华东交通大学机电与车辆工程学院, 水果智能光电检测技术与装备国家地方联合工程研究中心, 江西 南昌 330013
枇杷果味甘酸, 供生食、 蜜饯、 酿酒用, 有化痰止咳、 和胃降气之效, 是春夏之交的度淡水果。 枇杷皮薄、 质细、 松软多汁, 在采摘及藏运过程中极易发生碰伤, 造成经济损失, 因此对碰伤枇杷的高精度快速分级检测处理至关重要。 针对几种碰伤程度的枇杷可以选用不同的方法以减少经济损失, 轻度碰伤的可以制作枇杷汁、 枇杷膏等; 中度碰伤的可以去除损伤部分制作枇杷罐头进行保存; 重度碰伤的直接处理掉节约仓储成本。 目前枇杷的碰伤程度主要通过操作员的肉眼进行损伤辨别, 受到个人习惯、 光线强度和主观心理因素影响, 会对不同碰伤程度的枇杷造成误分类。 故此提出基于高光谱成像技术图谱特征融合的方法对枇杷碰伤程度进行高精度、 快速、 无损分级。 首先, 利用自由落体碰撞装置制备轻度、 中度、 重度碰伤三组样品, 并利用高光谱成像系统采集各样品数据; 其次选用感兴区内100个像素点的平均光谱作为样本光谱并用多元散射校正(MSC)对光谱进行预处理, 作为光谱特征用于后续模型使用; 最后将光谱数据结合枇杷样品的颜色特征, 利用随机森林(RF)、 偏最小二乘法判别分析(PLS-DA)、 极限学习机(ELM)、 最小二乘支持向量机(LS-SVM)分别建立基于枇杷光谱特征、 RGB颜色特征结合光谱特征、 HSI颜色特征结合光谱特征、 混合颜色特征结合光谱特征的枇杷碰伤程度模型, 在所有模型中混合图像特征结合光谱特征的枇杷碰伤程度模型预测效果最好, 利用RF、 PLS-DA、 ELM、 LS-SVM算法的模型整体识别准确率分别为91.11%、 86.67%、 95.56%、 100%, 其中基于RBF核函数的LS-SVM碰伤枇杷模型准确率最高。 研究结果说明: 单一光谱特征模型准确率最低, 结合RGB颜色特征、 HSI颜色特征后具有更高的准确率, 光谱特征结合混合颜色特征建立的模型准确率最高, 该研究为水果碰伤程度判别提供了一定的理论参考和实验依据。
枇杷 高光谱成像 光谱特征 颜色特征 碰伤程度 最小二乘支持向量机 Loquat Hyperspectral imaging Spectral features Color features Bruising level Least squares support vector machine 光谱学与光谱分析
2023, 43(6): 1792
华东交通大学智能机电装备创新研究院, 江西 南昌 330013
黄桃含有丰富的营养物质, 深受消费者的喜爱。 但在加工运输的过程中极易受到碰伤, 给果农和销售商带来极大地经济损失。 以往利用高光谱技术检测水果碰伤, 通常是仅仅利用光谱信息或者图像特征建立水果碰伤检测模型, 很少将图谱融合用于水果碰伤的检测。 光谱反射率容易受到外界杂散光的影响, 会丢失一部分真实信息, 图像包含的信息量较少, 仅仅只靠几个特定波段的图像很难精准识别。 因此, 为了实现对黄桃碰伤程度的精准分类, 从而可根据不同碰伤程度的黄桃制定不同的处理方式, 减小经济损伤。 提出一种利用高光谱的光谱信息结合图像特征建立模型来检测不同碰伤程度的黄桃。 以180个黄桃作为实验样品, 首先分别采集轻度、 中度和重度碰伤黄桃的高光谱图像, 在每个黄桃的碰伤位置选取100×100像素的区域作为感兴趣区域, 利用ENVI4.5软件提取碰伤区域的光谱信息。 然后采用主成分分析(PCA)算法对采集的高光谱图像进行降维处理, 在前5个PC图像中最终选择PC1图像作为黄桃碰伤的主成分图像, 根据PC1图像的权重系数曲线挑选出6个特征波长对应的图像作为特征图像, 将平均灰度值作为黄桃碰伤的图像特征。 最后, 分别利用光谱信息、 图像特征、 光谱信息结合图像特征建立黄桃碰伤的PLS-DA模型, 利用分类正确率来评价各个模型的性能。 结果表明, 基于光谱信息结合图像特征建立的PLS-DA模型的判别效果最好, 对轻度碰伤、 中度碰伤和重度碰伤的分类准确率分别为85%, 90%和100%, 总体正确率达到91.7%。 为了能够进一步提高PLS-DA模型的精确度和运行效率, 利用竞争性自适应重加权(CARS)算法对融合数据中的光谱数据进行特征波段的筛选。 利用特征波段结合图像特征建立的模型分类预测效果最好, 对轻度碰伤、 中度碰伤和重度碰伤黄桃的预测正确率分别为95%, 90%和95%, 总体正确率达到了93.3%。 研究表明基于高光谱的光谱数据结合图像特征建立PLS-DA模型检测黄桃碰伤程度是可行的, 为黄桃的采后处理提供了依据。
黄桃 高光谱成像 光谱信息 图像特征 碰伤程度 偏最小二乘判别 Yellow peaches bruise Hyperspectral imaging Spectral information Image features Damage degree Partial least squares linear discriminant
华东交通大学机电与车辆工程学院, 水果智能光电检测技术与装备国家地方联合工程研究中心, 江西 南昌 330013
毛桃从果树上成熟到最后到达消费者手中, 中间需要经过采摘、 包装、 运输等一系列过程, 在每一个过程中都有可能产生碰伤果。 因此查看哪一个过程产生的碰伤果最多, 从而对加工过程进行针对性地改进就显得尤为重要。 纵观国内外高光谱技术在检测水果碰伤方面的应用, 绝大多数都是忽略图像特征而只使用了光谱特征, 基于图像特征结合光谱特征建模的少之又少。 其次在水果碰伤时间定性判别方面, 多以天数为间隔, 时间间隔较大意味着水果碰伤时间越久, 其变化越明显, 检测准确率也就越高, 目前尚缺乏有效方法对于碰伤时间较短的水果进行碰伤时间分类。 以90个模拟表面碰伤的毛桃为实验样本, 分别采集毛桃碰伤12, 24, 36和48 h后的高光谱图像。 毛桃样品的光谱特征提取是采用感兴趣区域的100个像素点的平均光谱以防止单个像素点的光谱信息与整体光谱信息差距较大; 通过主成分分析(PCA)对毛桃图像进行降维后选取最能体现毛桃碰伤的PC1图像, 在 PC1图像的权重系数曲线中波峰波谷处挑选出4个特征波长点(512, 571, 693和853 nm)作为特征图像, 特征图像灰度化操作后计算得到平均灰度值作为毛桃碰伤图像特征。 最后基于最小二乘支持向量机(LS-SVM)算法分别建立毛桃碰伤时间的光谱特征模型、 图像特征模型以及图像特征结合光谱特征模型共三种判别模型, 并且根据其分类准确率来判断模型的性能。 结果表明: 三种毛桃碰伤模型的分类准确率都随碰伤时间的增加而增加; 基于径向基核函数(RBF_kernel)建立的图像特征结合光谱特征的模型预测效果最好, 对碰伤12, 24, 36和48 h的毛桃样品识别正确率分别为83.33%, 96.67%, 100%和100%, 这可能是由于具有非线性特点的径向基核函数所建立的模型更加适合用于毛桃碰伤时间的分类。 图像特征结合光谱特征的模型能够较好地实现对水果碰伤时间的估计, 可为水果外部品质分选提供一定的参考和依据, 并对水果销售和深加工企业具有一定的借鉴意义。
高光谱成像 图像特征 光谱特征 最小二乘支持向量机 毛桃 碰伤时间 Hyperspectral imaging Image features Spectral features Least squares support vector machine Wild peach Bruising time 光谱学与光谱分析
2021, 41(8): 2598
华东交通大学机电工程学院, 江西 南昌 330013
可溶性固形物和碰伤是影响番茄品质的两个主要因素。 研究的目的是探索可见近红外漫透射光谱同时在线检测番茄碰伤和可溶性固形物的可行性。 在单通道送果速度5个每秒条件下, 采集番茄近红外漫透射光谱。 对比分析碰伤与正常番茄样品的近红外漫透射光谱特性, 结果表明, 碰伤与正常番茄样品的近红外漫透射光谱在光强上存在明显差异, 碰伤果光强要强于正常果, 其原因可能是碰伤后果肉变软, 透光性变强; 在650和675 nm处碰伤果比正常果要多两个吸收峰, 可能是碰伤后, 番茄表皮颜色发生变化所致。 选取贡献率占比最多的前三个主成数, 对正常果与碰伤果近红外漫透射光谱主成分定性分析, 正常果与碰伤果不能有效聚类, 故近红外漫透射光谱主成分定性分析效果不明显, 需选择建立高维近红外漫透射光谱定性判别模型。 故建立了碰伤番茄样品的近红外漫透射光谱偏最小二乘定性判别模型, 误判率为0%, 能正确判别碰伤果, 故选用碰伤番茄样品的近红外漫透射光谱偏最小二乘定性判别模型作为番茄碰伤果在线剔除分选模型。 通过对未参与建模的样品进行验证, 能正确识别出碰伤果。 经近红外漫透射光谱偏最小二乘定性判别模型剔除碰伤果后, 按照可溶性固形物指标进行分级。 分别使用全部波段和606~850 nm的波段进行建模预处理, 且对全部波段和606~850 nm波段光谱进行2阶导数预处理, 前后平滑设为9, 利用连续投影算法与遗传算法优选可溶性固形物的光谱建模变量, 对比发现, 利用未经算法筛选过的606~850 nm波段光谱变量进行建模, 效果最好, 建立了可溶性固形物在线检测模型, 预测集均方根误差为0.43 Brix°。 采用未参与建模的样品进行碰伤和可溶性固形物同时在线检测验证, 碰伤样品的分选准确率达96%, 可溶性固形物样品的分选准确率达91%。 表明: 番茄碰伤和可溶性固形物近红外漫透射光谱同时在线检测是可行的。
漫透射 近红外光谱 在线检测 碰伤 可溶性固形物 Diffuse transmission Spectroscopy On-line detection Bruises Soluble solids 光谱学与光谱分析
2019, 39(12): 3910