融合光谱形态特征的苹果霉心病检测方法

针对轻微霉心病和健康苹果光谱差异较小,致使基于可见/近红外特征光谱的检测方法对轻微霉心病检测准确率较低的问题。该研究将光谱形态特征与光谱特征融合的方法引入霉心病模型构建,建立了融合光谱形态特征的判别模型。以215个苹果可见/近红外光谱为样本,分析了不同预处理和特征提取组合对建模效果的影响,并完成了光谱特征的提取;分析健康果和霉心病苹果平均光谱的差异性,提取波峰、波谷等差异明显的光谱形态特征点,对比波段比、波段差和归一化强度差三类形态特征获取方法;最终建立光谱形态特征参数和光谱特征融合的苹果霉心病模型。试验结果表明,归一化预处理后提取的特征光谱和归一化强度差形态特征融合后模型判别准确率最高,在支持向量机模型中训练集、测试集判别准确率分别为98.6%和96.3%。特别是当发病程度小于10%时,该研究的判别模型准确率高于95%,表明通过融合光谱形态特征可以提升轻微病变霉心苹果的判别准确率。     

基于特征光谱的苹果霉心病无损检测设备设计

针对现有农产品内部品质无损检测多采用宽波段光谱技术,集成应用光谱仪与计算机完成品质分析,存在成本高、能耗大、分析过程复杂以及光谱信息冗余等问题。该文结合苹果霉心病在果心发病的特征,采用透射光谱检测方式,设计实现了基于窄带LED光源与光敏二极管的苹果霉心病无损检测设备。通过霉心病发病特征的分析可得果径和特征光谱波段的透射强度是进行霉心病检测的关键影响因素,设计光谱特性试验,对多组宽波段光谱数据采用相关性分析法得到特征光谱波段为690～730 nm。设计果径与透射光谱信息采集的基础平台,该平台包括LED光源及其驱动模块、光电转换与检测模块以及基于丝杠滑台组件与限位传感器的果径在线测量模块;采用基础平台对样品进行数据获取,以果径与透射光谱强度值为输入,建立基于误差反向传播网络的霉心病判别模型。结果表明,采用该文所述测试试验样本进行验证,设备判别准确率达到95.83%。该研究结果表明,基于特征光谱采用 LED 光源的霉心病无损检测方法是可行的,可为其他果品内部病害的检测提供借鉴思路。     

基于电学特征的苹果水心病无损检测

为了探寻快速而准确的苹果水心病无损检测新方法,该文以‘秦冠’水心病疑似病果和好果作为试材,逐果采集11个电学指标在100 Hz~3.98 MHz间13个频率点的特征值,然后切开并统计真实发病情况。利用主成分分析结合不同分类模型进行好果与病果判别分析,结果选取方差累积贡献率大于90%的主成分15个,Fisher判别、多层感知器人工神经网络(multi-layer perceptron,MLP)对好果和病果的判断正确率均随着主成分数的增加而增大,并分别在主成分数量达到前13、10时趋于稳定水平93.3%、95.4%。径向基人工神经网络(radical basis function,RBF)结合15个主成分判别的正确率75.1%。水心病引起介电损耗系数D、复阻抗相角deg、串联等效电容Cs和并联等效电容Cp及相对介电常数(ε')、损耗因子(ε")共6个参数在低频区(100~10 000 Hz)的观测值高于好果,是电学法能够对水心病果和好果进行‘识别’的原因。同时发现,利用低频率下(100~25 100 Hz)损耗因子(ε")值结合MLP或RBF人工神经网络模型对水心病果和好果识别正确率均能达到100%,是一种简便而高效的苹果水心病无损检测方法,可为今后进一步研发苹果果实水心病在线无损检测仪器提供理论与技术依据。     

光源光斑直径对苹果霉心病近红外检测的影响

为实现中早期霉心病苹果的有效剔除以提高苹果的整体品质,该研究利用近红外光谱技术对苹果霉心病进行快速无损检测,从光谱和分类模型两方面探究光源光斑直径对苹果霉心病检测的影响。在30、50 及70 mm光源光斑直径条件下采集了苹果样本的透射光谱,分析不同光源光斑直径下健康苹果和霉心病苹果的光谱差异,然后应用支持向量机（support vector machines,SVM）和粒子群算法优化-最小二乘支持向量机（particle swarm optimization-least squares support vector machine,PSO-LSSVM）方法建立苹果霉心病的分类模型,并对不同光源光斑直径下的分类模型性能进行对比。在此基础上,采用竞争自适应重加权采样（competitive adaptive reweighted sampling, CARS）方法筛选特征波长变量并建立分类模型。研究结果表明,30 mm光源光斑直径对苹果霉心病的检测效果最好,建立的SVM和PSO-LSSVM分类模型性能均最优。30 mm光源光斑直径下,最优PSO-LSSVM模型的预测集的灵敏度、特异度和正确率分别为89.5%、95.5%和92.7%。CARS-PSO-LSSVM分类模型性能比全波段的分类模型性能略有下降,预测集的灵敏度、特异度和正确率分别为89.5%、90.9%和90.2%,但建模变量数仅占原波长变量数的4.2%,有效地简化了分类模型。该研究为苹果霉心病的快速无损高精度检测提供技术支撑。     

苹果水心病在贮藏期变化的无损检测

该研究通过自制差分仪监测了贮藏中苹果透光强度的变化,建立了贮藏中苹果透光强度和质量随时间变化的回归方程.在贮藏过程中有水心病的苹果透光强度下降较无水心病苹果快,贮藏后期发病不严重的病果症状消失,同时发现质量较大的苹果中水心病发病比率高.     

基于声振信号的香梨内部早期褐变判别

香梨内部发生的褐变病害对香梨品质有严重影响,迫切需要对香梨内部早期褐变实现快速准确判别以减少贮藏期损失并提高商品率。该研究基于压电梁式传感器搭建声振无损检测装置系统,从香梨声振响应信号中提取了11个时域特征参数和7个频域特征参数,分别组成时域特征向量、频域特征向量和组合域特征向量（时域和频域参数组合）,然后利用补偿距离评估技术评估各特征参数对香梨内部褐变的敏感性,输入敏感性较大的特征参数训练香梨内部褐变K-近邻域（K-nearest neighbor, KNN）判别模型。通过对模型判别结果的混淆矩阵分析,采用3个时域参数（波形因子、峭度、方根幅值）和1个频域参数（频率方差）构建香梨内部早期褐变KNN模型（近邻数K=5）用于判别早期褐变香梨,准确率和F1值分别为91.84%和92.59%;对已识别的褐变香梨,采用2个时域参数（波形因子、裕度因子）和1个频域参数（均方频率）构建香梨内部轻度褐变KNN模型（K=7）进一步判别其中的轻度褐变香梨,准确率和F1值分别为81.82%和83.33%。研究结果可为今后声振法香梨内部褐变实时在线检测和自动化分级技术研发提供参考。     

基于电子鼻的番茄种子发芽率检测

防止种子掺假、以次充好,为快速无损检测高发芽率的种子,该文将不发芽的浙杂809番茄种子以不同比例掺入到发芽率为92.6％的番茄种子中,得到种子的发芽率分别为90％,80％,70％,60％,50％和0等6种比例,并利用电子鼻对其进行分析.结果表明:利用电子鼻可以很好的区分出番茄种子发芽率为90％、80％、50％～70％、和不发芽的4种情况;当种子发芽率为70％、60％、50％时,其图形信息部分重叠,利用电子鼻较难区分开.在主成分分析和线性判别分析的基础上,利用BP神经网络和支持向量机对上述情况进行分类识别,结果表明:两种识别模式的训练集的正确率分别为93.6％和97.4％,预测集的正确率分别为65.2％和72.7％,相对于BP神经网络模式识别,支持向量机预测系统的误差较小,具有很好的预测性能.     

基于生物散斑图像和惯性矩谱分析的牛肉掺腐检测

牛肉掺假严重危害消费者的健康与经济利益,因此对牛肉掺假进行无损检测具有重要意义。该文基于生物散斑技术对牛肉掺假进行定量检测。试验将新鲜牛肉和非新鲜牛肉按不同比例(0、1%、3%、5%~60%(5%梯度)和100%)混合制备掺假样本,并采集样本的生物散斑图像。针对单列惯性矩(inertia moment,IM)表征样本生物活性存在稳定性差的问题,首次提出惯性矩谱(IM谱)分析的方法并用于建立基于支持向量回归机(support vector regression machine,SVR)的牛肉掺假检测模型。结果表明基于IM谱建立的SVR模型能较为准确预测牛肉中掺假物含量,校正集和测试集的决定系数分别为0.85和0.81,均方根误差分别为0.12和0.11。该研究证明了利用生物散斑技术和惯性矩谱分析方法对新鲜牛肉中掺杂腐败牛肉进行定量检测是可行的。     

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。     

基于图像特征融合的苹果在线分级方法

苹果在线分级是提升苹果商品化价值的重要环节,需要同时满足分级准确度和速度要求。为进一步提高苹果在线分级效率,该文借助机器视觉技术动态采集苹果传输过程中的实时图像,提出改进的三层Canny边缘检测算法来提取苹果轮廓以克服采集图像中的光线噪声影响,通过分析苹果分级指标,采用判别树对苹果的果径、缺陷面积、色泽等特征进行初步分级判断,并采用粒子群参数优化的支持向量机对果形、果面纹理、颜色分布等特征进行模型构建与分级,最后,通过将两种分级判断结果进行决策融合来实现样本精确分级。同时,采取图像压缩和特征降维方法提高实时性。试验结果表明,基于图像特征决策融合的苹果分级准确率可达到95%,平均分级速率可达到4个/s。研究结果为水果的在线分级提供参考。     

基于高光谱成像的苹果虫伤缺陷与果梗/花萼识别方法

为了快速、准确、无损检测在果梗/花萼的干扰下苹果虫伤缺陷,该文利用高光谱成像技术,首先选取正常果和虫伤果各80个,提取并分析了苹果表面感兴趣区域(虫伤区域、果梗区域、花萼区域、正常区域)的光谱曲线,结合824 nm波长特征图像的阈值分割和主成分分析,对获得的第一主成分图像提取160×120像素大小的感兴趣区域。然后提取感兴趣区域的能量、熵、惯性矩和相关性4个纹理特征,融合646、824 nm波段的相对光谱反射率的光谱特征,采用支持向量机对苹果虫伤区域和正常区域、果梗/花萼区域进行识别。试验结果表明:选取160×120像素大小的感兴趣区域图像、采用径向基核函数对正常果、果梗/花萼果与虫伤果的识别效果最好,总体识别率为97.8%。该研究为苹果质量等级在线评判提供理论依据。     

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。     

基于介电特性及ANN的油桃糖度无损检测方法

为了探索利用果品的介电特性无损预测内部品质的可能性,该文采用矢量网络分析仪测量了10 d贮藏期间,300个99-1油桃在20～4500 MHz频率下的相对介电常数和介电损耗因子,以糖度作为内部品质指标,基于x-y共生距离的样本划分法确定了含243个样本的校正集和57个样本的预测集;建立了预测油桃糖度的偏最小二乘、支持向量机及极限学习机模型,并综合比较了采用全频谱以及利用无信息变量消除法和连续投影算法分别提取的特征变量作为各模型输入变量时,对各模型拟合效果的影响。结果表明：连续投影算法结合极限学习机预测效果最好（预测相关系数为0.887,预测均方根误差为0.782）;与全频谱和无信息变量消除法相比,连续投影算法在简化模型及提高模型稳定性方面性能良好。该研究结果表明,基于油桃介电特性无损检测糖度是可行的,可为应用介电特性无损检测果品的内部品质指标提供了一种新方法。