Toepassing van hyperspectrale beeldvormingstechnologie bij detectie van fruit en fruitkwaliteit

In de afgelopen jaren hebben problemen met voedselveiligheid veel aandacht getrokken en zijn de vereisten van mensen voor de kwaliteits- en veiligheidsnormen van groenten en fruit steeds hoger geworden, wat een hot topic van sociale zorg is geworden. Over het algemeen omvat de kwaliteit van fruit en groenten externe kwaliteiten zoals vorm, kleur, grootte en oppervlaktedefecten en interne kwaliteiten zoals suikergehalte, zuurgraad, hardheid, oplosbare vaste stoffen, zetmeelgehalte, vocht en volwassenheid, en het gehalte van andere voedingsstoffen. De kwaliteit is een belangrijke factor in de verkoop van de markt.

Traditionele detectiemethoden voor fruit- en fruitkwaliteit zoals chemische methoden, krachtige vloeistofchromatografie, massaspectrometrie, enz. Zijn meestal destructief voor de te testen objecten. Machinevisie en spectrale technologie hebben de voordelen van snel, niet-destructief en betrouwbaar en zijn de afgelopen jaren veel gebruikt bij de detectie van fruit en fruitkwaliteit. Onder hen extracten en analyseert machine vision-technologie-technologie ruimtelijke informatie zoals de vorm, grootte, kleur en oppervlaktefouten van fruit en groenten voor externe kwaliteitsdetectie, terwijl bijna-infrarood spectroscopietechnologie voornamelijk de interne kwaliteit van fruit en fruit detecteert.

Hyperspectrale beeldvormingstechnologie combineert beelden met spectrale technologie om tegelijkertijd spectrale informatie en ruimtelijke informatie te verkrijgen die de interne en externe kwaliteit van het te testen object weerspiegelt. In de afgelopen jaren is het op grote schaal bestudeerd bij niet-destructieve testen van fruit- en fruitkwaliteit in binnen- en buitenland. Dit artikel zal de nieuwste onderzoeksuitgang op dit gebied introduceren vanuit de basisprincipes van hyperspectrale beeldvormingstechnologie en zijn onderzoek en toepassing bij niet-destructieve testen van fruit- en fruitkwaliteit.

1. Principe van hyperspectrale beeldvormingstechnologie

Elke pixel in het hyperspectrale systeem kan tientallen tot honderden continue smalle bandinformatie in hetzelfde spectrale bereik verkrijgen en een soepele en volledige spectrale curve verkrijgen. Tegelijkertijd kan het hele beeldvormingssysteem ook de ruimtelijke informatie van het te gemeten object verkrijgen, waardoor de gelijktijdige detectie van de interne componenten en uiterlijkkenmerken van het te gemeten object worden gerealiseerd, met de kenmerken van spectrale continuïteit en hoge resolutie.

Het hyperspectrale beeld verkregen door het systeem kan worden weergegeven door een stereoscopisch driedimensionaal beeld bestaan Als vorm, grootte, defecten, enz. Aangezien de externe veranderingen van het object het reflectiespectrum beïnvloeden, zal de vorm, kleur of defect veranderen op een bepaalde golflengte. De λ -coördinaat vertegenwoordigt de spectrale informatie van het object, die de interne kwaliteit van het te testen object weerspiegelt, zoals de samenstelling en structuur.

Deze studie paste een 400-1000 nm hyperspectrale camera toe en het FS13-product van Hangzhou Caipu Technology Co., Ltd. kan worden gebruikt voor gerelateerd onderzoek. Het spectrale bereik is 400-1000 nm, de resolutie van de golflengte is beter dan 2,5 nm en tot 1200 spectrale kanalen. De acquisitiesnelheid kan 128 fps bereiken in het volledige spectrum, en de hoogste na bandselectie is 3300Hz (ondersteunende multi-region bandselectie).

2. Detectie van externe kwaliteit van fruit en groenten

Het directe gevoel van mensen over groenten en fruit op de markt is de kwaliteit van hun externe kwaliteit, dat wil zeggen het oordeel van kleur, frisheid, grootte, mechanische schade, bevriezing en verval. Traditionele machine -visie -technologie is moeilijk om externe kenmerken te onderscheiden, zoals mechanische schade, bevriezing, verval en frisheid bij de detectie van de externe kwaliteit van fruit en groenten als gevolg van lage precisie en complexe werking. Hyperspectrale beeldvormingstechnologie overwint deze tekortkoming net en kan een allround niet-destructieve detectie bereiken. Het is ook zeer nauwkeurig en gemakkelijk te bedienen. In de afgelopen jaren is het geleidelijk gebruikt bij de detectie van externe kwaliteit van fruit en fruit.

Versheid is een belangrijke indicator die de kwaliteit van fruit en groenten weerspiegelt. Vers geplukte groenten en fruit moeten meestal worden opgeslagen en getransporteerd voordat ze consumenten bereiken. Dit proces heeft invloed op hun frisheid en kwaliteit. Over het algemeen is het subjectieve oordeel van mensen over de frisheid van fruit en groenten onnauwkeurig. De spectrale afbeeldingen van vier groentebladeren, waaronder Chinese kool, spinazie, raapzaad en babykool, werden verzameld en vergeleken met behulp van een beeldvormingsspectrometer bij 0, 10, 24 en 48 uur uitdroging. Onder hen wordt de vergelijkende analyse van het hyperspectrale beeld en het machinevisiebeeld van de Pakchoi -bladeren in verschillende waterverlies -tijden getoond in figuren 3 en 4. Het is te zien dat de toestand van de bladeren in de twee beelden aanzienlijk is veranderd met het Verandering van de tijd, maar het beeld van de machinevisie kan alleen de toestand van het waterverlies weergeven en het hyperspectrale beeld analyseert de veranderingen in spectrale informatie en constateert dat het uiterlijk en het interne chlorofyl van de bladeren zijn veranderd tijdens het waterverliesproces. De correlatiecoëfficiënt van het voorspellingsmodel van het chlorofyl relatieve inhoudswaarde is r = 0,76, wat aangeeft dat hyperspectrale technologie de frisheid van groentebladeren effectief kan identificeren.

Het hyperspectrale technologie en ANN -voorspellingsmodel werden gebruikt om het bevriezing van appels te bestuderen, zoals getoond in figuur 5. Het experiment gebruikte het proces dat werd getoond in figuur 6 en selecteerde vijf hoofdcomponentbanden (717, 751, 875, 960 en 980 nm) van het hyperspectrale beeld van bevroren appels in de 400-1000 nm band om het ANN-model te vestigen. De correlatiecoëfficiënten van de trainingsset, testset en validatieset waren respectievelijk 0,93, 0,91 en 0,92 en bereikten uiteindelijk een herkenningsnauwkeurigheid van meer dan 98%.

3. Conclusie

Met de verbetering van de levensstandaard hebben mensen meer en hogere vereisten voor de kwaliteit van gezond voedsel. Traditionele machine -visie -technologie en fysische en chemische methoden zijn complex en destructief in het meten van de kwaliteit van fruit en groenten, en het is moeilijk om aan de detectiebehoeften te voldoen. Hyperspectrale beeldvormingstechnologie integreert machine -visie, spectroscopie en beeldverwerkingstechnologie. De geproduceerde afbeelding is een driedimensionale gegevenskubus van "spectrumcombinatie", die niet alleen de ruimtelijke informatiekenmerken van het te testen object bevat, maar ook de spectrale informatie van het te testen object bevat. Het kan nauwkeurig, snel en niet-destructief de kwaliteit van landbouwproducten detecteren en is eenvoudig te bedienen. In de afgelopen jaren is het veel gebruikt bij de detectie van fruit- en fruitkwaliteit. Bij het verzamelen en verwerken van beeldgegevens wordt hyperspectrale beeldvormingstechnologie echter beperkt door de prestaties en verwerkingssnelheid van het instrument. Deze technologie wordt momenteel voornamelijk gebruikt in basisonderzoek en is niet veel gebruikt in industriële online realtime detectie. Om commerciële online detectie van fruit- en groentekwaliteit te bereiken, moeten de volgende twee punten worden bereikt om deze problemen op te lossen: ten eerste, verbeteren en upgraden en hun productiekosten verminderen, wat bevorderlijk is voor de bevordering van hyperspectrale beeldvormingstechnologie in detectie van fruit en fruitkwaliteit; Ten tweede, selecteer karakteristieke golflengten voor full-band en verschillende soorten fruit- en groentehyperspectrale afbeeldingen om gegevensredundantie te verminderen en de acquisitie- en verwerkingstijd van hyperspectrale afbeeldingen te verminderen. Desalniettemin zal hyperspectrale beeldvormingstechnologie met de ontwikkeling van de samenleving en de wetenschappelijke vooruitgang blijven verbeteren en verbeteren, en in de toekomst bredere ontwikkelingsruimte en toepassingsperspectieven hebben op het gebied van landbouwproducten en voedselveiligheid.