基于数据融合策略的红茶发酵程度判别

发酵是红茶加工过程中关键的一道工序,对红茶的品质形成有着重要影响。该研究以大叶种英德红茶中的英红九号为研究对象,试验收集了204份不同发酵时间的红茶样品并使用便携式近红外光谱仪和工业相机获取红茶发酵中的信息,基于近红外光谱数据、图像数据和数据融合策略分别建立了红茶发酵程度判别模型。通过分析茶多酚和儿茶素类含量的变化,将红茶的发酵划分为3个阶段,即发酵不足、发酵适度和发酵过度。采用Savitzky-Golay光滑对原始光谱进行预处理,利用竞争自适应重加权采样（Competitive Adaptive Reweighted Sampling, CARS）、连续投影算法（Successive Projections Algorithm, SPA）和主成分分析（Principal Components Analysis, PCA）对近红外光谱变量进行降维处理;相应地,图像进行去阴影后提取了9个颜色特征变量,采用皮尔森（Pearson）相关分析和主成分分析进行特征变量提取。最后采用线性判别分析（Linear Discriminant Analysis, LDA）和支持向量机（Support Vector Machine, SVM）分别建立了基于近红外、图像和两者数据融合的分类模型。结果表明,在建模数据相同的条件下,非线性的支持向量机模型性能优于线性判别分析模型。单一传感器数据建模效果不佳,近红外光谱和图像判别模型的预测集最大准确率仅为83.82%和73.53%。低层次数据融合建模效果较单一传感器数据建模无明显提升,而中层次的数据融合建模效果比单一数据建模均有显著提高,其中SPA提取光谱变量结合Pearson提取图像变量建立的判别模型效果较佳,校正集和预测集准确率分别达到了97.06%和95.59%。研究表明,近红外光谱和视觉结合的中层次融合策略可以作为一种快速判别红茶发酵程度的方法,研究结果为红茶发酵程度构建等级模型与判别奠定了一定的理论基础,为红茶发酵的自动化检测提供了重要依据。     

基于高光谱图像和光谱信息融合的马铃薯多指标检测方法

针对随机放置的马铃薯缺陷多项指标难以同时检测的问题,提出了一种基于高光谱信息融合的流形学习降维算法与极限学习机(extreme learning machine,ELM)相结合的方法,该方法可同时识别马铃薯的多项缺陷指标。分别采集发芽、绿皮、黑心和合格马铃薯的反射高光谱数据(390~1 040 nm),在光谱维,提取马铃薯样本感兴趣区域(region of interest,ROI)的平均光谱,分别采用扩散映射(diffusion maps,DM)、局部线性嵌入(locally linear embedding,LLE)和海森局部线性嵌入(hessian locally linear embedding,HLLE)3种流形学习降维算法对光谱数据进行降维;在图像维,对马铃薯伪彩色图像进行形态学处理,获取基于灰度共生矩阵(gray level co-occurrence matrix,GLCM)的图像纹理信息,采用连续投影算法(successive projections algorithm,SPA)优选图像纹理特征;融合光谱维信息和图像维信息,分别建立基于极限学习机(ELM)与支持向量机(support vector machine,SVM)的马铃薯多分类识别模型。结果表明,扩散映射结合极限学习机(DM-ELM)模型的预测结果较优,该模型对发芽、绿皮、黑心和合格马铃薯样本的单一识别率分别为97.30%、93.55%、94.44%和100%,混合识别率达到96.58%,时间为0.11 s,可知高光谱信息融合技术结合流形学习降维算法可同时识别随机放置马铃薯的多种缺陷指标。     

基于多光谱图像融合和形态重构的图像分割方法

一些成熟的瓜果果实在单一的光谱图像中,果与叶的灰度值只存在微小差异,常用的图像分割方法不足以把果与叶区分开,为此,提出一种基于多光谱图像融合的形态学重构分割方法。首先,采集同一目标的可见光彩色图像和近红外图像,对此多光谱图像分别采用主成分分析（PCA）、小波变换以及可见光图像H分量与近红外图像NIR的算术组合（NIR/H）等方式进行融合处理;然后,对融合图像进行形态学重构分水岭分割。多幅苹果和番茄图像的目标提取试验结果表明,对可见光图像和近红外图像的PCA和小波变换融合图像进行形态学重构分水岭分割,可以得到较好的分割效果,尤其是小波变换融合图像的形态学重构分水岭分割效果更具有自适应性。     

基于高光谱图像的蓝莓糖度和硬度无损测量

为了对蓝莓硬度和糖度进行无损检测,采用近红外光谱仪(900~1700 nm)分别对490个"蓝丰"蓝莓的果柄侧和花萼侧进行高光谱成像,并测量整个果实的硬度和糖度。应用偏最小二乘回归法分别对果柄侧、花萼侧和整个果实的平均光谱建立硬度和糖度预测模型。试验结果表明,蓝莓硬度呈双峰分布,表明实际生产中有望分为2类;蓝莓糖度呈正态分布;硬度和糖度的相关性仅为?0.15,说明不能通过二者之中的任何一个来估计和评价另一个。采用整个果实的平均光谱数据建模效果最好,硬度的校正集相关系数RC和验证集相关系数RV达到0.911和0.871,糖度的为0.891和0.774,但主成分数都有所增加。结果表明,采用高光谱技术对蓝莓硬度和糖度进行快速、无损检测是可行的。     

基于机器视觉形状特征参数的祁门红茶等级识别

外形是评价茶叶质量的重要指标之一,目前主要依赖人工审评的方法,客观、准确的评价外形指标对茶叶加工、销售有重要的意义。该研究提出了一种基于形状特征直方图结合支持向量机的茶叶等级识别方法。以7个等级的祁门工夫红茶为研究对象,构建图像采集系统,标定相机参数,采集各等级的茶叶图像。对图像进行灰度化、二值化处理,提取叶片的6个绝对形状特征:长度、宽度、面积、周长、最小外接矩长、宽,在此基础上计算狭长度,矩形度2个相对形状特征,生成形状特征的直方图。以直方图分布为特征向量,构建了基于BP神经网络,极限学习机(extreme learning machine,ELM),支持向量机(support vector machine,SVM),最小二乘支持向量机(least squares support vector machine,LS-SVM)的等级识别模型,并对比了不同模型的识别效果。结果表明,该文构建的图像采集系统测量精度0.3 mm,能够准确提取形状特征参数;基于形状特征直方图的LS-SVM模型识别效果最好,识别精度为95.71%,测试集决定系数为96.2%,具有算法复杂度低,易于求解的优点。研究结果为实现茶叶的客观、数字化等级鉴定,提供了试验数据和参考方法。     

基于图像光谱信息融合的鱼不同冻藏时间及冻融次数鉴别

应用高光谱成像技术(380~1023 nm),基于信息融合实现鱼不同冻藏时间后冻融次数鉴别。首先,提取鱼样品感兴趣区域(region of interest,ROI)光谱并结合竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)得到57个变量作为光谱信息,同时对鱼样品做主成分分析(principal component analysis,PCA),提取第一主成分图像信息如中值、协方差、同质性、能量、对比度、相关、熵、逆差距、反差、差异性、二阶距和自相关12个灰度共生矩阵(gray level co-occurrence matrix,GLCM)纹理特征参量,结合灰度共生矩阵纹理特征与光谱特征,作为模型偏小最二乘支持向量机(least squares support vector machines,LS-SVM)的输入建立区分模型,预测集识别率达到98%。结果表明,高光谱成像技术可以用于鱼不同冷冻时间以及冻融次数的鉴别。     

基于光谱技术的大豆豆荚炭疽病早期鉴别方法

为更好地指导农户进行植物病害防治,提高大豆豆荚的商品性,减少损失,需要运用快速有效的方法来进行大豆豆荚炭疽病的早期检测。该文应用可见-近红外光谱技术结合连续投影算法(SPA)和最小二乘支持向量机(LS-SVM),实现了大豆豆荚炭疽病的早期快速无损检测。对194个大豆豆荚样本进行光谱扫描,通过不同预处理方法比较,建立了大豆豆荚炭疽病早期无损鉴别的最优偏最小二乘法(PLS)模型。同时应用主成分分析(PCA)和连续投影算法(SPA)分别了提取最佳主成分和有效波长,并将其作为LS-SVM的输入变量,建立了PCA-LS-SVM和SPA-LS-SVM模型,以样本鉴别的准确率作为模型评价指标。试验结果显示PCA-LS-SVM和SPA-LS-SVM模型都获得了比较满意的准确率,且SPA-LS-SVM模型的准确率最高为95.45%。研究表明,SPA能够有效地进行波长选择,进而使LS-SVM模型获得较高的鉴别率,说明应用可见-近红外光谱技术鉴别大豆豆荚炭疽病是可行的。这为进一步应用光谱技术进行大豆生长对逆境胁迫的反应提供了新的方法,为实现大豆病害的田间实时在线检测提供参考。     

基于近红外光谱和机器视觉的多信息融合技术评判茶叶品质

首次提出利用近红外光谱和机器视觉的多传感信息融合技术评判茶叶品质.试验以4个等级的炒青绿茶为试验对象,对获取的图像特征信息和光谱特征信息,通过主成分分析提取相应的主成分得分向量构成模式识别的输入.利用BP神经网络方法建立茶叶综合品质评判模型.在模型的建立过程中,对各个信息的主成分因子数进行了优化.从试验的结果看,在图像信息主成分因子数等于6,光谱信息主成分因子数等于3时,建立的模型最佳,模型训练时的回判率为99%,预测时的识别率为89%.研究结果表明基于近红外光谱和机器视觉技术的多传感信息融合技术评判茶叶综合品质的方法是可行的,评判结果的准确性和稳定性都较单个信息模型有所提高.     

基于EM算法的图像融合质量评价

为提出一种量化评价经图像融合所产生的结果图像的质量评价方法,采用一种混合瑞利(Rayleigh)概率密度函数(pdfs)对图像边缘强度直方图建模,混合模型中各项的参数和权重通过EM算法迭代估算得到。在建立的混合瑞利概率密度函数模型中,最小参数混合项对应图像的弱边缘,最大参数混合项对应图像的强边缘。因此,取最小参数项的标准方差作为噪声的标准方差估计,实现噪声盲估计;取最大参数项的标准方差作为图像模糊度的定量评价指标。通过估算混合瑞利pdfs模型中的参数变化可以评价图像质量。与其它图像质量评价方法相比,这种方法的最大优点是不需要知道图像构造等细节信息,不需要图像变换,只要有原始图像即可对其进行评价。而且对较小噪声也能较精确地估计。研究表明这个技术很强健,并对要评估的图像依赖很小。     

基于分层信息融合的木材干燥过程含水率在线检测

木材干燥过程是一个复杂的强耦合、非线性的动力系统,木材干燥的关键是木材含水率参数的检测。研究中依据多传感器信息融合技术,构建符合木材干燥过程的木材含水率在线检测分层融合体系。数据层融合实现干燥窑内各种参数传感器的小波滤波与在线估计,特征层融合实现环境参数（温度、湿度）与木材含水率之间LSSVM模型的建立,在此模型基础上实现木材含水率的预测输出。仿真试验研究表明,基于分层信息融合技术可有效实现木材含水率在线检测预测,通过在线检测融合平台可以实现根据不同树种,不同干燥工艺直观地将预测结果显示出来,为木材干燥自动控制系统的控制决策提供依据,具有良好的工业实际应用价值和前景。     

基于叶片图像和环境信息的黄瓜病害识别方法

作物病害严重影响着作物的产量和质量,病害类型识别是病害防治的前提。利用图像处理和统计分析,提出了一种基于病害叶片图像和环境信息的黄瓜病害类别识别方法。采集不同季节、温度和湿度等环境下的病害叶片图像,并记录病害的环境信息;利用属性约简法提取病害叶片的5个环境信息特征向量,对病害叶片图像进行一系列图像处理,提取病斑图像的颜色、形状、纹理等35个统计特征向量。将两者结合得到黄瓜病害的40个特征分量。再利用统计分析系统(statistical analysis system,SAS)的判别分析方法,选择10个分类能力强的特征分量,计算作物病害的聚类中心分类特征向量。最后,利用最大隶属度准则识别病害叶片的病斑类别。对黄瓜的霜霉病、褐斑病和炭疽病3种叶部病害的识别率高达90%以上。试验结果表明,该方法能够有效识别作物叶部病害类别,可为田间开放环境下实现作物病害的快速自动识别提供依据。     

基于深度度量学习的茶叶相似性评价方法

在眉茶拼配过程中,为了客观定量的评价试拼小样与标准样之间的相似性,该研究提出了一种基于深度度量学习的相似性评价方法,采用7种等级的眉茶标准样作为训练集,并在标准样中加入不同含量半成品茶构建具有不同相似性的测试集。采集茶样的高光谱数据并获取光谱特征与图像特征,分别以光谱数据、图像数据、图谱融合数据3种数据类型作为模型的输入。为了构建距离特征空间,该研究提出了基于三元组损失的深度特征提取网络,并设计了Center Anchor Triplet Loss损失函数,通过样本在特征空间的距离,表征相似程度,达到定性判断相似性和定量度量相似度的目的。结果表明：图谱融合数据结合Center Anchor Triplet Loss的方法精度最高,相似性判断准确率为98.89%,相似度度量准确率为100%。该研究采用未经训练的独立样本评价模型,可以获得较好的结果,说明算法具有较好的泛化能力。研究结果为眉茶的相似性评价提供了理论依据。