利用SVM对黑心萝卜和正常萝卜进行区分，采用C-SVC类型，其中支持向量机参数 为：核函数为径向基函数，核函数参数值均为0. 1*10-6,惩罚系数值（cost值） 为100。预测结果从表3可以看出，基于透射模式的SVM模型，利用5个特征波长时，建模集 和验证集正常萝卜的识别正确率分别为97. 5%和96. 6%，利用全波段建模时，建模集和验 证集正常萝卜的识别正确率分别为95. 0%和94. 3%，5个特征波段建模效果比全波段建模 效果好。5个特征波长建模，建模集和验证集总体识别准确率分别96. 9%和96. 2%，高于全 波段建模的96. 6 %和95. 6 %，也高于透射模式下5个特征波长结合PLS-DA模型的整体准 确率。
[0055] 表3不同建模方式对萝卜黑心预测结果
[0056]
[0058] 利用ANN对黑心萝卜和正常萝卜进行区分，其中人工神经网络参数为：隐藏层激 活函数为双曲正切，输出层激活函数为Softmax，输出层单位数为5,分别是合格样本与黑 心样本，隐藏层数均为1，隐藏节点数为3个节点，输入层变量为5个特征波段。预测结果如 表3所示：透射采集模式下，5个特征波长结合ANN算法所得建模集和验证集识别正常萝卜 的正确率分别为99. 4%和98. 6%，对黑心萝卜的识别正确率分别为98. 8%和96. 7%，高于 全波段建模识别正确率，也高于其他两种算法的识别正确率，故采用透射采集模式，5个特 征波长结合ANN算法，识别萝卜黑心整体正确率最高，判别萝卜黑心效果最好。
[0059] 8.基于Fisher判别的判别结果
[0060] 采用Fisher线性判别的分析方法对内部黑心的萝卜进行分类判别。建模时使用 透射条件下的580、673、747、805和877nm波长处透射光谱值作为该萝卜的特征变量集。模 型构建时输入同一批采摘的萝卜透射光谱值，随机挑选322个为建模集，180个作为验证 集，得到的判别方程式为组合公式（2)。
[0061]
[0062] T是萝卜在5个特征波长下的透射光谱值，其下标为经过连续投影算法提取的特 征波长，将萝卜各波长下的透射光谱值带入上式，得到的V值大的为其下标代表该果实所 属等级，其中1和2分别代表黑心萝卜和正常萝卜。由表4可看出，建模集准确率为96. 1%， 预测集准确率为99.4%，说明该判别方法能有效地区分黑心萝卜与正常萝卜。
[0063] 表4基于Fisher线性判别的萝卜内部黑心的判别结果
[0064]
[0065] 9.萝卜黑心最后判定结果
[0066] 根据以上四种模型的判别结果给出白萝卜样本是否黑心的最终结果，判定原则 为：如果四个模型中，有任意2个以上的模型判断萝卜有黑心，则该萝卜样本为黑心样本； 如果四个模型中，有任意2个以上的模型判断萝卜没有黑心，则该萝卜样本为正常样本；如 果四个模型中，分别有2个模型与另外2个模型判断结果相反，则根据Fisher判别模型确 定萝卜是否黑心。判断结果为如表5所示。由表5可看出，建模集准确率为100%，预测集 准确率为100%，说明该方法能准确分黑心萝卜与正常萝卜。
[0067] 表5基于四种模型结果对萝卜内部黑心的检测结果
[0068]
【主权项】
1. 一种基于高光谱图像对白萝卜黑心检测的方法，包括高光谱透射图像采集系统、特 征参数提取、检测模型构建、黑心与否判定、其中， 1) 高光谱透射头像采集系统由摄像机、光谱仪和焦距可变透镜组成的高光谱成像单 元、样品支架、电动平台、线光源、光箱、电脑和图像采集软件构成，整个装置放置在密闭黑 箱中，其中，摄像机为Imperx，ICL-B1620,波段范围为400~lOOOnm，光谱分辨率为2. 8nm、 光谱仪为SpecimVlOE ;光箱为150W的卤素钨灯，由1个线性光纤导管完成传输；电脑型 号为CPU E5800,3.2GHz，内存2G，显卡256M GeForce GT240;图像采集软件为自主开发的 Spectral Image软件；光源为透射模式，其中，透镜离白萝卜样本距离为20cm，样本紧贴线 光源放置，光源强度为90w，采集曝光时间70ms，采集速度2. 5mm/s，图像分辨率804X440 : 2) 特征参数提取 ① 取无机械损伤的白萝卜样本，表面干净无杂物，放置于高光谱图像检测系统中，获取 高光谱图像；② 利用上述公式对获得的图像进行校正，获得校正后的高光谱图像；其中，Rc为校正 后的高光谱透射图像，Rc为原始高光谱透射图像，w为将反射率为99. 99%的标准白色校正 板，放置在光源正上方，扫描透射白板得到全白的标定图像，D为将镜头盖上镜头盖，采集全 黑的标定图像； ③ 选择图像中白萝卜区域正中间部位25000个pixels的感兴趣区域，提取该区域所 有像素点在400-1000nm波段范围内的光谱均值，共有420个波段，利用不同波长组合构 建偏最小二乘预测模型，采用连续投影算法选择特征波长，当模型交叉验证均方根误差为 0· 22419时，选定580nm、673nm、747nm、805nm和877nm共5个特征波长，构成检测模型的特 征变量集V，即 ^580nm'* ^673nm'* ^747ηηι'* ^δΟδηηι'* ^877nm* 3) 构建检测模型 根据选定的5个特征波长，构建基于神经网络、偏最小二乘判别分析、支持向量机、 Fisher线性模型的白萝卜黑心检测模型，萝卜黑心样本设为1，正常罗卜样本设置为0 : 其中，构建的神经网络模型为：将特征变量集V做为输入值，白萝卜是否黑心做为输出 值，神经网络模型参数为输入层为5,隐藏层数为1，隐藏层节点数为3,隐藏层激活函数为 双曲正切，输出层个数为2,即合格样本与黑心样本，输出层激活函数为Softmax，最后给出 每个样本检测结果Ml ; 其中，构建的支持向量机模型为：将特征变量集V做为输入值，白萝卜是否黑心做为输 出值，核函数为径向基函数，核函数参数ga_a值均为1X10 7,惩罚系数cost值为100,最 后给出每个样本检测结果M2 ; 其中，构建的偏最小二乘模型为：将特征变量集V做为输入值，白萝卜是否黑心做为输 出值，潜变量个数为1，最后给出每个样本检测结果M3 ; 其中，构建的线性判别模型为：将特征变量集V做为输入值，白萝卜是否黑心做为输出 值， 白萝卜黑心判断结果 CN 105158186 A T乂个j 安水 2/2 页式中，ν 代表各个波长的响应值，Y1= 〇· 002v5SQnm+0. 008v673nm-0. 183v747nm+0. 198vSQ5nm-0 ? 085v877nm_0. 9669 ;Y。- 0. 024v 5g〇nm+〇. 000v673nm_0. 257v747nm+0. 360v805nni_0. 549v877nm_25. 952, 最后给出每个样本检测结果M4 ; 4)白萝卜黑心与否判定 根据以上四种模型的判别结果，即Ml、M2、M3、M4,给出白萝卜样本是否黑心的最终结 果，判定原则为： 如果MI、M2、M3和M4值中，有任意2个以上的值为1，则该萝卜样本为黑心样本； 如果Ml、M2、M3和M4值中，有任意2个以上的值为0,则该萝卜样本为正常样本； 如果Ml、M2、M3和M4值中，有2个值同时为0或者1，则根据M4的值判定萝卜样本黑 心与否。
【专利摘要】本发明涉及一种基于高光谱图像对白萝卜黑心检测的方法，属于农产品贮藏与加工行业的无损检测技术。通过高光谱成像仪，获取白萝卜贮藏过程中的透射高光谱图像，分析正常白萝卜和黑心白萝卜的光谱响应的差异，提取400-1000nm波长范围的光谱值作为神经网络的输入值，判断出白萝卜是否黑心。本方法可以实现对白萝卜黑心的准确识别，代替人工破坏性检测，有效避免不合格产品流向市场，提高白萝卜食用、加工利用率，促进萝卜深加工业发展，为高光谱技术应用于农产品领域提供借鉴。
【IPC分类】G01N21/31
【公开号】CN105158186
【申请号】CN201510598014
【发明人】潘磊庆, 王振杰, 屠康, 孙晔, 顾欣哲, 胡鹏程
【申请人】南京农业大学
【公开日】2015年12月16日
【申请日】2015年9月17日