返回當前位置:主頁>應用案例>農(nóng)業(yè)監(jiān)測
來源:賽斯拜克 發(fā)表時間:2023-10-26 瀏覽量:563 作者:
柑橘類水果產(chǎn)業(yè)一直面臨著臍橙潰瘍問題的困擾,這不僅影響了水果的外觀和質(zhì)量,還給市場和消費者帶來了損失和健康風險。為了解決這一問題,高光譜相機作為一種先進的技術(shù)手段被廣泛應用于臍橙潰瘍檢測中。本文將詳細介紹高光譜相機在柑橘類水果臍橙潰瘍檢測中的重要性和應用,并通過與傳統(tǒng)檢測方法的比較,突出高光譜相機的優(yōu)勢和潛力。
柑橘類水果臍橙潰瘍問題
柑橘類水果臍橙潰瘍問題是指在柑橘類水果的表面出現(xiàn)的一種由細菌引起的病癥,它會導致果皮出現(xiàn)潰瘍、凹陷等癥狀,嚴重影響了水果的外觀和質(zhì)量。這些潰瘍不僅降低了水果的商品價值,還會引起市場損失和消費者健康問題。因此,臍橙潰瘍問題的解決對于柑橘類水果產(chǎn)業(yè)的發(fā)展至關(guān)重要。
傳統(tǒng)的臍橙潰瘍檢測方法主要依靠人工檢查和顯微鏡觀察,這些方法不僅效率低下,而且存在一定的誤差。此外,由于臍橙潰瘍的分布不均和隱蔽性,傳統(tǒng)方法往往難以全面檢測出所有的潰瘍,給生產(chǎn)帶來了潛在的風險。
高光譜相機的原理
高光譜相機是一種基于光學技術(shù)的先進檢測設(shè)備,它能夠通過對柑橘類水果表面進行高光譜成像,獲取果皮表面的詳細信息。通過對這些信息的處理和分析,可以準確地檢測出臍橙潰瘍的存在和分布情況。
本研究應用了400-1000nm的高光譜相機,可采用賽斯拜克科技有限公司產(chǎn)品SP130M進行相關(guān)研究。光譜范圍在400-1000nm,波長分辨率優(yōu)于2.5nm,可達1200個光譜通道。采集速度全譜段可達128FPS,波段選擇后最高3300Hz(支持多區(qū)域波段選擇)。
柑橘潰瘍病是影響全球柑橘種植業(yè)發(fā)展的重大檢疫性病害。美國農(nóng)業(yè)部2006年3月提出“柑橘健康種植計劃”,并且中國2007 年7月正式啟動首個柑橘非疫生產(chǎn)區(qū)建設(shè)*-21。目前大部分研究都集中在對這種病害的防治和檢測方面,而對于帶有潰瘍病斑的柑橘類水果的剔除主要還是通過手工分選,對工人要求較高,且效率低,準確性差。隨著圖像處理技術(shù)的日趨先進和計算機硬件成本的降低及處理速度的提高,機器視覺系統(tǒng)在農(nóng)產(chǎn)品品質(zhì)自動檢測和分級領(lǐng)域應用越來越廣泛。由于受害果表面的潰瘍病斑呈灰褐色、木栓化、海綿狀,周圍略隆起呈暗褐色,最外圈為黃綠暈圈5,這些特征與正常果皮表面有明顯的差異,因此可以把潰瘍果作為一種缺陷果,從而利用機器視覺技術(shù)進行快速檢測。盡管國內(nèi)外學者已對柑橘類水果表面缺陷檢測分級做了大量研究**。但是,在國內(nèi)還未見利用機器視覺技術(shù)對潰瘍果進行檢測的相關(guān)報道。在國外,Qin等基于高光譜成像技術(shù),分別利用光譜信息散度分類理論和主成分分析法對帶有潰瘍斑的葡萄柚進行分類識別,兩種方法識別精度均超過90%。然而,對于SID理論,需要建立參考光譜,然后圖像像素與參考光譜進行匹配,但是匹配較費時,而后一種理論則利用了99個波段參與主成分分析,兩種方法均不利于潰瘍果的在線檢測。本文主要基于高光譜成像系統(tǒng),首先提取并分析每一類缺陷及正常果皮感興趣區(qū)域(region of interest,ROD)光譜曲線并結(jié)合主成分分析法確定特征波段,接著基于特征波段進行二次主成分分析,再結(jié)合雙波段比算法實現(xiàn)潰瘍果與其他類臍橙(包括正常果及缺陷果)的分類識別。
?。┍疚幕诟吖庾V成像系統(tǒng)利用主成分分析法及波段比算法對包括潰瘍果在內(nèi)的10類常見臍橙果皮缺陷和正常果進行潰瘍果的分類識別,識別率達到95.4%。
?。┍驹囼炋幱趯嶒炇已芯侩A段,其中基于高光譜系統(tǒng)采集到的數(shù)據(jù)量大,處理時間長,并不適合在線檢測。通過試驗本文得到5個特征波長用于潰瘍果的分類識別,其中可見光波段3個(630、685和720 nm),近紅外波段2個(810和875nm)?;谶@些特征波段,進行特征波段主成分分析,克服了通常單次主成分分析中由于存在較多的波段而無法使這種方法應用于在線檢測的弊端。
?。┛紤]到僅利用主成分分析法無法有效的分類潰瘍果和裂果、日灼及藥傷果,本文提出采用主成分分析法與波段比相結(jié)合的算法?;诖怂惴ㄊ箍傮w識別率由原來的80%提高到95.4%。但對日灼果的識別率沒有提高。
?。┗谠囼炛蝎@得的5個特征波段,選取相應的濾波片,有助于開發(fā)基于多光譜成像技術(shù)的臍橙潰瘍識別系統(tǒng)。另一方面,由于本文開發(fā)的算法比較簡單,進一步為臍橙潰瘍果的在線識別奠定了基礎(chǔ)。盡管本文研究對象是臍橙,但研究方法可能也適合其他柑橘類水果潰瘍病斑的識別,有待進一步驗證。另外,由于試驗中涉及到的缺陷種類較多,樣本收集存在一定困難,同時由于高光譜數(shù)據(jù)量大,處理較費時,因此,本研究中僅采用130個樣本作為探索性研究,雖然取得了比較理想結(jié)果,但后續(xù)將會進一步增加樣本量,驗證此理論的可行性。