详情

原文传递一种基于信息融合的中华绒螯蟹品质等级判别方法

专利名称：	一种基于信息融合的中华绒螯蟹品质等级判别方法
摘要：	本发明属于无损检测技术领域，涉及一种基于信息融合的中华绒螯蟹品质等级判别方法；步骤为：采集中华绒螯蟹的蟹壳可见近红外波段的高光谱图像，并进行校正；然后划分感兴趣区域，提取RGB信息，再提取感兴趣区域可见近红外波段的光谱信息，筛选特征波长；对步骤一中校正后的高光谱图像进行滤波处理，获取主成分图像后提前感兴趣区域的纹理信息；最后融合特征波长、纹理信息和RGB信息，通过算法建立基于融合信息的分级模型；本发明利用信息融合技术，结合了中华绒螯蟹内部属性和外部属性信息，更加立体全面的体现中华绒螯蟹的品质等级，具有分级精度高和性能更稳定的优点，解决了现有技术指标单一、过程繁琐和效率低的缺陷。
专利类型：	发明专利
国家地区组织代码：	江苏;32
申请人：	江苏大学
发明人：	石海军;黄晓玮;李志华;邹小波;石吉勇;赵号;徐艺伟
专利状态：	有效
申请日期：	2019-02-26T00:00:00+0800
发布日期：	2019-06-14T00:00:00+0800
申请号：	CN201910141492.9
公开号：	CN109883967A
分类号：	G01N21/31(2006.01);G;G01;G01N;G01N21
申请人地址：	212013 江苏省镇江市京口区学府路301号
主权项：	1.一种基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，具体步骤如下：步骤一：采集中华绒螯蟹的蟹壳可见近红外波段的高光谱图像，并对高光谱图像进行校正；步骤二：根据步骤一中校正后的高光谱图像划分感兴趣区域；步骤三：运用高光谱图像处理软件提取感兴趣区域可见近红外波段的光谱信息，并进一步筛选特征波长；步骤四：对步骤一中校正后的高光谱图像进行滤波处理，再运用高光谱图像处理软件获取主成分图像，进一步提取主成分图像中感兴趣区域的纹理信息；步骤五：对步骤二中划分的感兴趣区域提取RGB信息；步骤六：用高斯归一化方法融合特征波长、纹理信息和RGB信息；建立基于融合信息的分级模型。 2.根据权利要求1所述的基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，步骤一和三中，所述可见近红外波段的波长范围为421-963nm。 3.根据权利要求1所述的基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，步骤一中，所述校正为：采集白色标定板图像W，以及关闭摄像机快门采集得到全黑的标定图像B；应用公式(1)进行图像标定：式中，I原始图像，R校正后的图像。 4.根据权利要求1所述的基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，步骤二所述划分感兴趣区域的具体步骤为：使用自动阈值分割实现对中华绒螯蟹图像与背景分离，再获取中华绒螯蟹壳区域中心坐标和中华绒螯蟹图像的中轴线，以中心坐标为中心，中轴线为对称轴生成300×300至500×500像素大小的矩形为感兴趣区域。 5.根据权利要求1所述的基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，步骤三所述筛选特征波长的具体方法为：先用多元散射校正方法对光谱信息进行预处理，再运用遗传算法或蚁群优化算法挑选中华绒螯蟹的特征波长。 6.根据权利要求5所述的基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，所述遗传算法筛选的特征波长为432nm、498nm、519nm、583nm、620nm、678nm、791nm、876nm和902nm；所述蚁群优化算法筛选的特征波长为437nm、475nm、585nm、633nm、666nm、713nm、745nm和875nm。 7.根据权利要求1所述的基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，步骤四中所述滤波处理为采用中值滤波对中华绒螯蟹高光谱图像进行降噪滤波处理；所述获取主成分图像是利用高光谱图像处理软件提取高光谱图像的前三个主成分图像，分别记作PC1、PC2、PC3；所述提取主成分图像中感兴趣区域的纹理信息是指提取PC1、PC2、PC3图像感兴趣区域的纹理信息，具体是提取3个主成分图像灰度共生矩阵的灰度均值、灰度值方差、能量、相关性、同质性和对比度6个纹理特征参数，共18个特征值。 8.根据权利要求1所述的基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，步骤六中所述融合特征波长、纹理信息和RGB信息具体为融合特征波长和纹理信息，特征波长和RGB信息，特征波长、纹理信息和RGB信息。 9.根据权利要求1所述的基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，步骤六中所述高斯归一化方法为通过归一化公式将特征波长、纹理信息和RGB信息的值分布在区间[-1，1]内；所述高斯归一化公式为：其中，V表示特征向量，n表示n维特征向量，μk和σk表示第k维向量的均值和方差。 10.根据权利要求1所述的基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，步骤六所述的算法包括随机森林算法、线性判别分析、K最近邻法，支持向量机或人工神经网络模型。
所属类别：	发明专利