技术支持

您现在的位置:首页  >  技术文章  >  橙子斑点及损伤快速识别研究

橙子斑点及损伤快速识别研究
发布时间:2017-08-17浏览:4148次

基于成像光谱技术的橙子斑点及损伤快速识别研究

                                       四川双利合谱科技有限公司-黄宇

  • 引言

随着人们生活水平的提高,消费者越来越关注果蔬的品质安全问题。如造成

水果表面出现黑白斑的内部腐烂、水果因运输等原因造成的碰伤、损伤等,从而严重影响消费者的身体健康。因此水果黑白斑、碰伤损伤的快速有效的识别具有重要的研究价值。

高光谱图像技术结合了光谱分析和图像处理的技术优势,国内外许多学者对研究对象的内外部品质特征进行检测分析,如赵杰文等利用高光谱图像技术检测水果轻微损伤,准确率为88.57 %;Jasper G. Tallada等分别应用高光谱图像技术对不同成熟度的草莓表面损伤、苹果的表面缺陷及芒果的成熟度检测进行了试验研究。王玉田等运用荧光光谱检测出水果表面残留的农药;胡淑芬等运用激光技术对水果表面农药残留进行了试验研究;薛龙等针对水果表面农药残留,以滴有较高浓度的脐橙为研究对象,利用光谱范围425-725 nm的高光谱图像系统进行检测,发现对较高浓度的农药残留检测效果较好。本文采用高光谱图像技术检测不同水果的黑白斑区域及损伤区域,以实现水果黑白斑、损伤区域快速识别的目的。

二、 试验材料与方法

2.1  实验材料

本研究以橙子为研究对象,分析橙子的黑白斑区域与损伤区域。其中橙子的黑白斑、损伤是非人为故意形成。

2.2  实验设备

高光谱成像数据采集采用四川双利合谱科技有限公司的 GaiaSorter高光谱分选仪系统。该系统主要由高光谱成像仪(V10E)、CCD 相机、光源、暗箱、计算机组成,结构图与实景图如图1。实验仪器参数设置如表1

1   GaiaSorter 高光谱分选仪系统参数

序号

项目

参数

1

光谱扫描范围/nm

400~1000

2

光谱分辨率/nm

2.8

3

采集间隔/nm

1.9

4

光谱通道数

520

 1  GaiaSorter 高光谱分选仪结构图与实景图

2.3  图像处理分析

采用SpecViewENVI/IDL对高光谱数据的预处理及分析,预处理中的镜像变换、黑白帧校准在SpecView中进行;其他数据的分析在ENVI/IDL中进行。

三、结果与讨论

3  橙子黑斑斑区域、正常区域、背景的光谱分析

以橙子的正面和侧面为例,取橙子黑斑区域、白板区域、正常区域和背景各3个不同位置周边50个像元,分别获取这3个不同位置50个像元的光谱反射率,并求取这50个像元的反射率均值,如图3所示。从图中可知,在580-700 nm范围内,橙子的黑斑区域、白斑区域、正常区域的光谱反射率上升趋势较为显著,而背景在此光谱范围,光谱反射率上升较为缓慢,因此可以在此区域快速地识别橙子。无论从橙子的正面光谱还是侧面光谱来看,在530-1000 nm范围内,橙子的黑斑区域的光谱反射率均低于橙子的白斑区域和正常区域。在400-1000nm范围内,白斑区域和正常区域在蓝光波段差异明显。

图3  橙子黑斑斑区域、正常区域、背景的光谱反射率

3.3  橙子的zui小噪声分离变换

对经过镜像变换、黑白帧校准的橙子高光谱图像进行MNF变换(如图4,从左到右:苹果、正面橙子、侧面橙子) ,分别得到以有效信息为主的波段和以噪声为主的波段,并且按照信噪比从大到小的顺序排列。原始数据的主要信息都集中在前面特征值大的波段,后面特征值小的波段主要以噪声为主。特征值接近于0的多数是噪声,选择特征值高的波段。从图4可知,当橙子特征值数到7时,特征值趋向于0且无显著变化。

图 4腐烂区域与农业残留区域提取流程图

3.4  zui小噪声分离变换

由于高光谱遥感数据波段多,波段间存在很大相关性,为了克服维数灾难,利用zui小噪声分离变换进行波段选择,达到优化数据,去除噪声和数据降维的目的。

zui小噪声分离变换( MNF)是对主成分变换( PCA) 的一种改进方法。PCA 是一种线性变换,变换后各主成分分量彼此之间互不相关,随着主成分的增加该分量包含的信息量减小,*主成分包含的信息量zui大,第二主成分与*主成分无关且在剩余成分中包含的信息量zui大,依此类推。但PCA对噪声比较敏感,在变换后的主成分分量中,信息量大的信噪比不一定高,当某个信息量大的主成分中包含的噪声的方差大于信号的方差时,该主成分分量形成的图像质量就差。针对 PCA 变换的不足,Green 和 Berman 提出zui小噪声分离变换( MNF),它

不但能判定图像数据内在的维数( 波段数) ,分离数据中的噪声,而且能减少随后处理中的计算需求量。MNF 变换是基于图像质量的线性变换,变换结果的成分按照信噪比从大到小排列。经过MNF变换大部分噪声集中在特征小的分量中。而不像 PCA变换按照方差由大到小排列,从而克服了噪声对影像质量的影响。

3.4.1基于MNF的橙子的黑白斑区域识别

    图5列举了橙子正面、侧面原图(高光谱RGB彩色合成)、MNF变换前7个特征值灰度图。从正面橙子的MNF变换的特征值灰度图来看,第1特征值灰度图能较好地区分背景、橙子黑斑,然而,背景和橙子黑斑则无法相互区分;第2、3特征值灰度图亮度部分为黑斑,但是无斑点橙子也会被错误地识别为黑斑;第4特征值灰度图能较好地识别出橙子的黑斑和白斑,即较亮的部分为橙子的黑斑、白斑,识别效果较好;第5、6、7及往后的特征值的灰度图则无法正确识别出黑斑、白斑区域。

5橙子正面RGB原图及前7个MNF特征值灰度图

如图6,从侧面橙子的MNF变换的特征值灰度图来看,第1特征值灰度图能较好地区分背景、橙子;第2、3特征值灰度图识别效果并不如意,黑白斑、背景等均未能识别出来;第4特征值灰度图虽然能识别出橙子黑斑,但是也错误地把部分无斑点橙子识别为黑斑;第5特征值灰度图能较好地识别出橙子黑白斑、损伤区域,但是部分背景会错误地识别为黑白斑。第6、7及往后的特征值的灰度图则无法正确识别出黑斑、白斑、损伤区域。

6 橙子测面RGB原图及前7个MNF特征值灰度图

3.6 基于植被指数、阈值分割的橙子斑点、损伤区域快速识别

    根据图3橙子黑白斑区域、损伤区域、正常区域和背景的光谱反射率变化规律,构建植被指数NDVI(706, 590)去除背景并掩膜MNF5,zui后利用灰度密度分割,用红色代表橙子斑点、损伤区域,黄色代表轻微损伤或者微小的橙子斑点,如图7所示。从图中可知,无论是橙子的正面或者侧面,利用植被指数、阈值分割的方法均能快速、较为准确地识别出其斑点和损伤区域。

7 基于植被指数、阈值分割的橙子斑点、损伤区域快速识别

 讨论

高光谱成像技术应用于水果斑点及损伤区域的快速识别已体现出其“图谱合一”的优越性。水果损伤和水果表皮的斑点颜色虽然能用肉眼一一识别,但是在工业生产用,仅靠人力去一一挑选无损伤、无斑点的水果,既费时费力费财。利用成像高光谱技术,获取不同水果的光谱反射率,查找出其损伤、斑点的特征波段,利用特征波段构建植被指数从而实现水果损伤、斑点区域的快速有效的识别,并达到自动化挑选水果的目的。本研究结果表明,运用高光谱成像技术,运用zui小噪声分离、植被指数等方法等,均可有效地识别水果损伤与斑点区域,但zui小噪声分离方法较为复杂,运算速度较慢,不适合在工业生产上进行应用,而植被指数算法简单,仅利用2个波段进行四则运算即可实现水果损伤和斑点的快速识别。

北京卓立汉光仪器有限公司 版权所有    备案号:京ICP备05015148号-4

技术支持:化工仪器网    管理登陆    网站地图

联系电话:
010-5637 0168-696

微信服务号