一种基于多光谱图像特征量的水果外观品质检测方法与流程

1.本发明属于水果品质检测技术领域，具体涉及一种通过分析多光谱图像的特征量从而优选不同类型表面缺陷对应的光谱波段及多光谱图像特征量来实现水果外观品质检测的方法。


背景技术：

2.多光谱成像是一种新兴的无损检测技术，其作为对高光谱成像技术的一种重要改进技术，可实现离散光谱范围内收集和分析数据，从而大大简化数据且减少冗余信息而提升处理速度，同时对于光谱数据采用不同化学计量学模型和预处理方法，优选最佳的波段和特征波长，很大程度上可减少数据处理时间并提高光谱数据的有效性。多光谱成像技术在近年来被广泛关注，因其具有非破坏性、快速、简单、绿色且不需要样品预处理等优点，被广泛应用于食品成分和含量的定性和定量检测以及不同品种和掺假的鉴别，可适合食品生产加工、储存、运输等过程的监测和质量控制，为下一步开发快速无损、准确高效的实时检测工具奠定技术基础。
3.在水果品质检测与自动化分级系统中通常采用彩色摄像头采集果品图像，而后对采集到的图像进行模式识别，最后根据识别结果进行相应的分级处理。水果图像的采集质量的高低将直接影响最终确定水果品质和级别的准确性，所以采集到的水果图像所包含的信息应尽可能详细地反映水果的各种外部特性。利用计算机视觉技术对水果进行品质检测和分级时，腐烂/烂点/发霉、碰伤/刺伤、干疤/花皮、擦伤氧化、畸形、裂口/裂纹等表面缺陷是水果外观品质的重要指标。考虑到在实际应用中，彩色摄像头采集到的水果图像不能很好地反映水果表面的细微特征，因此为提高检测与分级的可靠性，可利用水果在不同光谱条件下的图像来提取更多的表面特征。在实际应用中可根据rgb(red green blue,红绿蓝)颜色模型理论，把在不同波段下所采集到的图像区域分别用r、g和b等单色表示，然后作为rgb颜色模型中的各个分量进行叠加，分别得到rgb、rgi(red green ratio index,红绿波段比值)、gbi(green blue ratio index,绿蓝波段比值)等多光谱图像。


技术实现要素：

4.本发明的目的在于通过具备表面缺陷的水果残次果样本集分析其不同波段下的光谱图像特征量与正常果特征量的差异程度从而优选光谱波段及多光谱图像特征量，以期提高光谱数据的有效性来应用于水果外观品质检测。
5.为了达到上述目的，本发明包括图1中所示的以下步骤：
6.步骤1：设对某种水果残次果样本集中具备表面缺陷的样品k针对表面缺陷j在光谱波段i下进行光谱图像采集时针对图像特征量l可获取对应的数值x(i,j,l,k)，其中，k∈[1,k]，k为该种水果的残次果样品总数，j∈[1,j]，j为表面缺陷种类的总数，i∈[1,i]，i为光谱波段的总数，l∈[1,l]，l为图像特征量类型的总数；设θj为表面缺陷j的权重系数，且
设μ
i,j
为对应表面缺陷j在光谱波段i上的权重系数，且设w
i,j,l
为对应表面缺陷j在光谱波段i上的图像特征量l的权重系数，且考虑到针对不同表面缺陷种类的外观品质检测对应的最佳光谱波段及其图像特征量的反映状况也不同，提出以残次果与正常果的光谱波段上对应的图像特征量差异程度为目标且引入λ1、λ2和λ3等拉格朗日乘数来建立目标函数f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)，并通过选择参数w
i,j,l
,μ
i,j
,θj来实现目标函数f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)最大化：
[0007][0008]
其中，y(i,j,l)为该种水果的正常果样本集在光谱波段i下进行光谱图像采集时针对图像特征量l可获取由不存在表面缺陷j时对应的平均数值；
[0009]
步骤2：由f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对θj求一阶导数和二阶导数，可得：
[0010][0011][0012]
由f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对θj的一阶导数时可知，f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对θj的二阶导数可见存在θj使得f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)最大化；
[0013]
由f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对θj的一阶导数可得λ3关于θj的表达式：
[0014][0015]
由可得θj关于λ3的表达式：
[0016][0017]
由此可知λ3的理论值表达式可表示为：
[0018][0019]
则可得θj的理论值表达式：
[0020][0021]
其中，m为中间变量；
[0022]
步骤3：由f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对w
i,j,l
求一阶导数和二阶导数，可得：
[0023][0024][0025]
由f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对w
i,j,l
的一阶导数时可知，f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对w
i,j,l
的二阶导数可见存在w
i,j,l
使得f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)最大化；
[0026]
由f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对w
i,j,l
的一阶导数可得λ1关于w
i,j,l
的表达式：
[0027][0028]
由可得w
i,j,l
关于λ1的表达式：
[0029][0030]
由此可知λ1的理论值表达式可表示为：
[0031][0032]
则可得w
i,j,l
的理论值表达式：
[0033][0034]
其中，n为中间变量；
[0035]
步骤4：由f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对μ
i,j
求一阶导数和二阶导数，可得：
[0036][0037][0038]
由f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对μ
i,j
的一阶导数时可知，f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对μ
i,j
的二阶导数可见存在μ
i,j
使得f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)最大化；
[0039]
由f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对μ
i,j
的一阶导数可得λ2关于μ
i,j
的表达式：
[0040][0041]
由可得μ
i,j
关于λ2的表达式：
[0042][0043]
由此可知λ2的理论值表达式可表示为：
[0044][0045]
则可得μ
i,j
的理论值表达式：
[0046][0047]
其中，d为中间变量；
[0048]
步骤5：可将目标函数f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)满足最大化条件时θj、μ
i,j
和w
i,j,l
的理论值表达式代入权重系数的迭代过程来生成表面缺陷的实际权重系数光谱波段的实际权重系数和图像特征量的实际权重系数该迭代过程具体表示如下：
[0049]
①
在初始化过程中，采集该种水果残次果样本集中具备表面缺陷的样品针对不同表面缺陷在不同光谱波段下的光谱图像特征量x(i,j,l,k)以及水果正常果样本集相应的光谱图像特征量，并求统计平均值得到正常果样本集对应的图像特征量平均数值y(i,j,l)，设置θj(t＝0)为1/j，μ
i,j
(t＝0)为1/i，将θj(t＝0)和μ
i,j
(t＝0)以及x(i,j,l,k)和y(i,j,l)代入w
i,j,l
的理论值表达式给出w
i,j,l
(t＝0)；
[0050]
②
将t加1，将w
i,j,l
(t-1)和θj(t-1)代入μ
i,j
的理论值表达式给出μ
i,j
(t)；
[0051]
③
将w
i,j,l
(t-1)和μ
i,j
(t)代入θj的理论值表达式给出θj(t)；
[0052]
④
将θj(t)和μ
i,j
(t)代入w
i,j,l
的理论值表达式给出w
i,j,l
(t)；
[0053]
⑤
比较|[w
i,j,l
(t)-w
i,j,l
(t-1)]/w
i,j,l
(t)|、|[μ
i,j
(t)-μ
i,j
(t-1)]/μ
i,j
(t)|和|[θj(t)-θj(t-1)]/θj(t)|，若皆小于等于δ则进入迭代过程
⑥
，否则进入迭代过程
⑤
，其中δ为迭代过程误差门限；
[0054]
⑥
由w
i,j,l
(t)作为元素建立集合ψ
i,j,l
＝{w
i,j,l
(t)}，由μ
i,j
(t)作为元素建立集合φ
i,j
＝{μ
i,j
(t)}，由θj(t)作为元素建立集合θj＝{θj(t)}，其中i∈[1,i]，j∈[1,j]，l∈[1,l]；若w
i,j,l
(t)＜εw，说明对应的光谱图像特征量对表面缺陷j在光谱波段i下的检测贡献度较小，则将w
i,j,l
(t)从ψ
i,j,l
中剔除，从而实现该光谱波段下多光谱图像特征量的优选，并将相应的i,j,l组合加入集合其中εw为光谱图像特征量权重门限；若μ
i,j
(t)＜ε
μ
，说明对应的光谱波段对表面缺陷j的检测贡献度较小，则将μ
i,j
(t)从φ
i,j
中剔除，从而实现光谱波段的优选，并将相应的i,j组合加入集合其中ε
μ
为光谱波段权重门限；若θj(t)＜ε
θ
，说明对应的光谱波段对水果外观品质的整体检测贡献度较小，则将θj(t)从θj中剔除，并将相应的j加入集合其中ε
θ
为表面缺陷权重门限；
[0055]
⑦
由集合ψ
i,j,l
＝{w
i,j,l
(t)}给出由集合φ
i,j
＝{μ
i,j
(t)}给出由集合θj＝{θj(t)}给出其中i∈[1,i]，j∈[1,j]，l∈[1,l]；
[0056]
⑧
令和则可得：
[0057]
[0058][0059][0060]
由此可得表面缺陷的实际权重系数光谱波段的实际权重系数和图像特征量的实际权重系数进行输出。
[0061]
步骤6：测量出需要检测的水果r对于不同表面缺陷在范围内光谱波段上的范围内图像特征量，对于表面缺陷j而言，若水果r关于表面缺陷j的图像特征量偏离状况满足时则可视为该水果不存在外观品质检测中的表面缺陷j，否则认为该水果存在表面缺陷j，其中，θj为该种水果关于表面缺陷j的图像特征量偏离门限。
附图说明
[0062]
图1：基于多光谱图像特征量的水果外观品质检测步骤图
具体实施方式
[0063]
以下将以930～2548nm的光谱波段区间来进行检测香梨外观品质的具体实施例对本发明提供的技术方案进行详细说明，具体包括图1中所示的以下步骤：
[0064]
步骤1：设对香梨残次果样本集中存在表面缺陷的样品k针对表面缺陷j在光谱波段i下进行光谱图像采集时针对r、g和b等单色的图像特征量l可获取对应的数值x(i,j,l,k)，其中，k∈[1,k]，香梨残次果样品总数k设为1000，j∈[1,j]，包括腐烂、碰伤、花皮、擦伤、畸形或裂口等表面缺陷种类的总数j为6，i∈[1,i]，1000、1025、1076、1152、1203、1279、1300、1406、1431、1533、1609、1634、1888、2092、2142、2320、2473、2500等光谱波段的总数i为18，l∈[1,l]，图像特征量类型为r、g和b等单色的总数l为3；设θj为表面缺陷j的权重系数，且设μ
i,j
为对应表面缺陷j在光谱波段i上的权重系数，且设w
i,j,l
为对应表面缺陷j在光谱波段i上的图像特征量l的权重系数，且考虑到针对不同表面缺陷种类的外观品质检测对应的最佳光谱波段及其图像特征量的反映状况也不同，提出以存在表面缺陷的香梨残次果与正常果的光谱波段上对应的图像特征量差异程度为目标且引入拉格朗日乘数λ1、λ2和λ3来建立目标函数f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)，并通过选择参数w
i,j,l
,μ
i,j
,θj来实现目标函数f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)最大化：
[0065][0066]
其中，y(i,j,l)为香梨的正常果样本集在光谱波段i下进行光谱图像采集时针对图像特征量l可获取由不存在表面缺陷j时对应的平均数值；
[0067]
步骤2：由f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对θj求一阶导数和二阶导数，可得：
[0068][0069][0070]
由f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对θj的一阶导数时可知，f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对θj的二阶导数可见存在θj使得f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)最大化，此时θj的理论值表达式可表示为：
[0071][0072]
其中，m为中间变量；
[0073]
步骤3：由f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对w
i,j,l
求一阶导数和二阶导数，可得：
[0074][0075][0076]
由f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对w
i,j,l
的一阶导数时可知，f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对w
i,j,l
的二阶导数可见存在w
i,j,l
使得f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)最大化，此时w
i,j,l
的理论值表达式可表示为：
[0077][0078]
其中，n为中间变量；
[0079]
步骤4：由f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对μ
i,j
求一阶导数和二阶导数，可得μ
i,j
的理论值表达式：
[0080][0081][0082]
由f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对μ
i,j
的一阶导数时可知，f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)对μ
i,j
的二阶导数可见存在μ
i,j
使得f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)最大化，此时μ
i,j
的理论值表达式可表示为：
[0083][0084]
其中，d为中间变量；
[0085]
步骤5：可将目标函数f(w
i,j,l
,μ
i,j
,θj,λ1,λ2,λ3)满足最大化条件时θj、μ
i,j
和w
i,j,l
的理论值表达式代入权重系数的迭代过程来生成表面缺陷的实际权重系数光谱波段的实际权重系数和图像特征量的实际权重系数该迭代过程具体表示如下：
[0086]
①
在初始化过程中，采集1000个香梨残次果样品针对不同表面缺陷在不同光谱波段下的光谱图像特征量x(i,j,l,k)以及50个水果正常果建立的样本集相应的光谱图像特征量，并求统计平均值得到正常果样本集对应的图像特征量平均数值y(i,j,l)，设置θj(t＝0)为0.167，μ
i,j
(t＝0)为0.056，将θj(t＝0)和μ
i,j
(t＝0)以及x(i,j,l,k)和y(i,j,l)代入w
i,j,l
的理论值表达式给出w
i,j,l
(t＝0)；
[0087]
②
将t加1，将w
i,j,l
(t-1)和θj(t-1)代入μ
i,j
的理论值表达式给出μ
i,j
(t)；
[0088]
③
将w
i,j,l
(t-1)和μ
i,j
(t)代入θj的理论值表达式给出θj(t)；
[0089]
④
将θj(t)和μ
i,j
(t)代入w
i,j,l
的理论值表达式给出w
i,j,l
(t)；
[0090]
⑤
比较|[w
i,j,l
(t)-w
i,j,l
(t-1)]/w
i,j,l
(t)|、|[μ
i,j
(t)-μ
i,j
(t-1)]/μ
i,j
(t)|和|[θj(t)-θj(t-1)]/θj(t)|，若皆小于等于迭代过程误差门限δ则进入迭代过程
⑥
，否则进入迭代过程
⑤
，其中δ设置为2％；
[0091]
⑥
由w
i,j,l
(t)作为元素建立集合ψ
i,j,l
＝{w
i,j,l
(t)}，由μ
i,j
(t)作为元素建立集合φ
i,j
＝{μ
i,j
(t)}，由θj(t)作为元素建立集合θj＝{θj(t)}，其中i∈[1,i]，j∈[1,j]，l∈[1,l]；若w
i,j,l
(t)＜εw，说明对应的光谱图像特征量对表面缺陷j在光谱波段i下的检测贡献度较小，则将w
i,j,l
(t)从ψ
i,j,l
中剔除，从而实现该光谱波段下多光谱图像特征量的优选，并将相应的i,j,l组合加入集合若μ
i,j
(t)＜ε
μ
，说明对应的光谱波段对表面缺陷j的检测贡献度较小，则将μ
i,j
(t)从φ
i,j
中剔除，从而实现光谱波段的优选，并将相应的i,j组合加入集合若θj(t)＜ε
θ
，说明对应的光谱波段对水果外观品质的整体检测贡献度较小，则将θj(t)从θj中剔除，并将相应的j加入集合其中εw设置为0.01，ε
μ
设置为0.02，ε
θ
设置为0.05；
[0092]
⑦
由集合ψ
i,j,l
＝{w
i,j,l
(t)}给出由集合φ
i,j
＝{μ
i,j
(t)}给出由集合θj＝{θj(t)}给出其中i∈[1,i]，j∈[1,j]，l∈[1,l]；
[0093]
⑧
令和则可得：
[0094][0095][0096][0097]
由此可得表面缺陷的实际权重系数光谱波段的实际权重系数和图像特征量的实际权重系数进行输出。
[0098]
步骤6：测量出需要检测的香梨r对于不同表面缺陷在范围内光谱波段上的范围内图像特征量，对于表面缺陷j而言，若香梨r关于表面缺陷j的图像特征量偏离状况满足时则可视为该香梨不存在外观品质检测中的表面缺陷j，否则认为该水果存在表面缺陷j，其中，香梨关于表面缺陷j的图像特征量偏离门限θj设为5％。
[0099]
在本次具体实施中，可在得到所需的经过去除背景的图像区域后对1000、1025、1076、1152、1203、1279、1300、1406、1431、1533、1609、1634、1888、2092、2142、2320、2473、2500等不同光谱波段下所采集到的图像区域通过以r、g和b等图像特征量方式合成的多光谱图像，其识别率都要明显优于单色图像的识别率，对于腐烂、碰伤、花皮、擦伤、畸形或裂口等表面缺陷的识别误差状况平均降低了4％，表明本方法具有较好的实用效果，且通过图像特征量的实际权重系数也可了解到图像特征量对多光谱图像识别率的贡献程度，从而有利于推荐出多光谱图像的合成方式，同时不同表面缺陷对不同的表面特征其灰度分布也不同，可见通过光谱波段的实际权重系数寻找出对表面缺陷反应更为明显突出的光谱波段，从而优选出对于表面缺陷更合适的光谱波段来实现水果外观品质检测。

技术特征：
1.一种基于多光谱图像特征量的水果外观品质检测方法，其特征在于，包括以下步骤：步骤1：设对某种水果残次果样本集中具备表面缺陷的样品k针对表面缺陷j在光谱波段i下进行光谱图像采集时针对图像特征量l可获取对应的数值x(i,j,l,k)，其中，k∈[1,k]，k为该种水果的残次果样品总数，j∈[1,j]，j为表面缺陷种类的总数，i∈[1,i]，i为光谱波段的总数，l∈[1,l]，l为图像特征量类型的总数；设θ
j
为表面缺陷j的权重系数，且设μ
i,j
为对应表面缺陷j在光谱波段i上的权重系数，且设w
i,j,l
为对应表面缺陷j在光谱波段i上的图像特征量l的权重系数，且提出以残次果与正常果的光谱波段上对应的图像特征量差异程度为目标且引入λ1、λ2和λ3等拉格朗日乘数来建立目标函数f(w
i,j,l
,μ
i,j
,θ
j
,λ1,λ2,λ3)，并通过选择参数w
i,j,l
,μ
i,j
,θ
j
来实现目标函数f(w
i,j,l
,μ
i,j
,θ
j
,λ1,λ2,λ3)最大化：其中，y(i,j,l)为该种水果的正常果样本集在光谱波段i下进行光谱图像采集时针对图像特征量l可获取由不存在表面缺陷j时对应的平均数值；步骤2：由f(w
i,j,l
,μ
i,j
,θ
j
,λ1,λ2,λ3)对θ
j
求一阶导数和二阶导数，可得：一阶导数和二阶导数，可得：由f(w
i,j,l
,μ
i,j
,θ
j
,λ1,λ2,λ3)对θ
j
的一阶导数时可知，f(w
i,j,l
,μ
i,j
,θ
j
,λ1,λ2,λ3)对θ
j
的二阶导数可见存在θ
j
使得f(w
i,j,l
,μ
i,j
,θ
j
,λ1,λ2,λ3)最大化；由f(w
i,j,l
,μ
i,j
,θ
j
,λ1,λ2,λ3)对θ
j
的一阶导数可得λ3关于θ
j
的表达式，由可得θ
j
关于λ3的表达式，由此可知λ3的理论值表达式，则可得θ
j
的理论值表达式：
其中，m为中间变量；步骤3：由f(w
i,j,l
,μ
i,j
,θ
j
,λ1,λ2,λ3)对w
i,j,l
求一阶导数和二阶导数，可得：求一阶导数和二阶导数，可得：由f(w
i,j,l
,μ
i,j
,θ
j
,λ1,λ2,λ3)对w
i,j,l
的一阶导数时可知，f(w
i,j,l
,μ
i,j
,θ
j
,λ1,λ2,λ3)对w
i,j,l
的二阶导数可见存在w
i,j,l
使得f(w
i,j,l
,μ
i,j
,θ
j
,λ1,λ2,λ3)最大化；由f(w
i,j,l
,μ
i,j
,θ
j
,λ1,λ2,λ3)对w
i,j,l
的一阶导数可得λ1关于w
i,j,l
的表达式，由可得w
i,j,l
关于λ1的表达式，由此可知λ1的理论值表达式，则可得w
i,j,l
的理论值表达式：其中，n为中间变量；步骤4：由f(w
i,j,l
,μ
i,j
,θ
j
,λ1,λ2,λ3)对μ
i,j
求一阶导数和二阶导数，可得：求一阶导数和二阶导数，可得：由f(w
i,j,l
,μ
i,j
,θ
j
,λ1,λ2,λ3)对μ
i,j
的一阶导数时可知，f(w
i,j,l
,μ
i,j
,θ
j
,λ1,λ2,λ3)对μ
i,j
的二阶导数可见存在μ
i,j
使得f
(w
i,j,l
,μ
i,j
,θ
j
,λ1,λ2,λ3)最大化；由f(w
i,j,l
,μ
i,j
,θ
j
,λ1,λ2,λ3)对μ
i,j
的一阶导数可得λ2关于μ
i,j
的表达式，由可得μ
i,j
关于λ2的表达式，由此可知λ2的理论值表达式，则可得μ
i,j
的理论值表达式：其中，d为中间变量；步骤5：可将目标函数f(w
i,j,l
,μ
i,j
,θ
j
,λ1,λ2,λ3)满足最大化条件时θ
j
、μ
i,j
和w
i,j,l
的理论值表达式代入权重系数的迭代过程来生成表面缺陷的实际权重系数光谱波段的实际权重系数和图像特征量的实际权重系数步骤6：测量出需要检测的水果r对于不同表面缺陷在范围内光谱波段上的范围内图像特征量，对于表面缺陷j而言，若水果r关于表面缺陷j的图像特征量偏离状况满足时则可视为该水果不存在外观品质检测中的表面缺陷j，否则认为该水果存在表面缺陷j，其中，表面缺陷j，否则认为该水果存在表面缺陷j，其中，为该种水果关于表面缺陷j的图像特征量偏离门限。2.根据权利要求1所述的一种基于多光谱图像特征量的水果外观品质检测方法，其特征在于：步骤2中，λ3关于θ
j
的表达式、θ
j
关于λ3的表达式和λ3的理论值表达式分别可表示：值表达式分别可表示：值表达式分别可表示：3.根据权利要求1所述的一种基于多光谱图像特征量的水果外观品质检测方法，其特征在于：步骤3中，λ1关于w
i,j,l
的表达式、w
i,j,l
关于λ1的表达式和λ1的理论值表达式分别可表示为：
4.根据权利要求1所述的一种基于多光谱图像特征量的水果外观品质检测方法，其特征在于：步骤4中，λ2关于μ
i,j
的表达式、μ
i,j
关于λ2的表达式和λ2的理论值表达式分别表示为：为：为：5.根据权利要求1所述的一种基于多光谱图像特征量的水果外观品质检测方法，其特征在于：步骤5中，权重系数的迭代过程可描述为：
①
在初始化过程中，采集该种水果残次果样本集中具备表面缺陷的样品针对不同表面缺陷在不同光谱波段下的光谱图像特征量x(i,j,l,k)以及水果正常果样本集相应的光谱图像特征量，并求统计平均值得到正常果样本集对应的图像特征量平均数值y(i,j,l)，设置θ
j
(t＝0)为1/j，μ
i,j
(t＝0)为1/i，将θ
j
(t＝0)和μ
i,j
(t＝0)以及x(i,j,l,k)和y(i,j,l)代入w
i,j,l
的理论值表达式给出w
i,j,l
(t＝0)；
②
将t加1，将w
i,j,l
(t-1)和θ
j
(t-1)代入μ
i,j
的理论值表达式给出μ
i,j
(t)；
③
将w
i,j,l
(t-1)和μ
i,j
(t)代入θ
j
的理论值表达式给出θ
j
(t)；
④
将θ
j
(t)和μ
i,j
(t)代入w
i,j,l
的理论值表达式给出w
i,j,l
(t)；
⑤
比较|[w
i,j,l
(t)-w
i,j,l
(t-1)]/w
i,j,l
(t)|、|[μ
i,j
(t)-μ
i,j
(t-1)]/μ
i,j
(t)|和|[θ
j
(t)-θ
j
(t-1)]/θ
j
(t)|，若皆小于等于δ则进入迭代过程
⑥
，否则进入迭代过程
⑤
，其中δ为迭代过程误差门限；
⑥
由w
i,j,l
(t)作为元素建立集合ψ
i,j,l
＝{w
i,j,l
(t)}，由μ
i,j
(t)作为元素建立集合φ
i,j
＝{μ
i,j
(t)}，由θ
j
(t)作为元素建立集合θ
j
＝{θ
j
(t)}，其中i∈[1,i]，j∈[1,j]，l∈[1,l]；若w
i,j,l
(t)＜ε
w
，说明对应的光谱图像特征量对表面缺陷j在光谱波段i下的检测贡献度较小，则将w
i,j,l
(t)从ψ
i,j,l
中剔除，从而实现该光谱波段下多光谱图像特征量的优选，并将相应的i,j,l组合加入集合其中ε
w
为光谱图像特征量权重门限；若μ
i,j
(t)＜ε
μ
，说明对应的光谱波段对表面缺陷j的检测贡献度较小，则将μ
i,j
(t)从φ
i,j
中剔除，从而实现光谱波段的优选，并将相应的i,j组合加入集合其中ε
μ
为光谱波段权重门限；若θ
j
(t)＜ε
θ
，说明对应的光谱波段对水果外观品质的整体检测
贡献度较小，则将θ
j
(t)从θ
j
中剔除，并将相应的j加入集合其中ε
θ
为表面缺陷权重门限；
⑦
由集合ψ
i,j,l
＝{w
i,j,l
(t)}给出由集合φ
i,j
＝{μ
i,j
(t)}给出由集合θ
j
＝{θ
j
(t)}给出其中i∈[1,i]，j∈[1,j]，l∈[1,l]；
⑧
令和则可得：则可得：则可得：由此可得表面缺陷的实际权重系数光谱波段的实际权重系数和图像特征量的实际权重系数进行输出。

技术总结
本发明公开了一种基于多光谱图像特征量的水果外观品质检测方法，考虑到多光谱成像技术中可优选最佳的波段和特征波长以减少数据处理时间并提高光谱数据的有效性，因而通过具备表面缺陷的水果残次果样本集分析其不同波段下的光谱图像特征量与正常果特征量的差异程度来优选光谱波段及多光谱图像特征量，从而判断水果是否存在外观品质检测中的表面缺陷。判断水果是否存在外观品质检测中的表面缺陷。


技术研发人员：朱二 朱壹
受保护的技术使用者：江西绿萌科技控股有限公司
技术研发日：2022.10.24
技术公布日：2023/1/6