EMD和SPA算法在光谱法检测面粉过氧化苯甲酰添加量中的应用

将经验模态分解(EMD)和连续投影算法(SPA)结合用于面粉过氧化苯甲酰(BPO)添加量的近红外光谱检测分析中。在波长898～1 725 nm范围内采集添加了BPO的面粉样本光谱,先通过EMD分解法对其进行噪声预处理,然后利用SPA算法提取光谱特征波长。EMD处理后的光谱建模精度比原始光谱建模精度大大提高,通过SPA算法从512个波长中提取了7个特征波长,基于特征波长建立的模型,与EMD处理后全波长建模结果相比,建模波长个数大幅缩减,但是模型精度与全谱建模相当,结果表明：EMD和SPA结合可有效用于面粉BPO检测的光谱去噪和特征波长提取,该结果为开发便携式面粉BPO检测仪提供了参考和依据。     

高光谱成像技术结合特征提取方法的草莓可溶性固形物检测研究

采用高光谱成像技术结合不同的特征提取方法,实现了对草莓可溶性固形物含量的检测。通过提取154颗成熟无损伤草莓的高光谱图像的874～1 734 nm范围光谱信息,对941～1 612 nm光谱采用移动平均法(moving average,MA)进行预处理。基于残差法剔除19个异常样本后将剩余135个样本分为建模集(n=90)和预测集(n=45)。采用连续投影算法(successive projections algorithm, SPA),遗传偏最小二乘算法(genetic algorithm-partial least squares, GAPLS)结合连续投影算法(GAPLS-SPA),加权回归系数(weighted regression coefficient, Bw)以及CARS法(competitive adaptive reweighted sampling)选择特征波长分别提取14,17,24与25个特征波长,并采用主成分分析(principal component analysis, PCA)与小波变换(wavelet transform, WT)分别提取20与58个特征信息。分别基于全波段光谱、特征波长与特征信息建立PLS模型。所有模型都取得了较好的效果,基于全波段光谱的PLS模型与基于WT提取的特征信息的PLS模型的效果最优,建模集相关系数(r_c)与预测集相关系数(r_p)均高于0.9。结果表明高光谱成像技术结合特征提取方法可用于草莓可溶性固形物含量的检测。     

灵武长枣VC含量的高光谱快速检测研究

采用可见-近红外高光谱成像技术结合化学计量学方法检测灵武长枣维生素C(VC)含量，探究一种全新的水果内部成分的快速无损检测方法。采用高效液相色谱法(HPLC)测得长枣的VC含量化学值，可见-近红外高光谱成像系统采集164个灵武长枣400～1 000 nm的高光谱图像，利用ENVI4.8软件提取图像的感兴趣区域(region of interest，ROI)，计算其平均光谱，获得光谱值，将化学值与光谱值通过The UnsecramblerX 10.4软件建立模型。利用蒙特卡洛交叉验证法剔除异常值，采用光谱理化值共生距离法(sample set partitioning based on joint x-y distance，SPXY)进行样本划分以提高模型的预测性能；对光谱采用移动平滑(moving average)、中值滤波(median filter)、归一化(normalize)、基线校准(baseline)、多元散射校正(multiple scattering correction，MSC)、去趋势(detrending)和标准正态变量变换(standard normal variate，SNV)等7种方法进行预处理；为进一步减少数据量，降低维度，提高运算速度，使用竞争性自适应加权算法(competitive adaptive reweighted sampling，CARS)、无信息变量消除算法(uninformative variable elimination ，UVE)和连续投影算法(successive projections algorithm，SPA)提取特征波长，以期实现以少数波段代替全波段；将全波段光谱(full spectrum，FS)以及CARS, UVE和SPA三种方法提取的特征波长分别建立偏最小二乘(partial least squares wavelength regression，PLSR)和支持向量机(support vector machine，SVM)模型，从而确定最优的建模模型。利用蒙特卡洛交叉验证法共剔除7个异常样本，采用SPXY法将剔除异常样本后的157个数据区分为校正集和预测集，校正集中样本个数为117，预测集中样本个数为40。将未经光谱预处理的建模结果与分别经过七种光谱预处理的建模结果相比，选择未经光谱预处理的数据进行后续分析；将未经光谱预处理的光谱值采用CARS，UVE，SPA方法进行提取特征波长，CARS共优选出406，415，487，631，636，655，660，665，670，684，689，694，723，732，747和881 nm下的光谱变量16个，利用CARS提取出的特征波长占总波长的12.8%；UVE共优选出406，415，627，631，636，651，655，660，665，670，675，679，684，689，694，699，703，708，742，747，751，756，761，766，771，775，780，785，790，795，919和924 nm下的32个特征波长，利用UVE提取出的特征波长占总波长的25.6%；SPA共优选出401，665，684 nm三个特征波长，利用SPA提取出的特征波长占总波长的2.4%。将全波段光谱与提取出的特征波长建立PLSR模型和SVM模型，对比模型结果显示UVE-SVM模型最优，其R2_c为0.847 1，R2_p为0.714 9，说明UVE有效地对光谱进行降维，简化了数据处理过程。本研究对高光谱成像技术在水果领域的应用进行了有益探索，探究了一种全新的灵武长枣VC含量的无损检测方法，相应建立的可见-近红外高光谱模型为其他水果成分的快速检测提供了理论基础。     

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。     

高光谱成像的水稻螟虫蛀入检测方法

为了控制水稻螟虫预警和喷洒农药用量,实现对水稻螟虫虫害的无损检测,提出了基于主成分分析特征波段检测方法和基于迭代阈值的最优波段检测方法,确定了水稻茎秆螟虫检测的特征波段和最优波段,提取出单波段和组合波段的图像来分割虫孔,从而实现水稻螟虫的精准的无损检测。首先通过高光谱得到的120个样品反射率信息分析确定了光谱区域为450～1 000 nm。基于主成分分析特征波段检测方法,对高光谱图像进行主成分分析,通过前五个主成分图像比较确定第三主成分图像为最佳,然后根据第三主成分图像中各个波段的贡献率来选取特征波长（668.8和750 nm）,最后结合全局阈值分割和图像掩膜等图像处理方法实现对虫孔区域的判别。而利用基于迭代阈值的最优波段检测方法,在可见光波段450～750 nm范围和近红外波段750～1 000 nm范围内应用混合距离挑选最佳的单波段,通过单波段来确定组合波段,对单波段和组合波段进行迭代阈值分割,其中753.5 nm波长分割效果最好,故确定753.5 nm为最优波长,然后提取该波长的图像采用一种基于迭代阈值虫孔提取方法和形态学处理,最后能对水稻茎秆虫孔区域进行判别来实现水稻茎秆虫害是否存在。对60个虫害水稻茎秆和60个正常水稻茎秆进行检测,应用基于主成分分析特征波段检测方法在668.8和750 nm波长处检测率分别为95.8%和93.3%,而应用基于迭代阈值的最优波长检测方法在753.5 nm波长处检测率高达96.7%。说明利用基于迭代阈值的最优波长检测方法对水稻螟虫的检测更加精确,也说明所获取的特征波段和最优波段为以后水稻螟虫虫害的多光谱成像技术提供了理论参考。     

近地高光谱成像技术对黑豆品种无损鉴别

基于近地高光谱成像技术结合化学计量学方法,实现了黑豆品种的鉴别。实验以三种不同颜色豆芯的黑豆为研究对象,采用高光谱成像系统采集380～1 030 nm波段范围的高光谱图像,提取高光谱图像中的样本感兴趣区域平均光谱信息作为样本的光谱进行分析,建立黑豆品种的判别分析模型。共采集180个黑豆样本的180条平均光谱曲线。剔除明显噪声部分之后以440～943 nm范围光谱为黑豆样本的光谱,采用多元散射校正(multiplicative scatter correction,MSC)对光谱曲线进行预处理。分别以全部光谱数据、主成分分析(principal component analysis,PCA)提取的光谱特征信息、小波分析(wavelet transform,WT)提取的光谱特征信息建立了偏最小二乘判别分析法(partial least squares discriminant analysis,PLS-DA),簇类独立模式识别法(soft independent modeling of class analogy,SIMCA),最邻近节点算法(K-nearest neighbor algorithm,KNN),支持向量机(support vector machine,SVM), 极限学习机(extreme learning machine,ELM)等判别分析模型。以全谱的判别分析模型中,ELM模型效果最优;以PCA提取的光谱特征信息建立的模型中,ELM模型也取得了最优的效果;以WT提取的光谱特征信息建立的模型中,ELM模型结识别效果最好,建模集和预测集识别正确率达到100%。在所有的判别分析模型中,WT-ELM模型取得了最优的识别效果。实验结果表明以高光谱成像技术对黑豆品种进行无损鉴别是可行的,且WT用于提取光谱特征信息以及ELM模型用于判别黑豆品种能取得较好的效果。     

高光谱技术融合图像信息的牛肉品种识别方法研究

高光谱图像包含了大量的光谱信息和图像信息,采用高光谱成像技术对牛肉品种进行识别。获取可见-近红外(400~1000 nm)光谱范围内的安格斯牛、利木赞牛、秦川牛、西门塔尔牛、荷斯坦奶牛五个品种共252个牛肉样本的高光谱图像。在ENVI软件中对高光谱图像进行阈值分割并构建掩膜图像,获取样本的感兴趣区域(ROI),并结合伪彩色图对牛肉样本的反射率指数进行可视化表达;采用Kennard-Stone(KS)法对样本集进行划分以提高模型的预测性能;对原始光谱采用卷积平滑(SG)、区域归一化(Area normalize)、基线校正(Baseline)、一阶导数(FD)、标准正态变量变换(SNV)及多元散射校正(MSC)等6种方法进行预处理;采用竞争性自适应重加权算法(CARS)提取特征波长。然后利用颜色矩对不同牛肉样本的颜色特征进行提取;对原始光谱图像进行主成分分析,结合灰度共生矩阵(GLCM)算法,提取主要纹理特征。最后结合偏最小二乘判别(PLS-DA)算法建立牛肉样本基于特征波长、颜色特征以及纹理特征的识别模型。KS法将牛肉样本划分为校正集190个,预测集62个;将未经预处理的光谱数据与经过6种不用预处理的光谱数据进行建模分析,结果发现经FD法处理后的光谱数据所建模型的识别率最高;结合CARS法对经FD法预处理后的光谱数据进行特征波长提取,共提取出22个波长;利用颜色矩和GLCM算法分别提取出每个牛肉样本的9个颜色特征、48个纹理特征。将特征波长数据与颜色、纹理特征信息进行融合建模,结果表明,基于特征光谱+纹理特征的模型识别效果最佳,其校正集与预测集识别率分别为98.42%和93.55%,均高于特征光谱数据模型识别率,说明融合纹理特征后使样本分类信息的表达更加全面;融合颜色特征后模型的校正集识别率均有所增加,但预测集识别率稍逊,颜色特征虽携带了部分有效信息,但这些信息与牛肉样本的相关性不大。因此,寻找与牛肉样本相关性更大的颜色特征是提高模型识别率的重要途径之一。该研究结果为牛肉品种的快速无损识别提供了一定的参考。     

基于作物谱图特征的植株分割与叶绿素分布检测

为了快速感知并分析田间作物生长状况,采用先进的半导体镀膜工艺光谱成像传感器,研究了玉米植株冠层叶绿素含量分布式检测方法。试验采用IMEC 5×5成像传感器,拍摄47株苗期玉米植株冠层,获取673～951 nm范围内的25个波长的光谱图像。实验中,利用SPAD-520叶绿素仪非破坏性地测量叶绿素含量,每株玉米冠层叶片设置2～3个采样点,每点测量3次取平均,共计242个样本数据。对光谱图像数据,经4灰度级标准板提取并校准反射率。为了实现玉米植株与花盆、土壤背景的有效分离,在分析不同对象光谱反射率与图像像素特征的基础上,提出了一种基于谱图特征组合的植株分割方法,即基于植被指数的图像初步分割与区域标记计算的冠层精细分割的植株提取算法。首先,计算各像素点归一化植被指数(NDVI),并开展基于NDVI的植株冠层分割方法分割结果优于基于最大类间方差法的全局阈值自适应分割算法。其次,采用边缘保持中值滤波算法剔除初步分割后图像中存在的噪声点后,基于区域标记算法进行精细分割,获得掩膜并最终得到仅保留玉米植株冠层的光谱图像。分别采用相关分析法(CA)和随机蛙跳(RF)算法选取反射光谱特征波长,并构建750～951 nm近红外(NIR)和673～750 nm红色(R)选中波长集合,遍历NIR和R集合组合计算比值植被指数(RVI),差值植被指数(DVI),归一化植被指数(NDVI)和SPAD转换指数(T_(SPAD))。然后,再次采用CA和RF算法筛选植被指数,利用SPXY算法将样本按照7∶3比例划分为建模集和验证集,并建立了叶绿素含量指标检测CA+RF-PLSR模型。结果表明,其建模集R■为0.573 9, RMSEC为3.84%,验证集R■为0.420 2, RMSEC为2.3%。利用建模结果对多光谱图像进行处理,绘制玉米叶片SPAD值伪彩色分布图,实现叶绿素含量分布可视化。研究表明采用镀膜型光谱成像数据,分析对象光谱与图像特征,探讨玉米冠层叶绿素含量分布检测的可行性,可为直观监测作物生长动态提供支持。     

干贝水分含量可视化检测方法的研究

水分含量影响干贝的口感、质地等品质特征,而且与其贮存期密切相关。应用高光谱成像与检测技术结合化学计量学方法,实现干贝水分含量的快速检测。实验采用高光谱成像系统采集380～1 030 nm波段范围内的高光谱图像,采集得到6个不同干燥时期共90个干贝样本高光谱图像。提取所有样本感兴趣区域的平均光谱数据,采用连续投影算法(SPA)和权重回归系数法(B_w)分别提取了7个和4个特征波长。基于所提取的特征波长和全波长分别建立光谱数据与水分含量的偏最小二乘回归(PLSR)模型,三种模型分别是SPA-PLSR,B_w-PLSR和PLSR。建模集和预测集相关系数都高于0.95,预测均方根误差都低于10%,三种模型均获得了较好的预测效果,都能很好地预测干贝的水分含量。在所有模型中,SPA-PLSR模型具有较少的波长变量和较高的预测能力(97.28%),因此本文基于SPA-PLSR模型,采用伪彩色图像编程技术实现了干贝图像上每个像素点的水分含量的可视化预测。结果表明,高光谱成像技术结合特征波长提取算法可用于干贝水分含量分布的可视化检测。     

高光谱图像和叶绿素含量的水稻纹枯病早期检测识别

基于高光谱成像技术和化学计量方法,实现了对水稻纹枯病病害的早期检测识别。以幼苗时期的水稻植株为研究对象,对其进行纹枯病病菌侵染,获得染病植株,采集358～1 021 nm波段范围的高光谱图像,三次实验共240个样本,包括染病植株120个样本和健康植株120个样本。根据高光谱图像的光谱维,对染病水稻叶片和健康水稻叶片提取感兴趣区域（ROI）,利用感兴趣区域的光谱数据,对其进行Savitzky-Golay（SG）平滑、Savitzky-Golay（SG）一阶求导、Savitzky-Golay（SG）二阶求导、变量标准化（SNV）和多元散射校正（MSC）预处理,建立线性判别分析（LDA）和支持向量机（SVM）分类模型,结果表明：采用SG二阶求导预处理后的线性判别分析（LDA）模型取得了较好的性能,正确识别率在建模集达98.3%,在预测集达95%;利用载荷系数法（x-loading weights, x-LW）对原始光谱和5种预处理的光谱数据进行特征波长提取,然后根据选取的特征波长建立线性判别分析（LDA）和支持向量机（SVM）分类模型,其中采用SG二阶求导预处理后提取的12个特征波长的线性判别分析（LDA）模型取得了较好的性能,其正确识别率在建模集达97.8%,在预测集达95%,而且基于载荷系数法建立的模型性能与全波段相当,可以通过载荷系数法减少数据量对水稻纹枯病病害进行识别;根据高光谱图像的图像维,研究了基于图像主成分分析、基于概率滤波和基于二阶概率滤波的图像特征提取方法,利用提取的特征变量建立反向传播神经网络(BPNN)和支持向量机（SVM）分类模型,其中基于图像主成分分析的反向传播神经网络（BPNN）模型取得了较好的性能,建模集准确识别率达90.6%,预测集的准确识别率达83.3%;根据高光谱图像光谱维和图像维的最优模型,特将叶绿素含量作为建模的另一个特征,分别与光谱特征、图像特征组合,建立反向传播神经网络（BPNN）和线性判别分析（LDA）模型,提出基于光谱特征加叶绿素含量、图像特征加叶绿素含量和光谱、图像特征加叶绿素含量三种组合方式,其中,光谱特征和图像特征分别与叶绿素组合的方式比之前单独的光谱和图像特征建模性能都有所提升,而且三种组合方式中光谱特征加叶绿素含量的反向传播神经网络（BPNN）建模方式取得本研究所有建模方式中较优的性能,其准确识别率在建模集达100%,在预测集达96.7%。以上研究表明,基于高光谱图像和叶绿素含量对水稻纹枯病病害进行早期识别是可行的,为水稻病害的早期识别提供了一种新方法。     

酥梨货架期的高光谱成像无损检测模型研究

水果新鲜度是反映水果是否新鲜、饱满的重要品质指标,为了探讨水果不同货架期的预测和判别方法,以酥梨为研究对象,利用高光谱成像技术,结合偏最小二乘判别法（PLS-DA）和偏最小二乘支持向量机（LS-SVM）算法对酥梨货架期进行判别。由光源、成像光谱仪、电控位移平台和计算机等构成的高光谱成像装置采集样品光谱,装置光源采用额定功率为200 W四个溴钨灯泡成梯形结构设计,光谱范围为1 000～2 500 nm,分别率为10 nm。选取优质酥梨30个,货架期设置为1, 5和10 d,对30个样品完成3次光谱图像的采集,并矫正原始图像。实验结果表明：基于图像的酥梨货架期定性分析时,对不同货架期样品的原始图像进行PCA压缩,得到三种不同货架期的权重系数数据,PC1图像提取特征波长点为1 280,1 390,1 800,1 880和2 300 nm,以特征图像的平均灰度值作为自变量且以货架期作为因变量建立定性判别模型,建模集68个,预测集22个。最小二乘支持向量机以RBF为核函数时,预测集中样品的误判个数为1,误判率为4.5%。而当采用lin核函数时,样品的误判个数为0,误判率为0。PLS-DA定性分析时RMSEC为1.24,R_c为0.93。RMSEP为1,R_p为0.96,预测集误判率为0。特征图像对酥梨货架期判别LS-SVM中的lin核函数所建立的模型结果较好,优于RBF核函数的建模效果,也优于PLS-DA判别模型。ENVI软件提取实验样品光谱后建立LS-SVM和PLS-DA判别模型,LS-SVM利用RBF和lin核函数误判率分别为4.5%和0。与RBF核函数相比,lin核函数所建立的模型预测酥梨货架期的效果更好。PLS-DA方法主成分因子数为12,RMSEC和RMSEP分别为0.48和0.78,R_c和R_p分别为0.99和0.97,建模集与预测集的误判率均为零。LS-SVM中的lin核函数所建立的模型结果较好,依然优于PLS所建立的检测模型。酥梨的光谱信息结合LS-SVM可以实现对酥梨货架期的检测和判别。基于图像建立酥梨的货架期预测模型与光谱相比,都实现了酥梨货架期的判别,而特征图像法,选择区域较少流失部分信息,计算量小,建模结果相对略差。酥梨货架期的高光谱成像检测模型研究为消费者正确评价水果新鲜度提供了理论指导, 也为后期果水果货架期检测仪器的开发提供了技术支持。     

基于CARS-MIV-SVR的库尔勒香梨可溶性固体含量预测方法

为了实现库尔勒香梨依据可溶性固体含量（SSC）分级定等和按质论价,推动采后处理向标准化、产业化方向健康发展,利用高光谱成像技术研究出了一种快速、有效、无损检测库尔勒香梨SSC的方法。以表面无损伤的157个库尔勒香梨作为研究样本,应用高光谱成像采集系统获取400~1 000 nm波长范围内高光谱图像并用ENVI5.3软件提取感兴趣区域（ROI）,获得高光谱数据。采用Kennard-Stone（KS）样本集划分方法将全部样本按照2∶1的比例划分为校正集（105）和预测集（52）。对比标准变量变换（SNV）、多元散射校正（MSC）、一阶导数（FD）和二阶导数（SD）等数据预处理方法对建模精度的影响,最终选用SNV方法对光谱曲线进行平滑去噪。该研究提出竞争性自适应重加权算法与平均影响值算法的组合算法（CARS-MIV）选择特征波长。在竞争性自适应重加权算法（CARS）方法中,建模样本由蒙特卡罗算法随机选择生成,变量回归系数会随之发生变化,因而回归系数的绝对值不能全面反映变量重要性,从而影响模型检测精度。为降低这种影响,应用平均影响值（MIV）算法对选出的自变量进行二次筛选,筛选出相关性较大的变量用以建模分析,并与CARS、连续投影算法（SPA）、蒙特卡罗无信息变量消除算法（MCUVE）等经典特征波长选择算法进行比较。最后分别以全波长（FS）光谱信息和四种特征波长选择方法得出的光谱信息作为输入矢量,应用支持向量回归（SVR）建立库尔勒香梨可溶性固体含量定量预测数学模型,以校正集相关系数（R_c）、校正集均方根误差（RMSEC）、预测集相关系数（R_p）和预测集均方根误差（RMSEP）四个参数来评估模型的预测精度。比较分析发现,CARS-MIV-SVR模型效果最佳,校正集相关系数（R_c）为0.985 94,预测集相关系数（R_p）达到0.946 31,校正集和预测集均方根误差分别为0.185 85和0.403 33。结果证明：CARS-MIV特征波长选择方法能够有效增强库尔勒香梨光谱数据特征波长选择的稳定性和精确性,提高模型的预测精度。利用高光谱技术结合CARS-MIV-SVR模型能够满足库尔勒香梨可溶性固体含量测定需求,实现库尔勒香梨的分级定等和按质论价。     

基于高光谱图像技术与迁移学习的水晶梨早期损伤检测

梨在储藏、包装和运输等过程中均可能发生不同程度的机械损伤,若不及时剔除损伤梨,损伤可能会逐渐严重而演变成腐烂,造成严重的经济损失。为建立一种梨早期损伤检测及损伤时间评估的快速、无损检测方法,采用高光谱图像结合迁移学习模型对损伤早期水晶梨进行识别。以无损伤、挤压损伤24 h和挤压损伤48 h的水晶梨为研究对象,应用高光谱成像系统采集样品的高光谱图像,共获取无损伤、挤压损伤24 h和挤压损伤48 h的水晶梨高光谱图像各80帧。对高光谱图像进行主成分分析,选择主成分图像4,5,6（PC4,PC5,PC6）作为检测水晶梨损伤的特征图像,将3个主成分图像拼接后进行数据扩充共得到无损伤、挤压损伤24 h和挤压损伤48 h的特征图像各160帧。按照9∶1比例划分样本训练集和测试集后,分别建立了支持向量机（SVM）、k-近邻（k-NN）和基于ResNet50网络的迁移学习损伤识别模型。SVM、k-NN和基于ResNet50网络的迁移学习模型对测试集样本总体识别准确率分别为83.33%,85.42%和93.75%,基于ResNet50网络的迁移学习模型识别效果最佳,其对测试集中无损伤、挤压损伤24 h和挤压损伤48 h的样本正确识别率分别达到100%,83%和95%。该研究结果表明,高光谱图像技术结合基于ResNet50网络的迁移学习模型可实现水晶梨早期损伤检测,并对损伤时间有较好的预测效果,且损伤时间越长,识别准确率越高。     

高光谱成像与图像结合进行油菜角果蚜虫侵染的定位识别

油菜蚜虫可造成油菜籽的严重减产,及早进行油菜蚜虫判别以及其侵染定位识别有助于精准喷药。采用可见-近红外高光谱成像技术结合图像分析对185个蚜虫侵染以及138个健康油菜角果进行判别,并进行蚜虫的定位分析。首先采用主成分分析法(PCA)对两类样本的平均光谱进行聚类分析,并基于X-loading得出737nm波段可作为判断蚜虫的重要波段,采用Boxplot进行两类样本间单波段处的统计分析,同时得出基于737nm波段判断蚜虫侵染油菜角果的线性公式为y=2.917 6-3.345 7x(x为样本在737nm处的光谱值,y为样本的分类预测值)。采用此公式对实验样本进行判别分析,可以发现角果蚜虫识别率为99.0%。同时基于737nm处的油菜角果单波段灰度图进行蚜虫的定位识别,可以得到蚜虫的识别率为81.1%。结果表明,采用737nm处的单波段光谱信息以及图像信息可进行油菜角果蚜虫侵染的定位识别,为进一步开发便携仪检测仪以及精准喷药提供理论和方法依据。     

基于高光谱图像技术的玉米杂交种纯度鉴定方法探索

对玉米种子高光谱图像的光谱维信息进行分析,探索利用高光谱图像技术鉴定玉米杂交种纯度的可行性。实验中利用高光谱成像系统采集玉米品种农华101的母本和杂交种的高光谱图像, 波长范围871～1699 nm;在每个玉米样本上提取感兴趣区域的平均光谱信息,利用处理后的数据建立农华101母本和杂交种的鉴定模型。讨论了样品的摆放方式(种子胚正对光源和背对光源,种子在样品台上的位置)和实验环境对鉴定模型性能的影响。鉴定模型对不同摆放方式和实验环境下获得的同种样品的光谱的正确识别率和正确拒识率均达到90%以上,模型稳健性良好。利用Qs方法选择特征波段[1],发现在1 230 nm附近(1 195～1 246 nm)农华101的母本和杂交种差异最大。实验中利用特征波段内的数据进行建模和测试,正确识别率和正确拒识率达到90%以上,与利用全波段(925～1597 nm)获得的识别效果相当。分析结果表明,利用高光谱图像技术鉴定玉米杂交种纯度是可行的。     

应用高光谱图像光谱和纹理特征的番茄早疫病早期检测研究

提出了应用光谱和纹理特征的高光谱成像技术早期检测番茄叶片早疫病的方法。利用高光谱图像采集系统获取380～1 030 nm范围内71个染病和88个健康番茄叶片的高光谱图像,同时采用主成分分析法(PCA)对高光谱图像进行处理。选取染病和健康叶片感兴趣区域(region of interest, ROI)的光谱反射率值,同时分别从前8个主成分的每幅主成分图像的ROI中提取对比度(Contrast)、 相关性(Correlation)、 熵(Entropy)和同质性(Homogeneity)4个灰度共生矩阵的纹理特征值,再通过PCA和连续投影算法(SPA)结合最小二乘支持向量机(LS-SVM)构建番茄叶片早疫病的早期鉴别模型。建立的6个模型中,采用光谱反射率值的LS-SVM模型对番茄叶片早疫病的识别率最高,达到100%。结果表明,应用高光谱成像技术检测番茄叶片早疫病是可行的。     

竞争性自适应重加权算法和相关系数法提取特征波长检测番茄叶片真菌病害

基于竞争性自适应重加权算法(CARS)和相关系数法(CA)特征波长选择方法,提出了利用可见-近红外高光谱成像技术检测番茄叶片灰霉病的方法。首先获取380～1 023 nm波段范围内80个染病和80个健康番茄叶片的高光谱图像,然后提取染病和健康叶片感兴趣区域(ROI)的光谱反射率值,作为番茄叶片灰霉病鉴别模型的输入来建立支持向量机(SVM)鉴别模型,训练集和验证集的鉴别率都是100%。研究进一步通过CARS和CA提取特征波长,分别得到5个(554, 694, 696, 738和880 nm)和4个(527, 555, 571和633 nm)特征波长,然后分别建立CARS-SVM和CA-SVM鉴别模型。结果显示,CARS-SVM模型中训练集和验证集的鉴别率都是100%,CA-SVM模型中训练集和验证集的鉴别率分别是91.59%和92.45%。以上结果说明了从可见-近红外高光谱图像中提取的光谱反射率值用于检测番茄叶片的灰霉病是可行的。     

Nondestructive testing of external defects on Nanguo pear

In view of the common pests and diseases and irregularly shaped fruits of Nanguo pear, this paper fused the spectral information and image features to realize the rapid nondestructive testing and recognition of the external defects on Nanguo pear by hyperspectral imaging technology. Backpropagation neural network and support vector machine model was established to identify external defects, which are commonly used in classification and pattern recognition. The testing results show that recognition effect of support vector machine is better than backpropagation neural network. Among them, the recognition accuracy of fruits damaged by insects and rotten fruits of Nanguo pears reaches 100%. This study provides a theoretical basis for developing online grading system and quality detection of Nanguo pear based on multispectral imaging technique.     

基于高光谱成像的纸质文物“狐斑”检测方法研究

受保存条件影响,很多纸质文物表面会形成狐斑（foxing）,如果不能进行有效监测和科学判断,会进而影响纸质文物安全。纸质文物狐斑病害检测存在滞后性、主观性等问题,对于书画藏品被墨色、颜料及印章等覆盖的区域更是难以通过肉眼进行识别,因此,基于文物的预防性保护理念,亟待开发对于狐斑高效、精确识别的无损检测技术。可见光-近红外高光谱图像结合了光谱和图像,包含丰富的空间信息与光谱信息,可以实现无损批量地平面采集样本光谱信息。该研究提出一种基于高光谱成像技术检测纸质文物狐斑的快速识别方法,获取模拟纸质文物在360～970 nm的高光谱图像,因360～450 nm受噪声影响过大,所以选择剔除这部分光谱数据;选取感兴趣区域并获取相应的平均光谱反射率,比较健康区域与被狐斑感染区域,发现两者的光谱曲线存在差异;在450～600 nm附近,受狐斑影响区域比健康区域的光谱反射率偏高,并在600 nm附近出现波峰形态;而在600～900 nm范围内,被感染区域与健康区域的光谱都趋于平稳,两者之间差异逐渐减小。选取从特征波长对应的图像中提取的特征信息建立图像识别模型,运用波段运算观察狐斑图像特征,狐斑的大小和分布情况都能清晰地显示,但与印章和墨迹重叠部分,狐斑被印章和墨迹遮盖,难以识别;利用最小噪声分离,虽然不同部分有重叠,但能发现仅凭肉眼难以识别的隐藏的狐斑;180条高光谱数据（450～970 nm）建立狐斑判别模型,随机地分为120条数据为训练集,60条数据为测试集,应用K-近邻法与BP神经网络建立纸质文物狐斑光谱判别模型,总体上两种方法对狐斑判别率分别达到73.3%和85%;BP神经网络相较于K-近邻模型,总体判别率更高,识别效果也更好。结果表明,利用高光谱成像可高效准确识别纸质文物狐斑,为后续研究狐斑分布发展提供可靠的技术手段,也为博物馆馆藏文物的保存提供指导意见。     

基于高光谱成像技术的鲜枣裂纹的识别研究

裂纹是衡量鲜枣品质的重要指标之一,果皮裂纹加速鲜枣的腐烂,导致鲜枣货架期的缩短,严重降低鲜枣的经济价值。采用高光谱成像技术在380～1 030 nm波段范围内对鲜枣裂纹的位置及大小信息特征进行快速识别。选用偏最小二乘回归(PLSR)、连续投影法(SPA)和全波段图像主成分分析(PCA),得到鲜枣裂纹相关的敏感波段。然后利用选取的鲜枣裂纹的敏感波段对建模集的132个样本建立最小二乘支持向量机(LS-SVM)判别模型,并对预测集的44个样本进行判别。对PLSR-LS-SVM,SPA-LS-SVM和PCA-LS-SVM判别模型采用ROC曲线进行评判,得出PLSR-LS-SVM模型对鲜枣裂纹定性判别的结果(area=1,std=0)最佳。选取PLSR回归系数挑选出的5条鲜枣裂纹敏感波段(467,544,639,673和682 nm)对应的单波段图像进行主成分分析,其中将主成分PC4的图像结合图像处理技术,最终识别出鲜枣裂纹的位置、大小信息。结果表明,采用高光谱成像技术结合光谱图像处理可以实现鲜枣裂纹定性判别和定量识别的研究,为进一步开发相关仪器的研究提供理论方法和依据。