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%。     

基于高光谱成像技术的冬瓜种子品种鉴别

为实现冬瓜种子品种的快速无损检测,利用高光谱成像技术采集了广东黑皮、一串铃和韩育粉皮3个品种冬瓜种子的光谱图像信息。采用标准归一化（SNV）、多元散射校正（MSC）、中值滤波（MF）等方法进行预处理,利用连续投影法（SPA）、回归系数法（RC）和竞争性自适应算法（CARS）提取特征波长,建立了粒子群优化BP神经网络判别模型,预测集的决定系数与均方根误差分别为R2=0.930、RMSEP=0.047,准确率高达96.30%。研究表明,高光谱技术结合粒子群优化BP神经网络可以实现对冬瓜种子品种快速无损鉴别。     

基于PLS-BPNN算法的土壤速效磷高光谱回归预测方法

土壤速效磷是影响作物生长发育的重要养分指标。光谱分析技术对速效磷的定量预测具有较好的应用前景,高光谱带宽窄、分辨率高,但存在数据冗余和共线性等问题。本文针对皖北砂姜黑土145个样本开展研究,提出了利用偏最小二乘回归算法(PLS-R)对土壤可见近红外高光谱数据(400~1 000 nm)进行数据降维和特征提取,根据交叉验证和变量投影重要性分别得到潜在变量和特征波长;再分别输入BP神经网络(BPNN)进行训练,得到回归分析模型对速效磷进行定量预测。结果表明:与利用全部波长数据建模的预测结果(校正集和验证集的相对分析误差M_(RPD)分别为10.27和2.09)相比,利用9个特征波长建立的回归模型校正集M_(RPD)为2.66,预测精度明显降低,而验证集M_(RPD)为2.05,近似达到利用全部波长数据建模的预测效果;利用5个潜在变量建立回归模型,校正集和验证集的M_(RPD)分别为3.10和2.29,其中验证集相对于全部波长建模的预测精度提高了9.6%。因此,基于PLS-BPNN算法进行回归建模可以有效降低高光谱数据冗余和共线性的影响,提高模型的泛化能力,且利用潜在变量进行回归建模能提高模型预测精度。     

基于高光谱图像的叶绿素荧光Fv/Fm图像预测方法

叶绿素荧光参数Fv/Fm在植物逆境胁迫研究中具有重要意义,当前获取方法需要对植物进行暗适应处理,难以实现实时测量。为实现Fv/Fm的实时获取,本文以4种水分胁迫水平下的辣椒为研究对象,基于高光谱成像及特征波段筛选方法对Fv/Fm进行预测。采用中值滤波对Fv/Fm图像去噪,并基于二维坐标变换实现高光谱图像与叶绿素荧光图像的匹配。对比标准正态变换(SNV)、多元散射校正(MSC)和Savitzky-Golay卷积平滑(SG)3种光谱预处理算法,并基于连续投影(SPA)算法筛选特征波长。基于效果最优的SG预处理算法,分别以偏最小二乘回归(PLSR)、分析误差反向传播(BP)神经网络、径向基函数(RBF)神经网络对比建模精度,其中BP算法建立的模型精度相对较高,其测试集决定系数为0.918、均方根误差为0.011。研究表明,SG-SPA-BP的建模方法在实现预测精度的同时降低了模型复杂度,为基于高光谱图像对Fv/Fm图像的实时准确预测提供了方法。     

基于CNN的小麦籽粒完整性图像检测系统

为了快速、准确识别小麦籽粒的完整粒和破损粒,设计了基于卷积神经网络(CNN)的小麦籽粒完整性图像检测系统,并成功应用于实际检测中。采集完整粒和破损粒两类小麦籽粒图像,对图像进行分割、滤波等处理后,建立单粒小麦的图像数据库和形态特征数据库。采用LeNet-5、AlexNet、VGG-16和ResNet-34等4种典型卷积神经网络建立小麦籽粒完整性识别模型,并与SVM和BP神经网络所建模型进行对比。结果表明,SVM和BP神经网络所建模型的验证集识别准确率最高为92. 25%; 4种卷积神经网络模型明显优于两种传统模型,其中,识别性能最佳的AlexNet的测试集识别准确率为98. 02%,识别速率为0. 827 ms/粒。基于AlexNet模型设计了小麦籽粒完整性图像检测系统,检测结果显示,100粒小麦的检测时间为26. 3 s,其中,图像采集过程平均用时21. 2 s,图像处理与识别过程平均用时为5. 1 s,平均识别准确率为96. 67%。     

基于高光谱和频谱特征的注水肉识别方法

为实现注水肉快捷有效的识别,以猪肉为研究对象,利用高光谱技术分析了注水肉和正常肉的光谱特征,通过傅里叶变换的方法,提取样本的频谱特征参数,然后分别基于猪肉样本的全光谱、特征光谱和频谱特征参数,分别建立正常猪肉和注水猪肉的支持向量机（SVM）和BP神经网络分类识别模型,并采用验证集对模型性能进行试验验证。结果表明,基于频谱特征参数建立的神经网络分类识别模型具有最优的分类识别效果,正确识别率达98.8%;基于特征光谱建立的神经网络分类识别模型分类识别效果次之,正确识别率为96.4%;而基于全光谱建立的支持向量机分类识别模型分类识别效果最差,正确识别率只有84.5%。说明采用高光谱技术可以对注水猪肉进行快速而有效的检测识别。     

基于无人机多光谱图像的云南松虫害区域识别方法

针对云南省祥云县林区云南松虫害区域高效识别的需求,为更加高效准确地对虫害信息进行监测,本文搭建了林区八旋翼多光谱图像采集平台,基于无人机多光谱图像提出了一种Jeffries-Matusita(J-M)距离优化的反向传播神经网络(BP)分类方法。该方法首先引入J-M距离实现了对训练样本的优化,有效降低了"同谱异物"和"同物异谱"现象的影响,然后基于颜色矩和灰度共生矩阵提取了图像的颜色和纹理特征,并提取了580、680、800 nm共3个波段的相对光谱反射率作为光谱值特征,建立了5个植被指数模型,最后利用BP神经网络算法对颜色、纹理、光谱值和植被指数4种特征向量进行训练识别,实现了对虫害区域的分类识别。利用所提算法从总体分类精度和Kappa指数两方面与传统BP神经网络和支持向量机(SVM)算法进行对比试验。试验结果表明,本文算法总体分类精度和Kappa指数分别达到了94.01%和0.92,建模时间相对于传统BP神经网络缩短了38%,总体分类效果优于传统BP神经网络和SVM算法。     

基于融合小波的高光谱生菜农残梯度鉴别研究

为有效地实现光谱信息预处理,本文将类内距离和类间距离法引入小波阈值、小波分段预处理算法中,提出WBWT和WB-PWT两种融合小波预处理算法。利用WT、PWT、WB-WT和WB-PWT预处理算法对相同的生菜农药残留高光谱数据进行预处理。通过连续投影法对预处理后光谱进行特征选取,利用支持向量机对特征选取的光谱数据进行分类鉴别。结果表明,WB-WT和WB-PWT算法较传统的WT和PWT预测准确率有了较大的提高。其中,以db4、db6、sym5函数为小波基函数和WB-WT、WB-PWT算法预处理对应的模型预测准确率分别为75.00%、84.38%、87.50%和84.38%、90.63%、93.75%,它们的预测准确率均优于WT与PWT算法分别对应的模型预测准确率57.58%、62.50%、69.70%和72.73%、87.88%、90.63%,表明融合小波预处理算法能有效地提高分类建模预测精度。     

基于神经网络的实蝇成虫图像识别算法

为了实现从图像中快速、准确地识别双翅目果实蝇害虫,本文提出一种基于神经网络学习模型的识别算法。该算法首先采用Hough变换对实蝇样本图像的双翅边缘进行直线检测,使图像中实蝇旋转为躯体朝上形态,同时限定条纹所在的有效区域。结合HSV色彩空间锁定胸背板上的条纹区,对该区域进一步处理,根据中心条纹形状特征的描述方法,提取出形状特征参数,定义4种实蝇形态特征向量。采集90幅实蝇图像中各目标的4种特征因子,建立BP神经网络对数据集进行训练,从而得到用于实蝇分类的神经网络模型参数。试验结果表明,该方法对双翅目实蝇成虫的识别效果具有较好的准确性和实时性,对橘小实蝇、南瓜实蝇和瓜实蝇的识别准确率分别为95.45%、93.33%和97.83%,总体准确率为95.56%,单次识别平均耗时500ms。     

基于计算机视觉和神经网络的芒果检测与等级分类

为了提高芒果检测与分类的准确率和效率,综合运用计算机视觉技术和BP神经网络技术,实现对芒果损伤的检测与分类。首先,通过计算机视觉系统获取芒果图像,利用图像处理去除噪声、图像分割和图像增强等多种基本图像处理的方法,对芒果损伤图像进行处理;其次,对芒果图像进行了特征分析,提取9个特征参数,将这9个特征参数作为输入,建立BP神经网络模型,对芒果进行分类。试验结果表明,模型对芒果识别的准确率达85.5%。     

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%。     

基于可见/近红外高光谱的八角茴香与莽草无损鉴别

基于高光谱成像技术提出了一种八角茴香与其伪品莽草的快速鉴别方法。实验采集400~1000nm范围的高光谱数据,依据样本和背景像素点的光谱特征差异,选择850nm和450nm下的图像并进行差运算,结合阈值法去除背景信息,利用线性拉伸去除样本高度引入的阴影噪声像素点,再结合二值图像区域标记法从样本高光谱数据中自动提取其平均光谱数据;利用平均光谱数据,采用连续投影算法（Successive projections algorithm, SPA）选取了4个最优波长：533、617、665、807nm;基于最优波长下的光谱数据,建立了偏最小二乘判别（Partial least square discrimination analysis,PLSDA）模型,模型对鉴别八角和莽草的总体准确率为98.4%;利用所建多光谱模型对外部验证集数据进行预测,总体分类准确率为97.9%。利用常规图像处理技术同时对外部验证集数据进行处理,并对两种技术方法进行了比较,结果表明,依托高光谱成像技术建立的八角和莽草辨识的多光谱分析方法简单、高效,易于实现动态在线便携式检测。     

基于近红外高光谱的梨叶片炭疽病与黑斑病识别

针对梨炭疽病和黑斑病发病症状很相似,难以区分,导致实际生产中不便对症施药的问题,以砀山酥梨叶片为研究对象,探究利用高光谱技术来识别梨叶片炭疽病与黑斑病的可行性.首先,运用高光谱成像系统采集砀山酥梨正常叶片、炭疽病叶片和黑斑病叶片的高光谱图像,提取图像的平均光谱反射率.采用多元散射校正法(Multiplicative s...     

马铃薯叶片早疫病的高光谱识别研究

为实现马铃薯叶片早疫病的快速识别,达到尽早防治的目的,利用高光谱成像系统连续4天采集375~1018nm波段内的健康和染病马铃薯叶片的高光谱数据信息,并用ENVI软件提取感兴趣区域的光谱反射率平均值。分别建立基于全光谱(full spectrum,FS)、连续投影算法(SPA)和载荷系数法(x-LW)提取的特征波长的BP网络和LS-SVM识别模型,其中FS-BP、SPA-BP、x-LW-BP模型中预测集识别率分别为100%、100%、98.33%,LS-SVM模型的预测集识别率均为100%;SPA和x-LW提取的特征波长个数均仅占全波长的1.47%,大大简化了模型,提高了运算速率。实验表明:应用高光谱成像技术可以快速、准确地识别出马铃薯叶片早疫病,且SPA和x-LW可以作为特征波长提取的有效方法,为田间马铃薯早疫病的在线实时检测仪器的开发提供理论依据。     

AVIRIS高光谱数据空-谱特征在植被分类中的对比分析

植被分类是高光谱影像分类中的特定应用问题,光谱特征和空间特征是植被分类中常用的两类特征,比较这两类特征的性能,对实际植被分类应用中选择合适的特征类型或两者的有效结合具有指导意义。用主成分分析（PCA）提取光谱特征时,常选择前几个主成分（PCs）作为光谱特征,虽然它们包含较大的信息量但并不能保证较高的类别可分性和分类正确率,针对这一问题本研究提出了一种混合特征提取方法,对高光谱影像在PCA的基础上用改进的基于分散矩阵的特征选择方法选出具有较高类别可分性的PCs用于后续分类。利用一景AVIRIS高光谱植被影像,从分类精度的角度,首先比较了所提出的混合特征提取方法和原始PCA、独立主成分分析（ICA）及线性判别分析（LDA）3种常用子空间特征提取方法在高光谱影像植被分类中的性能。试验结果表明所提出的混合特征提取方法在研究中数据集1和2上均获得了最高的总体分类正确率,分别为82.7%和86.5%。与原始PCA相比,本研究提出的混合特征提取方法的总体分类正确率,在数据集1和2上分别提高了1.5%和2.5%。由此阐明了所提出的混合特征提取方法在高光谱植被分类中的有效性。对光谱特征和空间特征在高光谱影像植被分类性能的比较中,总体上空间特征获得的分类正确率比光谱特征高,特别是Gabor特征,在两个数据集上均获得了最高的总体分类正确率分别为95.5%和96.7%。由此表明空间特征较光谱特征在高光谱影像植被分类中更具优势。本研究结果为后续改进空-谱特征方法及其两者有效结合,进一步提高植被分类正确率提供了参考。     

结合Beltrami流和递归滤波的高光谱图像分类方法

提出一种结合Beltrami流滤波和域转换递归滤波的高光谱图像分类算法(BFRF-SVM)。分别利用Beltrami流对主成分分析(PCA)降维后的高光谱图像滤波方法和域转换递归滤波方法对全光谱波段进行滤波,两种空间信息进行线性融合后交由支持向量机(SVM)完成分类。实验表明,相比使用光谱信息、高光谱降维、空谱结合的SVM分类方法,以及边缘保持滤波和递归滤波以及形态学滤波特征方法,本文提出的BFRF-SVM方法对高光谱图像的分类精度有较大提高,验证了该方法的有效性。     

融合注意力机制的小麦赤霉病语义分割网络

小麦赤霉病是导致小麦大幅度减产的病害之一,对其开展自动识别研究具有重大意义。然而,传统方法一般通过阈值、色彩直方图等在农田复杂背景下开展小麦赤霉病的分割识别研究,其分割识别精确度较差并且泛化能力也不尽如意。为了在节省大量人力成本的同时对小麦赤霉病病斑进行快速、准确地分割从而辅助农业工作者对小麦患病的严重程度进行确认并开展后续的针对性研究,提出一种融合卷积神经网络和注意力机制的小麦赤霉病语义分割网络模型UNetA。该模型依据小麦赤霉病数据集的特点,使用融合了位置自注意力和空间注意力的注意力机制模块,并将注意力机制模块融入改进了的UNet结构中,再利用加权交叉熵损失函数来衡量预测值与实际值的差距同时缓解样本不均衡问题。试验结果表明,与现有的经典网络模型相比,UNetA模型的分割精度和实时性明显占据优势,其MIoU值达到83.90%,分割单张图像所用平均时间仅为0.588 0 s。     

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%.     

基于计算机视觉的土壤镉胁迫生菜叶片污染响应分析

为了实现无损检测生菜叶片中重金属镉的污染程度,以计算机视觉技术为研究手段,结合图像处理方法和特征选择方法,对4个梯度重金属镉胁迫的生菜叶片进行识别。首先利用数码相机获取生菜叶片图像,然后使用K-means聚类算法分割图像,对分割出的目标图像提取图像颜色、形状和纹理特征,共获取46个图像特征。为了使模型更简便和减少数据量,利用基于变量组合的变量重要性分析(VIAVC)和竞争性自适应重加权算法(CARS)对图像特征进行降维。采用偏最小二乘法判别分析(PLS-DA)和随机森林(RF)构建模型,用于生菜镉胁迫程度的识别。结果表明,在7个组合特征模型中,颜色形状纹理融合特征所建立的模型给出了最优结果,测试集分类正确率为92%。用VIAVC和CARS对颜色形状纹理融合特征进行特征选择,发现VIAVC的降维效果优于CARS。使用特征选择的变量建立模型,RF模型的训练集分类正确率和预测集分类正确率均高于PLS-DA,其中,基于VIAVC的RF模型的训练集和预测集分类正确率分别为98.0%和96.0%。可见,基于VIAVC的RF模型在大大降低了特征维数的前提下,能够较好地对不同镉胁迫程度的生菜叶片进行识别。