基于高光谱图像的麻竹笋营养成分检测方法、系统和存储介质技术方案

本发明专利技术公开了一种基于高光谱图像的麻竹笋营养成分检测方法、系统和存储介质，包括下述步骤：读入麻竹笋高光谱图像并对其进行预处理，得到样本集P1；将样本集P1导入CNN卷积神经网络进行显著特征提取并整合成相关的数据集文件；利用数据集文件构建麻竹笋营养成分指标的回归分析模型；将麻竹笋高光谱图像导入模型进行分析预测。本发明专利技术运用传统机器学习与深度学习方法搭建回归分析模型，利用高光谱图像提供的大量多维度数据，对麻竹笋的营养成分进行分析预测，确保了预测的准确性和有效性，降低了预测成本，为麻竹笋营养成分的检测提供了简便、快速、无损的技术方法，保障和促进了麻竹笋食品工业的高质量发展。食品工业的高质量发展。食品工业的高质量发展。

【技术实现步骤摘要】
基于高光谱图像的麻竹笋营养成分检测方法、系统和存储介质


[0001]本专利技术属于高光谱图像处理方法与应用
，具体涉及一种基于高光谱图像的麻竹笋营养成分检测方法、系统和存储介质。

技术介绍

[0002]食品的营养和品质关系到国计民生，而先进的食品检验检测技术对保障食品的营养品质有着重要意义。竹笋，是我国传统的素食品之一，被称为“一种全能型营养蔬菜”。对竹笋相关食品的营成分进行检测，对其品质把关，可保障和促进竹笋食品的质量。由此可见，对竹笋品质检测的方法则显得十分重要。
[0003]目前而言，对竹笋品质检测的方法包括化学分析、仪器分析和感官分析等，但这些分析方法费时费力，对样品具有破坏性且容易产生污染，很难满足现代食品工业客观、快速、无损的检测要求。高光谱成像技术作为一种同时融合了光谱技术和图像技术的新兴、快速、无损检测技术，在食品品质检测领域的应用得到了发展。但是仅使用传统机器学习方法没有充分的利用高光谱麻竹笋图像提供的大量多维度数据，使得对高光谱麻竹笋图像的处理和品质预测的准确性降低。

技术实现思路

[0004]本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于高光谱图像的麻竹笋营养成分检测方法、系统和存储介质。利用机器学习和深度学习方法，构建回归分析模型，充分利用高光谱图像提供的大量多维度数据，预测麻竹笋膳食纤维含量和叶绿素含量，为麻竹笋的品质检测提供量化指标。
[0005]为了达到上述目的，本专利技术采用以下技术方案:
[0006]本专利技术一方面提供了一种基于高光谱图像的麻竹笋营养成分检测方法，包括下述步骤：
[0007]基于高光谱图像的麻竹笋营养成分检测方法，包括下述步骤：
[0008]读入麻竹笋高光谱图像并进行图像预处理，得到样本集P1；
[0009]将所述样本集P1导入卷积神经网络进行显著特征提取并整合成相关的数据集文件P2；
[0010]将所述数据集文件P2划分出训练集与预测集，使用所述训练集构建麻竹笋营养成分指标的回归分析模型并评价所述回归分析模型的预测表现；
[0011]将所述麻竹笋高光谱图像导入所述麻竹笋营养成分指标的回归分析模型得到麻竹笋的膳食纤维含量和叶绿素含量预测值。
[0012]作为优选的技术方案，所述读入麻竹笋高光谱图像并进行图像预处理，得到样本集P1，具体为：
[0013]读入波段数为C1的麻竹笋高光谱图像X0，对C1波段麻竹笋高光谱图像X0使用高斯
滤波器消除高斯噪声，再进行膨胀处理消除噪声，生成掩模图像Y1，所述掩模图像Y1包含阴影及X0图像中的麻竹笋样本有效区域；
[0014]读入波段数为C2的麻竹笋高光谱图像X1，利用掩模图像Y1通过像素和运算，使除Y1掩模区域外的像素值为0；
[0015]通过设置阈值，经过掩膜Y1处理的二值化图像保留样本有效区域，去除上部的阴影部分，获取掩模图像Y2；
[0016]对所述掩模图像Y2进行图像膨胀处理消除噪声，得到理想掩模图像Y3；
[0017]利用所述掩模图像Y3与原样本图像进行和运算，使除Y3掩模区域外的像素值为0，获得麻竹笋高光谱图像有效区域图像X3；
[0018]将所述麻竹笋高光谱图像有效区域图像X3转换为灰度图像，通过差值运算获得最小内接矩形的左上角，右上角，右下角和左下角的坐标值；
[0019]选用滑动窗口，以1个像素值为步长遍历所述最小内接矩形区域提取样本，
[0020]得到麻竹笋样本有效区域局部高光谱图像X4；
[0021]将所述麻竹笋样本有效区域局部高光谱图像X4图像数据转换为numpy矩阵，导入excel文件并以CSV文件格式存储，得到样本集P1。
[0022]作为优选的技术方案，所述滑动窗口为28
×
28的滑动窗口。
[0023]作为优选的技术方案，所述将所述样本集P1导入卷积神经网络进行显著特征提取并整合成相关的数据集文件P2，具体为：
[0024]将所述样本集P1导入卷积神经网络进行前向传播，经过卷积层、池化层和全连接层获取扁平化的深层特征；
[0025]通过卷积神经网络前向传播计算出交叉熵损失；
[0026]运用卷积神经网络反向传播计算梯度并更新卷积神经网络梯度参数；
[0027]多次进行训练后将提取出来的特征数据整合成相关的数据集文件P2。
[0028]作为优选的技术方案，所述卷积神经网络的参数设置为：
[0029]第一个卷积层的卷积核大小为5
×
5，滑动步长为1，填充为2，经过第一个卷积层处理得到16个28
×
28大小的特征图；
[0030]第一个池化层采用最大值下采样处理，大小为2
×
2，滑动步长为1，边界不做填充处理；
[0031]第二个卷积层的卷积核大小为5
×
5，滑动步长为1，填充为2，经过第二个卷积层处理得到32个14
×
14大小的特征图；
[0032]第二个池化层采用最大值下采样处理，大小为2
×
2，滑动步长为1，边界不做填充处理；
[0033]特征图经过第一个全连接层处理被扁平化为10维的全局特征。
[0034]作为优选的技术方案，经过卷积层、池化层和全连接层获取扁平化的深层特征，最后共计提取32维深层特征。
[0035]作为优选的技术方案，所述数据集文件P2划分出训练集与预测集，运用所述训练集构建麻竹笋营养成分指标的回归分析模型并评价所述回归分析模型的预测表现，具体步骤为：
[0036]将所述数据集文件P2进行四折交叉验证划分出75％的训练集与25％的预测集；
[0037]导入ICA独立成分分析中进行降维，划分出N个独立成分；
[0038]将所述独立成分导入SVM算法进行监督学习，将所述训练集的特征数据向量映射到一个高维空间中，在所述空间中建立一个间隔超平面，两边建立互相平行的超平面，所述间隔超平面使两个平行超平面的距离最大化，使得训练集特征数据分类的总误差最小化，以此构建最佳麻竹笋膳食纤维含量和叶绿素含量估测模型；
[0039]利用所述测试集计算所述训练集的均方误差MSE，评价支持向量机SVM模型在麻竹笋膳食纤维含量和叶绿素含量估测上的表现。
[0040]作为优选的技术方案，评价支持向量机SVM模型在麻竹笋膳食纤维含量和叶绿素含量估测上的表现具体为：
[0041]根据均方误差MSE进行评价，数值越小拟合程度越高，预测表现越好。
[0042]本专利技术另一方面还提供了一种基于高光谱图像的麻竹笋营养成分检测系统，应用于所述基于高光谱图像的麻竹笋营养成分检测方法，包括图像预处理模块、特征提取模块、回归分析模型训练模块、预测模块、后处理及显示模块；
[0043]所述图像预处理模块，用于读入麻竹笋高光谱图像并对图像进行预处理，
[0044]得到样本集P1；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于高光谱图像的麻竹笋营养成分检测方法，其特征在于，包括下述步骤：读入麻竹笋高光谱图像并进行图像预处理，得到样本集P1；将所述样本集P1导入卷积神经网络进行显著特征提取并整合成相关的数据集文件P2；将所述数据集文件P2划分出训练集与预测集，使用所述训练集构建麻竹笋营养成分指标的回归分析模型并评价所述回归分析模型的预测表现；将所述麻竹笋高光谱图像导入所述麻竹笋营养成分指标的回归分析模型得到麻竹笋的膳食纤维含量和叶绿素含量预测值。2.根据权利要求1所述基于高光谱图像的麻竹笋营养成分检测方法，其特征在于，所述读入麻竹笋高光谱图像并进行图像预处理，得到样本集P1，具体为：读入波段数为C1的麻竹笋高光谱图像X0，对C1波段麻竹笋高光谱图像X0使用高斯滤波器消除高斯噪声，再进行膨胀处理消除噪声，生成掩模图像Y1，所述掩模图像Y1包含阴影及X0图像中的麻竹笋样本有效区域；读入波段数为C2的麻竹笋高光谱图像X1，利用掩模图像Y1通过像素和运算，使除Y1掩模区域外的像素值为0；通过设置阈值，经过掩膜Y1处理的二值化图像保留样本有效区域，去除上部的阴影部分，获取掩模图像Y2；对所述掩模图像Y2进行图像膨胀处理消除噪声，得到理想掩模图像Y3；利用所述掩模图像Y3与原样本图像进行和运算，使除Y3掩模区域外的像素值为0，获得麻竹笋高光谱图像有效区域图像X3；将所述麻竹笋高光谱图像有效区域图像X3转换为灰度图像，通过差值运算获得最小内接矩形的左上角，右上角，右下角和左下角的坐标值；选用滑动窗口，以1个像素值为步长遍历所述最小内接矩形区域提取样本，得到麻竹笋样本有效区域局部高光谱图像X4；将所述麻竹笋样本有效区域局部高光谱图像X4图像数据转换为numpy矩阵，导入excel文件并以CSV文件格式存储，得到样本集P1。3.根据权利要求2所述基于高光谱图像的麻竹笋营养成分检测方法，其特征在于，所述滑动窗口为28
×
28的滑动窗口。4.根据权利要求1所述基于高光谱图像的麻竹笋营养成分检测方法，其特征在于，所述将所述样本集P1导入卷积神经网络进行显著特征提取并整合成相关的数据集文件P2，具体为：将所述样本集P1导入卷积神经网络进行前向传播，经过卷积层、池化层和全连接层获取扁平化的深层特征；通过卷积神经网络前向传播计算出交叉熵损失；运用卷积神经网络反向传播计算梯度并更新卷积神经网络梯度参数；多次进行训练后将提取出来的特征数据整合成相关的数据集文件P2。5.根据权利要求4所述基于高光谱图像的麻竹笋营养成分检测方法，其特征在于，所述卷积神经网络的参数设置为：第一个卷积层的卷积核大小为5
×
5，滑动步长为1，填充为2，经过第一个卷积层处理得到16个28
×
28大小的特征图；
第一个池化层采用最大值下采样处理，大小为2
×

【专利技术属性】
技术研发人员：邱少健，陈培新，梁云，王栋，田兴国，雷红涛，刘财兴，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：