基于高光谱成像技术识别苹果轻微损伤的有效波段研究

为了筛选出适用于开发苹果轻微损伤自动分级仪器的有效波段,以200个烟台富士苹果为对象进行研究。首先获取400～1 000 nm波长范围内完好和轻微损伤后0、0.5、1 h的苹果高光谱图像,然后提取完好与损伤样本感兴趣区域的平均光谱反射率数据,再利用载荷系数法（x LW）、连续投影法（SPA）和二阶导数（second derivative）法提取特征波长,分别提取3、9和20个特征波长,并根据特征波长建立基于遗传算法优化的BP神经网络（GA BP）和支持向量机（SVM）损伤识别模型。结果显示,三种基于特征波长提取方法建立的SVM模型对测试集的识别率（分别为77.50%、91.88%、96.88%）均高于BP GA模型（分别为75.63%、90.63%、93.75%）,因此,SVM被确定为最佳苹果轻微损伤识别模型。最后,利用每一特征波长分别作为变量建立SVM模型。结果发现,波段811 nm识别率达到90.63%,优于其他波段,被确定为苹果轻微损伤识别的最优波段。     

基于光谱和Gabor纹理信息融合的油桃品种识别

为实现油桃品种的快速且无损鉴别,对油桃高光谱图像中的光谱和图像信息进行分析。在光谱信息提取中,采用偏最小二乘回归(partial least squares regression,简称PLSR)从全波段光谱数据提取9个特征波长。在图像信息获取中,采用主成分分析(principal component analysis,简称PCA)获得主成分图像,并提取主成分图像的Gabor纹理特征。分别建立基于特征波长光谱特征、主成分图像纹理特征和光谱纹理特征融合的最小二乘支持向量机(least squares support vector machine,简称LS-SVM)和极限学习机(extreme learning machine,简称ELM)油桃品种判别模型。结果表明,基于融合特征的LS-SVM和ELM模型识别率分别为94.7%、92.1%,较单独采用光谱信息和纹理信息的识别率都高,说明采用光谱信息和Gabor纹理信息融合的方法可以实现油桃品种判别,为农产品无损检测提供参考价值。     

基于高光谱成像技术的苹果表面轻微损伤检测

为了研究检测苹果表面轻微损伤的有效的方法,以红富士苹果为试验样本,通过高光谱成像采集系统采集苹果样本的高光谱图像,根据正常苹果表面区域和刚损伤、损伤后(3,10,24h)的损伤区域光谱反射率平均曲线得到有效光谱区域;用掩膜法对图像进行背景分割,并基于有效光谱区域做主成分分析,选取第四主成分(PC4)提取损伤区域,运用阈值分割的方法建立提取损伤区域的算法模型;应用该算法模型对正常苹果和损伤苹果进行检测。检测结果表明:正常苹果样本正确检测率达到100%,损伤苹果样本的正确检测率为97.5%,总体检测精确度高达98.75%,说明利用高光谱成像技术可以有效快速检测出苹果表面的轻微损伤。     

基于高光谱成像技术的富士苹果轻微机械损伤检测研究

为降低苹果损伤造成的商业损失,延长苹果的储存期,利用高光谱成像技术实现了基于特征波段的苹果表面轻微机械损伤的快速、无损检测。以120个富士苹果为研究对象,首先利用波段范围在400～1 000nm的高光谱成像光谱仪获取完好和轻微损伤0、2、4 h的富士苹果的高光谱图像,并提取感兴趣区域的平均光谱数据,然后通过两次连续投影法进行分析,去除光谱波段间的冗余信息,找到共线性最小的波段组合(821 nm和940 nm);其次,对特征波段图像进行主成分分析,选择完好与损伤区域差异明显的第二主成分(PC2)作为检测损伤的有效图像;最后,对有效图像进行固定阈值分割和形态学处理,得到苹果表面机械损伤的检测结果。利用该方法对验证组40个正常和轻微损伤不同时间段的苹果进行测试,总体正确率达到94. 4%。     

基于高光谱成像的苹果损伤检测方法研究

【目的】研究苹果损伤高光谱特征,建立基于高光谱成像的苹果损伤区域最佳分类模型,为实时、快速、准确地识别苹果损伤提供重要依据。【方法】以北京平谷区收集的苹果样品为研究对象,利用高光谱图像技术检测水果表面机械损伤。利用 390 ~1 000 nm 范围的高光谱图像（HSI）数据,通过比值光谱分析损伤与正常感兴趣区域（ROI）的光谱响应特性,筛选特征波段,并构建较好地突出损伤区域特征的 3 种类型光谱指数：归一化光谱指数（NDSI）、比值光谱指数（RSI）和差值光谱指数（DSI）。在此基础上,优选提取损伤区域能力较强的光谱指数,利用迭代自组织数据分析（ISODATA）无监督据聚类算法提取苹果损伤区域。【结果】当苹果表面受到损伤时,光谱反射率变化显著。波段优化后发现,528、676 nm 的反射率可以有效识别异常区域。基于选定的特征波段,构建苹果损伤检测的识别光谱指数,包括 NDSI、RSI 和 DSI。光谱指数图像的像素值分析发现,损伤区域特征与正常区域特征在各光谱指数（SI）增强图像中区分明显。两类图像特征的 NDSI 像素平均值相差最大、达到 0.629,表明建立的 NDSI 对损伤区域及正常区域特征具有较强的区分能力。利用无监督分类方法 ISODATA 分类,验证了光谱特征指数在检测苹果损伤方面具有较高的特异性,对苹果损伤的检测正确率 达到 92.50%。【结论】研究结果适用于苹果损伤的实时快速检测,为苹果的精准管理生产提供技术基础与参考。     

基于高光谱图像的西兰花表面多种农药残留检测

针对西兰花农药残留问题,提出一种基于高光谱图像技术的西兰花农药残留定性检测新方法。首先,采集4组(共180颗)分别喷洒了清水和吡虫啉、阿维菌素、丙森锌3种农药的西兰花的高光谱(383.70～1 032.70 nm)图像,根据其图像信息提取感兴趣区域的平均反射光谱值,并采用分段多元散射校正对原始光谱数据进行预处理。为了提高模型效率,减少高光谱数据冗余,分别使用主成分分析和连续投影算法选择特征光谱。最后,使用马氏距离、最小二乘支持向量机、人工神经网络和极限学习机4种分类算法建立基于全波段和特征波段信息的农药残留检测模型。结果表明:基于连续投影算法的极限学习机模型的识别效果最好,训练集和测试集的正确率分别为98.33%和96.67%。说明利用高光谱图像技术鉴别西兰花表面农药残留种类是可行的,为西兰花表面的农药残留无损检测提供了一种新的方法。     

高光谱图像与卷积神经网络相结合的油桃轻微损伤检测

[目的]油桃表面轻微损伤的快速检测对提高油桃的品质及市场竞争力具有重要作用。[方法]本研究以"中油四号"油桃为研究对象,提出了基于高光谱图像与卷积神经网络相结合的油桃分块损伤区域检测算法。针对原始图像存在的复杂背景及油桃自身颜色特征,采用基于颜色特征的图像分割算法实现油桃与复杂背景的分离。针对损伤部位占比较小的特点,采用分块算法将原始图像分成64×64的块,并为每个分块制作标签(正常、损伤、背景区域),分块数据与其对应标签共同构成试验数据集。构建卷积神经网络模型,将数据输入该模型进行识别。[结果]油桃损伤区域识别率为88.2%。[结论]基于高光谱图像与卷积神经网络相结合的方法可以较准确地实现油桃表面轻微损伤的检测。     

利用高光谱微分方法检测苹果轻微损伤

为快速有效检测不同品种苹果轻微损伤,以‘金冠’、‘花牛’、‘富士’和青苹果各54个轻微损伤果为研究对象,采用高光谱图像技术获得各个苹果可见-近红外(400~1 000nm)波段的图像,结合光谱微分技术选取波谷的9个波长(556、617、664、706、763、832、880、906、938nm)为特征波长,然后基于特征波长进行最小噪声分离(Minimum Noise Fraction,MNF)变换,筛选出苹果轻微损伤的特征图像并通过阈值分割、形态学运算等方法识别苹果轻微损伤部位。结果表明,该方法识别‘金冠’、‘花牛’、‘富士’和青苹果轻微损伤部位的准确率分别为92.6%、88.9%、85.2%、85.2%。由此可见,利用高光谱微分方法可以快速有效地检测不同品种的苹果轻微损伤,且苹果的颜色越深、硬度越大、纹理越杂乱,检测精度越低。     

基于高光谱成像的苹果病害无损检测方法

苹果果实易发生病害,传统的苹果病害的检测不适应苹果分级在线检测的要求。为了实现病害苹果快速、有效的在线检测,采用高光谱成像技术对寒富苹果的炭疽病、苦痘病、黑腐病和褐斑病的病害果进行无损检测研究。根据正常区域与病害区域光谱相对反射率差异,提出改进流形距离方法。综合计算病害与正常区域,病害与果梗/花萼区域,正常与果梗/花萼区域的光谱相对反射率的总改进流行距离L值,从而从全波段中选择了3个特征波段,分别为700,765,904nm。对700nm特征波段下的图像进行阈值分割,以此获得掩膜图像,并对掩膜后的图像二次阈值分割提取感兴趣区域。将3个特征波段下对应的光谱相对反射率分别组合,作为BP神经网络的输入矢量,检测苹果是否为病害果。结果表明:选择700nm与904nm波段下的光谱相对反射率为最佳组合,病害果的检测率达96.25%。说明高光谱成像技术所获得的2个特征波段可以有效对苹果病害进行检测,为开发多光谱成像的苹果品质在线检测和分级系统提供参考。     

基于卷积神经网络模型的大豆花叶病初期高光谱检测

为减轻花叶病对大豆产量的影响,实现对大豆花叶病害初期的快速检测,本文提出了一种基于卷积神经网络(convolutional neural network, CNN)模型的大豆花叶病害的诊断识别方法。首先对分别接种SC3、SC7病毒7 d后发病初期及正常的‘南农1138-2’大豆样本各80片(共计240片)进行高光谱图像采集,根据其图像信息提取并计算感兴趣区域的平均光谱值,建立基于高光谱图像的CNN模型。最终模型训练集识别率达到94.79%,预测集识别率达到92.08%,其中对接种SC3病毒的花叶病叶片识别率为88.75%,对接种SC7病毒的花叶病叶片识别率为93.13%,对正常叶片识别率为94.38%。对比最小二乘支持向量机和极限学习机模型,CNN模型能够更充分提取光谱的深层特征信息,识别效果显著提高。研究表明,基于高光谱图像的CNN模型能够更精确地实现对大豆花叶病初期检测,将CNN与高光谱结合的方法也为病害检测提供了一种新思路。     

近红外结合极限学习机快速识别牛肉中掺假猪肉

[目的]建立牛肉中掺假猪肉的快速鉴定方法。[方法]采用傅立叶变换近红外结合极限学习机(extreme learning machine,ELM)构建纯牛肉、牛肉中掺假猪肉、纯猪肉的快速识别模型,考察标准正态变换、多元散射校正(multiplicative scatter correction,MSC)、一阶导数及二阶导数结合核主成分分析(kernel principal component analysis,KPCA)等光谱预处理方法对ELM模型预测性能的影响。[结果]MSC+KPCA预处理下,ELM模型的预测效果最优,训练集及测试集的正确识别率分别为86.67%和83.33%。[结论]近红外光谱技术结合ELM在牛肉中掺假猪肉的快速鉴定方面具有较大的潜力。     

基于高光谱成像技术的茄子叶片灰霉病早期检测

为建立基于高光谱成像技术的茄子叶片灰霉病早期检测方法,利用高光谱成像系统获取120个茄子叶片在380~1031nm范围的高光谱图像数据,通过主成分分析(PCA)对高光谱数据进行降维,并从中优选出3个特征波段下的特征图像,截取200×150的感兴趣区域图像(ROI),并从每幅特征图像中分别提取均值、方差、同质性、对比度、差异性、熵、二阶矩和相关性等8个基于灰度共生矩阵的纹理特征变量,通过连续投影算法(SPA)提取13个特征变量, 利用最小二乘支持向量机(LS‐SVM)构建茄子叶片灰霉病早期鉴别模型,模型判别准确率为97.5%.说明高光谱成像技术可以用于茄子叶片灰霉病的早期检测.     

基于高光谱与在线序列极限学习机确证大米产地方法

为满足快速无损的大米产地确证需求,采集吉林省梅河口市水稻主产区及松原、大安、辉南等其他水稻产区共990个大米样本的高光谱图像（400~1 000 nm）作为研究对象,利用多元散射校正（MSC）处理方法对光谱进行预处理。采用多层感知机（MLP）、极限学习机(ELM)与在线序列极限学习机(OS-ELM)算法,分别基于全波段高光谱数据以及经多维尺度分析（MDS）方法降维后的数据建立产地确证模型。结果表明,基于全波段高光谱数据的OS-ELM模型分类性能最好,准确率达到98.3%。经MDS处理后,输入的数据变量减少了96.6%,MDS-OS-ELM模型准确率稳定在97.4%。对三种模型的训练时间进行对比分析,OS-ELM训练时间明显优于MLP,在分批次获取数据时训练时间优于ELM。为大米产地确证提供了一种高效、准确、稳定的方法。     

基于高光谱与在线序列极限学习机确证大米产地方法

为满足快速无损的大米产地确证需求，采集吉林省梅河口市水稻主产区及松原、大安、辉南等其他水稻产区共990个大米样本的高光谱图像（400~1 000 nm）作为研究对象，利用多元散射校正（MSC）处理方法对光谱进行预处理。采用多层感知机（MLP）、极限学习机(ELM)与在线序列极限学习机(OS-ELM)算法，分别基于全波段高光谱数据以及经多维尺度分析（MDS）方法降维后的数据建立产地确证模型。结果表明，基于全波段高光谱数据的OS-ELM模型分类性能最好，准确率达到98.3%。经MDS处理后，输入的数据变量减少了96.6%，MDS-OS-ELM模型准确率稳定在97.4%。对三种模型的训练时间进行对比分析，OS-ELM训练时间明显优于MLP，在分批次获取数据时训练时间优于ELM。为大米产地确证提供了一种高效、准确、稳定的方法。     

基于高光谱成像技术的红酸枝木材种类识别

为了实现市场上常见红酸枝类Dalbergia spp.木材的快速无损识别,利用高光谱成像技术对不同红酸枝木材进行种类识别研究。以交趾黄檀 Dalbergia cochinchinensis,巴里黄檀 Dalbergia bariensis,奥氏黄檀Dalbergia oliveri和微凹黄檀 Dalbergia retusa为研究对象,采集高光谱图像并提取感兴趣区域内的反射光谱,采用Savitsky-Golay（SG）平滑算法、标准正态变量变换（SNV）和多元散射校正（MSC）对955~1 642 nm 波段光谱进行预处理,并通过主成分分析法（PCA）,回归系数法（RC）以及连续投影法（SPA）选择特征波长,分别建立了偏最小二乘判别分析（PLS-DA）和极限学习机（ELM）判别分析模型。研究结果表明:经SG和MSC光谱预处理,采用SPA选择的特征波长建立的ELM模型性能最优,建模集和预测集的识别率均为100.0%。这为红酸枝木材种类的快速无损识别提供了新的方法。图5表4参17     

基于高光谱成像技术生长发育后期苹果糖度的无损检测

【目的】研究应用高光谱成像技术无损检测生长发育后期苹果糖度的可行性。【方法】以生长发育后期的"富士"苹果为对象,基于采集到的波长900~1 700nm高光谱数据,建立预测苹果糖度的偏最小二乘(PLS)、支持向量机(SVM)和极限学习机(ELM)模型,并比较主成分分析(PCA)和连续投影算法(SPA)2种数据压缩或特征波提取方法对预测模型精度的影响。【结果】采用PCA方法可将全光谱压缩至9个主成分,采用SPA从全光谱的230个波长中提取出了13个特征波长,两者相比,SPA能更有效地提高模型预测能力。预测生长发育后期苹果糖度的最佳模型为基于SPA的PLS模型,其预测集相关系数为0.945,均方根误差为0.628°Brix。【结论】高光谱图像技术可以用于生长发育后期苹果糖度的无损检测,该技术的应用将有助于指导苹果的种植和适时采收。     

基于高光谱成像的玉米螟无损检测最优波段的选取

为解决玉米茎秆虫害早期无损检测问题,以提供玉米虫害预测预警与精确喷药理论依据,利用高光谱成像技术,提出了分段混合距离方法,明确玉米茎杆玉米螟虫害无损检测的最优波段,提取单波段特征图像,分割虫孔,以实现对玉米螟的快速、准确、无损检测。首先通过对玉米茎杆高光谱图像的分析,根据玉米茎杆高光谱图像的玉米茎秆区域与背景区域各个波段的光谱反射率的差异,选取450nm的图像,利用阈值分割的方法,获得掩模图像。然后根据可见光波段530~600nm范围和近红外波段750~900 nm范围光谱相关性小的特点,应用混合距离作为测量参数,筛选最佳单波段、双波段组合,最终确定754.8 nm波段为最优波段。提取该波段的图像为特征图像,采用阈值分割与数学形态学方法对玉米螟虫孔进行分割,从而检测出玉米螟虫孔区域,判定玉米茎秆是否存在虫害。结果表明:通过对测试集和验证集中60个玉米螟玉米茎杆和40个正常玉米茎杆的检测分析,得出玉米螟的检测正确率为100%,正常玉米茎的检测正确率为90%,整体检测正确率为96%。说明所获得的最优波段可为开发玉米茎虫害多光谱成像检测仪提供参考。     

苹果任意姿态下高光谱图像感兴趣区域选取方法

针对实际生产线上基于高光谱成像技术检测苹果内部品质时由于高亮区、果梗和果萼等区域光谱差异大导致的糖度误差问题,本研究提出了一种随机姿态下苹果高光谱图像感兴趣区域的选取方法,可实现感兴趣区域的自动选取。该方法首先将高光谱图像各像素点按照700 nm波长的光谱强度值进行直方图统计,获取各像素点光谱强度的大小关系,保留光谱强度前40%的区域,对其进行形态学腐蚀操作,去除其中700 nm光谱强度值大于3 900的过度曝光像素点,获得苹果原始感兴趣区域;然后基于原始感兴趣区域,建立不同大小感兴趣区域对应的平均光谱与苹果糖度的偏最小二乘回归(PLSR)模型,探究苹果感兴趣区域大小与预测精度的关系,进一步缩小感兴趣区域。最终选取原始感兴趣区域光谱强度前70%的区域作为感兴趣区域对任意姿态下的苹果糖度进行预测。基于该方法,建立了基于高光谱成像技术的苹果糖度无损检测模型,实测验证结果表明,经黑白校正、标准正态变换(SNV)预处理后建立的竞争性自适应重加权算法偏最小二乘回归模型(CARS-PLSR)的预测精度最高,其校正集决定系数(R■)为0.9206,校正集均方根误差(RMSECV)为0.3203°Br...     

基于高光谱成像的苹果果梗完整性识别方法研究

为了实现对苹果品质的等级评价,对果梗的完整性进行检测是必不可少的。选取了苹果样本260个,其中果梗完整果104个、果梗不完整果92个、没有果梗果64个。利用高光谱成像技术提取苹果感兴趣区域光谱信息。采用逐步多元回归算法(stepwise multiple linear regression,SMLR)从全波段(450~970nm)提取了5个特征波长(594.78,572.08,599.84,626.48,666nm),采用连续投影算法(successive projections algorithm,SPA)从全波段(450~970nm)提取了7个特征波长(467.5,672.4,695.4,730.2,840.4,952.6,969.6nm)。然后,提取感兴趣区域的惯性矩、相关性、能量和熵4个纹理特征。将光谱特征、纹理特征、光谱特征结合纹理特征3组数据,分别作为输入矢量,采用支持向量机(support vector machine,SVM)、BP人工神经网络(BP artificial neural network,BPANN)对苹果果梗完整性进行识别,使用交叉验证的方法进行5组交叉验证,每一组分别从训练集和验证集中拿出30个进行互换,将5组验证集正确率的平均值作为评价指标,并且对比分析结果。结果表明:单独使用纹理特征作为输入矢量,果梗识别效果不佳,SVM模型正确率为50.3%,BPANN模型正确率为37.2%。融合光谱特征和纹理特征作为输入矢量识别效果一般,SPA-T-SVM模型正确率为86.6%,SPA-T-BPANN模型正确率为80.3%,SMLR-T-SVM模型正确率为77.2%,SMLR-T-BPANN模型正确率为74.9%。只采用光谱特征作为输入矢量识别效果较好,其中SPA-SVM方法识别效果最好,识别正确率达到91.7%,且数据计算量小。该研究为苹果品质等级评价提供了理论依据。     

基于迁移学习的棉花识别

提高智能采棉机效率的一个重要途径是实现单个、重叠和遮挡棉花的识别,避免误采摘和漏采摘。针对不同形态棉花的识别,常规的特征提取方法难以达到令人满意的结果,因而采用基于迁移学习的棉花识别方法和基于迁移模型的特征提取与极限学习机(extreme learning machine,ELM)相结合的方法进行棉花识别研究。首先更改AlexNet、GoogleNet、ResNet-50模型分类层和设置相关参数,用训练好的迁移模型对棉花验证集识别,然后利用训练好的迁移模型进行棉花数据集特征提取,再用训练集的特征训练ELM模型,统计不同隐含层神经元个数的ELM模型对棉花的识别准确率。AlexNet、GoogleNet、ResNet-50迁移模型识别率依次为92.03%、93.19%、93.68%;使用特征提取再与ELM结合的方法,准确率比对应迁移模型分别提高了1.97、1.34、1.55百分点。结果表明,迁移模型对小样本棉花识别也有较高准确率,基于特征提取与ELM相结合的方法可进一步提高准确率。