高光譜相機(jī)解決方案

  • 高光譜成像技術(shù)對(duì)玉米霉變的應(yīng)用檢測

  • 信息來源：彩譜品牌廠家   瀏覽次數(shù)：177    發(fā)表時(shí)間：2024-12-25
  • 玉米是重要的糧食作物，由于玉米胚部面積大、含水量高，在生長和儲(chǔ)藏過程中容易感染霉菌。因此，需要對(duì)玉米的健康狀況進(jìn)行有效檢測，防止霉菌傳播，避免造成巨大的經(jīng)濟(jì)損失。高光譜成像技術(shù)將光譜分析技術(shù)與圖像處理技術(shù)相結(jié)合，可以同時(shí)獲取含有樣本內(nèi)部成分信息的光譜數(shù)據(jù)和含有外觀特征信息的圖像數(shù)據(jù),實(shí)現(xiàn)快速無污染和無損檢測?？梢允褂貌首V的fs-14高光譜相機(jī)進(jìn)行檢測。
    設(shè)備名稱 型號(hào) 配置明細(xì) 備注
    彩譜高光譜相機(jī) FS-14 光譜范圍：400-1700nm；  
    測試臺(tái)架 FS-826 測量平臺(tái)10*15cm  
     
    人工選擇大小和外觀相同的玉米粒，為了減少玉米自身攜帶的細(xì)菌的影響，所有玉米粒在 2%次氯酸鈉溶液中浸泡5分鐘，然后用蒸餾水漂洗3次。玉米的霉變程度隨培養(yǎng)時(shí)間的變化而變化,為了人工培養(yǎng)不同霉變程度的玉米樣品，分別于第0天、第2天、第4天和第6天從恒溫恒濕培養(yǎng)箱中取出60組玉米樣品，采集所有樣本  兩個(gè)不同波長范圍的高光譜圖像。
    不同霉變程度下玉米原始和去噪后的 RGB圖像如圖所示。獲取高光譜圖像的ROI區(qū)域后,計(jì)算每個(gè)波長圖像下RO區(qū)域內(nèi)所有像素點(diǎn)的光譜反射率平均值，得到樣本的原始光譜數(shù)據(jù)矩陣。由于光譜數(shù)據(jù)在開始波段和結(jié)束波段存在大量的隨機(jī)噪聲和無用信息，會(huì)影響建效果，因此去除噪聲波段后，在 400-1000nm和900-1700nm波段保留 399-1001nm和1005-1701 nm 波長范圍的光譜數(shù)據(jù)用于進(jìn)一步的分析，光譜變量分別為389個(gè)和112個(gè)。
    通過分析光譜曲線特征，不難發(fā)現(xiàn)，玉米霉變程度越嚴(yán)重，兩個(gè)波長范圍的光譜反射強(qiáng)度越低，說明霉變組織的光吸收能力比玉米組織強(qiáng)。在400-1000nm 波段，光譜曲線單調(diào)，在 399-820nm波長范圍平均光譜強(qiáng)度逐漸增大，然后緩慢下降。而在900-1700nm 波段，光譜曲線復(fù)雜多變，分別在1100nm和1300nm附近捕獲到兩個(gè)明顯的反射率峰。前者可能與脂質(zhì)中的C-H有關(guān)，后者則是 N-H拉伸的第一泛音與基本 -H 面內(nèi)彎曲和 C-N 拉伸與 N-H 面內(nèi)彎曲振動(dòng)的結(jié)合。此外，在 1192 nm 和1445 nm 處有兩個(gè)明顯的吸收峰。1192nm可能與碳水化合物中C-H拉伸的第二泛音有關(guān)，1445 nm 可能與水中的 O-H 鍵和蛋白質(zhì)中 C-H 的第一泛音有關(guān)。不同霉變程度下的反射率光譜和紋理強(qiáng)度存在顯著差異,這些差異為不同霉變程度的玉米判別提供了可能。但是，不同霉變程度的玉米樣品平均光譜值在某些波長范圍(1400-1701nm)存在交叉重疊，反射率光譜與霉變程度無顯著相關(guān)性。因此，需要將光譜數(shù)據(jù)和紋理特征進(jìn)行融合，進(jìn)一步研究其潛在信息的分類能力。
    利用實(shí)驗(yàn)室自行搭建的高光譜圖像采集系統(tǒng)，采集了不同霉變程度玉米樣本的400-1000nm 和900-1700nm 高光譜圖像，從高光譜圖像中提取平均光譜和不同紋理參數(shù)特征，利用像素級(jí)和特征級(jí)數(shù)據(jù)融合方法，建立分類模型。結(jié)果表明，兩種數(shù)據(jù)融合策略建立的模型分類效果優(yōu)于單一的光譜數(shù)據(jù)源。對(duì)于光譜和不同紋理參數(shù)的像素級(jí)數(shù)據(jù)融合，能量和對(duì)比度對(duì)分類模型的改進(jìn)起到了積極作用?？傮w而言，像素級(jí)數(shù)據(jù)融合對(duì)模型判別精度的提高不是很明顯,因?yàn)橄袼丶?jí)數(shù)據(jù)融合策略在引入有用信息的同時(shí)會(huì)引入一些不相關(guān)的變量。因此，特征變量選擇方法有利于提高數(shù)據(jù)的處理速度和效率，降低模型的復(fù)雜度;數(shù)據(jù)融合的策略可以豐富特征信息，有利于樣品信息的表達(dá)，提高模型的精度和魯棒性。需要注意的是，本章主要針對(duì)玉米霉變的檢測，但同時(shí)數(shù)據(jù)融合策略一般適用于小麥、水稻、花生等其它糧食作物的質(zhì)量檢測中。
    本文由彩譜科技提供，了解更多詳情頁，歡迎咨詢。
    彩譜科技（浙江）有限公司的產(chǎn)品廣泛應(yīng)用于農(nóng)業(yè)、林業(yè)、水質(zhì)、塑膠制品、涂料、食品安全及醫(yī)學(xué)檢驗(yàn)等領(lǐng)域，應(yīng)用范疇持續(xù)拓展。公司堅(jiān)持技術(shù)研發(fā)，提升服務(wù)水平，保障產(chǎn)品穩(wěn)定性。公司主營多光譜相機(jī)、色差儀、分光測色儀、光澤度儀等一系列光學(xué)檢測設(shè)備，能為用戶提供有效解決方案。
     
  • 【關(guān)閉本頁】 【返回頂部】 【打印此頁】 【收藏此頁】