基于高光谱图像与果蝇优化算法的马铃薯轻微碰伤检测

针对通常采用的反射高光谱无法准确检测随机放置马铃薯表面轻微碰伤的问题,提出了一种用V型平面镜的高光谱并结合果蝇优化算法(FOA)检测马铃薯轻微碰伤的方法。试验搭建了V型平面镜反射高光谱图像采集系统,分别采集随机放置下的轻微碰伤和合格马铃薯的高光谱图像,每张高光谱图像包含平面镜1反射图像F1、相机直接采集图像F2、平面镜2反射图像F3,分别提取F1、F2、F3感兴趣区域的平均光谱拼接成马铃薯的属性矩阵。采用标准正态变量变换(SNV)预处理后的光谱矩阵进行全波段的支持向量分类机(SVC)建模,预测集的识别率仅为84.11%;为了提高模型的性能,采用蚁群算法(ACO)进行变量优选,优选出9个变量建立的SVC模型预测准确率为95.32%;分别用网格搜索法(Grid search)、遗传算法(GA)和FOA对SVC的惩罚参数c和核函数参数g进行寻优,通过比较分析,FOA-SVC对训练集和预测集的识别准确率均达到100%。试验结果表明,用V型平面镜的高光谱结合FOA-SVC能够准确检测马铃薯的轻微碰伤,可为马铃薯的轻微碰伤在线检测提供技术基础。     

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%。     

马铃薯缺陷透射和反射机器视觉检测方法分析

针对反射机器视觉技术若同时检测马铃薯内外部缺陷存在检测精度不高的问题,提出一种基于透射机器视觉技术的马铃薯内外部缺陷无损检测方法。通过对获取的马铃薯透射和反射图像预处理方法的比较研究,确定上山法结合区域生长法为马铃薯透射和反射图像特征的最优分割方法;采用偏最小二乘-支持向量机分别建立了透射和反射图像的马铃薯缺陷识别模型并进行了比较。在对马铃薯内部缺陷进行检测时,透射和反射图像所建模型的判别正确率分别为96.30%、59.26%;在对马铃薯外部缺陷进行检测时,透射和反射图像所建模型的判别正确率分别为94.20%、89.86%;在对马铃薯内外部缺陷进行同时检测时,透射和反射图像所建模型的判别正确率分别为95.83%、81.25%。研究结果表明,无论是对马铃薯内部或外部缺陷单独进行检测,还是对内外部缺陷同时进行检测,透射方法均比反射方法精度更高。     

面向空间自相关信息的高光谱图像分类方法

空间滤波器在提取高光谱图像纹理信息过程中容易丢失空间自相关信息,导致植被分类精度不高。针对当前方法的不足,提出一种空间自相关信息的高光谱图像分类算法(Classification of hyperspectral image based on spatial autocorrelation information,CHISCI)。该方法先用域转换线性插值卷积滤波(Domain transform filter of interpolated convolution,DTFOIC)对高光谱全波段图像提取空间自相关信息,然后对高光谱数据进行主成分分析(Principal component analysis,PCA)降维后的前部分主成分提取空间自相关信息,两种空间自相关信息线性融合后交由支持向量机(Support vector machine,SVM)完成分类。试验表明,相比使用光谱信息、高光谱降维、空谱结合的SVM分类方法和边缘保持滤波以及递归滤波的方法,所提出的CHISCI方法对高光谱图像的植被分类精度有较大提高,在训练样本仅为6%和1%的情况下,对印第安农林和萨里斯山谷数据集分类的总体分类精度分别达到96.16%和98.67%,比其他算法高出2~16个百分点,验证了该方法的有效性。     

基于颜色距离算法的绿皮马铃薯检测方法研究

提出一种基于欧氏距离和相对距离对马铃薯绿皮进行检测的检测方法。该方法以颜色特征分析为基础,利用RGB空间特征,结合阈值选取,实现对马铃薯绿皮缺陷检测。首先建立马铃薯图像采集系统,采集绿皮马铃薯图像进行彩色图像预处理;通过利用阈值判别方法对马铃薯绿皮进行检测,实现对绿皮区域的准确分割。试验结果表明,该方法能够正确识别绿皮区域,准确率达93%,方法简单、识别率高、稳定性强。     

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。     

基于高光谱病害特征提取的温室黄瓜霜霉病早期检测

针对温室黄瓜早期霜霉病高光谱图像田间采集环境光照的影响及有效病害特征难以提取的问题,提出融合病害差异信息改进的竞争性自适应重加权算法(Competitive adaptive reweighted sampling, CARS)和连续投影算法(Successive projections algorithm, SPA)相结合的特征波段提取方法,并建立了黄瓜霜霉病早期检测模型。首先,采集黄瓜健康叶片和染病12d内每天的高光谱图像,按病程分为7类;提取感兴趣区域,并计算平均光谱作为光谱数据;采用包络线消除法确定霜霉病害差异波段,基于病害差异波段采用CARS对7个不同阶段的光谱数据分别提取特征波段,再利用SPA进行二次降维寻优;最后,将各特征波段组合,得到47个特征波段数据,据此建立最小二乘-支持向量机(Least square support vector machines, LSSVM)模型,用于病害检测。在94个叶片样本组成的测试集上进行了病害检测实验,结果表明,融合病害差异信息的Dis-CARS-SPA-LSSVM对染病2d到发病12d均能取得100%的检测识别率;对染病1d的测试集检测识别率达到95.83%,其中染病样本的召回率达到100%,相较于未融合病害差异信息的CARS-SPA特征提取方法识别率高4.16个百分点。说明所提出的Dis-CARS-SPA-LSSVM模型能够有效实现温室黄瓜霜霉病害的早期检测。     

基于局部保留降维卷积神经网络的高光谱图像分类算法

为提高高光谱遥感图像的分类精度,通过局部保留判别式分析与深度卷积神经网络(DCNN)算法,提出了基于局部保留降维卷积神经网络的高光谱图像分类算法。首先,用局部保留判别式分析对高光谱数据降维,再用二维Gabor滤波器对降维后的高光谱数据进行滤波,生成空间隧道信息;其次,用卷积神经网络对原始高光谱数据进行特征提取,生成光谱隧道信息;再次,融合空间隧道信息与光谱隧道信息,形成空间-光谱特征信息,并将其输入到深度卷积神经网络,提取更加有效的特征;最后,采用双重优选分类器对最终提取的特征进行分类。将本文方法与CNN、PCA-SVM、CD-CNN和CNN-PPF等算法在Indian Pines、University of Pavia高光谱遥感数据库上进行性能比较。在Indian Pines、University of Pavia数据库上,本文算法识别的整体精度比传统CNN方法的整体精度分别高3. 81个百分点与6. 62个百分点。实验结果表明,本文算法无论在分类精度还是Kappa系数都优于另外4种算法。     

基于双边滤波和空间邻域信息的高光谱图像分类方法

提出了一种基于双边滤波和像元邻域信息的高光谱图像分类(BS-SVM)算法。该方法首先利用双边滤波器提取经主成分分析降维后的高光谱图像空间纹理信息,然后通过设计一种高光谱像元邻域信息来构建高光谱的空间相关信息,最后将2种空间信息融合后与光谱信息结合,形成空谱信息(空间信息和光谱信息)后交由支持向量机完成分类。实验结果表明,相比单纯使用光谱信息的支持向量机的分类方法以及基于Gabor滤波的空谱信息结合分类方法,所提出的BS-SVM方法分类精度有较大幅度提高,充分证明了该方法的有效性。     

基于低秩自动编码器及高光谱图像的茶叶品种鉴别

提出一种基于低秩自动编码器及高光谱图像技术的茶叶品种鉴别方法。应用高光谱成像系统采集5个品种的茶叶样本高光谱图像数据,利用ENVI软件确定高光谱图像的感兴趣区域(ROI),并提取茶叶样本在ROI的平均光谱作为该样本的原始光谱数据。由于高光谱信息量大、冗余性强且存在噪声,运用自动编码器和低秩矩阵恢复结合的低秩自动编码器(LR-SAE)对原始光谱数据进行降维,在自动编码器降维基础上加入去噪处理,提取鲁棒判别特征。在此基础上应用支持向量机(SVM)和Softmax分类算法对降维后的茶叶样本高光谱数据分类。通过5折交叉试验验证,LR-SAE-SVM模型的预测集准确率达到99.37%,SAE-SVM模型的预测集准确率为98.82%;LR-SAE-Softmax模型的预测集准确率达99.04%,SAE-Softmax模型的预测集准确率为97.99%。研究结果表明,相较于未进行去噪处理的传统自动编码器,LR-SAE降维之后的分类建模效果有所提升,将其应用于茶叶品种鉴别是可行、高效的。     

农产品品质检测系统的高光谱成像控制软件设计

利用VS2010与Matlab混合编程方法设计了用于农产品品质指标检测的高光谱成像在线检测系统的控制分析软件,包括仪器参数设置模块、信号检测与控制模块和数据采集与分析模块,完成了图像采集、图像合成、运动控制、数据提取分析及存储、显示功能。该控制分析软件设计提高了高光谱成像技术应用的实用化,实现了对农产品品质指标的无损、实时、快速检测分析。     

李果实成熟度的高光谱成像判别研究

为实现对李果实成熟度的快速、准确判别,采用高光谱成像技术(450~1 000nm)采集不同成熟阶段(未熟期、半熟期、成熟期、过熟期)的李果实共计640个样本的高光谱信息进行判别研究。对不同成熟阶段的李果实样本测定表征成熟度的理化指标(可溶性固形物和硬度值)并进行单因素方差分析,结果表明:不同成熟度样本的两项指标均存在极显著差异,硬度值差异最大。采用连续投影算法(Successive projections algorithm,SPA)和主成分分析(Principal component analysis,PCA)分别提取得到不同成熟度样本光谱数据的10个特征波长(381、3 8 2、3 8 7、4 0 8、4 4 3、4 9 4、5 9 6、8 1 3、9 6 3、1 0 0 8 nm)和前5个主成分值(累积贡献率达9 7.8 3%)。基于RGB、HSV颜色模型对不同成熟度李果实样本图像进行颜色特征提取,最终得到6项颜色特征指标(R、G、B及H、S、V分量图像的平均值和标准差)。分别建立基于光谱信息、图像信息及融合信息的偏最小二乘(Partial least squares,PLS)判别模型,结果表明:基于特征波长和RGB特征信息融合值建立的PLS模型判别结果最佳,准确率达9 1.2 5%。由此可见,采用高光谱成像技术在光谱和图像信息方面对不同成熟度李果实进行判别是可行的、有效的,该研究为实现李果实成熟度在线检测提供了理论依据。     

马铃薯干物质空间分布状态可视化研究

采用可见-近红外高光谱检测系统对马铃薯中干物质进行快速检测,并最终实现其分布状态的可视化。采用9种光谱预处理方法对采集的马铃薯高光谱数据进行分析对比,得到标准正态变量(SNV)结合Savitzky-Golay平滑(SG)和一阶导数(FD)的预处理方法效果最好。经过光谱预处理后,采用正自适应加权算法-连续投影法(CARSSPA)对光谱进行特征变量提取,获得22个变量。对所选变量不同的建模方法进行了比较,以偏最小二乘回归(PLSR)模型预测效果最优,预测集决定系数为0.849,均方根误差为0.878%,相对分析误差为2.312,优于全波段模型。将SNV-SG-FD-CARS-SPA-PLSR模型与高光谱图像结合,得到马铃薯干物质主要分布在内髓与维管束环之间、在内髓位置干物质含量最低、由内髓向外干物质逐渐增加的空间分布。内髓位置干物质质量分数最低,为12.16%,外层最高可达24.62%。结果表明:可见-近红外高光谱技术可准确、快速地实现马铃薯干物质的检测和空间分布的可视化。     

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。     

基于高光谱技术的牛肉含水率无损检测

牛肉含水率的高低不仅直接影响牛肉品质,而且会对消费者造成经济损失。为此,通过实验探究了采用高光谱图像技术对牛肉含水率进行检测的可行性,为检测牛肉品质提供依据。采用82个牛肉后腿样本作为实验材料,按5×4×1cm的规格通过国际烘干法测量其真实含水量,并采集它们的光谱图像;获取样本的光谱信息后,通过ENVI及Mat Lab软件获取感兴趣区域。同时,利用不同的预处理方法,分别建立BP神经网络和偏最小二乘校正模型,通过比对两种模型结果,偏最小二乘校正模型能够更有效预测牛肉含水率,校正集相关系数为0.91,校正标准差为0.121,预测集的相关系数为0.89,预测标准差为0.118。研究结果证实,利用高光谱图像技术可以快速无损检测牛肉含水率。     

马铃薯干物质含量高光谱检测中变量选择方法比较

为提高利用高光谱成像技术快速检测马铃薯干物质含量的精度,比较了主成分分析法(PCA)、组合间隔偏最小二乘法(siPLS)、遗传偏最小二乘法(GA-PLS)、无信息变量消除法(UVE)以及竞争性自适应重加权算法(CARS)等变量选择方法。在此基础上提出一种竞争性自适应重加权算法与连续投影算法(SPA)相结合的波长选择方法,最终将原始光谱变量从678个减少到了27个。用27个变量建立多元线性回归模型,模型预测集相关系数Rp为0.86,预测均方根误差为1.06%。实验结果表明:高光谱成像技术能够对马铃薯干物质含量进行检测,同时CARS-SPA是一种有效的变量选择方法。     

基于信息融合的农业自主车辆障碍物检测方法

针对单一传感器在智能车辆环境感知中的局限性,提出一种基于摄像机与激光雷达信息融合的农业自主车辆前方障碍物检测方法。对单目摄像机获取的图像进行基于Ft（Frequency-tuned）算法的显著性检测,并生成显著图。同时对激光雷达反射点进行基于数据关联性评估的聚类分析,确定障碍物数量、边界与位置等先验信息。然后以激光雷达坐标相对应的图像像素坐标为种子点,由种子点激活经过处理的显著图,基于受限区域生长实现障碍物区域分割。试验结果表明,基于Ft算法的图像显著性检测具有更好的边缘检测效果,基于种子点的受限区域生长法可以有效地进行障碍物分割。在机器视觉的基础上融入激光雷达数据,可以更好地排除非障碍物的干扰,实现了障碍物的完整检出。