柑橘黄龙病光谱特征波段选择及光谱检测仪研制

黄龙病（Huanglongbing,HLB）被称为柑橘的癌症,及早检测出患病植株可防止病情蔓延,降低病情灾害程度。高光谱分析技术因其丰富的光谱信息,成为近年来作物病害检测的研究热点。然而高光谱设备昂贵,波段数较多,计算量大,在实际应用中尚未形成规模应用。使用合理的波段选择方法,可以去掉冗余信息,避免\     

基于高光谱图像技术的雪花梨品质无损检测

为探讨基于高光谱图像技术对雪花梨品质进行无损检测的可行性,研究了利用高光谱图像系统提取雪花梨中糖和水的光谱响应和形态特征参数,获取样品含糖量和含水率的敏感水分吸收光谱带,利用人工神经网络建立雪花梨含糖量和含水率预测模型及利用投影图像面积预测雪花梨鲜重。结果表明,基于高光谱图像技术对雪花梨品质进行无损检测是可行的。雪花梨含糖量预测值和实际值间相关系数R为0.996,误差平均值为0.5°Brix;含水率预测值和实际值间相关系数R为0.94,相对误差平均值为0.62%;鲜重预测值和实际值间相关系数R为0.93。     

用高光谱成像技术检测柑橘红蜘蛛为害叶片的色素含量

为解决传统理化法检测柑橘树叶片受红蜘蛛为害后色素含量变化时存在的工作量大、效率低等问题,该文研究应用高光谱成像技术检测柑橘红蜘蛛为害叶片色素含量的方法。研究中对比了正常叶片与受害叶片的原始光谱以及原始光谱一阶微分曲线的差异,寻找反映叶片色素含量变化的特征波段;分析了特征波段反射率比值与叶片色素间相关性;采用单变量线性回归法分析了常用植被指数预测叶片色素含量的效果;采用逐步回归分析法建立了叶片色素含量预测模型,并对模型预测效果进行了F检验。结果表明:常用植被指数预测叶片色素含量结果不理想;选取的667/522、667/647和522/647 nm等3个特征波段反射率比值与叶片3种色素含量间具有较高的相关性;用于建立叶片色素含量预测模型的最佳特征波段反射率比值为667/522和667/647 nm,所建立的模型可较好地预测健康及受害叶片的叶绿素a、叶绿素b和类胡萝卜素含量。     

基于高光谱成像技术的马铃薯外部缺陷检测

为了实现马铃薯的准确快速分级,提出基于高光谱成像技术的马铃薯外部缺陷检测方法。通过反射高光谱成像技术采集马铃薯干腐、表面碰伤、机械损伤、绿皮、孔洞以及发芽等6类外部缺陷样本及合格样本的高光谱图像。提取合格及各类缺陷样本感兴趣区域的光谱曲线并进行光谱特性分析,采用主成分分析法确定了5个特征波段(480、676、750、800和960nm),以5个波段的主成分分析的第二主成分图像作为分类图像,识别率仅为61.52%;为了提高识别率,提出波段比算法与均匀二次差分算法相结合的方法,使缺陷识别率提高到95.65%。试验结果表明:通过高光谱成像技术可以准确有效地对常见马铃薯外部缺陷进行检测,为马铃薯在线无损检测分级提供了参考。     

高光谱图像技术在掺假大米检测中的应用

为了有效判别出优质大米中是否掺入劣质大米,该文研究了一种针对大米掺假问题的快速、无损检测方法。从市场上购买了东北长粒香大米和江苏溧水大米,按纯东北长粒香大米、3∶1、2∶2、1∶3和纯江苏溧水大米共5个掺合水平进行大米试验样本的制备。利用可见-近红外高光谱图像采集系统(390~1050 nm)获取了200个大米样本的高光谱图像。采用ENVI软件确定高光谱图像的感兴趣区域(region of interest,ROI),并提取出所有样本在ROI内的平均高光谱数据。采用支持向量机(support vector machine,SVM)建立全光谱波段下的大米掺假判别模型,径向基(radial basis function,RBF)核函数模型交叉验证准确率为93%、预测集正确率为98%。由于高光谱信息量大、冗余性强且受噪声的影响较大,该文采用主成分分析方法(principal component analysis,PCA)分别对大米高光谱图像和高光谱数据进行处理,从特征选择和特征提取2个角度对原始高光谱数据进行处理,通过主成分权重系数图选择了531.1、702.7、714.3、724.7、888.2和930.6 nm 6个特征波长,通过留一交叉验证法(leave-one-out cross-validation,LOOCV)确定并提取出PCA降维后的最优主成分数(number of principal component,PCs)为9。最后分别将优选出的特征波长和提取出的最优主成分数作为模型的输入,建立SVM模型。试验结果表明,基于特征波长SVM模型的交叉验证准确率为95%、预测集正确率为96%,基于最优主成分数SVM模型的交叉验证准确率为94%、预测集正确率为98%。该研究结果表明,该文建立的基于特征波长和基于最优主成分数的SVM模型均具有较优的预测性能,且利用高光谱图像技术对大米掺假问题进行检测是可行的。     

高光谱图像技术在水果品质无损检测中的应用

传统的近红外光谱分析法和可见光图像技术应用于水果品质无损检测中存在的检测区域小、检测时间长、仅能检测表面情况等局限性。高光谱图像技术结合光谱技术与计算机图像技术两者的优点,可获得大量包含连续波长光谱信息的图像块,其图像信息可检测水果的外部品质,光谱信息则可用于水果内部品质的检测,达到根据水果内、外部综合品质进行分类的目的。根据不同的采集设备,简介了两种获得高光谱图像的方法。综述了国内外将该技术应用于水果品质检测方面的研究进展,检测内容包括外观品质、损伤与缺陷,成熟度和坚实度,含糖量、含水率等内部品质,着重介绍了各高光谱图像的成像波段范围、分辨率、成像源,实验数据处理的方法以及实验结果等。根据综述所得提出了高光谱图像技术应用中需要解决的光谱降维、降低样品差异影响和实时检测平台搭建等问题。     

基于高光谱成像技术检测脐橙溃疡

为了研究从带有不同缺陷的柑橘类水果中快速识别出溃疡果的有效方法,基于高光谱成像技术,该文提出特征波段主成分分析法及波段比算法。以脐橙为研究对象,选取包括溃疡在内常见的10类脐橙果皮缺陷果及正常果。首先,提取并分析11类果皮感兴趣区域（ROI）光谱曲线并结合主成分分析法确定5个最佳波段（630、685、720、810和 875 nm）;然后基于特征波段做主成分分析,选取第5主成分（PC-5）作为分类识别图像,识别率达到80%。为了进一步提高溃疡识别率,该文又提出采用特征波段主成分分析法与波段比算法相结合的方法,基于此算法溃疡正确识别率提高到95.4%。试验结果表明,基于高光谱成像技术可以有效地对带有溃疡病斑的脐橙分类识别。     

采用高光谱图像深度特征检测水稻种子活力等级

为实现水稻种子活力的准确检测,该文研究了一种基于高光谱图像技术结合深度学习的高精度检测方法.采用人工加速老化的方式得到老化0,1,2和3 d的1200个水稻种子样本,使用高光谱成像设备获取不同老化天数样本的高光谱图像,并从单个样本区域提取其光谱信息.随后对1200个样本进行发芽试验,根据发芽试验结果将所有样本划分为高活...     

基于高光谱技术的霉变稻谷脂肪酸含量无损检测

脂肪酸含量是表征稻谷霉变信息的重要指标。为了解决传统化学分析法测定稻谷脂肪酸含量有损、费时、低效等问题,该文研究应用高光谱技术实施霉变稻谷脂肪酸含量无损检测的方法。研究选取人工制备的不同霉变时期的稻谷样本作为研究对象,利用高光谱仪结合理化试验方法测定其相应的光谱信息和脂肪酸含量,运用移动窗口平滑法(savitzky-golay,SG)和一阶微分(first derivation,FD)对光谱数据进行预处理,采用连续投影算法(successive projections algorithm,SPA)提取反映稻谷脂肪酸含量变化的光谱特征波段,应用回归分析法建立基于特征波段光谱反射值的稻谷脂肪酸含量预测模型,对比分析不同光谱预处理方法的模型预测效果。研究结果显示,原始光谱数据通过SG平滑和一阶微分处理后,分别经SPA方法优选出了14和10个光谱特征波段;采用SG-SPA-MLR(multivariable linear regression)方法构建的模型质量和稻谷脂肪酸含量预测效果均优于FD-SPA-MLR模型,校正时其内部交叉验证的相关系数RCV和均方根误差RMSECV分别为0.9419、11.9646 mg/(100 g);预测时其外部验证的相关系数RP和均方根误差RMSEP分别为0.9366、12.3550 mg/(100 g),模型对不同霉变时期的稻谷脂肪酸含量均具有较强的预测能力。研究表明,利用高光谱技术对稻谷脂肪酸含量实施无损检测具有可行性,可为将来快速检测稻谷霉变提供参考依据。     

柑橘叶片叶绿素含量高光谱无损检测模型

针对柑橘叶片叶绿素含量的传统化学检测,不仅耗时长且损伤柑橘叶片,还依赖检测者实操技术,无法集成于精细农业中变量喷施农机具的诸多弊端,该文探讨快速无损检测柑橘叶片叶绿素含量方法。以117棵园栽萝岗甜橙树为研究对象,选用ASD Field Spec 3光谱仪对萌芽期、稳果期、壮果促梢期、采果期共4个生长时期的柑橘叶片进行高光谱反射率采集,并同步采用分光光度法测得叶片的叶绿素含量;以原始光谱及其变换形式作为模型输入矢量,分别在主成分分析(principle component analysis,PCA)降维的基础上利用支持向量机回归(support vector regression,SVR)算法和在小波去噪的基础上利用偏最小二乘回归(partial least square regression,PLSR)算法对柑橘叶片叶绿素含量进行建模预测,全生长期整体建模的校正集和验证集最佳模型决定系数R2分别为0.8713和0.8670,均方根误差RMSE(root-mean-square error)分别为0.1517和0.1544,试验结果表明,高光谱可快速无损地对柑橘叶片叶绿素含量进行精确的定量检测,为柑橘不同生长期的营养监测提供理论依据。     

柑橘黄龙病高光谱早期鉴别及病情分级

为实现柑橘黄龙病的早期、快速确诊,有效阻止病害蔓延,达到早期防治、保障柑橘生产的目的,该文研究基于高光谱成像的柑橘黄龙病早期无损检测及病情分级,并对多种预处理方法的建模结果进行探讨。试验获取370～1 000 nm健康、不同染病程度及缺锌共5类柑橘叶片的高光谱图像,用遥感图像处理平台(environment for visualizing images,ENVI)得到各类样本感兴趣区域的光谱反射率平均值。运用一阶微分、移动窗口拟和多项式平滑(savitzky-golay,SG)进行数据处理,结合偏最小二乘判别分析(partial least squares-discriminate analysis,PLS-DA)构建黄龙病的早期鉴别及病情分级模型。结果表明:建立的3个判别模型,验证集相关系数均不低于0.9548。其中,经SG平滑及一阶微分预处理所建立的模型分类效果最佳,总体预测准确率达96.4%,预测均方根误差0.1344。该研究为柑橘病害早期诊断和预警提供了新方法,也为黄龙病病害程度遥感监测提供了基础。     

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。     

基于高光谱的柑橘叶片氮素含量多元回归分析

快捷、准确、无损地检测柑橘叶片氮(N)素含量,对柑橘树N肥施用的精准动态管理有重大现实意义。以117株园栽罗岗橙为试验研究对象,在不同生长期用ASD公司的FieldSpec3采集柑橘树健康叶片的高光谱反射值,以高光谱反射数据或其变换形式作为柑橘树样本多元矢量描述;用凯氏定氮法同期检测出柑橘树叶的真实N素含量值;在用PCA对高维光谱矢量降维的基础上,利用支持矢量回归算法(SVR)建立高光谱多元表达和N素含量间的映射关系,以实现任意柑橘树N素含量的预测分析。试验结果表明,测试集上预测值和真实值间的平方决定系数R2为0.9730,平均相对误差为0.9033%,均方误差MSE为0.090343,证明了该方法的有效性,为利用高光谱技术进行柑橘树N素含量的无损检测提供了参考。     

线扫描式拉曼高光谱成像技术无损检测奶粉三聚氰胺

为了实现颗粒状样本的大面积无损快速检测,该研究结合拉曼光谱和高光谱技术搭建了一套线扫描式拉曼高光谱检测系统,对奶粉和三聚氰胺颗粒混合样本进行了检测研究。研究通过高斯窗平滑法和air PLS基线校正方法分别消除了拉曼光谱中的噪声信号和荧光背景,选取三聚氰胺主要特征峰(671.71 cm-1)处的单波段图像作为是否含有三聚氰胺颗粒的判断依据。研究首先对三聚氰胺产生的拉曼信号在奶粉颗粒中的穿透深度进行了检测,随后完成了10种不同浓度的三聚氰胺奶粉混合样本的拉曼高光谱采集,对特征单波段图像中各像素点的拉曼强度平均值进行一元线性分析,并对单波段图像进行二值化处理。结果显示,在三聚氰胺特征单波段图像中,感兴趣区域内所有像素点的拉曼强度平均值与三聚氰胺浓度之间线性度较高,其决定系数R2达到了0.995 4。在二值图像中,三聚氰胺颗粒的位置信息能够直观的展现。研究结果表明,拉曼高光谱成像技术具有快速、无损和大面积检测的特点,在实际应用中具有巨大潜力。     

近红外高光谱成像技术检测粮仓米象活虫

为了准确地统计出仓储害虫的密度,需对储粮活虫和死虫进行有效地判别。该文研究开发一个900～1?700?nm的近红外高光谱成像系统来检测仓储小麦活虫。用液氮低温猝死法杀死米象,在其死亡后0～7?d进行高光谱图像采集。随着粮虫死亡时间的延长,粮虫相对光谱反射率逐渐增大,到死后第5天时粮虫的光谱曲线基本趋于稳定。应用相邻波长指数法对1?320～1?680?nm之间的110个波长的高光谱图像进行分析,提取出最优波长为1?417.2?nm。提出双区域连通阈值面积比的区域生长法粮虫活虫判别方法,即当粮虫的双区域连通阈值面积比大于0.5时,应判别为活虫。结果表明,自粮虫死亡后的第2.0天开始,储粮活虫与死虫的训练样本和检验样本全部被正确识别,为实现储粮活虫的计算机视觉实时检测与分类提供依据。     

基于高光谱成像技术的猪肉新鲜度评价

该文研究利用高光谱成像技术预测猪肉新鲜度参数,挥发性盐基氮(TVB-N)和pH值。在470～1000nm波长范围内,从高光谱图像中提取的反射光谱,分别经过2次Savitzky-Golay(S-G)平滑、多元散射校正(MSC)处理后,建立PLSR(偏最小二乘法)的预测模型。对TVB-N的预测,使用2次S-G平滑处理、MSC光谱建立的PLSR预测模型相关系数分别为0.90和0.89,预测模型标准差分别为7.80和8.05。对pH值的预测,经过MSC处理比2次S-G平滑处理的结果好,相关系数为0.79,预测模型标准差为0.37。同时综合2个参数利用MSC处理后的预测模型对猪肉新鲜度进行评定,准确率达91%。研究结果表明,高光谱成像技术可以用于猪肉新鲜度快速无损检测。     

基于高光谱成像技术的沙金杏成熟度判别

为了实现对不同成熟度沙金杏进行快速、准确识别的目的,该研究利用高光谱成像技术(400~1 000 nm)对沙金杏的成熟度进行了判别研究,利用高光谱成像系统分别采集了处于4种不同成熟阶段(七成熟、八成熟、九成熟和十成熟)的沙金杏共480个样本的高光谱数据。首先,对不同成熟阶段所有样本的可溶性固形物含量值进行测定和单因素方差分析,结果表明,可溶性固形物与成熟度之间存在相关性,其相关系数为0.9386,可用该指标对沙金杏的成熟度进行划分。然后,对光谱数据利用偏最小二乘回归(partial least squares regression,PLSR)模型提取得到9个特征波长(434、528、559、595、652、678、692、728、954 nm),对图像数据利用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取到6项图像纹理指标(均值、对比度、相关性、能量、同质性和熵),并对图像数据采用RGB模型提取到6项图像颜色指标(R、G、B分量图像的平均值和标准差)。将这三类指标进行最优组合并分别建立关于沙金杏成熟度判别的极限学习机(extreme learning machine,ELM)模型。结果表明:使用特征波长与颜色特征融合值建立的ELM模型的判别正确率最高,达到93.33%。该研究为沙金杏的成熟度在线无损检测提供了理论参考。