基于可见光波段的色彩概率聚类模型的玉米杂交种子识别

由于同一种玉米杂交种子籽粒的粒型多样、色彩随贮藏时间不同而不同,仅靠其形状和单一区域色彩的机器视觉方法识别种类较为困难,且现有识别算法多以高光谱特征作为分类基础,对于不同时期、不同种类的玉米杂交种子要分别训练分类识别器,识别前需要大量的训练工作。为提高玉米种子品种识别方法的适用性,根据花粉直感色彩遗传现象,提出以可见光波段玉米种子的多区域小波色彩特征作为识别参数,建立多模型的概率聚类模型进行玉米杂交种子种类识别。该方法首先采用专有设备采集单粒玉米种子的无胚芽侧和顶端两部分色彩信息,包括RGB,HIS和Lab色彩信息,对该色彩信息进行增强和特征优化选择,通过小波包分解提取优化出21维细节识别向量;其次采用不同聚类模型对优化后色彩特征进行聚类识别,建立基于SOM、K-means、两步法三种聚类识别模型;最后以多种聚类模型结果为基础,建立基于概率模型的玉米种子品种识别。通过对郑单958、先玉335、郑58(郑单958母本)、昌7-2(郑单958父本)、PH6WC(先玉335母本)、PH4CV(先玉335父本)的试验,发现该方法可有效识别非亲缘关系和父本亲缘关系的玉米种子,识别率可达到98%以上;而对于亲缘关系母本识别率可达到75%。采用可见光波段玉米种子多区域色彩特征,结合概率聚类模型的方法可为玉米杂交种子纯度在线检验识别提供科学依据。     

基于高光谱图像技术和SVDD的玉米种子识别

特征提取的充分性和分类器设计的合理性是影响玉米种子识别精度的两个关键问题。采集了玉米种子的高光谱图像,并提取每粒玉米种子在不同波段下的图像熵作为分类特征;在此基础上,利用支持向量数据描述方法构建每类玉米的分类器模型,对待识别样本的测试精度达到了94.14%,对新类别样本的识别精度达到92.28%。仿真结果表明：新方法可实现玉米种子的准确识别,同时解决了传统分类器对新类别样本的错误分类问题。     

基于联合偏度的高光谱图像波段选择对玉米种子分类研究

高光谱图像技术是在种子识别领域广泛应用的农产品品质无损检测方法。特征信息的充分提取和最优波段的选择是影响高光谱图像技术种子鉴选在线应用的关键因素。目的在于利用联合偏度算法选择高光谱图像的最优波段,用于开发在线的种子分级系统。论文利用高光谱图像采集系统获取10类共960粒玉米种子在438～1 000 nm(共219个波段)波段范围内的高光谱图像,并提取了种子高光谱图像的平均光谱、图像熵特征。利用联合偏度算法选择了高光谱图像的最优波段,分别建立了基于平均光谱、图像熵、平均光谱和图像熵联合特征条件下的支持向量机种子分类模型,比较不同特征下分类模型的识别精度。实验结果表明：无论是全波段分类模型,还是建立在最优波段基础上的分类模型,利用平均光谱和图像熵联合特征获得的分类精度均高于平均光谱和图像熵两种单一特征模型。在10个最优波段条件下,联合特征分类模型的识别精度达到了96.28%,比光谱均值和图像熵的识别精度分别提高了4.30%和20.38%,也高于全波段联合特征识别模型的93.47%。利用联合特征建立玉米种子分类模型时,基于联合偏度的波段选择算法的分类精度要高于无信息变量消除法、连续投影算法和竞争性自适应重加权算法。该研究为种子高光谱图像识别技术的在线运用提供了可行的途径。     

基于联合偏度的高光谱图像波段选择对玉米种子分类研究（英文）

高光谱图像技术是在种子识别领域广泛应用的农产品品质无损检测方法。特征信息的充分提取和最优波段的选择是影响高光谱图像技术种子鉴选在线应用的关键因素。目的在于利用联合偏度算法选择高光谱图像的最优波段,用于开发在线的种子分级系统。论文利用高光谱图像采集系统获取10类共960粒玉米种子在438~1 000 nm(共219个波段)波段范围内的高光谱图像,并提取了种子高光谱图像的平均光谱、图像熵特征。利用联合偏度算法选择了高光谱图像的最优波段,分别建立了基于平均光谱、图像熵、平均光谱和图像熵联合特征条件下的支持向量机种子分类模型,比较不同特征下分类模型的识别精度。实验结果表明:无论是全波段分类模型,还是建立在最优波段基础上的分类模型,利用平均光谱和图像熵联合特征获得的分类精度均高于平均光谱和图像熵两种单一特征模型。在10个最优波段条件下,联合特征分类模型的识别精度达到了96.28%,比光谱均值和图像熵的识别精度分别提高了4.30%和20.38%,也高于全波段联合特征识别模型的93.47%。利用联合特征建立玉米种子分类模型时,基于联合偏度的波段选择算法的分类精度要高于无信息变量消除法、连续投影算法和竞争性自适应重加权算法。该研究为种子高光谱图像识别技术的在线运用提供了可行的途径。     

基于高光谱技术的玉米种子可视化鉴别研究

种子纯度是衡量种子品质的重要指标。提出一种基于近红外(874～1 734 nm)高光谱技术实现玉米种子可视化鉴别的方法。采集4个品种共384个玉米种子样本的高光谱图像数据,随机选择288个样本作为建模集,剩余96个样本作为预测集。对玉米种子光谱曲线进行分析后,通过连续投影算法（SPA）选取7个特征波段作为输入,结合偏最小二乘法判别分析(PLS-DA)模型,对预测集进行预测,获得较好的分类效果,其中R_C=0.917 7,RMSECV=0.444 2; R_CV=0.911 5,RMSECV=0.459 9,建模集和预测集的总体鉴别率分别为78.5%和70.8%。通过图像处理技术提取高光谱图像中每个玉米颗粒的平均光谱数据,输入建立的SPA-PLS-DA模型,在计算生成的鉴别图中以不同颜色标识不同类别,实现了混杂玉米种子样本的可视化鉴别。对3份不同组成的混杂种子样本进行鉴别,达到了较好的可视化效果。结果表明,通过可视化鉴别技术,可以直观方便地观察混杂种子样本中不同品种种子的分布和数量,为农业生产中种子的纯度鉴别和筛选提供了帮助。     

基于NIR分析和模式识别技术的玉米种子识别系统

模式识别技术及数据挖掘方法已成为化学计量学的研究热点。近红外(NIR)光谱分析以其快速、简便、非破坏性等优势广泛应用于光谱信号的处理和分析模型的建立。基于五种不同的模式识别方法:局部线性嵌入(LLE),小波变换(WT),主成分分析(PCA),偏最小二乘(PLS)和支持向量机(SVM),利用NIR技术建立了玉米种子的模式识别系统,并将其应用于108玉米杂交种和母本178种子的近红外光谱样品。首先利用LLE,WT,PCA,PLS进行消噪或降维,然后运用SVM进行分类识别,而一模支持向量机(1-normSVM)算法直接进行分类识别。三个不同NIR光谱范围的数值实验显示:PCA+SVM,LLE+SVM和PLS+SVM识别效果甚佳,而WT+SVM和1-norm SVM方法也有较高的分类精度。实验结果表明了本文提出方法的可行性和有效性,为利用近红外光谱和模式识别技术进行种子识别研究提供了理论依据和实用方法。     

基于近红外光谱的带种衣剂玉米种子真实性鉴定方法研究

应用近红外光谱鉴定玉米种子品种真实性已有深入的研究。在实际应用中,商品玉米种子均涂有种衣剂,给光谱的采集和分析带来了许多困难。提出了基于近红外光谱的带种衣剂玉米种子品种真实性快速鉴定方法。首先讨论了种衣剂对种子近红外光谱的影响,然后将种子沿着胚面凹陷方向切开,使用漫反射方式和专用配件测量种子切面的光谱,以消除种衣剂的影响。使用支持向量机、软独立模式识别和仿生模式识别三种方法建立四个玉米品种的真实性鉴定模型,正确识别率分别达到93%,95.8%和98%。品种鉴定模型具有很好的稳健性,对来自不同产地的同一品种的种子均能够正确识别。     

基于NIR分析和模式识别技术的玉米种子识别系统

模式识别技术及数据挖掘方法已成为化学计量学的研究热点。近红外(NIR)光谱分析以其快速、简便、非破坏性等优势广泛应用于光谱信号的处理和分析模型的建立。文章基于五种不同的模式识别方法:局部线性嵌入(LLE),小波变换(WT),主成分分析(PCA),偏最小二乘(PLS)和支持向量机(SVM),利用NIR技术建立了玉米种子的模式识别系统,并将其应用于108玉米杂交种和母本178种子的近红外光谱样品。首先利用LLE,WT,PCA,PLS进行消噪或降维,然后运用SVM进行分类识别,而一模支持向量机(1-norm SVM)算法直接进行分类识别。三个不同NIR光谱范围的数值实验显示:PCA+SVM,LLE+SVM,PLS+SVM识别效果甚佳,而WT+SVM和1-norm SVM方法也有较高的分类精度。实验结果表明了本文提出方法的可行性和有效性,为利用近红外光谱和模式识别技术进行种子识别研究提供了理论依据和实用方法。     

高光谱成像技术检测玉米种子成熟度

成熟度是影响种子活力的重要因素之一,是种子质量的重要指标。种子分级时将成熟种子和未成熟种子区分开来可提高种子批活力,使种子批活力具有一致性。采用400~1 000 nm波段范围的高光谱成像技术研究成熟和未成熟玉米种子,找出二者区分度最高的特征波段图像,通过图像处理方法进行种子分类。选用主成分分析(PCA)法分析高光谱图像,分析差异最明显的PC2主成分图像的各波段权重系数并提取出特征波段(501 nm)。从70粒成熟度较低玉米种子样本高光谱图像上选取成熟和未成熟两类感兴趣区域,采用偏最小二乘回归(PLSR)法分析两类感兴趣区域的平均光谱,选取与成熟度相关的敏感波段(518 nm)。采用波段比运算并结合KW检验,分析两类感兴趣区域的平均光谱,找出差异最大的最优波段比(640 nm/525 nm)。以864粒玉米种子为研究对象,提取特征波段对应的单波段图像和最优波段比对应的波段比图像,采用图像处理技术分析图像并判别。结果表明：采用单波段灰度图像分割容易将玉米种子冠部的浅色部分误识别为种子成熟度较低的区域,识别准确率低;而采用640 nm/525 nm的波段比图像可以减轻这种不利影响,平均正确识别率为93.9%。该方法可以有效识别未成熟的玉米种子,为进一步开发在线分级装备提供了依据。     

基于KPCA和近红外光谱的鉴别玉米单倍体方法研究

玉米的单倍体鉴别技术对玉米单倍体育种技术非常重要。近红外光谱分析技术以其操作简便,可在线分析监测,速度快,无损,测试成本低等特点在农业领域备受关注,应用广泛。实验首先通过美国JDSU公司的近红外光谱仪采集由国家玉米改良中心提供的玉米种子单倍体、多倍体的近红外光谱数据,然后对获得的原始数据做平滑(smoothing)、一阶导(first derivative,FD)和矢量归一化(vector normalization,VN)预处理以消除其噪声影响,再采用核函数为高斯核函数(Gaussian kernel function)的核主成分分析(kernel principal components analysis, KPCA)的方法将玉米种子的近红外光谱数据映射到高维空间中,并对映射后的数据做非线性特征提取,然后应用支持向量机(support vector machines, SVM)对提取的玉米种子单倍体、多倍体光谱数据的非线性特征建立分类模型,最后输入测试数据进行玉米单倍体、多倍体的分类鉴别测试,预测玉米种子是否是单倍体。设计了两组对比试验,其正确识别率的平均值分别达到95%和93.57%。在该实验中, 基于KPCA的玉米单倍体识别算法的性能表现较好、识别率较高。通过两组对比实验,证明了玉米种子的近红外光谱数据更适于先将其映射于高维空间中进行特征提取,再对提取的特征进行建模、分类分析。该实验为玉米单倍体识别技术提供了新的思路和方法。     

The use of broadband acoustic transducers and pulse-compression techniques for air-coupled ultrasonic imaging

A pulse-compression technique has been applied to air-coupled testing of solid materials. Capacitance transducers were used to generate wide bandwidth swept-frequency (chirp) signals in air, which were then used to measure and image solid samples in through transmission. The results demonstrate that such signal processing techniques lead to an improvement in the signal to noise ratio and timing accuracy for air-coupled testing. Measurements of thickness and spectroscopic experiments are presented. Images of defects in a wide range of materials, including metals and carbon-fibre composites have also been obtained. This combination of capacitive transducers with pulse-compression techniques is shown to be a powerful tool for non-contact air-coupled ultrasonic measurements.     

空气耦合超声检测复合材料研究综述

复合材料普遍具有高比强度、高比刚度、高模量、耐腐蚀等优异性能,广泛应用于飞机机翼、导弹外壳、航空发动机壳体等部位。制造和服役过程中各类缺陷影响复合材料的力学性能和服役性能,必须采用有效的方法准确检测和评估复合材料中各类缺陷。空气耦合式超声检测具有完全非接触、非侵入、无损伤和无需耦合剂的特点,能够很好地运用于复合材料的在线和在位检测。该文就近年来空气耦合超声检测技术的研究现状进行了系统综述,简明扼要地分析和介绍了当前空气耦合超声检测的研究热点及进展,重点介绍了1-3型压电复合材料换能器、信号处理技术、相控聚焦式空气耦合超声检测、超声在复合材料的传播特性及其与缺陷交互作用的研究现状,探讨了空气耦合超声无损检测技术与仪器的发展方向,总结了目前空气耦合超声检测的研究热点问题,最后展望了空气耦合超声检测的发展趋势和应用前景。     

基于高光谱技术融合图像信息的脱绒棉种品种分类检测研究

开展种子品种的识别研究是保证种子质量的重要手段。利用高光谱图像技术融合图像特征信息对脱绒棉种的品种进行判别分析。采集4个品种共240粒脱绒棉种样本的高光谱图像数据(400～1 000 nm),提取样本的光谱信息及长、宽、面积、圆形度、等12个形态特征。采用连续投影算法(SPA)选出11个特征波段作为输入结合偏最小二乘判别分析法(PLS-DA)、软独立模式识别法(SIMCA)、最邻近节点算法(KNN)、主成分分析结合线性判别(PCA-LDA)及二次判别(PCA-QDA)进行建模分析,得出PLS-DA建模集和预测集的总体识别率分别为93%和90%。利用图像信息进行建模分析,模型整体的识别率均不高,说明单独使用高光谱图像的形态特征进行分类效果不佳。将特征波段的光谱和形态特征信息进行融合作为输入,建立基于PLS-DA,SIMCA,KNN,PCA-LDA及PCA-QDA的信息融合模型,其精度均比基于光谱或形态信息模型高,其中PLS-DA模型识别效果最好,建模集和预测集总体识别率分别为98%和97%。表明融合高光谱图像的光谱与图像信息可以在少量波段情况下有效的提高脱绒棉种品种的分类检测精度。     

多匹配层空气耦合压电超声换能器*

该文针对超声无损检测与成像功能空气耦合换能器开展了分析计算和研制。为解决压电材料与空气间巨大的阻抗失配问题,进行了多匹配层设计,并基于有限元技术仿真设计了1-3压电复合材料参数。借助复数压电方程,导出考虑损耗的多匹配层压电复合材料换能器厚度振动等效电路,获得其等效导纳,以此计算电导谱,同时基于有限元技术数值计算相应电导谱,二者有较好的一致性。在此基础上分别设计制作复合压电材料,多匹配层材料以及由此构成的空气耦合超声换能器。换能器的实测电导谱与数值仿真结果一致。进一步的换能器回波信号测试及其谱分析结果表明,所研制的160 k Hz中心频率空气耦合换能器样品有较好灵敏度和带宽。这些结果说明,该文研制的空气耦合超声换能器的初样是成功的。     

基于空耦超声Lamb波的金属板状结构内部缺陷检测方法

针对接触式超声检测方法在金属板结构内部缺陷实际工程检测中存在的环境要求高、效率低、操作难度高等问题,提出了空耦超声Lamb波检测方法,该方法能更好地适应现场应用环境,提高检测效率,减少传感器数量。通过有限元仿真和实验分析比较了空耦超声检测与接触式超声检测两种方法接收到的信号和成像效果。结果表明:有限元仿真和实验中,空耦超声检测方法对缺陷位置的定位误差分别为2 mm和3.6 mm,接触式检测方法对缺陷位置的定位误差分别为2 mm和11.3 mm,空耦检测具有较高的定位精度;单侧激励条件下,适合采用A0模态Lamb波对板内缺陷进行检测;空耦超声检测可以通过调整信号接收角度接收单一模态Lamb波,避免伪像产生。该方法为后续金属板状结构内部缺陷的空耦超声检测提供参考。     

多基元聚焦空气耦合超声换能器*

文中针对空气耦合超声换能器及其在表面缺陷检测中的应用开展了研究。选用1-3型压电复合材料及双匹配层结构来实现超声换能器压电材料与空气之间声阻抗的逐渐过渡,提高压电材料/空气界面的声能量透射率进而提高空气耦合超声换能器的灵敏度。在此基础上研发制作了440 kHz多基元聚焦空气耦合超声换能器,并对其性能进行了测试。其焦距、焦宽及焦深分别为41.44 mm、1.14 mm和20.30 mm,灵敏度和带宽分别为-50 d B和20.2%。测试结果表明该空气耦合超声换能器具有优良的性能,利用该超声换能器可以有效检测材料表面缺陷。     

基于有限元的空耦超声相控阵Lamb波激发与检测

基于非接触式空气耦合超声换能器的无损检测技术在常规板材、纤维复合材料、层状结构材料、粘接界面等的检测中有了长足的发展。但是因为空气耦合超声本身的限制,对于如何提高空气声换能器的发射效率和接收灵敏度、提高检测中接收的信噪比成为这一领域的重要课题。因此有必要结合最新的信号处理技术探索新的无损检测形式。本文通过提出了基于电容式的空气声换能器阵列的构建和制作方法,应用有限元数值方法对一维线阵的空气声换能器阵列的动态偏转特性进行了模拟,并使用构建流固耦合模型对二维的空气声场及板材中的位移场进行计算。通过一维空气耦合相控阵的声束动态偏转激励了各向同性板中的Lamb波A₀ 和S₀模式,并进行了分析,验证了此模型可以进一步用于基于空气耦合相控阵激励的Lamb波的无损检测中。     

基于近红外光谱的商品玉米品种快速鉴别方法

现有的玉米种子品种鉴别方法检测时间长,费用高,不易大批量快速鉴别。提出了一种基于近红外光谱数据快速鉴别商品玉米品种的新方法。先使用傅里叶变换近红外光谱仪获得从4 000到12 000 cm-1波段范围的37个商品玉米品种籽粒的漫反射光谱数据。对原始光谱进行矢量归一化预处理以消除噪声干扰,为了找到玉米品种籽粒的光谱特征波段,提出一种基于标准差的方法,进而对寻找到的玉米籽粒特征波段光谱做主成分分析(PCA),取能反映玉米品种 99.98％ 光谱信息的前10个主成分。最后使用仿生模式识别 (BPR)方法建立了37个玉米品种鉴别模型,对于每个品种的25个样本,随机挑选15个样本作为训练样本,其余10个样本作为第一测试集,其他品种共900个样本作为第二测试集。该鉴别模型对于37个玉米品种的平均正确识别率为94.3%。该方法的进一步研究有利于建立以近红外光谱为基础的物理指纹品种鉴别技术。     

基于高光谱的工夫红茶发酵品质程度判别方法

发酵作为影响红茶品质形成的重要流程,发酵品质程度的判断主要基于人工经验,难以实现准确客观的评价。该研究主要针对于工夫红茶发酵工序,以不同发酵时序下的样品为对象,利用高光谱检测技术并结合化学计量学方法,对制备的不同发酵程度的样本进行无损检测和智能判别。首先利用高光谱成像仪（400～1 000 nm）采集工夫红茶发酵样品的高光谱数据,并根据气温、茶叶嫩度、萎凋情况、揉捻过程、发酵叶颜色及香气等现场生产信息,将6个不同发酵时序下的样本,根据发酵程度依次划分为3类（轻度发酵、适度发酵、过度发酵）。为了降低采集高光谱信息时因培养皿中发酵叶的不平整而产生的散射现象对光谱数据的影响,选取标准正态变量变换算法（standard normal variate,SNV）与多元散射校正算法（multiplicative scatter correction,MSC）对全波段光谱进行预处理,将预处理后的光谱数据进行主成分分析（principal components analysis,PCA）,分别得到前3个主成分的三维载荷图,根据样本在图中的空间分布特征,因而选择效果较好的SNV预处理方法。以全波段光谱最优主成分作为模型输入量,建立邻近算法(K-nearest neighbor,KNN)、随机森林（random forests,RF）、极限学习机（extreme learning machine, ELM）判别模型,识别率分别为63.89%,94.44%和86.11%,结果表明,非线性模型（RF、ELM）识别率较高,其中RF模型性能优于ELM模型。为比较基于全波段与特征波长建立的工夫红茶发酵品质程度模型判别效果,采用连续投影算法（successive projections algorithm,SPA）提取31个特征波长进行PCA降维处理,以特征波长最优主成分作为模型输入量,构建SPA-KNN,SPA-RF和SPA-ELM判别模型,识别率分别为83.33%,91.67%和91.67%。通过SPA对变量筛选后,SPA-KNN和SPA-ELM模型性能明显提高,SPA-RF模型识别准确度略有下降。与特征波长建立的模型相比,全波段建立的RF模型性能最佳,对工夫红茶轻度发酵、适度发酵、过度发酵的判别率分别达到了100%,83.33%和83.33%。研究结果为推进红茶智能化、数字化加工的实现,提供了理论基础和科学依据。     

宁夏盐池荒漠植物光谱特征分析及光谱识别

宁夏盐池县荒漠草地属于中温带干旱气候,由于过度利用出现不同程度的退化,退化指示种比重增大,造成不同荒漠草地群落组成差异也很大,如何区别不同荒漠草地植物,并据此对退化指示种进行动态监测是了解荒漠草地退化程度的关键。目前随机森林（RF）、支持向量机（SVM）与K-邻近（KNN）分类模型被广泛应用于森林植物和农作物的遥感分类,并取得了较好的分类识别效果,但针对草地尤其是荒漠草地植物的分类识别研究较少。因此使用ASD地物光谱仪于7月在宁夏盐池二步坑、冯记沟、高沙窝、麻黄山不同荒漠草地采集了32种植物作样本获得442条光谱进行光谱特征分析。筛选出7个植被指数：归一化植被指数705（NDVI₇₀₅）、绿通道植被指数（GNDVI）、光化学植被指数（PRI）、土壤调节植被指数（OSAVI）、可视化气压阻抗指数（VARI）、植被衰减指数（PSRI）和归一化水指数（NDWI）作为随机森林模型（RF）、支持向量机（SVM）模型、K-邻近（KNN）模型的原始变量,对32种荒漠草地植物进行分类识别,并通过分类模型精度的比较筛选较优模型。结果表明：(1）不同植物光谱反射率均符合绿色植物特征,但各植物原始光谱不同波段之间存在明显差异,植物原始光谱水分吸收波段差异明显,且有红边蓝移现象;(2）RF,SVM和KNN三个分类模型对32种植物的分类精度分别达到了0.98,0.94和0.98,识别效果较好,但3种分类模型均对白莲蒿与北芸香、虫实与甘草发生了误判;(3）随机森林模型重要性指标中NDWI与PRI为区分荒漠草地植物的关键指标,说明荒漠植物冠层水分与类胡萝卜素含量是影响荒漠草地植物光谱分类的重要因素。试验利用随机森林模型（RF）、支持向量机（SVM）与K-邻近（KNN）分类方法,建立了主要植物的分类模型。