英语原文共 15 页,剩余内容已隐藏,支付完成后下载完整资料
利用高光谱成像和神经网络检测寒害红元帅苹果
摘要:
利用高光谱成像(400-1000纳米)和人工神经网络(ANN)技术进行了对红元帅苹果的寒害的检测和研究。这个高光谱成像系统的建立是为了获取和预处理苹果的图像,以及提取苹果的光谱特性。向前反馈传播人工神经网络模型来选择最佳的波长(S),对苹果进行分类,并检测因受寒害而使苹果坚定性发生的变化。人工神经网络选择的五个最佳波长为717,751,875,960和980纳米。将人工神经网络模型进行分组,分成了培训,测试和验证用的水果不同的组,以评估模型的鲁棒性。与另外选择的五个最佳波长的光谱和空间的反应,98.4%的平均分类精度为正常和受伤的水果区分实现的。测量和预测硬度值之间的相关系数分别为0.93,0.91和0.92是培训,测试和验证组。这些结果表明,所提出的技术检测了冷害和预测苹果受冷害的潜力。
关键词:高光谱成像 人工神经网络(ANN)苹果 最佳波长 坚固性 寒害
1.简介
苹果的世界面积为4786350公顷和产量63875324吨(粮农组织统计,2006年)。通常,苹果易感性缺陷是由品种,生长条件,收获日期,采后处理,处理和储存条件的性质的影响。外部缺陷通常很容易直观地发现,尤其是当他们与正常苹果做对比时。
寒害是在过去几年业界公认的最常见疾病之一。这是随时可能发生,因为生长季节,运输,配送,或储存在有害的环境条件,在零售商店,甚至在家里的冰箱的水果细胞膜生理损伤。膜损伤通常随后的次级效应,如乙烯生产,增加呼吸,光合作用的减少,和蜂窝结构造成的果实是疾病更容易受到的改变的级联。这种损伤首先出现的现象是肉很轻微的变色褐变,有时伴有果心褐变。变色通常由未经训练的检查员忽略。其结果,受影响的果实可误判为正常。然而,苹果冷伤紊乱可迅速进展,使水果滞销(沃特金斯和成龙搭箭,2004)。早期发现和冷害的诊断是相当困难的,因为受伤的农产品往往看起来比较正常,只要它保持在较低的温度。当产品被放置在气温较高的地方时症状变得明显。他们几乎可以立即出现,或者需要数天才能发现(Skog公司,1998年)。损害是由于冷害果实细胞膜影响正常的坚定性,导致果实获得海绵质感。因此,硬度的变化可以使用尽可能冷性的指示。客观性,一致性和效率缺陷检测技术不断增长的需求已经迫使引进可以替代人工检查计算机为基础的技术。所述技术应当是快速,准确,可靠的和非破坏性的。高光谱成像集成光谱和数字成像技术,同时为一个目标对象的感兴趣的表面提供的光谱和空间信息。高光谱图像由一系列子图像,每一个代表在一定的光谱带的强度的分布。当水果暴露于光,入射的光的约4%被反射在外表面上,从而引起镜面反射,而其余入射能量通过表面透射到在那里被小散射的农产品的蜂窝结构组织内的接口或通过细胞成分(出生,1976年)吸收。反射和重新发射的辐射可以被测量并记录为吸收/反射光谱(Bochereau等人,1992)。该光谱是关系到水果的化学组成,并因此在不同的质量等级从水果收集的光谱可以是不同的。高光谱成像是出于光谱技术,它从一个单一的点,或从一个小区域上的测试果实的积分获得的光谱数据是有利的。高光谱成像获取在像素水平,这允许一个目标对象上的感兴趣区域的灵活选择,例如在空间上分布的光谱响应变量的大小和位置。通过将自适应算法,通过超光谱成像缺陷检测性能可以大大提高。高光谱成像已经在多种应用中实现,如家禽尸体的检查(Chao等人,2001年和公园等,2004),苹果的缺陷检测(Mehl的等,2004),黄瓜的冷害检测(Liu等人,2006),水果和蔬菜的质量确定(Kim等人,2002,波尔德等人,2002和Cheng等人,2004),草莓的物理和化学特性的估计(Nagata等,苹果2005年),和坚定性和可溶性固形物预测(卢,2004年)。
人工神经网络(ANN)已被证明是在农产品的识别和分类非常有效(Bochereau等人,1992年和Jayas等人,2000),其中,非相干或非线性经常存在。 Kavdır和古耶,2002年和Kavdır和古耶,2004年开发了从彩色/灰度空间分布提取检测缺陷(稻纵卷叶螟,苦痘,赤褐色,穿刺和瘀伤)的纹理特征的BP神经网络(BP神经网络)在帝国和金冠苹果。巴雷罗等。 (1997)测试的苹果,梨和桃挫伤预测不同的神经网络的方法。公园和Chen(1996)综合了前馈反向传播神经网络和频谱成像技术从不健康的孩子们分开健康鸡只。分级精度均校准为100%和进行验证93.3%。 Hahn等(2004)分析了可见光和近红外光谱与用于检测番茄真菌腐烂的一个神经网络。他们报告说可以正确地检测被感染的番茄果实的96%。 Kim等人。 (2000)相比,线性模式识别技术(即线性判别分析)与基于与反向传播学习变化,可以检测不同的条件下生长的猕猴桃分类多层感知非线性技术的性能。得出的结论是人工神经网络似乎是非常适合于水果生长或不同条件下储存的分类。
这项研究的主要目的是建立足够强大的模型使用高光谱成像和人工神经网络的工具,蛇果苹果的检测寒害。具体目标是:(一)分类为正常和令人不寒而栗受伤蛇果苹果的光谱特征; (二)建立人工神经网络模型用于分离正常苹果与苹果受伤的最佳波长(S)的选择; (三)大力发展人工神经网络监测的基础上在选定的最佳波长(S)光谱图像红元帅苹果坚定性变化; (四)根据坚定性发展水平的人工神经网络分类水果。
2.材料和方法
2.1.苹果样本
红元帅苹果从本地零售商店购买。共有来自任何异常特征的64个苹果的缺陷,跌打损伤,疾病和污染的选定。寒害是由-1保持他们在冷库℃,24小时,32个苹果的刺激。受伤的苹果从冷库取出并保持在室温(20plusmn;1℃)另外24小时,以允许损伤的发展。其他32个苹果贮存在室温(20plusmn;1℃)和用作对照(正常)的样品。此方法开发的寒害导致沿赤道区,旁边还有苹果的茎和花萼地区检查的区域的不同位置受伤。伤者苹果的外表面的颜色和质地方面看视觉是正常的。所有64苹果(正常和受伤)被用于训练和测试ANN的最佳波长(S)的选择。为了增加显影人工神经网络模型的鲁棒性,另外20蛇果苹果,以验证被开发的人工神经网络模型和算法被购买。间的20苹果,低温伤害刺激上使用先前描述的程序10的苹果。其他10个苹果保持在室温,并作为正常的苹果。
2.2。高光谱成像系统
苹果(正常和受伤的)的高光谱图像用连接于实验室规模的高光谱成像系统(图1),该机器由一个电荷耦合器件(CCD)摄像机(PCO-1600,PCO成像,德国)获得的摄谱仪(检查员V10E,OPTIKON有限公司,加拿大),加上一个标准的C型安装变焦镜头。这种成像系统的光学器件允许检测学习用的400-1000纳米的光谱范围相关联的水果特性。相机在从靶400mm的距离朝下。将样品通过一个立方10吨制成白色尼龙织物提供均匀的照明条件照射。光源包括了安装在从水平成45°夹角的50瓦卤素灯,固定在500毫米样品上方和在样本的两个相对侧隔开900毫米。将样品放在与照相机视英寸(300毫米times;300毫摩尔)的场的中心对应的位置上,与花萼茎端垂直于摄像机镜头,以避免正常表面之间的任何差异。
图.1
超光谱成像系统:(a)一种CCD照相机; (用标准C型安装变焦镜头巴光谱仪;(三)照明单元;(D)光帐幕及(e)与图像采集软件支持的PC。
光谱图像在一个黑暗的房间里只采用卤素光源收集。曝光时间调节至整个试验200毫秒。每个收集的光谱图像被存储为三维图像(X,Y,lambda;)。的空间分量(X,Y)包含400times;400个像素,并且所述频谱分量(lambda;)包括400-1000纳米范围内826条带。 (:; RAM 2.0 GHz的:2.0 GB的处理器速度)预装并与Hypervisual图像Analyzerreg;软件程序配置(供养技术,斯坦尼斯航天中心,MO,美国)的高光谱成像系统是由一台笔记本奔腾M计算机控制。获得的所有光谱图像进行了处理,并使用环境用于可视化图像的软件程序进行分析(ENVI 4.2,研究系统公司,博尔德,CO,USA)。
高光谱图像有白色和黑色的参考校准。暗基准被用于去除CCD探测器,这是热敏感的暗电流的效果。校准图像(R)然后,利用以下等式定义(Mehl的等人,2002和兴和德Baerdemaeker,2005):
等式(1)
其中,Ro为所获取的高光谱图像,D是通过完全关闭照相机的透镜装置关闭光源采集的暗图像(具有0%的反射率),和W是由一个标准的白基准拍摄的白基准图像板(特氟隆白板用99%反射率)。经过校准的图像被用来提取有关正常和受伤的苹果,以期光谱特性的信息优化寒害的鉴定,选择有效的波长,坚定性预测和分类。
2.3。高光谱图像采集
通过使用该高光谱成像系统,双高光谱图像中的训练,测试和验证集被收购的每个水果:一个图像被收购了完整的苹果和其他图像,名为“肉形象”,录制时剥离完全从用锋利的刀水果去除。苹果肉的图像被用来特点和光谱特征与完整的苹果正常和受伤的情况下进行比较。
2.4。苹果的光谱特性提取
检测冷害的第一步是提取表示心寒受伤的苹果光谱特征和那些代表正常的苹果。在提取所述光谱标志的详细步骤示于图.2由于一个光谱图像组成的不同强度的826的子图像,其中提出更多对比与背景被拾起使用全局阈值苹果隔离相比苹果子图像。因此,子图像在550nm,这表示的苹果和背景之间的最好的对比度,从光谱空间(826子图像),并分段选择作为用于排除背景像素的掩模。掩码中的白色像素被用作感兴趣的(AOI)的区域来提取校准光谱图像的光谱数据。从各光谱图像的AOI的平均反射光谱通过平均在AOI所有像素的频谱值计算。总共之64平均光谱(400-1000纳米)代表64测试苹果进行了计算,并存储在神经网络模型的波长和发展的选择。相同的程序也使用从肉图像中提取的光谱特征,以获得苹果果肉的光谱特征。
图.2果光谱特征的提取:(a)选择550nm的图像,(b)二值化(定义AOI);(c)施加的掩模;以及(d)计算只使用那些在掩模上的白色像素的水果光谱特征。
2.5。水果颜色测量
为了证明水果冷害的发展过程中发生的视觉变化,果实颜色是为两个外部果皮和内部肉测定。彩色图象是由红色(650纳米),绿色(500纳米)和蓝色(450纳米)频带图像从校准光谱数据空间组合以形成一个RGB(红 - 绿 - 蓝)图像构造为每个苹果。所有RGB图像转化入的L * a * b *颜色空间中,其中L *静置颜色明度(0表示黑色,100表示白色),一个*定义绿色和红色(0表示绿色和255表示红色之间的位置),和b *表示蓝色和黄色之间的位置(0表示蓝色和255表示黄色)。为了生产根据Viacute;zhaacute;nyoacute;和Felfouml;ldi(2000)上的颜色变化更好地识别的RGB值被变换成a *和b *色彩分量。色彩转换处理是通过使用MATLAB 7.0编写的程序的方式进行的(版本14,在MathWorks公司,MA,USA)。
2.6。硬度测量
光谱图像采集后,每个苹果的牢固性用英斯特朗万能试验机测量(型号4502,系列IX自动化材料测试系统,Instron公司,MA,USA),根据标准方法,使用一个11毫米直径的柱塞(ASAE ,1994)。柱塞是在为0.83mm-1的速度压入苹果果肉至9毫米的深度。被用于从力 - 形变曲线中提取的最大的力,以指示苹果硬度。的牢固性试验在两个相对的位置上的苹果表面的赤道进行,随后平均。的平均最大的力用作苹果的牢固性指数。
2.7。数据量减少和最佳波长选择
超光谱成像技术的主要缺点是
剩余内容已隐藏,支付完成后下载完整资料
资料编号:[146639],资料为PDF文档或Word文档,PDF文档可免费转换为Word
以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
您可能感兴趣的文章
- 拟人手臂的轨迹规划与轨迹跟踪控制外文翻译资料
- 新型磁性辅助内窥镜系统在上消化道检查中应用的可行性 和安全性外文翻译资料
- 基于FPGA可编程逻辑器件的复合视频图像处理外文翻译资料
- 从被测的高频域原始信号中提取巴克豪森噪声外文翻译资料
- 重型机床z轴热误差混合建模方法外文翻译资料
- 一个红外浊度传感器:设计与应用外文翻译资料
- 用于控制食物烹饪过程的电子系统.外文翻译资料
- 关于液体介质中电磁流量计的设计和理论上存在的问题。第二部分:关于带电粒子产生的 噪声理论外文翻译资料
- 基于LabVIEW和Matlab的小波变换对非平稳信号的分析仿真外文翻译资料
- 应用于腹腔镜手术的新型膜式加热加湿器 的开发外文翻译资料