苹果轻微损伤分类方法技术

本发明专利技术公开了一种苹果轻微损伤分类方法。本发明专利技术公开了一种苹果轻微损伤分类方法，属于水果的无损检测领域。所述方法本文通过选择特征波段并基于特征波段建立判别分类模型，实现了苹果的正常样本及不同损伤时间样本的识别，并且通过图像处理技术实现了苹果损伤区域的定位。本发明专利技术首先通过标准正态变量方法对原始数据进行降噪与平滑，然后划分训练集与测试集。采用mRMR算法选择特征波长，而后进行建模分析。最后用最小噪声分离方法进行苹果损伤区域的定位，进一步验证特征波段有效性。采用上述方法得到的分类结果较好，为未来水果损伤相关仪器或在线检测系统的开发提供了理论依据。

Classification method of Apple slight damage

【技术实现步骤摘要】
苹果轻微损伤分类方法
本专利技术涉及苹果检测领域，具体涉及一种苹果轻微损伤分类方法。
技术介绍
无损检测又称非破坏性检测，是利用材料的不同物理力学性质或化学性质在不破坏目标物体内部及外观结构与特性的前提下，对物体相关特性(如形状、位移、应力、光学特性、流体性质、力学性质等)进行测试与检验，尤其是对各种缺陷的测量。在过去的二十年中，一系列的无损检测技术，如电阻抗，X射线，热成像，机器视觉和高光谱成像技术等，都被应用于水果无损检测领域。高光谱成像技术是基于非常多窄波段的影像数据技术，它将成像技术与光谱技术相结合，探测目标的二维几何空间及一维光谱信息，获取高光谱分辨率的连续、窄波段的图像数据。
技术实现思路
本专利技术要解决的技术问题是提供一种苹果轻微损伤分类方法，为了开发精准、快速的苹果分拣系统。为了解决上述技术问题，本专利技术提供了1.一种苹果轻微损伤分类方法，其特征在于，包括：S1对获得的高光谱数据进行预处理，并划分为训练集和测试集；S2采用最大相关最小冗余方法对高光谱数据进行特征变量排序；S3利用极限学习机建模，确定最佳特征波长数量；S4使用极限学习机算法对S2选择出的特征波长集进行建模，算法参数用遗传算法优化；S5基于特征波长集，应用最小噪声分离方法对高光谱图像数据进行分析，验证特征波长集的有效性。在其中一个实施例中，所述S1中的预处理包括：使用标准正态变量方法对数据进行降噪与平滑处理，然后用Kennard-Stone方法，按照2：1的比例，划分训练集与测试集。在其中一个实施例中，所述S1包括：S11将108个完好苹果作为实验材料，随机挑选54个苹果进行人工轻微损伤模拟实验；在损伤后10分钟、1天、2天、3天、4天各获取一次高光谱图像。另外54个苹果作为对照组样本，只需获取一次高光谱图像；先对其进行黑白校正消除摄像头中暗电流的影响，黑白校正公式如下：样本采集结束后，保持各项系统参数设置不变，扫描参考板得到白标定图像Rw，然后盖上摄像机镜头盖采集黑板校正图像Rd。R0(λ)为原始噪声图像，依据公式(1)计算，得到校正后的高光谱图像R(λ)。S12利用感兴趣区域提取工具，获得苹果样本的平均光谱反射率，得到5个数据集，Bruise_10min、Bruise_1day、Bruise_2days、Bruise_3days、Bruise_4days。每个数据集中包含54个完好苹果的高光谱数据和54个损伤苹果的高光谱数据。S13分别对数据集进行标准正态变量变换。S14将预处理后的数据划分为训练集和测试集。在其中一个实施例中，S21研究中用互信息表征变量间相关性。计算特征变量xi与目标变量c之间的相关性，计算方法由公式(2)所得：其中MI(xi；c)为xi与c的互信息，p(xi，c)是xi与c的联合概率分布函数，而p(xi)和p(c)分别是xi与c的边缘概率分布函数。S22假设已经选择了n-1个特征变量并将其放入到集合Xn-1中，第n个变量通过公式(3)选择：公式(3)表示从待选特征变量子集(X-Xn-1}中，选择出具有最大相关性最小冗余度的变量。其中MI(xi；c)表示特征变量xi与目标变量c的相关性，为特征变量xi与已选择特征变量集合Xn-1中变量的平均冗余度。依据公式(2)和公式(3)进行计算，得到新的特征变量排序。S23利用极限学习机建模，根据建模结果，确定最佳特征波长数量。在其中一个实施例中，所述S3包括：设置ELM神经网络隐含层神经元数量为20，随机初始化输入权重和偏置并得到相应的输出权重。使用Bruise_3days数据集建模，得到最佳特征变量数目opt_num。在其中一个实施例中，所述S4包括：在S2得到的新的特征变量排序中，选取前opt_num个特征变量数据作为建模输入，用遗传算法对ELM参数进行优化，分别对数据集Bruise_10min、Bruise_1day、Bruise_2days、Bruise_3days、Bruise_4days进行建模分析。在其中一个实施例中，所述S5包括：S51对于每一幅高光谱图像，选取波长为811nm的灰度图像建立掩膜，并应用与高光谱图像，消除图像背景信息；S52对高光谱图像进行最小噪声分离变换，得到一系列主成分图像；S53选取合适的主成分图像作为待分割图像，使用大津算法分割图像，得到结果。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。本专利技术的有益效果：本专利技术利用标准正态变量方法对原始高光谱数据进行去噪。为了减少数据冗余与计算量，采用mRMR算法选择特征波长。通过选择特征波段并基于特征波段建立判别分类模型，实现了苹果的正常样本及不同损伤时间样本的识别，并且通过图像处理技术实现了苹果损伤区域的定位，为未来水果损伤相关仪器或在线检测系统的开发提供了理论依据。附图说明图1是本专利技术方法中高光谱成像系统与高光谱三维光谱图像原理示意图。图2是本专利技术中的完好苹果与损伤苹果平均反射率曲线与感兴趣区域提取示意图。图3是本专利技术中建模结果与特征波段数量曲线图。图4是本专利技术实验流程图。图5是最小噪声分离前三个主成分图。具体实施方式下面结合附图和具体实施例对本专利技术作进一步说明，以使本领域的技术人员可以更好地理解本专利技术并能予以实施，但所举实施例不作为对本专利技术的限定。目前，国内外对于水果损伤分类已经进行了较为广泛的研究，但是对于损伤时间对水果分类的影响探究却没有。本专利技术一种苹果轻微损伤分类方法，所述方法采用最大相关最小冗余(mRMR)与极限学习机(ELM)相结合的方法对完好苹果和损伤苹果的高光谱数据进行分类，其中通过遗传算法(GA)优化极限学习机参数。具体地，一种苹果轻微损伤分类方法，所述方法包括：S1对获得的高光谱数据进行预处理，并划分为训练集和测试集；S2采用最大相关最小冗余方法对数据进行特征选择，利用极限学习机建模，确定最佳特征波长数量；S3使用极限学习机对S2选择出的特征波长集进行建模；S4基于特征波长集，应用最小噪声分离方法对高光谱图像数据进行分析，验证特征波长集的有效性。可选的，上述S1中的预处理包括：使用标准正态变量方法对数据进行降噪与平滑处理，然后用Kennard-Stone方法，按照2：1的比例，划分训练集与测试集。可选的，所述S1包括：S11将108个完好苹果作为实验材料，随机挑选54个苹果进行人工轻微损伤模拟实验；在损伤后10分钟、1天、2天、3天、4天各获取一次高光谱图像。另外54个苹果作为对照组样本，只需获取一次高光谱图像。由于高光谱摄像头中存在许多暗电流以及光照的不均匀性，获取的高光谱图像不能直接用于数据分析，需要先对其进行黑白校正消除摄像头中暗电流的影响，黑白校正公式如下：样本采集结束后，保持各项系统参数设置不变，扫描美国NIST溯源校准参考板得到白标定图像Rw，然后盖上摄像机镜头盖采集黑板校正图像Rd。R0(λ)为原始噪声图像，依据公式(1)计算，得到校正后的高光谱图像R(λ)。S12利用ENVI软件中的感兴趣区本文档来自技高网...

【技术保护点】
1.一种苹果轻微损伤分类方法，其特征在于，包括：S1 对获得的高光谱数据进行预处理，并划分为训练集和测试集。S2 采用最大相关最小冗余方法对高光谱数据进行特征变量排序；S3 利用极限学习机建模，确定最佳特征波长数量；S4 使用极限学习机算法对S2选择出的特征波长集进行建模，算法参数用遗传算法优化；S5 基于特征波长集，应用最小噪声分离方法对高光谱图像数据进行分析，验证特征波长集的有效性。

【技术特征摘要】
1.一种苹果轻微损伤分类方法，其特征在于，包括：S1对获得的高光谱数据进行预处理，并划分为训练集和测试集。S2采用最大相关最小冗余方法对高光谱数据进行特征变量排序；S3利用极限学习机建模，确定最佳特征波长数量；S4使用极限学习机算法对S2选择出的特征波长集进行建模，算法参数用遗传算法优化；S5基于特征波长集，应用最小噪声分离方法对高光谱图像数据进行分析，验证特征波长集的有效性。2.如权利要求1所述的苹果轻微损伤分类方法，其特征在于，所述S1中的预处理包括：使用标准正态变量方法对数据进行降噪与平滑处理，然后用Kennard-Stone方法，按照2：1的比例，划分训练集与测试集。3.如权利要求1所述的苹果轻微损伤分类方法，其特征在于，所述S1包括：S11将108个完好苹果作为实验材料，随机挑选54个苹果进行人工轻微损伤模拟实验；在损伤后10分钟、1天、2天、3天、4天各获取一次高光谱图像。另外54个苹果作为对照组样本，只需获取一次高光谱图像；先对其进行黑白校正消除摄像头中暗电流的影响，黑白校正公式如下：样本采集结束后，保持各项系统参数设置不变，扫描参考板得到白标定图像Rw，然后盖上摄像机镜头盖采集黑板校正图像Rd。R0(λ)为原始噪声图像，依据公式(1)计算，得到校正后的高光谱图像R(λ)。S12利用感兴趣区域提取工具，获得苹果样本的平均光谱反射率，得到5个数据集，Bruise_10min、Bruise_1day、Bruise_2days、Bruise_3days、Bruise_4days。每个数据集中包含54个完好苹果的高光谱数据和54个损伤苹果的高光谱数据。S13分别对数据集进行标准正态变量变换。S14将预处理后的数据划分为训练集和测试集。4.如权利要求1所述的苹果轻微损伤分类方法，其特征在于，S21研究中用互信息表征变量间相关性。计算特征变量xi与目标变量c之间的相关性，计算方法由公式(2)所得：其中MI(xi；c)为xi与c的互信息，p(xi，c)是xi与c的联合概率分布函数，而p(xi)和p(c)...

【专利技术属性】
技术研发人员：李光辉，朱晓琳，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32