專利名稱：基于高光譜圖像技術(shù)的糧粒含水率檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于高光譜圖像技術(shù)的糧粒含水率檢測方法。
技術(shù)背景
糧粒水分含量是確定其貯藏條件的重要因素之一，在實際生產(chǎn)中一般采用合適的 生產(chǎn)流程，將糧粒脫粒后送到干燥塔，經(jīng)過預熱、干燥、緩蘇，待冷卻至常溫，達到安全水分 14%左右后排出干燥塔。在此過程中，糧粒水分在線檢測和控制是制約糧粒干燥系統(tǒng)的核 心技術(shù)；
傳統(tǒng)的糧粒水分檢測多是通過干燥或化學方法直接去除糧粒中的水分，檢測出樣 品的絕對含水量。其中干燥法主要包括電烘箱法、減壓法、紅外加熱法、微波加熱法；化學法 包括蒸餾法、卡爾·費休法和碳化鈣法等。這些方法的檢測精度高，適用于試驗室檢測，但 費時費力，且對糧粒有一定的破壞性，無法實現(xiàn)快速在線檢測。而其他的一些檢測方法，比 如電容法、聲學法、核磁共振法、中子式水分儀等，不是在穩(wěn)定性方面存在不足，就是價格昂 貴難以推廣。發(fā)明內(nèi)容
本發(fā)明的目的在于采用圖像分析方法，提供一種基于高光譜圖像技術(shù)的糧粒含水 率檢測方法；
本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是
利用水分含量引起的光譜特征變化檢測糧粒的含水率。該方法操作步驟如下
1)標定圖像的獲取分別蓋上鏡頭蓋和使用標準白板采集兩幅標定高光譜圖像， 作為全黑標定圖像B和全白標定圖像W ；
2)原始高光譜圖像獲取將一組已知水分含量的糧粒按序排放在載物臺上后送 入實驗臺采集高光譜原始數(shù)據(jù)圖像I ；
3)反射光譜校正采用公式(1)進行反射光譜校正，得到校正圖像R ；
R= (I-B)/(W-B)(1)
4)感興趣區(qū)域提取采用閾值法將糧粒從校正圖像中提取出來，得到糧粒圖像；
5)特征波段選取計算糧粒樣本的平均反射值，先使用5點移動平均法對原始 數(shù)據(jù)進行曲線平滑處理，然后分段對光譜曲線兩端進行線性擬合，再做相關(guān)性分析將相 關(guān)系數(shù)小于隊的波段范圍去除；接著應用多元散射校正MSC(MultipliCati0n Scatter Correction)算法消除原始光譜中散射和偏移的影響；通過回歸分析得到每一個波段光譜 反射值與水分含量的相關(guān)性系數(shù)，從中選取K個局部相關(guān)系數(shù)的極大值對應的波段作為特 征波段；
6)預測模型的建立使用人工神經(jīng)網(wǎng)絡ANN方法建立預測模型，采用三層BP網(wǎng)絡 結(jié)構(gòu)，輸入層單元數(shù)為之前通過回歸分析得到的特征波段的個數(shù)K，隱含層的節(jié)點數(shù)S使用 經(jīng)驗估計公式來確定，輸出層為1個節(jié)點對應水分值；從所用的樣本N中提取其中的N1個樣本進行訓練模型，另隊個樣本用來模型驗證，當訓練結(jié)果與水分含量間的相關(guān)系數(shù)&達 到給定值時，停止人工神經(jīng)網(wǎng)絡訓練；
7)含水率檢測將待測糧粒按步驟1至步驟5處理后得到K個特征波段的平均光 譜反射值輸入步驟6訓練后的人工神經(jīng)網(wǎng)絡和回歸模型，得到待測糧粒的水分值。
本發(fā)明具有的有益的效果是
本發(fā)明利用水分含量引起的糧粒光譜特征，采用人工神經(jīng)網(wǎng)絡檢測糧粒水分含 量，能提供一種快速、穩(wěn)定的方法，并提高檢測效率。


圖1是本發(fā)明的裝置結(jié)構(gòu)簡圖。
圖2是玉米光譜反射值曲線圖。
圖3是閾值法分割后得到的玉米圖。
圖4是小麥光譜反射值曲線圖。
圖5是閾值法分割后得到的小麥圖。
圖6是經(jīng)過MSC多元散射校正后得到的玉米光譜數(shù)據(jù)圖。
圖7是經(jīng)過MSC多元散射校正后得到的小麥光譜數(shù)據(jù)圖。
圖8是玉米各波段光譜反射值與水分之間的相關(guān)系數(shù)分布特征圖。
圖9是小麥各波段光譜反射值與水分之間的相關(guān)系數(shù)分布特征圖。
圖10是玉米預測模型訓練結(jié)果圖。
圖11是小麥預測模型訓練結(jié)果圖。
圖中1、攝像機，2、光譜儀，3、樣本，4、載物臺，5、計算機，6、光源，7、輸送裝置。
具體實施方式
下面結(jié)合附圖和實施例對本發(fā)明作進一步說明。
如圖1所示，高光譜圖像采集裝置包括攝像機1、光譜儀2、樣本3、載物臺4、計算 機5、光源6、輸送裝置7。攝像機1、光譜儀2、光源6、樣本3、載物臺4自上而下，依次排放， 攝像機1與光譜儀2相連，攝像機1通過電纜與計算機5相連，載物臺4安裝在輸送裝置7 上，樣本3放在載物臺4上。
玉米及小麥水分的檢測
1)標定圖像的獲取分別蓋上鏡頭蓋和使用標準白板采集兩幅高光譜標定圖像， 作為全黑標定圖像B和全白標定圖像W，用于之后高光譜數(shù)據(jù)圖像的校正。
2)原始高光譜圖像獲取保持之前采集標定圖像時的實驗條件不變，將糧粒按序 X*Y (玉米X = 15粒，Y = 5行，小麥X = 17粒，Y = 7行)擺放在載物板上后送入實驗臺 內(nèi)的載物臺，其裝置如圖1所示，整套系統(tǒng)置于一個表面涂有黑漆的密閉柜中以避免圖像 采集時環(huán)境光的干擾。關(guān)上柜門后開始采集玉米和小麥的原始高光譜圖像I。
3)反射光譜校正采用公式(1)進行反射光譜校正，得到校正圖像R。
R= (I-B)/(W-B)(1)
4)感興趣區(qū)域提取利用糧粒表面和背景板之間反射值在某個波段上的差異比 較大這個特點，采用閾值法將糧粒從校正圖像中提取出來。具體做法如下分別獲取玉米本體、尖端、陰影和背景板在波長為400-1000nm范圍內(nèi)的光譜反射值，如圖2所示。從中可以 看到，在500-550nm范圍內(nèi)，背景板、陰影部分和玉米的反射值差距比較大，可以從中選擇 一個波段的某個反射值作為提取ROI的閾值。在這里選取500nm處的光譜反射值2000作 為分割閾值，將大于該值的像素點標為0，小于該值的像素點標為1，然后將所有標為1的像 素點標記為紅色。其提取效果如圖3所示。分割后每顆玉米粒區(qū)域根據(jù)大小的不同在P1 P2 (P1 = 800，P2 = 1200)個像素之間。
同理獲取小麥本體、陰影和背景板在波長為400-1000nm范圍內(nèi)的光譜反射值，如 圖4所示。從中可以看到，在500-550nm范圍內(nèi)，背景板、陰影部分和小麥的反射值差距比 較大，選取550nm處的光譜反射值2000作為分割閾值，之后做相同處理，其提取效果如圖5 右側(cè)所示。分割后每顆小麥粒區(qū)域根據(jù)大小的不同在P1 P2 (P1 = 200，P2 = 600)個像素 之間。
5)特征波段選取在分割后的高光譜圖像中，計算校正后的玉米樣本平均反射 值，如圖6所示。同理在分割后的小麥高光譜圖像中計算小麥樣本的平均反射值，如圖7所 示。先使用5點移動平均法對原始數(shù)據(jù)進行曲線平滑處理，然后剔除噪聲波段區(qū)間，分段對 光譜曲線進行線性擬合，將擬合后的值與原始光譜數(shù)據(jù)做相關(guān)性分析，將兩端相關(guān)系數(shù)小 于R1 (R1 = 0. 2)的波段區(qū)間去除，得到玉米和小麥的波段區(qū)間均為SrS2nm(S1 = 450，S2 = 900)。接著應用多元散射校正MSC(multiplication scatter correction)算法對選中的 波段區(qū)間數(shù)據(jù)進行線性化處理以消除原始光譜中散射和偏移的影響。
MSC處理共分3步。首先計算所有樣品光譜的平均光譜g，再將每個樣品的光譜與 平均光譜進行線性回歸，求得回歸系數(shù)IVbi,最后根據(jù)公式⑵計算校正后的光譜Aiftisc)
Akmsc) =(I-I)i) Zmi(2)
式中i = 1、2、3......η, η——表示樣本數(shù)，j——表示第j個波段數(shù)。
光譜校正后由公式(3)計算全波段光譜值與水分含量的相關(guān)性系數(shù)Rxy，得到結(jié)果 如圖4所示。
Rxy= COV(x,y)/^D(x)D(y)(3)
D(χ)和D(y)分別為水分值和光譜反射值的方差，COV(x, y)為二者的協(xié)方差。
從圖8中可以看出，玉米粒樣本水分與光譜反射值的相關(guān)系數(shù)范圍在0 0. 55之 間，其中多個波段超過0. 4，并且整個光譜顯示出有多個極大值，選取較為典型的K(K = 4) 個局部相關(guān)系數(shù)的極大值對應的波段作為特征波段，即491，772，擬4和870nm。
而從圖9則可以看出小麥粒樣本水分與光譜反射值的相關(guān)系數(shù)范圍在0 0. 6之 間，其中多個波段超過0. 5，并且整個光譜顯示出有多個極大值，選取較為典型的K(K = 5) 個局部相關(guān)系數(shù)的極大值對應的波段作為特征波段，即741，786，845，833和882nm。
6)預測模型的建立使用人工神經(jīng)網(wǎng)絡方法建立預測模型。采用BP網(wǎng)絡結(jié)構(gòu)，包 括輸入層、隱含層、輸出層三層。輸入層單元數(shù)為之前通過回歸分析得到的特征波段的個數(shù) K(K = 4)。隱含層的節(jié)點數(shù)S根據(jù)R. P. Gorman的經(jīng)驗估計公式(4)來確定。
S = 21ogN(4)
N(N= 300)為訓練模式的個數(shù)(樣本數(shù))，求得S = 5，輸出層為1個節(jié)點對應水 分，結(jié)構(gòu)為K-S-I (S = 5)網(wǎng)絡結(jié)構(gòu)。在模型建立之前，首先從所用的樣本N中提取其中的Ni (Ni = 95% )個樣本進行訓練模型，另=5% )個樣本用來驗證該模型的可靠性。選 擇非線性的Sigmoid型函數(shù)作為模型的作用函數(shù)。由于網(wǎng)絡學習收斂速度慢，為此在學習 速率中增加動量項，表示學習率在訓練中的動態(tài)變化，動量系數(shù)選為T(T = 0. 1)。訓練結(jié)果 如圖10所示，預測值與實際值間的相關(guān)系數(shù)為1( = 0. 98)，說明該模型是可靠的。
對小麥水分進行預測的人工神經(jīng)網(wǎng)絡模型結(jié)構(gòu)為K-S-I (K = 5, S = 5)，其他參數(shù) 設(shè)置與玉米一致。訓練結(jié)果如圖11所示，預測值與實際值間的相關(guān)系數(shù)為1( = 0. 95)， 說明該模型也是可靠的。
7)含水率檢測將待測玉米和小麥按步驟1至步驟5處理后得到K (玉米K = 4， 小麥K = 5)個特征波段的平均光譜反射值輸入步驟6訓練后的人工神經(jīng)網(wǎng)絡和回歸模型， 得到玉米和小麥糧粒的水分值。
權(quán)利要求
1. 一種基于高光譜圖像技術(shù)的糧粒含水率檢測方法，其特征在于利用水分含量引起的 光譜特征變化檢測糧粒的含水率。該方法操作步驟如下1)標定圖像的獲取分別蓋上鏡頭蓋和使用標準白板采集兩幅標定高光譜圖像，作為 全黑標定圖像B和全白標定圖像W ；2)原始高光譜圖像獲取將一組已知水分含量的糧粒按序排放在載物臺上后送入實 驗臺采集高光譜原始數(shù)據(jù)圖像I ；3)反射光譜校正采用公式(1)進行反射光譜校正，得到校正圖像R；R= (I-B)/(W-B)(1)4)感興趣區(qū)域提取采用閾值法將糧粒從校正圖像中提取出來，得到糧粒圖像；5)特征波段選取計算糧粒樣本的平均反射值，先使用5點移動平均法對原始數(shù)據(jù)進 行曲線平滑處理，然后分段對光譜曲線兩端進行線性擬合，再做相關(guān)性分析將相關(guān)系數(shù)小 于隊的波段范圍去除；接著應用多元散射校正MSC算法消除原始光譜中散射和偏移的影 響；通過回歸分析得到每一個波段光譜反射值與水分含量的相關(guān)性系數(shù)，從中選取K個局 部相關(guān)系數(shù)的極大值對應的波段作為特征波段；6)預測模型的建立使用人工神經(jīng)網(wǎng)絡ANN方法建立預測模型，采用三層BP網(wǎng)絡結(jié) 構(gòu)，輸入層單元數(shù)為之前通過回歸分析得到的特征波段的個數(shù)K，隱含層的節(jié)點數(shù)S使用經(jīng) 驗估計公式來確定，輸出層為1個節(jié)點對應水分值；從所用的樣本N中提取其中的N1個樣 本進行訓練模型，另隊個樣本用來模型驗證，當訓練結(jié)果與水分含量間的相關(guān)系數(shù)&達到 給定值時，停止人工神經(jīng)網(wǎng)絡訓練；7)含水率檢測將待測糧粒按步驟1至步驟5處理后得到K個特征波段的平均光譜反 射值輸入步驟6訓練后的人工神經(jīng)網(wǎng)絡和回歸模型，得到待測糧粒的水分值。
全文摘要
本發(fā)明公開了一種基于高光譜圖像技術(shù)的糧粒含水率檢測方法，分別獲取全黑標定圖像B、全白標定圖像W和已知水分含量的糧粒的高光譜原始數(shù)據(jù)圖像I，利用全黑標定圖像B和全白標定圖像W對糧粒的高光譜原始數(shù)據(jù)圖像I進行反射光譜校正得到糧粒的校正圖像R，從校正圖像R提取糧粒圖像，通過移動平均法、多元散射校正進行光譜校正，計算光譜反射值與水分含量的相關(guān)性系數(shù)，從中選擇相關(guān)系數(shù)為極大值的光譜反射值作為人工神經(jīng)網(wǎng)絡輸入，建立糧粒水分預測模型。本發(fā)明利用水分含量引起的糧粒光譜特征，采用人工神經(jīng)網(wǎng)絡檢測糧粒水分含量，能提供一種快速、穩(wěn)定的方法，并提高檢測效率。
文檔編號G06N3/02GK102033043SQ20101051413
公開日2011年4月27日 申請日期2010年10月19日 優(yōu)先權(quán)日2010年10月19日
發(fā)明者應義斌, 李江波, 蘇憶楠, 饒秀勤 申請人:浙江大學