马铃薯黑心病和单薯质量的透射高光谱检测方法

针对单一检测技术不能同时检测马铃薯内外品质的多项指标,采用透射高光谱成像技术并融合光谱和图像信息,对其内部黑心病、质量指标进行检测。通过透射高光谱成像系统获取266个样本高光谱图像（400～1000 nm）,并提取光谱和图像二者信息。采用不同变量选择方法对光谱进行变量选择,用9个光谱变量建立检测马铃薯黑心病偏最小二乘判别分析（partial least squares discriminant analysis, PLS-DA）模型与质量偏最小二乘回归（partial least squares, PLS）模型;提取样本透射高光谱图像的面积信息,建立基于光谱-图像的检测马铃薯质量PLS模型。试验结果表明,黑心样本识别率为100%,识别最小黑心面积为1.88 cm2;基于光谱-图像所建立质量检测模型预测效果较好,其预测集相关系数(Rp)为0.99,预测均方根误差(RMSEP）为10.88。结果表明：采用透射高光谱成像技术并融合图像和光谱信息对马铃薯内部黑心病、质量同时进行检测是可行的。     

基于外部特征信息的番茄果实质量预测模型

为实现番茄果实质量的预测,提出一种应用计算机视觉技术对番茄果实质量进行自动识别的方法。采用Matlab平台构建算法,利用数学形态运算及图像局部性质运算等构成的识别算法,对番茄样本图像进行预处理,提取番茄图像投影面积、轮廓周长、最大内接圆直径和最小外接圆直径外部特征参数,分别建立番茄果实质量与4个特征参数之间的一元线性、二阶多项式、幂指和多元线性预测模型。试验结果显示：采用多元线性预测模型预测结果最佳,其决定系数为0.926 7, 标准差为4.32; 利用检验样本对预测模型进行验证,预测果实质量与实际果实质量的绝对误差均值为3.260 g, 相对误差均值为1.535%。 研究结果表明,基于计算机视觉技术外部特征信息的番茄果实质量预测方法是可行的。     

基于PLS算法的生物质秸秆元素分析NIRS快速检测

为探讨利用近红外光谱技术快速检测生物质秸秆中N、C、H、S和O元素的可行性,采集并制备水稻、小麦、油菜和玉米秸秆样本199个,采用近红外光谱(NIRS)分析技术,结合偏最小二乘(PLS)化学计量学算法,在7 400~5 550cm-1波段范围内,比较不同光谱预处理方法的定标效果,建立最优的生物质秸秆中N、C、H、S和O元素的定量分析模型,并用独立的验证集样本对模型进行验证。验证结果表明:所建立的N元素的定量分析模型可用于实际检测;O元素的定量分析模型可进行实际估测;采用近红外技术用于C元素定量分析是可行的,但模型需要进一步优化;H、S元素采用NIRS技术无法进行定量分析。     

高光谱成像技术快速检测生物质秸秆元素含量

为了探讨生物质秸秆元素含量的快速检测方法,该文运用高光谱成像技术,结合多种数据优选方法对生物质秸秆中N、C、H、S、O元素含量快速检测的可行性进行研究。选取玉米、水稻、小麦、油菜4种类别共计188个秸秆样本,采集其反射高光谱图像,并测定元素含量。采用竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)算法选取元素检测敏感变量,提取光谱维数据,结合偏最小二乘(partial least squares,PLS)算法,建立了基于高光谱光谱维数据的元素定量分析模型,N元素采用24个变量建立模型,验证集相关系数为0.923,均方根误差(root mean square error of validation set,RMSEP)为0.196%,相对分析误差(relative analysis error,RPD)为3.11;O元素仅采用10个光谱变量建立模型,验证集相关系数为0.876,均方根误差为1.015%,相对分析误差为2.32,N、O元素的模型可以用于实际应用;C、H、S元素相验证集相关系数均小于0.80,无法实际应用分析。采用独立成分分析(independent component analysis,ICA)算法结合权重系数法,提取IC1-IC5分析图像中特征光谱波段为572.09、643.69、685.14、766.79、819.55、964.01 nm,用6个特征光谱变量建立基于高光谱图像维数据的秸秆元素定量分析模型,N、C、H、S和O 5种元素无法用于实际检测。研究结果表明,采用高光谱成像技术并应用光谱维数据结合CARS-PLS算法可以实现秸秆N、O元素的有效检测。