Estimating the severity of apple mosaic disease with hyperspectral images

Soil Plant Analysis Development(SPAD)Chlorophyll Meter reading was used to effectively characterize chlorophyll content,which is an important indicator of the health status of plant leaves.In this study,the hyperspectral images of apple leaves infected by apple mosaic virus(ApMV)were captured,and their SPAD values were measured.The spectral reflectance of leaves with varying degree infection of disease is significantly different.In particular,the reflectance in visible wavebands of leaves with a more serious infection was higher than that of leaves with a less severe infection.Several hyperspectral vegetation indices were highly correlated with the SPAD values of apple leaves(correlation coefficient>0.9).Models were established to estimate apple foliar SPAD values based on these vegetation indices.Among the models,the multivariate regression model with partial least square regression(PLSR)method achieved the highest accuracy.The SPAD value of a whole apple leaf was calculated from its SPAD distribution image and used as a quantitative index to represent the health status of an apple leaf.Furthermore,the SPAD value of a whole apple leaf could also be estimated rapidly and accurately by extracting the spectral average value of the whole leaf using a simple model.It can be used as a rapid detection method of SPAD values of apple leaves to monitor and describe the health conditions of apple leaves quantitatively.

利用高光谱图像技术检测水果轻微损伤

提出了利用高光谱图像技术检测水果轻微损伤的方法。试验以苹果为研究对象,利用500～900nm范围内的高光谱图像数据,通过主成分分析提取547nm波长下的特征图像,然后设计不均匀二次差分消除了苹果图像亮度分布不均匀的影响,最后通过合适的数字图像处理方法提取苹果的轻微损伤。试验结果表明,高光谱图像技术对苹果轻微损伤的检测正确率达到88.57%。

基于高光谱成像技术的苹果内外品质同时检测

结合高光谱图像处理和光谱分析方法,通过一次图像扫描同时对苹果的表面摔伤和糖分含量进行检测。苹果第一主成分图像与794 nm的图像相减后进行去噪和阈值分割处理,摔伤检测的准确率为92.6%。对感兴趣区域的反射光谱曲线进行多元散射校正、一阶导数和SG平滑处理后利用偏最小二乘回归方法建立糖分含量的预测模型,校正集相关系数Rc为0.93,SEC为0.47°Brix,验证集相关系数Rv为0.92,SEV为0.67°Brix。结果表明:利用高光谱成像技术可以实现苹果内部品质和外部品质的同时检测。

基于高光谱成像技术和MNF检测苹果的轻微损伤

苹果损伤是一种发生在水果采摘和产后处理阶段的不可避免的主要缺陷。为了快速有效地识别苹果的轻微损伤，以具有代表性的双色红富士苹果为研究对象，提出了一种以高光谱成像和最低噪声分离（MNF）变换的苹果轻微损伤识别检测方法。首先，使用高光谱成像系统获取苹果的可见-近红外波段（400～1000nm）的图像，对比发现全波段的最低噪声分离变换比主成分分析（PCA）变换可获得更好的识别效果；其次，利用I-RELIEF算法对正常表皮和损伤区域的光谱进行分析得出权值系数图，依据该系数曲线挑选出了5个特征波段（560，660，720，820和960nm）；最后，特征波段和最低噪声分离变换开发了损伤苹果的识别检测算法。利用该算法对80个正常苹果和含有不同时间阶段轻微损伤的苹果进行试验，损伤识别总体正确率为97.1％，试验结果表明，利用该方法和选取的特征波段可以快速有效地识别苹果的早期轻微损伤，为利用多光谱成像技术和最低噪声分离变换在线检测苹果轻微损伤奠定了基础。

用高光谱成像和PCA检测苹果的损伤和早期腐烂

为了实现苹果表面损伤和早期腐烂的快速有效检测,利用高光谱成像和主成分分析变换挑选了检测损伤和早期腐烂的特征波段,并开发了基于特征波段的检测算法。首先,利用高光谱成像系统采集苹果可见-近红外(400～1000 nm)波段的图像;其次,基于全波段图像的主成分分析变换,挑选出6个特征波段(560、640、675、720、810和970 nm);再次,对特征波段进行主成分分析变换,挑选出第3主成分(PC3)作为检测苹果表面损伤和早期腐烂的图像。利用该算法对正常果和带有损伤和早期腐烂的苹果样本共计120个进行检测,检测正确率达到95.8%。试验结果表明:基于特征波段的主成分分析变换可以有效检测苹果表面的损伤和早期腐烂。

高光谱成像技术的库尔勒梨早期损伤可视化检测研究

利用高光谱成像技术对库尔勒梨早期损伤进行快速识别检测。以60个库尔勒梨为研究对象,采集380~1 030nm波段范围内完好样本和损伤后1~7天样本的480幅高光谱图像。提取图像中感兴趣区域(ROI)的平均光谱信息,利用小波变换(WT)对光谱数据进行去噪平滑,将去噪后的全部样本按2∶1的比例分成建模集(320个)和预测集(160个)。利用二阶导数从全谱信息中提取出19个特征波长,分别基于全谱和提取出的特征波长对建模集和预测集进行支持向量机(SVM)建模分析。结果表明,基于全谱和特征波长的判别分析模型中,两者预测集的识别率都达到93.75%,表明提取的特征波长包含了光谱数据中的关键信息。然后,基于特征波长运用波段比运算挑选最佳波段比,根据波段比F值的分布确定光谱图像分割的最佳波长684和798nm。对最佳波段比(684/798nm)下的图像,利用选择性搜索(SS)对高光谱图像中样本的完好和损伤区域进行分割,从分割结果来看,1~7天损伤样本的受损区域能够被准确检测出来。研究结果表明:基于高光谱成像技术对库尔勒梨进行损伤鉴别是可行的,该研究所获得的特征波长和波段比为研发在线实时的库尔勒梨损伤检测系统提供支撑。

基于高光谱成像技术的苹果表面轻微损伤检测

为了研究检测苹果表面轻微损伤的有效的方法,以红富士苹果为试验样本,通过高光谱成像采集系统采集苹果样本的高光谱图像,根据正常苹果表面区域和刚损伤、损伤后(3,10,24h)的损伤区域光谱反射率平均曲线得到有效光谱区域;用掩膜法对图像进行背景分割,并基于有效光谱区域做主成分分析,选取第四主成分(PC4)提取损伤区域,运用阈值分割的方法建立提取损伤区域的算法模型;应用该算法模型对正常苹果和损伤苹果进行检测。检测结果表明:正常苹果样本正确检测率达到100%,损伤苹果样本的正确检测率为97.5%,总体检测精确度高达98.75%,说明利用高光谱成像技术可以有效快速检测出苹果表面的轻微损伤。

基于高光谱成像分析的冬枣微观损伤识别

为减少微观损伤引起的储藏腐烂损失,延长冬枣的储藏期,提高冬枣的储藏效益,以山东沾化冬枣为研究对象,利用高光谱成像系统采集轻微损伤发生不到1 h的冬枣损伤部位的高光谱图像,得到波长在871~1 766 nm范围内的256幅高光谱分量图像。结合无信息变量消除法及相关系数法进行特征波长筛选,剔除不敏感波段,选取了944、1 035、1 187、1 376 nm 4个特征波长。对以上4个特征波长对应的分量图像进行主成分分析,选择第1主成分图像作为待分割图像,对其进行灰度变换等图像预处理,并运用自适应阈值分割法对其进行图像分割,实现了轻微损伤区域的有效识别。对100个轻微损伤冬枣样本的识别试验结果表明,所提方法的正确识别率为98%。

采用二次连续投影法和BP人工神经网络的寒富苹果病害高光谱图像无损检测

为提供苹果病害在线、快速、无损检测的理论依据,采用高光谱成像技术进行了北方大面积种植的寒富苹果病害无损检测研究。寒富苹果的主要病害有炭疽病、苦痘病、黑腐病和褐斑病害。为选择较少的有效波长而利于在线快速检测,首先采集高光谱苹果图像,分割出感兴趣区域并提取光谱信息,然后采用连续投影算法(successive projections algorithm,SPA)从全波长(500~970 nm)中提取了10个特征波长SPA1(502、573、589、655、681、727、867、904、942 nm和967 nm),再对这10个特征波长采用连续投影算法提取3个特征波长SPA2(681、867 nm和942 nm)。最后利用全波长光谱信息、SPA1提取的10个特征波长的光谱信息和SPA2提取的3个特征波长的光谱信息作为输入矢量采用线性判别分析、支持向量机和BP人工神经网络(BP artificial neural network,BPANN)模型进行苹果病害的检测。通过对检测结果分析,最终选择SPA2-BPANN为最佳检测方法,训练集检测率达100%,验证集检测率达100%。结果表明,高光谱成像技术可以有效对苹果病害进行检测,所获得的特征波长可为开发多光谱成像的苹果品质检测和分级系统提供参考。

基于高光谱成像的苹果病害无损检测方法

苹果果实易发生病害,传统的苹果病害的检测不适应苹果分级在线检测的要求。为了实现病害苹果快速、有效的在线检测,采用高光谱成像技术对寒富苹果的炭疽病、苦痘病、黑腐病和褐斑病的病害果进行无损检测研究。根据正常区域与病害区域光谱相对反射率差异,提出改进流形距离方法。综合计算病害与正常区域,病害与果梗/花萼区域,正常与果梗/花萼区域的光谱相对反射率的总改进流行距离L值,从而从全波段中选择了3个特征波段,分别为700,765,904nm。对700nm特征波段下的图像进行阈值分割,以此获得掩膜图像,并对掩膜后的图像二次阈值分割提取感兴趣区域。将3个特征波段下对应的光谱相对反射率分别组合,作为BP神经网络的输入矢量,检测苹果是否为病害果。结果表明:选择700nm与904nm波段下的光谱相对反射率为最佳组合,病害果的检测率达96.25%。说明高光谱成像技术所获得的2个特征波段可以有效对苹果病害进行检测,为开发多光谱成像的苹果品质在线检测和分级系统提供参考。

苹果品质高光谱成像检测技术研究进展

高光谱成像对水果的无损检测是近些年迅速发展的一项新技术,它能三维地获取被检测对象内部与外部多项特征。本文通过介绍高光谱成像系统结构、光源种类及扫描形式,归纳适用于检测苹果品质的系统类型,通过描述指标检测操作流程解析其中几个重要环节,并对国内外苹果指标检测的操作流程、建模方法、研究进展进行总结,最后提出苹果品质高光谱无损检测的研究方向和应用前景。

基于邻域粗糙集和高光谱散射图像的苹果粉质化检测

研究了基于邻域粗糙集理论的高光谱散射图像苹果粉质化无损检测方法。以576幅波长范围为600～1 000 nm的苹果高光谱数据为研究对象,利用邻域粗糙集模型对81个原始波段进行选择,从中选择出最优波长子集;利用支持向量机建立分类模型,随机选择526个样本作为训练集,其余50个样本作为测试集,重复仿真10次验证分类能力。仿真结果表明邻域粗糙集能够得到充分表述粉质化程度的14个最优波长,测试模型的平均精度为75%,高于全波长模型的71%和采用主成分分析法的74%。

近红外高光谱成像技术的桃轻微损伤早期检测

以“北京8号”桃为研究对象，应用900～1700nm 范围内近红外高光谱成像技术对损伤发生12h 后的桃进行损伤早期检测研究。通过光谱比较，确定出识别光谱区域为950～1350 nm。基于此光谱区域，利用主成分分析与独立成分分析不同方法进行降维，结合中值滤波、阈值分割等数字图像处理算法进行损伤区域的检测。对60个正常样本和60个损伤样本进行检测，主成分分析方法对损伤果的识别率为85％，独立成分分析方法对损伤果识别率为96．6％，两种方法对正常果的识别率均为100％。结果表明：近红外高光谱成像技术能有效地进行桃损伤的早期检测。

基于近红外高光谱图像的苹果轻微损伤检测

针对苹果轻微损伤时,基于可见光的机器视觉方法难以有效检测的缺点,开展了近红外高光谱图像的苹果轻微损伤检测研究.首先,用900-1 700 nm近红外波段范围对轻微损伤苹果高光谱成像,图像显示损伤部分与正常部分区别明显.其次,采用特征波段比方法和不均匀二次差分方法对损伤苹果光谱图像进行处理,增强损伤处与正常位置的可分性.最后,利用3种分割方案,对损伤部分进行自动分割.对50个含轻微损伤和正常的苹果进行分割,实验结果表明,不均匀二次差分方法的损伤检测准确率为92%,比主成分分析法和波段比方法具有更高的检测准确率,为轻微损伤苹果的准确检测提供了一种新的方法.

基于RELIEF算法和极限学习机的苹果轻微损伤高光谱检测方法

采用高光谱成像技术(400～1 000 nm)对苹果轻微损伤进行快速识别及无损检测。采集苹果正常及不同损伤时间的高光谱图像,选择图像中合适的区域作为感兴趣区域并提取平均光谱反射率及图像熵信息,将采集的样本按2∶1的比例分为训练集和测试集。使用RELIEF算法基于光谱平均反射率及图像熵信息提取了8个特征波段(17、30、35、51、61、66、94和120),分别基于全波段和特征波段进行极限学习机(extreme learning machine, ELM)建模分析,并与支持向量机(support vector machine, SVM)和K-均值聚类算法进行比较。结果表明,基于全波段的ELM模型最终测试集识别率为94.44%,基于特征波段的RELIEF-极限学习机(Re-ELM)模型识别率为96.67%,基于特征波段的Re-SVM及Re-K均值模型的最终测试集识别率分别为92.22%和91.67%,证实了Re-ELM是一种更为有效的苹果损伤分类判别方法。在此基础上,基于图像处理技术和特征波段提出了一种苹果轻微损伤高光谱检测算法,使用该算法针对特征波段进行独立成分分析(independent component analysis, ICA)变换,选取ICA第3成分图像进行自适应阈值分割,从而获得损伤图像。对全部高光谱图像进行检测表明,该算法的最终识别率超过94%,说明该算法能够较为有效地识别苹果损伤区域。

利用高光谱微分方法检测苹果轻微损伤

为快速有效检测不同品种苹果轻微损伤,以‘金冠’、‘花牛’、‘富士’和青苹果各54个轻微损伤果为研究对象,采用高光谱图像技术获得各个苹果可见-近红外（400~1 000nm）波段的图像,结合光谱微分技术选取波谷的9个波长（556、617、664、706、763、832、880、906、938nm）为特征波长,然后基于特征波长进行最小噪声分离（Minimum Noise Fraction,MNF）变换,筛选出苹果轻微损伤的特征图像并通过阈值分割、形态学运算等方法识别苹果轻微损伤部位。结果表明,该方法识别‘金冠’、‘花牛’、‘富士’和青苹果轻微损伤部位的准确率分别为92.6%、88.9%、85.2%、85.2%。由此可见,利用高光谱微分方法可以快速有效地检测不同品种的苹果轻微损伤,且苹果的颜色越深、硬度越大、纹理越杂乱,检测精度越低。

基于BP网络的苹果硬度高光谱无损检测

目的为了实现基于高光谱成像以及误差反向传播(BP)网络模型的苹果硬度快速无损检测。方法利用高光谱成像采集系统采集采后"富士"苹果的高光谱图像,然后提取整个苹果样本区域的平均反射光谱;利用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)实现对标准正态变换预处理后光谱数据的降维;研究基于全光谱以及特征光谱的预测苹果硬度BP网络模型。结果采用SPA和CARS分别从256个全光谱中提取了18个和16个特征波长,明显提升了预测模型的运行效率,且SPA+BP网络模型具有相对较好的苹果硬度预测能力(rp=0.728,RPm=0.282 kg/cm2)。结论研究表明基于高光谱成像技术和BP网络建立的预测模型可快速无损预测苹果的硬度。

苹果可溶性固形物含量的多元线性回归预测

目的可溶性固形物含量是评价苹果品质的重要指标,为开发苹果品质快速检测设备提供理论基础。方法采用高光谱图像采集系统采集"富士"苹果的高光谱图像,并获取感兴趣区域的反射光谱;应用连续投影算法对标准正态变换预处理后的光谱进行降维;基于选取的特征光谱建立预测苹果可溶性固形物含量的多元线性回归模型。结果采用连续投影算法从256个全光谱中提取了12个波长作为特征光谱,明显提升了多元线性回归预测模型的运行效率;基于特征光谱建立的多元线性回归预测模型具有较好的校正性能(RC=0.804,RCm=0.665%)和预测性能(RP=0.859,RPm=0.413%)。结论研究建立的苹果可溶性固形物含量预测模型性能较稳定,可以满足实际应用需求。

基于高光谱成像技术的苹果表面缺陷无损检测

以"红富士"苹果为研究对象,提出基于高光谱成像技术结合图像分割技术的苹果表面缺陷的无损检测方法。采用高光谱图像采集系统(400 nm～1 000 nm)采集完好无损和表面有缺陷苹果的高光谱图像;对采集到的高光谱图像进行最小噪声分离变换,提取感兴趣区域的平均光谱反射率;采用图像分割技术提出苹果表面缺陷的无损检测方法。结果表明:采用最小噪声分离变换可有效地消除苹果高光谱图像中的噪声;在700 nm～800 nm以及900 nm～1 000 nm波段范围内完好无损和表面有缺陷的苹果的光谱反射率值具有明显的差异,同时选取特征波长717.98 nm处的光谱反射率值小于0.6以及982.59 nm处的光谱反射率值大于0.52作为区分苹果正常区域和表面缺陷区域的阈值条件,进一步利用阈值分割方法对80个完好无损苹果和40个表面有缺陷苹果的正确识别率分别为97.5%和95%。表明高光谱成像技术结合图像分割技术可实现苹果表面缺陷的无损检测。

基于高光谱图像技术与迁移学习的水晶梨早期损伤检测

梨在储藏、包装和运输等过程中均可能发生不同程度的机械损伤,若不及时剔除损伤梨,损伤可能会逐渐严重而演变成腐烂,造成严重的经济损失。为建立一种梨早期损伤检测及损伤时间评估的快速、无损检测方法,采用高光谱图像结合迁移学习模型对损伤早期水晶梨进行识别。以无损伤、挤压损伤24 h和挤压损伤48 h的水晶梨为研究对象,应用高光谱成像系统采集样品的高光谱图像,共获取无损伤、挤压损伤24 h和挤压损伤48 h的水晶梨高光谱图像各80帧。对高光谱图像进行主成分分析,选择主成分图像4, 5, 6(PC4, PC5, PC6)作为检测水晶梨损伤的特征图像,将3个主成分图像拼接后进行数据扩充共得到无损伤、挤压损伤24 h和挤压损伤48 h的特征图像各160帧。按照9∶1比例划分样本训练集和测试集后,分别建立了支持向量机(SVM)、 k-近邻(k-NN)和基于ResNet50网络的迁移学习损伤识别模型。SVM、 k-NN和基于ResNet50网络的迁移学习模型对测试集样本总体识别准确率分别为83.33%, 85.42%和93.75%,基于ResNet50网络的迁移学习模型识别效果最佳,其对测试集中无损伤、挤压损伤24 h和挤压损伤48 h的样本正确识别率分别达到100%, 83%和95%。该研究结果表明,高光谱图像技术结合基于ResNet50网络的迁移学习模型可实现水晶梨早期损伤检测,并对损伤时间有较好的预测效果,且损伤时间越长,识别准确率越高。