본 연구에서는 400-1000nm 초분광 카메라를 사용할 수 있으며 Hangzhou Color Spectrum Technology Co., LTD의 제품을 사용했습니다.
FS13에서는 관련 연구를 진행하고 있습니다.스펙트럼 범위는 400-1000nm이고 파장 분해능은 2.5nm보다 좋으며 최대 1200입니다.
두 개의 스펙트럼 채널.전체 스펙트럼에서 최대 128FPS의 획득 속도, 대역 선택 후 최대 3300Hz(다중 영역 지원)
도메인 밴드 선택).
중국에서는 감자 주곡 전략이 추진되면서 감자 관련 산업체인이 급속히 발전했고, 감자 품질이 뜨거운 이슈로 떠올랐다.그러나 녹색 껍질 및 기계적 손상과 같은 결함은 감자의 전체 수량에 심각한 영향을 미치며, 특히 녹색 껍질 감자의 복잡한 모양은 결함을 식별하기가 쉽지 않고 감지의 어려움을 증가시킵니다.동시에, 녹색 감자의 솔라닌 함량이 식용 기준을 초과하면 식중독으로 이어져 식품 안전 문제를 일으킬 수 있습니다.따라서 감자 심층 가공 및 감자 산업 체인 확장을 위한 빠르고 비파괴적인 감지 방법을 연구하는 것은 큰 의미가 있습니다.
초분광 이미징 기술은 대역 범위가 넓다는 장점이 있으며, 검사 시료의 해당 대역 범위의 이미지와 스펙트럼 정보를 동시에 얻을 수 있어 농산물의 신속한 비파괴 검사에 널리 사용되었습니다.연한 녹색 껍질을 가진 감자가 임의의 위치에서 인식하기 쉽지 않은 문제를 해결하기 위해 반투과 및 반사 초분광 이미징 기술을 사용하여 비교 분석하고 다양한 초분광 이미징 방법에서 모델 인식 정확도를 결정했습니다. .감자 샘플의 반투과 초분광 이미지와 반사 초분광 이미지를 임의의 위치에서 수집하고, 각각 이미지 정보와 스펙트럼 정보를 기반으로 한 검출 모델을 구축하고, 서로 다른 모델의 인식률을 비교하였다.모델 성능을 향상시키기 위해 이미지와 스펙트럼 융합 모델 또는 다양한 이미징 융합 모델을 추가로 구축하고 최종적으로 최적의 모델을 결정합니다.
(1) 다양한 초분광 이미징 방법을 사용한 영상정보 인식 모델의 정확도를 비교합니다.반전송 영상 정보를 기반으로 한 Deep Belief 네트워크 모델과 결합된 아이소메트릭 매핑의 인식률은 78.67%에 불과합니다.반영된 영상정보를 기반으로 한 Deep Belief Network 모델과 결합된 최대 분산 확장의 인식률은 77.33%에 불과합니다.그 결과, 단일 영상정보에 의한 연한 녹색 감자 검출의 정확도는 높지 않은 것으로 나타났다.
(2) 다양한 초분광 이미징 방법을 사용한 스펙트럼 정보 인식 모델의 정확도를 비교합니다.반전송 스펙트럼 정보를 기반으로 한 Deep Belief 네트워크 모델과 결합된 국소 접선 공간 배열 인식률은 93.33%로 최고 수준입니다.반사 스펙트럼 정보를 기반으로 한 심층 신뢰 네트워크 모델과 결합된 국소 접선 공간 배열의 인식률은 최대 90.67%입니다.결과는 단일 스펙트럼 정보를 사용하여 연한 녹색 감자를 감지하는 것이 가능하지만 인식률을 더욱 향상시킬 필요가 있음을 보여줍니다.
(3) 세 가지 다중 소스 정보 융합 방법이 인식 정확도에 미치는 영향을 비교합니다.반투과 이미지와 반투과 스펙트럼, 반사 이미지와 반사 스펙트럼, 반투과 스펙트럼과 반사 스펙트럼의 세 가지 융합 모델의 정확도는 단일 이미지 또는 스펙트럼 모델보다 높으며, 심층 신뢰 네트워크 융합 모델은 반투과 스펙트럼과 반사 스펙트럼이 가장 좋고, 보정 세트와 테스트 세트의 인식률은 100%이다.결과는 반투과 스펙트럼과 반사 스펙트럼의 융합 모델이 연한 녹색 껍질 감자의 비파괴 검사를 실현할 수 있음을 보여줍니다.