基于低场核磁共振技术判别腐烂蓝莓的方法.pdf

《基于低场核磁共振技术判别腐烂蓝莓的方法.pdf》由会员分享，可在线阅读，更多相关《基于低场核磁共振技术判别腐烂蓝莓的方法.pdf（14页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910229953.8 (22)申请日 2019.03.26 (71)申请人 沈阳农业大学 地址 110866 辽宁省沈阳市沈河区东陵路 120号 (72)发明人 田有文乔世成宋士媛 (74)专利代理机构 大连东方专利代理有限责任 公司 21212 代理人 李娜李馨 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/136(2017.01) G06T 5/40(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于低场核。

2、磁共振技术判别腐烂蓝莓 的方法 (57)摘要 本发明涉及一种基于低场核磁共振技术判 别腐烂蓝莓的方法， 属于农产品检测领域。 本发 明所述方法首先利用低场核磁共振系统采集待 检测蓝莓的驰豫谱信息， 获得横向驰豫时间和信 号幅值， 共计6个横向驰豫信号变量； 利用低场核 磁共振系统采集待检测蓝莓横断面的质子密度 加权图像， 获得均值、 灰度众数、 相关性、 惯性、 灰 度灰度平均， 共计5个特征变量； 将6个横向驰豫 信号变量和5个特征变量作为输入矢量， 输入 BPNN模型， 对腐烂蓝莓进行判别。 本发明所述判 别腐烂蓝莓的方法采用低场核磁共振技术对腐 烂蓝莓进行检测时， 不受蓝莓颜色较深腐烂特。

3、征 不明显的和摆放方位的影响， 还可以对蓝莓内部 进行多层成像， 探究蓝莓腐烂过程中所引起的内 部组织变化。 权利要求书2页 说明书9页 附图2页 CN 110009608 A 2019.07.12 CN 110009608 A 1.一种基于低场核磁共振技术判别腐烂蓝莓的方法， 其特征在于： 所述方法包括下述 步骤： 利用低场核磁共振系统采集待检测蓝莓的驰豫谱信息， 获得横向驰豫时间T21、 T22、 T23和信号幅值A21、 A22、 A23， 共计6个横向驰豫信号变量； 利用低场核磁共振系统采集待检测蓝莓横断面的质子密度加权图像， 获得灰度直方 图均值、 灰度直方图灰度众数、 灰度共生矩阵。

4、相关性、 灰度梯度共生矩阵惯性、 灰度梯度共 生矩阵灰度平均， 共计5个特征变量； 将步骤获得的6个横向驰豫信号变量和步骤获得的5个特征变量作为输入矢量， 输入BPNN模型， 对腐烂蓝莓进行判别。 2.根据权利要求1所述的方法， 其特征在于： 在进行步骤前， 将步骤获得的6个横向 驰豫信号变量和步骤获得的5个特征变量进行归一化处理， 使所有特征向量的范围都限 定在(0,1)之间。 3.根据权利要求1所述的方法， 其特征在于： 所述步骤中， BPNN模型输出向量的维数 为2， 输出层采用二进制字符进行识别，“1” 对应健康蓝莓；“0” 对应腐烂蓝莓； 激活函数为 tansig， 输出层函数为ta。

5、nsig， 网络训练函数为trainlm， 训练步数为5000， 训练目标为 0.0001。 4.根据权利要求1或2所述的方法， 其特征在于： 采集腐烂蓝莓和健康蓝莓至少各80个 作为训练集样本， 获取训练集样本的横向驰豫时间T21、 T22、 T23和信号幅值A21、 A22、 A23， 灰度 直方图均值、 灰度直方图灰度众数、 灰度共生矩阵相关性、 灰度梯度共生矩阵惯性、 灰度梯 度共生矩阵灰度平均， 共计11个变量作为BPNN模型的输入矢量； BPNN模型输出向量的维数 为2， 输出层采用二进制字符进行识别，“1” 对应健康蓝莓；“0” 对应腐烂蓝莓； 激活函数为 tansig， 输出层。

6、函数为tansig， 网络训练函数为trainlm， 训练步数为5000， 训练目标为 0.0001。 5.根据权利要求1所述的方法， 其特征在于： 所述步骤中， 所述横向驰豫时间T21、 T22、 T23和信号幅值A21、 A22、 A23按下述方法获得： 将待测蓝莓置于低场核磁共振系统， 并采用硬脉冲回波序列检测蓝莓的横向弛豫过 程， 使用迭代寻优的方法将采集到的T2衰减曲线带入驰豫模型中拟合并反演可得到样品的 T2驰豫信息， 包括弛豫时间及其对应的弛豫信号幅值； T2横向驰豫图谱的驰豫时间变化范围 为0.01ms1000ms， 分别记为T21(0.01ms10ms)、 T22(10ms1。

7、00ms)、 T23(100ms1000ms)， T21、 T22和T23相应的信号幅值为A21、 A22、 A23。 6.根据权利要求1所述的方法， 其特征在于： 所述步骤中， 所述5个特征变量按下述方 法获得： 将待测蓝莓置于低场核磁共振系统， 并采用MSE多层自旋回波序列采集蓝莓横断面的 质子密度图像； 采用二次阈值分割法进行阈值分割， 获得蓝莓腐烂区域的二值化图像， 并获 取所得蓝莓腐烂区域的二值化图像的灰度直方图均值、 灰度直方图灰度众数、 灰度共生矩 阵相关性、 灰度梯度共生矩阵惯性、 灰度梯度共生矩阵灰度平均。 7.根据权利要求1所述的方法， 其特征在于： 所述步骤中， 所述二次。

8、阈值分割法按下 述方法进行： 第一次阈值分割时， 阈值为50， 将灰度值低于阈值的设置为0， 将灰度值高于阈值的设 权利要求书 1/2 页 2 CN 110009608 A 2 置为1， 经过膨胀、 腐蚀处理， 再去除孤立像素后， 即可得到分割蓝莓区域的二值化图像； 将 原始灰度图像与二值化图像做掩膜处理， 得到蓝莓区域图像， 蓝莓图像灰度值保持不变， 而 区域外图像灰度值都为0； 第二次阈值分割时， 阈值为155， 将腐烂区域从蓝莓中分割出来， 背景区域的灰度值不 变， 继续设置为0， 在蓝莓区域， 若灰度值大于阈值， 则设置为0， 若灰度值小于阈值则设置为 1， 然后经过膨胀、 腐蚀处理，。

9、 即得到蓝莓腐烂区域的二值化图像。 权利要求书 2/2 页 3 CN 110009608 A 3 一种基于低场核磁共振技术判别腐烂蓝莓的方法 技术领域 0001 本发明涉及一种基于低场核磁共振技术判别腐烂蓝莓的方法， 属于农产品检测领 域。 背景技术 0002 蓝莓(Blueberry)富含多种营养成分营养成分， 包括花青素， 黄酮醇， 维生素， 深受 消费者喜爱。 但是， 采后蓝莓果实极易腐烂， 不耐贮藏。 腐烂蓝莓也会对贮藏的其他蓝莓产 生感染造成更大的损失。 传统的腐烂蓝莓检测主要依靠人工分拣， 但其存在工作单调、 主观 性强、 耗费时间、 不易量化、 内部腐烂无法肉眼识别等问题； 理化。

10、指标检测具有破坏性， 存在 待测样品预处理繁琐、 检测周期长等问题， 并且理化指标测试对测试人员有较高的专业要 求。 因此， 针对传统检测方法弊端， 采用一种快速、 有效、 无损的检测技术来提高蓝莓的分拣 效率显得尤为重要。 0003 常见的蓝莓病害无损检测技术主要有计算机视觉技术和光谱技术。 计算机视觉技 术只能对腐烂程度较严重的蓝莓检测效果较好， 而轻微腐烂的情况则效果不佳， 并且由于 蓝莓摆放位置的影响， 导致蓝莓腐烂区域处于图片采集摄像头盲区时， 计算机视觉技术是 不能够检测到蓝莓是否发生腐烂的， 并且计算机视觉技术不能对蓝莓的内部腐烂进行检 测。 采用光谱技术对水果病害进行检测时， 。

11、根据健康区域与病害区域的光谱反射率不同， 能 够对病害进行检测而不会受到颜色特征的影响， 但同样受到蓝莓摆放位置影响， 且由于受 到反射光谱和透射光谱的透射深度的影响， 使用光谱技术对水果内部病害的检测效果不 佳。 发明内容 0004 本发明的目的是解决蓝莓腐烂病害发生时， 其由于其颜色较深， 轻微腐烂病害检 测效率不佳问题； 而且不受蓝莓摆放位置的影响， 还可以对内部腐烂情况进行检测。 0005 本发明提供的快速、 精准的蓝莓腐烂病检测方法， 利用低场核磁共振系统采集蓝 莓驰豫谱信息和质子密度图像。 研究发现健康蓝莓的驰豫谱与腐烂蓝莓的驰豫谱有很大的 区别， 蓝莓腐烂后横向驰豫时间T21、 。

12、T22、 T23出现不同程度的增加， 而信号幅值A21、 A22、 A23出 现不同程度的减小。 将6个横向驰豫信号变量作为输入矢量， 采用BPNN判别模型对蓝莓腐烂 病进行判别。 通过核磁共振成像(MRI)可知， 蓝莓腐烂区域颜色变暗， 提出采用二次阈值分 割法对腐烂区域进行图像分割， 针对提取腐烂区域图像的灰度直方图、 灰度共生矩阵、 灰度 梯度共生矩阵共计14个特征变量与蓝莓腐烂级别进行相关性分析， 选择5个特征变量， 将5 个图像特征变量作为BPNN的输入矢量， 对蓝莓腐烂病进行判别。 最后将横向驰豫数据与图 像特征数据共计11个输入矢量输入BPNN模型， 对蓝莓腐烂病进行判别。 采用。

13、LF-NMR和MRI对 蓝莓腐烂病害进行分析与检测是可行的， 为蓝莓病害无损检测研究提供了理论基础。 0006 一种基于低场核磁共振技术判别腐烂蓝莓的方法， 所述方法包括下述步骤： 0007 利用低场核磁共振系统采集待检测蓝莓的驰豫谱信息， 获得横向驰豫时间T21、 说明书 1/9 页 4 CN 110009608 A 4 T22、 T23和信号幅值A21、 A22、 A23， 共计6个横向驰豫信号变量； 0008 利用低场核磁共振系统采集待检测蓝莓横断面的质子密度加权图像， 获得灰度 直方图均值、 灰度直方图灰度众数、 灰度共生矩阵相关性、 灰度梯度共生矩阵惯性、 灰度梯 度共生矩阵灰度平均。

14、， 共计5个特征变量； 0009 将步骤获得的6个横向驰豫信号变量和步骤获得的5个特征变量作为输入 矢量， 输入BPNN(误差反向传播神经网络)模型， 对腐烂蓝莓进行判别。 0010 本发明所述 “低场核磁共振系统” 为现有技术提供的低场核磁共振装置， 可商业购 得。 0011 本发明所述方法适用于各种品种的蓝莓。 0012 本发明所述方法利用误差反向传播神经网络模型进行判别可于MATLAB软件工具 箱BPNN中实现。 0013 具体地， MATLAB软件工具箱BPNN设置参数如下： BPNN模型输出向量的维数为2， 输 出层采用二进制字符进行识别，“1” 对应健康蓝莓；“0” 对应腐烂蓝莓；。

15、 激活函数为tansig， 输出层函数为tansig， 网络训练函数为trainlm， 训练步数为5000， 训练目标为0.0001。 0014 本发明所述基于低场核磁共振技术判别腐烂蓝莓的方法中， 所述步骤中， BPNN 模型输出向量的维数为2， 输出层采用二进制字符进行识别，“1” 对应健康蓝莓；“0” 对应腐 烂蓝莓； 激活函数为tansig， 输出层函数为tansig， 网络训练函数为trainlm， 训练步数为 5000， 训练目标为0.0001。 0015 进一步地， 在进行步骤前， 将步骤获得的6个横向驰豫信号变量和步骤获得 的5个特征变量进行归一化处理， 使所有特征向量的范围都。

16、限定在(0,1)之间。 0016 本发明BPNN模型在网络训练和测试前， 对驰豫信号的6个变量(3个驰豫时间T21、 T22、 T23； 3个信号幅值A21、 A22、 A23)进行归一化处理， 以避免动态范围大的特征淹没动态范围 小的特征， 使它们具有同等的作用， 所有特征向量的范围都限定在(0,1)之间。 0017 本发明所述BPNN模型的训练按下述方法完成： 采集腐烂蓝莓和健康蓝莓至少各80 个作为训练集样本， 获取训练集样本的横向驰豫时间T21、 T22、 T23和信号幅值A21、 A22、 A23， 灰 度直方图均值、 灰度直方图灰度众数、 灰度共生矩阵相关性、 灰度梯度共生矩阵惯性。

17、、 灰度 梯度共生矩阵灰度平均， 共计11个变量作为BPNN模型的输入矢量； BPNN模型输出向量的维 数为2， 输出层采用二进制字符进行识别，“1” 对应健康蓝莓；“0” 对应腐烂蓝莓； 激活函数为 tansig， 输出层函数为tansig， 网络训练函数为trainlm， 训练步数为5000， 训练目标为 0.0001。 0018 优选地， 采集样本为腐烂蓝莓和健康蓝莓各80个。 0019 本发明所述基于低场核磁共振技术判别腐烂蓝莓的方法中， 所述步骤中， 所述 横向驰豫时间T21、 T22、 T23和信号幅值A21、 A22、 A23按下述方法获得： 0020 将待测蓝莓置于低场核磁共振。

18、系统， 并采用硬脉冲回波序列检测蓝莓的横向弛豫 过程， 使用迭代寻优的方法将采集到的T2衰减曲线带入驰豫模型中拟合并反演可得到样品 的T2驰豫信息， 包括弛豫时间及其对应的弛豫信号幅值； T2横向驰豫图谱的驰豫时间变化范 围为0.01ms1000ms， 分别记为T21(0.01ms10ms)、 T22(10ms100ms)、 T23(100ms 1000ms)， T21、 T22和T23相应的信号幅值为A21、 A22、 A23。 0021 本发明所述基于低场核磁共振技术判别腐烂蓝莓的方法中， 所述步骤中， 所述5 说明书 2/9 页 5 CN 110009608 A 5 个特征变量按下述方法。

19、获得： 0022 将待测蓝莓置于低场核磁共振系统， 并采用MSE多层自旋回波序列采集蓝莓横断 面的质子密度图像； 采用二次阈值分割法进行阈值分割， 获得蓝莓腐烂区域的二值化图像， 并获取所得蓝莓腐烂区域的二值化图像的灰度直方图均值、 灰度直方图灰度众数、 灰度共 生矩阵相关性、 灰度梯度共生矩阵惯性、 灰度梯度共生矩阵灰度平均。 0023 进一步地， 所述步骤中， 所述二次阈值分割法按下述方法进行： 0024 第一次阈值分割时， 阈值为50， 将灰度值低于阈值的设置为0， 将灰度值高于阈值 的设置为1， 经过膨胀、 腐蚀处理， 再去除孤立像素后， 即可得到分割蓝莓区域的二值化图 像； 将原始灰。

20、度图像与二值化图像做掩膜处理， 得到蓝莓区域图像， 蓝莓图像灰度值保持不 变， 而区域外图像灰度值都为0； 第二次阈值分割时， 阈值为155， 将腐烂区域从蓝莓中分割 出来， 背景区域的灰度值不变， 继续设置为0， 在蓝莓区域， 若灰度值大于阈值， 则设置为0， 若灰度值小于阈值则设置为1， 然后经过膨胀、 腐蚀处理， 即得到蓝莓腐烂区域的二值化图 像。 0025 本发明的有益效果为： 本发明采用的低场核磁共振技术能准确快速有效表征样品 水分分布信息和内部的质构变化， 具有前处理简单、 快速等优点。 本发明所述判别腐烂蓝莓 的方法采用低场核磁共振技术对腐烂蓝莓进行检测时， 不受蓝莓颜色较深腐烂。

21、特征不明显 的和摆放方位的影响， 还可以对蓝莓内部进行多层成像， 探究蓝莓腐烂过程中所引起的内 部组织变化。 为蓝莓腐烂病害的无损检测提供理论依据。 附图说明 0026 图1(A)为健康蓝莓样本横向驰豫谱； 图1(B)为腐烂蓝莓样本横向驰豫谱； 图1(C) 为健康和腐烂蓝莓样本横向驰豫谱对照图。 0027 图2为蓝莓在0， 2， 4， 6， 8天常温贮藏过程中内部结构的核磁共振质子密度加权图 像灰度图。 0028 图3(A)为腐烂蓝莓样本及其背景的灰度直方图； 图3(B)为腐烂蓝莓样本的灰度直 方图。 0029 图中虚线1表示背景区域， 虚线2表示整个蓝莓区域， 虚线3处的阈值表示蓝莓腐烂 区。

22、域与正常区域的阈值， 虚线4表示蓝莓正常区域的灰度值。 0030 图4为腐烂蓝莓质子密度图像处理结果， 其中， 0031 (A)原始图像， (B)阈值为50时的二值化图像， (C)膨胀和腐蚀处理， (D)为移除毛刺 图像， (E)为掩膜后的蓝莓图像， (F)为腐烂区域分割结果图， (G)为腐蚀处理后图像， (H)为 膨胀处理后图像。 具体实施方式 0032 下述非限制性实施例可以使本领域的普通技术人员更全面地理解本发明， 但不以 任何方式限制本发明。 0033 下述实施例中所述试验方法， 如无特殊说明， 均为常规方法； 所述试剂和材料， 如 无特殊说明， 均可从商业途径获得。 0034 本发明。

23、低场核磁共振系统采用上海纽迈电子科技有限公司的低场核磁分析实验 说明书 3/9 页 6 CN 110009608 A 6 仪器， 型号为MesoMR23-060H-I， 磁体探头型号为NIMI20-015V-I， 磁体强度为0.5T， 线圈直 径为15mm。 0035 具体实施方式之一， 一种基于低场核磁共振技术判别腐烂蓝莓的方法， 包括以下 操作步骤： 0036 试验前， 首先将标准油样放入试管中并置于磁体箱的中心位置， 利用FID序列标定 中心频率及90 、 180 脉宽。 然后把油样取出， 将待测蓝莓放入该试管中并置于永磁体的中 心位置， 采用硬脉冲回波(carr-purcell-mei。

24、boom-gill sequence， CPMG)序列检测蓝莓的 横向弛豫过程， 其弛豫模型的数学表达式如公式(1)： 0037 0038 其中， Ai表示质子密度， i表示样品序号； n表示氢质子状态个数； t表示时间； Ti表示 第i组分氢质子的弛豫时间， A0为噪声的信号。 0039 CPMG参数设置如下： 重复采样等待时间TW设置为1200ms， 中心频率SF1为21MHZ， 偏 移频率O1为65146516.16HZ， 重复采样次数NS为4次， 90 脉冲射频脉宽P117 s， 180 脉冲射 频脉宽P235.04 s。 0040 使用迭代寻优的方法将采集到的T2衰减曲线带入驰豫模型。

25、中拟合并反演可得到 样品的T2驰豫信息， 包括弛豫时间及其对应的弛豫信号幅值， 为便于定量分析， 该信号幅值 经质量及累加次数的归一化处理， 已知信号幅值与其组分含量成正比关系， 积分面积A即为 样品的信号幅值。 0041 分析T2横向弛豫时间的长短与蓝莓内部水分自由度的大小的关系。 T2越短说明蓝 莓内部水分自由度越低， T2越长说明蓝莓内部水分自由度越高。 健康蓝莓T2横向驰豫与腐烂 蓝莓的T2横向驰豫图谱的驰豫时间变化范围为0.01ms1000ms， 分别记为T21(0.01ms 10ms)、 T22(10ms100ms)、 T23(100ms1000ms)， 3个驰豫时间分别对应着3个。

26、峰， 如图1(A)、 (B)所示。 T21驰豫时间最小， 所对应的是细胞壁中水的驰豫时间； T22驰豫时间次之， 所对应 的是细胞质中水的驰豫时间。 相应的信号幅值A21、 A22、 A23分别表示细胞壁、 细胞质、 液泡的 含水量。 0042 通过健康与腐烂蓝莓T2驰豫图谱的对照分析可知， 蓝莓腐烂后的T2横向驰豫时间 增加， A2信号幅值减小， 表明通过T2横向驰豫信号来分析健康蓝莓与腐烂蓝莓是可行的。 还 可看出T21、 T22和T23都在不同程度的增加， T21增加幅度最小， T23增加幅度最大。 而A21、 A22和 A23在不同程度的减小， A22减小幅度小， A23减小幅度大。 。

27、0043 通过上述分析可知， 健康蓝莓和腐烂蓝莓的驰豫谱信号T21、 T22和T2、 A21、 A22和A23有 较大的差别， 故可以将此数据作为判断蓝莓腐烂的输入矢量。 本发明采用误差反向传播神 经网络(Back Propagation Neural Network,BPNN)判别模型对蓝莓病进行判别。 在网络训 练和测试前， 对驰豫信号的6个变量(3个驰豫时间T21、 T22、 T23； 3个信号幅值A21、 A22、 A23)进行 归一化处理， 以避免动态范围大的特征淹没动态范围小的特征， 使它们具有同等的作用， 所 有特征向量的范围都限定在(0,1)之间。 输出向量的维数为2， 输出层。

28、采用二进制字符进行 识别，“1” 对应健康蓝莓；“0” 对应腐烂蓝莓； 激活函数为tansig,输出层函数为tansig， 网络 训练函数为trainlm， 训练步数为5000， 训练目标为0.0001。 0044 核磁共振成像主要通过质子密度加权图像直观显示被测样品的物理、 化学及生物 说明书 4/9 页 7 CN 110009608 A 7 反应情况。 质子密度加权像(proton density weighted image， PDWI)主要反映的是组织间 质子密度的差别， 图像中组织质子密度相差不大， 对比度不强， 但有较高的信噪比， 可用于 观察细小的组织结构。 本发明中， 采用MS。

29、E多层自旋回波序列采集蓝莓横断面的质子密度图 像。 在一幅自旋回波图像中， 图像上每点的信号强度可由公式(2)来描述： 0045 0046 其中， S表示该点的信号强度， A表示该点的质子密度， TR表示重复时间， 是指两次 90 脉冲之间的时间间隔， TE表示回波时间， 是指90 脉冲到回波峰点之间的时间间隔， T1表 示该点的纵向弛豫时间， T2表示该点的横向弛豫时间。 0047 本发明采集蓝莓在0， 2， 4， 6， 8天常温贮藏过程中内部结构的核磁共振质子密度加 权图像灰度图， 如图2所示。 第1行灰度图为蓝莓的纵向截图， 第2行灰度图为蓝莓的横向截 图， 暗色对应信号弱， 亮色对应信。

30、号强。 0048 随着贮藏时间的增加蓝莓会发生不同程度的腐烂现象， 贮藏时间越长， 腐烂区域 越大， 如图2所示。 02天时所对应的是健康蓝莓图像， 其水分分布相对均匀， 所以图像区域 亮度较均匀， 灰度图像中出现较小的黑色区域对应蓝莓种子， 由于种子含水低于果肉而导 致亮度较低； 从第4天开始蓝莓开始出现轻微腐烂特征， 蓝莓内部出现因失水而形成的暗色 区域。 在贮藏第68天时， 腐烂区域面积逐渐增加， 即腐烂程度越来越严重， 暗色区域变大。 0049 因蓝莓腐烂区域在核磁共振图像中表现出暗色区域， 说明两者间的灰度值不同， 通过灰度直方图来选择合理灰度值作为阈值实现蓝莓腐烂区域的提取， 腐烂。

31、蓝莓的灰度直 方图如3所示， 图中050灰度值对应图像的背景区域， 因背景为黑色区域的灰度值较小； 50 255灰度值对应整个蓝莓区域， 其中50155灰度值对应蓝莓腐烂区域； 155255灰度值 对应蓝莓健康区域。 0050 因蓝莓腐烂会出现暗色区域， 而背景也为暗色区域， 因此， 不能通过一次阈值分割 来提取蓝莓的腐烂区域。 针对此情况， 本发明采用二次阈值分割法进行阈值分割， 第一次阈 值分割时， 将蓝莓从背景区域中分割出来， 将灰度值低于阈值的设置为0， 将灰度值高于阈 值的设置为1， 经过膨胀、 腐蚀处理， 再去除孤立像素后， 即可得到分割蓝莓区域的二值化图 像； 将原始灰度图像与二。

32、值化图像做掩膜处理， 得到蓝莓区域图像， 蓝莓图像灰度值保持不 变， 而区域外图像灰度值都为0。 第二次阈值分割时， 将腐烂区域从蓝莓中分割出来， 背景区 域的灰度值不变， 继续设置为0， 在蓝莓区域， 若灰度值大于阈值， 则设置为0， 若灰度值小于 阈值则设置为1， 然后经过膨胀、 腐蚀处理， 即得到蓝莓腐烂区域的二值化图像。 0051 本发明提取腐烂区域图像和健康蓝莓图像的直方图的3个统计特征(均值、 标准 差、 灰度众数)， 灰度共生矩阵的3个纹理特征(相关性、 对比度、 方差)、 灰度梯度共生矩阵的 8个纹理特征(大梯度优势、 灰度分布的不均匀性、 梯度分布的不均匀性、 灰度平均、 梯。

33、度平 均、 灰度标准差、 梯度标准差、 惯性)共计14个变量。 采用皮尔森相关系数， 通过相关性分析 选择出与蓝莓腐烂特征相关的图像特征变量为均值、 惯性、 灰度平均、 灰度众数、 相关性这5 个变量， 做为判别蓝莓腐烂的输入变量。 0052 本发明采用误差反向传播神经网络(Back Propagation Neural Network,BPNN) 判别模型对蓝莓病进行判别。 在网络训练和测试前， 对蓝莓腐烂病害的核磁共振质子密度 加权图像的图像特征变量的5个变量(均值、 惯性、 灰度平均、 灰度众数、 相关性)进行归一化 说明书 5/9 页 8 CN 110009608 A 8 处理， 以避。

34、免动态范围大的特征淹没动态范围小的特征， 使它们具有同等的作用， 所有特征 向量的范围都限定在(0,1)之间。 输出向量的维数为2， 输出层采用二进制字符进行识别， “1” 对应健康蓝莓；“0” 对应腐烂蓝莓； 激活函数为tansig,输出层函数为tansig， 网络训练 函数为trainlm， 训练步数为5000， 训练目标为0.0001。 0053 本发明再结合蓝莓腐烂的6个驰豫谱信号T21、 T22和T2、 A21、 A22和A23和核磁共振质子 密度加权图像的图像特征变量的5个变量(均值、 惯性、 灰度平均、 灰度众数、 相关性)作为误 差反向传播神经网络(BPNN)判别模型的输入变量。

35、， 对蓝莓腐烂病进行判别。 在网络训练和 测试前， 对蓝莓腐烂病害的上述11个输入变量进行归一化处理， 使所有特征向量的范围都 限定在(0,1)之间。 输出向量的维数为2， 输出层采用二进制字符进行识别，“1” 对应健康蓝 莓；“0” 对应腐烂蓝莓； 激活函数为tansig,输出层函数为tansig， 网络训练函数为trainlm， 训练步数为5000， 训练目标为0.0001。 0054 实施例1 0055 试验蓝莓品种为 “美登” ， 先将健康蓝莓样本和腐烂蓝莓样本放入温度设置为0 0.5的冷藏柜(型号为SC-350， 青岛海尔特种电冰柜有限公司)中预冷冷藏4h， 以排除蓝莓 的田间热。 。

36、然后将蓝莓取室温存放2h后进行核磁共振实验。 CPMG参数设置如下： 重复采样等 待时间TW设置为1200ms， 中心频率SF1为21MHZ， 偏移频率O1为65146516.16HZ， 重复采样次数 NS为4次， 90 脉冲射频脉宽P117 s， 180 脉冲射频脉宽P235.04 s。 质子密度图像参数设 置如下： 重复等待时间TR为1000ms， 回波时间TE为18.2ms， 磁化矢量过零点的时间TI-IR为 20ms， 选层厚度1.0mm， 层数设置为2， 层宽2.0mm。 核磁共振图像采集完毕后， 采用纽迈核磁 共振图像处理软件V1.0将采集到的蓝莓质子密度图像， 然后保存为png格。

37、式。 0056 图1(A)为健康蓝莓T2横向驰豫图谱， 图1(B)为腐烂蓝莓的T2横向驰豫图谱， 图1(C) 为健康蓝莓和腐烂蓝莓所对应的横向驰豫谱的对照图。 由此图可以看出， 蓝莓腐烂后的T2 横向驰豫时间增加， A2信号幅值减小。 还可看出T21、 T22和T23都在不同程度的增加， T21增加幅 度最小， T23增加幅度最大， 而A21、 A22和A23在不同程度的减小， A22减小幅度小， A23减小幅度 大。 0057 采集腐烂蓝莓和健康蓝莓各80个作为训练集样本， 各30个作为预测集样本用于测 试。 采用误差反向传播神经网络(Back Propagation Neural Netw。

38、ork,BPNN)判别模型对蓝 莓病进行判别。 在网络训练和测试前， 对驰豫信号的6个变量(3个驰豫时间T21、 T22、 T23； 3个 信号幅值A21、 A22、 A23)进行归一化处理， 以避免动态范围大的特征淹没动态范围小的特征， 使它们具有同等的作用， 所有特征向量的范围都限定在(0,1)之间。 输出向量的维数为2， 输 出层采用二进制字符进行识别，“1” 对应健康蓝莓；“0” 对应腐烂蓝莓； 激活函数为tansig, 输出层函数为tansig， 网络训练函数为trainlm， 训练步数为5000， 训练目标为0.0001。 测试 结果如表1所示。 0058 表1仅基于6个弛豫信息的。

39、蓝莓腐烂识别结果 0059 类别训练集测试集 健康87.576.7 腐烂92.586.7 0060 采用MSE多层自旋回波序列采集蓝莓横断面的质子密度图像。 本实施例采集了蓝 说明书 6/9 页 9 CN 110009608 A 9 莓在0， 2， 4， 6， 8天常温贮藏过程中内部结构的核磁共振质子密度加权图像灰度图， 如图2所 示。 第1行灰度图为蓝莓的纵向截图， 第2行灰度图为蓝莓的横向截图， 暗色对应信号弱， 亮 色对应信号强。 0061 随着贮藏时间的增加蓝莓会发生不同程度的腐烂现象， 贮藏时间越长， 腐烂区域 越大， 如图2所示。 02天时所对应的是健康蓝莓图像， 其水分分布相对均。

40、匀， 所以图像区域 亮度较均匀， 灰度图像中出现较小的黑色区域对应蓝莓种子， 由于种子含水低于果肉而导 致亮度较低； 从第4天开始蓝莓开始出现轻微腐烂特征， 蓝莓内部出现因失水而形成的暗色 区域。 在贮藏第68天时， 腐烂区域面积逐渐增加， 即腐烂程度越来越严重， 暗色区域变大。 0062 图3腐烂蓝莓的灰度直方图， 图像越接近(255)说明越亮， 越接近于(0)一侧， 图像 越灰暗。 因背景为黑色区域面积较大， 大部分像素对应的灰度值接近0， 所以对应最大的峰 值。 图3中050灰度值对应图像的背景区域， 因背景为黑色区域的灰度值较小； 50255灰 度值对应整个蓝莓区域， 其中50155灰。

41、度值对应蓝莓腐烂区域； 155255灰度值对应蓝莓 健康区域。 0063 因蓝莓腐烂会出现暗色区域， 而背景也为暗色区域， 因此， 不能通过一次阈值分割 来提取蓝莓的腐烂区域。 针对此情况， 提出采用二次阈值分割法对腐烂区域进行提取， 蓝莓 腐烂区域图像处理过程如图4所示。 选取第一个波谷位置灰度值50为分割背景区域与蓝莓 区域的阈值。 第一次阈值分割时， 将蓝莓从背景区域中分割出来。 图4(A)为原始图像， 将灰 度值50做为阈值时， 可以实现背景区域与蓝莓区域的最佳分割， 将灰度值低于50的设置为 0， 将灰度值高于50的设置为1， 得到二值化图像如图4(B)； 但是在此图中蓝莓内部有孔洞。

42、， 外部有噪声点， 这样将蓝莓分割出来会产生误差， 为解决此问题需要先将图4(B)进行膨胀 和腐蚀处理， 得到图4(C)； 发现蓝莓轮廓出现毛刺， 然后移除孤立像素， 即得到分割蓝莓区 域的二值化图像， 如图4(D)所示； 接下来将图4(A)与图4(D)做掩膜处理， 得到蓝莓区域图像 如图4(E)所示。 将第二个波谷位置灰度值155作为分割蓝莓腐烂区域与健康区域的阈值。 第 二次阈值分割时， 将腐烂区域从蓝莓中分割出来。 图4(E)的背景区域的灰度值继续设置为 0， 若蓝莓区域的灰度值大于阈值155， 则设置为0， 若灰度值小于阈值155， 则设置为1， 分割 结果如图4(F)所示； 发现图4。

43、(F)蓝莓内部有孔洞， 外部有噪声点， 然后经过腐蚀处理， 得到 图4(G)； 图4(G)内部腐烂区域有孔洞， 然后经过膨胀处理， 即得到蓝莓腐烂区域的二值化图 像， 如图4(H)所示。 面积较大的白色区域为蓝莓内部腐烂区域， 周边三个分离的面积较小的 白色区域为蓝莓外部腐烂区域。 接下来将针对蓝莓腐烂区域与健康区域图像的数学统计特 征和纹理特征进行分析。 0064 本实施例提取腐烂区域图像和健康蓝莓图像的直方图的3个统计特征(均值、 标准 差、 灰度众数)， 灰度共生矩阵的3个纹理特征(相关性、 对比度、 方差)、 灰度梯度共生矩阵的 8个纹理特征(大梯度优势、 灰度分布的不均匀性、 梯度分。

44、布的不均匀性、 灰度平均、 梯度平 均、 灰度标准差、 梯度标准差、 惯性)共计14个变量。 采用皮尔森相关系数， 将14个变量与蓝 莓腐烂进行皮尔森相关性分析来选择特征变量， 相关系数及其显著关系如表2所示。 0065 表2图像特征变量与蓝莓腐烂的相关分析结果 说明书 7/9 页 10 CN 110009608 A 10 0066 0067 相关系数的值在-1.0到1.0之间， 接近0称为无相关性， 绝对值接近1被称为具有强 相关性， 相关系数绝对值在0.81.0极强相关， 0.60.8强相关， 0.40.6中等程度相关， 0.20.4弱相关， 0.00.2极弱相关或无相关。 最终选择极强相。

45、关和强相关的均值、 惯性、 灰度平均、 灰度众数、 相关性这5个变量做为判别蓝莓腐烂的输入变量。 0068 采集腐烂蓝莓和健康蓝莓各80个作为训练集样本， 各30个作为预测集样本用于测 试。 采用误差反向传播神经网络(BPNN)判别模型对蓝莓病进行判别。 在网络训练和测试前， 对蓝莓腐烂病害的核磁共振质子密度加权图像的图像特征变量的5个变量(均值、 惯性、 灰 度平均、 灰度众数、 相关性)进行归一化处理， 以避免动态范围大的特征淹没动态范围小的 特征， 使它们具有同等的作用， 所有特征向量的范围都限定在(0,1)之间。 输出向量的维数 为2， 输出层采用二进制字符进行识别，“1” 对应健康蓝。

46、莓；“0” 对应腐烂蓝莓； 激活函数为 tansig,输出层函数为tansig， 网络训练函数为trainlm， 训练步数为5000， 训练目标为 0.0001。 测试结果如表3所示。 0069 表3仅基于5个图像特征的蓝莓腐烂识别结果 0070 类别训练集测试集 健康91.380 腐烂93.886.7 0071 采集腐烂蓝莓和健康蓝莓各80个作为训练集样本， 各30个作为预测集样本用于测 试。 再结合蓝莓腐烂的6个驰豫谱信号T21、 T22和T2、 A21、 A22和A23和核磁共振质子密度加权图 像的图像特征变量的5个变量(均值、 惯性、 灰度平均、 灰度众数、 相关性)作为误差反向传播 。

47、神经网络(BPNN)判别模型的输入变量， 对蓝莓腐烂病进行判别。 在网络训练和测试前， 对蓝 莓腐烂病害的上述11个输入变量进行归一化处理， 使所有特征向量的范围都限定在(0,1) 之间。 神经网络参数设置输出向量的维数为2， 输出层采用二进制字符进行识别，“1” 对应健 康蓝莓；“0” 对应腐烂蓝莓； 激活函数为tansig,输出层函数为tansig， 网络训练函数为 trainlm， 训练步数为5000， 训练目标为0.0001。 测试结果如表3所示。 测试结果如表4所示。 0072 表4基于弛豫信息和图像特征的蓝莓腐烂识别结果 0073 类别训练集测试集 说明书 8/9 页 11 CN 110009608 A 11 健康97.586.7 腐烂100100 0074 本发明采用低场核磁共振技术能够实现对蓝莓腐烂病害的分析与检测， 为蓝莓腐 烂病害分析和检测研究提供了技术参考。 说明书 9/9 页 12 CN 110009608 A 12 图1 图2 说明书附图 1/2 页 13 CN 110009608 A 13 图3 图4 说明书附图 2/2 页 14 CN 110009608 A 14 。