计算机视觉技术在核桃壳、仁及分心木识别中的应用研究

[目的]为了研究快速准确识别核桃壳、仁及分心木的方法,[方法]本研究以太谷"清香"核桃为研究对象,搭建计算机视觉系统获取核桃壳、仁及分心木的图像信息,提取各样本的12个颜色特征值(RGB和HSI各分量的均值与方差),以及利用灰度共生矩阵(gray level co-occurrence matrix,GLCM)分别提取各样本能量、熵、惯性矩、相关性、逆差矩4个方向(0°,45°,90°,135°)共20个纹理特征参数。以颜色特征值、纹理特征值、颜色-纹理特征值融合作为输入建立3种最小二乘支持向量机(LS-SVM)模型(Y-LS-SVM、W-LS-SVM、Y-W-LS-SVM),并对各预测集样本进行判别。[结果]结果表明,Y-LS-SVM模型对核桃仁、分心木及核桃壳的判别准确率分别为91.1%、82.4%、96.6%;W-LS-SVM模型对核桃仁、分心木及核桃壳的判别准确率分别为100%、85.3%、84.7%;Y-W-LS-SVM模型对核桃仁、分心木及核桃壳的判别准确率分别为93.3%、97.1%、100%。Y-W-LS-SVM模型的判别效果最好。[结论]本研究表明,基于计算机视觉技术能够很好地对核桃壳、仁及分心木进行识别,为核桃壳、仁及分心木在线分选技术提供理论基础。     

基于高光谱和CARS-IRIV算法的‘库尔勒香梨’可溶性固形物含量检测

[目的]利用高光谱技术实现‘库尔勒香梨’可溶性固形物含量的有效无损检测具有重要意义,但是高光谱数据通常噪声明显,大量无关信息变量和冗余信息变量的存在降低了模型的预测精度。本文旨在探究对高光谱数据特征变量筛选的有效方法来实现‘库尔勒香梨’可溶性固形物含量的快速检测。[方法]以‘库尔勒香梨’可溶性固形物含量(SSC)为研究指标,利用高光谱成像技术采集样本400~1 000 nm波长的漫反射光谱,对样本感兴趣区域(ROI)的光谱进行预处理,分别采用竞争性自适应重加权算法(CARS)、迭代保留信息变量算法(IRIV)以及CARS-IRIV算法筛选特征变量,基于不同筛选方法分别建立偏最小二乘(PLS)与最小二乘支持向量机(LS-SVM)预测模型,以预测集相关系数(Rp)、预测均方根误差(RMSEP)和预测相对分析误差(RPD)值对模型进行评价。[结果]CARS-IRIV算法可以有效减少CARS算法提取的变量个数,并稳定模型预测精度。LS-SVM模型预测结果优于PLS模型,在LS-SVM模型中CARS-IRIV-LS-SVM预测精度最高,Rp、RMSEP和RPD值分别为0.889、0.300和2.823。[结论]CARS-IRIV是一种有效的高光谱特征变量筛选算法,在提高预测精度的同时简化了模型的运算,CARS-IRIV-LS-SVM模型结合高光谱成像技术可以对‘库尔勒香梨’SSC进行快速有效的无损检测。     

结合分数阶微分和异常值识别的土壤有机质高光谱反演研究

【目的 】结合分数阶微分和异常值识别,提高土壤有机质模型反演精度,实现土壤有机质含量的快速、准确估计。【方法 】文章以吉林省伊通县黑土区为研究区,基于实地采集的213个土壤样本和HyMap-C机载高光谱传感器获取高光谱影像,选择S-G函数和分数阶微分进行光谱预处理,竞争性自适应重加权采样（Competitive Adaptive Reweighted Sampling,CARS）提取特征波段建立土壤有机质含量偏最小二乘回归（Partial Least Squares Regression,PLSR）反演模型,并使用蒙特卡洛交叉验证（Monte Carlo Cross-Validation,MCCV）进行异常值识别。【结果 】（1）将分数阶微分用于机载高光谱可以放大光谱特征,阶数越高、特征越明显,低阶分数微分对噪音不敏感;（2） CARS方法能有效压缩光谱信息;全样本建模中0.4阶分数阶微分CARS-PLSR建模表现较优,但总体精度仍然不高;（3）使用MCCV剔除异常值后,0.6阶分数阶微分CARS-PLSR建立的土壤有机质含量反演模型精度最高,训练集和测试集的均方误差分别为0.219%...     

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。     

马铃薯可溶性固形物的近红外光谱快速定量模型及优化

[目的]为了检测马铃薯的饲用品质,用近红外光谱法建立马铃薯可溶性固形物含量(SSC)快速测定模型.[方法]以偏最小二乘法(PLS)建立原始光谱的校正模型为基础,用蒙特卡洛交互验证法剔除异常样本,经比较选择标准正态变量和均值中心化算法进行光谱预处理、光谱-参考值共生距离法划分样本集,然后对所得数据分别以PLS和最小二乘支持向量机(LS-SVM)建立定量校正模型,并用竞争性自适应重加权采样法和风驱动-差分进化混合算法完成相应模型的特征波长和参数优化.[结果]优化的PLS模型和LS-SVM模型波长变量分别减至全光谱的8.67％、67.80％,二者的Rc 2、Rp 2、RMSEC、RMSEP、RPD分别为0.9708、0.9542、0.2586、0.2628、5.91和0.9873、0.9830、0.1705、0.1734、8.96,LS-SVM模型的各项性能指标全面优于PLS模型.[结论]2种定量模型均可用于马铃薯SSC的实际检测工作.     

基于可见近红外光谱的不同建模方法对河套蜜瓜糖度检测精度的影响

以126个金红宝河套蜜瓜为研究对象,采用Maya 2000 pro便携式光谱仪获取蜜瓜在400～1 100 nm波段内的可见近红外光谱信息,研究传统建模方法[偏最小二乘法(PLS)、主成分回归(PCR)、逐步多元线性回归(SMLR)]和新型网络算法[误差反传人工神经网络(BP-ANN)、最小二乘支持向量机(LS-SVM)]对糖度模型精度和预测结果的影响。结果表明,在利用传统建模方法建立的蜜瓜糖度模型中,PLS算法所建模型的效果较佳,模型更稳定,尤其在光谱经多元散射校正(MSC)和一阶微分处理后,所建模型的相关系数为0.844,校正均方根偏差为0.844,预测均方根偏差为0.978;在采用新型网络算法建立的模型中,当选择LS-SVM算法,且参数c=0.500 0,g=0.353 55时,经MSC和一阶微分处理后的光谱和糖度的建模和预测结果最好,均方根偏差为0.97。研究结果可为检测河套蜜瓜糖度的可见近红外光谱建模方法的选择提供理论依据。     

基于高光谱技术的褐土土壤总氮含量的预测

[目的]对土壤营养元素进行准确测量是实施精细农业的基础。[方法]本文以169份山西典型褐土土壤为研究对象,采用高光谱成像技术获取近红外高光谱图像,并提取平均光谱曲线(A)、标准差曲线(S)和方差曲线(V)等统计参数。分别采用以平均光谱曲线(A)、平均光谱曲线的一阶导数(F)、A与F的乘积(A*F)、A与F的商(A/F)为基础的20种光谱预处理方法,结合偏最小二乘(PLS)方法建模,并对验证集进行验证。[结果]结果表明:平均光谱曲线随总氮含量先增加后减小,一阶导数曲线随总氮含量的增加而单调增加。使用一阶导数进行建模,可能能够获得更好的预测效果。建模效果最好的预处理方法为F与S的乘积(F*S),其次为A与F与S的乘积(A*F*S)。这两种预处理方法建立的PLS模型的RPDp在2.0以上,Rp2在0.8以上,可以对褐土土壤的总氮含量进行有效预测。[结论]本文研究结果可为近红外高光谱成像技术应用于褐土土壤其它营养成份的快速预测提供参考。     

基于分数阶微分的橡胶树割胶期氮素含量定量检测

[目的]检测橡胶树割胶期叶片的实际氮素含量,建立橡胶树叶片光谱诊断模型,为实现橡胶树叶片氮素含量的快速无损检测提供参考依据.[方法]使用FieldSpec 3光谱仪采集割胶期橡胶树叶片的光谱反射率,分别以其原始光谱(R)、倒数光谱(1/R)、对数光谱(logR)和对数倒数光谱(1/logR)作为光谱信息,采用分数阶微分进行处理,获得不同分数阶阶次下的光谱数据,并通过竞争性自适应重加权算法(CARS)选择变量及偏最小二乘回归法(PLSR)建立橡胶树氮素光谱诊断模型.[结果]采用分数阶对橡胶树叶片R、1/R、logR和1/logR建立模型的最优均方根误差(RMSE)分别为0.1376、0.1175、0.1263和0.1505,且使用1/R数据建立的0.6阶模型表现最优,相关系数为0.9273,RMSE为0.1175,决定系数为0.8551.与整数阶算法相比,分数阶模型具有更强的预测能力,表明分数阶能充分挖掘光谱信息的有效信息,有效提高橡胶叶片氮含量光谱诊断模型的预测精度,实现橡胶树叶片氮素含量快速无损检测.[结论]应用近红外光谱技术并结合分数阶微分算法可快速无损检测橡胶树叶片氮素含量,为生产上橡胶树的精准可变量施肥提供技术支持.     

基于LS-SVM的烤烟烟叶产地判别

为了探索一种快速有效的烤烟烟叶产地鉴别方法,利用近红外光谱技术结合最小二乘支持向量机(LS-SVM)对烤烟烟叶的产地进行了判别。选择云南、湖北、河南三地不同等级烤烟烟叶作为研究对象,对原始光谱数据进行平滑和附加散射校正(MSC)预处理后再进行主成分分析,选择4～12个主成分作为输入变量进行LS-SVM建模。结果显示,该LS-SVM模型预测效果较好,预测相关系数rp≥0.990 7,预测标准误差(SEP)和预测均方根误差(RMSEP)分别为1.755 1和1.737 3,优于偏最小二乘回归(PLS)的预测结果,基于LS-SVM的近红外光谱技术能够很好地对烟叶产地进行判别。     

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.     

近红外光谱技术检测灵武长枣果肉硬度和贮藏时间

利用近红外光谱(400～1 000 nm)系统采集140个灵武长枣样本的光谱信息,采用不同方法预处理原始光谱数据,优选出最佳预处理方法。分别建立竞争性自适应加权算法(CARS)和连续投影算法(SPA)提取特征变量的果肉硬度偏最小二乘回归(PLSR)预测模型,并利用原始光谱建立灵武长枣贮藏时间的偏最小二乘判别(PLS-DA)模型。结果表明,去趋势法(Detrend)为最优预处理方法;建立的Detrend-CARS-PLSR模型效果较好,果肉平均硬度校正集和预测集模型相关系数均为0. 868;果肉最大硬度校正集和预测集模型相关系数分别为0. 914、0. 849。建立的贮藏时间PLS-DA判别模型的校正集判别准确率为98%,预测集判别准确率为99%。说明,采用近红外光谱技术对灵武长枣贮藏过程中长枣果肉硬度和贮藏时间的快速预测具有可行性。     

基于高光谱和卷积神经网络的鲜枣黑斑病检测

[目的]为实现鲜枣黑斑特征的识别,提高鲜枣附加价值,采用高光谱成像技术采集了不同年份完好和黑斑鲜枣的信息。[方法]基于全波段光谱,采用偏最小二乘判别分析(Partial Least Squares-Discriminant Analysis,PLS-DA)和误差反向传播神经网络(Back Propagation Neural Networks,BP-NN)建立单一年份和联合年份的判别模型。采用连续投影算法(Successive Projections Algorithm,SPA)提取联合年份的特征波长;利用主成分分析进行单波段图像的数据压缩,针对主成分图像采用BP-NN和卷积神经网络(Convolutional Neural Networks,CNN)进行黑斑鲜枣识别。[结果]联合年份所建PLS-DA、BP-NN模型的整体判别正确率均达到了99.2%,比单一年份所建校正模型的整体判别准确率高,但单一年份所建模型中BP-NN比PLS-DA的判别精度高;采用SPA提取联合年份的特征波长后所建BP-NN判别模型的正确率为100%;基于主成分图像所建BP-NN和CNN模型的判别正确率分别为78.3%和90.0%。[结论]收获年份是影响校正模型稳定性的一个重要因素,联合年份所建校正模型比单一年份所建校正模型具有更好的预测能力;同时CNN可成功应用于基于高光谱技术的鲜枣黑斑特征识别中,也为其它农产品品质检测提供了新方法。     

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。     

基于光谱微分滤波及多元校正的马铃薯干物质含量快速检测

针对生产实际中缺乏快速的品质检测手段影响马铃薯产业发展的问题,开展基于漫反射光谱的马铃薯干物质含量检测研究。采用一、二阶微分及Norris微分滤波对光谱数据进行预处理,以消除干扰信息的影响。分析了主成分回归(PCR)和偏最小二乘(PLS)两种多元校正法在建立校正模型中的特点,分别建立了干物质含量校正模型,通过外部验证确定适合的建模方法。131个样品的检测研究结果表明,一阶微分光谱Norris滤波(分段长度为17点,分段间距为4点)处理后,采用PLS法的建模与预测效果最好,模型相关系数r为0.898,均方根校正误差(RMSEC)为1.72%,均方根预测误差(RMSEP)为2.34%,明显优于采用原始光谱、一阶微分光谱、二阶微分光谱及二阶微分Norris滤波光谱的建模与预测结果。     

利用高光谱成像技术预测牛肉pH值及其空间分布

利用可见/近红外高光谱(400～1 000 nm)成像技术对黄牛肉pH值进行预测。对229个黄牛肉样本的原始光谱信息利用Kennard-Stone(KS)算法进行样本集划分及光谱预处理,分别采用竞争性自适应加权算法(competitive adaptive reweighed sampling, CARS)、无信息消除变量法(uninformative variable elimination, UVE)、β权重系数法及变量组合集群分析法(variable combination population analysis, VCPA)对特征波长进行提取,最后结合偏最小二乘回归(partial least squares regression, PLSR)、多元线性回归(multiple linearity Regression, MLR)和主成分回归(principal component regression, PCR)方法对全波段及特征波段进行建模分析,进而优选出最佳模型。结果表明,利用KS算法划分后的样本集,结合最大归一化法预处理后的光谱数据所建立的预测模型的R_C~2和R_P~2分别为0.842 3和0.783 7,效果较好;利用CARS、UVE、β权重系数法和VCPA分别选出19、16、14和11个特征波长;基于CARS提取特征波长建立的PLSR模型效果最优,其决定系数R_C~2和R_P~2分别为0.845 3和0.740 6,均方根误差为0.069 0。利用CARS-PLSR模型计算牛肉样本中像素点的pH值,并通过选取742 nm处的伪色彩图像直观表示牛肉样本的pH值的空间分布情况。     

基于近红外光谱与随机青蛙算法的褐变板栗识别

为了实现板栗Castanea mollissima的快速自动分选,研究了基于近红外光谱技术的褐变板栗无损检测方法。首先采用Antaris Ⅱ傅里叶变换近红外光谱仪获取70个正常板栗和110个褐变板栗的近红外光谱（1 000.00～2 500.00 nm）,比较了不同光谱预处理方法对褐变板栗识别的影响,随后采用一种新的变量选择方法即随机青蛙算法（random frog）提取与板栗褐变相关的特征波长变量,最后基于特征波长建立和比较了褐变板栗识别的偏最小二乘?鄄线性判别分析模型（PLS-LDA）和最小二乘-支持向量机（LS-SVM）模型。结果显示:经标准正态变量变换（SNV）预处理和随机青蛙算法优选的23个特征波长所建LS-SVM模型的性能最优,该模型对测试集的敏感性、特异性和识别正确率分别为0.92,1.00和95.00%。随机青蛙算法可以有效筛选重要的特征变量,不仅能简化模型,而且可以提高识别准确率和识别速度。图4表3参22     

基于高光谱遥感数据的水稻叶温反演

[目的]研究水稻叶温与冠层反射光谱间的关系,为水稻叶温的模拟与监测提供理论依据.[方法]利用FieldSpec Pro FR光谱仪和Raynger ST红外温度探测仪测量水稻抽穗期冠层的反射光谱和叶片温度,分析原始反射光谱、一阶微分光谱、归一化植被指数(NDVI)、比值植被指数(DVI)、再归一化差值植被指数(RDVI)和转换型土壤调整指数(TSAVI)与叶温的关系.[结果]叶温的变化直接影响水稻冠层光谱的反射率,影响水稻红边特征.一阶微分光谱与叶温存在极显著相关性(P<0.01,下同),990 nm处相关系数(0.889)最高,885 nm处相关系数(-0.893)最低.选取叶温敏感波段光谱组合计算植被指数,发现RDVI和TSAVI与叶温的关系呈极显著相关,相关系数分别为0.724和0.733.由RDVI和TSAVI建立经验模型,结果显示由TSAVI建立的叶温估算模型效果更好,其验证样本的决定系数为0.610,相对误差为1.97%,均方根误差为2.546.[建议]综合考虑多种预处理方法,最大程度还原光谱信息;优化特征波长的提取,提高建立模型的精度;基于高光谱技术,实现冠层叶温的无损监测.     

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。     

基于近红外光谱的南疆温185核桃水分无损检测的研究

[目的]利用近红外光谱技术建立预测南疆核桃水分的检测模型。[方法]通过对南疆温185核桃进行近红外光谱水分无损检测,并用标准烘干法对所建立的检测模型进行验证,形成测定核桃水分的快速检测模型。[结果]试验表明,对采集的光谱数据进行SNV预处理,并采用偏最小二乘回归分析法(PLS)建立模型,得到了较小的SEC值和较高的RC值。其SNV预测的值用标准烘干法得出的平均偏差为0.35%,完全满足对南疆温185核桃进行水分无损检测的要求,可以应用到实际的核桃水分预测当中。[结论]研究可为核桃水分的快速无损检测提供参考依据,同时将此项无损检测技术应用到果农的生产实际当中,可提高果农的收益。     

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。