采用二次连续投影法和BP人工神经网络的寒富苹果病害高光谱图像无损检测

刘思伽,田有文*,张 芳,冯 迪

(沈阳农业大学信息与电气工程学院,辽宁省农业信息化工程技术研究中心,辽宁 沈阳 110866)

摘 要:为提供苹果病害在线、快速、无损检测的理论依据,采用高光谱成像技术进行了北方大面积种植的寒富苹果病害无损检测研究。寒富苹果的主要病害有炭疽病、苦痘病、黑腐病和褐斑病害。为选择较少的有效波长而利于在线快速检测,首先采集高光谱苹果图像,分割出感兴趣区域并提取光谱信息,然后采用连续投影算法(successive projections algorithm,SPA)从全波长(500~970 nm)中提取了10 个特征波长SPA1(502、573、589、655、681、727、867、904、942 nm和967 nm),再对这10 个特征波长采用连续投影算法提取3 个特征波长SPA2(681、867 nm和942 nm)。最后利用全波长光谱信息、SPA1提取的10 个特征波长的光谱信息和SPA2提取的3 个特征波长的光谱信息作为输入矢量采用线性判别分析、支持向量机和BP人工神经网络(BP artificial neural network,BPANN)模型进行苹果病害的检测。通过对检测结果分析,最终选择SPA2-BPANN为最佳检测方法,训练集检测率达100%,验证集检测率达100%。结果表明,高光谱成像技术可以有效对苹果病害进行检测,所获得的特征波长可为开发多光谱成像的苹果品质检测和分级系统提供参考。

关键词:高光谱成像;连续投影法;BP人工神经网络;苹果病害;无损检测

寒富苹果是北方大面积种植的水果之一,因其抗寒性和易保存受到人们的青睐。但在其生长和存储过程中易受病害影响,主要的病害有黑腐病、褐斑病、苦痘病、炭疽病等病害[1],传染其他果实造成大量经济损失[2]。因此病害果的前期分拣十分必要。

目前,针对水果病害的检测主要以人工分拣为主,通过目测对外部缺陷病害果进行分拣,然后再用现有的分级设备进行大小分级,进而分装出售。由于人工分拣的效率较低,对诸如早期病害果的检测分拣难度较大、准确性差、很难达到分级的一致性[3]。一些研究学者也尝试采用成像技术和光谱分析进行水果各种缺陷的无损检测[4-6],但成像技术所采用的彩色图像处理算法较复杂,处理数据慢,也常将属于正常果实一部分的果梗/花萼误认是缺陷部分,所以不适用于水果在线检测的要求。而光谱分析技术只能采集研究对象局部区域的平均光谱,缺少研究对象的空间信息,因此检测水果缺陷效果较差。

近年来高光谱成像技术发展迅速,由于其融合了图像处理和光谱分析的优点,能够无损地检测研究对象内外部特性,因此近年来在农产品品质检测与分级中应用十分广泛[7-10],尤其为水果各种缺陷的检测提供了新的途径和方法[11-13]。Pan Leiqing等[14]利用高光谱成像技术采用单因素方差分析选取特征波长并建立多层感知神经网络模型检测桃子的损伤。田有文等[15]采用主成分分析选取2 个特征波长的光谱相对反射率结合纹理特对苹果虫害进行检测。Ferrari等[16]利用高光谱成像技术采用间隔偏最小二乘判别分析算法检测苹果的早期损伤。Baranowski等[17]利用高光谱成像技术对比近红外和短波红外采用支持向量机、线性回归分析、神经网络和决策树等方法检测苹果的轻微损伤。Wangga等[18]利用高光谱成像技术采用逐步判别分析提取特征波长检测枣的虫害。Lee等[19]利用高光谱成像技术发现最佳阈值波段比法可以有效地检测出梨的淤伤。

纵观国内外关于水果各种缺陷检测的研究报道,采用高光谱成像技术可有效检测水果的病害等缺陷,但其利用的特征较多,且利用的光谱特征波长也较多,故处理数据较繁琐,不利于水果品质的在线检测。为了打破此瓶颈,则应该选取较少特征波长作为特征向量,然后筛选理想的检测模型。本研究的主要目的是利用高光谱成像技术结合连续投影算法选取较少的特征波长来检测苹果病害,并优选BP人工神经网络(BP artificial neural network,BPANN)模型、线性判别分析(linear discriminant analysis,LDA)模型和支持向量机(support vector machine,SVM)模型检测,以实现染有病害的苹果进行快速、无损检测,为后续的构建苹果品质与分级在线检测多光谱系统提供理论依据。

1 材料与方法

1.1 材料

研究对象为带有病害的寒富苹果240 个和正常苹果60 个,采摘自沈阳农业大学苹果种植示范园。由于果梗和花萼属于正常苹果的一部分,为避免将其误判为病害,单独将果梗和花萼区域提出与病害区域进行对比检测[20]。其中60 个为有炭疽病的苹果;60 个为有苦痘病的苹果;60 个为有褐斑病的苹果;60 个为有黑腐病的苹果;另外60 个为正常苹果。从正常苹果和各类病变苹果中各选40 个用于建立苹果病变与正常模型,其他苹果用于检验。

1.2 高光谱成像系统

图1 高光谱成像系统示意图
Fig. 1 Schematic diagram of hyperspectral imaging system

高光谱成像系统如图1所示。整个系统由高光谱成像光谱仪(ImSpector V10E,Spectral Imaging Ltd.,Finland)、一架像素为1 392×1 040的面阵CCD相机(IGV-B1410M,IMPERX Incorporated)、一套位移台及控制平台(IRCP0076-1 COM)、两个150 W的光纤卤素灯(3900 Illuminatior, Illumination Technologies)、一个暗箱(120 cm×50 cm×140 cm)和DELL Vostro 5560D-1528一台计算机等组成。高光谱摄像头的光谱范围为373~1 033 nm,共523 个波长,光谱分辨率为1.4 nm。经反复调试与优化确定物距高度为35 cm,位移平台速率为2.2 mm/s。

1.3 方法

1.3.1 图像黑白板矫正

为防止高光谱摄像头中存在的暗电流及不均匀光强会对高光谱图像产生噪声影响,对高光谱图像进行黑白板校正,按照公式(1)计算可得校正后图像R[21]

式中:IS为原始的苹果高光谱图像;ID为黑板校正图像;Iw为白板校正图像;R为校正后的高光谱图像。

1.3.2 特征波长提取

连续投影算法(successive projections algorithm,SPA)是一种前向循环的变量的选择方法,它可以从严重重叠的光谱信息中提取有效信息,使光谱变量之间的共线性影响最小化[22]。该方法在初始状态时选择一个波长,然后采用循环选择的方式向前进行,通过计算在未选入的波长上的投影来选取投影向量的最大波长,再将该向量引入波长组合,直至循环截止。假设该光谱的吸收矩阵为XM×K,其中M为样品数、K为计算中所带入的波长个数,将初始的迭代向量记作{XK(0)},将提取的变量数记作N(N<M-1),列变量记作j,最后提取出{XK(0)=0,N-1}的变量。

1.3.3 检测模型

线性判别分析(linear discriminant analysis,LDA)是模式识别的经典算法。广义的LDA是指所有的判别函数均为线性函数,LDA的基本思想是寻求一组最优的鉴别矢量,将原始数据投影到特征空间,使其类间离散度趋于最大,类内离散度趋于最小[23]

SVM是在统计学理论基础上发展起来的一种新的通用模式识别方法,主要采用统计学习理论的风险最小化原则,并且兼顾泛化能力和训练误差。在解决小样本、非线性、高维数、局部极小值等模式识别问题中表现出特有的优势、可靠性高[24]

BPANN是一种单向传播的多层网络,主要由输入层、输出层和隐含层组成的多层无反馈的连接网络[25]。它具有自组织、自学习、联想存储的功能和高速寻找优化解的能力。其主要特点是信号向前传递,误差反向传播。具有良好的非线性逼近能力和结构简单、技术成熟的优点。

1.4 数据处理

本实验中的数据处理采用ENVI 4.8[26](Research System Inc.,美国)、Matlab 7.1[27](The MathWorks Inc.,美国)和Excel 2013[28](Microsoft,美国)软件。具体数据处理过程如图2所示。

图2 高光谱图像处理流程图
Fig. 2 Processing fi ow chart of hyperspectral imaging system

2 结果与分析

2.1 采集高光谱图像

图3 苹果高光谱图像
Fig. 3 Hyperspectral images of apple fruits

在苹果高光谱图像数据中,每点像素都对应于一个全波长的光谱信息。利用高光谱成像仪采集苹果高光谱图像,通过高光谱图像数据采集软件Spectral Image设定位移平台移动速率为2.2 mm/s,物距为350 mm,相机曝光时间为65 ms,以确保采集的高光谱图像清晰。然后采反射率为99%的白色标定图像Rw和全黑的标定图像Rb,将苹果依次放置于位移平台上。通过高光谱图像数据采集软件获取每个苹果不同空间位置的光谱信息。图3为采集的苹果正常果,果梗/花萼和各种病害果的高光谱图像。

2.2 感兴趣区域分割

图4 感兴趣区域分割处理流程图
Fig. 4 Image segmentation for regions of interest

本实验选取单波长700 nm图像因为在此波长苹果图像清晰与背景界限明了易于分割。图4b为病害果的700 nm图像。采用基于灰度直方图的阈值分割算法分割出苹果与背景,从而得到苹果的二值化图像,如图4c所示。然后用此二值化图像对高光谱图像进行掩膜,以消除背景和噪声等。对掩膜后的苹果高光谱图像进行阈值分割,实现苹果病害区域、花萼区域和果梗区域的分割,如图4d所示。最后对分割出来的区域进行腐蚀膨胀运算,从而确定病害区域、花萼区域和果梗区域等感兴趣区域的像素点位置,为后续实验提供依据,该图像分割结果如图4e所示。由于果梗、花萼部分与周围区域灰度有些区别,在分割过程中经常被分割出来误认成病害,如图4d所示,因此本实验应提取果梗、花萼部分的光谱信息与病害部分的光谱信息做进一步的检测,进而检测出真正的病害部分。

2.3 图谱特征分析

由感兴趣区域分割出的苹果病害部位、正常部位及果梗、花萼部位,然后分别提取这些部分的光谱信息绘制成光谱曲线,如图5所示。正常苹果一般分割不出的感兴趣区域,此时可将二值化图像分割结果作为正常苹果的感兴趣区域。在波长400~500 nm范围内,各类样本的光谱相对反射率区别较小,且这部分范围内数据噪声较大,另外970~1 000 nm波长条件下噪声也较大,为了不影响后续苹果正常和病害检测的准确性,这两部分内的所有波长将被除去。因此任选感兴趣区域内2×2点像素的500~970 nm波长条件下的光谱相对反射率进行分析。

图5 光谱相对反射率曲线
Fig. 5 Relative spectral refi ectance curves

2.4 提取的特征波长

图6 连续投影法提取特征波长个数
Fig. 6 Numbers of feature wavelengths obtained after each selection cycle by successive projections algorithm

为了降低计算量和提高检测模型的性能,常采用一些算法选取最优波长以消除高光谱图像冗余信息。本研究采用连续投影法以降低高光谱图像数据的维数,以筛选出几个重要的波长。首先采用连续投影法从500~970 nm波长条件下的367 个波长中选取特征波长。为了选取较少的特征波长代表全波长光谱特征。第1次采用SPA筛选出了10 个特征波长,如图6a所示,分别为502、573、589、655、681、727、867、904、942 nm和967 nm。本实验将这10 个特征波长下的光谱相对反射率的集合作为SPA1。考虑到10 个特征波长数量较多计算量较大,不利于后续的在线检测。所以对优选出的10 个特征波长再次使用连续投影法选出3 个特征波长,如图6b所示,分别为681、867 nm和942 nm。令这3 个特征波长下的光谱相对反射率的集合为SPA2。

2.5 模型的建立与分析

本实验采用LDA、SVM和BPANN模型对苹果的病害进行检测。经过图4的分割方法,有时会将果梗/花萼与病害部分一起分割出来或分割出多个区域的病害。这时只要有其中的一个部分被识别为病害部分,就将此苹果判别为病害。

随机从4 种病害果中分别抽取40 个苹果,从正常的苹果中抽取40 个,共计200 个训练样本。用LDA、SVM和BPANN建立检测模型并加以对比分析。全波长的输入矢量为500~970 nm波长条件下的367 个波长的光谱相对反射率,SPA1的输入矢量为第1次连续投影法所得的10 个特征波长下的光谱相对反射率,SPA2的输入矢量为两次连续投影法所得的3个特征波长下的光谱相对反射率,然后将剩下的80 个病害果和20 个正常果作为验证样本通过以上3种模型进行验证。

采用LDA检测模型时,将实验200 个训练样本的感兴趣区域的光谱相对反射率作为LDA检测模型的输入矢量,对应的输入正常苹果为1,病害苹果为-1,果梗、花萼也为1。采用SVM模型进行检测时分别用4 种不同核函数的 SVM 来检测苹果病害,以评判哪一种核函数适合于苹果病害的检测。SVM中学习参数为C=10,ξ=0.001,多项式核函数中的q取3,径向基核函数中的σ取1/3,Sigmoid 核函数中v取1/3,c取-10。通过3 种SVM方法检测结果,径向基核函数的SVM结果最佳,所以表1苹果病害检测结果表中SVM的结果为径向基核函数检测的结果。采用BPANN检测时,输入单元数与特征数一致。BPANN隐含层数为1,含有4个神经单元。输入层和隐含层传递函数为正切S型传递函数。学习方式为加入趋势动量项的梯度下降的训练函数,动量系数为0.5。人工神经网络的训练精度设为0.001,最大迭代次数5 000。输出层传递函数为线性传递函数,包含1 个神经元,若苹果带有病害,输出为-1;若为正常苹果,输出为1;若为果梗或花萼,输出为1。再将验证集中的测试样本通过训练好的BPANN模型进行检测。表1为采用LDA模型、SVM模型和BPANN对寒富苹果病害的检测结果。

表1 苹果病害检测结果
Table 1 Results of detection apple diseases

由表1可以看出,在采用同一检测模型的验证集进行检测时全波长与SPA1、SPA2的检测效果基本一致。采用LDA模型时全波长和SPA1的验证集检测率为85%,SPA2的检测率为77%,效果稍差;采用SVM模型时全波长验证集的检测率为85%,SPA1的检测率为84%稍有降低,SPA2的检测率为85%与全波长检测结果一致;在采用BPANN模型时全波长、SPA1和SPA2的验证集都达到了100%,说明少量特征波长可以代替全波长有效的检测出苹果的病害,而且计算量较小更有利于在线检测。

利用LDA和SVM模型检测结果由表1所示,LDA对苹果病害检测的训练集达到100%,验证集为77%;SVM中的4种模式中检测效果最佳的径向基函数模式,训练集检测率为95%,验证集检测率为86%。由于BPANN是局部搜索最优算法,所以解决问题的关键是全局极值。因此在网络层数,每层神经元个数,初始值等方面要注意选取原则,以提高学习效率。由此,本实验在选取特征波长后利用BPANN检测可得到很好的效果。由表1所示,BPANN检测寒富苹果病害的效果最好,训练集达到100%,验证集也达到100%。

3 结 论

本实验主要基于高光谱成像技术,通过500~970 nm全波长、SPA1提取的10 个特征波长(502、573、589、655、681、727、867、904、942 nm和967 nm)和SPA2提取的3 个特征波长(681、867 nm和942 nm)下的苹果正常区域、苹果病害区域和苹果果梗/花萼区域内的光谱相对反射率,建立BPANN模型、LDA模型和SVM对带有病害的苹果进行检测。将3 种模型检测结果对比发现,使用连续两次连续投影法所选取的3 个特征波长可以有效地检测出苹果病害,检测效果基本与500~970 nm全波长一致,但计算量明显小于全波长。而通过对比3 种检测模型发现BPANN的检测效果最好,LDA与SVM的检测效果稍差。SPA2-BPANN为检测寒富苹果病害的最佳方法,为实现构建寒富苹果品质与分级多光谱在线、快速、无损检测系统提供了理论参考。本研究只对寒富苹果的多种病害进行了检测,未对病害种类进行识别。一些学者曾经结合图像参数如纹理特征等进行病害识别,但所需处理的数据量较大,不利于在线检测。另外在实际苹果品质与分级在线检测生产中,要同时检测虫害、损伤等多种缺陷及糖度、硬度等品质,高光谱成像技术是否能筛选出较少波长以同时检测各种品质,而且能实现病害的识别,以便于构建实用的寒富苹果品质与分级在线检测系统,将是下一步研究的重点。

参考文献:

[1] 楚燕杰. 苹果病虫害诊治原色图谱[M]. 北京: 科学技术文献出版社, 2011.

[2] 王敬尊. 苹果炭疽病的检测与防治[J]. 安徽农业科学, 2009, 37(18): 8560-8561; 8646. DOI:10.13989/j.cnki.0517-6611.2009.18.116.

[3] 田有文, 程怡, 王小奇, 等. 基于高光谱成像的苹果虫伤缺陷与果梗/花萼识别方法[J]. 农业工程学报, 2015, 31(4): 325-331. DOI:10.3969/j.issn.1002-6819.2015.04.046.

[4] LI Qingzhong, WANG Maohua, GU Weikang. Computer vision based system for apple surface defect detection[J]. Computers and Electronics in Agriculture, 2002, 36: 215-223.

[5] SCOTTER C N G. Non-destructive spectroscopic techniques for the measurement of food quality[J]. Trends in Food Science and Technology, 1997, 8: 285-292.

[6] BROSNAN T, SUN D W. Improving quality inspection of food products by computer vision: a review[J]. Journal of Food Engineering, 2004, 61: 3-16.

[7] 李江波, 饶秀勤, 应义斌. 农产品外部品质无损检测中高光谱成像技术的应用研究进展[J]. 光谱学与光谱分析, 2011, 31(8): 2021-2026. DOI:10.3964/j.issn.1000-0593(2011)08-2021-06.

[8] LORENTE D, ALEIXOS N, GÓMEZ-SANCHIS J, et al. Recent advances and applications of hyperspectral imaging for fruit and vegetable quality assessment[J]. Food and Bioprocess Technology, 2012, 5(4): 1121-1142. DOI:10.1007/s11947-011-0725-1.

[9] 张保华, 李江波, 樊书祥, 等. 高光谱成像技术在果蔬品质与安全无损检测中的原理及应用[J]. 光谱学与光谱分析, 2014(10): 2743-2751. DOI:10.3964/j.issn.1000-0593(2014)10-2743-09.

[10] 田有文, 程怡, 吴琼, 等. 高光谱成像技术在农产品病虫害无损检测方面的研究进展[J]. 激光与红外, 2013, 43(12): 634-637. DOI:10.3969/j.issn.1001-5078.2013.12.02.

[11] MEHL P M, CHEN Y R, KIM M S, et al. Development of hyperspectral imaging technique for the detection of apple surface defects and contaminations[J]. Journal of Food Engineering, 2004, 61(1): 67-81. DOI:10.1016/S0260-8774(03)00188-2.

[12] 李江波, 王福杰, 应义斌, 等. 高光谱荧光成像技术在识别早期腐烂脐橙中的应用研究[J]. 光谱学与光谱分析, 2012, 32(1): 142-146. DOI:10.3964/i.issn.1000-0593(2012)01-0142-05.

[13] 黄文倩, 陈立平, 李江波, 等. 基于高光谱成像的苹果轻微损伤检测有效波长选取[J]. 农业工程学报, 2013, 29(1): 272-277. DOI:10.3969/j.issn.1002-6819.2013.01.036.

[14] PAN Leiqing, ZHANG Qiang, ZHANG Wei, et al. Detection of cold injury in peaches by hyperspectral refi ectance imaging and artifi cial neural network[J]. Food Chemistry, 2016, 192: 134-141. DOI:10.1016/ j.foodchem.2015.06.106.

[15] 田有文, 程怡, 王小奇, 等. 基于高光谱成像的苹果虫害检测特征向量的选取[J]. 农业工程学报, 2014, 30(12): 132-139. DOI:10.3969/ j.issn.1002-6819.2014.12.016.

[16] FERRARI C, FOCA G, CALVINI R, et al. Fast exploration and classification of large hyperspectral image datasets for early bruise detection on apple[J]. Chemometrics and Intelligent Laboratory Systems, 2015, 146: 108-119. DOI:10.1016/j.chemolab.2015.05.016.

[17] BARANOWSKI P, MAZUREK W, PASTUSZKA-WO NIAK J. Supervised classifi cation of bruised apples with respect to the timeafter bruising on the basis of hyperspectral imaging data[J]. Postharvest Biology and Technology, 2013, 86: 249-258. DOI:10.1016/ j.postharvbio.2013.07.005.

[18] WANGA J, NAKANO K, OHASHI S, et al. Detection of external insect infestations in jujube fruitusing hyperspectral reflectance imaging[J]. Biosystems Engineering, 2011, 108: 345-351. DOI:10.1016/j.postharvbio.2013.07.005.

[19] LEE W H, KIM M S, LEE H, et al. Hyperspectral near-infrared imaging for the detection of physical damages of pear[J]. Journal of Food Engineering, 2014, 130: 1-7. DOI:10.1016/j.jfoodeng.2013.12.032.

[20] 田有文, 程怡, 王小奇, 等. 基于高光谱成像的苹果虫伤缺陷与果梗/花萼检测方法[J]. 农业工程学报, 2015, 31(4): 325-331. DOI:10.3969/j.issn.1002-6819.2015.04.046.

[21] WU Di, SUN Dawen. Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment a review part Ⅰ fundamentals[J]. Innovative Food Science and Emerging Technologies, 2013, 19(4): 1-14.

[22] 吴迪, 宁纪锋, 刘旭, 等. 基于高光谱成像技术和连续投影算法检测葡萄果皮花色苷含量[J]. 食品科学, 2014, 35(8): 57-61. DOI:10.7506/spkx1002-6630-201408010.

[23] 苗春玉. 线性判别分析改进算法的分析与研究[D]. 沈阳: 辽宁师范大学, 2012.

[24] 张芳, 王璐, 付立思, 等. 基于支持向量机的黄瓜叶部病害的识别研究[J]. 沈阳农业大学学报, 2014, 45(4): 457-462. DOI:10.3969/ j.issn.1000-1700.2014.04.014.

[25] 李友坤. BP神经网络的研究分析及改进应用[D]. 合肥: 安徽理工大学, 2012.

[26] 沈焕锋. ENVI遥感影像处理方法[M]. 武汉: 武汉大学出版社, 2009.

[27] 杨丹, 赵海滨, 龙哲, 等. MATLAB图像处理实例详解[M]. 北京: 清华大学出版社, 2013.

[28] 黄崑, 骆方, 刘晓娟, 等. Excel统计分析基础教程[M]. 北京: 清华大学出版社, 2013.

Hyperspectral Imaging for Nondestructive Detection of Hanfu Apple Diseases Using Successive Projections Algorithm and BP Neural Network

LIU Sijia, TIAN Youwen*, ZHANG Fang, FENG Di
(Research Center of Liaoning Agricultural Informatization Engineering Technology, College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang 110866, China)

Abstract:In order to provide a theoretical basis for the online, rapid and nondestructive detection of apple diseases, hyperspectral imaging was adopted to study the nondestructive detection of diseases (mainly anthracnose, bitter pox disease, black fruit rot and leaf spot disease) in fruits of the apple cultivar Hanfu, which is widely planted in north China. The acquired hyperspectral images were used for segmentation of regions of interest and extraction of spectral information. Then, 10 feature wavelengths (502, 573, 589, 655, 681, 727, 867, 904, 942 and 967 nm) were extracted in the full wavelength range of 500970 nm by successive projection algorithm (SPA1). Furthermore, three wavelengths (681, 867 and 942 nm) were selected out of these feature wavelengths by using this algorithm again (SPA2). Finally, the spectral data in the full wavelength range and at the feature wavelengths obtained after each selection step were used as input vector to build a linear discriminant analysis (LDA) model, a support vector machine (SVM) model and a BP artifi cial neural network (BPANN) model for the detection of diseases in apple. Analysis of the test results revealed that SPA2-BPANN was fi nally chosen as the best detection method, providing a correct detection rate of 100% for both training validation sets. Our results show that hyperspectral imaging allows effective detection of diseases in apples, and the characteristic wavelength obtained can provide a reference for the development of multispectral imaging for apple quality detection and classifi cation system.

Key words:hyperspectral imaging; successive projections algorithm; BP artificial neural network; apple disease; nondestructive detection

引文格式:

引文格式:

刘思伽, 田有文, 张芳, 等. 采用二次连续投影法和BP人工神经网络的寒富苹果病害高光谱图像无损检测[J]. 食品科学, 2017, 38(8): 277-282. DOI:10.7506/spkx1002-6630-201708043. http://www.spkx.net.cn

LIU Sijia, TIAN Youwen, ZHANG Fang, et al. Hyperspectral imaging for nondestructive detection of Hanfu apple diseases using successive projections algorithm and BP neural network[J]. Food Science, 2017, 38(8): 277-282. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-201708043. http://www.spkx.net.cn

DOI:10.7506/spkx1002-6630-201708043

中图分类号:S436.611;TP391.4

文献标志码:A

文章编号:1002-6630(2017)08-0277-06

收稿日期:2016-06-30

基金项目:辽宁省大型仪器设备共享服务项目(LNDY201501003);沈阳市大型仪器设备共享服务专项(F15-166-4-00)

作者简介:刘思伽(1988—),女,硕士研究生,研究方向为高光谱成像在农产品品质检测。E-mail:1021550711@qq.com

*通信作者:田有文(1968—),女,教授,博士,研究方向为图谱分析在农产品品质检测应用。E-mail:youwentian10@163.com