目录
前言
相关工作
相关工作一:
相关工作二:
本文实验
样本
实验设备
数据处理
面检测方法一
面检测方法二
结论
参考文献
前言
高光谱成像技术可以对大范围的农产品进行识别和检测,已经在工业界得到应用,取代了效率低、精度低、费时费力的人工分拣方法。本文通过分析完好与损伤区域的光谱数据,验证了利用高光谱成像技术检测河北鸭梨的物理损伤的可行性。
相关工作
相关工作一:
2014年研究人员采用近红外高光谱成像技术(950 ~ 1650 nm)对伤梨进行高光谱成像,并利用选择波段比和阈值方法提取损伤区域,为开发多光谱成像系统提供了依据。研究人员分别通过5、10、15厘米三个高度梨的自由落体,在梨的中心区域产生损伤区域,随后分别提取bruises, sound areas, lenticels and regions with specular responses(损伤、健康、皮孔和镜面反射区域)的光谱数据。
通过单因素方差分析(one-way ANOVA)计算损伤与正常区域不同波段之间光谱数据比值的F值,以找到在整个高光谱图像中区分完好与损伤区域的最佳波段比值对。通过高斯分布分别回归波段比的频率后,设置合适的阈值对图像进行像素级分类。
整体流程图可见图一。
图1 (a)1074 nm处单波段图像 (b)设置10%反射率阈值得到梨的掩模图像 (c)、(d) 最优波段比值的单波段图像 (e) 两波段比值图像 (f) 设置合适阈值得到二值图像 (g) 损伤区域检测结果图像(Wang-Hee Lee)
相关工作二:
2017年研究人员利用ImSpector V10E成像光谱仪(380~1030 nm)分别获取了放置在传送台上的经损伤处理后的库尔勒梨的连续七天的高光谱数据,探索了在可见光到近红外波长范围内检测梨的损伤区域的可行性。样本的处理方式为:从30 cm的高处抛下至水平地板上,在梨赤道位置附近形成轻微且肉眼难辨的损伤,得到损伤区域直径约为3 cm的样本。
作者利用envi提取感兴趣区域(ROI)的光谱数据,并经首尾噪声波段去除与小波基函数去噪后得到的470~963 nm光谱范围内的反射率曲线。将样本集按照2:1的比例进行划分,并将全部波段数据输入到SVM分类器中进行分类。但对全波段数据进行处理增加了计算复杂度,不利于实时检测。因此作者对光谱数据进行二阶导数预处理,并提取了19个特征波长。将特征信息输入到SVM分类器中,得到与全波段数据相同的平均总体分类精度。
最后,作者同样利用特征波长处完好与损伤区域波段比的F值得到最佳波段比值,并通过选择性搜索算法(SS) 合并具有相似性阈值的相邻像素点,从而形成一个区域,一定程度上消除了相关工作一中出现假阳性像素点的情况。
本文实验
样本
从农贸市场购买10个大小、形状、颜色分布均匀的河北鸭梨/水晶梨,保证全部为正常优质果,不含明显的外观损伤,以保证实验的准确性。梨的物理损伤的产生方法为:从30cm高度垂直落下,在赤道位置附近造成损伤部位。逐个采集编号后的损伤样本的高光谱图像,损伤水果在拍摄期间常温保存。
实验设备
实验采用南京智谱科技有限公司的HF820 高光谱视频相机进行数据采集,HF820 高光谱视频相机是基于PMVIS技术打造的光谱视频成像设备,在保证高光谱分辨率的基础上,取得百万像素量级光谱视频成像空间分辨率,实现实时彩色视频的输出以及观测目标在线、准确的分析,具体参数可见下表。数据采集在暗室中进行,其余设备有灯箱、计算机等。
表1 HF820 高光谱视频相机参数
类别 |
参数 |
尺寸 |
229×165×62mm |
重量 |
1.3kg |
成像距离 |
0.5m~无穷远 |
光谱范围 |
450~950nm(波段可选,125个) |
光谱分辨率 |
4nm@550nm |
动态范围 |
12bit |
全幅像素 |
200万像素 |
帧频 |
20cubes/s |
工作/放置温度 |
0~45℃/-30~60℃ |
数据处理
高光谱图像ROI的选择基于ENVI 5.3 实现,
光谱预处理
,特征提取、波段比计算以及图像处理主要基于python 3.9
实现。
分别在完好、损伤区域中心选择8个5*5个像素的ROI,在10个样本中共提取了160个ROI,将光谱信息进行平均得到平均光谱反射率曲线如图二。为了消除水果形状对光谱反射率的影响,采集光谱时尽可能保持各个区域位置接近。可以看到,鸭梨在480 nm和750 nm附近存在波谷,在700nm 和800nm 附近出现波峰。损伤区域反射率随波长的变化趋势与完好区域相同,整体反射率较完好区域低,特别是在750nm ~ 900nm 范围内,这是由于水果细胞中所含的O-H键的伸缩导致,与水分吸收有关,N-H键的伸缩同样也会造成影响。
图2 各区域反射率随波长的变化
根据表皮的实际情况,将提取的 160 条平均光谱标记为两类:0 类代表损伤区域(共计 80 条平均光谱),1 类代表完好区域(共计 80 条平均光谱)。将 160 条光谱按照6:4的比例随机分为训练集与验证集。利用 SPA 筛选特征波段,通过算法内嵌的 MLR 模型可以得到 RMSE 以及特征波长分布图。从图三(a)中可以看到,随着筛选的波长个数的增加,RMSE逐渐下降,在接近15时趋于平稳。算法自动选取了16个特征波段,分布情况如图三(b)所示,可以看到由于两类表皮的光谱曲线在后半部分存在较大差异易于区分,SPA 选择较少的特征波段,而前半部分两类别光谱曲线较为接近,需要利用更多的特征波段才能降低 MLR 回归中的均方根误差。
(a) RMSE随特征波长个数的变化 (b) 特征波长的分布情况
图3 SPA提取特征波段
面检测方法一
对提取的特征波段进行主成分分析(PCA),选取能够区分损伤与完好区域的主成分,对其进行阈值分割得到损伤区域。主要流程如下图所示, (a) 梨的真彩色图像 (b) 第五主成分(PC5) (c) 阈值分割结果
图4 损伤区域检测方法一流程图
面检测方法二
通过one-way ANOVA计算损伤与正常区域不同波段之间光谱数据比值的F值,得到F值等高线图如图五所示。
图5 单因素方差分析计算出的F值
找到F值最大处的完好与损伤区域的最佳波段对,相除得到比值图像进行阈值分割得到损伤区域检测结果。主要流程如下图所示,
(a) 最佳波段对图像 (b) 比值图像 (c) 阈值分割结果
图6 损伤区域检测方法二流程图
结论
本次实验利用光谱技术针对梨的物理损伤进行了检测,两种面检测方法都可以识别出梨的损伤区域,这表明利用可见光-近红外高光谱成像技术对河北鸭梨进行损伤鉴别是可行的,这为构建低成本的多光谱成像系统提供了依据。但实验同样存在不足,如只是对样本进行单幅成像,未能充分利用快照式相机的视频成像速率。未来将探索快照式相机在梨以及其它水果的物理损伤和其它理化性质检测中的应用。
参考文献
https://www.sciencedirect.com/science/article/abs/pii/S0260877414000156
Pears characteristics (soluble solids content and firmness predic...: Ingenta Connect
高光谱成像技术的库尔勒梨早期损伤可视化检测研究--《光谱学与光谱分析》2017年01期
基于机器视觉和光谱成像技术的苹果外部品质检测方法研究 - 中国知网
https://www.sciencedirect.com/science/article/pii/S0924224421001527
https://www.opticsjournal.net/Articles/OJ3760efef631e9f62/Abstract
Study on Bruise Detection of 'Fuji' apple using Hyperspectral Reflectance Imagery-Journal of Biosystems Engineering | Korea Science