多重波段高光谱成像技术检测金冠苹果瘀伤—翻译1.doc

《多重波段高光谱成像技术检测金冠苹果瘀伤—翻译1.doc》由会员分享，可在线阅读，更多相关《多重波段高光谱成像技术检测金冠苹果瘀伤—翻译1.doc（10页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、【精品文档】如有侵权，请联系网站删除，仅供学习与交流多重波段高光谱成像技术检测金冠苹果瘀伤翻译1.精品文档.多重波段高光谱成像技术检测金冠苹果瘀伤Juan Xing； Cedric Bravo； Pa l T. Jancso k； Herman Ramon； Josse De Baerdemaeker农业机械和处理实验室， 农业工程和经济学学院，鲁汶天主教大学艾伦伯格Kasteel公园30，b 3001，比利时鲁汶；联系人的电子邮件juan.xingagr.kuleuven.ac.be：2004年6月收稿，2004年11月出版摘要：在这个研究中，使用的潜在多光谱成像系统追究检测“金冠苹果”瘀伤

2、。为了这个目的，一个波段范围在400nm和1000nm的高光谱成像系统成立了。基于高光谱成像的主成分分析，四个波段被选取了作为一个多光谱成像测试。主成分分析多光谱图像在高光谱影像给了非常相似的结果。第二个和第三个主成分组件分数图像被发现是适合标识瘀伤的存在的部位。开发了基于阈值分析的一个图像处理和分类算法。分类结果表明，使用示例数目的在这个实验中，大约93%的非瘀伤的苹果被辨别出来。实现了约86%的精度检测瘀伤，虽然所有的受伤区域被发现仍然在图像阈值范围内显现出来。关键词：苹果，跌打损伤，缺陷，近红外，高光谱成像，质量，光谱学1 引言擦伤是苹果在处理运输过程中发生的一个重大的皮肤缺陷。水果外表

3、的会影响消费者购买行为和外貌值。因此，苹果有表面缺陷必须与非伤痕累累的苹果在进入商场之前必须进行分级操作。最近可用商业分类系统以及存在各自不同程度的缺陷，但他们的能力检测suchsub病变缺陷擦伤是仍然还是一个问题(Lu，2003)。许多技术被用来研究自动检测苹果果实的伤痕和损伤。机器视觉被广泛应用于水果业水果的大小进行排序和颜色的分类。然而，这一排序系统存在一定的缺陷，比如在机器视觉仍然具有一个挑战性的问题。商业在分拣系统中的缺陷，微笑的缺陷在跌打损伤仍然是一个问题，研究中发现，可用于近红外光谱（NIRS）检测瘀伤苹果，因为新鲜的具有伤痕累累组织的苹果具有较低的反射率比正常的结构的苹果在短波

4、区域近红外（VIS/NIR）约400-1000nm（brown等人，1974，；Geoola等人，1994年，厄普丘奇等人，1990年）。然而，由于近红外光谱测量小面积的组织（点的测量），因此不适合用于检查整个苹果。Throop认为使用近红外摄像头获取整个苹果扫描的图像开发的图像处理来检测两个具有不同的伤痕的苹果，不同的检测结果在很大程度上取决于挫伤的严重程度和挫伤中形状进行处理。后来，该组研究人员研发出一种多光谱成像系统使用四个波段来检测外伤缺陷，（Aneshansley等人，1997年，throop等人，1999年）。制定详细的报告来说明检测挫伤的成效。其他（schatzki等人，1997

5、）使用X射线成像系统来检测苹果的缺陷，但是这种检测技术不适用于目前市面上的水果的缺陷。温和陶（1998）采用双凸轮技术，即一个近红外相机和一个红外摄像头用来检测具有表面缺陷的水果。最近，对高光谱成像进行研究的农产品质量安全检验检测（法-rence等人，2001年，199年）lu等人（1999年）研究了高光谱成像检测了三个品种的苹果在450-900nm光谱区域的图像，研究发现在一个多拓展区可以检测水果的内部品质。然而，现在正在使用的Technolo成像GY扩展的近红外区域检测跌打损伤等defects has not been explored because no suitable NIR缺陷还

6、没有被探索，因为没有合适的NIR imaging devices were available until recently.成像设备，直到最近。With the most以 recent progress in the InGaAs area array detector technology,最近的InGaAs阵列探测器技术的进步，we can now investigate the potential of the hyperspectral我们现在可以利用高光谱imaging technique in the NIR region for detection of bruises跌打损

7、伤检测苹果成像技术在近红外区域调查电位on apples.。本研究的总体目标是研究potential of hyperspectral imaging in the spectral region潜在的高光谱成像光谱区域between 900 nm and 1700 nm for detection of bruises on在900 nm和1700 nm被用来检测apples.苹果的伤痕。研究的具体目标是： S Develop a NIR hyperspectral imaging system covering a)开发一个覆盖近红外高光谱成像系统the spectral region f

8、rom 900 nm to 1700 nm for bruise从900纳米到1700纳米的光谱区作为苹果果实的挫伤detection.检测。 S Develop computer algorithms to identify and segregate b)开发计算机算法来识别和分辨both new and old bruises from the normal tissue of apple苹果是正常组织还是具有新的和旧的瘀伤的水果。S Identify the spectral region and band resolution that are找出，appropriate for d

9、etection of bruises.适用于具有损伤检测的自身的光谱区域和相关性大的区域。2.材料和方法2.1样品制备样品蛇果和金冠苹果来源于picked on the Horticultural Farm south of Michigan State密歇根州立大学的园艺场2000 harvest season.于于于2000年。对于那些苹果，我们分别从blemishes and bruises by visual inspection were selected for通过目测的瑕疵和瘀伤the study.的研究。将其分成完好和具有损伤的两大类样品，样品的分配是通过A special

10、device was built for inducing bruises o一个特殊的设备是专为诱导瘀伤the test apples.苹果测试。 The device had a steel rod 483 mm long as a该装置有一根钢棒具有483毫米长配备一个pendulum arm, one end of which was attached to a pivot摆动臂，其一端被连接到一个支枢的while the other end had a steel disk 38 mm in diameter and一端而其另一端有一个钢盘38毫米直径和13 mm in height

11、, weighing 113 grams.13毫米的高度，重量为113克。The pendulum was钟摆安装在一块木板和休息水平。通过lifting the pendulum to a preselected position (or height)抬起摆锤到一个预先选定的位置（或高度and then releasing it, the steel disk would impact the fruit）后释放它，钢盘将影响水果sitting on a wooden holder to generate a bruise on the fruit.坐在一个木头架子上的水果产生挫伤。For

12、ty fruit for each cultivar were selected for the bruise40个损伤样品，其中每个品种的水果被选定为挫伤study.研究。每个苹果都被打伤在三个不同的位置around the equatorial line of the fruit with three pendulum 围绕赤道线的果实具有三个钟摆（9127，229和330毫米）的位置。这三个撞击位置初步测试和推理的基上选择that bruises to be generated should be in the range between瘀伤要生成应该在之间的范围内16毫米和28毫米，这

13、对应到瘀伤实验中allowances for three quality grades of apples as specified in实验中实验规定的三个质量等级的苹果the USDA apple grading standards (USDA Agricultural 美国农业部的苹果分级标准（美国农业部农业Marketing Service, 1978). 营销服务，1978年）。第二个目的使用three positions was to determine if the NIR hyperspectral的三个位置的，以确定如果近红外光谱imaging described below

14、 would be capable of detecting 成像下面描述将能够检测various sizes or degrees of bruises on each fruit. 各种大小或程度的伤痕，每一个水果。然而， was later found that bruise sizes varied greatly among fruits,后来研究中我们发现到此类想象，挫伤大小之间差别很大。水果even for the same bruising position, because individual apple即使是相同的青紫的位置，因为个人的苹果fruit had quite

15、different susceptibilities to bruising.水果有相当不同的敏感性青紫。因此，在高光谱图像处理，跌打损伤的三个青紫色青青 青青紫青位置分成不同的类。平均挫伤大小相当于约23毫米diameter circular area for the Red Delicious apples and 21红元帅苹果和21直径的圆形区域mm for the Golden Delicious apples, based on the estimated金冠苹果，基于所估计的bruise areas from the images of the peeled apples.瘀伤地

16、区从剥离的苹果的图像。实际bruise sizes varied from about 10 mm to 30 mm.瘀伤尺寸从约10毫米至30毫米之间变化。2.2高光谱成像系统高光谱成像系统，示意图所示figure 1, was developed for the study.图1中，被我们研究开发和使用。该系统主要的InGaAs阵列相机（传感器无限制ed, Princeton, NJ) covering the spectral range between ED，普林斯顿，新泽西州）覆盖的光谱范围包括从900 nm and 1700 nm, an imaging spectrograph

17、(Spec900纳米和1700纳米之间的光谱范围，成像光谱仪（SPECIMFinland) attached to the camera, a 25 mm focal length TV 芬兰）被安装到相机上，一个25毫米焦距的电视lens, a computer equipped with a framegrabbing board for镜头，一台电脑配备一帧的抓板controlling the camera and acquiring image data, a quartz控制相机这个是用来获取图像数据，石英卤灯，和一个专门设计的生物圆锥滚子是用来device for position

18、ing the fruit for imaging.被用于水果成像设备的定位。砷化铟镓指定的频谱效率大于70region. 地区。成像光谱仪，具有大小为50毫米的狭缝的F数为2.8，水果一行的扫描时间很短。As the light beam entered the spectrograph, it was由于输入的光束的光谱仪，它是dispersed into different directions according to wavelength 分散到不同的方向中，根据波长while preserving its spatial information. 同时保留其空间信息。分散的光was

19、 then mapped onto the InGaAs detector array, resulting in然后，映射到InGaAs检测器阵列，从而导致a twodimensional image, one dimension representing the一个二维图像，一维表示spectral axis and the other the spatial information for the光谱轴和其他的空间信息scanning line.扫描线。为系统的光谱分辨率为4.3 nm.4.3纳米。通过扫描水果的整个表面上，一个完整的threedimensional hyperspect

20、ral image cube was created,三维高光谱遥感图像多维数据集的建立， where two dimensions represented the spatial information在两个维度为代表的空间信息and the third represented the spectral information.和所述第三表示的光谱信息。该DCquartz halogen lamp had an output power control to generate 石英卤灯的输出功率控制，以产生the appropriate illumination needed for hyp

21、erspectral imag-适当的照明需要的高光谱成像ing.。通过两个光纤束光被送到两行lamps positioned about 30 from the vertical line.灯定位约303从垂直线。辊device was controlled by a variablespeed motor for装置由变速电动机控制synchronization with the imaging system.与成像系统同步。The hyperspectral imaging system was calibrated follow-高光谱成像系统校准后续ing the procedure

22、 described in Lu and Chen (1998). ING陆和陈（1998）描述的过程。Lawrence et al.Lawrence等。（2001年）已经开发出一种复杂的校准tion procedure for an imaging spectroscopy system.指令成像光谱仪系统的校准程序。水果从冷藏库（0）约12 hours before imaging to allow them to reach room 12小时前的进行第一次成像，让他们到室温temperature.温度。高光谱图像的单果acquired over a period of 47 days

23、at various intervals to在按照不同的时间间隔进行图像采集，间隔为47天。在此期间期间我们evaluate the changes of bruises with ti评估的伤痕随着时间的变化。Hyperspectral 高光谱images were first taken from bruisefree apples before the首先从图像挫伤苹果前bruise study was started.和挫伤后进行研究。这些图像被用来作为一个reference to assist in identifying bruises on the images taken拍摄

24、的图像参考，以协助确定瘀伤after the fruit were bruised.后果实被撞伤。在4个小时后，跌打损伤were induced on the fruit, the first set of hyperspectral images可能诱导图像产生变化，第一组的高光谱图像。图1高光谱成像系统的示意图2.3数据处理和分析图像捕获和自动阈值项目虚拟仪器(国家仪器公司、奥斯汀、美国)进行开发和使用；而其他处理程序是在Matlab开发(MathWorks Inc .，纳蒂克，美国)处理和完成的。2.3.1数据简化和平滑减少噪音和数量的数据进行计算，空间谱数据从每个扫描是由10个相邻象素

25、平均在光谱维度和平均5个像素的横向空间维度。这导致了104*104的光谱通道与大约7nm像素的增量。为了避免低信噪比，只有波长从500-950nm被用在这个采样过程中。2.3.2波长校准Wavelengthcalib配给都使用一个TLP 32 w / 33型卤钨灯。 谱系的灯光从灯首次测量的MCS 501光谱仪(卡尔蔡司Jena GmbH，德国耶拿)检测发射峰波长的灯。后来，光相同的灯是通过测量光谱成像系统。比较来自两个设备排放峰值给了一个完美的线性回归(确定系数r2的0 - 9999)。这个光谱范围的高光谱imagingsystem被发现341 - 996 nm 范围内利用0 - 63 nm

26、波段来解析整个光谱确定范围。2.3.3反射率校正由于非线性灵敏度的CCD摄像机、平标准反射率测量不会导致一个平面曲线。因此，一个反射校准前，还需要进行进一步的分析。为了这个目的，四个标准引用，withrefl ectance 99%(R99)，75%(R75)，20%(R20)和2%(R02)(Spectralon，Labsphere Inc .，北萨顿NH，美国)，进行了测量。 一个线性关系被发现的强度之间的形象和反射fromreferences在特定波长(sh的图2)，反射率校正方程在这项研究中的应用公式如下：（1）当代表的是反射的样品表面波长是图像的强度从样品表面波长提单是系数和，分别代

27、表不同相关系数。在测量两个标准的引用，如Spectralon R99和R75。后来，这个方程是应用于图像的eachpixel获得相应的反射率值。通常，在一个苹果的形象，该地区还有不到30%的反射会切断在背景分割。R75的选择而不是黑色的电流测量，因为它已经预料到预测结果可以更准确的高反射率的水平。强度(在校准)和反射(在校准)块的引用在图3中进行说明。显然，异构的敏感性CCD的偏位校正被更正了。图2关系图像的灰度级(10位值介于0和1024(= 210)和反射在不同波长在一个固定的高度2.3.4背景分割背景和低强度在边界地区的苹果是由一个简单的阈值分割方法。由此产生的图像被进一步分析了主成分分

28、析(PCA)。2.3.5主成分分析主成分分析（Principal Component Analysis，PCA）， 将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。又称主分量分析。在实际课题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。主成分分析首先是由K.皮尔森对非随机变量引入的，尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。3结果与讨论图片4是代表这个光谱成像系统得到的校准反射谱。3.1主成分分析在完整的波长区域图3影响反射率校正；R02，R99 R20、R75，是标准

29、的spectralon参考与反射程度，分别是99%和75%的范围图4代表形状的光谱波长和反射率校正后的瘀伤和完整的地区的苹果主成分分析应用于提高擦伤特性和降低数据维数。作为第一步，反射在整个波长范围对于每个像素必须校准。然后，所有的像素在一个苹果被标记为中毒基于反射图像在特定波段，比如。750海里。后来，PCA反射谱进行了一个苹果，因此几个主要组件可以实现的。如果大量的一个特定的主成分都有组织根据标签的像素，可以创建新的苹果形象。新的图像被称为“PCA分数图像作为有别于正常的反射率或强度的图像。例如，对于一个像素的苹果，它第一次被标记为其位置根据反射率图像，即th eithrow和jthco

30、lumn在图像。在主成分得分的形象，这个职位，第i行和jthco lumn，将获得一个分数值的一个特定的主成分。这个过程被重复，直到所有像素进行的苹果。如果第一主成分(Prin1)成绩，使用合成图像以后被称作Prin1分数图像。如果第二主成分(Prin2)分数被操纵了，它被称为Prin2分数图像，等等。采用主成分的优势是它可以得分图像显示来自多个波段的变化信息。目视检查后，Prin1分数图像主要叙述凹形的影响的一个苹果，或说，演示了不均匀的照明为不同距离的表面的灯，独立的属性的苹果。Prin2或Prin3分数图片展示的属性，苹果更多。他们似乎提供最好的歧视和瘀伤组织之间的声音。其余的分数图像不

31、给更多有用的信息来检测瘀伤的苹果。作为一个完整的光谱概要文件相关的图像中能否像素，由此产生的数据量使高光谱成像系统不可能使用网络。相反，高光谱图像可以用于确定最佳波段对于一个多光谱成像系统。3.2选择最佳波段图5显示了平均载荷的前三个组件从20个苹果在整个光谱范围。第一主成分被加载的情形具有相同的形状的平均光谱上的苹果全波长区域。尽管它占大多数的差异(超过90%)的图像，它不提供明显的特征的差异的受损组织。如上所述，大多数的瘀伤可以检查清楚地从Prin2或Prin3要么得分的形象，它的第二主成分和第三主成分应该考虑为基础选择最佳波段探测瘀伤。因此，四波段选择，主要集中在558、678、728和

32、892nm，分别。图5加载情节完整的波长区域：它还表明，在可见光波段光谱范围发挥非常重要的作用在歧视，尽管近红外有优势的免费彩色的影响。尤其是在558左右，678nm，这两个波段代表典型的瘀伤特征：布朗宁症状和损失的叶绿素。3.3主成分分析在四个感兴趣的波段主成分分析然后进行四个最佳波段代替完整的wavelengthran通用电气。如在中间列图6，结果四光谱主成分得分图片看起来非常类似于那些获得完整的波长区域(显示在左栏的无花果。因此，后来的分析是基于PCA结果从四波段。同样，第一主成分分数图像主要原因条件或苹果形状效应；第二主成分或第三主成分的得分图像是最好的从声音组织中来辨别损伤的有效手段

33、。3.4分类算法3.4.1结合主成分2和主成分3得分的图像前面描述的一样，那些瘀伤可以发现显然要么在Prin2或在Prin3分数图像。它还注意到，受伤区域价值最高的图像如果瘀伤可以检查从Prin2分数的形象，和最低价值如果Prin3有利于歧视。然而，很难找到其他特性选择这分数图像应该用于自动分级。将信息从这两个主成分得分图像，一个正常化算法和一个组合算法被开发。正常化是使用以下公式计算： （2）PCA分数图像完整的波长区域图像PCA分数四波段结合主成分2和3正常化分数图像瘀伤中可以找到Prin2分数图像瘀伤中可以找到Prin3分数图像声音样本图 6其中： 规范是原始的分数形象； 是最小值分数的

34、形象； 是活塞的最大价值分数的形象；并且规范的常正常分数图像。组合是由以下方程：（3）其中：是主成分2和主成分3正常化分数图像的结合；规范是正常Prin2分数形象和规范是正常Prin3分数图像。这个例子的组合图像显示下面的图6中有所展示。3.4.2阈值和提取互补功能不同的自动阈值方法提供了在虚拟仪器被应用于组合得到的图像从先前的程序。由人类检查阈值图片，“时刻automatic阈值方法被发现是最好的。这个时刻的方法是基于假设所观察到的图像是一个模糊的版本的理论上二进制原始。产生的模糊从收购过程被当作如果统计时刻(均值和方差)相同的模糊形象和原始图像。这个函数重新计算理论二进制映像(IMAQ视觉

35、用户手册)。基于阈值图像的时刻，更多的特征提取来区分声音和瘀伤的苹果。对于完整的苹果，可以看到从第二排图7(a)，该地区在图像阈值包括许多不连续小区域或不规则的细长的地区(s)。在某些情况下，细长的地区可能会有一个非常大的areavalue，即超过1000像素的图像；然而，他受伤区域在调查中不可能那么大。小区域可以是颜料在苹果皮或噪声从光学。大多数的细长区域结果从照明变化由于不光滑表面或边界的苹果。然而，对于受到挫伤的苹果，地区留下的阈值图像更集中而非瘀伤的(图7所示(b)。受伤区域的形状也更定期和显示为一个圆形的区域。因此，一个小的区域和细长区域清除(爵士)算法是书面的。预计，通过这个操作，

36、一方面，一些非伤痕累累的苹果可以挑出已经在这一步；另一方面，一些地区，特别是那些可能混淆受伤区域，可以降低。小面积意味着一个地区的面积小于一个阈值。伸长的地区是选择基于比率值相关的内切圆直径的一个地区。内切圆直径的计算是：（4）其中：d内切圆直径的地区之一；S是该地区的面积和L的周长是该地区。所有这些参数的单位在像素。那时的内切圆直径除以较大的一个高度和宽度之间的地区。如果一个地区的比例小于一个阈值，这个区域被认为是一个细长的区域，否则不会。小面积和细长的区域都被替换值的地区的零。SER算法的影响中可以看到图7(a)和(b)，在删除小面积或狭长地带，因为声音苹果，图像可能成为空白在某些情况下，

37、然而，几乎所有的瘀伤地区仍在图像的瘀伤的苹果。SER操作之后，剩余的地区在图像被称为可能的瘀伤区域(PBR)。一些完整的地区也可能被选为一个PBR。使歧视更准确地说，另一个功能叫做复杂性C是提取到帮助确定PBR是一个正确或错误的瘀伤地区。复杂性的PBR定义为：（5）其中：L的周长是PBR在像素和年代，面积PBR在像素。1. 组合图像2. 时刻阈值后3. 在小面积和细长区域清除操作（a）1. 组合图像2时刻阈值后3在小面积和细长区域清除操作(b)图 7作用小的和细长区域去除算法：A代表具有声响的苹果样品b代表具有损伤的苹果因为，大多数的瘀伤地区表现为常规近似圆形区域正常情况下，一个真正的瘀伤的复

38、杂性区域将小于完好的地区，这是misrecognised为PBR。或说，如果C的一个地区是高于阈值，它很可能是一个完整的表面；否则，它是瘀伤。所有的阈值算法中使用选择的经验。最后一个标准是应用：从前有一个伤痕累累的地区认可的表面上，苹果被归类为瘀伤。所以，即使有不止一个伤痕累累的地区一个苹果，只有一个需要被承认。通过这样做，可以简化分类过程。分类流显示在图8。图 8流程图的分类：MaxeS1：nt T；是最大的区域的区域标记从1到n的形象分类结果运用这个程序在图像中获得128年苹果如表1所示。大约9355%的62非瘀伤的苹果是公认的声音，和大约86%的精确度共同存在的旧控制和不受控制的瘀伤的苹

39、果。为期一天的旧伤，从正确分类率，这个结果是比报道的鲁(2003)。在他的研究中，一个900 - 1700 nm NIR照相机和光谱成像用于构建一个高光谱成像系统。为期一天的正确率为旧瘀伤的“金色美味的苹果是621%和虚假的分类为非擦伤地区210%。平均尺寸在他研究瘀伤比我们的更大些。另一个问题已经被发现了，尽管分类率是86%，实际上伤痕累累的苹果所有的瘀伤地区仍然在时刻阈值图像。它表明，该研究是未来检测瘀伤的“金色美味的苹果，然而，更好的特性和图像处理方法需要发展承认所有的瘀伤区域。它还应该指出，在这项研究中，只有脸颊的苹果都在视场光学。茎或花萼的存在可能恶化的分类结果。替代或补充技术需要开

40、发。4. 总结一个高光谱反射成像技术被开发来检测瘀伤的“金色美味的苹果。利用主成分分析(PCA)、敏感的波段，检测被选出的瘀伤。这个波段集中在558、678、728和892纳米事先了可能利用联合多光谱成像系统检测瘀伤的金冠美味的苹果。一个图像处理和分类算法开发了PCA分数图像确定苹果作为声音或瘀伤。分类结果令人满意。本研究对今后的发展奠定了基础的计算机视觉系统检测瘀伤的金色美味的苹果。进一步的研究将着眼于建立一个更高效的多光谱成像系统，包括开发一个更好的分类算法。互补的技术，如荧光和散射，也将尝试作为提高系统在这个高光谱成像设置。图表 1分类结果Actual class列为完好完好损伤n=62

41、584第一天控制的损伤（93-55）%32n=375（86-49）%可控制损伤425n=29（86-21）%参考文献：Aneshansley D J； Throop J A； Upchurch B L (1997).Reflectance spectra of surface defects on apples. In： Sensorsfor Nondestructive Testing： Measuring the Quality of FreshFruits and Vegetables， pp 143159， Northeast RegionalAgricultural Engineer

42、ing Service Publication No. 97， Ithaca，NYChao K； Chen Y R； Hruschka W R； Park B (2001). Chickenheart disease characterization by multi-spectral imaging.Transactions of the ASAE， 17(1)， 99106Chao K； Mehl P M； Chen Y R (2002). Use of hyper- and multispectralimaging for detection of chicken skin tumors

43、.Transactions of the ASAE， 18(1)， 113119ChengX； Tao Y； Chen Y R； Luo Y (2003). NIR/MIR dualsensor machine vision system for online apple stem-end/calyx recognition. Transactions of the ASAE， 46(2)， 551558Geoola Farh； Geoola Fara； Peiper U M (1994). A spectrophotometricmethod for detecting surface br

44、uises on GoldenDelicious apples. Journal of Agricultural EngineeringResearch， 58， 4751Gonzalez J J； Mccarthy K L； Mccarthy M J (1998). MRImethod to evaluate internal structural changes of tomatoduring compression. Journal of Texture Studies， 29，537551Herppich W B (2001). Application potential of chl

45、orophyllfluorescence imaging analysis in horticultural researcha mini-review. Fruit； Nut and Vegetable ProductionEngineering： Proceedings of the 6th International Symposium，Potsdam， Germany， pp 609625Hsieh C； Chen Y R； Dey B P； Chan D E (2002). Separatingsepticemic and normal chicken livers by visib

46、le/near-infraredspectroscopy and back-propagation neural networks. Transactionsof the ASAE， 45(2)， 459469Kavdir I； Guyer D E (2002). Apple sorting using artificialneural networks and spectral imaging. Transactions of theASAE， 45(6)， 19952005Kim J； Mowat A； Poole P； Kasabov N (2000). Linear and nonli

47、nearpattern recognition models for classification of fruitfrom visible-near infrared spectra. Chemometrics andIntelligent Laboratory System， 51， 201216Kim M S； Chen Y R； Mehl P M (2001). Hyperspectralreflectance and fluorescence imaging system for food qualityand safety. Transactions of the ASAE， 44

48、(3)， 721729Kim M S； Lefcourt A M； Chao K； Chen Y R； Kim I； Chan D E(2002). Multispectral detection of fecal contamination onapples based on hyper-spectral imagerypart I： applicationof visible and near-infrared reflectance imaging. Transactionsof the ASAE， 45(6)， 20272037Kim S； Schatzki T F (2000). Apple watercore sorting systemusing X-ray imageryI： algorithm development. Transactionsof the ASAE， 43(6)， 16951702Lu R (2003). Detecti