基于近红外光谱和机器视觉的多信息融合技术评判茶叶品质

首次提出利用近红外光谱和机器视觉的多传感信息融合技术评判茶叶品质.试验以4个等级的炒青绿茶为试验对象,对获取的图像特征信息和光谱特征信息,通过主成分分析提取相应的主成分得分向量构成模式识别的输入.利用BP神经网络方法建立茶叶综合品质评判模型.在模型的建立过程中,对各个信息的主成分因子数进行了优化.从试验的结果看,在图像信息主成分因子数等于6,光谱信息主成分因子数等于3时,建立的模型最佳,模型训练时的回判率为99%,预测时的识别率为89%.研究结果表明基于近红外光谱和机器视觉技术的多传感信息融合技术评判茶叶综合品质的方法是可行的,评判结果的准确性和稳定性都较单个信息模型有所提高.     

苹果内外品质在线无损检测分级系统设计与试验

目前苹果品质检测分级机械存在结构复杂、价格昂贵以及不能兼顾内外品质的缺点。苹果的内部品质和外部品质都是决定苹果价值的关键因素,故该研究根据静态条件下的试验分析,设计了苹果内外品质在线无损检测分级系统。该系统主要由哑铃式滚子、机器视觉外观品质检测系统模块、近红外内部品质检测系统模块、分级模块以及控制系统组成。在机器视觉外部品质检测模块设计中,为了增大苹果有碰伤部位和无碰伤部位之间的对比度,通过采集有碰伤部位和无碰伤部位的反射率光谱,确定在730 nm处两者的反射率差异最大,并以此选用波长为730 nm的红色LED光源作为机器视觉模块的光源。为获得苹果整个表面信息,苹果在向前运动的过程中完成自转,并利用算法将单个苹果3个运动状态下的图像进行提取和合成,随后对图像进行高斯滤波,大津法二值化以及轮廓提取处理,当该苹果判断为有碰伤时,直接发送剔除指令,当判断为无碰伤,对轮廓提取后图像进行圆拟合处理,并利用拟合圆直径得到该苹果的大小。近红外内部品质检测系统模块设计中,对比2种近红外检测结构,并以试验确定了将探头和光源布置在下的设计方式。最终,通过试验验证得到了系统的在线检测性能,系统对于苹果有无碰伤检测总体正确率为94%,大小检测的相关系数为0.964 6,均方根误差为2.28 1 mm,苹果内部可溶性固形物含量所建立模型的校正集相关系数为0.950 8,校正集均方根误差为0.342 6%,预测集相关系数为0.949 2,预测集均方根误差为0.448 7%。单个苹果的检测时间为0.71 s。整机具有体积小、结构简单、成本较低的优点,适用于农户和中小型企业。     

基于RF-DS图谱信息融合的孵化早期鸡胚蛋性别无损检测

针对图像或光谱单一信息检测孵化早期胚蛋性别识别率不高的问题,该研究提出一种随机森林（Random Forest,RF）和证据理论（Dempster-Shafer,D-S）的图谱信息融合的无损检测方法。利用机器视觉和光谱仪分别采集孵化期第4天水平横放的胚蛋信息,在对胚蛋图像和光谱预处理的基础上,提取图像纹理特征和光谱特征,再分别以2类单特征的RF分类结果作为独立证据构造基本概率分配函数,运用D-S证据理论进行决策级融合,根据分类判决门限得出最终的识别结果。试验结果表明,图像和光谱单特征RF模型识别准确率最高分别达78.00%和82.67%,多特征决策融合识别法准确率达到88.00%,其中雌雄识别率分别达到90.00%和86.25%,单个鸡蛋的平均判别用时为2.843 s。结果表明,该光谱-图像信息融合方法可以提高孵化早期胚蛋雌雄识别准确率。     

基于高光谱图像和光谱信息融合的马铃薯多指标检测方法

针对随机放置的马铃薯缺陷多项指标难以同时检测的问题,提出了一种基于高光谱信息融合的流形学习降维算法与极限学习机(extreme learning machine,ELM)相结合的方法,该方法可同时识别马铃薯的多项缺陷指标。分别采集发芽、绿皮、黑心和合格马铃薯的反射高光谱数据(390~1 040 nm),在光谱维,提取马铃薯样本感兴趣区域(region of interest,ROI)的平均光谱,分别采用扩散映射(diffusion maps,DM)、局部线性嵌入(locally linear embedding,LLE)和海森局部线性嵌入(hessian locally linear embedding,HLLE)3种流形学习降维算法对光谱数据进行降维;在图像维,对马铃薯伪彩色图像进行形态学处理,获取基于灰度共生矩阵(gray level co-occurrence matrix,GLCM)的图像纹理信息,采用连续投影算法(successive projections algorithm,SPA)优选图像纹理特征;融合光谱维信息和图像维信息,分别建立基于极限学习机(ELM)与支持向量机(support vector machine,SVM)的马铃薯多分类识别模型。结果表明,扩散映射结合极限学习机(DM-ELM)模型的预测结果较优,该模型对发芽、绿皮、黑心和合格马铃薯样本的单一识别率分别为97.30%、93.55%、94.44%和100%,混合识别率达到96.58%,时间为0.11 s,可知高光谱信息融合技术结合流形学习降维算法可同时识别随机放置马铃薯的多种缺陷指标。     

近红外光谱和机器视觉信息融合的土壤含水率检测

为了精确、快速和稳定测定土壤含水率以及扩大所建模型的适应性,该文提出了机器视觉与近红外光谱技术融合的土壤含水率分析方法。通过试验建立了湖北地区主要土壤基于近红外光谱的土壤含水率分析模型、基于土壤表层图像特征参数的含水率分析模型和机器视觉与近红外光谱信息融合的土壤含水率分析模型。结果表明,基于近红外光谱含水率分析模型虽然具有较高的精度,但该模型预测非建模样品黄绵土误差均大于4%;以图像特征参数H,S和V所建BP人工神经网络非线性预测模型最优,模型的决定系数R2为0.9849,但当土壤水分饱和（达到20%以上）时存在分析误差;而所建立的土壤的近红外光谱与机器视觉BP神经网络信息融合模型可预测非建模样品黄绵土与水分饱和达20%以上土壤,决定系数R2可达到0.9961,融合模型分析精度均高于单独使用近红外光谱或机器视觉分析模型。     

基于机器视觉和近红外光谱技术的杏干品质无损检测

干果品质直接影响其市场销售。该研究以杏干为对象探讨用机器视觉和近红外光谱技术快速无损检测干果内外品质的方法。拍摄杏干4个不同位置的彩色图像,用基于区域骨架化的填充法分割杏干,提取每种角度下的面积。从100个正常杏干样本中随机挑选75个为校正集,25个为预测集,用多元线性回归对杏干的实际质量和4个面的面积建模,得到校正集和预测集相关系数分别为0.9374和0.9307,杏干质量分级的准确率为90%。提出用基于平均灰度的区域增长法提取杏干缺陷,缺陷检测的准确率为84.5%。采用SNV对杏干近红外光谱进行预处理,然后分别采用偏最小二乘法(PLS)、向后区间偏最小二乘法(biPLS)及联合区间偏最小二乘法(siPLS)建立杏干糖度预测模型。结果表明,当全光谱范围被划分为22个子区间,优选出区间[17、2、3、9、20、13、7、18、15、11、6],主因子数为10时建立的biPLS糖度模型性能最好。其校正集相关系数和校正均方根误差分别为0.8983和1.23,预测集相关系数和预测均方根误差分别为0.8814和1.46。研究表明,机器视觉结合近红外光谱技术能对杏干内外品质进行综合检测,也可为其他干果的品质检测提供借鉴。     

基于机器视觉图像特征参数的马铃薯质量和形状分级方法

马铃薯自动分级过程中,存在既要保证分级精度又对分级速度有一定要求的难点问题。该文探讨了利用机器视觉技术快速获取马铃薯图像特征参数,结合多元线性回归方法,建立马铃薯质量和形状分级预测模型,实现基于无损检测的马铃薯自动分级。搭建了同时获取马铃薯三面投影图像的机器视觉系统,通过图像数据处理获得马铃薯俯视图像轮廓面积、两侧面图像轮廓面积、俯视及侧面图像外接矩形长度及宽度数据等图像特征参数,通过多元数据回归分析,建立了马铃薯质量和形状分级预测模型。选择100个试验样本运用该方法进行质量和形状分级模型构建和预测,采用电子称获取样本实际质量,采用目测法对马铃薯进行形状分选。对比试验结果表明,质量分级相关度系数R为0.991,形状分级分辨率为86.7%。表明该方法对马铃薯质量和形状分级进行预测具有可行性,可运用于马铃薯自动分选系统中。     

基于机器视觉的马铃薯黑心病检测机构设计与试验

马铃薯黑心病是一种难以用肉眼分辨的内部病害。在生产加工中,为了准确检出黑心病个体,该研究基于光在马铃薯块茎组织中的透射特性设计了一种马铃薯黑心病检测机构。机构主要包括马铃薯块茎承托槽、光源单元以及光源位置调节轨道等部分,光源单元包括2个LED面光源,形成多点透射的结构,光源波长为705 nm。文中取50个正常样品和29个黑心样品采集图像分析,经过预处理,分别提取马铃薯目标图像和马铃薯高灰度区域的灰度平均值,以二者的相对比值作为黑心病的判别参数。通过与单点透射模式所采集的正常样品图像的相对比值比较,由该机构所采集的正常图像的相对比值普遍偏小,表明所获得图像的灰度均匀性更好,同时得到光源较佳夹角为45°。在该机构下获得的正常样品和黑心样品的灰度平均值相对比值的分类阈值为0.220,得到2种样品的判断正确率分别为98%和96.6%,且黑心样品的相对比值更大,表明使用该机构可以检测黑心马铃薯样品。该研究为马铃薯黑心病检测机构的设计提供了参考。     

基于多源机器视觉信息融合的番茄目标匹配

在番茄自然生长条件下利用计算机双目视觉获取的二维图像其处理必然会涉及到特征匹配不确定问题。该文利用近红外光谱和可见光谱各自有效的生物信息,在双目匹配搜索中,提取多源视觉融合图像的番茄有效形心点,采用极线约束和唯一性约束进行区域相关双向匹配。试验结果表明,基于此匹配方法可以实现果实的唯一匹配,准确率较高。     

基于近红外光谱和机器视觉融合技术的板栗缺陷检测

为提高合格和缺陷板栗分级检测识别精度,提出了近红外光谱和机器视觉的多源信息融合技术的板栗缺陷检测方法。试验以湖北京山板栗为试验对象,利用BP神经网络方法建立了基于近红外光谱、机器视觉和多源信息融合技术的板栗分级检测模型。试验结果表明,3种识别模型对对训练集板栗回判率分别为96.25%、96.67%和97.92%;对测试集板栗的识别率为86.25%、83.75%和90.00%。基于近红外光谱和机器视觉的多源信息融合技术进行板栗分级检测的方法是可行的,融合模型较单独采用机器视觉技术或近红外光谱分析技术建立模型的识别率均有显著提高。     

近红外光谱快速检测马铃薯全粉还原糖

还原糖含量是评价马铃薯全粉品质的重要指标之一,该文研究基于近红外光谱技术结合最小二乘支持向量机（least squares support vector machine,LSSVM）算法的马铃薯全粉还原糖含量非线性数学模型。采用移动窗口偏最小二乘法（moving windows partial least square,MWPLS）和连续投影算法（successive projections algorithm,SPA）组合方法筛选出20个特征变量,作为LSSVM的输入向量。优化径向基函数（radial basis function,RBF）的惩罚因子和核参数,训练LSSVM校正模型。经比较,LSSVM校正模型预测结果最优,预测相关系数为0.984,预测标准差为0.223%,相对分析误差（standard deviation ratio,SDR）为5.62。结果表明：近红外光谱结合LSSVM算法提高了马铃薯全粉还原糖含量的预测精度。     

基于嗅觉可视化和近红外光谱融合技术的海鲈鱼新鲜度评价

为了实现鱼类新鲜度的快速无损检测,该研究尝试利用嗅觉可视化与近红外光谱融合技术对鱼的挥发性盐基氮含量进行预测,从而评价其新鲜度。试验对象选用海鲈鱼,4℃冷藏待测。用主成分分析法对从可视化传感器阵列提取到的特征变量进行降维,用遗传算法结合偏最小二乘法对预处理后的近红外光谱特征变量进行筛选,将降维和筛选后的变量进行特征层融合。用支持向量回归算法分别建立基于嗅觉可视化、近红外光谱和多传感器信息融合技术的挥发性盐基氮含量预测模型。基于嗅觉可视化技术的模型的预测集决定系数R2 p为0.757,均方根误差RMSEP为6.755 mg/100g;基于近红外光谱技术的模型的决定系数R2 p为0.787,均方根误差RMSEP为6.186 mg/100g;而融合模型的决定系数R2 p为0.882,均方根误差RMSEP为4.585 mg/100g,与前两个模型相比,预测更准确。研究结果表明,利用嗅觉可视化和近红外光谱融合技术评价海鲈鱼新鲜度是可行的。     

基于可见/近红外光谱的菠萝水心病无损检测

水心病近年严重危害菠萝产业,探究一种菠萝水心病的无损检测方法对保证上市果品、指导采后处理、促进产业提升具有重要意义。该研究采用自行搭建的菠萝可见/近红外光谱无损智能检测平台,考虑实际应用成本与效果,搭载覆盖不同波段（400～1 100、900～1 700和400～1 700 nm）的检测器对菠萝样本进行采样,随后人工标定水心病发生程度。研究结果表明,3种不同光谱波段对菠萝水心程度检测的较优方法均为：采用全波段进行多项式平滑（Savitzky Golay,SG）处理,再进行标准正态变量校正（Standard Normal Variate,SNV）,最后结合概率神经网络（Probabilistic Neural Network,PNN）建模识别。其中,400～1 100 nm所建模型对菠萝水心病训练集的回判正确率为98.51%,对验证集的检测正确率为91.18%;900～1 700 nm所建模型对菠萝水心病训练集的回判正确率为100%,对验证集的检测正确率为62%;400～ 1 700 nm所建模型对菠萝水心病训练集的回判正确率为100%,对验证集的检测正确率为91.18%。主成分分析（Principal Component Analysis,PCA）和偏最小二乘回归（Partial Least Squares Regression,PLSR）分析结果均显示,采用400～ 1 700 nm能轻微提升400～1 100 nm的检测效果。综合考虑实际应用成本与效果,实际应用建议采用400～1 100 nm光谱结合SG + SNV + PNN对菠萝水心病进行识别。研究结果证明可见/近红外光谱技术可为菠萝水心病无损、快速、智能检测提供有效的解决方案,为相关领域提供参考。     

基于小波变换的番茄总糖近红外无损检测

分别采用小波消噪、常数偏移消除等11种光谱预处理方法,对番茄总糖含量（质量分数）的近红外光谱进行预处理,通过偏最小二乘法定量校正模型预测值比较得出,小波消噪是适合番茄近红外光谱的最佳预处理方法,小波消噪的总糖质量分数近红外光谱优选区域为11 998.9～6 097.8 cm-1和4 601.3～4 246.5 cm-1,在此光谱区内建立的番茄总糖质量分数偏最小二乘法模型预测值与实测值的相关系数为0.930,内部交叉验证均方差为0.466%,校正标准差为0.469%,预测标准差为0.260%。试验结果表明：小波消噪后建立的近红外光谱模型能准确地对番茄总糖含量进行快速无损检测。     

基于光谱技术和多分类器融合的异物蛋检测

为了提高鸡蛋中的血斑和肉斑的检测准确率,给消费者提供高品质的鸡蛋,该文利用微型光纤光谱仪采集鸡蛋的透射光谱,在单分类器的基础上,通过多分类器的融合对异物蛋进行检测。首先根据差异性度量选取朴素贝叶斯,Ada Boost和SVM分类器作为单分类器,然后通过特征级融合选取了5个基分类器。最后,5个基分类器以加权投票机制进行决策级融合。多分类器融合对正常蛋和异物蛋的检测准确率分别为92.86%和91.07%。试验结果表明,利用多分类器融合所建立的模型优于单一分类器的模型,提高了对异物蛋的检测准确率。