本发明属于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快速无损识别猕猴桃表面缺陷的方法。
背景技术:
猕猴桃营养价值高,拥有“水果之王”的美誉。我国猕猴桃栽培面积世界第一,种类占世界90%。然而,在猕猴桃的生长过程中,经常会受到各种因素的影响导致猕猴桃表面出现缺陷,极大地影响了猕猴桃的品质和销售。由此可见,对猕猴桃的表面缺陷检测显得尤为重要。但是,猕猴桃果皮颜色较深,其表面缺陷很难被肉眼识别。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、高效的猕猴桃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反射率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,采用阈值分割以及数学形态学处理对被测样本进行识别分析,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,并通过合适的数据处理方法找到最能准确辨别农产品表面缺陷的特征波长下的图像,从而实现基于高光谱成像技术的猕猴桃表面缺陷的快速无损检测。
技术实现要素:
本发明的目的在于提供一种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,旨在实现快速、无损、大量样本的识别。
本发明的技术方案:一种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,其特征在于:包括步骤如下:
1)选取大小均匀完好无损的猕猴桃和表面有缺陷的猕猴桃作为样本集;
2)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,得到猕猴桃样本的高光谱图像,并对采集的猕猴桃高光谱图像进行黑白校正;
3)经过黑白校正后的高光谱图像仍含有一些噪声,需要对猕猴桃高光谱图像进一步去噪处理,采用最小噪声分离变换对高光谱图像去噪处理;
4)为了保证高光谱图像中仅有猕猴桃样本信息,通过求取猕猴桃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猕猴桃样本信息;
5)分别提取猕猴桃正常区域以及表面缺陷区域的平均光谱,分析光谱曲线的特征,找出能区分猕猴桃正常区域和表面缺陷区域的特征波段;
6)采用阈值分割及数学形态学处理方法,先后分割提取出猕猴桃正常区域和表面缺陷区域,实现基于高光谱成像技术的猕猴桃表面缺陷的快速无损识别。
所述步骤2)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,猕猴桃样本放在电动平移台上。
所述步骤2)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;漫反射光源为四个200w溴钨灯,采用梯形结构安装于暗箱中。
所述步骤3)和步骤4)采用envi5.4图像处理软件实现猕猴桃高光谱图像的去噪处理和背景去除。
所述步骤5)根据光谱曲线的特征选取能表征猕猴桃正常区域和表面缺陷区域的两个特征波段范围为700~800nm和900~1000nm。
本发明提供的最小噪声分离变换有效地降低了噪声信号的干扰,有利于对原始高光谱图像进行深度挖掘。
本发明通过获取猕猴桃的高光谱图像得到其光谱信息,建立表征猕猴桃完好无损果和表面有缺陷果的特征数据库,采用阈值分割及数学形态学处理建立猕猴桃表面缺陷的识别模型,为猕猴桃表面缺陷的识别提供一种快速、无损、准确的方法。
附图说明
图1为本发明实施例提供的在特征波长901.46nm处某个猕猴桃样本的高光谱图像的掩膜图;
图2为本发明实施例提供的经过去除背景和最小噪声分离变换后的某个带有表面缺陷猕猴桃的高光谱图像;
图3为本发明实施例提供的完好无损和表面有缺陷猕猴桃的高光谱图像的平均光谱曲线图;
图4为本发明实施例提供的某个猕猴桃表面缺陷识别结果图。
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猕猴桃表面缺陷快速无损识别方法,包括以下步骤:
1.选取大小均匀完好无损的猕猴桃和表面有缺陷的猕猴桃作为样本集;
2.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,并对采集的猕猴桃高光谱图像进行黑白校正;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;
3.经过黑白校正后的高光谱图像仍含有一些噪声,需要对猕猴桃高光谱图像做进一步去噪处理,在envi5.4图像处理软件中采用最小噪声分离变换对高光谱图像去噪处理;
4.为了保证高光谱图像中仅有猕猴桃样本信息,在envi5.4图像处理软件中,通过求取猕猴桃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猕猴桃样本信息;
5.分别提取猕猴桃正常区域以及表面缺陷区域的平均光谱,分析光谱曲线的特征,找出能区分猕猴桃正常区域和表面缺陷区域的特征波段,确定能表征猕猴桃正常区域和表面缺陷区域的两个特征波段范围为700~800nm和900~1000nm;
6.采用阈值分割及数学形态学处理方法,先后分割提取出猕猴桃正常区域和表面缺陷区域,实现基于高光谱成像技术的猕猴桃表面缺陷的快速无损识别。
实施例:
1.选取完好无损和表面有缺陷的猕猴桃样本集:本实施例中在当地沃尔玛超市选取一批大小均匀,已知是完好无损的猕猴桃(60个)和表面有缺陷的猕猴桃(60个)作为样本集;
2.采集猕猴桃样本的高光谱图像:本实施例采用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,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spectralsens(spectralimagingltd.,finland)软件控制,光谱范围为集400~1000nm。
对采集的猕猴桃高光谱图像进行黑白校正。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。
3.经过黑白校正后的高光谱图像仍含有一些噪声,需要对猕猴桃高光谱图像做进一步去噪处理,在envi5.4(researchsystem,inc.,usa)图像处理软件中,采用最小噪声分离变换对高光谱图像去噪处理。
4.为了保证高光谱图像中仅有猕猴桃样本信息,通过求取猕猴桃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猕猴桃样本信息。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。其中在特征波长901.46nm处某个猕猴桃样本的高光谱图像的掩膜如图1所示。经过去除背景和去噪后的某个猕猴桃样本的高光谱图像如图2所示。
5.在envi5.4图像处理软件中计算猕猴桃正常区域以及表面缺陷区域中所有采样点下光谱的平均值,形成完好无损猕猴桃样本以及表面有缺陷猕猴桃样本的平均反射光谱曲线如图3所示。分析光谱曲线的特征,确定出能表征猕猴桃正常区域和表面缺陷区域的两个特征波段范围为700~800nm和900~1000nm。
6.采用阈值分割及数学形态学处理方法,先后分割提取出猕猴桃正常区域和表面缺陷区域,猕猴桃表面缺陷识别结果图如图4所示,识别正确率高达95%。
由以上实施例可以看出,本发明利用高光谱成像技术识别猕猴桃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。