基于光谱技术的褐壳血斑蛋鉴别方法研究

血斑蛋是一种带有血丝的异常蛋。通过自制的鸡蛋内部品质光谱检测系统,采集40个正常蛋和60个人工注射血样的血斑蛋的可见/近红外光谱,研究比较了3种不同的血斑蛋判别方法:传统的血值判别法、偏最小二乘判别法(DPLS)以及融合光谱信息与蛋壳颜色信息的最小二乘支持向量机(LS-SVM)判别法,结果表明基于颜色信息融合的最小二乘支持向量机的判别结果明显优于传统的血值判别法,正常蛋的判别正确率为90%,血斑蛋的判别正确率为91.7%,证明了此方法可用于褐色蛋的血斑检测。     

高光谱成像结合模式识别无损检测猕猴桃成熟度

为实现“贵长”猕猴桃成熟度的快速无损检测,提出高光谱成像结合模式识别建立识别模型的检测方法。首先利用可见/近红外(390~1 030 nm)高光谱成像系统采集不同成熟阶段猕猴桃样本的高光谱图像,并获取整个样本区域的光谱反射率。然后对比3种光谱预处理方法：二阶导数、标准正态变换以及多元散射校正对原始光谱的预处理效果。最后分析偏最小二乘判别分析(PLS-DA)和简化的K最近邻(SKNN)模式识别方法对猕猴桃成熟度的识别性能。结果表明：相对于标准正态变换和多元散射校正两种光谱预处理方法,二阶导数预处理方法对原始光谱的预处理效果相对较好。另外,PLS-DA识别模型对猕猴桃成熟度的识别性能要优于SKNN识别模型,其正确识别率达到100%。表明采用高光谱成像技术结合模式识别方法判别“贵长”猕猴桃成熟度是可行的。     

基于高光谱成像的绿皮马铃薯检测方法

针对任意放置姿态下的轻微绿皮马铃薯难以检测的问题,进行了半透射与反射高光谱成像方式的不同检测方法比较研究,最终确定较优高光谱成像方式的检测方法。分别以半透射与反射高光谱成像方式对图像维提取RGB、HSV和Lab空间颜色信息,并采用等距映射、最大方差展开、拉普拉斯特征映射进行图像信息降维;分别以半透射与反射高光谱成像方式对光谱维提取感兴趣区域的平均光谱数据,并采用局部保持投影、局部切空间排列、局部线性协调进行光谱信息降维;然后分别建立不同高光谱成像方式下的图像与光谱信息的深度信念网络模型;对识别率良好的模型采用多源信息融合技术进一步优化,并建立基于图像和光谱融合或不同成像方式融合的模型。结果表明,基于半透射和反射高光谱的光谱信息融合模型最优,校正集和测试集识别率均达到100%,可实现轻微绿皮马铃薯的无损检测。     

基于高光谱成像技术和卷积神经网络的沙果成熟度检测

为探究卷积神经网络(Convolutional neural network,CNN)在果品品质检测中的预测能力,实现不同成熟度沙果的识别,本研究以未成熟、可采成熟、食用成熟、生理成熟4个不同成熟度沙果为研究对象,采用高光谱成像技术,分别利用光谱和图像信息采用CNN建立沙果成熟度判别模型。结果表明,基于光谱和图像信息分别建立的沙果成熟度CNN模型的识别准确率均达到98.75%,实现了不同成熟度沙果的识别,为水果品质的无损检测提供了方法和思路。     

油桃外部缺陷的高光谱成像检测

采用高光谱(420~1 000 nm)成像技术对"中油9号"油桃的4种外部缺陷(裂纹果、锈病果、异形果和暗伤果)进行检测判别。对400个样本(4种外部缺陷样本和完好样本)运用偏最小二乘回归(PLSR)从全波段中分别提取了10条特征波长,分别为497、534、657、677、696、709、745、823、868、943 nm。缺陷样本的高光谱图像经过主成分分析后,对876 nm下的单波段图像通过掩膜、Sobel算子处理,并对主成分图像经过区域生长算法实现缺陷样本的缺陷区域分割。对光谱数据进行主成分分析得到前10个主成分值,并对图像数据采用灰度共生矩阵(GLCM)提取得到6项图像纹理指标(均值、对比度、相关性、能量、同质性、熵值)。将主成分值和纹理值融合建立极限学习机(ELM)模型对油桃外部缺陷进行检测判别。结果表明,该模型对缺陷样本的判别正确率为91.67%,完好样本的正确率为100%。     

数字图像分析的椪柑可溶性固形物含量检测

为了探索建立基于数字图像处理技术的柑桔果实品质非损伤探测技术,采用多光谱照相机MS3100获取不同成熟度椪柑果实样品的数码图像R,G,B通道颜色信息,结合实验室果实可溶性固形物含量(SSC,Solublesolids content)化学分析值,进行了椪柑果实SSC与颜色信息相关性分析和检测模型研究。结果表明,椪柑果实图像的5个颜色参数R,G-R,B-R,G/R和(G-R)/(G+R)与果实SSC值之间具有较好的相关性,校正模型相关系数均在0.83以上;模型验证结果表明,B-R值与果实SSC值所建立的模型预测效果最佳,决定系数为R2=0.651,是椪柑果实SSC检测的最佳图像颜色参数,一元二次方程SSC=-0.0001(B-R)2-0.0219(B-R)+9.601为其最优检测模型;神经网络模型可以容纳更多的相关波段参与柑桔SSC含量的估算,实测值与预测值的相关系数高于其他模型,而均方根误差(RMSE,Root mean square error)低于其他模型,表明利用计算机图像技术进行柑桔果实SSC的检测是可行的。     

富士苹果采收成熟度光谱无损预测模型对比分析

针对苹果采收成熟度不一,导致果品贮藏品质不佳、病害率高等问题,基于可见/近红外光谱和成熟度评价指数建立快速无损判别采收成熟度的分类模型。根据盛花期后的发育时间,采集了3种成熟阶段（八成熟、九成熟和十成熟）样品的光谱信息。光谱预处理后通过“二审”回收算子法剔除异常样本,随机蛙跳（RF）算法提取特征变量,建立成熟度评价指数SIQI和综合评价指标FQI的偏最小二乘（PLSR）模型,SIQI指数和FQI指数的预测相关系数R为0.938和0.917。建立极限学习机（ELM）和支持向量回归（SVR）分类模型,并与2种成熟度评价指数结合SVR建立的分类结果进行比较。对比4种分类结果发现,基于SIQI+SVR构建的分类结果最好,优于直接分类模型,分类准确率为 85.71%。试验结果表明,可见/近红外光谱结合成熟度评价指数可实现苹果成熟度分类,为后续采收成熟度的无损检测设备研发提供理论参考。     

单粒玉米种子成熟度快速判别方法

为快速无损检测单粒种子成熟度,推进现代良种单粒播种技术,采用近红外光谱技术结合化学计量学方法建立了单粒玉米种子成熟度快速鉴别模型。采集200份单粒玉米种子样本近红外光谱,采用多种光谱预处理方法消除单粒种子采集过程中由于颗粒形态、杂散光等引入的干扰信息,分别采用分段谱区、连续投影算法筛选特征波长,优化建立种子成熟度判别模型。经SG5_1预处理后,在5 500～4 000 cm~(-1)谱区建立的基于支持向量机的单粒玉米种子成熟度判别模型的分类准确率可达92%。实验结果表明,近红外光谱技术可以快速无损判别单粒玉米种子成熟度。     

渗油醋胶囊高光谱快速检测技术

针对渗油醋胶囊具有与合格醋胶囊相似颜色,难以用肉眼或者计算机视觉进行快速检测的问题,利用高光谱图像信息对化学成分的敏感性,采用高光谱图像技术捕捉渗油醋胶囊在430~960 nm波段下的特征信息,结合线性判别分析(LDA)、K最近邻判别法(KNN)建立渗油醋胶囊的判别模型。在K值为3、主成分因子数为2时,KNN模型对应的校正集识别率和预测集识别率分别达到100%。研究表明,高光谱图像技术可以有效表征渗油醋胶囊表面外渗成分的光谱特征,实现对渗油醋胶囊的快速检测。     

基于光谱成像技术的温室黄瓜识别方法

为实现温室环境下近色系果蔬的采摘识别,提出了一种基于统计方差结合人工神经网络的光谱选择方法对黄瓜敏感波段进行分析验证,并将选定的光谱组合作为温室黄瓜识别中光谱图像获取的参考依据。结果表明,利用所摄敏感波段的图像信息可有效地解决黄瓜目标与背景的区分问题。综合比较黄瓜作物(果实、叶、花)在不同光谱域的分光反射特性差异,利用方差分解方法获取果实信息的敏感波段,在敏感区域内进行主成分分析,将前4个主成分作为网络输入、作物器官类别作为输出,建立3层BP—ANN验证模型。将160个样本数据按比例分为建模集和预测集,模型对建模集120个样本的正确判别率为100%,对预测集40个样本的正确判别率为95%。说明敏感波段的选择能较好地反映黄瓜作物不同器官间的特性差异。     

高光谱成像技术的玉米叶片氮含量检测模型

应用高光谱成像技术,实现了玉米拔节期叶片氮含量的检测。提取出240个叶片样本的平均光谱反射率数据(400~1 000nm),对原始数据分别进行3种预处理(1stDer、2ndDer、SNV),建立了4种预测模型,包括基于幅值参数(Dλr、Dλy、Dλb)的多种回归模型、全光谱PLS模型、基于连续投影算法(SPA)的PLS模型及基于主成分分析法(PCA)的PLS模型。建模结果显示:基于PCA的PLS模型预测精度最低;全光谱的PLS模型Rc2和RP2分别为0.967、0.821;基于SPA算法的PLS模型R_c~2、R_P~2分别为0.944、0.749,与全光谱的PLS模型预测精度相当,而自变量个数减少了95.07%。基于幅值参数的多元回归模型其预测结果虽与基于全光谱的PLS模型有些许差距,但模型简单,运算量最小,适用于对精度要求不高的场合。     

基于高光谱图谱融合技术的英德红茶等级快速无损判别

茶叶等级评价是检测茶叶品质的一项重要技术指标。通过提取红茶高光谱成像技术下的图像特征和光谱特征,构建一种基于图谱融合方法、适用于英德红茶等级评价的快速无损判别模型。首先制备3种不同等级的红茶样本,采用t分布-随机近邻嵌入和主成分分析对光谱数据进行降维可视化分析,然后从影响内在品质角度用连续投影法提取每种化学值的特征波长,通过多模型共识策略和竞争性自适应重加权算法-连续投影法筛选得出表征其内在品质的最佳特征波长组合,并建立基于遗传算法优化支持向量机的等级判别模型;其模型的训练集准确率为88%,预测集准确率为78.33%。为了融合外形纹理差异,先提取最佳特征波长组合对应的高光谱图像;采用图像掩膜消除背景的干扰和采用图像主成分分析消除多波长图像间的冗余信息,然后采用灰度共生矩阵和局部二值化算法提取主成分前三维主成分图像与特征光谱融合,并建立基于特征融合的遗传算法优化支持向量机等级判别模型,且基于第三主成分图像特征融合模型判别效果最佳,训练集准确率提升至98%,预测集准确率提升至96.67%。     

马铃薯典型病害图像自适应特征融合与快速识别

针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。     

基于高光谱技术的采摘期烟叶水分含量研究

烟叶含水量的快速检测在烟草种植业中起着关键的作用,检测采摘期烟叶水分含量,对烟草工艺具有重要意义。为了快速、无损地检测采摘期烟叶水分含量,提出一种主成分分析(PCA)结合马氏距离算法(MD)的方法来剔除异常样本,再使用偏最小二乘法(PLS)估测采摘期烟叶水分含量。首先,利用GaiaSky-mini2机载高光谱成像仪获取到141个采摘期烟叶的高光谱数据,采用多元散射校正(MSC)、标准正态变量交换(SNV)和Savitzky-Golay卷积平滑法等对原始光谱进行预处理。然后,应用主成分分析结合马氏距离法对校正集中的异常样品进行剔除。最后,使用偏最小二乘法(PLS)建立采摘期烟叶水分含量分析模型。结果表明:利用SG卷积平滑法预处理的PCA-MD-PLS模型效果最佳,对烟叶含水量预测能力最好,预测模型相关系数为0.852 7,均方差为1.376 6。     

基于嗅觉可视化与图像处理的食醋醋龄检测

应用基于色敏传感器阵列的嗅觉可视化系统对不同醋龄的食醋进行鉴别。运用系统的图像处理模块,比较了不同方法对目标图像的中心点定位和特征区域选取的影响。尤其在基于不同颜色空间提取特征值方面,对比了RGB、HSV、Lab颜色空间,结果表明Lab的效果最好。利用3种颜色空间中获得的特征数据并结合主成分分析(PCA)和线性判别分析(LDA)等模式识别方法,鉴别食醋醋龄,Lab颜色空间下的训练集和预测集识别率均大于90%。     

基于多层约束立体视觉的采棉机器人视觉系统研究

大田成熟棉花的识别和定位是采棉机器人作业的基本前提。为此,提出一种采棉机器人视觉系统解决方案。首先根据棉纤维颜色特点,将彩色棉田图像分离为RGB 3个通道,分别进行预处理和阈值分割,最后合并为彩色图像,继而检测大面积区域的轮廓并计算其质心点;在轮廓附近区域对预处理过的棉田图像进行FAST角点检测,使用SUFT特征描述并进行四层约束立体匹配,结合隐式定标参数可计算出特征点的空间坐标;最后,建立了一种考虑镜头缩放影响的轮廓面积/最小外接圆面积比值的成熟度估计模型。实验结果表面:本方法可在准确识别和定位大田棉花的同时判断棉花的成熟度。     

利用高光谱图像技术检测水果轻微损伤

提出了利用高光谱图像技术检测水果轻微损伤的方法.试验以苹果为研究对象,利用500～900 nm范围内的高光谱图像数据,通过主成分分析提取547 nm波长下的特征图像,然后设计不均匀二次差分消除了苹果图像亮度分布不均匀的影响,最后通过合适的数字图像处理方法提取苹果的轻微损伤.试验结果表明,高光谱图像技术对苹果轻微损伤的检测正确率达到88.57%.     

结合Beltrami流和递归滤波的高光谱图像分类方法

提出一种结合Beltrami流滤波和域转换递归滤波的高光谱图像分类算法(BFRF-SVM)。分别利用Beltrami流对主成分分析(PCA)降维后的高光谱图像滤波方法和域转换递归滤波方法对全光谱波段进行滤波,两种空间信息进行线性融合后交由支持向量机(SVM)完成分类。实验表明,相比使用光谱信息、高光谱降维、空谱结合的SVM分类方法,以及边缘保持滤波和递归滤波以及形态学滤波特征方法,本文提出的BFRF-SVM方法对高光谱图像的分类精度有较大提高,验证了该方法的有效性。     

基于高光谱成像技术的生菜冠层含水率检测

为实现作物含水率的无损检测,以6种水分胁迫水平的生菜为研究对象,利用高光谱成像技术和特征波长选取方法对生菜冠层含水率进行检测研究。采用掩模法去除高光谱图像的背景噪声,并对生菜冠层光谱图像进行光强校正。利用标准正态变量变换法(SNV)去除原始平均光谱数据的噪声,采用蒙特卡罗无信息变量消除法(MCUVE)剔除无关变量,结合基于最小绝对收缩和选择算法(LASSO)、连续投影法(SPA)、LASSO与SPA算法组合(LASSO SPA)筛选特征变量,对数据进行降维处理,采用偏最小二乘法(PLS)建立5个生菜冠层含水率检测模型。经对比发现,全光谱中存在很多冗余信息变量和无关变量,采用全光谱建立的PLS模型复杂度最高,且预测能力最差;以MCUVE LASSO SPA筛选变量后的PLS模型效果最优,其中建模集相关系数R c和预测集相关系数R p分别为0.8827和0.9015,均方根误差分别为1.0662和0.9287。择优选取MCUVE LASSO SPA PLS模型计算生菜冠层每个像素点的干基含水率,生成可视化分布图,实现了生菜冠层叶片干基含水率可视化检测。本研究可为生菜冠层含水率快速无损检测提供参考。