基于高光谱图像光谱与纹理信息的生菜氮素含量检测

高光谱图像包含丰富的光谱与图像信息,该文基于此试图构建生菜氮素检测模型。利用高光谱图像采集系统获取可见-近红外(390~1 050 nm)范围内的生菜叶片高光谱图像,同时利用凯氏定氮法获取对应叶片的氮素值。将光谱反射值较大波长图像与反射值较小波长图像相除并用阈值化法构建掩膜图像,获取感兴趣区域(ROI,region of interest)。由于高光谱数据量大、且数据间冗余性强,因此如何有效的提取一些特征波长十分重要。该文采用主成分分析(PCA,principal component analysis)对原始高光谱图像进行处理,根据前3个主成分图像(PC1、PC2、PC3)在全波长下的权重系数分布图选出662.9、711.7、735.0、934.6 nm 4个特征波长及对应的光谱特征,并且分别提取4个特征波长图像、主成分图像PC1、PC2、PC3在ROI下的基于灰度共生矩阵的纹理特征,最后利用支持向量机回归(SVR,support vector machine regression)分别建立生菜叶片基于特征波长光谱特征、特征波长图像与主成分图像的纹理特征及光谱纹理融合特征与对应氮素值之间的关系模型。结果表明,在校正性能指标决定系数R2C上,基于光谱特征+特征波长图像纹理特征的模型较好,R2C=0.996,校正集均方根误差RMSEC为0.034;在预测性能指标决定系数R2P上,基于光谱特征的模型较好,R2P=0.86,预测集均方根误差RMSEP为0.22。该研究结果可为农作物氮素的快速、无损检测提供一定的参考价值。     

基于支持向量机和ReliefF算法的玉米品种抗倒伏预测

针对目前玉米品种抗倒伏鉴定方法费时、费力，玉米抗倒伏品种选育周期长的问题，该研究采用高光谱成像技术结合统计学习方法在玉米营养生长期开展品种抗倒伏预测。于2018年和2019年开展田间试验采集不同抗倒伏的8个玉米品种的高光谱成像数据，基于区域识别方法提取感兴趣区域（Region of Interest，ROI）的光谱曲线，分析抗倒样本和不抗倒样本的数据特性；然后分别采用过滤式特征选择算法ReliefF（Relevant Features）和主成分分析（Principal Component Analysis，PCA）结合ReliefF算法的方式，挖掘抗倒品种和不抗倒品种的光谱分类特征；最后使用交叉验证的方式，对ReliefF方法选择的原始光谱数据特征数量和PCAReliefF方法选择的主成分特征数量进行优化，分别建立ReliefF-SVM和PCAReliefF-SVM支持向量机（Support Vector Machines，SVM）分类模型，并对SVM模型的惩罚参数和核参数进行优化，以获得更好的模型预测效果。结果表明：经过特征优化，2018年试验和2019年试验分别选择了40和50个特征参与建模，且使用PCAReliefF方法选择的主成分特征与使用ReliefF方法选择的原始光谱数据特征相比，几乎不含有冗余特征；通过对支持向量机模型的惩罚参数和核参数进行优化，2018年试验ReliefF-SVM和PCAReliefF-SVM模型对预测集样本的抗倒伏分类预测正确率分别为84.17%和85 %，2019年试验模型分类预测正确率分别为84.17%和85.83%。可见，采用高光谱成像数据和统计学习方法可以实现对玉米品种抗倒伏的早期预测，使用PCAReliefF-SVM模型比ReliefF-SVM分类模型综合性能更优，试验为玉米抗倒伏品种的高效筛选提供了方法和借鉴。     

基于高光谱图像的鸡种蛋孵化早期胚胎性别鉴定

为了对鸡种蛋孵化早期胚胎进行性别鉴定,构建了高光谱图像采集系统,在400~1 000 nm范围内获取94枚种蛋孵化0~12 d的高光谱透射图像。分别在胚胎的圆头、中间、尖头3个部位选择感兴趣区域(region of interest,ROI),获取400~1 000 nm波段的响应信号,构建了支持向量机(support vector machine,SVM)、偏最小二乘判别分析(partial least squares discriminant analysis,PLSDA)和人工神经网络(artificial neural network,ANN)的鸡胚胎性别鉴定模型,并比较了不同孵化时间雌雄胚胎的鉴别准确率。试验结果表明,SVM模型、PLSDA模型和ANN模型均对孵化第10天种蛋中间部位检测效果最好。随后通过分析第10天种蛋中间部位光谱响应的差异,选取600~900 nm的光谱值构建胚胎性别鉴定模型,结果发现,3种模型的判别准确率均有上升,SVM模型和PLSDA模型预测集样本判别准确率均为75.00%,ANN模型预测集样本判别准确率达到82.86%。其中,ANN构建的种蛋孵化胚胎性别检测模型的整体效果优于SVM模型和PLSDA模型。结果表明高光谱图像技术在检测鸡种蛋孵化早期胚胎性别方面有一定效果,但种蛋蛋壳的个体差异会对鉴定准确率造成一定影响。     

基于近红外高光谱成像技术鉴别杂交稻品系

种子的筛选和鉴别是农业育种过程中的关键环节。该文基于近红外高光谱成像技术(874~1 734 nm)结合化学计量学方法以及图像处理技术实现杂交稻种的品系鉴别及可视化预测。采集了3类不同品系共2 700粒杂交水稻的高光谱图像,用SPXY算法,按照2∶1的比例划分建模集和预测集。基于水稻样本的光谱特征,采用主成分分析(PCA)方法初步探究3类样本的可分性。采用连续投影算法(SPA),提取出7个特征波长:985.08、1 106、1 203.55、1 399.04、1 463.19、1 601.81、1 645.82 nm。基于特征波长和全波段光谱,建立了偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)模型。试验结果表明,所建模型判别效果较好,识别正确率均达到了90%以上,其中,SVM模型的判别效果优于PLS-DA模型,基于全谱的判别分析模型结果优于基于特征波长的判别模型。结合SPA-SVM校正模型和图像处理技术,生成样本预测伪彩图,可以直观的鉴别不同品系的水稻种子。结果表明,近红外高光谱成像技术可以实现杂交稻的品系识别及可视化预测,为农业育种过程中种子的快速筛选及鉴定提供了新思路。     

基于高光谱图像纹理特征的牛肉嫩度分布评价

传统牛肉品质的检测方法耗时长,效率低,破坏样品,已不能满足现代化生产的需要。为了实现对牛肉嫩度品质的快速无损检测和评价,该文利用高光谱成像系统,以西门塔尔牛多个胴体的背最长肌部位为研究对象,采集56个有效样本的高光谱立体图像,研究无损评价牛肉样品的嫩度分布。通过提取样本的反射光谱信息,并利用逐步回归算法结合遗传算法(GA,genetic algorithm)筛选出牛肉剪切力值(WBSF,warner-bratzler shear force)的特征波段。利用主成分分析(PCA,principle component analysis)提取样品的3个主成分。基于选出的特征波段图像和提取的主成分,通过计算图像灰度共生矩阵求取每幅图像8个主要纹理特征参数,分别建立了基于支持向量机(SVM,support vector machine)和线性判别(LDA,linear discriminant analysis)法的嫩度等级判别模型。经分析比较,基于主成分纹理特征优于基于特征波段图像建立的预测模型,并且,线性判别模型识别准确率相比支持向量机模型较高。基于主成分纹理特征建立的线性判别模型预测集判别精度为94.44%。研究结果证明,基于高光谱图像纹理特征分析,可以建立牛肉的嫩度判别模型,对牛肉嫩度快速无损检测技术研究提供理论参考。     

利用高光谱透射图像检测鸡种蛋早期孵化

为了检测鸡种蛋孵化前期胚胎发育情况,构建了高光谱图像采集系统,在400～1000nm范围内获取90枚种蛋孵化前3天的高光谱透射图像。通过独立分量方法对高光谱数据进行分析降维,优选出571、614、661、691和716nm共5个特征波长,提取每个波长下的光谱平均值和标准偏差,获得每个样品10个特征变量。为了消除变量之间相关性,利用主成分分析提取了4个主成分变量,在此基础上构建了学习向量量化(LVQ)神经网络判别模型。验证性试验均表明该模型具有较高的稳定度(变异系数为1.7),对第1,2,3天的测试样本判别准确率分别为78.8%,90.3%和98.6%。结果表明高光谱图像技术可以检测种蛋孵化前期胚胎发育情况。     

基于高光谱信息融合和相关向量机的种蛋无损检测

为了尽可能早的检测出无精蛋和受精蛋,该文提出采用透射高光谱成像技术,融合图像和光谱信息,对其受精信息进行检测。利用高光谱图像系统采集孵化前种蛋在400~1 000 nm的高光谱图像,提取图像特征(长短轴之比、伸长度、圆度、蛋黄面积与整蛋面积之比);筛选出400~760 nm的波段,通过Normalize预处理结合相关系数法提取155个光谱特征变量;运用主成分分析法对图像和光谱的融合信息进行降维,采用相关向量机(relevance vector machine,RVM)分别建立基于图像、光谱和图像-光谱融合信息的受精蛋和无精蛋分类判别模型,并与支持向量机(support vector machine,SVM)模型进行比较,RVM模型检测正确率分别为90%,91%,96%;测试集检测时间分别为0.6619,1.0821,0.5016 s。SVM模型检测正确率分别为84%,90%,93%;测试集检测时间分别为5.9386,5.9886,5.6672 s。结果表明,基于图像-光谱融合所建立的模型优于单一信息的模型,在分类精度上,采用RVM分类精度高于SVM的分类精度;在分类时间上,RVM的分类时间比SVM短,因此,利用高光谱融合信息和相关向量机可以提高种蛋检测精度,研究结果为孵前无精蛋和受精蛋的在线实时检测提供参考。     

基于高光谱图像和深度学习的菠菜新鲜度检测

针对传统机器视觉在实现菠菜新鲜度检测精度偏低的问题,该文提出了一种基于高光谱和深度学习技术的圆叶菠菜新鲜度识别新方法。以10℃常温贮存的圆叶菠菜为研究对象,以天为单位,综合考虑影响菠菜新鲜度的6个因素:贮藏天数、外观、含水率、叶绿素a、叶绿素b和胡萝卜素,将菠菜划分为新鲜、次新鲜和腐败3个等级。拍摄菠菜叶片的高光谱图像,计算ROI(region of interest)反射率均值后,基于分组精英策略遗传算法,结合2种分组策略,筛选出含6个波长的组合。定义训练集R和测试集合T,使用SVM分类器,基于波长对应的反射率,分别进行基于光谱特性界定菠菜的新鲜度分类试验。找出了识别率均值最高的3个波长,分别是389.55、742.325和1 025.662 nm。由于基于光谱特性进行菠菜新鲜度检测时识别率偏低。尝试基于菠菜的高光谱图像特征进一步进行菠菜新鲜度识别研究。从高光谱图像集中抽取这3个波长对应的菠菜图像,构成菠菜图像样本库(Norm Img389、Norm Img742、Norm Img1025和Norm Img_merge),基于深度学习技术建立菠菜新鲜度识别模型,对图像样本库中4类图像进行识别试验,平均识别准确率79.69%、68.75%、69.27%和80.99%。而Norm Img389测试集识别正确率接近80%,Norm Img_merge测试集识别正确率最高达到了80.99%,说明融合3个波长对应的图像进行等级识别效果最好。该研究实现了圆叶菠菜新鲜度的无损检测,具有实践和理论意义。     

融合高光谱图像技术与MS-3DCNN的小麦种子品种识别模型

小麦品种的纯度和小麦产量密切相关,为了实现小麦种子品种的快速识别,该研究利用高光谱图像技术结合多尺度三维卷积神经网络（Multi-Scale 3D Convolutional Neural Network,MS-3DCNN）提出了一种小麦种子的品种识别模型。首先,利用连续投影算法（Successive Projections Algorithm,SPA）对原始高光谱图像进行波段选择,以减少MS-3DCNN模型的输入图像通道数量,降低网络训练参数规模;其次,利用多尺度三维卷积模块提取特征图的图像特征和不同特征图之间的耦合特征;最后,以6个品种小麦共6 000粒种子的高光谱图像（400～1 000 nm）为研究对象,基于SPA算法选择了22个波段高光谱数据,利用MS-3DCNN、支持向量机（Support Vector Machine,SVM）分别构建了识别模型。试验结果表明,MS-3DCNN模型取得了96.72%的测试集识别准确率,相较于光谱特征SVM识别模型和融合特征SVM识别模型分别提高了15.38%和9.50%。进一步比较了MS-3DCNN与基于二维卷积核、三维卷积核、多尺度二维卷积核构建的多个识别模型性能,结果表明多尺度三维卷积核能提取多种尺度的信息,其识别模型的准确率提高了1.34%～2.70%,可为小麦种子高光谱图像品种识别提供一种可行的技术途径。     

基于图像和光谱信息融合的红茶萎凋程度量化判别

为了实现对红茶萎凋程度量化判别,该研究提出了一种将图像和光谱信息融合后分别与线性判别分析法和偏最小二乘法结合的技术,进行工夫红茶萎凋程度定性判别及儿茶素与氨基酸比值定量预测研究。通过对图像进行主成分分析,筛选出5个特征波长和对应的光谱特征值,基于灰度共生矩阵提取5个特征波长图像的纹理特征值,并采用连续投影算法优选出14个纹理特征值,然后分别以光谱和纹理特征值融合数据建立红茶萎凋程度的线性判别模型和儿茶素与氨基酸比值的偏最小二乘预测模型。结果表明:采用所研究的方法和建立的模型对工夫红茶萎凋程度判别准确率达到94.64%,儿茶素与氨基酸比值预测相关系数为0.8765,预测均方根误差为0.434,预测结果较好。证明应用这两种方法能实现对红茶萎凋程度量化判别。     

基于支持向量机的多光谱成像稻谷品种鉴别

为解决稻谷品种的快速无损鉴别问题,应用多光谱图像采集设备(VideometerLab)获取了5个品种稻谷共250个试验样本在405~970 nm波长范围内的多光谱图像,提取各品种稻谷在不同波长下的光谱反射率和图像特征(面积,宽长比,色差等)作为稻谷品种鉴别的特征变量,基于最小二乘支持向量机(least-square-support vector machine,LS-SVM)建立鉴别模型,通过粒子群寻优(particle swarm optimization,PSO)算法搜索支持向量机的最优参数。将250个稻谷分为建模集(200个样本)和测试集(50个样本)分别进行试验,结果表明,采用该文的建模方法结合稻谷光谱特征和图像特征对预测集稻谷品种鉴别的正确率均在90%以上,高于对比的其他方法,该研究成果为稻谷品种的快速无损鉴别提供了一种方法。     

基于高光谱图像和遗传优化神经网络的茶叶病斑识别

为实现茶叶病害的快速高效识别,提出了基于高光谱成像技术和图像处理技术融合的茶叶病斑识别方法。利用高光谱成像技术采集了炭疽病、赤叶斑病、茶白星病、健康叶片等4类样本的高光谱图像。提取感兴趣区域敏感波段的相对光谱反射率作为光谱特征。通过2次主成分分析,确定第二次主成分分析后的第二主成分图像为特征图像,基于颜色矩和灰度共生矩阵提取特征图像的颜色特征和纹理特征。利用BP神经网络对颜色、纹理和光谱特征向量融合数据进行检验,识别率为89.59%;为提高识别率,提出遗传算法优化BP神经网络的方法,使病斑识别率提高到94.17%,建模时间也缩短至1.7 s。试验结果表明:高光谱成像技术和遗传优化神经网络可以快速准确的实现对茶叶病斑的识别,可为植保无人机超低空遥感病害监测提供参考。     

基于高光谱图像的稻瘟病抗氧化酶值早期预测

水稻稻瘟病是危害水稻种植的真菌病害,早期预测病害源头是防治稻瘟病的有效手段。在病害症状显证之前实现早期预测,能从源头上更好地遏制病害,阻止分生孢子的大量繁殖,达到稻瘟病早期防治的目的。该文通过连续分时段测定水稻稻瘟病潜育期稻苗的高光谱图像和相对应的稻苗抗氧化物酶SOD（superoxide dismutase, SOD）酶值,利用高光谱图像处理技术结合化学计量学方法,建立稻瘟病潜育期内稻苗冠层高光谱图像与抗氧化酶SOD酶活之间的关联预测模型。结果表明,基于全光谱信息建立的SOD酶值预测模型,模型具有较好的预测效果,校正集相关系数RC=0.9921,校正集均方根误差RMSEC=5.135 U/g;预测集相关系数RP=0.9274,预测集均方根误差RESEP=8.634 U/g。出于建立更为广泛应用的稳定的多光谱成像检测系统的需要,基于选定的6个特征波长526、550、672、697、738和747 nm建立了简化的SOD酶值预测模型,该模型的RC=0.6945,RMSEC=17.92 U/g;RP=0.5488,RESEP=22.0085 U/g。研究表明,在水稻稻瘟病潜育期内,通过高光谱图像反演相应的SOD酶活性信息,推断水稻稻瘟病病害胁迫程度信息是可行的。     

高光谱图像结合特征变量筛选定量检测羊肉中狐狸肉掺假

为了探讨快速无损检测羊肉糜中狐狸肉掺假含量的可行性,该研究利用高光谱技术结合特征变量筛选方法开展了其定量检测研究。利用遗传算法、竞争性自适应重加权算法和二维相关光谱分析（Two-Dimensional Correlation Spectroscopy,2D-COS）3种方法分别对代表性样品全部846个波长进行特征波长筛选,得到207、34和14个特征波长;基于全部波长和特征波长建立羊肉糜中狐狸肉掺假含量的偏最小二乘回归（Partial Least Squares Regression,PLSR）和支持向量回归（Support Vector Regression,SVR）模型并进行比较。研究结果表明,基于全部波长和特征波长建立的SVR模型性能均优于PLSR模型。其中,利用2D-COS方法提取的14个特征波长建立的SVR模型（即2D-COS-SVR模型）性能最优,其预测集决定系数和均方根误差分别为0.928和3.00%,相对分析误差为4.85,表明高光谱结合2D-COS-SVR模型可以有效实现羊肉糜中狐狸肉掺假的定量检测。该研究结果为开发低成本肉类掺假检测系统提供技术支持和参考依据。     

新疆艾比湖湿地土壤有机碳含量的光谱测定方法对比

干旱半干旱地区湿地土壤中的有机碳是影响土壤质量,制约植物生长的重要因素之一,其含量的变化会影响生态系统的安全和稳定。为快速估测湿地土壤有机碳含量,在新疆艾比湖湿地保护区采集140个荒漠土壤样品,利用土壤可见/近红外光谱数据以及化学分析获取的土壤有机碳数据,在对土壤原始光谱反射率进行卷积平滑的基础上,获取了一阶微分、倒数对数一阶微分2种光谱预处理指标,采用蚁群-区间偏最小二乘法、基于支持向量机的回归特征消去法,选择土壤有机碳含量近红外光谱特征波长,在此基础上构建土壤有机碳含量偏最小二乘回归、支持向量回归模型。结果表明:1)利用原始一阶微分建立的模型,预测能力优于倒数对数一阶微分建立的模型。2)4种建模结果比较显示,利用原始一阶微分经基于支持向量机的回归特征消去法进行特征变量选择后建立的土壤有机碳含量模型,预测精度最高。训练集的相关系数以及均方根误差分别为0.9687、0.158%;测试集的相关系数和均方根误差分别为0.9091以及0.268%。因此,经过卷积平滑以及一阶微分预处理、并利用基于支持向量机的回归特征消去法建立的模型具有较高的预测精度和较好的稳健性,可以作为有效手段估算荒漠湿地土壤有机碳含量。     

基于高光谱技术的猪肉肌红蛋白含量无损检测

为充分利用猪肉光谱与图像信息，实现猪肉肌红蛋白含量的在线检测，该研究提出一种基于深度学习模型的猪肉肌红蛋白含量无损检测方法。采用高光谱设备采集冷藏过程中猪肉高光谱图像，通过ENVI5.3选择图像感兴趣区域（Region Of Interest，ROI），分别提取ROI平均光谱信息与主成分图像信息。利用卷积自动编码器（Convolutional Auto Encoder，CAE）提取光谱与图像信息深度特征，分别建立光谱特征、图像特征及图-谱融合特征与肌红蛋白含量之间关系的卷积神经网络（Convolutional Neural Network，CNN）预测模型。其中基于融合深度特征CNN预测模型准确度较高，该模型对脱氧肌红蛋白（DeoMb）、氧合肌红蛋白（OxyMb）、高铁肌红蛋白（MetMb）含量预测集决定系数分别为：0.964 5、0.973 2、0.958 5，预测集均方根误差 RMSEP分别为：0.015 8、0.226 6、0.381 6。为进一步验证图-谱融合特征与猪肉肌红蛋白存在对应关系，分别建立偏最小二乘回归（Partial Least Squares Regression，PLSR）、支持向量机回归（Support Vector Regression，SVR）预测模型。结果表明：CAE能充分提取图像与光谱特征；基于融合特征建立回归模型能提高肌红蛋白含量预测精度，相比于光谱信息与图像信息，以MetMb为例其分别提高5.42%、16.12%。该检测方法为肉类质量在线检测提供参考，具有好的应用前景。     

基于高光谱成像的苹果轻微损伤检测有效波长选取

为了确定可用于苹果早期轻微损伤检测的有效波长,以具有代表性的阿克苏苹果为研究对象,采用高光谱成像技术和分段主成分分析方法对损伤发生仅为半小时之内的苹果进行损伤检测研究,对比分析不同光谱区域主成分分析对识别结果的影响,优选出识别光谱区域(780～1000nm)。基于此光谱区域结合主成分图像权重系数获取2个有效波长(820和970nm),并利用这2个波长和全局阈值理论开发了多光谱轻微损伤提取算法。利用独立测试集中25个正常苹果和25个损伤苹果对算法的性能进行评估,结果表明,正常果的识别率为100%,损伤果的识别率为96%,整体检测精度为98%。该研究所获得的有效波长可为开发基于多光谱成像技术的苹果损伤检测系统提供参考。     

高光谱图像技术诊断温室黄瓜病害的方法

利用高光谱图像技术研究了诊断温室黄瓜病害的方法,以提高诊断的准确性和效率。试验以黄瓜霜霉病、白粉病为研究对象,利用高光谱图像采集系统获取黄瓜病叶的高光谱图像数据,在450～900 nm范围内的高光谱图像数据中,选出特征波长下的图像;然后,对该图像进行去除噪声的滤波处理,并提取黄瓜病叶的色度矩纹理特征向量;最后采用支持向量机分类方法对黄瓜病害进行诊断。研究结果表明,采用高光谱图像新技术与线性核函数对黄瓜霜霉病、白粉病的正确诊断率达100%,采用高光谱图像技术可以实现对温室黄瓜病害进行快速、精确的分类诊断。