文章详情

基于高光谱成像技术的小龙虾品质分析

日期:2019-02-18 22:59
浏览次数:88
摘要: 基于高光谱成像技术的小龙虾品质分析 四川双利合谱科技有限公司 黄宇 1. 可见、近红外设备介绍 高光谱图像数据采集采用四川双利合谱科技有限公司的 GaiaSorter双系统高光谱分选仪系统(V10E、N25E-SWIR)。该系统主要由高光谱成像仪、面阵列相机、卤素灯光源、暗箱、计算机组成,如图1。实验仪器参数设置如表1。 图1 GaiaSorter双系统高光谱分选仪 表1 GaiaSorter 双系统高光谱分选仪系统参数 序号 相关参...

基于高光谱成像技术的小龙虾品质分析

四川双利合谱科技有限公司  黄宇

 

1. 可见、近红外设备介绍

高光谱图像数据采集采用四川双利合谱科技有限公司的 GaiaSorter双系统高光谱分选仪系统(V10EN25E-SWIR)。该系统主要由高光谱成像仪、面阵列相机、卤素灯光源、暗箱、计算机组成,如图1。实验仪器参数设置如表1

1  GaiaSorter双系统高光谱分选仪

1   GaiaSorter 双系统高光谱分选仪系统参数

序号

相关参数

V10E

N25E-SWIR

1

光谱范围

400-1000 nm

1000-2500 nm

2

光谱分辨率

2.8 nm

12 nm

3

像面尺寸

6.15×14.2

7.6×14.2

4

倒线色散

97.5nm/mm

208nm/mm

5

相对孔径

F/2.4

F/2.0

6

杂散光

<0.5%

<0.5%

7

波段数

520

288

8

成像镜头

25 mm

30 mm

高光谱图像采集软件采用四川双利合谱科技有限公司提供的高光谱成像系统采集软件Specview完成。图像处理采用 ENVI5.3 软件进行处理。在进行图像处理之前,先要对采集的光谱图像进行图像校正,图像校正公式如下:

              (1)

式中,Rref 是校正过的图像,DNraw 是原始图像,DNwhite为白板校正图像,DNdark 是黑板校正图像,Rwhite白板的反射率。

2.  实验目标

利用可见近红外以及短波红外高光谱成像技术对成熟的小龙虾进行品质分析,研究不同品质小龙虾的光谱差异并通过高光谱成像技术快速识别不同品质的小龙虾,为餐饮行业行业快速识别不同品质小龙虾提供技术支。图2为需要利用高光谱成像设备采集分析的小龙虾样本,左边为品质好的小龙虾,右边为品质坏的小龙虾。

 

2  需要高光谱设备采集的实验目标

3.  实验结果

3.1  可见近红外、短波红外高光谱的小龙虾光谱分析

    在小龙虾身上不同部分分别选取约200个像素点取均值代表小龙虾该部分的光谱反射率,如图3所示,分别列举了品质好的和坏的小龙虾外壳、虾爪、虾尾和虾腹在可见近红外波长范围的光谱进行分析,并对原始光谱作了一阶导数分析,目的是为了更加深入地了解不同品质的小龙虾其不同部位的光谱差异。图3左为品质好的与坏的小龙虾不同部位的原始光谱反射率曲线,从图中可知,小龙虾不同部位的光谱反射率在400-530nm之前差异较小,但在530nm之后小龙虾不同部位的光谱曲线差异较大。对于品质坏的小龙虾,其外壳光谱的陡坡位置相对于品质好的小龙虾而言,发生了蓝移;另外品质坏的小龙虾,其虾爪、虾尾、虾腹等部位与品质好的小龙虾,其光谱反射率差异也较大。图3右更能清晰地看出不同品质的小龙虾不同部位的光谱差异及品质好与品质差的小龙虾在400-1000nm范围内的光谱差异,从其峰谷位置及峰谷的高低,很显著地看出品质好与品质差的小龙虾的光谱差异。

3  基于可见/近红外高光谱成像技术小龙虾不同部位的光谱曲线

与可见、近红外高光谱成像技术分析小龙虾光谱一样,在短波红外的高光谱图像上分别选取小龙虾身上不同部分约200个像素点取均值代表小龙虾该部分的光谱反射率,如图4所示,分别列举了品质好的和坏的小龙虾外壳、虾爪、虾尾和虾腹在短波红外范围的光谱进行分析,并对原始光谱作了一阶导数分析,目的是为了更加深入地了解不同品质的小龙虾其不同部位的光谱差异。图4 左为短波红外1000-2500nm的光谱反射率曲线图,从图中可知,在短波红外范围,不同品质的小龙虾及小龙虾的不同部位光谱反射率曲线变化趋势相似,不同的是曲线反射率的高低及峰谷的高低。图4右为不同品质小龙虾及不同部位在短波红外范围的一阶导数光谱曲线。从图中可知,不同品质的小龙虾,其峰谷位置及峰谷的值差异较大,小龙虾不同部位之间的光谱也有显著差异。

 

4  基于短波红外高光谱成像技术小龙虾不同部位的光谱曲线

3.2  小龙虾品质识别研究

*小噪声分离变换(Minimum Noise Fraction RotationMNF Rotation)工具用于判定图像数据内在的维数(即波段数),分离数据中的噪声,减少随后处理中的计算需求量。MNF本质上是两次层叠的主成分变换。**次变换(基于估计的噪声协方差矩阵)用于分离和重新调节数据中的噪声,这步操作使变换后的噪声数据只有*小的方差且没有波段间的相关。第二步是对噪声白化数据(Noise-whitened)的标准主成分变换。

主成分分析(PCA)是遥感数字图像处理中运用比较广泛的一种算法,是在统计特征基础上的多维(多波段)正交线性变换。通过PCA变换,可以把多波段图像中的有用信息集中到数量尽可能少的新的主成分图像中,并使这些主成分图像之间互不相关,从而大大减少总的数据量。但PCA变换对噪声比较敏感,即信息量大的主成分分量,信噪比不一定高,当某个信息量大的主成分中包含的噪声的方差大于信号的方差时,该主成分分量形成的图像质量就差, PCA变换用于融合处理并不是为了减少噪声,而是通过该变换,使得多光谱影像在各个波段具有统计独立性,便于分别采用相应的融合策略。针对PCA变换的不足,Green等曾经提出*小噪声分离(MNF)变换,随后,又对MNF变换进行了修改,它本质上是含有两次叠置处理的主成分分析。

由此可知,MNF变换具有PCA变换的性质,是一种正交变换,变换后得到的向量中的各元素互不相关,**分量集中了大量的信息,随着维数的增加,影像质量逐渐下降,按照信噪比从大到小排列,而不像PCA变换按照方差由大到小排列,从而克服了噪声对影像质量的影响。正因为变换过程中的噪声具有单位方差,且波段间不相关,所以它比PCA变换更加优越。

5为可见、近红外400-1000nm范围内基于MNF变化的前9个分量图,从图中可知,不同品质的小龙虾,在第三、第四和第五分量上可以实现很好的判别,而其他分量存则存在不同程度的误判,结合第三、第四和第五分量以及CART决策树分类法,可以实现小龙虾品质的鉴定,如图6所示,红色为品质坏的小龙虾,绿的为品质好的小龙虾。

5 小龙虾基于400-1000nmMNF9个分量图

6 基于400-1000nm范围内小龙虾品质分析结果

7短波红外1000-2500nm范围内基于MNF变化的前8个分量图,从图中可知,不同品质的小龙虾,除**、第三、第四和第五MNF变量能区分出部分品质好的小龙虾品质不好的小龙虾外,其余变量品质好坏的小龙虾并不显著区别我们利用**、第三、第四和第五MNF变量结合图像分类方法中的监督分类法用于区分不同品质的小龙虾,区分效果如图8所示,其中红色为品质坏的小龙虾,绿的为品质好的小龙虾。

图7 小龙虾基于1000-2500nmMNF8个分量图

8 基于1000-2500nm范围内小龙虾品质分析结果

4.  结果与讨论

    分析结果来看,基于400-1000nm1000-2500nm波长范围的高光谱影像数据均能较好地区分成熟的品质好与坏的小龙虾。如果仅从MNF分量上看,基于400-1000nm可见\近红外高光谱影像识别不同品质的小龙虾高于基于1000-2500nm的短波红外结合高光谱分析方法,两者的识别精度并无显著差别。另外如果将来想在产线上进一步应用,仍需要进一步的分析,这是因为小龙虾的摆放姿势对利用高光谱影像数据的判别效果影响很大。

川公网安备 51011202000202号