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%.     

基于近红外高光谱成像的猕猴桃早期隐性损伤识别

为了研究识别早期隐性损伤猕猴桃的方法,以"华优"猕猴桃为对象,以900~1 700 nm范围近红外高光谱成像系统为检测设备,采集了完好无损和隐性损伤1~3 h内猕猴桃的近红外高光谱。研究发现900~1 350 nm内二者的反射光谱具有明显的差异。对此区域进行分段主成分分析,确定1 050~1 200 nm为识别损伤的最佳光谱区域。基于此最佳光谱区域内主成分图像的权重系数及波长间光谱反射值的相关性优选了4个特征波长(1 057、1 090、1 120和1 177 nm)。对该4个特征波长进行了二次主成分分析,并结合中值滤波、阈值分割及数学形态学处理方法提出了早期隐性损伤猕猴桃的识别算法。该算法对70个无损猕猴桃和70个隐性损伤猕猴桃的正确识别率分别为100%和95.7%,平均正确识别率为97.9%。研究结果表明,近红外高光谱成像技术可用于早期隐性损伤猕猴桃的识别。     

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。     

基于线性判别法的生菜农药残留定性检测模型研究

针对农副产品农药残留超标现象,提出一种快速高效无损检测菜叶农药残留的方法。以4组生菜叶片为研究对象,分别喷洒丙酮和3种不同浓度的乐果农药(乐果和丙酮的体积比为1∶100、1∶500、1∶1 000),利用近红外高光谱成像仪采集生菜样本的高光谱图像(871.61~1 766.32 nm)。在生菜高光谱图像中选取感兴趣区域(ROI)并提取该区域的平均光谱,对ROI内的图像进行主成分分析(PCA)处理,提取PC1、PC2图像的纹理特征。采用连续投影算法(SPA)和主成分分析方法 (PCA)选取光谱数据的特征波长,分别利用线性判别法K最近邻法(KNN)、马氏距离(MD)和Fisher判别分析(FLDA)方法建立基于全波段、特征波段下光谱特征和光谱与纹理融合特征的农药残留检测模型。结果表明,基于SPA特征光谱和主成分图像纹理特征融合信息的Fisher模型较好,训练集和测试集分类正确率分别为98.9%和100%,利用近红外高光谱图像技术结合信息融合及Fisher算法鉴别农药残留等级是可行的。     

基于高光谱成像的玉米收获后根茬行分割方法

在华北一年两熟区,利用联合收获机留茬收获玉米后,玉米根茬行与行间秸秆及裸露地表颜色相近,采用传统的图像检测方法对其进行分割比较困难。针对该问题,采集了利用联合收获机留茬收获玉米后的根茬行高光谱图像,以根茬顶端切口为目标,提出了一种玉米根茬行高光谱图像的分割方法。首先,对黑白校正后的全波段图像进行主成分分析,根据主成分图像权重系数优选出3个特征波长,分别为1260、1658、2131nm;然后,对3个特征波长处的图像再次进行主成分分析,并对所得到的PC2图像进行单阈值分割;最后,通过中值滤波、形态学开运算、根茬行区域外噪声滤除对分割结果进行优化。为验证该分割方法的效果,利用采集的50幅玉米根茬行高光谱图像进行试验,并选取分割准确率、召回率和F1值对分割结果进行定量评价。结果表明：该分割方法下的玉米根茬行图像分割效果较好,分割准确率、召回率和F1值分别为91.85%、90.49%和91.16%。研究结果表明基于高光谱成像技术可对玉米根茬行进行分割。     

油桃外部缺陷的高光谱成像检测

采用高光谱(420~1 000 nm)成像技术对"中油9号"油桃的4种外部缺陷(裂纹果、锈病果、异形果和暗伤果)进行检测判别。对400个样本(4种外部缺陷样本和完好样本)运用偏最小二乘回归(PLSR)从全波段中分别提取了10条特征波长,分别为497、534、657、677、696、709、745、823、868、943 nm。缺陷样本的高光谱图像经过主成分分析后,对876 nm下的单波段图像通过掩膜、Sobel算子处理,并对主成分图像经过区域生长算法实现缺陷样本的缺陷区域分割。对光谱数据进行主成分分析得到前10个主成分值,并对图像数据采用灰度共生矩阵(GLCM)提取得到6项图像纹理指标(均值、对比度、相关性、能量、同质性、熵值)。将主成分值和纹理值融合建立极限学习机(ELM)模型对油桃外部缺陷进行检测判别。结果表明,该模型对缺陷样本的判别正确率为91.67%,完好样本的正确率为100%。     

基于计算机视觉的大米外观品质检测

开发了一套基于计算机视觉技术的稻谷品质检测系统，采用灰度变换、自动阈值分割、区域标记等方法从采集的稻米群体图像中提取单体米粒图像，对单体米粒的裂纹、垩白特征进行了统计和检测方法研究。提取了米粒的面积、周长等10个特征参数作为整精米检测特征，并进行了主成分分析，确定了判别整精米的优化阈值。检测试验结果表明：裂纹米粒识别的准确率为96．41％；垩白米粒识别的准确率为94．79％；整精米识别的准确率为96.20%。     

基于色敏传感器结合光谱技术的大米储藏期鉴别

应用色敏传感器阵列(CSA)结合可见/近红外(Vis-NIR)光谱检测技术,对大米储藏时间进行鉴别。大米按不同储藏期(0、1、2、4、6个月)分为5组。色敏传感器由氟硼吡咯类色敏材料制成,与大米挥发性气体发生反应后,分别提取色敏材料的光谱数据。光谱数据经SNV算法预处理后,用Si-PLS算法提取3类光谱数据的最佳光谱区间并合成一个数据集。分别用遗传算法(GA)、无信息变量消除法(UVE)和蚁群算法(ACO)提取光谱变量。并结合主成分分析(PCA)和线性判别分析(LDA)进行模式识别。结果表明,用Si-PLS-UVE提取的光谱变量建立的LDA预测模型正确识别率最高。取主成分数为9时,训练集正确识别率为98%,校正集正确识别率为96%,为大米储藏时间的检测提供了一种可行的方法。     

基于高光谱图谱融合技术的英德红茶等级快速无损判别

茶叶等级评价是检测茶叶品质的一项重要技术指标。通过提取红茶高光谱成像技术下的图像特征和光谱特征,构建一种基于图谱融合方法、适用于英德红茶等级评价的快速无损判别模型。首先制备3种不同等级的红茶样本,采用t分布-随机近邻嵌入和主成分分析对光谱数据进行降维可视化分析,然后从影响内在品质角度用连续投影法提取每种化学值的特征波长,通过多模型共识策略和竞争性自适应重加权算法-连续投影法筛选得出表征其内在品质的最佳特征波长组合,并建立基于遗传算法优化支持向量机的等级判别模型;其模型的训练集准确率为88%,预测集准确率为78.33%。为了融合外形纹理差异,先提取最佳特征波长组合对应的高光谱图像;采用图像掩膜消除背景的干扰和采用图像主成分分析消除多波长图像间的冗余信息,然后采用灰度共生矩阵和局部二值化算法提取主成分前三维主成分图像与特征光谱融合,并建立基于特征融合的遗传算法优化支持向量机等级判别模型,且基于第三主成分图像特征融合模型判别效果最佳,训练集准确率提升至98%,预测集准确率提升至96.67%。     

基于高光谱成像技术的小麦条锈病病害程度分级方法

为了快速、准确地对小麦条锈病病害程度进行分级评估,提出了一种基于高光谱成像技术的小麦条锈病病害程度分级方法。首先利用Hyper SIS高光谱成像系统采集受条锈菌侵染后不同发病程度的小麦叶片高光谱图像,通过分析叶片区域与背景的光谱特征,对555 nm波长的特征图像进行阈值分割获得掩膜图像,并用掩膜图像对高光谱图像进行掩膜处理,提取仅含叶片的高光谱图像;然后用主成分分析法(Principal component analysis,PCA)得到利于条锈病病斑和健康区域分割的第2主成分(The second principal component,PC2)图像,采用最大类间方差法(Otsu)分割出条锈病病斑区域;最后根据条锈病病斑区域面积占叶片面积的比例对小麦条锈病病害程度进行分级。试验结果表明:测试的270个不同小麦条锈病病害等级的叶片样本中,265个样本可被正确分级,分级正确率为98.15%。该研究为田间小麦条锈病害程度评估提供了基础,也为小麦条锈病抗性鉴定方法提供了新思路。     

基于高光谱成像分析的冬枣微观损伤识别

为减少微观损伤引起的储藏腐烂损失,延长冬枣的储藏期,提高冬枣的储藏效益,以山东沾化冬枣为研究对象,利用高光谱成像系统采集轻微损伤发生不到1 h的冬枣损伤部位的高光谱图像,得到波长在871~1 766 nm范围内的256幅高光谱分量图像。结合无信息变量消除法及相关系数法进行特征波长筛选,剔除不敏感波段,选取了944、1 035、1 187、1 376 nm 4个特征波长。对以上4个特征波长对应的分量图像进行主成分分析,选择第1主成分图像作为待分割图像,对其进行灰度变换等图像预处理,并运用自适应阈值分割法对其进行图像分割,实现了轻微损伤区域的有效识别。对100个轻微损伤冬枣样本的识别试验结果表明,所提方法的正确识别率为98%。     

基于高光谱成像技术的玉米螟蛀入检测方法研究

探讨玉米秸秆被玉米螟蛀入情况的有效检测方法。以玉米秸秆为试验样本,通过高光谱采集系统采集玉米秸秆样本的高光谱图像,通过光谱反射率平均曲线确定有效光谱区域,对有效光谱区域进行主成分分析,找到最能代表玉米秸秆被玉米螟蛀入的PC图像,并对此方法检测结果进行验证。结果表明,对玉米秸秆特征光谱区域进行主成分分析变换,可以快速、准确地检测出玉米秸秆虫害情况。     

基于高光谱成像技术的小麦籽粒赤霉病识别

利用高光谱成像技术通过光谱分析和图像处理进行小麦赤霉病的识别。采用标准正态变量变换(SNV)和多元散射校正(MSC)方法对光谱进行预处理,分别利用连续投影算法(SPA)和正自适应加权算法(CARS)进行变量筛选提取特征波段,结果表明采用MSC-SPA和SNV-SPA算法时决定系数分别为0.901 9和0.900 6,均方根误差分别为0.223 8和0.223 2,筛选波长个数分别为7个和5个。利用SVM和BP神经网络算法建立的交叉验证模型及验证模型的准确率均达到90%以上。其中,MSC-SPA-SVM和SNV-SPA-SVM方法的建模集准确率分别为97.08%和94.17%;验证集准确率分别为98.33%和97.50%,均优于MSC-SPA-BP和SNV-SPA-BP模型。为了研究染病小麦的高光谱图像信息,利用主成分分析方法,根据权重系数选择最佳特征波长为627.698 nm。利用图像处理方法对特征波长下的特征图像进行预处理、特征提取。分别提取特征波长图像的形态参数特征和纹理特征参数等,根据特征参数相关性分析选择最优的建模特征参数。分别利用10折交叉验证方法建立线性判别分析、支持向量机和BP神经网络识别模型,结果表明3种识别算法识别准确率均在90%以上,具有较好的识别效果。     

脐橙糖度的高光谱图像无损检测技术

提出了利用高光谱图像系统来检测脐橙糖度的方法.由脐橙反射光谱图像获取反映脐橙糖度的光谱特征波长;应用人工神经网络系统建立了脐橙糖度的预测模型.结果表明,脐橙糖度预测模型相关系数R为0.831,采用高光谱图像无损检测脐橙糖度是可行的.     

渗油醋胶囊高光谱快速检测技术

针对渗油醋胶囊具有与合格醋胶囊相似颜色,难以用肉眼或者计算机视觉进行快速检测的问题,利用高光谱图像信息对化学成分的敏感性,采用高光谱图像技术捕捉渗油醋胶囊在430~960 nm波段下的特征信息,结合线性判别分析(LDA)、K最近邻判别法(KNN)建立渗油醋胶囊的判别模型。在K值为3、主成分因子数为2时,KNN模型对应的校正集识别率和预测集识别率分别达到100%。研究表明,高光谱图像技术可以有效表征渗油醋胶囊表面外渗成分的光谱特征,实现对渗油醋胶囊的快速检测。     

基于高光谱图像的红豆品种GA—PNN神经网络鉴别

提出一种基于高光谱图像技术的红豆品种鉴别方法。利用高光谱成像系统采集江苏、安徽、山东的3个品种共162个红豆样本高光谱图像数据,通过ENVI软件提取出红豆中感兴趣区域的平均光谱作为该样本原始光谱信息,利用SG多项式平滑对原始光谱数据进行去噪处理,由于高光谱数据信息量大,冗余性强,故需对高光谱数据进行降维,采用了连续投影算法进行特征波长选择,根据交叉验证均方根误差确定最佳特征光谱的个数为9,采用主成分分析法和独立分量分析算法进行特征波长提取,经过PCA处理,根据方差累计贡献率大于85%的标准选出7个特征波长,ICA分别提取了7、10、17个特征波长,通过测试集验证,选出17个最佳特征波长。最后分别将优选出的特征波长和提取出的最优主成分作为模型的输入。建立概率神经网络(PNN)模型测试后发现结果没有达到预期精度,引入遗传算法(GA)优化的PNN神经网络的阈值,并对隐含层节点进行最优选择。通过测试试验,所有的模型识别正确率均高于85%,其中SPA-GA-PNN模型的效果最佳,识别正确率达到了97.5%。     

基于分形维数的垩白米图像检测方法

提出了一种基于分形维数的垩白米检测算法,并与基于垩白大小的检测算法进行了试验对比分析。分形维数包含了大米垩白区域的累计和空间分布特征,更能客观反映垩白区域的信息。试验结果表明,该算法的识别正确率为95.1％,可以有效识别垩白米,而且识别效果好于基于垩白大小的检测算法。     

油菜氮素光谱定量分析中水分胁迫与光照影响及修

研究了油菜氮素和水分胁迫在光谱检测中的相互作用,以及光照的变化对作物光谱检测的影响.为了克服光照因素对光谱检测的影响,针对氮素和水分的特征波长分别建立了基于光谱反射率变化率的光照修正模型;为了实现对氮素和水分相互作用的解耦,针对不同含水率水平的植株分别建立了全氮含量光谱特征的主成分回归模型.利用氮素光谱组合分析模型对植株全氮含量进行预测,结果表明,实测值与预测值的相关系数R为0.92,均方根误差(RMSE)为0.53,优于前期采用6特征波长变量和主成分回归法所建立的预测模型.     

基于高光谱图像技术的稻田苗期杂草稻识别

以生长期为10 d的杂草稻和水稻为研究对象,采集其高光谱图像信息,对其进行滤波预处理后,利用主成分分析方法优选出1448.89 nm和1469.89 nm波长下的特征图像.对每个特征图像,分别提取其形状特征、纹理特征和颜色特征,共18个特征变量.基于这些特征变量,利用神经网络方法建立杂草稻和水稻的判别模型,模型训练时杂草稻和水稻的回判率都为100％;预测时,杂草稻的回判率为92.86％,水稻的回判率为96.88％.研究表明,利用高光谱图像技术快速鉴别稻田苗期杂草稻是可行的.     

基于高光谱图像技术的农产品品质无损检测

高光谱图像技术结合了计算机图像与光谱技术两者的优点,是农产品品质无损检测技术的发展趋势.为此,阐述了农产品品质检测中高光谱图像技术的基本原理;介绍了高光谱图像技术在农产品外部品质和内部品质检测中的应用现状及信息处理方法;并对高光谱图像技术应用于农产品品质检测技术的发展提出了建议.