[发明专利]一种基于高光谱图像技术区分大米产地的检测方法

摘要

本发明公开了一种基于高光谱图像技术区分大米产地的检测方法，包括以下步骤：(1)黑白板校正：(2)训练过程：先采集训练样本图像，再对样板图像进行校正、提取感兴趣区域、特征提取，所述特征包括每个产地大米样本的垩白粒率、每个大米颗粒的长宽比和15个纹理特征值，再用概率神经网络PNN方法建立预测模型；(3)对待测大米样品进行测试。本发明的检测方法快速、稳定，并且同时有效地提高了分类的准确度。

主权项

一种基于高光谱图像技术区分大米产地的检测方法，其特征在于，包括以下步骤：(1)黑白板校正：用标准白板采集全白标定图像W，将镜头盖盖上采集全黑标定图像B；(2)训练过程：(2‑1)采集训练样本图像：取n个产地的大米，在每个产地的大米随机选取多个大米颗粒，作为该产地的大米样本；将每个产地的大米样本平铺无重叠摆好，采集每个产地的大米样本的高光谱图像；(2‑2)校正高光谱图像：设大米样本高光谱图像为I0，则校正后的高光谱图像I为：I＝(I0‑B)/(W‑B)；(2‑3)对每个校正后的大米样本的高光谱图像进行感兴趣区域提取；(2‑4)对步骤(2‑3)提取到的感兴趣区域，在MATLAB中计算每个产地大米样本的垩白粒率、每个大米样本中每个大米颗粒的长宽比，同时利用灰度梯度共生矩阵提取每个大米样本中每个大米颗粒的15个纹理特征值；所述15个纹理特征值包括小梯度优势，大梯度优势，灰度分布的不均匀性，梯度分布的不均匀性，能量，灰度平均，梯度平均，灰度均方差，梯度均方差，相关，灰度熵，梯度熵，混合熵，惯性和逆差矩；(2‑6)建立预测模型：使用概率神经网络PNN方法建立预测模型，采用三层BP结构，包括输入层、隐藏层和输出层；输入层为每个产地大米样本的垩白粒率、每个大米样本中每个大米颗粒的长宽比和每个大米样本中每个大米颗粒15个纹理特征值，输出层为大米的产地；进行概率神经网络训练，得到预测模型；(3)测试过程：(3‑1)随机选取某一产地的多个待测大米颗粒作为待测大米样品，采集待测大米样品的高光谱图像，并进行校正；(3‑2)对校正后的待测大米样品的高光谱图像进行感兴趣区域提取；(3‑3)对步骤(3‑2)提取到的感兴趣区域，在MATLAB中计算待测大米样品的垩白粒率、待测大米样品中每个大米颗粒的长宽比，同时利用灰度梯度共生矩阵提取待测大米样品中每个大米颗粒的15个纹理特征值；(3‑4)将待测大米样品的垩白粒率、待测大米样品中每个大米颗粒的长宽比，每个大米颗粒的15个纹理特征值输入步骤(2)得到的预测模型中，得到大米产地的检测结果。