高光谱成像技术在水果无损检测中的应用

高光谱成像技术结合了光谱学和成像技术的主要优势,可以同时获得一个样本的空间分布及物理和化学性能,是水果无损检测的发展趋势。为此,主要介绍了高光谱成像原理、装置、数据处理方法,以及国内外水果内外品质无损检测的应用,并对高光谱成像技术在水果无损检测中的不足及未来趋势进行了分析。     

基于高光谱成像的绿皮马铃薯检测方法

针对任意放置姿态下的轻微绿皮马铃薯难以检测的问题,进行了半透射与反射高光谱成像方式的不同检测方法比较研究,最终确定较优高光谱成像方式的检测方法。分别以半透射与反射高光谱成像方式对图像维提取RGB、HSV和Lab空间颜色信息,并采用等距映射、最大方差展开、拉普拉斯特征映射进行图像信息降维;分别以半透射与反射高光谱成像方式对光谱维提取感兴趣区域的平均光谱数据,并采用局部保持投影、局部切空间排列、局部线性协调进行光谱信息降维;然后分别建立不同高光谱成像方式下的图像与光谱信息的深度信念网络模型;对识别率良好的模型采用多源信息融合技术进一步优化,并建立基于图像和光谱融合或不同成像方式融合的模型。结果表明,基于半透射和反射高光谱的光谱信息融合模型最优,校正集和测试集识别率均达到100%,可实现轻微绿皮马铃薯的无损检测。     

农产品无损检测中高光谱成像技术的应用研究

高光谱成像技术集成了计算机成像技术和光谱技术的优势,能够在连续空间内同时获得被测物的光谱信息和图像信息,可对农产品内外部品质进行可视化研究.尽管高光谱成像技术起源于高空遥感,但近几年仍以高效快速的检测分析方法出现在农产品无损检测领域,成为该领域重要研究方向.为此,对高光谱成像技术的原理特点以及其成像技术在农产品无损检测中应用的最新研究进展进行了综述,分析总结了国内外高光谱成像技术在农产品品质无损检测发展中存在的问题以及应用前景,以期该技术在我国农产品品质无损检测领域中发挥更大的作用.     

高光谱成像技术无损检测水果缺陷的研究进展

水果缺陷无损检测是水果分级的重要依据。随着图像技术与光谱信息的发展、高光谱成像系统硬件成本的下降和性能的提升,高光谱成像技术在水果缺陷无损检测方面获得了越来越多的应用。为了能充分利用最新研究成果,从高光谱成像技术在水果的缺陷无损检测方面,综述了水果损伤、病害、虫害等缺陷无损检测的研究进展,并对其发展方向进行了展望。     

高光谱成像技术在水果品质无损检测中的研究现状

高光谱成像技术能实现"图谱合一",被广泛应用于各种水果的品质检测.为了深入了解高光谱成像技术在水果品质检测中的应用研究,介绍了高光谱成像技术的基本原理与数据处理方法以及高光谱成像技术在水果品质检测的进展,讨论了高光谱成像技术在水果品质检测中的发展趋势及存在的不足.     

基于高光谱图像技术的红枣品种智能检测模型

为了提高红枣相关产业的经济效益,增强其市场竞争力。针对红枣品种无损鉴别的社会需求,文章采用高光谱图像技术获取多个品种红枣高光谱图像,获取光谱数据并提取特征光谱波段,构建红枣品种的检测模型。实验结果表明,高光谱图像技术结合竞争自适应重加权抽样和支持向量机模型（CARS-SVM）可实现对红枣品种的无损、快速、准确鉴别,分类的准确率达到了91.2%。     

油桃外部缺陷的高光谱成像检测

采用高光谱(420~1 000 nm)成像技术对中油9号油桃的4种外部缺陷(裂纹果、锈病果、异形果和暗伤果)进行检测判别。对400个样本(4种外部缺陷样本和完好样本)运用偏最小二乘回归(PLSR)从全波段中分别提取了10条特征波长,分别为497、534、657、677、696、709、745、823、868、943 nm。缺陷样本的高光谱图像经过主成分分析后,对876 nm下的单波段图像通过掩膜、Sobel算子处理,并对主成分图像经过区域生长算法实现缺陷样本的缺陷区域分割。对光谱数据进行主成分分析得到前10个主成分值,并对图像数据采用灰度共生矩阵(GLCM)提取得到6项图像纹理指标(均值、对比度、相关性、能量、同质性、熵值)。将主成分值和纹理值融合建立极限学习机(ELM)模型对油桃外部缺陷进行检测判别。结果表明,该模型对缺陷样本的判别正确率为91.67%,完好样本的正确率为100%。     

基于高光谱成像技术的生菜冠层含水率检测

为实现作物含水率的无损检测,以6种水分胁迫水平的生菜为研究对象,利用高光谱成像技术和特征波长选取方法对生菜冠层含水率进行检测研究。采用掩模法去除高光谱图像的背景噪声,并对生菜冠层光谱图像进行光强校正。利用标准正态变量变换法(SNV)去除原始平均光谱数据的噪声,采用蒙特卡罗无信息变量消除法(MCUVE)剔除无关变量,结合基于最小绝对收缩和选择算法(LASSO)、连续投影法(SPA)、LASSO与SPA算法组合(LASSO SPA)筛选特征变量,对数据进行降维处理,采用偏最小二乘法(PLS)建立5个生菜冠层含水率检测模型。经对比发现,全光谱中存在很多冗余信息变量和无关变量,采用全光谱建立的PLS模型复杂度最高,且预测能力最差;以MCUVE LASSO SPA筛选变量后的PLS模型效果最优,其中建模集相关系数R c和预测集相关系数R p分别为0.8827和0.9015,均方根误差分别为1.0662和0.9287。择优选取MCUVE LASSO SPA PLS模型计算生菜冠层每个像素点的干基含水率,生成可视化分布图,实现了生菜冠层叶片干基含水率可视化检测。本研究可为生菜冠层含水率快速无损检测提供参考。     

高光谱成像技术在水果多品质无损检测中的应用

简介高光谱成像系统的原理及优势,综述国内外高光谱技术在水果内部和外部品质检测方面的应用,分析其在相关检测中存在的主要不足,展望其未来发展方向,为提高高光谱成像技术在水果多品质无损检测中的检测准确性提供参考。     

基于高光谱成像的油茶籽含油率检测方法

为了快速准确地检测油茶籽含油率、解决传统检测手段费时费力等问题,提出了一种基于高光谱成像技术的油茶籽含油率检测方法.应用光谱集I (400～1000nm)和光谱集Ⅱ(900 ～1700 nm)两组高光谱成像系统采集油茶籽的漫反射高光谱图像,并结合化学计量学方法建立油茶籽含油率的回归预测模型.结果 显示,在不经预处理的情...     

基于高光谱成像的马铃薯叶片叶绿素分布可视化研究

针对马铃薯作物叶片进行了叶绿素含量无损检测技术及分布图绘制方法研究,用以指示作物长势并指导精细化管理。首先利用高光谱成像技术采集了65个马铃薯叶片的400个样本点高光谱图像和相应的SPAD值,提取并计算叶绿素测量区域的叶片平均光谱后,分别采用蒙特卡罗无信息变量消除算法（MC-UVE）和自适应重加权算法（CARS）筛选出了12个和23个叶绿素含量敏感波长,建立了马铃薯叶片叶绿素含量偏最小二乘（PLS）回归模型。建模结果如下：基于MC-UVE算法筛选的12个敏感波长的PLSR诊断模型,建模精度R2C为0.79,验证精度R2V为0.73;基于CARS算法筛选的23个敏感波长建立的PLSR诊断模型,建模精度R2C为0.82,验证精度R2V为0.80。择优选取CARS-PLSR模型计算马铃薯叶片每个像素点的叶绿素含量,从而利用伪彩色绘图绘制了马铃薯叶片叶绿素含量可视化分布图,最终实现马铃薯叶片含量无损检测以及叶绿素分布可视化表达,以期为后续马铃薯作物大田冠层叶绿素分布诊断提供支持。     

基于高光谱图像与果蝇优化算法的马铃薯轻微碰伤检测

针对通常采用的反射高光谱无法准确检测随机放置马铃薯表面轻微碰伤的问题,提出了一种用V型平面镜的高光谱并结合果蝇优化算法(FOA)检测马铃薯轻微碰伤的方法。试验搭建了V型平面镜反射高光谱图像采集系统,分别采集随机放置下的轻微碰伤和合格马铃薯的高光谱图像,每张高光谱图像包含平面镜1反射图像F1、相机直接采集图像F2、平面镜2反射图像F3,分别提取F1、F2、F3感兴趣区域的平均光谱拼接成马铃薯的属性矩阵。采用标准正态变量变换(SNV)预处理后的光谱矩阵进行全波段的支持向量分类机(SVC)建模,预测集的识别率仅为84.11%;为了提高模型的性能,采用蚁群算法(ACO)进行变量优选,优选出9个变量建立的SVC模型预测准确率为95.32%;分别用网格搜索法(Grid search)、遗传算法(GA)和FOA对SVC的惩罚参数c和核函数参数g进行寻优,通过比较分析,FOA-SVC对训练集和预测集的识别准确率均达到100%。试验结果表明,用V型平面镜的高光谱结合FOA-SVC能够准确检测马铃薯的轻微碰伤,可为马铃薯的轻微碰伤在线检测提供技术基础。     

基于高光谱成像的油菜苗期温度胁迫检测方法

为了保证育苗质量和提供适栽壮苗,满足新一代油菜产业规模化、标准化的需求,以浙油50为研究对象,进行了为期21d的温度胁迫实验,利用高光谱成像技术研究油菜受温度胁迫的健壮苗识别方法。首先通过光谱反射率和连续小波变换提取温度胁迫敏感波段;然后,分别采用连续投影算法和连续小波变换-逐步判别分析法在温度胁迫敏感波段处提取特征波长;分析了油菜苗波段特征和光谱特征随时间的演化规律,筛选出554~714nm波段MA曲线面积、正切特征值tanθ、1213nm和1567nm处反射率以及小波特征w(9,967)、w(13,1213)、w(7,1567)共7个特征,建立了多特征融合的温度胁迫Fisher判别模型。结果表明：模型平均分类准确率为88.68%,在三叶期达到最佳检测准确率,为95.56%,能够较好地区分受温度胁迫的油菜幼苗。本研究为基于高光谱成像技术的油菜健壮苗快速检测提供了参考。     

基于高光谱成像技术的鲜食核桃仁水分检测研究

为实现对货架期内青皮核桃仁水分的快速预测,利用高光谱成像技术采集货架期核桃青皮光谱数据,测定核桃仁含水量,利用连续投影法(SPA)提取11 个特征波长,建立了偏最小二乘法(PLS)、多元线性回归(MLR)和最小二乘支持向量机(LS-SVM)模型.结果表明,LS-SVM建模效果最好,预测集的相关系数Rp= 0.800 7...     

紫薯全粉面条制作工艺优化研究

以小麦面粉为主要原料、添加紫薯全粉为辅料制作营养保健面条。通过正交试验对紫薯全粉面条品质进行综合评价,得到最佳工艺条件为紫薯全粉添加量30%、水添加量37%、盐添加量3%、和面时间15min,此条件下生产的紫薯全粉面条断条率低、风味俱佳。     

基于无人机高光谱分数阶微分的马铃薯地上生物量估算

以马铃薯为研究对象,利用无人机得到现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的高光谱数据,实测了地上生物量（Above ground biomass,AGB）数据。首先,利用成像高光谱影像提取每个生育期马铃薯冠层高光谱反射率数据;然后,利用分数阶微分计算高光谱0~2阶微分（间隔0.2）,将各阶微分下的光谱数据与地上生物量进行相关性分析,挑选出相关系数绝对值较大的前9个微分波段;最后,利用多元线性回归（Multiple linear regression,MLR）、随机森林（Random forest,RF）和人工神经网络（Artificial neural network,ANN）3种方法构建基于分数阶微分光谱的整体、不同品种、不同密度和不同施肥下的马铃薯AGB估算模型,并进行了对比。结果表明：各生育期相关系数绝对值最大值出现的阶数不同,现蕾期为0.8阶微分（470nm）;块茎形成期为1.8阶微分（710nm）;块茎增长期和淀粉积累期为1.6阶微分（718、722、766nm）;成熟期为1.0阶微分（622nm）。相较于整数阶微分,高光谱分数阶微分与AGB的相关性更高,分数阶微分可以提高马铃薯AGB的估算精度。分析了不同生育期整体、不同品种、不同密度和不同施肥下的马铃薯AGB估算模型,3种方法中以9个微分波段为因变量的AGB估算在块茎增长期表现效果最好,利用MLR方法得到的模型精度最高、稳定性最强,其次为RF模型,ANN模型表现效果最差。不同生育期利用3种方法构建的AGB估算模型精度由大到小依次为块茎增长期、块茎形成期、淀粉积累期、现蕾期、成熟期。     

基于高光谱成像技术的小麦籽粒赤霉病识别

利用高光谱成像技术通过光谱分析和图像处理进行小麦赤霉病的识别。采用标准正态变量变换(SNV)和多元散射校正(MSC)方法对光谱进行预处理,分别利用连续投影算法(SPA)和正自适应加权算法(CARS)进行变量筛选提取特征波段,结果表明采用MSC-SPA和SNV-SPA算法时决定系数分别为0.901 9和0.900 6,均方根误差分别为0.223 8和0.223 2,筛选波长个数分别为7个和5个。利用SVM和BP神经网络算法建立的交叉验证模型及验证模型的准确率均达到90%以上。其中,MSC-SPA-SVM和SNV-SPA-SVM方法的建模集准确率分别为97.08%和94.17%;验证集准确率分别为98.33%和97.50%,均优于MSC-SPA-BP和SNV-SPA-BP模型。为了研究染病小麦的高光谱图像信息,利用主成分分析方法,根据权重系数选择最佳特征波长为627.698 nm。利用图像处理方法对特征波长下的特征图像进行预处理、特征提取。分别提取特征波长图像的形态参数特征和纹理特征参数等,根据特征参数相关性分析选择最优的建模特征参数。分别利用10折交叉验证方法建立线性判别分析、支持向量机和BP神经网络识别模型,结果表明3种识别算法识别准确率均在90%以上,具有较好的识别效果。