤的检测正确率达到８８．５７％。
关键词：苹果高光谱图像检测轻微损伤中图分类号：ＴＰ３９１．４１；ＴＰ２７４＋．５２文献标识码：ＡＤｅｔｅｃｔｉｎｇＳｕｂｔｌｅＢｒｕｉｓｅｓｏｎＦｒｕｉｔｓｗｉｔｈＨｙｐｅｒｓｐｅｃｔｒａｌＩｍａｇｉｎｇＺｈａｏＪｉｅｗｅｎＬｉｕＪｉａｎｈｕａＣｈｅｎＱｕａｎｓｈｅｎｇＳａｒｉｔｐｏｒｎＶｉｔｔａｙａｐａｄｕｎｇ（．厂谊咒舒“Ｕ镌ｉ化＂ｉ砂）ＡｂｓｔｒａｃｔＴｈｅｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇｔｅｃｈｎｏｌｏｇｙｗａｓｐｒｏｐｏｓｅｄｔｏｄｅｔｅｃｔｔｈｅｓｕｂｔｌｅｂｒｕｉｓｅｓｏｎｆｒｕｉｔｓ．Ａｐｐｌｅｓｗｅｒｅａｄｏｐｔｅｄａｓｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｏｂｊｅｃｔ．Ｔｈｅａｐｐｌｅｓ’ｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｓｂｅｔｗｅｅｎ５００ｎｍａｎｄ９００ｎｍｗａｖｅｌｅｎｇｔｈｗｅｒｅａｎａｌｙｚｅｄｖｉａｔｈｅｐｒｉｎｃｉｐａｌ∞ｍｐｏｎｅｎｔｓａｎａｌｙｓｉｓ，ａｎｄｔｈｅｆｅａｔｕｒｅｉｍａｇｅｓｕｎｄｅｒ５４７ｎｍｗａｖｅｌｅｎｇｔｈｗｅｒｅｓｅｌｅｃｔｅｄｔｏｄｅｔｅｃｔｔｈｅｂｒｕｉｓｅｓｏｎａｐｐｌｅｓ．Ｔｈｅａｓｙｍｍｅｔｒｉｃｂｒｉｇｈｔｎｅｓｓｏｆｔｈｅｉｍａｇｅｓｗａｓｅｌｉｍｉｎａｔｅｄｗｉｔｈａｓｙｍｍｅｔｒｉｃｓｅｃｏｎｄｄｉｆｆｅｒｅｎｃｅｓｕｂｓｅｑｕｅｎｔｌｙ．Ｆｉｎａｌｌｙ，ｔｈｅｆｅａｔｕｒｅｏｆｂｒｕｉｓｅｗａＳｅｘｔｒａｃｔｅｄｔｈｒｏｕｇｈａｐｐｒｏｐｒｉａｔｅｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｄｅｔｅｃｔｉｎｇｓｕｂｔｌｅｂｒｕｉｓｅｓｏｎｆｒｕｉｔｓｏｎ一１ｉｎｅｗｉｔｈｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇｔｅｃｈｎｏｌｏｇｙｉｓｒｅａｌｉｚｅｄａｎｄｔｈｅａｃｃｕｒａｃｙｉｓ８８．５７％．ＫｅｙｗｏｒｄｓＡｐｐｌｅ，Ｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇ，Ｄｅｔｅｃｔｉｏｎ，Ｓｕｂｔｌｅｂｒｕｉｓｅ引言虽然轻微损伤和正常区域在外部特征上呈现出极大的相似性，但是损伤区域的内部组织发生一定水果在采摘或运输过程中，因外力的作用使其的变化，这种变化可以通过特定波长下的光谱表现表皮受到机械损伤，损伤处表皮未破损，伤面有轻微出来。
