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。     

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.     

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。     

利用机器视觉与近红外光谱技术的皮蛋无损检测与分级

为了对优质蛋、次品蛋和劣质蛋这3种皮蛋进行检测及分级,该文应用机器视觉结合近红外光谱技术,研究利用皮蛋凝胶品质无损检测的分级方法。首先采集皮蛋透射光图像,提取18个图像颜色特征值,然后将所提取的18维特征利用主成分分析(principal component analysis,PCA)进行降维,对PCA降维后的3个主成分建立遗传算法优化支持向量机(genetic algorithm-support vector machine,GA-SVM)分级模型,把皮蛋样本分为两大类:可食用蛋(优质蛋与次品蛋)与不可食用蛋(劣质蛋),劣质蛋测试集识别率为100%。然后在机器视觉分类结果的基础上,利用近红外光谱技术获取可食用蛋(优质蛋与次品蛋)的原始光谱,并进行多元散射矫正(multiplicative scatter correction,MSC),利用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)降维提取特征波长,基于支持向量机(support vector machine,SVM)对特征波长变量建立分级模型,区分出优质蛋与次品蛋,优质蛋测试集识别率为96.49%,次品蛋识别率为94.12%。研究结果表明:基于机器视觉和近红外光谱进行皮蛋凝胶品质无损检测分级是可行的。     

紫色土和黄壤含水率的室内光谱反演

[目的] 选择西南地区代表性土类紫色土和地带性黄壤,分析其光谱信息,构建土壤水分反演模型,估测土壤含水率,为西南地区土壤水分快速监测提供方法依据。[方法] 通过室内配置紫色土和黄壤不同土壤含水率水平,运用地物光谱仪测量其光谱反射率,比较不同含水率条件下两类土壤的高光谱特征;采用多种数学变换和相关分析法提取特征波段,运用多元逐步回归（SMLR）和BP神经网络（BPNN）分别构建土壤含水率的高光谱估测模型。[结果] ①随土壤含水率的增加,紫色土和黄壤的光谱反射率均逐渐降低;在相同含水率条件下,紫色土的光谱反射率低于黄壤。②土壤含水率对可见光波段（380～760 nm）反射率的影响显著低于红外波段（760～2 500 nm）;均在1 400,1 900,2 200 nm附近存在明显水分吸收谷。③经数学变换的紫色土和黄壤光谱反射率均与土壤含水率存在极强的相关性。④基于BPNN建立的土壤水分反演模型整体优于SMLR模型。[结论] BPNN模型为西南地区紫色土和黄壤土壤含水率光谱反演的最优模型,能够快速准确估测紫色土和黄壤土壤水分状况。     

近红外反射土壤含水率测量仪设计

水资源是制约中国农业生产最重要的因素之一,土壤含水率的检测对农业生产实践具有至关重要的指导意义。该文根据土壤水分对不同光谱的吸收和反射特性,以发光二极管作为测量仪器光源,中心波长为1 940 nm的光为测量光,1 800 nm为参考光设计了专用的测量电路和相应的软件程序来测量土壤含水率。系统光源发出的光照射到土壤表面,经反射后光电转换器,再送至放大电路、模数转换器、显示和存储。试验表明:土壤含水率与相对吸收深度之间存在正比例关系,线性回归的确定系数为0.86。为了证明测量仪器的测量进度,将实际土壤含水率与仪器的测量结果进行比较修正,结果表明:烘干法与本仪器测量的土壤含水率的结果的均方根误差均为3.9%。因此,本次设计的测量仪器可满足对土壤含水率的测量要求,研究结果在指导农业生产,水资源合理利用,精细灌溉的实时监测中具有良好的应用前景。     

基于傅里叶变换近红外光谱的籽棉含水率无损检测

为了实现对籽棉含水率的快速、无损检测,该研究采用傅里叶变换近红外光谱技术建立籽棉含水率定量检测模型。首先探究了籽棉样本密度对于光谱曲线的影响,该研究发现样本密度大小对光谱曲线影响显著,密度越小光谱信号越强,当样品密度不低于0.088 6 g/cm³时,光谱曲线变化趋于平稳。通过采集籽棉样本在3 900～11 000 cm^-1波数范围的吸光度光谱数据,并应用了9种预处理方法对原始光谱数据进行处理。发现一阶导数结合消除趋势(first derivative-detrending,FD-DT)预处理方法在偏最小二乘回归(partial least squares regression,PLSR)模型建立时表现最佳。使用了竞争自适应重复加权法(competitive adaptive reweighted sampling,CARS)、信息增益法(information gain,IG)、连续投影法(successive projections algorithm,SPA)和相关系数(correlation coefficient,CC)等算法,来获...     

鲜食玉米果穗含水率近红外光谱无损检测影响因素

为了获取鲜食玉米果穗高质量近红外光谱,该研究基于近红外漫反射光谱技术开展试验参数对鲜食玉米果穗光谱特征影响及建模验证探究。根据果穗棒状特征,搭建多维度综合试验装置,采集光源类型、光强大小、探测距离和光源角度共4类不同参数下的900～1700 nm光谱数据,进行卤素灯杯与光纤光源、卤素灯杯功率20与40 W、探测距离10 ～50 mm和30°、45°及60°卤素灯杯夹角的对比试验,分析光谱差异及曲线分布规律,采用标准差和光谱面积极差指标进行光谱质量评价。进一步开展建模验证试验,针对30°和45°卤素灯杯夹角下的光谱,经多元散射校正（multiplicative scatter correction,MSC）、标准正态变量校正（standard normal variate,SNV）、一阶导数（first derivative ,FD）和趋势校正（detrending ,DT）预处理后,应用偏最小二乘回归（partial least squares,PLS）和支持向量机（support vector machines SVM）方法建立了含水率预测模型,并对建模性能进行了对比。试验结果表明,卤素灯杯、功率20 W、探测距离40 mm对应所选果穗的光谱响应充分、干扰少,与果穗特征相匹配,曲线采用标准差和光谱面积极差分别为0.83和187.2,综合光谱曲线质量评价和建模性能对比,卤素灯杯夹角45°优于30°。通过SNV预处理后的SVM预测模型具有更好的性能,校正集和预测集决定系数分别为0.943、0.880,均方根误差分别为0.708、0.932,剩余预测偏差为2.956。该研究结果可为基于近红外漫反射光谱技术的鲜食玉米果穗内在品质无损检测提供技术支撑。     

近红外高光谱成像技术检测粮仓米象活虫

为了准确地统计出仓储害虫的密度,需对储粮活虫和死虫进行有效地判别。该文研究开发一个900～1?700?nm的近红外高光谱成像系统来检测仓储小麦活虫。用液氮低温猝死法杀死米象,在其死亡后0～7?d进行高光谱图像采集。随着粮虫死亡时间的延长,粮虫相对光谱反射率逐渐增大,到死后第5天时粮虫的光谱曲线基本趋于稳定。应用相邻波长指数法对1?320～1?680?nm之间的110个波长的高光谱图像进行分析,提取出最优波长为1?417.2?nm。提出双区域连通阈值面积比的区域生长法粮虫活虫判别方法,即当粮虫的双区域连通阈值面积比大于0.5时,应判别为活虫。结果表明,自粮虫死亡后的第2.0天开始,储粮活虫与死虫的训练样本和检验样本全部被正确识别,为实现储粮活虫的计算机视觉实时检测与分类提供依据。     

不同土壤含水率、体积质量及光谱反射率的关系模型

为了准确、快速地检测湿胀干缩型土壤含水率,该文提出了基于近红外光谱技术的土壤含水率分析方法。该文以湖北省黄棕壤、潮土、水稻土为研究对象,利用美国Ocean Optic公司的NIR256-2.5微型光纤光谱仪在暗室环境下对不同含水率下的土壤样本进行光谱反射率的测定和特征分析,并同时测量相应的土壤体积质量,研究土壤含水率、体积质量、光谱反射率之间的相关关系,通过采用2种土壤含水率表示方法与3种土壤光谱反射率表示方法反映土壤含水率与光谱反射率之间关系的对比试验分析,消除土壤其它性状对土壤反射率反演土壤含水率的影响,得到较适宜地进行土壤光谱反射率反演土壤含水率的匹配表示方法,构建三者之间关系的曲面模型和体积质量变化的土壤体积含水率与土壤光谱反射率的关系指数模型。研究结果表明,构建的3种土壤的曲面回归模型,决定系数均大于0.977,F值均达极显著水平,光谱反射率与体积质量的偏回归系数检验亦达显著或极显著水平。采用指数模型表述1 400、1 900 nm波长处的归一化减土光谱反射率与体积质量变化的土壤体积含水率的关系,其决定系数均在0.9以上,对模型进行验证,其预测误差在0.3左右,精度较高,所建模型拟合效果好。该研究可为用近红外光谱检测体积质量变化的土壤含水率提供科学资料。     

基于近红外光谱土壤水分检测模型的适应性

由于土壤水分的近红外光谱定量分析模型精度依赖于样品状态,故土壤水分定量分析模型的适应性极其重要。以湖北地区的3种土壤为研究对象,利用偏最小二乘法交叉验证建立了处理后样品下的土壤水分分析模型,模型预测值与标准值的决定系数R2为0.9946,交叉验证预测均方差为0.801%,模型预测决定系数R2为0.9919,预测均方差为0.912%;利用主成分分析了未处理土壤样品与处理土壤样品得分图的差异,结果表明定量分析模型对未处理样品的预测精度降低;采用斜率/截距的方法修正了12个未处理样品的模型预测值,预测平均绝对值误差从0.78%降低到0.38%,结果表明斜率/截距校正法能较好的提高近红外光谱土壤水分定量分析模型的适应性。     

基于近红外光谱和深度学习数据增强的大米品种检测

近红外光谱和深度学习结合的思路是大米品种检测的重要研究方向,其准确检测模型的建立依赖大规模的样本数据,然而采集和预处理样本耗时巨大,对准确性的提升造成限制。为解决上述不足,便于深入探究近红外光谱结合深度学习方法在大米品种检测领域应用的可行性,该研究提出基于近红外光谱结合改进型深度卷积生成式对抗神经网络（deep convolutional generative adversarial network,DCGAN）数据增强的大米品种检测方法。首先,在相同环境下采集4种大米品种的近红外光谱并对原始光谱数据进行预处理,使用去趋势校正（detrend correction,DC）和无信息变量消除算法（uninformative variable elimination,UVE）消除无用光谱特征点。然后,建立改进型DCGAN模型对预处理后的光谱数据进行数据增强,对比试验结果表明,改进型DCGAN相比与传统数据增强方法,改进型DCGAN生成数据的结构相似度指标更优。最后,研究不同数据增强方法结合不同分类方法建立大米品种分类模型的性能,对比试验结果表明,改进型DCGAN数据增强结合一维卷积神经网络（one-dimensional convolution neural network,1D-CNN）分类算法所建模型面向测试集的准确率最高,为98.21%,为简便准确的大米品种检测方案提供了新思路。     

基于数据融合策略的红茶发酵程度判别

发酵是红茶加工过程中关键的一道工序,对红茶的品质形成有着重要影响。该研究以大叶种英德红茶中的英红九号为研究对象,试验收集了204份不同发酵时间的红茶样品并使用便携式近红外光谱仪和工业相机获取红茶发酵中的信息,基于近红外光谱数据、图像数据和数据融合策略分别建立了红茶发酵程度判别模型。通过分析茶多酚和儿茶素类含量的变化,将红茶的发酵划分为3个阶段,即发酵不足、发酵适度和发酵过度。采用Savitzky-Golay光滑对原始光谱进行预处理,利用竞争自适应重加权采样（Competitive Adaptive Reweighted Sampling, CARS）、连续投影算法（Successive Projections Algorithm, SPA）和主成分分析（Principal Components Analysis, PCA）对近红外光谱变量进行降维处理;相应地,图像进行去阴影后提取了9个颜色特征变量,采用皮尔森（Pearson）相关分析和主成分分析进行特征变量提取。最后采用线性判别分析（Linear Discriminant Analysis, LDA）和支持向量机（Support Vector Machine, SVM）分别建立了基于近红外、图像和两者数据融合的分类模型。结果表明,在建模数据相同的条件下,非线性的支持向量机模型性能优于线性判别分析模型。单一传感器数据建模效果不佳,近红外光谱和图像判别模型的预测集最大准确率仅为83.82%和73.53%。低层次数据融合建模效果较单一传感器数据建模无明显提升,而中层次的数据融合建模效果比单一数据建模均有显著提高,其中SPA提取光谱变量结合Pearson提取图像变量建立的判别模型效果较佳,校正集和预测集准确率分别达到了97.06%和95.59%。研究表明,近红外光谱和视觉结合的中层次融合策略可以作为一种快速判别红茶发酵程度的方法,研究结果为红茶发酵程度构建等级模型与判别奠定了一定的理论基础,为红茶发酵的自动化检测提供了重要依据。     

红外传感器与机器视觉融合的果树害虫识别及计数方法

为了解决果园环境中单一的害虫监测技术存在的缺陷,该研究将红外传感器和机器视觉识别技术进行融合,从两个角度对目标害虫进行识别计数。选取梨小食心虫、苹小卷叶蛾、桃蛀螟、干扰物进行试验,通过实验室人工随机散落试验样本,获得其红外传感器以及机器视觉图像的识别结果,构造融合计数计算公式,通过计算得到害虫计数结果。结果显示:梨小食心虫、苹小卷叶蛾、桃蛀螟、干扰物的红外分类阈值分别为2.25、9.06、17.88、28.38,其红外识别范围分别为(0,5]、(5,13]、(13,23]、(23,32];梨小食心虫、苹小卷叶蛾、桃蛀螟、干扰物的红外识别准确率分别为92%、78%、80%、88%,图像识别准确率分别为92%、88%、92%、90%,融合计数精度分别为98%、92%、94%、96%。可见,将红外传感器和图像识别技术相融合能够提高果树性诱害虫的识别准确率,为果园害虫的合理防治提供参考。     

基于多源信息融合技术的马铃薯痂疮病无损检测方法

为了提高马铃薯痂疮病无损检测识别精度,基于机器视觉和近红外光谱的多源信息融合技术,该文提出DS（dempster shafer）证据理论结合支持向量机的马铃薯痂疮病无损检测方法。试验以360个马铃薯为研究对象,在图像特征分割时,确定了差影法结合马尔可夫随机场模型法为最佳分割方法;在光谱特征提取时,确定主成分分析方法为最佳降维方法。采用支持向量机识别方法分别建立机器视觉和近红外光谱的马铃薯痂疮病识别模型,模型对测试集马铃薯识别率分别为89.17%、91.67%。采用DS证据理论与支持向量机相结合的方法对获取的图像特征和光谱特征进行融合,建立了基于机器视觉和近红外光谱技术的多源信息融合马铃薯痂疮病检测模型,该模型对测试集马铃薯识别率为95.83%。试验结果表明,该技术对马铃薯痂疮病进行检测是可行的,融合模型比单一的机器视觉模型或近红外光谱模型识别率高。     

机载非接触式近红外土壤墒情检测系统研制

针对探针式土壤水分传感器插入土壤后因反馈点固定而需大量布点、成本高、破坏耕层等问题，该研究提出一种基于法布里-珀罗干涉近红外传感器的非接触式土壤墒情在线检测系统。系统硬件部分由机载自动检测装置、电气控制箱和北斗双天线实时差分定位系统（Real Time Kinematic，RTK）组成。整套系统样机的试制包括：传感器的选型和模块设计封装、升降检测装置设计、传感器避障与采样点北斗定位、土壤含水量预测建模、软件中的二次开发和系统与润禾2ZBA-2型移栽机的集成等。田间试验结果表明：当移栽机以0.3 m/s速度行进时，土壤水分传感器参比校准后进行土壤水分的测定，5 s内工控机上实时显示水分含量值，水分含量预测值与实测值的相对误差范围为0.18%～14.46%，平均相对误差7.77%，所测水分值结合北斗RTK系统测得的定位坐标生成土壤表层含水率分布图，为后续喷灌、滴灌等变量灌溉提供参考依据。