сгенерировать QR код
Открытый доступ
Только для подписчиков
Анализ гиперспектральных снимков плодов яблони для автоматизированной сортировки
https://doi.org/10.31676/0235-2591-2023-6-41-50
Аннотация
Одним из неинвазивных методов обнаружения повреждений плодов является их мониторинг с использованием гиперспектрометров. Гиперспектральные изображения представляют собой набор пространственноразрешенных спектров излучения отраженного объекта. Используя эту информацию, можно выделить характеристики и параметры плодов, которые могут указывать на их повреждения. В данном исследовании анализировали спектральные и пространственные компоненты гиперспектральных снимков плодов яблони. Для классификации объектов на изображениях использовали классификаторы типа «случайный лес». В качестве входных данных для классификаторов использовались спектры отражения, вегетационные индексы и дескрипторы пространственной текстуры (локальные бинарные шаблоны). Классификаторы, основанные на спектральных признаках, работали надежнее тех, которые были обучены без использования спектральных данных. Использование спектральной информации о плодах значительно улучшало результаты классификации при наличии помех от неравномерности освещения. Комбинируя спектральные данные с методами машинного обучения, можно повысить эффективность сортировки плодов. Этот подход открывает новые возможности для разработки методов обработки данных от гиперспектральных сенсоров, установленных на сортировочных линиях с целью надежного обнаружения повреждений плодов яблони
Об авторах
Д. О. Хорт
Федеральный научный агроинженерный центр ВИМ
Россия
Россия
Хорт Д. О. − доктор технических наук, ведущий научный сотрудник
1-й Институтский проезд, д. 5, Москва, 109428
А. Д. Чиликин
Федеральный научный агроинженерный центр ВИМ
Россия
Россия
Чиликин А. Д. − аспирант, научный сотрудник
1-й Институтский проезд, д. 5, Москва, 109428
Б. М. Шурыгин
Московский государственный университет имени М. В. Ломоносова
Россия
Россия
Шурыгин Б. М. – ведущий инженер, кафедра биоинженерии, биологический факультет
Москва
Список литературы
1. Cavaco A. M., Utkin A. B., Marques da Silva J., Guerra R. Making Sense of Light: The Use of Optical Spectroscopy Techniques in Plant Sciences and Agriculture. Appl. Sci. 2022;12:997.
2. Che W., Sun L., Zhang Q., Tan, W., Ye D., Zhang D., Liu Y. Pixel based bruise region extraction of apple using Vis-NIR hyperspectral imaging. Comput. Electron. Agric. 2018;146:12-21.
3. Di Gennaro S. F., Toscano P., Cinat P., Berton A., Matese A. A low-cost and unsupervised image recognition methodology for yield estimation in a vineyard. Front. Plant Sci. 2019;10:559.
4. Drozdov D., Kolomeychenko M., Borisov Y. Supervisely. Available online: https://www.supervise.ly (accessed on 24 November 2022).
5. Gamon J. A., Somers B., Malenovský, Z.; Middleton, E. M.; Rascher, U.; Schaepman, M. E. Assessing Vegetation Function with Imaging Spectroscopy. Surv. Geophys. 2019, 40, 489-513.
6. Gilpin L. H., Bau D., Yuan B. Z., Bajwa A., Specter M., Kagal L. Explaining explanations: An overview of interpretability of machine learning. In Proceedings of the 2018 IEEE 5th International Conference on data science and advanced analytics (DSAA), Turin, Italy, 1–3 October 2018, 80-89.
7. Gitelson A., Arkebauer T., Viña A., Skakun S., Inoue Y. Evaluating plant photosynthetic traits via absorption coeffi cient in the photosynthetically active radiation region. Remote Sens. Environ. 2021;258:112401.
8. Gitelson A., Solovchenko A. Non-invasive quantifi cation of foliar pigments: Possibilities and limitations of refl ectance-and absorbance-based approaches. J. Photochem. Photobiol. B Biol. 2018;178:537-544.
9. Gitelson A., Solovchenko A., Viña A. Foliar absorption coeffi cient derived from refl ectance spectra: A gauge of the efficiency of in situ light-capture by different pigment groups. J. Plant Physiol. 2020;254:153277.
10. Hill C. Learning Scientifi c Programming with Python; Cambridge University Press: Cambridge, UK, 2020.
11. Hufk ens K., Melaas E. K., Mann M. L., Foster T., Ceballos F., Robles M., Kramer B. Monitoring crop phenology using a smartphone based near-surface remote sensing approach. Agric. For. Meteorol. 2019;265:327-337.
12. Lu R., Van Beers R., Saeys W., Li C., Cen H. Measurement of optical properti es of fruits and vegetables: A review. Postharvest Biol. Technol. 2020;159:111003.
13. Pan E., Ma Y., Fan F., Mei. X., Huang J. Hyperspectral image classifi cation across different datasets: A generalization to unseen categories. Remote Sens. 2021;13:1672.
14. Penzel M., Tsoulias N., Herppich W.B., Weltzien C., Zude-Sasse M. Mapping the fruit bearing capacity in a commercial apple (Malus x domestica BORKH) orchard. In Proceedings of the 2020 IEEE International Workshop on Metrology for Agriculture and Forestry (MetroAgriFor), Trento, Italy. November 2020;4-6:283-287.
15. Rendon. E., Alejo R., Castorena C., Isidro Ortega F. J.; Granda Gutierrez E. E. Data sampling methods to deal with the big data multi-class imbalance problem. Appl. Sci. 2020;10:1276.
16. Roitsch T.; CabreraBosquet L., Fournier A., Ghamkhar K., JiménezBerni J., Pinto F., Ober E. S. Review: New sensors and data- driven approaches-A path to next generation phenomics. Plant Sci. 2019;282:2-10. [PubMed]
17. Shurygin B., Chivkunova O., Solovchenko O., Solovchenko A., Dorokhov A., Smirnov I., Astashev M. E., Khort D. Comparison of the Non-Invasive Monitoring of Fresh-Cut Lettuce Condition with Imaging Refl ectance Hyperspectrometer and Imaging PAM-Fluorimeter. Photonics. 2021;8:425.
18. Shurygin B., Smirnov I., Chilikin A., Khort D., Kutyrev A., Zhukovskaya S., Solovchenko A. Mutual Augmentation of Spectral Sensing and MachineLearning for Non-Invasive Detection of Apple Fruit Damages / B. Shurygin, I. Smirnov, A. Chilikin, D. Khort, A. Kutyrev, S. Zhukovskaya, A. Solovchenko. // E3S Web of Conferences, Tashkent, 01–03 апреля 2021 года. – Tashkent, 2021. – P. 04017.
19. Solovchenko A., Dorokhov A., Shurygin B., Nikolenko A., Velichko V., Smirnov I., Khort D., Aksenov A., Kuzin A. Linking tissue damage to hyperspectral refl ectance for non-invasive monitoring of apple fruit in orchards. Plants. 2021;10:310.
20. Solovchenko A., Lukyanov A., Nikolenko A., Shurygin B., Akimov M., Gitelson A. Physiological foundations of spectral imaging-based monitoring of apple fruit ripening. Acta Hortic. 2021;1324:419-428.
21. Vinuesa R., Sirmacek B. Interpretable deep-learning models to help achieve the Sustainable Development Goals. Nat. Mach. Intell. 2021;3:926.
22. Walsh K. B.; Blasco J.; Zude-Sasse, M.; Sun, X. Visible-NIR «point» spectroscopy in postharvest fruit and vegetable assessment: The science behind three decades of commercial use. Postharvest Biol. Technol. 2020;168:111246.
23. Yost J. M., Sweeney P. W., Gilbert E., Nelson G., Guralnick R., Gallinat A. S., Ellwood E. R., Rossington N., Willis C. G.; Blum S. D. Digitization protocol for scoring reproductive phenology from herbarium specimens of seed plants. Appl. Plant Sci. 2018;6:e1022.
Рецензия
Для цитирования:
Хорт Д.О., Чиликин А.Д., Шурыгин Б.М. Анализ гиперспектральных снимков плодов яблони для автоматизированной сортировки. Садоводство и виноградарство. 2023;(6):41-50. https://doi.org/10.31676/0235-2591-2023-6-41-50
For citation:
Khort D.O., Chilikin A.D., Shurygin B.M. Analysis of hyperspectral images of apple fruits for automated sorting. Horticulture and viticulture. 2023;(6):41-50. (In Russ.) https://doi.org/10.31676/0235-2591-2023-6-41-50
Просмотров:
277
Послать статью по эл. почте 