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。     

基于高光谱的水稻稻曲病早期监测研究

为了快速、精准地感知水稻稻曲病的发生,实现稻曲病大面积早期监测,利用机载UHD185高光谱仪采集带有发病区域的多组水稻冠层高光谱图像数据,对图像数据进行预处理并建立数据集。对健康区域和发病区域进行分类训练,建立支持向量机(SVM)识别模型和主成分分析(PCA)加人工神经网络(ANN)的识别模型,通过验证样本来检验识别模型的准确性,达到识别发病水稻的目的。支持向量机识别模型选用两组特征波长下的假彩色图像：第1组波长组合(TZH1)为654、838、898 nm;第2组波长组合(TZH2)为630、762、806 nm,两组数据的错分误差/漏分误差总体分别达到4.24%和5.41%;其中S型核函数的SVM模型诊断性能最好,总体分类精度最高可达到95.64%,Kappa系数可达到0.94,基本达到了准确识别水稻稻曲病的目的。主成分分析加人工神经网络的识别模型选用前3个主成分,贡献率分别为93.67%、2.80%、1.24%,作为最优波长建立人工神经网络识别模型;其中非线性分类的效果优于线性分类的效果,总体分类精度达到了96.41%,Kappa系数可达到0.95。通过两个实验组数据的支持向量机...     

基于高光谱成像技术的菜心铜胁迫快速检测

重金属污染已经成为影响农作物生长的重要环境因素,而铜是我国农业三大重金属污染物之一.农作物受到铜胁迫后,生长发育会受到极大的影响,如何实现对农作物铜胁迫的检测对于农业生产有着极大的意义.传统检测农作物铜胁迫的方法存在分析时间长、准确性不高、易对农作物造成损害等问题.本文提出一种基于高光谱成像技术的农作物铜胁迫的快速检测...     

基于高光谱成像的苹果品种快速鉴别

以乔纳金苹果,红富士苹果和秦冠苹果共90个试验样本为试材分别采集865~1 711 nm的近红外波段高光谱图像,选取苹果图像感兴趣区域(ROI),以分辨率2.8 nm提取其平均反射光谱数据,分别利用K近邻法(KNN)和径向基核函数支持向量机(RBF-SVM)进行品种判别,5折交叉检验。结果表明,3种苹果的近红外高光谱图像均在波长941~1 602 nm之间变得清晰,该区域200个波段下的平均反射光谱数据经KNN法中的10种距离算法评判,当K取值3和5时,切比雪夫距离、欧几里得距离和明可夫斯基距离3种距离算法的识别正确率均达到100%;SVM-RBF核函数模型中,γ取值为2-8~1的范围内识别正确率均在92%以上,当γ取值2-5,C取值为16和32时,识别正确率最高,为96.67%。故利用近红外高光谱图像技术结合KNN计算对苹果品种进行快速鉴别是优异和可靠的方案。     

基于高光谱成像的柑橘黄龙病无损检测

采用高光谱成像技术,结合最小二乘支持向量机(LS-SVM)和偏最小二乘判别分析(PLS-DA)2种方法,探索柑橘黄龙病快速无损检测的可行性。在380~1 080 nm光谱范围内,采集正常、轻度黄龙病、中度黄龙病、重度黄龙病和缺素5种柑橘叶片的高光谱图像。采用方差分析方法,分析了正常、轻度黄龙病、中度黄龙病、重度黄龙病和缺素5种叶片的叶绿素、淀粉和可溶性糖含量间的差异,表明3指标可作为判别黄龙病的指示性指标。采用偏最小二乘法,建立了叶绿素、可溶性糖及淀粉3指标含量的定量分析数学模型,模型预测均方根误差分别为7.46、5.51、5.88,提供了柑橘黄龙病高光谱成像快速检测依据。提取高光谱图像感兴趣区域的平均光谱,通过分析正常、轻度黄龙病、中度黄龙病、重度黄龙病和缺素5种叶片的代表性光谱,在750 nm处吸光度存在差异。采用2阶导数处理样品光谱,消除了450~650 nm和800~1 000 nm波段的基线漂移,放大了有效光谱信息。采用主成分分析(PCA)和连续投影算法(SPA)筛选柑橘黄龙病LS-SVM定性判别模型的输入变量,建立了LS-SVM定性判别模型,同时与PLS-DA进行对比。采用未参与建模的预测集样品评价模型性能,结果表明PLS-DA模型判别柑橘黄龙病的准确率更高,模型误判率为5.6%。实验结果表明,高光谱成像技术结合偏最小二乘判别分析方法可实现柑橘黄龙病快速无损检测与黄龙病病情等级判别。     

基于近红外光谱技术的醋醅中常见杆菌快速识别

醋醅中微生物群落及其代谢产物是镇江香醋独特口感和风味形成的关键因素。研究醋醅微生物的快速识别方法,有利于监控醋醅微生物的群落组成及其动态变化情况,保障发酵产品品质。利用近红外光谱技术对醋醅中5种形态相似的常见杆菌进行快速检测。首先采集5种杆菌菌落的近红外光谱信息,并利用PCR方法对5种杆菌进行生物学鉴别(分别为地衣芽孢杆菌、短小芽孢杆菌、嗜酸乳杆菌、枯草芽孢杆菌和醋酸杆菌),然后利用K-最近邻法和最小二乘支持向量机法建立5种杆菌的近红外光谱识别模型,结果表明当主成分为4时,LS-SVM模型对应的校正集识别率为100%,预测集识别率为97.50%。     

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。     

碧螺春茶叶的真伪鉴别技术——基于漫反射式高光谱成像技术

提出了基于漫反射式高光谱成像技术结合模式识别的碧螺春茶真伪鉴别方法。试验以漫反射式高光谱成像系统采集碧螺春茶样图像数据;通过主成分分析优选特征图像,并利用灰度共生矩阵从中各提取4个纹理特征参量;最后,利用支持向量机的模式识别方法构建茶叶真伪鉴别模型。训练和预测集的判别率分别达到100%和96.25%。研究表明,利用漫反射式高光谱成像技术结合支持向量机模式识别方法鉴别碧螺春茶品质真伪是可行的。     

基于高光谱图像的桑叶农药残留种类鉴别研究

研究了一种快速、精确、无损检测桑叶农药残留的方法。以不含农药残留的桑叶、含有敌敌畏残留的桑叶、含有毒死蜱残留的桑叶、含有乙酰甲胺磷残留的桑叶、含有乐果残留的桑叶和含有辛硫磷残留的桑叶为实验对象,利用高光谱成像仪获取390~1 050 nm范围内的桑叶高光谱图像。利用ENVI软件确定叶片的感兴趣区域,并采用连续投影算法(SPA)优选出10个特征波长(452.51、469.88、517.28、539.85、578.92、643.72、727.24、758.34、785.67、819.67 nm)。利用基于径向基内核(RBF)的支持向量机(SVM)和10折交叉验证的方法建立桑叶农残检测模型,并讨论了3种参数寻优算法(网格搜索、遗传算法和粒子群算法)对模型性能的影响,发现采用网格搜索的SVM模型的性能最优,其交叉验证正确率为63.89%,预测正确率为78.33%。为了进一步提升模型的分类性能,将自适应提升算法(Adaboost)引入到SVM建模方法,基于特征波长下的光谱数据,对桑叶是否含有农药残留及农药残留品种进行分类建模。结果表明,Ada-SVM模型的预测准确率达到97.78%,较传统SVM模型的准确率提高了19.45个百分点。可见,利用高光谱图像技术结合Ada-SVM算法能够较准确地鉴别桑叶农药残留。     

基于OC-SVM和近红外光谱的秸秆固态发酵进程监测

利用近红外光谱技术结合一类支持向量机( OC - SVM)快速监测秸秆蛋白饲料固态发酵进程.首先获取发酵物样本在10000 ～4000cm-1波数范围内的近红外漫反射光谱并对其进行主成分分析,提取前7个主成分因子作为模型的输入变量,然后运用OC - SVM算法建立判别模型.在模型建立过程中,采用交互验证的方法优化OC - SVM模型的相关参数.实验结果表明,在相同的条件下,OC - SVM模型在处理失衡训练样本的问题上明显优于SVM模型,当训练集中目标类和非目标类样本数比为1∶8时,OC - SVM模型在验证集中的正确判别率达到85％.     

马铃薯典型病害图像自适应特征融合与快速识别

针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。     

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。     

基于激光诱导荧光高光谱技术无损检测脐橙表面敌敌畏残留

常规化学方法检测农药残留不仅对样品具有破坏性,而且费时费力。本文以激光诱导荧光结合高光谱图像技术为手段,对脐橙表面的敌敌畏农药残留进行光谱无损检测;实验方法是在脐橙表面,喷施用自来水配制的不同浓度的敌敌畏农药溶液,在实验室条件下风干后,采集激光诱导荧光高光谱图像,再用气相色谱法检测脐橙表面的农药残留量,应用偏最小二乘(Partial least squares,PLS)方法建立农药残留的预测模型,并找出最佳光谱区间,然后应用支持向量机(Support vectormachine,SVM)方法在最佳光谱区间的基础上建立农药残留的预测模型;所建模型结果其预测集样品的农药残留量实测值(0.4862~10.3791mg/kg)和预测值之间的相关系数为0.8101;实验结果说明,以激光诱导荧光结合高光谱技术为手段的无损检测技术,在检测脐橙农药残留方面是有可行性的。     

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。     

基于叶面叶绿素分布特征的黄瓜叶片氮钾元素亏缺诊断

利用高光谱图像技术无损表征黄瓜叶片的叶绿素分布特征,并将其作为N、K元素亏缺诊断依据。采集黄瓜叶片的高光谱图像数据,利用高效液相色谱法分析黄瓜叶片的叶绿素含量,利用遗传算法建立叶片高光谱图像信号与叶绿素含量的对应关系,进而实现黄瓜叶片叶绿素分布图的无损检测。与对照组叶片的叶绿素分布图相比,缺N叶片主要表现为叶片中心区域叶绿素含量偏低,而缺K叶片主要表现为叶片边缘的局部区域叶绿素含量偏低。据此分别提取缺N、缺K叶片及对照组叶片的叶绿素及其分布特征(叶片中心区域所有像素点的叶绿素含量均值、叶片边缘区域叶绿素含量偏低的像素点数量),并借助提取的特征参数建立了N、K元素亏缺诊断方法,其正确诊断率为95%。研究结果表明,叶绿素叶面分布特征可有效实现黄瓜植株N、K元素的亏缺诊断。     

基于Sentinel-1和Sentinel-2数据融合的农作物分类

基于光学影像的遥感技术受云雨、昼夜影响较大,导致获取连续的作物时序生长曲线较困难,而雷达影像作为主动式成像,能够很好地克服这一缺陷。本文以陕西省渭南市大荔县某农场为研究区域,分别采用最大似然法(Maximum likelihood,ML)和支持向量机(Support vector machine,SVM)2种方法,融合Sentinel-1雷达影像和Sentinel-2光学影像,提高农作物的分类精度。研究结果表明,融合数据的农作物分类精度相比光学数据分类精度有所提高。在无云层覆盖的情况下,利用SVM方法融合Sentinel-2的红、绿、蓝、近红外4个波段数据与Sentinel-1数据,总体分类精度提高了2个百分点,Kappa系数提高了5个百分点;在有少量云层覆盖情况下,利用ML处理融合数据的分类结果精度和Kappa系数分别提高2个百分点和4个百分点,SVM方法下的分类精度提高了6个百分点,Kappa系数提高了8个百分点。     

基于高光谱图像的龙眼叶片叶绿素含量分布模型

针对传统高光谱单点法检测叶绿素含量效率低、精度不足等问题,提出一种基于高光谱图像和卷积神经网络(CNN)多特征融合的深度学习龙眼叶片叶绿素含量分布预测模型。首先进行Savitzky-Golay光谱去噪,然后通过奇异值分解(SVD)和独立成分分析(ICA)提取特征光谱,再对特征光谱图像提取灰度共生矩阵(GLCM)和CNN纹理特征,最后建立粒子群优化(PSO)支持向量回归(SVR)、深度神经网络(DNNs)分布模型。结果表明,基于特征光谱建模的PSO-SVR预测效果最佳,全期的校正集和验证集模型决定系数R2为0.822 0和0.815 2。对比多种主流模型,基于特征光谱、GLCM纹理、CNN纹理特征的ICA-DNNs模型预测精度最高,校正集和验证集R2分别为0.835 8和0.821 0。试验结果表明,高光谱图像可快速无损地对龙眼叶片叶绿素含量分布进行检测,可为龙眼树实时营养监测和病害早期防治提供理论依据。     

基于主成分分析的支持向量机需水预测模型及其应用

需水预测是水资源优化配置、水资源规划和水资源管理的重要依据,其预测精度受到众多因素的影响,且实际用水量数据时间系列较短,制约了传统预测方法的应用。利用支持向量机在对小样本学习的基础上对其他样本进行快速、准确的拟合预测的特点,采用主成分分析与支持向量机相结合的方法,首先利用主成分分析法筛选需水量的主要影响因子,然后将其作为输入样本,对支持向量机模型进行训练和检验,寻找最优模型,并将该方法应用于洛阳市需水预测。结果表明,该模型预测结果平均相对误差为-0.83%,预测精度较高,可作为训练样本较少情况下的一种需水预测方法。