基于高光谱图像的黄瓜种子活力无损检测

为实现对黄瓜种子的快速、无损检测,以人工老化0 h、36 h、72 h的3个不同活力梯度的黄瓜种子为研究对象,利用波长400～1 000 nm的可见光光谱对黄瓜种子活力进行检测。对比了多元散射校正(MSC)、标准正态变换(SNV)、卷积平滑(S-G)3种预处理方法,结果显示SNV预处理的效果最优。从特征提取和特性选择2个角度进行降维分析。分别使用主成分分析法和连续投影算法,对比各个主成分数的正确分类率,选取最佳的主成分数。通过连续投影算法(SPA)选择9、12、13个特征波长,通过对比分类正确率,选出最佳波长数为12个。最后将提取出的最佳主成分和选择的最佳特征波长作为支持向量机的输入,分别选择线性核函数和径向基核函数,结合网格搜索方法,确定模型的惩罚因子c和径向基核函数中的参数gamma,建立判别分析模型。所有模型分类正确率均达到97.3%以上,其中SPA-SVM(基于RBF核函数)效果最佳,分类正确率达到98.6%。可见,利用高光谱图像技术结合SPA-SVM能有效地鉴别黄瓜种子的活力。     

基于高光谱的水稻叶片氮素营养诊断研究

为快速、准确地实现水稻氮素营养诊断,以中嘉早17水稻为试验对象,设置4种施氮水平的水稻栽培试验,利用便携式地物波谱仪获取240组水稻分蘖期顶三叶在350~2 500 nm的光谱数据。随机将样本划分为训练集(160个样本)和测试集(80个样本)。首先,通过多元散射校正(MSC)、变量标准化校正(SNV)、平滑算法(SG)3种方法分别对原始光谱进行预处理;然后,采用主成分分析(PCA)和连续投影算法(SPA)对预处理后的光谱进行特征降维,选取累积贡献率超过99.98%的前24个主成分作为模型的输入变量,对于经过MSC、SNV和SG处理后的光谱数据,还分别筛选出12、15、19个特征波长;最后,应用支持向量机(SVM)基于上述处理分别建立水稻氮素营养诊断模型。结果表明,采用MSC-PCA-SVM模型进行水稻氮素营养诊断的识别准确率最高,其在训练集和预测集上的准确率分别达99.38%和97.50%。     

基于高光谱图像的水稻种子活力检测技术研究

随着种子活力逐渐受到人们的重视,快速且不破坏种子的活力检测方法逐渐成为研究的热点。试验以不同老化程度的水稻种子为材料,采用高光谱成像技术结合PCA-SVM方法,研究比较了不同活力水平的水稻种子的活力差异。采集两个水稻品种在400~1000 nm范围的高光谱图像数据,通过主成分分析法(PCA)获得主成分图像,确定特征波段;应用支持向量机(SVM)建立水稻种子活力鉴别模型。结果表明,预测的判别率可达100%,说明高光谱成像技术为快速准确无损测定种子活力提供了一条新的途径。     

基于高光谱成像技术的生菜叶片水分检测研究

[目的]探索利用高光谱图像技术检测作物含水率的方法。[方法]以意大利全年耐抽苔生菜为试材,利用高光谱成像系统采集生菜叶片的高光谱图像,用ENVI V.4和Matlab V.7.0软件对高光谱图像进行处理。[结果]采用自适应波段选择法从所采集的生菜叶片高光谱图像数据中优选出特征波长1 420 nm;对每个样本特征波长下的图像进行分割,反转以及形态运算等操作得到目标图像;从每个目标图像中提取灰度均值、灰度标准差作为灰度特征,能量、熵、惯性矩、相关性的均值和标准差作为纹理特征;采用GA-PLS法选出最优特征子集,并建立基于最优特征的偏最小二乘回归模型,以检测生菜叶片的含水率。[结论]模型的预测值与实测值的相关系数R为0.902,精度明显高于基于灰度特征或纹理特征的预测模型。     

基于NIR高光谱成像技术的番茄叶片叶绿素含量检测

利用近红外高光谱成像技术对番茄叶片叶绿素含量的无损检测进行初步探讨。通过高光谱成像系统(900～1 700 nm)采集了192个番茄叶片图像,基于偏最小二乘回归模型(PLSR)对光谱进行样本集划分,对原始光谱与Kubelka-Munk函数曲线及多种光谱预处理的偏最小二乘回归模型进行对比分析,优选出多元散射校正(MSC)为预处理方法。采用5种方法提取特征波长,并根据特征波长建立偏最小二乘回归、多元线性回归(MLR)、主成分回归(PCR)3种模型的叶片叶绿素含量预测模型。结果表明,建立无信息变量消除法(UVE)挑选特征波长的偏最小二乘回归模型最优,其预测集的相关系数(R_P)为0.8495,均方根误差(RMSEP)为4.3375。因此,利用近红外高光谱成像技术提取特征波长进行叶绿素含量检测是可行的,同时也为今后番茄品质在线检测提供了理论依据。     

基于高光谱成像技术的玉米弯孢叶斑病的早期检测

为实现玉米叶片表面未见明显病症的病害早期检测,提出一种基于高光谱成像技术的玉米弯孢叶斑病早期检测方法。以玉米叶片为研究对象,采用人工接种病菌使玉米感染弯孢叶斑病,在接种后1,2,3,4,5d,每天采集接种病菌叶片30片,正常未接种叶片10片,利用高光谱成像系统获取接种病菌叶片和正常未接种叶片在400～1000nm高光谱图像数据,经过分析接种病菌叶片和正常未接种叶片的原始光谱、原始光谱的一阶导数光谱、平均光谱绝对差值,确定玉米弯孢叶斑病早期检测的特征波段选取区。然后通过显著性检验和相关性分析,将置信区间设为95%,在特征波段选取区确定458.9,481.1,500.8,515.7,525.7, 531.9,534.4,550.7,578.3,604.9,625.2,646.8,677.5,735.3,754.7nm,为玉米弯孢叶斑病早期检测的特征波段。最后,基于选定的特征波段构建玉米弯孢叶斑病支持向量机检测模型。结果表明:利用选取的特征波段作为支持向量机的输入矢量,建立的玉米弯孢叶斑病早期检测模型,通过支持向量机选择的线性核函数、多项式核函数、径向基核函数3种不同的核函数,在接种后的第1...     

基于高光谱技术的细菌生物被膜分类检测

针对现有生物被膜检测方法耗时、费力、低效的问题,以大肠杆菌、金黄色葡萄球菌、沙门氏菌为例,研究荧光高光谱技术对不同细菌生物被膜进行种类识别和成膜能力评价的可行性。采集细菌生物被膜样本荧光高光谱图像,并基于5种方法预处理后的光谱数据建立支持向量机分类（support vector classification machine,SVC）和偏最小二乘判别分析（partial least squares discriminant analysis model,PLS-DA）细菌被膜分类检测模型。利用连续投影算法（successive projections algorithm,SPA）、竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）分别提取特征波长并建立相应简化模型。结果显示：细菌生物被膜种类识别全波长和特征波长模型中SVC性能均优于PLS-DA,最优模型为None-SPA-SVC,校正集和预测集分类准确率均为96.67%。在细菌生物被膜成膜能力的全波长模型分类判别中,SVC算法整体上分类准确率优于PLS-DA;对于简化模型...     

基于高光谱成像的枇杷果实品质检测

采用高光谱成像技术(HSI)在可见/近红外(363～1 026 nm)区域检测枇杷果实的可溶性固形物(SSC)和硬度,并判断其成熟度,以实现枇杷果实品质的无损检测和分级分选.利用蒙特卡洛法(MC)剔除异常样本,基于联合X-Y距离(SPXY)进行建模集和预测集样本的划分,再采用竞争性自适应权重采样算法(CARS)和连续投影算法(SPA)选取特征波长,与全波段光谱(FS)比较,分别建立偏最小二乘回归(PLSR)模型.结果显示,CARS-PLSR模型更优,CARS提取的SSC特征波长和硬度特征波长分别占总波长的8.52%和5.36%,枇杷果实中SSC和硬度的建模集相关系数R_c分别为0.981 7,0.970 7,预测集相关系数R_p分别为0.918 5,0.742 3,说明CARS能有效地对光谱进行降维,简化了数据处理过程.枇杷果实SSC和硬度的变化与果实成熟度显著相关,建立判别偏最小二乘法(DPLS)成熟度预测模型,预测集总识别准确率为89.29%.由此说明,高光谱成像技术可对枇杷品质进行有效检测,为枇杷果实的无损检测和分级分选提供了理论依据.     

基于高光谱成像技术的油菜SPAD值空间分布预测及最佳测量叶位

采集不同氮素处理水平下的油菜植株不同叶位和叶片部位的高光谱数据、SPAD值和叶绿素含量实测值,在筛选原始高光谱数据预处理方法的基础上,比较基于偏最小二乘(partial least squares,PLS)模型和最小二乘-支持向量机(least squares support vector machine,LS-SVM)的SPAD预测模型。结果表明,基于标准正态变量校正(standard normal variate,SNV)预处理方法的LS-SVM模型(SNV-LS-SVM)为最佳高光谱-SPAD预测模型,可准确预测油菜叶片SPAD值空间分布和可视化结果。基于SPAD空间分布结果提取不同叶位和叶片部位的SPAD值,将其与对应植株和叶片位置的实测叶绿素含量进行相关性分析,结果显示,油菜SPAD值最佳测量叶位为顶四叶的顶部。     

基于高光谱成像技术的冷鲜羊肉嫩度检测方法研究

传统羊肉品质检测方法效率低、破坏样品,为实现冷鲜羊肉嫩度快速无损检测,以内蒙古锡林郭勒羊肉为研究对象,采用多元散射校正法对光谱进行校正,利用主成分分析法获得620.23、761.48、819.48 nm波长下的特征图像,并提取其纹理特征和颜色特征,分别建立羊肉嫩度的BP神经网络和支持向量机预测模型。结果显示,BP神经网络模型预测效果优于支持向量机模型预测效果,BP神经网络模型对预测集的决定系数（R2）和预测均方根误差（RMSEP）分别为0.85和1.86;支持向量机模型分别为0.77和2.37。研究表明,利用高光谱和图像信息特征层融合方法对冷鲜羊肉嫩度进行预测具有可行性。     

近红外高光谱成像技术检测成熟期酿酒葡萄果皮的花色苷含量

【目的】运用高光谱成像技术检测成熟期酿酒葡萄果皮的花色苷含量。【方法】利用900~1 700 nm近红外高光谱成像和多元回归模型对多品种酿酒葡萄成熟期不同阶段果皮花色苷含量进行预测建模。采集成熟期4~5个阶段的6个品种共75组酿酒葡萄样本的高光谱图像,运用不同预处理方法对光谱数据进行处理。基于主成分分析(PCA)和连续投影法(SPA)降维,将化学方法测量结果作为花色苷含量的参考值,采用支持向量回归(SVR)建立花色苷含量预测模型。【结果】SPA-SVR模型性能优于其他模型,其预测决定系数(R_p~2)为0.869 1,均方根误差(RMSEp)为0.135 9。【结论】将近红外高光谱成像技术应用于多品种成熟期酿酒葡萄果皮的花色苷含量的快速无损检测具有良好的可行性。     

基于高光谱成像技术识别水稻纹枯病

【目的】利用高光谱成像技术对水稻纹枯病进行早期的快速无损识别,结合判别分析方法建立相应的鉴别模型。【方法】以健康和感染纹枯病的水稻幼苗为研究对象,采集叶片和冠层各180个样本的380~1 030 nm波段的360条高光谱图像,剔除明显噪声部分后,以440~943 nm波段作为水稻样本的光谱范围,分别用不同的方法预处理获得水稻叶片的光谱曲线。采用偏最小二乘–判别分析(PLS-DA)对不同预处理的光谱建模。采用MNF算法对冠层的原始光谱数据进行特征信息提取,并基于特征信息建立线性判别分析(LDA)模型和误差反向传播神经网络(BPNN)判别模型。【结果】标准正态变量变换(SNV)预处理后建立的PLS-DA模型的预测集判别正确率最高,为92.1%。基于特征信息的LAD和BPNN模型的判别结果优于基于全波段的PLS-DA判别模型。基于最小噪声分离变换特征信息提取的BPNN模型取得了最优效果,建模集和预测集正确率分别达99.1%和98.4%。【结论】采用高光谱成像技术对水稻纹枯病生理特征进行无损鉴别是可行的,本研究为水稻纹枯病的识别提供了一种新方法。     

基于高光谱成像技术和力学参数对贡梨冲击损伤的定量研究

为实现准确评估和预测贡梨的冲击损伤，采用波长为397.5~1 014.0 nm的高光谱成像技术与力学参数相结合对贡梨的冲击损伤进行定量研究。利用基于单摆原理的碰撞装置以及智能数据采集系统获得峰值力、平均接触力、损伤面积和平均压强等力学参数，并对力学参数进行统计分析。利用高光谱成像系统获得损伤贡梨的光谱数据。使用Gap-segment求导、SG求导和基线校准(Baseline)3种光谱预处理方法对原始光谱进行预处理，将光谱数据与力学参数相结合分别建立偏最小二乘回归(Partial least squares regression，PLSR)和主成分回归(Principal component regression，PCR)模型。基于基线校准(Baseline)预处理方法，采用竞争性自适应重加权(Competitive adaptive reweighting sampling，CARS)和无信息变量消除(Uninformative variable elimination，UVE)2种算法进行特征波长的选取，将选取的特征波长作为输入变量并结合力学参数建立PLSR模型。力学参数统计分析和建模的结果表明:1)力学参数在一定程度上可以表征贡梨冲击损伤程度。力学参数的平均值随损伤程度的增加而增大，峰值力平均值从138.40 N增大至335.86 N；平均接触力平均值从77.13 N增大至188.20 N；损伤面积平均值从208.07 mm²增大至544.42 mm²；平均压强平均值从0.34 MPa增大至0.42 MPa。2)Baseline-CARS-PLSR模型对力学参数的预测效果最优，其峰值力、平均接触力、损伤面积和平均压强的预测集相关系数(R_P)和预测集均方根误差(RMSEP)分别为0.892和31.527 N、0.883和18.861 N、0.895和54.411 mm²、0.661和0.045 MPa。通过高光谱成像技术与力学参数相结合对贡梨冲击损伤进行定量预测具有一定的可行性，可为贡梨的品质分选及包装方面提供理论支持。     

Detection of common defects on oranges using hyperspectral reflectance imaging

To detect various common defects on oranges, a hyperspectral imaging system has been built for acquiring reflectance images from orange samples in the spectral region between 400 and 1000 nm. Oranges with insect damage, wind scarring, thrips scarring, scale infestation, canker spot, copper burn, phytotoxicity, heterochromatic stripe, and normal surface were studied. Hyperspectral images of samples were evaluated using principal component analysis (PCA) with the goal of selecting several wavelengths that could potentially be used in an in-line multispectral imaging system. The third principal component images using six wavelengths (630, 691, 769, 786, 810 and 875 nm) in the visible spectral (VIS) and near-infrared (NIR) regions, or the second principal component images using two wavelengths (691 and 769 nm) in VIS region gave better identification results under investigation. However, the stem-ends were easily confused with defective areas. In order to solve this problem, representative regions of interest (ROIs) reflectance spectra of samples with different types of skin conditions were visually analyzed. The researches revealed that a two-band ratio (R875/R691) image could be used to differentiate stem-ends from defects effectively. Finally, the detection algorithm of defects was developed based on PCA and band ratio coupled with a simple thresholding method. For the investigated independent test samples, accuracies of 91.5% and 93.7% with no false positives were achieved for both sets of selected wavelengths using proposed method, respectively. The disadvantage of this algorithm is that it could not discriminate between different types of defects.     

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。     

采后葡萄可溶性固形物含量的高光谱成像检测研究

提出一种应用高光谱成像技术检测葡萄可溶性固形物含量的方法。使用高光谱成像系统采集葡萄漫反射光谱,在500~1 000 nm光谱,采用多元散射校正(MSC)、标准正态变换(SNV)进行光程校正,结合一阶微分(1-Der)、二阶微分(2-Der)、Savitzky-Golay(S-G)平滑方法及其组合对原始光谱进行预处理,建立可溶性固形物含量的偏最小二乘法(PLS)和逐步多元线性回归(SMLR)模型。结果表明:采用PLS和SMLR建模方法均取得较好的预测效果。采用经过MSC、1-Der和S-G平滑相结合预处理后的光谱建立PLS预测模型,校正集的相关系数Rc为0.979 1,RMSEC为0.265,预测集的相关系数Rp为0.962 0,RMSEP为0.372;采用原始光谱、1-Der和SG平滑相结合预处理后的光谱建立SMLR预测模型,校正集的相关系数Rc为0.967 8,RMSEC为0.327,预测集的相关系数Rp为0.947 2,RMSEP为0.394。以上表明,基于高光谱成像技术可以实现采后葡萄可溶性固形物含量的准确无损检测。     

Early detection of Fusarium infection in wheat using hyper-spectral imaging

Infections of wheat, rye, oat and barley by Fusarium ssp. are serious problems worldwide due to the mycotoxins, potentially produced by the fungi. In 2005, limit values were issued by the EU commission to avoid health risks by mycotoxins, both for humans and animals. This increased the need to develop tools for early detection of infections. Occurrence of Fusarium-caused head blight disease can be detected by spectral analysis (400-1000 nm) before harvest. With this information, farmers could recognize Fusarium contaminations. They could, therefore, harvest the grains separately and supply it to other utilizations, if applicable. In the present study, wheat plants were analyzed using a hyper-spectral imaging system under laboratory conditions. Principal component analysis (PCA) was applied to differentiate spectra of diseased and healthy ear tissues in the wavelength ranges of 500-533 nm, 560-675 nm, 682-733 nm and 927-931 nm, respectively. Head blight could be successfully recognized during the development stages (BBCH-stages) 71-85. However, the best time for disease determination was at the beginning of medium milk stage (BBCH 75). Just after start of flowering (BBCH 65) and, again, in the fully ripe stage (BBCH 89), distinction by spectral analysis is impossible. With the imaging analysis method ‘Spectral Angle Mapper’ (SAM) the degree of disease was correctly classified (87%) considering an error of visual rating of 10%. However, SAM is time-consuming. It involves both the analysis of all spectral bands and the setup of reference spectra for classification. The application of specific spectral sub-ranges is a very promising alternative. The derived head blight index (HBI), which uses spectral differences in the ranges of 665-675 nm and 550-560 nm, can be a suitable outdoor classification method for the recognition of head blight. In these experiments, mean hit rates were 67% during the whole study period (BBCH 65-89). However, if only the optimal classification time is considered, the accuracy of detection can be largely increased.     

基于声波信号的HHT和Multi-PCA无损检测鸡蛋蛋壳裂纹

采用自行搭建的声波信号响应装置对实验中裂纹鸡蛋样本的蛋壳裂纹随机分布进行无损检测。利用端点检测等方法对声波信号(采集点在鸡蛋赤道部位)进行预处理,然后采用Hilbert Huang变换(HilbertHuang transform,HHT)和多重主成分分析(Multi-PCA)对预处理之后的声波信号进行分析,分别提取声波信号在时域和频域上的主要特征参数,用于鸡蛋蛋壳裂纹的分类检测。结果表明,当鸡蛋蛋壳裂纹大小和位置均随机分布时,由HHT和Multi-PCA提取的特征参量经由支持向量机(support vector machine,SVM)模型和人工神经网络(artificial neural network,ANN)模型均可达到较高识别率。在SVM模型中,采用径向基核函数的效果最好,检测精度高达90%;在ANN模型中,整体回归系数可达0.924 76,检测精度为86.70%。