基于高光谱的油茶籽内部品质检测最优预测模型研究

以油茶籽中油酸、亚油酸、棕榈酸为研究对象,寻求一种油茶籽脂肪酸成分含量的最佳预测模型。首先,利用高光谱成像系统以线扫描方式获取其反射光谱图像,选择感兴趣区域(ROI);然后,对原始光谱进行平滑与多元散射校正(MSC),通过相关性分析和逐步回归分析,得到能反映油酸、亚油酸、棕榈酸含量变化的最佳优化波段;进而对最优波段采用偏最小二乘回归(PLS)方法、主成分回归(PCR)方法及径向基神经网络(RBF)方法组建预测模型。比较这3种方法的建模效果,经外部验证表明:径向基神经网络建立的预测模型效果最好,其油酸、亚油酸、棕榈酸的交叉验证相关系数R分别为0.940 3、0.893 5、0.912 2;校正均方根误差和预测均方根误差分别为0.441、0.174 9、0.066 4和0.351 8、0.184、0.162。     

基于小波变换的方便面含油率近红外光谱检测技术

以检测方便面的含油率为例，探讨了用小波变换原理分析近红外温反射光谱并提取有效信息的方法。结果表明，变换后的光谱更能反映出与含油率之间的相关关系，通过与使用方便而原始温反向光谱、一阶导数、二阶导数的多元回归分析方法比较，得到使用8个迟度变换后的小波系数与含油率之间的关系最为显著，且四元回归分析的预测精度最好，比采用二阶导数时的平均相对预测误差降低1.1个百分点，相对误差的标准差降低0.18。小波变换方法提高了方便面含油率近红外光谱的定量分析精度。     

基于高光谱成像的绿皮马铃薯检测方法

针对任意放置姿态下的轻微绿皮马铃薯难以检测的问题,进行了半透射与反射高光谱成像方式的不同检测方法比较研究,最终确定较优高光谱成像方式的检测方法。分别以半透射与反射高光谱成像方式对图像维提取RGB、HSV和Lab空间颜色信息,并采用等距映射、最大方差展开、拉普拉斯特征映射进行图像信息降维;分别以半透射与反射高光谱成像方式对光谱维提取感兴趣区域的平均光谱数据,并采用局部保持投影、局部切空间排列、局部线性协调进行光谱信息降维;然后分别建立不同高光谱成像方式下的图像与光谱信息的深度信念网络模型;对识别率良好的模型采用多源信息融合技术进一步优化,并建立基于图像和光谱融合或不同成像方式融合的模型。结果表明,基于半透射和反射高光谱的光谱信息融合模型最优,校正集和测试集识别率均达到100%,可实现轻微绿皮马铃薯的无损检测。     

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。     

壶瓶枣自然损伤的高光谱成像检测

采用高光谱成像技术(450~1 000 nm)对壶瓶枣的5种自然损伤(缩果病、裂纹、虫害、黑斑病、鸟啄伤)进行识别研究。利用高光谱成像系统采集了5种自然损伤及完好枣一共663个壶瓶枣样本的高光谱图像,并提取相应的感兴趣区域(ROI),得到了样本的光谱数据。应用偏最小二乘回归(PLSR)、连续投影算法(SPA)从全波段中分别提取了9条、10条特征波长,利用Kennard-Stone算法将各类样本按照3∶1的比例随机分成训练集(500个)和测试集(163个),并对其建立最小二乘支持向量机(LS-SVM)判别模型,结果表明使用SPA-LS-SVM建立的壶瓶枣自然损伤模型的整体判别正确识别率为93.2%。运用主成分分析(PCA)对由SPA提取出的10条特征波长(535、595、657、672、685、749、826、898、964、999 nm)所对应的单波段图像进行数据压缩,分别采用Sobel算子、区域生长算法Regiongrow并结合主成分图像识别出163个壶瓶枣样本的边缘与自然损伤特征区域,得出平均正确识别率达到90.8%。研究结果表明:采用高光谱成像技术可以对壶瓶枣的自然损伤进行光谱判别和图像识别。     

基于高光谱成像的油菜苗期温度胁迫检测方法

为了保证育苗质量和提供适栽壮苗,满足新一代油菜产业规模化、标准化的需求,以浙油50为研究对象,进行了为期21d的温度胁迫实验,利用高光谱成像技术研究油菜受温度胁迫的健壮苗识别方法。首先通过光谱反射率和连续小波变换提取温度胁迫敏感波段;然后,分别采用连续投影算法和连续小波变换-逐步判别分析法在温度胁迫敏感波段处提取特征波长;分析了油菜苗波段特征和光谱特征随时间的演化规律,筛选出554~714nm波段MA曲线面积、正切特征值tanθ、1213nm和1567nm处反射率以及小波特征w(9,967)、w(13,1213)、w(7,1567)共7个特征,建立了多特征融合的温度胁迫Fisher判别模型。结果表明：模型平均分类准确率为88.68%,在三叶期达到最佳检测准确率,为95.56%,能够较好地区分受温度胁迫的油菜幼苗。本研究为基于高光谱成像技术的油菜健壮苗快速检测提供了参考。     

高光谱成像技术无损检测水果缺陷的研究进展

水果缺陷无损检测是水果分级的重要依据。随着图像技术与光谱信息的发展、高光谱成像系统硬件成本的下降和性能的提升,高光谱成像技术在水果缺陷无损检测方面获得了越来越多的应用。为了能充分利用最新研究成果,从高光谱成像技术在水果的缺陷无损检测方面,综述了水果损伤、病害、虫害等缺陷无损检测的研究进展,并对其发展方向进行了展望。     

高光谱成像技术在水果无损检测中的应用

高光谱成像技术结合了光谱学和成像技术的主要优势,可以同时获得一个样本的空间分布及物理和化学性能,是水果无损检测的发展趋势。为此,主要介绍了高光谱成像原理、装置、数据处理方法,以及国内外水果内外品质无损检测的应用,并对高光谱成像技术在水果无损检测中的不足及未来趋势进行了分析。     

基于近红外高光谱成像的粮虫生命体征检测研究

快速、准确地检测出粮虫的生命体征是粮虫有效综合防治的关键。用液氮低温猝死法杀死粮虫谷蠹,利用构建的近红外高光谱成像系统采集谷蠹的高光谱图像。随着粮虫死亡时间的延长,粮虫相对光谱反射率逐渐增大。提出了基于最大离差法的最优特征波长提取方法,提取出可区分活虫和死虫的最优波长为1 417.2nm。应用区域生长法分割粮虫的图像,并由固定阈值法进行粮虫的自动判别。自粮虫死亡后的第2.5天开始,活虫的识别率达到100%。粮虫图像平均灰度值和其体内的ATP合成酶活性、蛋白质含量之间具有很强的负指数相关关系,与水分含量之间具有很强的负线性相关关系。由此表明,利用近红外高光谱成像系统鉴别粮虫的生命体征是可行的。     

基于高光谱成像技术的生菜冠层含水率检测

为实现作物含水率的无损检测,以6种水分胁迫水平的生菜为研究对象,利用高光谱成像技术和特征波长选取方法对生菜冠层含水率进行检测研究。采用掩模法去除高光谱图像的背景噪声,并对生菜冠层光谱图像进行光强校正。利用标准正态变量变换法(SNV)去除原始平均光谱数据的噪声,采用蒙特卡罗无信息变量消除法(MCUVE)剔除无关变量,结合基于最小绝对收缩和选择算法(LASSO)、连续投影法(SPA)、LASSO与SPA算法组合(LASSO SPA)筛选特征变量,对数据进行降维处理,采用偏最小二乘法(PLS)建立5个生菜冠层含水率检测模型。经对比发现,全光谱中存在很多冗余信息变量和无关变量,采用全光谱建立的PLS模型复杂度最高,且预测能力最差;以MCUVE LASSO SPA筛选变量后的PLS模型效果最优,其中建模集相关系数R c和预测集相关系数R p分别为0.8827和0.9015,均方根误差分别为1.0662和0.9287。择优选取MCUVE LASSO SPA PLS模型计算生菜冠层每个像素点的干基含水率,生成可视化分布图,实现了生菜冠层叶片干基含水率可视化检测。本研究可为生菜冠层含水率快速无损检测提供参考。     

油茶籽糖蛋白提取工艺优化及抗氧化性

为探讨油茶籽糖蛋白的最优提取工艺及抗氧化活性,在单因素试验基础上采用响应面法对提取油茶糖蛋白的关键参数进行了优化。同时以维生素C作为对照,采用4种不同方法考察了油茶籽糖蛋白的抗氧化性能。结果表明,油茶籽糖蛋白的最佳提取工艺条件为:浸提时间8.81 h、提取盐浓度0.12 mol/L、pH值8.77和液料比11.62 mL/g,在此条件下蛋白得率为8.76%,糖得率为10.14%。抗氧化试验表明,油茶籽糖蛋白能显著清除DPPH、羟基自由基和超氧阴离子自由基,具备一定的还原能力。     

基于卷积神经网络的油茶籽完整性识别方法

针对现有油茶籽色选机无法识别碎籽的问题,提出一种基于卷积神经网络的油茶籽完整性识别算法。以油茶籽完整性识别为目标,构建油茶籽图像库;基于油茶籽完整性识别任务要求,通过对Alex Net网络进行优化得到适合油茶籽完整性识别的卷积神经网络模型,该网络具有4层卷积层、2层归一化层、3层池化层和1层全连接层。为了提高网络分类准确率和实时性,从网络结构简化和超参数优化两方面对卷积神经网络进行优化,最终网络结构(CO-Net)的分类准确率、训练收敛速度和泛化性能均得到了提高。实验结果表明,优化后的网络对油茶籽完整性识别准确率达98.05%,训练时间为0.58 h,模型规模为1.65 MB,单幅油茶籽图像检测平均耗时13.91 ms,可以满足油茶籽在线实时分选的要求。     

基于高光谱与集成学习的单粒玉米种子水分检测模型

为建立单粒玉米种子水分含量的高精度检测模型,制备了80份不同水分含量的玉米种子样本。针对玉米种胚朝上和种胚朝下分别进行高光谱反射图像采集,每份样本取样100粒,波长范围为968.05～2 575.05 nm。采用PCA快速提取单粒种子光谱,经多元散射校正预处理后,分别采用随机森林(RF)和AdaBoost算法建立单粒种子水分检测模型,并集成两种算法特征提出基于加权策略的改进RF用于单粒种子水分含量建模。利用单粒玉米种子胚朝上的光谱信息建立的改进RF模型训练集相关系数R为0.969,训练集均方根误差(RMSEC)为0.094%,测试集R为0.881,测试集均方根误差(RMSEP)为0.404%;利用单粒玉米种子胚朝下的光谱信息建立的改进RF模型训练集R为0.966,RMSEC为0.100%,测试集R为0.793,RMSEP为0.544%。实验结果表明：改进RF的泛化能力和预测精度明显优于RF和AdaBoost算法;种胚朝上的单粒玉米种子水分含量检测模型优于种胚朝下的模型。高光谱检测技术结合集成学习算法建立的玉米种子水分检测模型预测精度高,稳健性好。     

光谱及成像技术在种子活力检验中的应用研究进展

种子是农业生产的重要资源,种子活力与作物发芽生长关系密切。传统的种子活力检测方式存在耗时长、花费大、对操作人员的技术要求高等缺点,难以实现自动化、大规模的检测。随着我国农业现代化水平逐步提高,实现高效快速无损的种子活力检验无疑是未来的发展趋势。本文分别论述了近红外、高光谱成像、拉曼光谱以及X射线在种子活力无损检测中的研究现状与进展。在数据处理层面,偏最小二乘回归(PLSR)仍然是应用最广的光谱数据线性建模方式,同时机器学习与深度学习等新技术也被用于光谱数据建模。在试验设计方面,区分有活力与失活种子的二分类模式仍然是研究主流,分类阈值的选取与结果密切相关。利用定量模型对活力高低的预测效果不佳,对种子活力变化这一缓慢过程的认识有待深入。对于某些作物种子,能够对与其发芽能力关系密切的特征波段进行提取。在仪器设备方面,缺乏专门用于种子光谱采集装置的设计研究。光谱及成像技术在种子活力检测方面具有成本低、快速和无损的特点,有助于农业生产中自动化和智能化的发展。     

基于YOLO v5s的自然场景油茶果识别方法

针对油茶果体积小、分布密集、颜色多变等特点,为实现自然复杂场景下油茶果的快速精准定位,并依据果实的疏密分布,确定恰当的自动振荡采收装置夹持位置,利用YOLO v5s卷积神经网络模型,开展了自然环境下油茶果图像检测方法研究,用3 296幅油茶果图像制作PASCAL VOC的数据集,对网络进行了150轮训练,得到的最优权值模型准确率为90.73%,召回率为98.38%,综合评价指标为94.4%,平均检测精度为98.71%,单幅图像检测时间为12.7 ms,模型占内存空间为14.08 MB。与目前主流的一阶检测算法YOLO v4-tiny和RetinaNet相比,其精确率分别提高了1.99个百分点和4.50个百分点,召回率分别提高了9.41个百分点和10.77个百分点,时间分别降低了96.39%和96.25%。同时结果表明,该模型对密集、遮挡、昏暗环境和模糊虚化情况下的果实均能实现高精度识别与定位,具有较强的鲁棒性。研究结果可为自然复杂环境下油茶果机械采收及小目标检测等研究提供借鉴。     

基于近红外光谱的掺伪油茶籽油检测

为了探索采用近红外光谱技术检测掺伪油茶籽油的潜力,以12个产地的玉米油、花生油、菜籽油和大豆油为掺杂油,以5个产地的油茶籽油为被掺杂油,制备了455份掺伪质量分数为0、1%、3%、6%、10%、15%和20%的掺伪油茶籽油,采集了所制备样品在833～2 500 nm范围内的近红外光谱。对采集的近红外光谱进行多元散射校正处理后,应用Kennard-Stone样本划分法按2∶1的比例将样本划分为校正集和测试集。采用连续投影算法(SPA)、无信息变量消除算法和竞争性自适应重加权算法提取表征掺伪油茶籽油样本的特征波长,并建立判别掺伪油茶籽油样品的支持向量机(SVM)和随机森林(RF)模型。研究结果表明,SVM模型具有较高的灵敏度,RF模型具有良好的特异性。基于SPA提取的9个特征波长所建立的RF模型的识别准确率最高,为99.34%,对掺伪质量分数为1%的掺伪油茶籽油的识别准确率达到94.74%,对掺伪质量分数为3%及以上的掺伪油茶籽油的识别准确率达到100%。本研究为掺伪油茶籽油检测仪的研发提供了基础数据。     

融合光电色选的皮带筛式油茶果壳籽分选机设计与试验

针对油茶果批量脱壳后壳籽混杂、人力分选效率低的问题,研究设计了一种融合光电色选的皮带筛式油茶果壳籽分选机。根据油茶果壳、籽与倾斜传送带间摩擦角、碰撞系数的差异,设计振动皮带筛进行初分选;利用两者灰度差异,对壳中残留籽进行二次光电分选。对皮带筛上油茶果壳、籽进行运动学与动力学分析,发现皮带倾角、皮带速度和振动频率是影响振动初分选率的主要因素;以籽箱清洁率、壳中含籽率为试验指标,开展正交旋转组合试验。当皮带倾角为19°、皮带速度为1.50m/s、振动频率为55.40Hz时,其籽箱清洁率为95.52%、壳中含籽率为24.30%,对最优参数进行试验验证,优化结果可靠。对不同茶籽比率的物料进行光电分选试验,结果表明籽箱清洁率稳定在98.23%左右,壳中含籽率保持在2.34%左右,说明光电分选可准确识别并分选出混杂物料中的油茶籽。对整机进行最优参数试验验证,该机两籽箱茶籽平均清洁率可达97.55%,壳箱中含籽率为3.27%。试验结果表明,此油茶果壳籽分选机可实现油茶果壳、籽的高效分离。