利用高光谱图像技术检测水果轻微损伤

提出了利用高光谱图像技术检测水果轻微损伤的方法.试验以苹果为研究对象,利用500～900 nm范围内的高光谱图像数据,通过主成分分析提取547 nm波长下的特征图像,然后设计不均匀二次差分消除了苹果图像亮度分布不均匀的影响,最后通过合适的数字图像处理方法提取苹果的轻微损伤.试验结果表明,高光谱图像技术对苹果轻微损伤的检测正确率达到88.57%.     

苹果叶片氮素含量快速检测模型

利用UV-2450型光谱分析仪测量苹果叶片光谱反射率,同时在实验室利用凯氏定氮法测量苹果叶片的氮素质量比,建立了适用于便携式检测仪的苹果叶片氮素含量快速检测模型.研究了苹果叶片光谱特性并进行了光谱反射率与氮素的相关性分析,获得了两个氮素敏感波长652 nm和772 nm.同时,利用分段减量精细采样法,构建了350 ～ 730 nm与740～880 nm波段内所有两两波段形成的归一化植被指数NDVI,并获取了与氮素含量相关性最高的波段组合(859 nm,364 nm)来构建苹果树NDVI.最后建立了基于苹果树NDVI、652 nm处反射率以及772 nm处反射率的偏最小二乘回归模型,建模精度达到0.904 8,均方根误差为0.159 7,检验模型精度达到0.917,均方根误差为0.283 3.     

基于人工神经网络的苹果可溶性固形物无损检测

采集了60个苹果在400～1 100nm范围内的可见-近红外漫反射光谱,然后使用连续投影算法将光谱变量进行压缩,最后采用BP神经网络建立了苹果糖度的预测模型。实验表明,连续投影算法从400～1 100nm范围提取出25个优选波长参与建模,有效简化了模型结构。BP神经网络模型对苹果糖度的预测相关系数达到0.853,预测均方根误差为1.303 0。结果表明,基于近红外光谱的苹果糖度无损检测是可行的。     

苹果内部品质分级机械手设计与试验

为检测苹果内部品质,基于可见/近红外光谱检测技术并结合分拣机械手,设计了苹果内部品质分级机械手。该装置主要由夹持机构、近红外光谱采集系统、控制系统等组成。机械手稳定夹持苹果后采集苹果的近红外光谱数据,上位机软件中的预测模型对光谱数据进行分析处理,并显示光谱曲线和预测结果。为建立苹果可溶性固形物含量预测模型,基于该装置采集了苹果在650～1 100 nm波长范围内的光谱数据,通过国家标准测量法测得苹果样本的可溶性固形物含量,采用SG卷积平滑(SG-smooth)、标准正态变量变换(SNV)和多元散射校正(MSC)对光谱数据进行预处理,并结合可溶性固形物含量测量值建立偏最小二乘(PLSR)模型。结果表明,采用多元散射校正方法预处理后的建模效果最优,其预测模型的校正集和预测集相关系数分别为0. 978 2、0. 970 1,均方根误差分别为0. 274 6、0. 326 3°Brix。选取20个同品种苹果样本对该装置的稳定性和准确性进行了测试,可溶性固形物含量预测值与测量值相关系数为0. 957 3,均方根误差为0. 422 4°Brix。试验结果表明,苹果内部品质分级机械手在夹持苹果的同时可以实现对苹果可溶性固形物含量的准确预测。     

考虑直径影响的苹果霉心病透射光谱修正及检测

针对苹果霉心病近红外透射光谱信息受果实直径影响的难题,提出了一种能够修正果实直径对透射光谱影响的方法。基于透射光谱采集平台获取327个红富士苹果的可见/近红外光谱(350～1 100 nm)信息,采用电子游标卡尺获取其直径(光程)信息。以直径为80 mm健康苹果的平均光谱作为参考光谱,将327个苹果的光谱与参考光谱进行比较,结合直径信息利用公式求得透射光在果实内的衰减系数P,用衰减系数P进行透射光谱的修正。修正后光谱建立支持向量机(SVM)模型、误差反向传播神经网络(BP-ANN)模型,并与修正前原始光谱建立模型进行对比。实验结果表明,应用此光谱修正方法能够显著提高模型判别精度,其中应用SVM算法对修正后的光谱建立模型效果最好,对训练集和测试集的判别准确率分别为99. 34%和90. 20%,相对于原始光谱建立的模型判别准确率分别提高了7. 84和5. 89个百分点。基于此方法修正果实直径对于透射光谱的影响是可行的,构建的模型能够实现苹果霉心病的准确判别。     

基于反射光谱的苹果叶片叶绿素和含水率预测模型

为探索苹果叶片叶绿素含量(质量比)、叶片含水率与反射光谱之间的关系,以华北地区苹果树为研究对象,分别测定了各个关键生长期苹果叶片的光谱反射率、叶绿素含量和叶片含水率。分析光谱反射率与叶绿素含量以及叶片含水率之间相关性发现,在不同生长时期,苹果叶片叶绿素a含量与反射光谱在515~590 nm和688~715 nm两组波段内具有较高的相关性,且果实成熟期数据显示相关度最高(R2=0.6)。在420~500 nm、640~680 nm、740~860 nm 3个波段叶片含水率与反射光谱有较高的相关性,且果实膨大期的叶片含水率在可见光波段的相关系数最大。根据所选敏感波段,分别利用多元线性回归、主成分分析和人工神经元网络建立基于反射光谱的苹果叶片不同生长时期叶绿素和含水率的预测模型。通过对所建立的预测模型进行校验,结果显示,利用主成分分析方法所建立的苹果叶片叶绿素含量预测模型的决定系数最高(R2=0.885 2),校验系数为0.828 9。该模型可以较为准确地预测苹果叶片叶绿素含量。而采用神经元网络所建立苹果叶片含水率预测模型的决定系数R2=0.862,校验系数为0.8375,预测效果最好。     

苹果可溶性固形物含量的检测方法——基于可见光近红外光谱技术

为了快速检测苹果的可溶性固形物(SSC)含量,采用可见光近红外光谱技术,结合主成分分析(PCA)和BP神经网络技术,来建立苹果SSC的预测模型.获取苹果样本在345～1039 nm波段的漫反射光谱,采用DPS数据处理系统对其进行主成分分析,并提取出累计可信度大于95 %的5个新主成分.建立一个3层的BP神经网络模型,并将这5个新的主成分作为BP神经网络模型的输入量,其结果是98 %以上预测样本的预测相对误差在5 %以下.该研究表明,采用近红外光谱技术来建立苹果可溶性固形物的预测模型是可行的.     

基于高光谱成像技术的柑橘缺陷无损检测

应用高光谱成像技术无损检测柑橘的缺陷。选取蒂腐、黑斑、褐腐、结痂缺陷果和正常果各30个,提取并分析了5类果皮感兴趣区域光谱曲线并结合主成分分析法确定2个最佳波长(615nm和680nm),然后基于特征波长作主成分分析,选取第2主成分作为分类识别图像,提出采用特征波长主成分分析法与波段比算法相结合的方法,识别率达到94%。试验结果表明,高光谱成像技术可以有效地对带有蒂腐、黑斑、褐腐、结痂缺陷的柑橘进行分类识别。     

基于高光谱成像的苹果品种快速鉴别

以"乔纳金"苹果,"红富士"苹果和"秦冠"苹果共90个试验样本为试材分别采集865~1 711 nm的近红外波段高光谱图像,选取苹果图像感兴趣区域(ROI),以分辨率2.8 nm提取其平均反射光谱数据,分别利用K近邻法(KNN)和径向基核函数支持向量机(RBF-SVM)进行品种判别,5折交叉检验。结果表明,3种苹果的近红外高光谱图像均在波长941~1 602 nm之间变得清晰,该区域200个波段下的平均反射光谱数据经KNN法中的10种距离算法评判,当K取值3和5时,切比雪夫距离、欧几里得距离和明可夫斯基距离3种距离算法的识别正确率均达到100%;SVM-RBF核函数模型中,γ取值为2-8~1的范围内识别正确率均在92%以上,当γ取值2-5,C取值为16和32时,识别正确率最高,为96.67%。故利用近红外高光谱图像技术结合KNN计算对苹果品种进行快速鉴别是优异和可靠的方案。     

基于光谱技术的褐飞虱发生程度检测研究

针对水稻褐飞虱虫害程度快速普查问题,利用便携式近红外光谱仪采集受到褐飞虱胁迫的水稻叶片光谱信息,来快速检测水稻虫害程度.通过采集褐飞虱危害期间的水稻叶片光谱数据,对叶片反射光谱进行一阶微分预处理,采用向后区间偏最小二乘波段筛选法和遗传算法,根据RMSECV值确定检测褐飞虱虫害的敏感波长,以敏感波长光谱数据位输入量,利用BP神经网络建立褐飞虱虫量程度检测模型.试验结果表明,水稻接种褐飞虱3天后,可以监测到水稻虫害,第3天、第6天与第9天虫害预测准确率分别为45.2％,86.4％和99.2％.这表明,近红外光谱技术可以快速、准确地预测水稻褐飞虱虫害.     

电子鼻技术在苹果质量评定中的应用

提出了一种根据苹果气味对苹果进行无损检测的新方法，研制了一套适合苹果气味检测的电子鼻系统。对超市所购得的好坏苹果各50个进行了检测，在获得传感器阵列数据的基础上，从每个传感器曲线中提取了5个特征参数，将其作为模式识别的输入向量。由主成分分析对所测的数据处理结果看出，好坏苹果足可以区分的，但有一点重迭的地方。用遗传算法优化RBF神经网络．发挥各自的优点，使所建立的遗传RBF网络不但收敛速度快，而且识别精度高。网络对训练集的回判正确率和对测试集的测试正确率分别为100％和96．4％。试验证明该分类方法和电子鼻装置都是有效的，也适用于其他的水果。     

基于遗传RBF网络的电子鼻对苹果质量的评定

提出一种根据苹果气味对苹果进行无损检测的方法,研制了一套适合苹果气味检测的电子鼻系统。对好坏苹果各50个进行了检测,在获得传感器阵列数据的基础上,从每个传感器曲线中提取了5个特征参数,作为模式识别的输入向量。用主成分分析法和遗传RBF网络对所测的样本进行分析,主成分分析可较好的把好坏苹果区分开,遗传RBF网络对训练集的回判正确率和对测试集的测试正确率分别为100％和96．4％。     

苹果分类包装搬运机械手控制系统的设计

文章以直径范围在70~100mm之间的苹果为研究对象,设计一种三自由度机械手来执行苹果分类与包装中的搬运动作,该机械手由气动方式驱动手部机构气缸、水平伸缩气缸、垂直升降气缸和旋转气缸来实现苹果的抓取和定位摆放功能。通过PLC方式实现对机械手动作的逻辑控制。     

基于SVM的多方位声散射数据协作融合鱼分类与识别

为解决基于声散射数据的鱼分类与识别问题,提出了一种基于SVM的多方位声散射数据协作融合鱼分类方法。首先,提取多方位声散射数据的小波包系数奇异值、时域质心及离散余弦变换系数特征,并进行特征融合;然后,采用支持向量机(SVM)分类器对每个方位提取的特征做出决策,并将决策结果表示成后验概率的形式,同时利用每个方位的决策概率对其他方位的决策进行加权;最后输出分类结果。采用3类鱼作为研究对象,得到不同方位数量条件下基于协作融合方法的分类正确率最终达到92%以上。试验数据处理结果表明,随着方位数量的增加,总体分类正确率呈升高的趋势,基于SVM的协作融合方法可以有效提高分类正确率。     

基于纹理和梯度特征的苹果伤痕与果梗/花萼在线识别

为了解决苹果果梗/花萼与伤痕在线识别的问题,利用自行设计的机器视觉检测系统在线采集苹果图像,通过自动分割合成算法将3个不同运动状态下的图像进行合成,使得合成后图像可以包含苹果的整个表面。再利用感兴趣区域提取算法提取出苹果合成图像中的果梗/花萼和伤痕部分。通过分析早期伤痕、中期伤痕和后期伤痕的纹理特征和边缘梯度特征,得出纹理特征适用于早中期伤痕与果梗/花萼的检测,而由于后期伤痕的褐变严重且多已出现凹陷,其纹理特征与果梗/花萼相似,故通过提取后期伤痕和果梗/花萼的边缘梯度特征值用于两者的区分。从SVM的建模结果来看,对于早中期伤痕,模型的总体判别正确率为97%,而后期伤痕的总体判别正确率为96%,并利用所得到的模型设计了用于果梗/花萼与伤痕区分的总体算法。最终通过80个带有不同种类伤痕的样本验证总体算法的正确率为95%,验证试验结果表明该算法可实现对果梗/花萼与伤痕的在线识别。     

基于高光谱的水稻稻曲病早期监测研究

为了快速、精准地感知水稻稻曲病的发生，实现稻曲病大面积早期监测，利用机载UHD185高光谱仪采集带有发病区域的多组水稻冠层高光谱图像数据，对图像数据进行预处理并建立数据集。对健康区域和发病区域进行分类训练，建立支持向量机(SVM)识别模型和主成分分析(PCA)加人工神经网络(ANN)的识别模型，通过验证样本来检验识别模型的准确性，达到识别发病水稻的目的。支持向量机识别模型选用两组特征波长下的假彩色图像：第1组波长组合(TZH1)为654、838、898 nm;第2组波长组合(TZH2)为630、762、806 nm,两组数据的错分误差/漏分误差总体分别达到4.24%和5.41%;其中S型核函数的SVM模型诊断性能最好，总体分类精度最高可达到95.64%,Kappa系数可达到0.94,基本达到了准确识别水稻稻曲病的目的。主成分分析加人工神经网络的识别模型选用前3个主成分，贡献率分别为93.67%、2.80%、1.24%,作为最优波长建立人工神经网络识别模型；其中非线性分类的效果优于线性分类的效果，总体分类精度达到了96.41%,Kappa系数可达到0.95。通过两个实验组数据的支持向量机...     

基于介电特征的苹果霉心病检测方法

针对苹果霉心病无法有效根据外表进行识别,且传统检测方法具有设备复杂、成本高昂等问题,本研究通过采集苹果介电参数构建苹果霉心病检测模型,从而实现简单快速的苹果霉心病无损检测.基于LCR测量仪采集220个苹果的108项介电指标(9个频率下的12项介电指标)作为原始参数,使用数据标准化、主成分分析算法等对数据进行预处理,并利...     

基于机器视觉和信息融合的邻接苹果分割算

提出了利用亮度和颜色的信息融合来分割邻接苹果的方法.首先使用Lab模型对苹果图像进行分割.然后计算分割后每个区域的面积,并判断其是否为邻接苹果区域.接着在邻接区域内计算亮度信息,利用亮度产生的亮斑对邻接苹果进行分割.这样,在邻接区域以外的部分,亮度信息产生的噪声被Lab模型的信息屏蔽,而邻接区域以内的部分,具有惟一性的亮度信息可以较好分割经Lab模型处理后的邻接苹果.实验表明,此算法对邻接苹果识别非常有效,识别率大于92.89%,而且算法简单快速,平均每幅图片识别时间小于0.5 s.     

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%。