没有合适的资源?快使用搜索试试~ 我知道了~
农业小浆果光学无损检测技术综述2020
农业人工智能2(2019)85小浆果光学无损检测技术研究进展李淑萍a,c,罗洪培b,胡梦涵a,b,张淼a,d,冯建林a,刘扬泰b,董庆利b,刘宝林ba华东师范大学上海市多维信息处理重点实验室,上海200241b上海理工大学医疗器械与食品工程学院,军工路516号,邮编:200093c孟宪成华东师范大学华东师范大学学院,上海200241d华东师范大学美术学院,上海200241a r t i c l e i n f o文章历史记录:收到2019年6月15日2019年7月19日收到修订版2019年7月19日接受在线预订2019年7月29日保留字:浆果光学无损测量食品质量和安全内容a b s t r a c t草莓、蓝莓等小浆果因其独特的风味、外观和潜在的保健功能而被广泛食用,具有很高的经济价值。本文综述了可见-近红外光谱、计算机视觉系统、高光谱成像、多光谱成像、激光诱导法和热成像等光学无损检测技术及其在小浆果品质安全控制中的应用。讨论了光声技术、X射线技术、太赫兹光谱技术、气味成像技术、微破坏性检测技术和基于智能移动终端的分析仪。此外,我们提出了我们个人对这些光学无损技术的技术挑战和进一步趋势的1) 由于其检测限较低,因此,无论是在实际应用还是在基础研究中,都有可能改变传统的无损检测技术; 2)建议在相关领域少发表“先收集数据,再用机器学习建模农产品相关特性“的研究文章。因为这样的研究方法很可能涉嫌“作弊”。建议在农业工程领域开展一些模型竞赛活动,以避免或减少“作弊“模型。© 2019作者由爱思唯尔公司制作和主持我代表科爱通信公司,公司这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1.一、导言. 862.主要光学无损方法2.1.Vis-NIR(可见-近红外)光谱862.2.计算机视觉系统862.3.超光谱成像2.4.多光谱成像2.5.激光诱导法923.其他光学非破坏性方法3.1.热成像923.2.光声光谱学或成像3.3.X射线技术933.4.太赫兹技术3.5.气味可视化943.6.微观破坏性试验3.7.基于智能移动终端的分析仪944.结论. 95*通讯作者:华东师范大学上海市多维信息处理重点实验室,上海200241。电子邮件地址:humenghan89@163.com(M. 胡)。https://doi.org/10.1016/j.aiia.2019.07.0022589-7217/© 2019作者。由爱思唯尔公司制作和主持我代表科爱通信公司,公司这是一篇CC BY-NC-ND许可证下的开放获取文章(http:creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表农业中的人工智能期刊主页:http://www.keaipublishing.com/en/j ournals/artificial-intelligence-in-agriculture/86S. Li等人 /农业人工智能2(2019)85 - 98鸣谢. 95参考文献951. 我不知道包括草莓、蓝莓、杨梅、多浆果、乌藨子和醋栗在内的小浆果由于其特有的风味和外观而被广泛食用,并且被证明潜在地抑制癌细胞的生长(Manganaris等人, 2014; Seeram等人, 2006; Zanini等人, 2015年)。将无损检测技术应用于小浆果的质量和安全控制可以为消费者提供一致、安全以及营养的产品(Chen等人,2013年b),从而大大增加了其经济价值(Opara和Pathare,2014年)。 光学非破坏性方法基于分析已经与测试材料相互作用的信号的简单原理(Mollazade等人,2012年)。在过去的二十年中,用于控制食品和农产品的质量和安全的光学无损测量引起了许多科学关注和工业关注(Zhang等人, 2018年)。本文综述了可见-近红外光谱、计算机视觉、高光谱成像等光学无损检测技术在小浆果类水果中的研究进展此外,对光学无损测量的解释和前景提出了个人的理解表1总结了用于小浆果质量检测的光学非检测技术2. Mainopticalnon-destructiveaproaches表2展示了光学非破坏性技术用于检测小浆果的优点和缺点现就光学无损检测技术在小浆果类水果品质检测中的应用作一详细介绍2.1. 可见-近红外光谱可见-NIR光谱(可见光:380-780 nm; NIR:780-2500 nm)已被认为是用于分析生物材料的化学和物理性质的经验证的筛选工具(Balage等人,2015; Fernandes Barbin等人, 2015年)。 这种光谱学通常以(漫)反射、(漫)透射和相互作用模式进行操作,反射是小浆果最常用的模式(图1)。①的人。Cozzolino等人(2011)、Magwaza等人(2012)和Manley(2014)详细总结了可见-近红外光谱的基本原理。当检测生物材料(例如浆果)的化学和物理性质时,Vis-NIR光谱法起作用的原因是:生物材料中的一些基团将在某些光谱处引起吸收带(Nicolai等人, 2007年)的报告。在草莓的情况下,Guo et al. (2013)建立了基于近红外光谱的草莓可溶性固形物含量(SSC)预测模型,预测集相关系数(Rp)为0.939。Shi等人进行了类似的实验。(2011),在草莓SSC预测中取得了较好的结果(Rp = 0.941)。然而,Nishizawa et al. (2009)将近红外光谱与草莓可溶性固形物(SSC)的相关系数关联为Rp = 0.86,其明显原因是不同研究中的样品配置、装置和数据处理方法不同。 在这项研究中,葡萄糖,果糖和蔗糖的浓度也分别估计为0.74,0.50和0.51,Rp值低可能是由于这些物质的水平低于草莓中的SSC。Shao和He(2008)使用可见-近红外反射光谱测量草莓酸度,Rp为0.802。NIR在草莓上的定性应用集中于品种的识别(Kim等人,2009; Niu等人,2012年)。相对Sanchez等人(2012)和Giovannini等人(2014)对草莓品质进行了全面的近红外研究,他们使用近红外数据预测颜色指标和内部品质参数,包括SSC、硬度和可滴定酸度。土耳其的一个研究小组使用NIR光谱作为评估超声治疗效果的分析工具(Aday等人,2013)和草莓上的活性改性大气层包装(Aday和Caner,2013; Aday等人, 2011; Kartal等人, 2012年)。 这些研究人员定性分析了近红外光谱的反射率或透射率,而不是建立预测模型。关于蓝莓,Zhang et al. (2019 a)利用蒙特卡罗多层(MCML)模拟和光谱范围为500-800 nm和930-1400 nm的光谱来研究蓝莓的光传播模型。 他们发现,近红外光谱区域(930-1400nm)对蓝莓的瘀伤敏感。他们的研究启示我们,我们可以利用近红外光谱仪来有效地检测蓝莓的损伤Sinelli等人(2008)验证了近红外和中红外光谱法用于评价蓝莓成熟期和营养特性(包括酚类化合物、总黄酮和总酚含量)的能力。还报道了Vis-NIR光谱的性能在蓝莓总花青素苷、总花青素和SSC含量以及杨氏模量的定量上是可接受的(Guidetti等人, 2009年)。 Bai et al. (2014),并且他们报告说,NIR光谱法对一些蓝莓成分(例如有机酸)的预测性能受到测量模式和位置的高度影响。 对于定性研究,Beghi et al.(2013)定义了两个可见-近红外光谱比值与线性组合作为蓝莓成熟度指标,以确定田间最佳采收期。Peshlov等人(2009)使用两种近红外光谱仪和一种成像光谱仪(具有不同的波长范围和检测器类型)检测蓝莓中的虫害,他们的结果表明,前两种仪器优于后者,准确率分别为82%和76.9% 对 58.9% 。 除 了 用 于 监 测脱水处理期间化 学 成 分 变化的NIR应用(Sinelli等人,2011年),对蓝莓的深加工进行了非常有限的工作。对于其他小浆果,评价了可见-NIR光谱法对杨梅的性能以区分品种(Li等人,2007),以及测量pH值(Li和He,2006)、可滴定酸度、苹果酸和柠檬酸(Xie等人, 2011年)。此外,pH值(Shao等人, 2007)和单独的糖如葡萄糖、果糖和蔗糖(Xie等人, 2009)在杨梅汁中的含量。 Huang等人等人(2011)报道了可见-NIR光谱用于预测具有凹凸表面的水果(例如桑树)的内部质量的可行性。光谱技术的主要缺点是缺乏空间信息(Manley,2014)。 尽管一些研究者试图通过使用空间分辨光谱来添加空间数据(Nguyen Do Trong等人,2014a; Nguyen Do Trong等人,2014b),它将不能满足对非均质生物材料日益增长的实验需求。与光谱技术不同,计算机视觉可以在空间维度上操作,因此可以检测材料的外部质量,特别是对于异质样品。2.2. 计算机视觉系统计算机视觉系统主要由照明系统、摄像机和数据处理分析单元组成S. Li等人 /农业人工智能2(2019)85 - 9887pp表1小浆果品质的光学无损检测技术的无损检测技术而食物产品使用的算法或方法检测指标预测集或结果参考VIS-NIR光谱草莓偏最小二乘判别分析草莓协同区间偏最小平方(siPLS)算法可溶性固形物含量(SSC)r2=0.733,RMSEP = 0.66,RPD = 1.96(Shen等人,2018)可溶性固形物含量(SSC)RMSEP =0.2892,R2 =0.9390(Guo et al., 2013年度)草莓向后区间偏最小模拟退火算法(SAA)可溶性固形物(SSC)Rc=0.9478,rp=0.9412 RMSEC=0.403,RMSEP= 0.428(Shi等人,(2011年)草莓小波变换与偏最小二乘PLS相结合酸度Rc=0.856,RMSEP=0.026(Shao和He,2008)蓝莓偏最小二乘法(PLS)总可溶性固形物(TSS),总酚类、总黄酮和总花色苷、抗坏血酸和光谱分析蓝莓偏最小二乘(PLS)糖、有机酸和花青素总酚(RMSECV=0.14 mg儿茶素/g)、总鼠尾草素(RMSECV=0.20 mg儿茶素/g和RMSEP=0.25 mg儿茶素/g)和总花青素(RMSECV=0.25 mg鼠尾草素/g和RMSEP=0.22 mg儿茶素/g)近红外光谱法可用于蓝莓果实中糖、有机酸和花青素含量的(Sinelli等人,(2008年)(Bai等人, 2014年度)计算机视觉系统Blueberry随机青蛙算法硬度Rp(Rc)=0.9419(0.8453),RMSEp(RMSEc)=51.76克(62.19克)草莓分割图像分析色度属性的变化只有红色坐标的红色坐标值与花青素降解(Hu等人,2018年c)(Agudelo-Laverde等人, 2013年度)Strawberry Ostu算法,HOG,H分量方差草莓回归分析,支持向量机机器(SVM),面积和周长参数,椭圆傅立叶描述子。CaffeNet对成熟草莓的平均识别率=95%重量和形状精度:重量分级:89.5%;形状平均计算时间分别为64 ms和39 ms(Xin等人,2018年)(Zhang等人,(2019年b)草莓分光光度法和高高效液相色谱(HPLC)分析花色苷类紫外光激发的可发性酚类化合物的水平基于切片图像的颜色值,可以很好地估计花青素含量,UV激发的荧光图像与HPLC分析所评估的(Yoshioka等人, 2013年度)Strawberry Single Shot Multibox检测器(SSD)草莓OmniSurface机器视觉方法几何形状和颜色检测速度=1.63帧/秒;平均精度= 0.842原材料的重量测量可作为一种非破坏性的方法,用于估计单位体积,(Lamb和MooiChoo,2018)(Meyer等人, 2018年)草莓卷积神经网络(CNN)疾病准确度= 92%(Hyeon等人,2018年)草莓3层神经网络直径、长度和顶端角度蓝莓CIEL*a*b* 等级质量指标(颜色、表皮蜡的存在、大小、细菌和微生物生长)分类准确率在94%~ 97%,平均加工时间在0.45-0.5s之间(Oo和Aung,2018)(Matiacevich等人,(2011年)Blueberry Linear SVM、KNN、TMWE和HOG。 成熟度对于KNN classifier,最佳平均精度:幼果率为86.0%,中间果率为94.2%,成熟果率为96.0%。提出的TMWE分类器以较低的计算代价给出了相对较高的精度(Tan等人, 2018年)蓝莓主动学习算法,SVM损伤准确度= 0.87,精确度= 0.93,召回率= 0.78(Hu等人,2018年a)Blueberry ResNet,ResNeXt Damage平均准确率:0.8844ResNet,ResNeXt为0.8784; F1分数:微调ResNet为 0.8952各供试品的分类ResNet为5.2 ms; ResNeXt为6.5 ms(Wang等人, 2018年)蓝莓模式识别算法,分类算法和交叉验证茎和萼端平均分类性能为96.82(10倍交叉验证),最好的平均分类器性能为96.7%,100.0%和90%的枯萎蓝莓,真菌腐烂的蓝莓,和机械损坏的蓝莓(Leiva-Valenzuela和Aguilera,2013年)蓝莓单因素方差分析(方差分析)干燥速率、收缩率和颜色变化蓝莓色泽可作为蓝莓干燥(Chen和Martynenko,2013年;Vasquez例如,2013年度)乌藨子单向方差分析和相关性分析,滑动框算法。颜色和纹理应用该算法的结果之一是80%的好产品被认可(Markovic等人, 2018年)醋栗角ANN、SVM、决策树、KNN算法和主成分分析(PCA)。颜色基于L*a*b* 颜色空间和SVM分类器的模型取得了最高的分类效果f-measure而不考虑颜色空间,(Castro等人, 2019年度)(接下页)88S. Li等人 /农业人工智能2(2019)85 - 98p(Brosnan和Sun,2004; Zareiforoush等人, 2015年)。Xu和Zhao(2010)开发了一种计算机视觉系统,可以根据形状,大小和颜色自动对草莓进行分级。这些外观草莓的属性被用于总体质量评价和品种鉴定(Yamamoto等人,2015年)。为了评价含水量对冻干草莓片的影响表1(续)无损食品使用的算法或方法检测指标预测集或结果参考技术产品主成分分析色彩空间改善了以增加复杂性为代价的模型红色浆果主成分-支持瘀伤基于分形的分类(Lu等人,(2011年)向量机(PC-SVM)参数达到100%的总准确率余甘子着色算法和颜色和纹理特征对于褐变效应,他们优先考虑次要的(Patel等人, 2013年度)余甘子提取值参数(短轴,长轴,面积,轴线(醋栗)偏心率)高光谱草莓多波段分割受伤的人和使用(Nanyam等人,成像算法未擦伤区域决策融合策略在统计学上2012年)显著的草莓偏最小二乘(PLS)含水量(MC),总计MC、TSS和Ph分别为0.90、0.80和0.87,(ElMasry等人,可溶性固形物(TSS)和酸度SEC为6.685、0.233和0.105,SEP为3.874,(2007年)(以pH表示)0.184和0.129草莓最小噪声分数(MNF),瘀伤真菌感染高光谱反射成像技术(Liu等人, 2018年)逐次投影算法具有识别缺陷(SPA)线性和非线性草莓,并提供了理论依据,算法网上教学的发展不同缺陷水果草莓监督分类模型总花青素含量(AC),高光谱成像技术具有潜力(Siedliska等人,可溶性固形物含量(SSC)和用于快速和非侵入性检测真菌2018年)总酚含量感染和预测和可视化AC草莓连续投影算法,水溶性总糖草莓果实贮藏过程中可溶性固形物和可溶性固形物含量的变化TWSS含量预测值:R2=0.807,RPD =(Liu等人, 2019年度)单因素方差分析(TWSS)含量2.603;优异的分类(方差分析),SVM三个衰变阶段的准确度:89.4校准时为87.0 - 95.4%;蓝莓偏最小二乘法硬度和可溶性固体预测硬度预测(R=0.87),SSC预测(莱瓦-巴伦苏埃拉交叉验证含量(SSC)(R=0.79)例如,2014年度)蓝莓区域特征选择(RFS),腐病光谱信息分割(SIS)和(He等人,2019年度)结合CARS和SPA;区域特征选择(RFS)提供了一种新的相关向量机在线检测的参考方法,径向基函数(RBF)蓝莓分选蓝莓随机青蛙算法,偏最小二乘(PLS)硬度,弹性,弹性、力、最大和最终力硬度预测值Rp(RPD)= 0.86(1.78),弹性预测值Rp(RPD)=0.72(1.73),回弹预测值(RPD)= 0.79(1.78),力(Hu等人,2015年b)最大预测值(RPD)=0.77(1.51),最终力(RPD)=0.84(1.72)桑主成分分析甲基托布津残留本研究证实了利用(Wu等人, 2019年度)(PCA)和偏最小二乘LIBS和HSI用于快速检测回归(PLSR)甲基托布津在桑椹上的残留量多光谱蓝莓吸光度图像应用于异物(树叶和这项研究使得区分(Sugiyama等人,成像像素吸光度茎)蓝莓中的异物只有两种(2010年)波长蓝莓偏最小二乘法-判别内部挫伤具有互补谱的(Fan等人, 2018年)偏最小二乘-判别分析,支持向量范围可以改善蓝莓内部瘀伤机器(SVM)检测激光诱导草莓动态散斑分析年龄从观察其仅仅过了一天,(Mulone等人,方法草莓偏最小二乘(PLS)动态散斑图天然酚类化合物草莓可以检测到对香豆酰葡萄糖的r2=0.99,RMSEPb为 242013年度)(Wulf等人,(2008年)肉桂醯葡萄糖蓝莓激光喷气坚定性由激光导出的硬度(Li等人,(2011年)喷气试验器实现了显著的相关性用Firmtech测量的硬度值(R2=0.8)。桑主成分分析甲基托布津残留本研究证实了利用(Wu等人, 2019年度)(PCA)和偏最小二乘LIBS和HSI用于快速检测回归(PLSR)甲基托布津在桑椹上的残留量热草莓碳同位素组成水分利用效率(WUE)所有品种对水分胁迫的反应均为:(Grant等人,成像分析降低气孔导度,2012年)提高WUE蓝莓RELIEFF算法瘀伤分类准确率:高达88%(Kuzy等人, 2018年)S. Li等人 /农业人工智能2(2019)85 - 9889表2综述了光学无损检测技术在小浆果品质检测中的优缺点以及可见的机械损伤(Leiva-Valenzuela和Aguilera,2013)。将计算机视觉系统配置到干燥机上,实时测量蓝莓的体积收缩率和颜色主要途径优势劣势变化(Chen和Martynenko,2013; Martynenko,2014; Vasquez等人, 2013年)。众所周知,计算机视觉技术的能力VIS-NIR光谱高光谱成像多光谱成像激光诱导法热成像光声光谱或成像x射线技术光谱分辨率高;数据量小;分析效率高;设备便宜。同时具有光谱和空间分辨率的同时具有光谱和空间分辨率;设备比高光谱成像便宜;成像速度比高光谱成像快。低成本;快速执行;实时评估。能够获得材料的热特性;具有空间信息。穿透力强,深入材料内部获取深层信息。穿透力极强,深入材料内部,获取深层信息。缺乏空间分辨率设备昂贵,数据量大,分析效率低。较低的光谱分辨率高光谱成像空间分辨率低。受外界温度影响很大;设备相当昂贵。可能很难制造设备。对样品和环境不一致的环境照明和复杂的背景明显地影响了妮可 为了解决这些问题,Liet al. (2014)提出了一种基于逐步算法的新方法来识别树枝中自然室外光照下的蓝莓成熟阶段。用于改变照明的替代解决方案是使用用于曝光补偿的暗光(Hu等人,2015 a; Wang等人, 2012年)。对于其他小浆果,Lu et al. (2011)使用计算机视觉系统成功地将杨梅分类为健康和受伤的类别。 Patel等人(2013)以促进出口产业为目的,对猕猴桃的颜色、形状、大小等外观质量进行了评价。未来的研究机会已经并且仍然集中在多维视觉技术上(Adamczak等人,2015年)。例如,Uyar和Erdogdu(2009年)使用三维扫描仪来估计不规则形状水果(如草莓)的表面积和体积。如图2、与传统的计算机视觉系统相比,气味成像可以区分化学多样性分析气体传感器性能差;功耗高tem,在线计算机视觉系统安装在生产上对于多摄像机计算机视觉系统,通过将多个摄像机放置在不同的角度,可以放大整个视场,获得多维图像。图3简要介绍了计算机视觉的主要过程和生命周期Agudelo-Laverde等人(2013)利用计算机视觉技术来监测颜色属性的变化。 在紫外光的帮助下,Yoshioka et al. (2013)拍摄了草莓的荧光图像,以估计荧光酚类化合物的水平。这表明,在可见光范围外增加光源,可以扩大计算机视觉系统的应用范围。Matiacevich等人(2011)进行了计算机视觉分析,以评估蓝莓的外部质量指标,包括颜色,大小和表皮蜡和真菌的存在。另一组研究人员使用计算机视觉技术建立分类器,用于检测蓝莓的方向,真菌疾病和收缩系统2.3. 高光谱成像集成光谱和计算机视觉技术的高光谱成像使得能够同时获得光谱和空间信息(Pu等人,2015; Zhang等人,2014年b)。关于高光谱成像技术的基本原理的详细信息可以参考Wu和Sun(2013)的综述。图 4展示了研究人员使用的现有高光谱成像系统。图1.一、光谱技术的不同模式:a)反射模式; b)透射模式; c)相互作用模式。90S. Li等人 /农业人工智能2(2019)85 - 98图二. 常用的计算机视觉系统:a)和b)分别是Zhang等人(2014 a)和de Oliveira等人(2016)的两种传统计算机视觉系统; c)在线计算机视觉系统(Sofu等人, 2016);和d)多相机在线计算机视觉系统(Zou et al. Zou等人, 2010年)。Nanyam等人(2012)使用高光谱反射模式来分类草莓中的损伤区域和未损伤区域。Whitaker等人(2014)报道,高光谱反射率已成为草莓线虫控制的高通量筛选工具 对于蓝莓,通过高光谱反射率测量硬度和可溶性固形物含量(Leiva-Valenzuela等人,2013)和透射以及它们的组合感测模式(Leiva-Valenzuela等人, 2014年)。Hu等人开发了一种改进的高光谱成像系统。(2015 b)使用基于随机青蛙的算法预测来自压缩和穿刺测试的蓝莓的综合机械性能。散射和互作用模式也被纳入该成像系统。Jiang等的实验结果表明,在相同的实验条件下,(2016)证明,在1280-1650 nm的反射率高光谱范围内,蓝莓的健康组织和损伤组织之间存在显著差异。他们的研究利用近红外反射率高光谱成像技术对蓝莓损伤进行筛查是全面的,值得借鉴。由同一研究小组进行的另一项研究表明,高光谱透射成像技术能够在机械损伤后30分钟内检测到挫伤的蓝莓(Zhang等人,2017年)。在进一步的研究中需要高光谱荧光成像用于小浆果果实质量和安全性评估的可行性(Zhang等人, 2012年)。与上述文献相反,ElMasry et al. (2007)从灰度共生矩阵中提取图像纹理特征,用于分类草莓成熟阶段。近年来高光谱成像的研究主要集中在利用光谱特征(如平均光谱)对食品质量进行评价,这导致了空间数据的丢失在我们未发表的研究工作中,当纹理特征从背景消除的超立方体(S. Li等人 /农业人工智能2(2019)85 - 9891图3. 计算机视觉系统的原理与生命周期。对图像进行图像分割操作以消除背景像素),由于低信噪比,信号仅存在于光谱范围的开始;然而,由于考虑了背景,信号模式和强度对于以下分析将是完美的(图5)。尽管如此,背景的纹理并不是水果质量参数的原因;因此,图像纹理特征可能不足以研究食品高光谱数据,至少对于蓝莓而言。偏振片在高光谱成像系统镜头前的装置可能会创造可能的基础研究机会。此外,设置合适的曝光时间将使每个光谱包含更多有用的信息(Wu和Sun,2013)。高光谱成像技术在实际应用中面临着海量的数据,因此许多研究者建立了适合在线检测的多光谱成像系统2.4. 多光谱成像多光谱成像系统通常是在超立方体空间中利用变量选择从数百个相邻光谱中提取信息波长的基础上构建的图四、研究者使用的现有高光谱成像系统:a)高光谱反射成像系统(Fan等人, 2016); b)高光谱透射成像系统(Munera等人,2019); c)高光谱互作用成像系统(Sivertsen等人,2012); d)高光谱散射成像系统(Pan等人,2016); e)高光谱拉曼成像系统(Wang等人,2017 a; Wang等人,2017年b; Wang等人,2017 c); f)从(Hu等人,2016年)。92S. Li等人 /农业人工智能2(2019)85 - 98图五、蓝莓原始和背景消除超立方体的典型图像纹理信号。算法 图图6示出了多光谱计算机视觉系统,包括相机、多光谱装置、滤光器、透镜和卤素灯。 Liu等人(2014)得出结论,多光谱成像结合适当的校准模型可以快速且非破坏性地确定草莓的品质性状和成熟期。Yang等人(2012)利用多光谱传感技术初步区分了蓝莓果实的不同成熟期和叶片,以估计其田间产量蓝莓中外来物质的检测通过使用波长为1268 nm和1317 nm的光谱成像来进行(Sugiyama等人, 2010年)。2.5. 激光诱导法根据以往的文献,后诱导生物散斑技术可分为静态和动态生物散斑。前者,也称为背散射成像,已广泛用于食品质量评价,因为在其数据分析中需要简单的成像处理技术(De Belie等人, 1999; Hashim等人,2013年)。与静态生物散斑相比的优点在于,由于额外的时间维度,动态生物散斑可以反映细胞和/或亚细胞尺度的颗粒运动(Zdunek和Herppich,2012)。然而,视频的要求图第六章多光谱成像系统。处理技术阻碍了动态生物散斑在在线质量检测中的应用 对于草莓,Mulone et al. (2013)通过分析动态生物斑点的统计描述符来确定它们的成熟度。在我们的初步实验中(Hu等人, 2013),我们发现变焦镜头捕获的生物散斑质量优于固定镜头(图2)。 7)。 如图 7、在变焦透镜生物散斑图像上可以清晰地观察到四个晕圈,提供了更多有用的信息。因此,有必要比较固定和变焦透镜生物散斑对最终实验结果的影响在其他激光激发技术方面,Wulf et al. 等人(2008)测试了激光诱导荧光光谱用于量化蓝莓对香豆酰基-葡萄糖和肉桂酰基-葡萄糖含量的潜在用途。Li等人(2011年)使用激光喷气仪器估计蓝莓硬度,相关系数为0.80与传统的破坏性方法有关拉曼光谱可以被认为是一种激光诱导技术,因为拉曼信号是由激光激发在大多数情况下,拉曼光谱以破坏性的方式操作(Fan等人, 2014年)。 一些研究人员使用拉曼光谱作为非破坏性的(Dhakal等人,2014; He等人, 2014; Qin等人, 2012)和微破坏(Fang等人,2015)用于控制食品安全和质量的分析工具。关于显微破坏技术的讨论将在第3.6节中介绍。到目前为止,仍然没有相关的研究拉曼光谱的小浆果水果的3. 其他可复制非指定数据库请求3.1. 热成像热成像是一种无源且能量有效的绿色成像技术,并且它可以捕获来自绝对温度高于零的物体的发射能量,而无需任何外部刺激,例如有害辐射和照明(Hu et al.,2018年b)。根据用户的要求,红外范围有很大的不同。一般来说,我们认为物体发出的热辐射在3 μm到13 μm的光谱范围内(Lu和Lu,2017)。 热成像最初应用于军事(Gowen等人,2010; Opara和Pathare,2014),然后用于生物医学工程(Hu等人,2017)和刑事调查(Li et al.,2018年)。最近,它还被用作各种农业应用的非破坏性技术,例如检测昆虫侵染(Mahajan等人,2015)、异物(Vadivambal和Jayas,2011)和瘀伤损伤(Baranowski等人,2012年)。Meinlschlund和Margner(2002)验证了使用热成像区分小浆果中异物介绍了利用热成像技术鉴别异物的原理,S. Li等人 /农业人工智能2(2019)85 - 9893图第七章反射型(a)和透射型(b)生物散斑测量装置;(c)和(d)分别是通过固定透镜和变焦透镜获得的生物散斑图像。小浆果是:任何植物呼吸和呼出热量;浆果是植物之一,因此它比其他异物呼吸更强烈;我们可以利用热特性的差异有效地热成像技术在早期检测小浆果物理、化学或生物损伤方面的应用潜力有待进一步研究。3.2. 光声光谱或成像基于光声效应, 光声测量是监测非辐射弛豫 过程的独特技术(Bageshwar等人,2010年)。换句话说,该技术使用调制或脉冲激光源来激发样品基质的局部加热,从而允许随后采集声音形式的结果信号(Bageshwar等人, 2010年)。光声技术的基本组件包括激发源、声室和声检测器(West等人,1983年)。由于光声方法能够从光学厚度的样品中检测到声或超声信号,因此被认为是纯光学技术的替代或补充策略(Meralitimes,2015)。最近,在食品和农业研究中,光声方法已用于测定油菜籽中的氮(Lu等人, 2015)和定量苹果角质层中的农药残留(Liu et al.,2015年)。在小浆果方面,Popa et al. (2014)通过光声光谱验证了非有机树莓和草莓果实比有机果实释放更多乙烯气体的假设。由于大多数生物材料在自然界中是混浊或不透明的,因此光声光谱或成像技术值得进一步研究。3.3. x射线技术X射线技术通常应用于机场和海关的安全检查,最近它已广泛用于食品和农业领域(Jiang et al.,2008; Mathanker等人,2013a),包括检测水果害虫侵染(Chuang等人,2011),测定食物密度(Kelkar等人, 2015),检查异物(Li等人, 2015),表征水果内部结构(Magwaza和图八、用于水果检测的X射线技术的示意图(van Dael等人, 2016年)。94S. Li等人 /农业人工智能2(2019)85 - 98图第九章气味可视化的示意图。Opara,2014)和微观结构(Cantre等人, 2014年)。 包括X射线计算机层析成像(CT)的X射线技术背后的基本原理是基于这样的事实,即外来物质和食品之间的径向吸收能力是不同的(Nielsen等人, 2013年)。 图图8显示了X射线计算机断层扫描几何结构(左)和实际设置(右)的示意图。对于小浆果,Nielsen et al. (2014)从X射线图像中区分冷冻和解冻的蓝莓和黑莓果实。在进一步的研究中,X射线CT的大数据量对图像采集和处理提出了挑战包含计算机视觉、高光谱成像和X射线技术的多模态机器视觉系统的发展(Wang和Li,2015)不仅带来了更多有用的信息,而且也带来了越来越多的冗余信息。3.4. 太赫兹(THz)技术与X射线系统相比,THz系统不仅可以提供低密度有机材料(如食物基质中的昆虫和塑料)的识别,而且由于非电离辐射,还可以提供安全检测(Gyeongsik等人, 2014; Ok等人, 2015年)。 在食品和农业领域,由于对活性物质的敏感性、对特定材料的强穿透性、相对低的光子能量和高分辨率(Won-Hui和Wangjoo,2014),太赫兹技术在检测食品中的化学和物理污染物方面受到了相当大的关注(Gyeongsik等人, 2014; Qin等人,2015),转基因食品的鉴定(Liu和Li,2014; Xu等人,2015)和在基础研究中的应用(Shiraga等人, 2013年)。THz技术的详细基础和应 用 可 以 在 El Haddad 等 人 ( 2013 ) , Gowen 等 人 ( 2012 ) ,Mathanker等人(2013 b)和Qin等人的评论中找到。(2013年)。根据我们未公开的数据,THz反射光谱被验证为由于弯曲表面而不适用于蓝莓质量评价(数据未示出)。需要进一步的研究来克服一些技术障碍,例如水的衰减和非均匀介质的散射(Ok等人, 2014年)。3.5. 气味可视化气味可视化/成像基于比色传感器阵列,以使用诸如扫描仪的图像采集装置产生独特的彩色指纹(Chen等人,2013a)和相机(Chen等人,2013 b),这反过来又允许区分化学上不同的分析物(Rakow和Suslick,2000)。 如图9显示器上,水果产生的气味被气味传感器吸收,产生信号,再经过嗅觉视觉传感器阵列处理,处理后的信号变成一种特定的光谱。最后,诸如相机的设备将捕获光谱图像。一些研究者已将该技术广泛应用于食品和农业区(Chen等人,2013年b)。由于小浆果在采后操作过程中释放出挥发性物质,因此可以对这些水果进行进一步的研究3.6. 微破坏试验由于非破坏性测量的固有局限性,如低检测限,我们提出了一种新的概念,称为微破坏方法在食品和农业领域。这种微破坏技术必须允许对食品和农产品进行最低限度的侵入性评估此外,轻微破坏性样品的生物学行为应与完全健康的样品相同该技术已用于染料的诊断研究(Aceto等人, 2015)和罗马镶嵌物的考古调查(vander Werf et al.,2009年)。一个可能的光学显微破坏框架,可以适用于水果提出图。 10.改变发生器和探测器的类型,如图所示。 10能够实现其它测量模式,如电学微观破坏性测试。3.7. 基于智能移动终端的分析仪配备有各种传感器(诸如激发照明源和加速度计)的智能移动终端使它们成为用于各种实际应用的有前景的工具(Hossain等人,2015 a;Pongnumkul等人,2015; Preechaburana等人,2014),包括颜色评估(Intaravanne和Sumriddetchkajorn,2015;图10. 可能的光学显微破坏系统的示意图。S. Li等人 /农业人工智能2(2019)85 - 9895图十一岁 为蓝莓干的颜色和图像纹理分析开发的Android应用程序的程序:a)主界面; b)拍摄界面; c)相册界面; d)切割界面;e)成果界面。Intaravanne等人, 2012; Sumriddetchkajorn等人, 2014)、化学成分测定(Hossain等人,2015 b; Lopez-Ruiz等人, 2014; Masawat等人, 2015)和饮食评估(Oliveira等人, 2014年)。Pertot等人(2012)建立了一种基于包括手机在内的智能终端的视觉识别器,用于辅助非专业人员区分草莓病害。 我们还开发了一个能够进行颜色和图像纹理分析的Android应用程序(图1)。 11),并将该应用程序应用于小浆果或其他生物材料的外观品质分析。4. 联系我们本文综述了光学无损检测技术及其在小浆果质量安全控制中的应用并对这些光学无损检测技术所面临的技术挑战和发展趋势提出了自己的看法特别是由于其相对较低的检测限,我们认为,在实际和基础研究中,所谓的微破坏技术可能替代传统的非破坏技术。此外,建议相关领域少发表“先收集数据,再用机器学习建模农产品相关属性”的研究文章这是因为这样的研究方法很可能涉嫌由于数据掌握在研究人员手中,他们总是能够通过各种方法找到合适的模型然而,从实际的角度来看,这样的模型可能不是很重要。因此,建议在农业工程领域开展以下建模竞赛。 在比赛中,组织者保留部分测试数据,并向公众开放训练数据和验证数据,以便参与者可以访问它们进行建模研究。比赛结束后,参赛者提交模型供组织者验证,而表现更好的模型可以在相关会议或期刊上发表这一举措对于学术界乃至产业界在防止“作弊”模型出现的同时,发现优秀的模型具有重要意义确认本 研 究 得 到 了 中 国 博 士 后 科 学 基 金 资 助 项 目 上 海 帆 船 项 目19YF1414100的
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功