一种利用特征三角形面积预警马铃薯发芽的方法

技术领域

本发明涉及一种果蔬缺陷检测方法，尤其是涉及一种利用特征三角形面积预 警马铃薯发芽的方法。

背景技术

马铃薯作为世界上的四大粮食作物之一，在全世界范围内广泛种植。马铃 薯营养价值极高，在国外有着“第二面包”和“地下苹果”的美誉，粮食、蔬菜、水 果中所包含的大部分营养，马铃薯基本都有。同时，马铃薯适合种植的地域很 广，土壤水分和肥力的要求不高，增产潜力巨大，被联合国粮农组织专家认定 为在未来世界出现粮食危机时，可以拯救人类的粮食作物。

马铃薯在收获、存储、运输等过程中，极易发生各种机械损伤、病菌侵染、 发芽发绿等缺陷，严重影响马铃薯品质，给薯农和消费者带来经济损失。马铃 薯国标检测指标之一为无冻伤、黑心、发芽、绿薯等缺陷。同时，发芽的马铃 薯有毒(龙葵素(Solanine))，意外食用会对人身安全造成威胁。

开展马铃薯发芽检测的研究，是为了防止贮藏或运输过程的不当而引起的 发芽商品流入市场，同时也为马铃薯的品质检验和分级的自动化做好铺垫。

目前，国内外对于马铃薯外部品质的检测已取得不少成果。目前针对马铃 薯表面缺陷的检测主要集中在机械损伤、孔洞、疮痂、表面碰伤、发芽发绿等， 其中在马铃薯发芽检测方面，李锦卫等采用基于快速G截留分割法和快速亮度截 留分割法对发芽进行判别；郑冠楠等采用G通道的灰度值差值法检测发芽的马铃 薯，根据实验结果，当芽体点总数>10时，可基本判定图像中存在发芽体；周竹 等基于机器视觉，利用交叉法来检测发芽的马铃薯。

对于发芽马铃薯的检测，可以利用RGB彩色机器视觉系统配合相应算法完 成，目前国内对于该方向的检测已能达到较高准确率。但这种依靠马铃薯表面 的颜色特征进行发芽检测的方法无法用于马铃薯发芽时间的预测。

发明内容

为了解决背景技术中存在的问题，本发明的目的在于提供了一种利用特征 三角形面积预警马铃薯发芽的方法，根据特征值面积S来对该区域进行分类，实 现马铃薯发芽预警。

本发明解决其技术问题所采用的技术方案是：

1)在相同条件下采集多个样本马铃薯的高光谱图像：

所述步骤1)具体采用以下方式采集高光谱图像：以黑色卡纸为背景，将至 少150个马铃薯分别采用泡沫胶固定在卡纸上，置于暗箱中每天采集高光谱图 像，连续采集5天，整个采集周期中保持静止不动。

2)记录马铃薯从开始采集高光谱图像到发芽为止的天数作为预警时间，选 取马铃薯的发芽部位作为感兴趣区域，提取其光谱数据，按照预警时间的不同 天数对光谱数据进行分类；具体实施可以马铃薯发芽日期为第0天，之前k天 逆推为发芽前k天，则k天即为预警时间；

所述步骤2)中，马铃薯的感兴趣区域选取采用以下方式：找到并记录发芽 马铃薯的芽眼位置中心(S,T)，建立以芽眼位置(S,T)为中心、以九个像素点 为边长的发芽部位区域作为数据处理的感兴趣区域。

3)对感兴趣区域的全部波段数据进行3×3均值滤波，截取感兴趣区域所在 600-750nm波段的离散光谱数据。

所述步骤3)中具体采用以下公式的光谱拟合函数对光谱数据进行拟合，并 利用Matlab中nlinfit函数求解：

$f\left(x\right)=\underset{j=1}{\overset{n=5}{\Sigma }}{\alpha }_j\times sin(b_j\times x+c_j)$

其中，横坐标x为波长值，纵坐标f(x)为光谱均一化值，n表示累加参数， j表示累加参数的计算序数。

具体实施中，利用评价拟合程度的均方根误差RMSE确定n的值为5。

4)构建光谱拟合函数，对不同预警时间的光谱拟合函数f(x)进行求导，得 到感兴趣区域的一阶导数图，一阶导数图以波长值为横坐标、以光谱均一化值 为纵坐标，从中选取距离波长680nm最近的极小值点A和极大值点C，分别在 极小值点A和极大值点C处作切线，两条切线的交点为交点B，以A、B、C三 点为顶点构成特征三角形△ABC的面积为特征值面积S；

所述的特征值面积S具体采用以下公式计算：

$S=|\pm \frac{1}{2}\left(\begin{array}{ccc}{\lambda }_A& R_A& 1\\ {\lambda }_B& R_B& 1\\ {\lambda }_C& R_C& 1\end{array}\right)|$

其中，λ_A、λ_B和λ_C分别为极小值点A、极大值点C和交点B对应的波长值， R_A、R_B和R_C分别为极小值点A、极大值点C和交点B对应的光谱均一化值。

5)对不同预警时间的感兴趣区域的特征值面积S分别进行判别分析，分别 得到各自的判别系数p_k和判别常数q_k；

所述的步骤5)中具体利用SPSS软件提供的费歇尔判别系数判别方法表示 的以下公式对特征值面积S进行判别分析：

F₀＝p₀×X+q₀

F₁＝p₁×X+q₁

F₂＝p₂×X+q₂

F₃＝p₃×X+q₃

F₄＝p₄×X+q₄

其中，F₀为第0天预警时间样本马铃薯的得分值，F₁为第1天预警时间样本 马铃薯的得分值，F₂为第2天预警时间样本马铃薯的得分值，F₃为第3天预警时 间样本马铃薯的得分值，F₄为第4天预警时间样本马铃薯的得分值。X表示所有 预警时间下特征值面积S的集合，p_k为第k天预警时间样本马铃薯的特征值面 积S对应的判别系数集合，q_k为判别常数；

6)将被测马铃薯重复上述步骤1)～4)得到所有特征值面积S，并对其进 行判别分析获得预警结果，实现对马铃薯发芽的预警。

所述步骤6)中所有特征值面积S的判别分析结果具体采用以下方式：

将被测马铃薯提取得到的所有特征值面积S代入以下公式中获得各个预警 时间下的得分值F_ks，F_ks值中最大值所对应的k即为预警时间：

F_0S＝p₀×X_S+q₀

F_1S＝p₁×X_S+q₁

F_2S＝p₂×X_S+q₂

F_3S＝p₃×X_S+q₃

F_4S＝p₄×X_S+q₄

其中，F_0S为第0天预警时间被测马铃薯的得分值，F_1S为第1天预警时间被 测马铃薯的得分值，F_2S为第2天预警时间被测马铃薯的得分值，F_3S为第3天预 警时间被测马铃薯的得分值，F_4S为第4天预警时间被测马铃薯的得分值，X_S表 示被测马铃薯的拟合参数集合；

本发明主要是利用高光谱成像技术连续观测马铃薯表面芽眼，记录芽眼情 况至发芽为止。记马铃薯发芽日期为第0天，之前k天逆推为发芽前k天，k即为 预警时间，统计并归类各个芽眼的预警时间。提取每个马铃薯芽眼部位边长为9 个像素点的正方形区域的光谱数据，均值滤波后，对该区域的600-750nm波段的 光谱进行均值归一化、函数拟合后，得出不同预警时间下马铃薯芽眼部位的光 谱曲线图。利用曲线一阶导数为极值下的波段值λ_A、λ_C，以其导数值求出切线交 点B(λ_B,R_B)，以A、B、C三点为顶点构成特征三角形△ABC，计算其面积S， 以此作为变量构建判别函数，实现马铃薯发芽的预警。

本发明的有益效果是：

本发明能获得马铃薯的发芽的预警信息，对马铃薯的发芽情况进行预警， 实现了马铃薯发芽预警，提高检测效率，减少流通过程马铃薯发芽造成的损失。

附图说明

图1是本发明方法的实现流程图。

图2是马铃薯固定情况实物图。

图3是实施例马铃薯芽眼部位感兴趣区域的提取情况。

图4是实施例600-750nm波段马铃薯芽眼部位预警时间为1(day1)的光谱 曲线拟合图。

图5是实施例600-750nm波段马铃薯芽眼部位预警时间为1(day1)的光谱 曲线一阶导数图。

图6是实施例马铃薯芽眼部位预警时间为1(day1)的特征值面积S。

图7是实施例600-750nm波段马铃薯芽眼部位发芽当天(day0)的光谱曲 线图。

图8是实施例600-750nm波段马铃薯芽眼部位发芽当天(day0)的光谱曲 线一阶导数图。

图9是马铃薯芽眼部位发芽当天(day0)的特征值面积S。

图10是马铃薯芽眼部位预警时间为2(day2)的特征值面积S。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

本发明的实施例如下：

如图1所示首先，将马铃薯固定于黑色卡纸上(图2所示)，置于室温下， 遮光存储，每天采集其高光谱图像。调试高光谱成像系统，匹配其物距、光照 强度、相机曝光时间、扫描面积、扫描速度等参数，以能采集出清晰、不变形 的图像为准，扫描马铃薯高光谱图像。记录芽眼情况至发芽为止。记录马铃薯 从开始采集高光谱图像到发芽为止的天数作为预警时间，选取马铃薯的发芽部 位作为感兴趣区域，提取其光谱数据，按照预警时间的不同天数对光谱数据进 行分类。提取每个马铃薯芽眼部位边长为9个像素点的正方形区域的光谱数据， 均值滤波后，对该区域的600-750nm波段的光谱进行均值归一化、函数拟合后， 得出不同预警时间下马铃薯芽眼部位的光谱曲线图。利用曲线一阶导数为极值 下的波段值λ_A、λ_C，以其导数值求出切线交点B(λ_B,R_B)，以A、B、C三点为 顶点构成特征三角形△ABC，计算其面积S，以此作为变量构建判别函数，实现 马铃薯发芽的预警。

马铃薯芽眼部位感兴趣区域如图3所示，主要操作流程如下：记录发芽马 铃薯的芽眼位置(S,T)，以(S,T)为中心，9个像素点为边长的区域作为数据 处理的感兴趣区域，定义为发芽部位。提取发芽部位的光谱数据，按照发芽情 况归类光谱数据。在不同预警时间下，所统计的芽眼部位的个数如表1所示。 day0代表发芽当天，day1-day4代表预警时间为1-4天。

表1不同发芽情况下所统计芽眼部位的个数

图4所示为600-750nm波段马铃薯预警时间为1的光谱数据拟合曲线图。 在本发明中，采用的拟合函数格式如下：

$f\left(x\right)=\underset{j=1}{\overset{5}{\Sigma }}{\alpha }_j\times sin(b_j\times x+c_j)$

样本数量为117个芽眼部位，光谱离散值由117个样本光谱数据的均值归 一化得到。

图5所示为600-750nm波段马铃薯芽眼部位预警时间为1(day1)的光谱曲 线一阶导数图。选取距离波长680nm最近的极小值点A(667.92,0.038489)， 极大值点C(688.16,0.380951)，作为本发明中的特征点。

图6所示为马铃薯芽眼部位预警时间为1(day1)的特征值面积S。在本发 明中，特征点A(667.92,0.038489)，特征点C(688.16,0.380951)，利用一阶 导数值求出交点位置B(678.03,0.048108)。确定了λ_A、λ_B、λ_C等波长值后，利 用公式(2)算出第i个马铃薯样本(667.92,R_Ai)，B(678.03,R_Bi)，C(688.16,R_Ci) 的特征值面积S。(i＝1,2,3…117)

$S=|\pm \frac{1}{2}\left(\begin{array}{ccc}{\lambda }_A& R_A& 1\\ {\lambda }_B& R_B& 1\\ {\lambda }_C& R_C& 1\end{array}\right)|---\left(2\right)$

图7所示为600-750nm波段马铃薯芽眼部位发芽当天(day0)的光谱曲线 图。样本数量为118个芽眼部位，曲线由118个样本光谱数据的均值归一化得 到。

图8所示为600-750nm波段马铃薯芽眼部位发芽当天(day0)的光谱曲线 一阶导数图。选取距离波长680nm最近的两个极值点A(667.92,0.038489)，C (688.16,0.380951)，作为本发明中的特征点。

图9所示为马铃薯芽眼部位发芽当天(day0)的特征值面积S。在本发明中， A(667.92,0.099426)，B(678.03,0.107984)，C(688.16，0.419124)。确定 了λ_A、λ_B、λ_C等波长值后，利用公式(2)算出第i个马铃薯样本(667.92,R_Ai)， B(678.03,R_Bi)，C(688.16,R_Ci)的特征值面积S。(i＝1,2,3…118)

图10所示为马铃薯芽眼部位预警时间为2(day2)的特征值面积S。在本 发明中，A(667.92,0.103862)，B(678.03,0.111303)，C(688.16,0.420053)。 确定了λ_A、λ_B、λ_C等波长值后，利用公式(2)算出第i个马铃薯样本(667.92,R_Ai)， B(678.03,R_Bi)，C(688.16,R_Ci)的特征值面积S。(i＝1,2,3…110)

判别分析：利用SPSS提供的费歇尔判别系数判别方法对不同预警时间的感 兴趣区域的特征值面积S进行分类。通过处理结果中的费歇尔判别函数系数表， 如表2所示，建立判别函数。

表2费歇尔判别函数系数表

由此计算如下：

F₀＝0.186X-7.200

F₁＝0.074X-2.495

F₂＝0.085X-2.764

F₃＝0.072X-2.437

F₄＝0.101X-3.261

马铃薯发芽情况预警：利用得到的判别函数进行预警。将新样本的特征值S 作为变量代入判别函数，计算得到各类得分F_kS，取得分最大类为预警类。经检 验，取发芽当天118个样本，预警时间为1的117个样本，预警结果如表3所 示，对其中83.0％的样本进行了正确分类。

表3马铃薯预警结果

可见本发明针对于的单一特征值的分类效果完善了改进，结合其他特征值， 对于预警马铃薯发芽能取得更好的结果。