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%。     

基于深度学习的青梅品质智能分选技术与装备研究

青梅内外品质对其精深加工过程有重要影响，常规人工分选不仅分级效率较低，且受个人主观因素影响难以实现标准化作业，不能满足市场需求。以深度学习技术为基础，在青梅外表缺陷分类方面，将Vision Transformer网络模型应用到机器视觉系统中，引入多头注意力机制，提升全局特征表示能力，并通过softmax函数减少梯度，实现青梅表面的多类（腐烂、裂纹、疤痕、雨斑、完好5类）检测分选，结果表明其平均判别准确率达到99.16%，其中腐烂、疤痕、裂纹以及完好青梅图像的判别准确率达到100%、雨斑达到97.38%，每组平均测试时间为100.59ms；该网络的各类判别准确率、平均判别准确率均明显优于VGG网络、ResNet-18网络。青梅内部品质（SSC）预测方面，基于高光谱成像技术，结合低秩张量恢复（LRTR）的去噪优势和堆叠卷积自动编码器（SCAE）的降维优势，构建了LRTR-SCAE-PLSR青梅糖度预测模型。结果表明网络规模为119-90-55-36时，模型预测集相关系数为 0.9654，均方根误差为0.5827%，表现最佳；通过SCAE、LRTR-SCAE两种降维模型对比，LRTR-SCAE模型不仅维度更低，预测集相关系数也明显提高，验证了LRTR-SCAE模型的降维去噪优势。设计并搭建了可用于青梅内外品质无损分选的智能装备，整机尺寸小，结构简单，分选结果满足青梅精深加工需求。     

基于高光谱图像技术结合深度学习算法的萝卜种子品种鉴别

提出一种基于可见-近红外光谱技术的无损检测方法，以期实现对萝卜种子品种的鉴别。通过光谱成像系统采集6类常见萝卜种子的高光谱图像，并利用HSI软件提取光谱数据。使用Savitzky Golay（SG）平滑与多元散射校正（multiple scattering correction，MSC）叠加对光谱数据进行预处理以消除高频随机误差。采用堆叠自动编码器（stacked autoencoder，SAE）、连续投影算法（successive projections algorithm，SPA）和变量迭代空间收缩算法（variable iterative space shrinkage approach，VISSA）进行数据降维。利用Softmax与支持向量机（support vector machine，SVM）算法对全光谱和选取的特征光谱数据建立分类模型。结果表明:SAE-Softmax模型的分类效果最优，其训练集和预测集准确率分别达99.72%和96.22%。因此，利用可见-近红外光谱技术与深度学习算法结合的方法对萝卜种子的品种鉴别是可行的。该研究为种子品种无损检测分析提供参考。      

基于高光谱图像的红豆品种GA—PNN神经网络鉴别

提出一种基于高光谱图像技术的红豆品种鉴别方法。利用高光谱成像系统采集江苏、安徽、山东的3个品种共162个红豆样本高光谱图像数据,通过ENVI软件提取出红豆中感兴趣区域的平均光谱作为该样本原始光谱信息,利用SG多项式平滑对原始光谱数据进行去噪处理,由于高光谱数据信息量大,冗余性强,故需对高光谱数据进行降维,采用了连续投影算法进行特征波长选择,根据交叉验证均方根误差确定最佳特征光谱的个数为9,采用主成分分析法和独立分量分析算法进行特征波长提取,经过PCA处理,根据方差累计贡献率大于85%的标准选出7个特征波长,ICA分别提取了7、10、17个特征波长,通过测试集验证,选出17个最佳特征波长。最后分别将优选出的特征波长和提取出的最优主成分作为模型的输入。建立概率神经网络(PNN)模型测试后发现结果没有达到预期精度,引入遗传算法(GA)优化的PNN神经网络的阈值,并对隐含层节点进行最优选择。通过测试试验,所有的模型识别正确率均高于85%,其中SPA-GA-PNN模型的效果最佳,识别正确率达到了97.5%。     

基于高光谱图像及ELM的生菜叶片氮素水平定性分析

基于高光谱图像技术与极限学习机(Extreme learning machine,ELM)模式识别方法构建一套生菜叶片氮素水平鉴别模型。利用3种不同氮浓度的营养液无土栽培各氮素水平生菜,在莲座期采集每类氮素水平生菜叶片各84片,利用高光谱图像采集系统采集生菜叶片高光谱图像,并在每个高光谱图像上选取叶片4个不同位置的60×60像素的感兴趣区域(ROI),求取感兴趣区域光谱数据平均值作为叶片样本的原始光谱,利用标准正态变量校正对原始光谱进行预处理,采用主成分分析法对光谱进行降维。采用ELM对训练样本进行建模,并与传统的BP及SVM算法模型进行对比。从实验结果可以看出,ELM模型训练时间和分类正确率分别为0.623 04 s和100%,在训练时间相当的情况下,ELM分类正确率高于SVM模型,在分类正确率相当的情况下,ELM模型的训练时间比BP模型要短。研究结果表明,基于高光谱图像技术及ELM可以构建生菜叶片氮素水平分类模型。     

基于可见/近红外高光谱的八角茴香与莽草无损鉴别

基于高光谱成像技术提出了一种八角茴香与其伪品莽草的快速鉴别方法。实验采集400~1000nm范围的高光谱数据,依据样本和背景像素点的光谱特征差异,选择850nm和450nm下的图像并进行差运算,结合阈值法去除背景信息,利用线性拉伸去除样本高度引入的阴影噪声像素点,再结合二值图像区域标记法从样本高光谱数据中自动提取其平均光谱数据;利用平均光谱数据,采用连续投影算法（Successive projections algorithm, SPA）选取了4个最优波长：533、617、665、807nm;基于最优波长下的光谱数据,建立了偏最小二乘判别（Partial least square discrimination analysis,PLSDA）模型,模型对鉴别八角和莽草的总体准确率为98.4%;利用所建多光谱模型对外部验证集数据进行预测,总体分类准确率为97.9%。利用常规图像处理技术同时对外部验证集数据进行处理,并对两种技术方法进行了比较,结果表明,依托高光谱成像技术建立的八角和莽草辨识的多光谱分析方法简单、高效,易于实现动态在线便携式检测。     

基于深度学习与高光谱成像的蓝莓果蝇虫害无损检测

针对蓝莓果蝇虫害分类识别存在效率低、准确度差等问题,采用深度学习方法对采集的蓝莓高光谱图像进行数据处理与分析,以实现蓝莓果蝇虫害的无损检测。首先蓝莓高光谱图像采用PCA进行降维,优选数据集PC2与PC3并进行拼接得到最佳数据集PC23,对数据集中图像进行旋转90°、旋转180°、模糊、高亮、低亮、镜像和高斯噪声共7种增强操作,使各数据集容量扩增为原始容量的18倍。然后采用VGG16、InceptionV3与ResNet50深度学习模型对蓝莓果蝇虫害图像进行检测,均取得了较高的识别准确率。其中ResNet50模型效率最高,且ResNet50模型的准确率最高,达到92.92%,损失率最低,仅有3.08%,因此ResNet50模型在蓝莓果蝇虫害无损检测方面整体识别效果最佳。为了进一步提高蓝莓果蝇虫害无损检测性能,从ECA注意力模块、Focal Loss损失函数与Mish激活函数3方面对ResNet50模型进行了改进,构建了改进的im-ResNet50模型。得出im-ResNet50模型识别准确率达95.69%,损失率为1.52%。试验结果表明, im-ResNet50模型有效提升了蓝莓果蝇虫害识别能力。采用Grad-CAM分析了im-ResNet50模型可解释性,能够快速、准确地无损检测蓝莓果蝇虫害。     

基于双分支卷积网络的玉米叶片叶绿素含量高光谱和多光谱协同反演

针对智慧农业中叶绿素的精准预测问题,本文提出了基于双分支网络的玉米叶片叶绿素含量高光谱与多光谱协同反演的方法。使用欠完备自编码器进行数据降维,捕捉数据中最为显著的特征,使降维后的数据可以代替原始数据进行训练,从而加快训练效率,使用双分支卷积网络将多光谱数据用于填充高光谱数据信息,充分利用高光谱数据的空间细节信息,再结合1DCNN建立玉米叶片叶绿素含量预测模型。结果表明,与传统降维算法相比较,欠完备自编码器处理后预测结果最佳,决定系数R2为0.988,均方根误差（RMSE）为0.273,表明使用欠完备自编码器进行降维可以有效提高数据反演精度;与单一的高光谱数据反演模型和多光谱数据反演模型相比,双分支卷积网络预测模型均取得较优的预测结果,R2在0.932以上,RMSE均在1.765以下,表明基于双分支卷积网络的高光谱与多光谱图像协同反演模型可以有效地利用数据的特征;对于其他数据结合本文提及的双分支卷积网络模型进行反演,其R2均在0.905以上,RMSE均在2.149以下,表明该预测模型具有一定的普适性。     

基于LMPSO-SVM的高光谱水稻稻瘟病害分级检测

为减少水稻产量损失,迫切需要建立快速、准确的水稻叶瘟监测和鉴别方法。本文以东北水稻为研究对象,以小区试验为基础,使用高光谱图像仪获取受稻瘟病菌侵染后不同发病程度的水稻叶片高光谱图像并提取光谱数据。首先,通过SG平滑方法对光谱数据进行预处理,然后运用主成分分析(PCA)、Pearson相关系数分析法(PCCs)、PLS-VIP方法对光谱数据进行降维,并提出了一种基于Logistic混沌映射PSO寻优的SVM分级检测模型(LMPSO-SVM)。为了验证提出方法的有效性,以不同降维方法提取的特征变量为输入,分别建立基于人工神经网络(ANN)、支持向量机(SVM)和PSO-SVM的分级模型并进行对比分析。仿真结果表明,各模型对4级病害的识别效果最好,综合5种级别病害,SVM和ANN分级模型的预测准确率波动相对较大,对于病害预测效果不太理想;而在不同特征选择下建立的LMPSO-SVM分级模型对各级病害预测准确率均较高,准确率波动较小,其中基于PCA提取特征变量和全波段作为输入的模型平均准确率非常相近,分别为96.49%和96.12%,PCA提取的输入变量仅为5个,大大简化了模型复杂性,降低了训练...     

基于多特征降维的植物叶片识别方法

植物种类识别方法主要是根据叶片低维特征进行自动化鉴定。针对低维特征不能全面描述叶片信息,识别准确率低的问题,提出一种基于多特征降维的植物叶片识别方法。首先通过数字图像处理技术对植物叶片彩色样本图像进行预处理,获得去除颜色、虫洞、叶柄和背景的叶片二值图像、灰度图像和纹理图像。然后对二值图像提取几何特征和结构特征,对灰度图像提取Hu不变矩特征、灰度共生矩阵特征、局部二值模式特征和Gabor特征,对纹理图像提取分形维数,共得到2 183维特征参数。再采用主成分分析与线性评判分析相结合的方法对叶片多特征进行特征降维,将叶片高维特征数据降到低维空间。降维后的训练样本特征数据使用支持向量机分类器进行训练。试验结果表明:使用训练后的支持向量机分类器对Flavia数据库和ICL数据库的测试叶片样本进行分类识别,平均正确识别率分别为92.52%、89.97%,有效提高了植物叶片识别的正确率。     

基于改进RF特征选择策略的烤烟油分高光谱特征分析

针对烤烟油分特征预测模型的特征优选问题,提出一种改进RF(随机森林)算法特征选择策略,首先通过RF特征选择算法计算出各个特征的RF-Score,将特征按RF-Score的大小排序依次添加到特征子集中,若分类器分类准确率提高则保留该特征,若分类器分类准确率没有提高或降低则去除该特征。结果表明:利用RF特征选择算法对烤烟高光谱特征进行筛选时,将176个高光谱特征中按基尼系数降序排列依次输入SVM分类器中,前64个高光谱波段特征即可使支持向量机分类器性能最佳,特征子集维度为64,其分类准确率为93.33%。利用改进RF特征选择策略对176个烤烟高光谱波段特征进行筛选,只需输入371.08 nm、716.71 nm、378.31 nm、487.77 nm、484.09 nm、535.85 nm六个波段的高光谱特征即可使支持向量机分类器性能最佳,其分类准确率为95%,特征子集维度为6,说明改进的RF特征选择策略可以在保证分类器性能的前提下能较好地进行数据降维,减小特征集的冗余。改进后的RF特征选择算法与全高光谱波段相比,特征数量减少170个,分类准确率提高3.33%;与RF特征选择算法相比,特征数量减少58个,分类准确率提高1.67%。     

牛肉嫩度的高光谱法检测技术

为实现对牛肉嫩度的预测和分级,构建了试验用高光谱检测系统,在400～1000nm波长范围内获取牛肉表面的高光谱散射图像.从高光谱图像中提取牛肉的反射光谱曲线,用step-wise逐步回归法选择 430、496、510、725、760和828nm 6个波长建立了多元线性回归模型,用全交叉验证法验证模型的预测效果,模型的预测相关系数为0.96,预测标准差为0.64kg.以嫩度6.0kg为界将样本分为嫩牛肉和粗糙牛肉2类,特征波长处反射值为变量,建立了正则判别函数对牛肉嫩度分级,用全交叉验证法验证训练的效果.嫩牛肉分级准确率为83.3%,较粗糙牛肉分级准确率为90.9%,总的分级准确率为87.0%.研究表明该预测和分级技术具有一定的可行性.     

基于随机森林模型的山体滑坡空间预测研究

滑坡灾害空间分布的准确预测是实现防灾减灾的重要途径。以2010年福建省顺昌地区滑坡资料为基础数据,分别应用随机森林模型和逻辑回归模型对福建顺昌地区山体滑坡发生与滑坡因子之间的关系进行实证分析,通过模型变量筛选、模型精度分析,探讨了随机森林模型在我国南方山体滑坡空间预测中的适应性。结果表明:随机森林模型对滑坡发生数据的拟合效果比逻辑回归模型好,其对顺昌地区滑坡发生数据的预测精度为90.8%,而逻辑回归模型的预测精度为81.8%;随机森林模型对研究区滑坡发生的泛化能力比逻辑回归模型好,其预测出高危险区和较高危险区所包含的滑坡比总和为66.05%,而逻辑回归模型为63.34%。研究结果表明随机森林模型的性能优于逻辑回归模型,可用于顺昌地区基于滑坡因子的未来滑坡发生的预测预报。     

基于高光谱成像的甘蔗叶片早期轮斑病与锈病识别技术

针对甘蔗叶片早期轮斑病与锈病发病症状相似,难以区分,导致在实际生产中不便对症施药的问题,以甘蔗早期轮斑病和锈病叶片为研究对象,探究利用高光谱成像技术来识别甘蔗叶片早期轮斑病与锈病的可行性。首先,利用高光谱成像系统在406～1 014 nm光谱范围内采集甘蔗健康叶片、早期轮斑病叶片和锈病叶片的高光谱图像,提取图像的感兴趣区域(Region of interest, ROI)并计算其平均光谱作为原始光谱数据,采用一阶导数(First derivative, FD)、Savitzky-Golay卷积平滑(Savitzky-Golay convolutional smoothing, SG)和标准正态变换(Standard normal variate, SNV)分别对原始光谱数据进行预处理。然后,在预处理的基础上采用主成分分析(Principal component analysis, PCA)算法、蚁群优化(Ant colony optimization, ACO)算法进行特征降维,并将降维后的特征作为后期建模的输入变量。最后,结合降维和不降维2种方式使用支持向量机(SVM)和随机森林(R...     

基于栈式自编码神经网络的包衣单籽粒玉米品种识别

常规近红外定性识别研究中，玉米籽粒为表皮裸露状态，未经种衣剂覆盖处理，但是在实际农业生产中，为抵御病虫害侵袭，提高玉米种子发芽率，达到保产增产的功效，玉米种子常需经种衣剂包裹处理。玉米种衣剂的类型多样，对近红外光谱具有一定的吸收，因此种衣剂对近红外定性识别具有干扰作用。本文针对种衣剂对玉米品种识别准确性影响的问题，提出了一种基于栈式自编码神经网络（SAE）的近红外光谱定性建模方法。首先采用无种衣剂玉米籽粒光谱作为训练集，通过栈式自编码无监督学习算法与softmax分类器构建栈式自编码网络定性分析模型，再利用所建模型对有种衣剂玉米籽粒进行品种识别。实验结果表明，基于SAE的建模方法能够将种衣剂对玉米籽粒识别率的影响降低至3%以内。