基于多尺度图像的生菜重金属含量检测方法技术

本发明专利技术公开了一种基于多尺度图像的生菜重金属含量检测方法，本发明专利技术技术要点是：步骤1：利用三个摄像机对生菜进行图像采集，并对图像归一化处理；步骤2：以步骤1获得的归一化生菜图像为输入，建立神经网络学习模型；并将采集到的样本数据输入神经网络中进行学习，最终得到多尺度分层神经网络学习模型；利用学习得到的多尺度分层神经网络学习模型对输入的生菜图像进行检测识别，判断其重金属含量是否超标。本发明专利技术通过光学相机采集数据，通过对相机成像数据的分析建模，实现对食用生菜重金属含量的无损、无接触检测，速度快、操作方便、环保安全，可以满足现代食品安全工业需求，实现对传统检测方法的有效替代。传统检测方法的有效替代。

【技术实现步骤摘要】
基于多尺度图像的生菜重金属含量检测方法


[0001]本专利技术面向食品检测应用领域，特别地，涉及一种基于多尺度视觉学习的食用生菜重金属含量检测装置及方法。

技术介绍

[0002]重金属污染问题是我国农业发展所面临的严峻挑战之一。目前，三废的大量排放、矿产开发以及农药的不科学使用导致重金属污染物正逐渐破坏自然环境，尤其是对大气、水源和土壤造成不可逆转的危害。由于重金属污染物具有转移性、隐匿性和累积性，因此防治相当困难。如果重金属通过食物链进入人体，将对人体造成难以挽回的损伤。开展食用蔬菜的重金属的快速无损检测迫在眉睫。
[0003]生菜是广大人民群众广泛食用的一种蔬菜品种，种植面积广，食用消费量大。它富含人体所需的营养元素，而且热量极低，深受广大群众的喜爱。国人对于生菜的巨大需求量使得其内部重金属含量的微上升都会造成巨大富集效应。为了监控蔬菜的生长环境、降低重金属中毒风险，保障食品安全，探索并建立快速有效检测生菜重金属含量的方法具有重要的研究意义。
[0004]目前蔬菜重金属的检测方法主要有火焰原子吸收光谱法、石墨炉火焰原子吸收光谱法、石墨炉原子荧光谱法等。这些化学检测方法虽然具有精确度高、灵敏度强等优点，但是操作繁琐、污染环境、耗时长，无法实现实时检测，不利于推广。目前也有使用图像进行玉米叶等植物叶片重金属含量检测的方法，但其受环境光影响较大，且其检测依赖单一图像，因此对于图像采集装置要求较高。图像采集装置固有缺陷将会对检测结果影响较大。且算法模型复杂，检测精度低，耗时长。
[0005]为此急需一种能够快速、准确、全自动检测生菜重金属超标的方法。

技术实现思路

[0006]本专利技术的目的是提供一种能够快速、准确、全自动检测生菜重金属超标的方法。
[0007]一种基于多尺度图像的生菜重金属含量检测方法，其特征在于：
[0008]步骤1：利用三个摄像机对生菜进行图像采集，包括：关闭外置光源S，使其不发光。控制三台摄像机同时各自拍摄一张图像，分别记为开启外置光源S，使其发光，控制三台摄像机同时各自拍摄一张图像，分别记为对六幅图像进行归一化，获得归一化的六幅图像
[0009]步骤2：以步骤1获得的归一化生菜图像为输入，建立神经网络学习模型，包括：
[0010][0011]式子(3)中，c
0n
表示关闭外置光源后，获得的归一化图像数据X
C
，具体的，c
01
、C
02
、C
03
分别对应表示矩阵C
0n
中对应坐标(i,j)的值。p、q是以(i,j)为中心的二维卷积窗口的控制参数，二维卷积在窗口内(p,q)处的权值由定义；
[0012][0013]式子(4)中，s
0n
表示开启外置光源后，获得的归一化图像数据X
S
，具体的，s
01
、s
02
、s
02
分别对应表示矩阵s
0n
中对应坐标(i,j)的值。p、q是以(i,j)为中心的二维卷积窗口的控制参数，二维卷积在窗口内(p,q)处的权值由定义。特别的，在本步骤中，p、q所组成的窗口大小为21
×
21；
[0014]式子(3)、(4)共同构成神经网络的输入层到第一个隐藏层H1的映射；
[0015]模型共有4个隐藏层H1、H2、H3、H4，和一个输出层；
[0016][0017]式子(10)构成神经网络H4层到输出层y的映射，其中，w
ij
表示相互独立的w
×
h个权值参数(与输入图像的尺寸相当)，b4是线性偏置参数；
[0018]该模型所使用的激励函数定义如下：
[0019][0020]上式中参数α和β用于在0值两边分别调整函数的收敛速度；
[0021]将采集到的样本数据输入神经网络中进行学习，最终得到多尺度分层神经网络学习模型；
[0022]利用学习得到的多尺度分层神经网络学习模型对输入的生菜图像进行检测识别，判断其重金属含量是否超标。
[0023]光源开启后稳定10秒再进行拍摄。
[0024]α＝2.3，β＝0.0428；
[0025]三台摄像机与被检测物的距离分别是L、2L、3L。
[0026]光源波长为700nm。
[0027]本专利技术专利技术点及技术效果
[0028]1、利用多相机进行多尺度图像采集，可以克服单一相机、单一尺度带来的固有缺陷和误差，能够更准确的判断重金属含量。
[0029]2、通过优选独立光源，以及光源开关控制，采集更丰富的图像，避免单一特性图像带来的缺陷和误差，检测更准确。
[0030]3、通过优选的神经网络构建，兼顾了模型构建速度、检测速度和检测准确度，使得现场快速检测成为可能。
[0031]本专利技术提出的基于多尺度视觉学习的食用生菜重金属含量检测方法，通过光学相机采集数据，通过对相机成像数据的分析建模，实现对食用生菜重金属含量的无损、无接触检测，速度快、操作方便、环保安全，可以满足现代食品安全工业需求，实现对传统检测方法的有效替代。
附图说明
[0032]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，并不构成对本专利技术的限定。
[0033]图1是本专利技术检测系统示意图。
具体实施方式
[0034]步骤1所述的一种光学成像数据的采集和预处理方法，利用独立于被检测生菜的三台光学摄像装置，拍摄生菜的图像，并将图像传输到预处理模块，通过预处理模块对原始图像进行预处理，获得用于后续模块检测的数据。
[0035]用于拍摄的三台光学摄像机，其安装方式如图1所示。三台摄像机与被检测物G(生菜)保持适当距离，假设距离最近的摄像机Cam1与被检测物的距离是L，作为一种优选配置，第二台摄像机Cam2与被检测物距离近似设置为2L，第三台摄像机Cam3与被检测物距离近似设置为3L。作为一种优选配置，L的距离以被检测物在对应摄像机视场中占据居中1/8面积左右。三台摄像机的焦距、视场角、成像尺寸和帧率相同，作为一种优化配置，视场角不超过30度，不低于20度。摄像机能够捕获波长340nm
‑
960nm范围内的光信号。
[0036]独立于摄像机的外置光源S，发射固定波长的光线，并使被检测物能够完整被光源照射到，作为一种优选配置，设置光源波长为700nm。优选，光源可以发射不同波长的光。
[0037]关闭外置光源S，使其不发光。控制三台摄像机Cam1、Cam2、Cam3同时各自拍摄一张图像，分别记为
[0038]开启外置光源S，使其发光，稳定10秒。控制三台摄像机Cam1、Cam2、Cam3同时各自拍摄一张图像，分别记为拍摄一张图像，分别记为
[0039]对三幅图像按照下式(1)进行归一化：
[0040][0041]其中，0<ρ1&本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度图像的生菜重金属含量检测方法，其特征在于：步骤1：利用三个摄像机对生菜进行图像采集，包括：关闭外置光源S，使其不发光，控制三台摄像机同时各自拍摄一张图像，分别记为开启外置光源S，使其发光，控制三台摄像机同时各自拍摄一张图像，分别记为三台摄像机同时各自拍摄一张图像，分别记为对六幅图像进行归一化，获得归一化的六幅图像具体为：对三幅图像按照下式(1)进行归一化：其中，0<ρ1<1为控制变量；I
C
(i,j)表示图像矩阵I
C
中第(i,j)坐标的值；w和h分别表示图像的宽度和高度；μ1表示图像矩阵I
C
的算术均值，σ1表示图像矩阵I
C
的标准差；X
C
定义了外置光源关闭时采集的图像I
C
的归一化图像；对三幅图像按照下式(2)进行归一化：其中，0<ρ2<1为控制变量；I
S
(i,j)表示图像矩阵I
S
中第(i,j)坐标的值；w和h分别表示图像的宽度和高度；μ2表示图像矩阵I
S
的算术均值，σ2表示图像矩阵I
S
的标准差；X
S
定义了外置光源开启时采集的图像I
S
的归一化图像；步骤2：以步骤1获得的归一化生菜图像为输入，建立神经网络学习模型，包括：式子(3)中，c
0n
表示关闭外置光源后，获得的归一化图像数据X
C
，具体的，c
01
、c
02
、c
...

【专利技术属性】
技术研发人员：崔薇，
申请(专利权)人：崔薇，
类型：发明
国别省市：