申请/专利权人：南京农业大学

申请日：2023-11-07

公开（公告）日：2024-02-02

公开（公告）号：CN117491382A

主分类号：G01N21/95

分类号：G01N21/95;G06V20/68;G06V10/58;G06V10/77;G06V10/54;G06V10/80

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.02.23#实质审查的生效;2024.02.02#公开

摘要：本发明提出了一种融合高光谱图像特征和光谱变量的库尔勒香梨早期隐性损伤的检测方法。利用可见近红外400‑1000nm波段的高光谱成像技术仪器，分别获取了健康和三种不同损伤程度的库尔勒香梨的光谱信息和高光谱图像纹理特征信息。随后，分别基于光谱信息和图像纹理特征，构建了三种分类模型，即PLS‑DA、SVM‑DA和Subspace‑DA。最后，本发明引入图谱融合思想，将高光谱图像的纹理特征信息与光谱特征变量信息相融合，应用于库尔勒香梨早期隐性损伤的检测。相较于传统仅使用光谱信息的方法，它既充分利用了高光谱成像技术的图像和光谱数据，又能够检测到更小面积的隐性损伤香梨，这使得本发明具有明显的优势。

主权项：1.一种融合高光谱图像特征和光谱变量的库尔勒香梨早期隐性损伤的检测方法，其特征在于，包括以下步骤：S1、挑选大小、形态、成熟度一致、无表面缺陷的库尔勒香梨，预处理后编号并平分为4份：对照组和3个不同损伤等级的实验组；S2、对样本进行损伤分级：对照组作为无损伤NB组，3个不同损伤等级的实验组以损伤程度从小至大分别记为B1组、B2组、B3组；S3、获取样本高光谱校正图像：为保证样本温度与室温一致，所有样本在25℃和90％相对湿度的黑暗条件下保存，在每次采样时间取出样本并采集可见-近红外高光谱；在反射模式下采集库尔勒香梨样本的高光谱图像，在与样本采集相同的条件下，对采集的高光谱图像进行黑白校正以减轻光照分布不均匀和相机暗电流的影响，消除冗余的信息，白校正采用反射率为99.99％的白色聚四氟乙烯板，黑校正是通过盖上机盖使镜头全部被覆盖，最终高光谱校正图像通过以下公式获得： 其中RRaw为原始图像数据，RDark为全黑图像数据，Rwhite为全白图像数据，RCal为校正后的图像数据；S4、光谱信息提取：对样本高光谱校正图像选取香梨损伤部位作为感兴趣区域ROI，每个区域的大小为60×60像素，使用Matlab软件进行ROI的识别和ROI内光谱数据的提取，对ROI中包含的每个像素点的所有光谱进行平均，以平均值作为每个香梨样本的光谱；S5、光谱预处理方法及特征变量选择：采用的预处理方法为多元散射校正MSC，使用预处理方法处理光谱数据后，采用连续投影算法SPA、竞争性自适应重加权算法CARS以及随机蛙跳RF三种方法挑选特征波长；S6、将贮藏阶段所采集的高光谱数据集随机分为校正集和预测集，比例为2:1；S7、分别建立基于全波长以及特征波长的偏最小二乘分类PLS-DA、支持向量机分类SVM-DA、子空间分类Subspace-DA三种分类模型，比较不同模型的稳定性和精度，筛选有效特征波长；S8、图像纹理特征获取：对样本高光谱校正图像进行主成分PCA降维分析，第一主成分PC1、第二主成分PC2、第三主成分PC3中PC1反映了香梨的纹理信息，PC2含有最明显的损伤信息，PC3中损伤信息不明显，故提取前2个主成分图像的灰度共生矩阵的纹理特征；S9、通过合并的方式融合S7中的有效特征波长信息和S8中的图像纹理特征信息，获得融合数据；以融合数据为样本集构建最佳判别模型；S10、采集待测库尔勒香梨的高光谱图像特征和光谱变量，获得融合数据；使用S9获得的最佳判别模型预测库尔勒香梨的早期隐性损伤。

全文数据：

权利要求：

百度查询： 南京农业大学 一种融合高光谱图像特征和光谱变量的库尔勒香梨早期隐性损伤的检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD