基于高光谱成像技术识别苹果轻微损伤的有效波段研究

为了筛选出适用于开发苹果轻微损伤自动分级仪器的有效波段,以200个烟台富士苹果为对象进行研究。首先获取400～1 000 nm波长范围内完好和轻微损伤后0、0.5、1 h的苹果高光谱图像,然后提取完好与损伤样本感兴趣区域的平均光谱反射率数据,再利用载荷系数法（x LW）、连续投影法（SPA）和二阶导数（second derivative）法提取特征波长,分别提取3、9和20个特征波长,并根据特征波长建立基于遗传算法优化的BP神经网络（GA BP）和支持向量机（SVM）损伤识别模型。结果显示,三种基于特征波长提取方法建立的SVM模型对测试集的识别率（分别为77.50%、91.88%、96.88%）均高于BP GA模型（分别为75.63%、90.63%、93.75%）,因此,SVM被确定为最佳苹果轻微损伤识别模型。最后,利用每一特征波长分别作为变量建立SVM模型。结果发现,波段811 nm识别率达到90.63%,优于其他波段,被确定为苹果轻微损伤识别的最优波段。     

利用高光谱微分方法检测苹果轻微损伤

为快速有效检测不同品种苹果轻微损伤,以‘金冠’、‘花牛’、‘富士’和青苹果各54个轻微损伤果为研究对象,采用高光谱图像技术获得各个苹果可见-近红外(400~1 000nm)波段的图像,结合光谱微分技术选取波谷的9个波长(556、617、664、706、763、832、880、906、938nm)为特征波长,然后基于特征波长进行最小噪声分离(Minimum Noise Fraction,MNF)变换,筛选出苹果轻微损伤的特征图像并通过阈值分割、形态学运算等方法识别苹果轻微损伤部位。结果表明,该方法识别‘金冠’、‘花牛’、‘富士’和青苹果轻微损伤部位的准确率分别为92.6%、88.9%、85.2%、85.2%。由此可见,利用高光谱微分方法可以快速有效地检测不同品种的苹果轻微损伤,且苹果的颜色越深、硬度越大、纹理越杂乱,检测精度越低。     

基于高光谱成像的苹果损伤检测方法研究

【目的】研究苹果损伤高光谱特征,建立基于高光谱成像的苹果损伤区域最佳分类模型,为实时、快速、准确地识别苹果损伤提供重要依据。【方法】以北京平谷区收集的苹果样品为研究对象,利用高光谱图像技术检测水果表面机械损伤。利用 390 ~1 000 nm 范围的高光谱图像（HSI）数据,通过比值光谱分析损伤与正常感兴趣区域（ROI）的光谱响应特性,筛选特征波段,并构建较好地突出损伤区域特征的 3 种类型光谱指数：归一化光谱指数（NDSI）、比值光谱指数（RSI）和差值光谱指数（DSI）。在此基础上,优选提取损伤区域能力较强的光谱指数,利用迭代自组织数据分析（ISODATA）无监督据聚类算法提取苹果损伤区域。【结果】当苹果表面受到损伤时,光谱反射率变化显著。波段优化后发现,528、676 nm 的反射率可以有效识别异常区域。基于选定的特征波段,构建苹果损伤检测的识别光谱指数,包括 NDSI、RSI 和 DSI。光谱指数图像的像素值分析发现,损伤区域特征与正常区域特征在各光谱指数（SI）增强图像中区分明显。两类图像特征的 NDSI 像素平均值相差最大、达到 0.629,表明建立的 NDSI 对损伤区域及正常区域特征具有较强的区分能力。利用无监督分类方法 ISODATA 分类,验证了光谱特征指数在检测苹果损伤方面具有较高的特异性,对苹果损伤的检测正确率 达到 92.50%。【结论】研究结果适用于苹果损伤的实时快速检测,为苹果的精准管理生产提供技术基础与参考。     

基于高光谱成像技术生长发育后期苹果糖度的无损检测

【目的】研究应用高光谱成像技术无损检测生长发育后期苹果糖度的可行性。【方法】以生长发育后期的"富士"苹果为对象,基于采集到的波长900~1 700nm高光谱数据,建立预测苹果糖度的偏最小二乘(PLS)、支持向量机(SVM)和极限学习机(ELM)模型,并比较主成分分析(PCA)和连续投影算法(SPA)2种数据压缩或特征波提取方法对预测模型精度的影响。【结果】采用PCA方法可将全光谱压缩至9个主成分,采用SPA从全光谱的230个波长中提取出了13个特征波长,两者相比,SPA能更有效地提高模型预测能力。预测生长发育后期苹果糖度的最佳模型为基于SPA的PLS模型,其预测集相关系数为0.945,均方根误差为0.628°Brix。【结论】高光谱图像技术可以用于生长发育后期苹果糖度的无损检测,该技术的应用将有助于指导苹果的种植和适时采收。     

基于高光谱图像的新疆红富士苹果颜色分级研究

[目的]以新疆红富士苹果为研究对象,探讨应用高光谱图像技术对其着色面积进行的研究方法.[方法]对852/713双波段比图像作阈值分割,以及形态学开运算去除果梗区域,提取色调H灰度图像对应去除果梗的二值图像像素值为1的累计频度值,依据AdaBoost算法将15个BP神经网络弱分类器训练组成强分类器,对苹果的着色面积进行分类.[结果]采用AdaBoost_NN对苹果着色面积的分级与人工分级一致率达到97.7;.其中45个优等果有2个被错分为一等果,27个等外果有1个被错分为二等果.[结论]利用高光谱图像技术提取的特征波长图像能够很好的对苹果着色面积进行分级,为今后多光谱成像技术在线分析苹果品质奠定研究基础.     

基于高光谱成像的鲜桃虫害检测特征向量的选取

本文采用阈值分割和主成分分析方法对高光谱图像进行处理,以得到虫害区域分割结果。然后选取2个特征波长作为光谱特征,提取4个纹理参数作为纹理特征,并将其优化组合成4组特征向量。利用BP神经网络进行鲜桃虫害检测。结果表明,667nm和746nm波段的光谱反射值的光谱特征和270°方向的能量、对比度、熵、相关性的纹理特征的组合为鲜桃虫害检测的最优特征向量,果实识别正确率为100%。     

基于高光谱成像技术的玉米弯孢叶斑病的早期检测

为实现玉米叶片表面未见明显病症的病害早期检测,提出一种基于高光谱成像技术的玉米弯孢叶斑病早期检测方法。以玉米叶片为研究对象,采用人工接种病菌使玉米感染弯孢叶斑病,在接种后1,2,3,4,5d,每天采集接种病菌叶片30片,正常未接种叶片10片,利用高光谱成像系统获取接种病菌叶片和正常未接种叶片在400～1000nm高光谱图像数据,经过分析接种病菌叶片和正常未接种叶片的原始光谱、原始光谱的一阶导数光谱、平均光谱绝对差值,确定玉米弯孢叶斑病早期检测的特征波段选取区。然后通过显著性检验和相关性分析,将置信区间设为95%,在特征波段选取区确定458.9,481.1,500.8,515.7,525.7, 531.9,534.4,550.7,578.3,604.9,625.2,646.8,677.5,735.3,754.7nm,为玉米弯孢叶斑病早期检测的特征波段。最后,基于选定的特征波段构建玉米弯孢叶斑病支持向量机检测模型。结果表明:利用选取的特征波段作为支持向量机的输入矢量,建立的玉米弯孢叶斑病早期检测模型,通过支持向量机选择的线性核函数、多项式核函数、径向基核函数3种不同的核函数,在接种后的第1...     

基于高光谱成像技术的茄子叶片灰霉病早期检测

为建立基于高光谱成像技术的茄子叶片灰霉病早期检测方法,利用高光谱成像系统获取120个茄子叶片在380~1031nm范围的高光谱图像数据,通过主成分分析(PCA)对高光谱数据进行降维,并从中优选出3个特征波段下的特征图像,截取200×150的感兴趣区域图像(ROI),并从每幅特征图像中分别提取均值、方差、同质性、对比度、差异性、熵、二阶矩和相关性等8个基于灰度共生矩阵的纹理特征变量,通过连续投影算法(SPA)提取13个特征变量, 利用最小二乘支持向量机(LS‐SVM)构建茄子叶片灰霉病早期鉴别模型,模型判别准确率为97.5%.说明高光谱成像技术可以用于茄子叶片灰霉病的早期检测.     

基于成像高光谱的苹果叶片叶绿素含量估测模型研究

以苹果树正常叶片、受红蜘蛛胁迫叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率及其一阶导数、高光谱值相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的叶绿素含量估测模型。结果表明:正常苹果叶片叶绿素含量的敏感波段为513~539、564~585、694、699、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=152.450-1884.851R377;受红蜘蛛胁迫的苹果叶片叶绿素含量的敏感波段为961、972、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=49.371-46428.473 R’972。     

基于成像高光谱的苹果叶片叶绿素含量估测模型研究

以苹果树正常叶片、受红蜘蛛胁迫叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率及其一阶导数、高光谱值相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的叶绿素含量估测模型。结果表明:正常苹果叶片叶绿素含量的敏感波段为513⁵39、564539、564⁵85、694、699、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=152.450-1884.851R377;受红蜘蛛胁迫的苹果叶片叶绿素含量的敏感波段为961、972、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=49.371-46428.473 R’972。     

基于高光谱图像技术的新疆红富士苹果重量预测

以新疆红富士苹果为研究对象,初步探讨应用高光谱图像技术预测其重量的研究方法。首先采用高光谱成像仪采集苹果侧面和赤道面投影图像,提取苹果高光谱图像中前景与背景光谱偏差最大的波长图像（733 nm）,对其图像分割后获得目标区域的面积（像素数）特征。随后,采用不同的特征和建模方法,建立不同的重量预测模型,对比后确定最佳模型。结果表明,采用两个体积特征建立多元线性回归重量预测模型,苹果重量预测值与实际值间相关系数为0.9927,预测均方根误差为4.3393 g。     

高光谱图像技术检测玉米种子真伪的研究进展

玉米种子真伪的检测是玉米种子在品种选育、种子检验、农业生产中的重要环节。随着图像技术和光谱信息的快速发展、高光谱成像系统硬件成本的降低以及性能的大大提升,高光谱图像技术在玉米种子真伪检测方面获得了更广泛的应用。为了能及时利用国内外的最新研究成果,从高光谱图像技术在玉米种子真伪检测方面综述了玉米种子及其他作物种子类型真伪检测的研究进展,并对其未来的发展方向进行了讨论和展望。     

红富士苹果果实套袋效果研究

对红富士苹果进行套袋试验的结果表明,果面光洁度以套日本“小林”袋最好;套袋处理有效地防止了果实的病虫害,优质果率明显提高;各处理之间产量差异不大,但套袋处理的优果率明显提高,因此纯利润较对照增加0.50～2.22元/kg。     

红富士苹果套袋技术研究

通过２ａ的试验，研究出红富士苹果的套袋栽培技术：增施磷钾肥、控制枝量、在５月下旬至６月上旬（花后４０～５０ｄ）套双层袋、采收前１个月去外袋、４～７ｄ后去内袋、去袋时间以袋内温度升至最高时为宜。红富士苹果套袋后，果皮细腻、光洁指数高、底色淡黄、全红果比率高、着色鲜艳、农药残留量低、外观品质好，病虫果率低。     

基于高光谱成像技术的冷鲜羊肉嫩度检测方法研究

传统羊肉品质检测方法效率低、破坏样品,为实现冷鲜羊肉嫩度快速无损检测,以内蒙古锡林郭勒羊肉为研究对象,采用多元散射校正法对光谱进行校正,利用主成分分析法获得620.23、761.48、819.48 nm波长下的特征图像,并提取其纹理特征和颜色特征,分别建立羊肉嫩度的BP神经网络和支持向量机预测模型。结果显示,BP神经网络模型预测效果优于支持向量机模型预测效果,BP神经网络模型对预测集的决定系数（R2）和预测均方根误差（RMSEP）分别为0.85和1.86;支持向量机模型分别为0.77和2.37。研究表明,利用高光谱和图像信息特征层融合方法对冷鲜羊肉嫩度进行预测具有可行性。     

红富士苹果着色的技术措施

总结了红富士苹果着色的技术措施,主要包括：选择生态条件优良的园址、选择着色优系品种、选用适宜的栽植密度与方式、进行改善光照的修剪、调控肥水、喷布增红药剂等。     

基于矿物元素指纹技术的‘富士’苹果产地溯源

【目的】探讨‘富士’苹果果皮矿物元素含量的地域特征及产地溯源的可行性,结合多元统计分析,筛选出有效的判别指标,建立‘富士’苹果产地溯源模型,实现‘富士’苹果产地识别。【方法】以我国两大主产区（渤海湾产区和黄土高原产区）的124份‘富士’苹果为研究对象,采用电感耦合等离子质谱技术（ICP-MS）测定果皮中常量元素钠（Na）、镁（Mg）、钾（K）、钙（Ca）,微量元素钒（V）、铬（Cr）、锰（Mn）、铁（Fe）、钴（Co）、镍（Ni）、铜（Cu）、锌（Zn）、砷（As）、钼（Mo）、镉（Cd）、锑（Sb）、钡（Ba）、铅（Pb）、铀（U）,稀土元素钇（Y）、镧（La）、铯（Ce）、镨（Pr）、钕（Nd）、钐（Sm）、铕（Eu）、钆（Gd）、铽（Tb）、镝（Dy）、钬（Ho）、铒（Er）,共31种矿物元素的含量,并结合独立样本T检验、主成分分析、线性判别分析、正交偏最小二乘判别分析进行‘富士’苹果的产地溯源。【结果】渤海湾产区和黄土高原产区的果皮样品中矿物元素Mg、Ca、Na、Fe、Mn、Cu、Ba、Ni、Nd、Pb、V、Ce、Pr、La、Dy、U、Ho和Co含量差异显著（P<0.05）。主成分分析结果表明,提取的12个主成分累计方差贡献率为81%,可对两大产区的样品进行初步聚类。利用线性判别分析,筛选出10种矿物元素（Mg、Ca、Cr、Mn、Fe、Ni、Gd、Tb、Dy、U）作为判别两大产区‘富士’苹果地域来源较好的指标,所建立的判别模型,对原始整体判别率为92%,交叉验证判别率为89.5%。通过正交偏最小二乘判别分析,确定Co、Ba、Ho、Dy、Pr这5种矿物元素在样品分类中起关键作用,模型的产地鉴别准确率可达98%,实现了两个产区‘富士’苹果的产地溯源。【结论】‘富士’苹果果皮可作为一种有效的溯源部位。稀土元素Dy、Ho、Pr、Gd、Tb的含量可作为‘富士’苹果产地溯源的重要指标。本研究结果可为‘富士’苹果产地溯源提供理论依据和技术支撑。