CN109001218A - 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 - Google Patents
基于高光谱成像技术的苹果表面缺陷快速无损识别方法 Download PDFInfo
- Publication number
- CN109001218A CN109001218A CN201811021636.9A CN201811021636A CN109001218A CN 109001218 A CN109001218 A CN 109001218A CN 201811021636 A CN201811021636 A CN 201811021636A CN 109001218 A CN109001218 A CN 109001218A
- Authority
- CN
- China
- Prior art keywords
- apple
- spectrum image
- sample
- correction
- surface defect
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 45
- 230000007547 defect Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005516 engineering process Methods 0.000 title claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000010239 partial least squares discriminant analysis Methods 0.000 claims abstract description 6
- 230000002950 deficient Effects 0.000 claims abstract 5
- 238000005259 measurement Methods 0.000 claims abstract 2
- 239000000126 substance Substances 0.000 claims abstract 2
- 230000003595 spectral effect Effects 0.000 claims description 23
- 238000007689 inspection Methods 0.000 claims description 10
- 238000013519 translation Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- CKQBSDUWDZEMJL-UHFFFAOYSA-N [W].[Br] Chemical compound [W].[Br] CKQBSDUWDZEMJL-UHFFFAOYSA-N 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 241000826860 Trapezium Species 0.000 claims 1
- 239000012141 concentrate Substances 0.000 claims 1
- 238000004611 spectroscopical analysis Methods 0.000 abstract 1
- 241000220225 Malus Species 0.000 description 52
- 238000000701 chemical imaging Methods 0.000 description 9
- 230000001066 destructive effect Effects 0.000 description 9
- 235000021016 apples Nutrition 0.000 description 8
- 235000013399 edible fruits Nutrition 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 2
- 241000207199 Citrus Species 0.000 description 1
- 240000008790 Musa x paradisiaca Species 0.000 description 1
- 241000219094 Vitaceae Species 0.000 description 1
- 235000021015 bananas Nutrition 0.000 description 1
- 235000020971 citrus fruits Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000021021 grapes Nutrition 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Signal Processing (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于高光谱成像技术的苹果表面缺陷快速无损识别方法，该方法包括以下步骤：收集完好无损和表面有缺陷苹果样本随机分配，建立校正样本集和检验样本集；利用高光谱图像采集系统采集校正和检验样本集苹果样本的高光谱图像；对高光谱图像进行黑白校正，并通过掩膜处理以消除背景，使图像中仅含苹果。然后，分别提取苹果正常区域以及表面有缺陷区域的平均光谱，并采用多元散射校正（MSC）对原始光谱进行预处理，得到校正和检验样本集光谱数据。最后，利用偏最小二乘判别分析方法结合化学计量学，建立苹果表面缺陷的识别模型。本发明通过高光谱成像技术可快速、无损地识别出表面有缺陷的苹果。
Description
技术领域
本发明涉及水果表面缺陷无损检测技术领域，尤其涉及一种基于高光谱成像技术的苹果表面缺陷快速无损识别方法。
背景技术
苹果在世界水果市场上占据着非常重要的地位。因其富含丰富的维生素营养，是世界四大水果苹果、葡萄、柑桔和香蕉之冠。然而，在苹果的生长过程中，经常会受到各种因素的影响导致苹果表面出现缺陷，从而影响苹果的外观，甚至使其丧失了可食性，极大地影响了苹果的品质和销售。由此可见，对新鲜苹果的表面缺陷检测显得尤为重要。传统的检测方法大多是人工操作，耗时耗力，而且效率低，无法满足大规模生产的需求。因此，开发研制一种快速、无损、高效的苹果表面缺陷检测方法在水果分级领域中具有较好的应用前景。
高光谱成像技术集图像信息与光谱信息于一身，在获得样本图像的同时，还为图像上每个像素点提供其波长点的光谱信息，实现了“图谱合一”，是近年来应用于检测农产品品质非常热门的无损检测技术。通常被测样本感兴趣区域（ROIs）与正常区域之间的光谱值在某些特征波段下会存在较大差异。因此，在此特征波段下的图像中，采用模式识别方法对被测样本进行判别分析，从而实现被测样本在线检测。由此可见，高光谱成像技术结合了图像分析与光谱技术两者的优点，可利用高光谱成像技术实现对苹果表面缺陷的快速无损检测。
发明内容
本发明的目的在于提供一种基于高光谱成像技术的苹果表面缺陷快速无损识别方法，旨在实现快速、无损的识别。
本发明的技术方案：一种基于高光谱成像技术的苹果表面缺陷快速无损识别方法，其特征在于：该方法的步骤如下：
1）收集完好无损和表面有缺陷苹果样本随机分配，建立校正样本集和检验样本集；对样本集中的样本运用高光谱图像采集系统进行光谱扫描，采集苹果样本的高光谱图像，并对采集到的苹果高光谱图像进行黑白校正，得到校正和检验样本集高光谱图像；
2）为了保证高光谱图像中仅有苹果样本信息，通过求取苹果果实区域中所有采样点下光谱的平均值，构建掩膜以去除背景，使高光谱图像中仅含有苹果样本信息；
3）提取校正和检验样本集中苹果样本正常区域以及表面有缺陷区域的平均光谱，得到校正和检验样本集原始光谱数据；
4）采用多元散射校正（MSC）对校正和检验样本集原始光谱进行预处理，以消除表面散射以及光程变化对光谱的影响；
5）采用偏最小二乘判别分析方法结合化学计量学建立苹果表面缺陷识别模型，然后对该模型校正并预测评估，利用校正集样本和检验集样本分别检验模型对苹果表面缺陷的正确识别率。
所述步骤1）中的高光谱图像采集系统包括：CCD相机、成像光谱仪、镜头、漫反射光源、电动平移台、电动升降台、暗箱和计算机，苹果样本放在电动平移台上。
所述步骤1）中的高光谱图像采集系统中CCD相机的曝光时间是9.5ms，相机镜头与样本距离为40cm，电动平移台的移动速度是1.35cm/s，光谱采集范围为400~1000nm，光谱波段为256个；漫反射光源为四个200W溴钨灯，采用梯形结构安装于暗箱中。
所述的步骤2）和步骤3）采用ENVI5.4图像处理软件实现苹果高光谱图像的去背景处理以及原始光谱数据的提取。
所述的步骤4）采用MATLAB R2016b软件实现对样本原始光谱数据的预处理。
本发明提供的光谱数据的预处理方法（多元散射校正（MSC））有效地降低了噪声信号对原始光谱数据的干扰，有利于对原始高光谱数据进行深度挖掘。
本发明通过采集苹果的高光谱图像，获取苹果感兴趣区域的平均光谱反射率，采用偏最小二乘判别分析方法结合化学计量学建立了苹果表面缺陷的识别模型，为苹果表面缺陷的识别提供了一种快速、无损、准确的方法。
附图说明
图1为本发明实施例提供的其中三个苹果样本在波长660.82nm下的高光谱图像所构建的掩膜图；
图2为本发明实施例提供的经过去除背景处理后的其中三个带有表面缺陷苹果样本的高光谱图像；
图3为本发明实施例提供的完好无损和表面有缺陷苹果样本高光谱图像的原始光谱曲线图；
图4为本发明实施例提供的经过多元散射校正（MSC）处理后的平均光谱曲线图。
具体实施方式
下面结合附图和实施例对本发明作进一步描述，以下列举的仅是本发明的具体实施例，但本发明的保护范围并不仅限于此。
一种基于高光谱成像技术的苹果表面缺陷快速无损识别方法，包括以下步骤：
1.收集完好无损和表面有缺陷苹果样本随机分配，建立校正样本集和检验样本集；对样本集中的样本运用高光谱图像采集系统进行光谱扫描，其中CCD相机的曝光时间是9.5ms，相机镜头与样本距离为40cm，电动平移台的移动速度是1.35cm/s，采集400~1000nm波段高光谱图像，并对采集到的苹果高光谱图像进行黑白校正，得到校正和检验样本集高光谱图像；即在与样本采集相同的系统条件下，首先扫描标准白色校正板，得到全白的标定图像W；然后，盖上相机的镜头盖进行图像采集得到全黑的标定图像；最后，按照下面校正公式完成图像标定，采集得到的原始图像I变成校正图像R。
2.为了保证高光谱图像中仅有苹果样本信息，通过求取苹果果实区域中所有采样点下光谱的平均值，构建掩膜以去除背景，使高光谱图像中仅含有苹果样本信息；
3.提取校正和检验样本集中苹果样本正常区域以及表面有缺陷区域的平均光谱，得到校正和检验样本集原始光谱数据；
4.采用多元散射校正（MSC）对校正和检验样本集原始光谱进行预处理，以消除表面散射以及光程变化对光谱的影响；
5.采用偏最小二乘判别分析方法结合化学计量学建立苹果表面缺陷识别模型，然后对该模型校正并预测评估，利用校正集样本和检验集样本分别检验模型对苹果表面缺陷的正确识别率。
实施例：
1.本实施例中在当地沃尔玛超市选取一批大小均匀完好无损和表面有缺陷苹果样本（共120个）随机分配，建立校正样本集（90）和检验样本集（30）；对样本集中的样本运用高光谱图像采集系统进行光谱扫描，其中CCD相机的曝光时间是9.5ms，相机镜头与样本距离为40cm，电动平移台的移动速度是1.35cm/s。
图像采集过程由Spectral SENS（Spectral Imaging Ltd.，Finland）软件控制，光谱范围为集400~1000nm，在此范围内共256个波段。
对采集到的苹果高光谱图像进行黑白校正，得到校正和检验样本集高光谱图像；即在与样本采集相同的系统条件下，首先扫描标准白色校正板，得到全白的标定图像W；然后，盖上相机的镜头盖进行图像采集得到全黑的标定图像；最后，按照下面校正公式完成图像标定，采集得到的原始图像I变成校正图像R。
2.为了保证高光谱图像中仅有苹果样本信息，在ENVI 5.4（Research System，INc.，USA）图像处理软件中通过求取苹果果实区域中所有采样点下光谱的平均值，构建掩膜以去除背景，使高光谱图像中仅含有苹果样本信息；即选择样本和背景反射率差异大的波段对采集的高光谱图像进行分割，当某像素对应的光谱值大于阈值时被保留，小于阈值时，被置为0。本实施例中选择阈值为0.05。然后求取果实区域中所有采样点下光谱的平均值。其中三个苹果样本在波长660.82nm下的高光谱图像所构建的掩膜如图1所示。经过去除背景处理后的其中三个苹果样本的高光谱图像如图2所示。
3.在ENVI 5.4图像处理软件中提取苹果正常区域以及表面有缺陷区域中所有采样点下光谱的平均值，形成完好无损苹果样本以及表面有缺陷苹果样本的平均光谱曲线如图3所示，得到校正和检验样本集原始光谱数据；
4.采用多元散射校正（MSC）对校正和检验样本集原始光谱进行预处理，以消除表面散射以及光程变化对光谱的影响；经过多元散射校正处理后的平均光谱曲线图如图4所示；
5.采用偏最小二乘判别分析方法结合化学计量学建立苹果表面缺陷识别模型，然后对该模型校正并预测评估，利用校正集样本和检验集样本分别检验模型对苹果表面缺陷的正确识别率，其校正集的正确识别率为100%，检验集的正确识别率高达100%。
由以上实施例可以看出，本发明利用高光谱成像技术识别苹果表面缺陷不但能实现快速无损检测，而且识别效果很好。
最后，本发明的上述实施方案都只能认为是对本发明的说明而不能限制本发明。权利要求书指出了本发明的保护范围，因此，在与本发明的权利要求书相当的含义和范围内的任何改变，都应认为是包括在权利要求书的范围内。
Claims (5)
1.一种基于高光谱成像技术的苹果表面缺陷快速无损识别方法，其特征在于：该方法的步骤如下：
1）收集完好无损和表面有缺陷苹果样本随机分配，建立校正样本集和检验样本集；对样本集中的样本运用高光谱图像采集系统进行光谱扫描，采集苹果样本的高光谱图像，并对采集到的苹果高光谱图像进行黑白校正，得到校正和检验样本集高光谱图像；
2）为了保证高光谱图像中仅有苹果样本信息，通过求取苹果果实区域中所有采样点下光谱的平均值，构建掩膜以去除背景，使高光谱图像中仅含有苹果样本信息；
3）提取校正和检验样本集中苹果样本正常区域以及表面有缺陷区域的平均光谱，得到校正和检验样本集原始光谱数据；
4）采用多元散射校正（MSC）对校正和检验样本集原始光谱进行预处理，以消除表面散射以及光程变化对光谱的影响；
5）采用偏最小二乘判别分析方法结合化学计量学建立苹果表面缺陷识别模型，然后对该模型校正并预测评估，利用校正集样本和检验集样本分别检验模型对苹果表面缺陷的正确识别率。
2.根据权利要求书1所述的基于高光谱成像技术的苹果表面缺陷快速无损识别方法，其特征在于：所述步骤1）中的高光谱图像采集系统包括：CCD相机、成像光谱仪、镜头、漫反射光源、电动平移台、电动升降台、暗箱和计算机，苹果样本放在电动平移台上。
3.根据权利要求书1所述的基于高光谱成像技术的苹果表面缺陷快速无损识别方法，其特征在于：所述步骤1）中的高光谱图像采集系统中CCD相机的曝光时间是9.5ms，相机镜头与样本距离为40cm，电动平移台的移动速度是1.35cm/s，光谱采集范围为400~1000nm，光谱波段为256个；漫反射光源为四个200W溴钨灯，采用梯形结构安装于暗箱中。
4.根据权利要求书1所述的基于高光谱成像技术的苹果表面缺陷快速无损识别方法，其特征在于：所述的步骤2）和步骤3）采用ENVI5.4图像处理软件实现苹果高光谱图像的去背景处理以及原始光谱数据的提取。
5.根据权利要求书1所述的基于高光谱成像技术的苹果表面缺陷快速无损识别方法，其特征在于：所述的步骤4）采用MATLAB R2016b软件实现对样本原始光谱数据的预处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811021636.9A CN109001218A (zh) | 2018-09-03 | 2018-09-03 | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811021636.9A CN109001218A (zh) | 2018-09-03 | 2018-09-03 | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109001218A true CN109001218A (zh) | 2018-12-14 |
Family
ID=64590944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811021636.9A Pending CN109001218A (zh) | 2018-09-03 | 2018-09-03 | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109001218A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109540831A (zh) * | 2019-01-25 | 2019-03-29 | 中国中医科学院中药研究所 | 基于高光谱成像技术的枸杞子品种识别方法 |
| CN109765194A (zh) * | 2019-01-25 | 2019-05-17 | 中国中医科学院中药研究所 | 基于高光谱成像技术的枸杞子产地识别方法 |
| CN110095436A (zh) * | 2019-05-30 | 2019-08-06 | 江南大学 | 苹果轻微损伤分类方法 |
| CN110596117A (zh) * | 2019-08-15 | 2019-12-20 | 山东科技大学 | 一种基于高光谱成像的苹果表面损伤快速无损检测方法 |
| CN111507939A (zh) * | 2020-03-12 | 2020-08-07 | 深圳大学 | 一种水果外部缺陷类型的检测方法、装置和终端 |
| CN111562273A (zh) * | 2020-06-05 | 2020-08-21 | 大连工业大学 | 基于高光谱的鱼水射流除鳞轻微损伤可视化方法 |
| CN113033674A (zh) * | 2021-03-25 | 2021-06-25 | 安徽理工大学 | 一种贝叶斯优化随机森林算法的苹果多光谱图像无损检测方法 |
| CN113418874A (zh) * | 2021-03-15 | 2021-09-21 | 安徽工业技术创新研究院六安院 | 面向果实品质检测的高光谱图像重构方法及检测方法 |
| CN113588686A (zh) * | 2021-02-10 | 2021-11-02 | 菲特(珠海横琴)智能科技有限公司 | 基于丝锭视觉检测的光学设计系统、打光及明暗场校正方法 |
| CN116840163A (zh) * | 2023-06-07 | 2023-10-03 | 武汉大学 | 基于果品品质检测模型的果品品质检测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060164649A1 (en) * | 2005-01-24 | 2006-07-27 | Eliezer Rosengaus | Multi-spectral techniques for defocus detection |
| US20080046217A1 (en) * | 2006-02-16 | 2008-02-21 | Clean Earth Technologies, Llc | Method for Spectral Data Classification and Detection in Diverse Lighting Conditions |
| CN103808669A (zh) * | 2014-01-26 | 2014-05-21 | 沈阳农业大学 | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 |
| CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
| CN105021529A (zh) * | 2015-06-11 | 2015-11-04 | 浙江水利水电学院 | 融合光谱和图像信息的作物病虫害识别和区分方法 |
| CN106525732A (zh) * | 2016-10-25 | 2017-03-22 | 沈阳农业大学 | 基于高光谱成像技术的苹果内外品质快速无损检测方法 |
-
2018
- 2018-09-03 CN CN201811021636.9A patent/CN109001218A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060164649A1 (en) * | 2005-01-24 | 2006-07-27 | Eliezer Rosengaus | Multi-spectral techniques for defocus detection |
| US20080046217A1 (en) * | 2006-02-16 | 2008-02-21 | Clean Earth Technologies, Llc | Method for Spectral Data Classification and Detection in Diverse Lighting Conditions |
| CN103808669A (zh) * | 2014-01-26 | 2014-05-21 | 沈阳农业大学 | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 |
| CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
| CN105021529A (zh) * | 2015-06-11 | 2015-11-04 | 浙江水利水电学院 | 融合光谱和图像信息的作物病虫害识别和区分方法 |
| CN106525732A (zh) * | 2016-10-25 | 2017-03-22 | 沈阳农业大学 | 基于高光谱成像技术的苹果内外品质快速无损检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 田有文 等: "基于高光谱成像技术的苹果表面轻微损伤检测", 《沈阳农业大学学报》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109540831A (zh) * | 2019-01-25 | 2019-03-29 | 中国中医科学院中药研究所 | 基于高光谱成像技术的枸杞子品种识别方法 |
| CN109765194A (zh) * | 2019-01-25 | 2019-05-17 | 中国中医科学院中药研究所 | 基于高光谱成像技术的枸杞子产地识别方法 |
| CN109765194B (zh) * | 2019-01-25 | 2021-05-11 | 中国中医科学院中药研究所 | 基于高光谱成像技术的枸杞子产地识别方法 |
| CN110095436A (zh) * | 2019-05-30 | 2019-08-06 | 江南大学 | 苹果轻微损伤分类方法 |
| CN110596117A (zh) * | 2019-08-15 | 2019-12-20 | 山东科技大学 | 一种基于高光谱成像的苹果表面损伤快速无损检测方法 |
| CN111507939A (zh) * | 2020-03-12 | 2020-08-07 | 深圳大学 | 一种水果外部缺陷类型的检测方法、装置和终端 |
| CN111562273A (zh) * | 2020-06-05 | 2020-08-21 | 大连工业大学 | 基于高光谱的鱼水射流除鳞轻微损伤可视化方法 |
| CN113588686A (zh) * | 2021-02-10 | 2021-11-02 | 菲特(珠海横琴)智能科技有限公司 | 基于丝锭视觉检测的光学设计系统、打光及明暗场校正方法 |
| CN113418874A (zh) * | 2021-03-15 | 2021-09-21 | 安徽工业技术创新研究院六安院 | 面向果实品质检测的高光谱图像重构方法及检测方法 |
| CN113033674A (zh) * | 2021-03-25 | 2021-06-25 | 安徽理工大学 | 一种贝叶斯优化随机森林算法的苹果多光谱图像无损检测方法 |
| CN116840163A (zh) * | 2023-06-07 | 2023-10-03 | 武汉大学 | 基于果品品质检测模型的果品品质检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109001218A (zh) | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 | |
| US11454594B2 (en) | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images | |
| CN103822879B (zh) | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 | |
| CN109100323B (zh) | 一种苹果水心病的透射光谱无损定量评价方法 | |
| Zhang et al. | Identification of common skin defects and classification of early decayed citrus using hyperspectral imaging technique | |
| Zheng et al. | AFFU-Net: Attention feature fusion U-Net with hybrid loss for winter jujube crack detection | |
| CN110763698B (zh) | 一种基于特征波长的高光谱柑橘叶片病害识别方法 | |
| CN1995987A (zh) | 基于高光谱图像技术的农畜产品无损检测方法及装置 | |
| Guzmán et al. | Infrared machine vision system for the automatic detection of olive fruit quality | |
| CN113390799B (zh) | 一种烟叶中梗的识别与检测方法 | |
| JP2006170669A (ja) | 青果物の品質検査装置 | |
| CN105203464B (zh) | 基于高光谱成像技术检测花生中油酸含量分布的方法 | |
| Tan et al. | The feasibility of early detection and grading of apple bruises using hyperspectral imaging | |
| CN110596117A (zh) | 一种基于高光谱成像的苹果表面损伤快速无损检测方法 | |
| CN110335249A (zh) | 基于高光谱成像技术的柑橘黄龙病检测方法 | |
| CN110363125A (zh) | 采用模型传递识别不同品种柑橘黄龙病的方法 | |
| CN105115910B (zh) | 基于高光谱成像技术检测花生中蛋白质含量分布的方法 | |
| CN110849828A (zh) | 一种基于高光谱图像技术的藏红花分类方法 | |
| CN103808669A (zh) | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 | |
| CN109187578A (zh) | 基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法 | |
| Tian et al. | Detection of early bruises on apples using near‐infrared camera imaging technology combined with adaptive threshold segmentation algorithm | |
| CN109975217A (zh) | 基于高光谱成像系统的李子可溶性固形物含量值检测方法 | |
| CN113777104B (zh) | 一种单粒玉米种子高光谱检测成熟度的方法 | |
| CN109342331A (zh) | 基于可见/近红外光谱技术的李子硬度无损检测方法 | |
| Zhang et al. | Development of a hyperspectral imaging system for the early detection of apple rottenness caused by P enicillium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181214 |
|
| RJ01 | Rejection of invention patent application after publication |