高光譜圖像技術在水果品質無損檢測研究進展

分類:論文范文 發表時間:2021-06-04 09:47

  摘要:為滿足商家和普通消費者對水果品質的需求,水果品質的無損檢測與分級十分必要。高光譜圖像技術將光譜學與計算機圖像學兩學科的優勢結合起來,可同時獲得水果空間圖像和光譜信息,能夠全面反映水果內部和外部的品質信息,在水果品質無損檢測與分析方面有著廣闊的應用前景。綜述了該技術用于水果品質無損檢測的研究進展,并對未來發展趨勢進行展望。

  關鍵詞:高光譜成像;無損檢測;水果;品質

  隨著人民生活質量的逐步提升,消費者對水果質量的要求也越來越高[1]。但水果的內部品質不宜觀察,且在采摘、包裝和運輸過程中,水果很容易受到人工或外界等物理因素的影響,致使其內外部的品質受到損傷[2]。因此,發展準確、快速、無損的檢測技術已成為水果品質檢測領域重要的研究課題。隨著光譜技術的不斷發展,高光譜圖像技術被逐漸應用于水果無損檢測。作為新一代的光電檢測技術,高光譜圖像技術結合了光譜學、機器視覺、計算機圖像學、近紅外光譜檢測等多學科知識,將光譜技術和傳統的二維成像技術進行了有機融合,具有高分辨率、超多波段和圖像光譜合一等優點[3],將高光譜圖像技術應用于水果品質檢測領域具有重要的意義[4]。

高光譜圖像技術在水果品質無損檢測研究進展

  1高光譜圖像技術簡介

  1.1高光譜成像系統

  高光譜成像系統是20世紀80年代興起的新一代光電探測技術。一般認為,光譜分辨率在10-1λ數量級的范圍內稱之為多光譜,光譜分辨率在10-2λ數量級的范圍內稱為高光譜[9],高光譜成像相對多光譜成像而言具有更高的分辨率[10]。

  1.2高光譜圖像數據的采集方式

  根據高光譜圖像采集方式的不同,可分為點掃描、線掃描和面掃描三種。點掃描方式每次掃描只能獲得一個像素點的光譜,不適用于快速檢測,所以點掃描的方式常常被用于檢測微觀對象。線掃描方式通過每次掃描可以獲得掃描線上的光譜,適用于傳輸帶上物體的實時檢測,因此該方法是水果品質檢測中最常用的圖像采集方法。點掃描和線掃描方式都屬于光譜域掃描方式,首先獲得圖像的光譜和一個維度的空間信息,再通過掃描移動,獲得另一維度空間信息。而面掃描方式屬于空間域掃描方式,可以同時獲取單個波長下被測物體兩個空間維度的圖像信息,其數據采集量大且數據采集時間較長,高光譜成像系統中通常會選擇面掃描方式。

  2高光譜圖像技術的研究進展

  2.1水果品質定性分析

  2.1.1機械損傷

  水果在收獲和運輸過程中很容易因為外界的沖擊、振動或擠壓而出現機械損傷,從而使水果的品級降低并造成經濟損失。現在對水果機械損傷的檢測多是通過人眼檢測,檢測精度較低,致使分類不夠精準,無法滿足消費者對水果質量的要求,而高光譜檢測技術以其高精度無損檢測的特點正在逐漸取代原有的檢測技術.

  2.1.2凍傷

  凍傷是水果缺陷檢測中最常見的指標之一,其早期檢測和監測比較困難,為了更早地將有缺陷的水果從營銷鏈中去除,需要一種快速、精確和無損的檢測技術。近年來,研究人員針對蘋果凍傷方面的研究主要集中在算法優化層面。ElMasry等[23]利用高光譜成像(400~1000nm)檢測“紅元帥”蘋果中的凍傷,開發了一種前饋反向傳播模型,選擇出五個特征波長的光譜作為模型的輸入,以普通與凍傷為輸出結果,構建了人工神經網絡識別模型。結果表明,該模型的平均分類精度達到98.4%。張嬙等[24]搭建半透射高光譜系統,采集樣本在400~1000nm波段的圖像,利用獨立主成分分析法和權重系數法對圖像進行處理,建立水蜜桃冷害等級判別模型并進行驗證,驗證組的總體正確率為91.0%。Pan等[25]建立了一個高光譜成像系統來檢測桃子的凍傷,開發了一種人工神經網絡(ANN)模型,確定了8個特征波長,并將特征波長作為ANN模型的輸入,對完好果和凍傷果進行分類,其分類精度為95.8%。高光譜圖像技術結合化學計量學方法在識別凍傷水果方面的研究已有一定進展,檢測精度普遍較高,未來可以進行水果凍傷分級識別的在線檢測研究,進一步提高檢測效率。

  2.2水果品質定量分析

  2.2.1硬度預測

  硬度是表現水果成熟度和口感品質的一個重要特征,傳統的硬度檢測方法普遍對樣本有損傷,而高光譜成像技術則能夠對水果硬度進行快速、無損檢測。張巍[32]使用自主搭建的高光譜成像系統(500~1000nm),以藍莓為研究對象,采用連續投影算法(SPA)對特征光譜進行提取,并建立基于全波段-BP神經網絡的硬度預測模型與基于SPA-BP神經網絡的硬度預測模型。試驗結果表明,所建模型都有較好的預測結果,且基于SPA-BP神經網絡預測模型的預測結果更好。盧娜等[33]利用高光譜成像系統,獲取草莓在400~1000nm范圍波長的高光譜數據,采用四種方法對光譜數據進行預處理,并建立PLS預測模型,比較不同的預處理方法對預測模型產生的影響。結果表明,經過標準正態變換(SNV)處理后的偏最小二乘(PLS)模型預測效果最好。Reddy等[34]利用高光譜成像和多變量數據分析對櫻桃硬度進行預測。結果表明,與偏最小二乘回歸法相比,利用高斯過程回歸所預測的櫻桃硬度精度更高。Xie等[35]使用高光譜成像系統對香蕉的硬度進行預測,設計了一種雙波長組合的方法選擇出特征波長,基于所選波長,得出RP2=0.760,RPD=2.062。結果表明,可以通過雙波長組合的方法對香蕉硬度進行分類。在硬度預測方面,Xie等所設計的雙波長組合方法檢測香蕉硬度時有良好的表現,可以將此方法應用到其他水果的硬度檢測上。

  2.2.2可溶性固形物預測

  水果中的可溶性固形物(SSC)包括可溶性糖類、維生素、礦物質等[36],是影響水果內部品質的重要因素。羅霞等[37]利用高光譜技術采集火龍果的漫反射光譜,并進行火龍果可溶性固形物的無損檢測。應用連續投影算法(SPA)對特征變量進行選擇,采用8種方法對原始光譜數據進行預處理,通過偏最小二乘法(PLS)和前饋反向傳播神經網絡法(BPNN)建立預測模型。結果表明,采用平滑去噪(MAS)進行預處理的模型精度最高,其驗證相關系數和交叉驗證均方根誤差分別為0.8635、0.6791。侯寶路等[38]利用近紅外高光譜成像技術(400~1000nm)檢測梨內部的可溶性固形物。采用SPA算法提取梨的有效波長,利用多元線性回歸算法(MLR)建立線性回歸模型。結果表明,預測可溶性固形物模型的相關系數R為0.898,均方根誤差為0.192,檢測結果較為準確。Zhang等[39]使用可見光和近紅外全透光高光譜成像對橙子中可溶性固體含量(SSC)進行預測,結合了自適應權重加權采樣和連續投影算法(CARS-SPA)來選擇有效波長,將水果尺寸作為補償因子,建立了三種與光譜信息相結合的校準模型,包括部分最小平方(PLS)、多線性回歸(MLR)和最平方支持向量機(LS-SVM)。結果表明,根據所選的有效波長,新提出的CARS-SPA-LS-SVM模型能夠實現對橙子SSC的滿意預測。何洪巨等[40]研究高光譜技術在檢測無籽/有籽西瓜、青色/黃色甜瓜糖度上的可行性,利用可見/近紅外高光譜成像技術,分析不同品種西瓜、甜瓜的光譜反射率對糖度的響應差異,得出在639.3nm波段其響應最高,在此波段下建模并檢驗,其建模R2為0.904、檢驗R2為0.847、相對均方根誤差為6.78%。Sun等[41]采用在波長900~1700nm范圍內的高光譜成像對甜瓜的糖度進行無損檢測。使用傳統的方法對樣本甜瓜進行檢測,并建立了四種模型對樣本進行預測。結果表明,偏最小二乘回歸(PLSR)產生的預測結果最為準確,其R2值為0.80。

  3存在問題及發展趨勢

  高光譜成像技術雖然在水果無損檢測方面有較多的應用,但仍存在著一些不足。高光譜的穿透深度不夠高,對于果皮比較厚的水果難以檢測。反射、透射時需要使用大光源,但光源能量過高又容易損傷水果,如何在無損檢測和更深層檢測間達到平衡是未來要解決的關鍵問題;高光譜的圖像數據量大,冗余信息多,如何選擇特征波長,去除無相關的變量來提升檢測效率也是急需解決的一個問題;水果含水率普遍較高,高光譜檢測時在1400nm后會受到水分吸收峰的影響,如何避免水分吸收峰對檢測結果的影響也亟待解決。

  小結

  近年來,高光譜圖像檢測技術在水果品質的無損檢測方面得到了廣泛的應用,硬件的設計與實現以及圖像處理的算法都取得了進步,檢測的準確率逐漸提升,體現出其克服傳統分析工具復雜性、繁瑣性、破壞性的巨大潛力。但高光譜圖像技術還有較多問題值得深入研究,隨著科技的進步以及信息時代的到來,此技術必將會越來越成熟,應用前景也將越來越廣闊。

  參考文獻:

  [1]呂華.基于消費者偏好的水果追溯信息共享策略調查研究[J].食品安全質量檢測學報,2019,10(5):1422-1426.

  [2]唐敏,劉英,費葉琦,等.圖像處理技術在現代林果采摘中的應用[J].林業機械與木工設備,2020,48(4):4-7.

  [3]吳龍國,何建國,賀曉光,等.高光譜圖像技術在水果無損檢測中的研究進展[J].激光與紅外,2013,43(9):990-996.

  申亞其,李松林,何杰,閆祖龍,李春林,黃玉萍

關鍵詞:高光譜,高,光譜,圖像,技術,在,水果,品質,摘要,

上一篇:互聯網+”背景下高中地理生活化教學 下一篇:水果成熟度檢測技術的現狀與發展

A片在线观看全免费-免费A片在线网站大全高清