基于高光谱成像技术的山楂损伤和虫害缺陷识别研究

采用高光谱成像技术（420～1 000 nm）对山楂的缺陷（表面的损伤以及虫害区域）进行识别研究。共采摘了134个样品,包含损伤果46个、虫害果30个、损伤及虫害果10个和完好果48个。考虑到山楂的花萼、果梗与损伤、虫害的RGB图像有相似的外观特征,容易造成误判,利用高光谱成像系统采集了损伤、虫害、完好、花萼和果梗五个区域一共230个山楂样本的高光谱图像,并提取相应的感兴趣区域（region of interest, ROI）,得到了样本的光谱数据。使用标准归一化（standard normalized variate, SNV）,卷积平滑（savitzky golay, SG）,中值滤波（median filter, MF）,多元散射校正（multiplicative scatter correction, MSC）方法进行光谱预处理,建立偏最小二乘（partial least squares method, PLS）判别分析模型,结果表明经过SNV预处理后的预测结果较好。最后选取SNV作为预处理方法。应用回归系数法（regression coefficients, RCs）从全波段中提取10条特征波段（483,563,645,671,686,722,777,819,837和942 nm）,利用Kennard-Stone算法将各类样本按照3:1的比例随机分成训练集（173个）和测试集（57个）,并对其建立最小二乘支持向量机（least squares-support vector machine, LS-SVM）判别模型,山楂缺陷的正确识别率为91.23%。然后,运用主成分分析（principal componentanalysis, PCA）进行10条敏感波段下单波段图像的数据压缩,分别采用“sobel”算子和区域生长算法“Regiongrow”识别出86个缺陷山楂样本的边缘与缺陷特征区域,得出单损伤、单虫害和损伤及虫害样本的识别率分别为95.65%,86.67%和100%。研究结果表明：采用高光谱成像技术可以对山楂的损伤、虫害、花萼和果梗进行定性分析和特征识别,该研究为山楂的缺陷无损检测提供了理论参考。     

高光谱技术诊断马铃薯叶片晚疫病的研究

鉴于晚疫病可对马铃薯造成毁灭性灾害,对受晚疫病胁迫的马铃薯叶片进行了高光谱图像特征研究。旨在探索马铃薯叶片的高光谱图象特征与晚疫病害程度的关联,以实现准确、快速、无损的晚疫病诊断。采用60片马铃薯叶片,对其中48片采用离体方式接种晚疫病菌,所剩12片作为对照,染病前后连续观测7天,得到染病和健康样本。健康和染病样本按照染病时间和染病程度不同采用374～1 018 nm波段范围的可成像高光谱仪分别采样,基于ENVI软件处理平台提取图像中感兴趣区的光谱信息,并采用移动平均平滑、导数处理、光谱变换、基线变换等预处理方法提高信噪比,建立了最小二乘支持向量机（LS-SVM）的识别模型。9个模型中,基于原始光谱(不预处理)和光谱变换预处理后的数据所建立的模型预测效果最好,识别率均达到了94.87%。表明基于高光谱成像技术可以实现晚疫病胁迫下马铃薯病害程度的有效区分。     

基于高光谱成像提取苹果糖度与硬度最佳波长

利用高光谱成像技术提取可同时检测苹果糖度与硬度的最佳波长。首先双面采集苹果的高光谱图像,获取亮度相近感兴趣区域(ROIs)的反射波形,采用二阶导数结合标准正态变量(SD+SNV)的方法平滑波形,测试ROIs的糖度与硬度;之后采用连续投影算法(SPA)提取两项指标的特征波长,根据特征波长的分布提出二次连续投影算法,结合波形集特征与两次投影结果确定不同取样面的最佳波长;最后采用遗传算法开发神经网络(GA-BP)建立预测模型,双面取样波长(543 nm和674 nm)效果最优,糖度相关系数(R)为0.847 6,均方误差(MSE)为3.32;硬度R为0.793 8,MSE为9.6。结果表明,相同波长信息可以检测苹果糖度与硬度。     

基于高光谱成像技术的番茄叶片灰霉病早期检测研究

提出了独立软模式法(SIMCA)的番茄叶片灰霉病特征波段图像的提取,并通过多元线性回归法(MLR)提取波段融合图像,通过最小距离法获取番茄灰霉病患病信息的技术路线。利用680～740 nm波段的方差图像和建模能力参数提取的特征波段,并作为输入变量进行MLR分析,在0.5准确率阈值下,准确率均大于99%,说明特征波段可以实现番茄叶片灰霉病的检测,并利用MLR回归系数提取波段融合图像,通过最小距离法获取番茄灰霉病患病信息,结果表明所提出的方法具有很好的预测能力,为番茄灰霉病的早期检测提供了一种新方法,且大大降低了高光谱图像的数据处理时间。     

高光谱成像结合SIS与RFS的蓝莓腐烂病检测

为了能够快速、无损地检测采后蓝莓腐烂病害,利用高光谱成像技术对采后蓝莓腐烂病进行检测。本研究提出光谱信息分割法(SIS)对866.5 nm波段图像蓝莓病害区域进行分割,取得了较好效果。另外根据正常蓝莓光谱曲线和病害蓝莓光谱曲线,提出区域特征筛选法(RFS),并结合竞争适应重加权采样(CARS)和连续投影(SPA)算法对可见光第一区域波段、近红外第二区域波段分别筛选特征波长。最后,采用相关向量机(RVM)模型和径向基(RBF)神经网络模型对蓝莓腐烂病害进行检测。检测结果表明,第一区域与第二区域特征波长组合建立的CARS-RBF模型检测效果最好,特征波长为655.8,710.9,752.2,759.9,761.2,866.5,969.7 nm,训练集和测试集正常蓝莓与病害蓝莓检测准确率分别为98.3%、98.6%和97.5%、98.75%。本研究提出的光谱信息分割法(SIS)和区域特征筛选法(RFS)检测蓝莓病害,为蓝莓在线检测和分拣提供了一种新的参考方法。     

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。     

高光谱探测绿色涂料伪装的光谱成像研究

基于现有伪装涂料与植被反射光谱的本质差异,提出一种可有效识别当前所有绿色伪装涂料的高光谱成像方法.通过分析绿色伪装涂料与被子植物叶片的反射光谱及其一阶微分谱的差异,确定了星载和机载高光谱遥感探测中,可见光波段的绿色反射峰和780～1 300 nm的“近红外高原”波段反射率的波动性是识别绿色伪装涂料的有效光谱特征.对“近红外高原”波段的反射光谱进行成像是高光谱探测实现伪装目标可视识别的可行方法,尤其是对反射光谱一阶微分处理后进行成像可更加有效地识别植被环境中的绿色伪装涂料.     

甜瓜尾孢叶斑病的高光谱成像检测

农作物生长发育过程中经常会遭到病虫害等外界因素侵染,如果不能实施有效的监测诊断和科学的防治,极易引起农药喷洒不当或过量,不仅会影响作物的产量和种植户的经济效益,还会造成严重的环境污染。近年在广西大棚厚皮甜瓜上发生了一种严重的由瓜类尾孢（Cercospora citrullina）引起的甜瓜叶斑病,导致甜瓜减产和种植户的经济损失。故此应用高光谱成像开展甜瓜叶片的尾孢叶斑病检测,获取健康甜瓜叶片和受瓜类尾孢感染的具有不同病变程度的甜瓜叶片在380~1 000和900~1 700 nm的高光谱图像,选取感兴趣区域并获取相应的平均光谱反射率,比较发现健康叶片和不同病变程度叶片染病区域的平均反射率差异显著。在540 nm处附近,健康叶片和病变程度轻微的叶片的光谱具备波峰形态,随着病变程度增加,波峰逐渐消失;在700~750 nm处附近,叶片反射率曲线急剧上升,出现绿色植物光谱曲线显著的“红边效应”特征;750~900 nm范围,健康叶片与轻微病变区域的光谱反射率变化趋于平稳,而其他病变区域的反射率呈上升趋势,且健康叶片的反射率高于病变区域,反射率随病变程度增加而下降,这一变化规律一直持续到近红外波段的900~1 350 nm范围。运用主成分分析、最小噪声分离法观察叶片早期病变的特征,经主成分分析和最小噪声分离法处理后,特别是对于早期病变,样本受感染后发病的区域更为明显。基于高光谱图像提取的前三个主成分得分绘制三维散点图,虽然不同病变程度的部分样本有重叠,但病变样本与健康样本的分布区分明显。应用K-近邻法和支持向量机方法建立叶片病变判别模型,结果显示：KNN模型对健康样本测试集判别率为98.7%,病变样本的判别率随病变程度加重而逐渐升高;对病变程度较轻样本,支持向量机模型相比于KNN模型而言,判别正确率更高、分类效果更好;总体上,高光谱图像对健康样本的判别率较高（>97%）,可用于健康样本与病变样本的识别,但对不同病变程度的区分效果欠佳。研究结果表明,高光谱成像可用于甜瓜尾孢叶斑病的检测,对不同病变程度的区分效果仍有待提高。     

基于高光谱成像和判别分析的黄瓜病害识别

利用光谱成像技术(400～720 nm)识别黄瓜白粉病、角斑病、霜霉病、褐斑病和无病区域。构建高光谱图像采集系统进行样本图像的采集,预处理和光谱信息的提取。由于获得的原始光谱数据量很大,为了减少后续运算量,提高准确率,采用逐步判别分析和典型判别分析两种方法进行降维。逐步判别从55个波段中选择12个波段,典型判别从55个波段中提取2个典型变量。利用选择的光谱特征参数建立病害识别模型。逐步判别构建的模型对训练样本和测试样本的判别准确率分别为100%和94%,典型判别构建的模型对训练样本和测试样本的判别准确率均为100%。说明利用高光谱成像技术可以进行黄瓜病害的快速、准确识别,并为实现可见光谱范围内黄瓜病害的田间实时在线检测提供了可能。     

利用高光谱图像技术评判茶叶的质量等级

针对茶叶品质无损检测时内外品质难以同时兼顾的问题,利用高光谱图像技术检测茶叶质量.设计一套基于光谱仪的高光谱图像系统采集数据;通过主成分分析,从海量数据中优选出三个波长段的特征图像;从每个特征图像中分别提取平均灰度级、标准方差、平滑度、三阶矩、一致性和熵等6个基于统计矩的纹理特征参量,每个样本共有18个特征变量;再通过主成分分析对这18个特征变量进行压缩,提取8个主成分因子建立基于反向传播神经网络的茶叶等级判别模型.模型训练时的总体回判识别率为97%;预测时总体识别率为94%.结果表明,高光谱图像技术可以用于茶叶质量等级水平的评判.     

空间分辨散射光谱多参数信息融合方法的生鲜肉嫩度无损检测

嫩度是猪肉食用品质最重要的指标之一。猪肉嫩度取决于猪肉组织复杂的物理、化学特性,目前难以实现快速无损伤检测。探索空间分辨光谱技术用于生鲜肉嫩度无损检测的可行性。首先利用点光源高光谱扫描系统采集54块猪肉背最长肌的空间可分辨散射光谱,经过感兴趣区域选择,提取出猪肉样本表面光斑的空间扩散轮廓,结合4-参数洛伦兹分布函数对扩散轮廓进行非线性拟合,拟合优度R2>0.992,并通过残差分析,表明4-参数洛伦兹分布函数符合肉样表面光强的空间散射规律,进而提取出480～950 nm波长下空间分辨光谱的四个形态学参数：渐进值a、峰值b、半带宽c以及半带宽处的斜率d。然后将单参数谱分别与猪肉样本Warner-Bratzler剪切力（WBSF）测量值进行偏最小二乘回归（PLSR）分析。结果表明不同参数谱都含有猪肉嫩度信息,其中峰值参数谱b建模效果最佳,其回归模型的校正集决定系数R2_c为0.674,均方根误差SEC为8.396N,预测集决定系数R2_p为0.610,均方根误差SEP为8.643N。为提高模型的预测精度和稳定性,实现多参数谱信息的融合,先通过PLSR分析,分别提取出每个参数谱中对猪肉嫩度方差贡献大的公共因子,然后将其因子得分组合在一起作为参数谱的特征变量,与猪肉样本WBSF测量值作多元统计回归分析。为避免数据冗余,对不同参数谱特征变量进行多重共线性判别,进一步采用PLSR算法对参数谱特征变量进行降维和变换,采用交叉验证方法,选择前两维因子得分进行校正模型的建立。其中所提取第一维公共因子对猪肉WBSF值方差解释率达92.28%。与单参数谱所建PLSR模型相比,多参数谱信息融合模型预测效果有了较大提高,其R2_c和R2_p分别为0.923和0.800,SEC和SEP分别为4.083N和5.655N。通过对回归系数进行统计量t检验,结果表明所有回归系数极显著（p<0.01）。本研究通过采取多参数信息融合方法为空间分辨光谱在生鲜肉嫩度无损检测应用提供一种思路,该方法有效将空间分辨光谱解析为4个形态学参数,并实现不同参数谱信息的提取和融合,为开发基于空间分辨光谱的生鲜肉嫩度无损快速检测装备提供技术支撑。     

苹果轻微机械损伤高光谱图像无损检测

无损检测是高光谱遥感应用研究热点之一。苹果在采摘、运输过程中易发生轻微机械损伤而影响其品质。使用高光谱成像系统分别采集54个轻微损伤的“黄香蕉”与“烟台富士”苹果可见-近红外波段(400~1 000 nm)的图像,提取苹果损伤区域的均值波谱曲线,对其进行最小噪声分离变换和基于几何顶点端元原理提取端元波谱,计算损伤区域波谱和端元波谱的光谱角,构建了端元提取光谱角苹果轻微机械损伤检测模型。通过设定光谱角阈值分别检测“黄香蕉”与“烟台富士”苹果轻微机械损伤,并与MNF变换、PCA方法检测精度进行对比分析,结果表明EESA模型检测苹果轻微机械损伤的精度最高,检测正确率分别达到94.44%和90.07%。     

基于高光谱的脱绒棉种电导率快速检测研究

为了寻求一种快速、无损检测脱绒棉种活力的方法,提出基于高光谱技术预测脱绒棉种电导率。采集了新陆早50、新陆早57、新陆早62三个品种且不同老化程度下共810粒脱绒棉种高光谱图像(400~1 000 nm),通过组合不同预处理方法,采用chauvenet检测方法剔除异常值后建立了偏最小二乘法(PLS)、逐步多元线性回归(SMLR)、主成分回归(PCR)模型。结果表明,采用变量标准化(SNV)、卷积平滑(Savitzky-Golay)、一阶微分(First derivative)和norris微分平滑组合的预处理方法,波段范围为480~530,650~980 nm下建立的PLS模型效果最佳;其中PLS模型得到新陆早50、新陆早57、新陆早62的预测集相关系数和校正集相关系数分别为0.88,0.90,0.92,0.91,0.89,0.90;预测集均方根误差(RMSEP)和校正集均方根误差(RMSEC)分别为44.3,38.4,37.8,46.5,43.5和40.8 μS·cm-1。研究结果表明,采用高光谱技术预测脱绒棉种电导率具有一定的可行性,也为其他种子的活力检测奠定了良好的基础。     

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。     

高光谱成像的机采籽棉杂质分类检测

机采籽棉杂质分类检测为调整棉花清理机械加工参数和工序提供参考依据,对提升皮棉品质具有重要意义。但由于籽棉棉层分布不均匀,使得图像检测难度增大,使用传统的检测方法无法有效检测各类杂质。采用高光谱成像方法对机采籽棉中的棉叶、棉枝、地膜和铃壳（内外）五种杂质进行分类判别检测。首先采集120个机采籽棉样本的高光谱图像,选取感兴趣区域获取平均光谱曲线。发现由于物质构成的差异,不同杂质体现出不同的吸收和反射特性,不同种类物质之间的光谱差异大于同类物质。对提取的平均光谱曲线进行主成分分析（PCA）,结果显示棉花、残膜和铃壳外与其他三类相比,有较好的聚集性和可分性,但是棉叶、铃壳内和棉枝三类相互叠加在一起,空间分布存在严重交叉重叠。以提取的平均光谱曲线为训练样本,选择线性判别分析（LDA）、支持向量机（SVM）和神经网络（ANN）三种分类判别算法,对算法参数进行寻优,并建立机采籽棉杂质分类判别模型。其中,经过LDA模型降维后的样本空间较PCA表现出了更好的聚集性和可分性,采用正则化防止过拟合,得到训练集准确率为86.4%,测试集准确率为86.2%;SVM模型的参数寻优结果为C=105,g=0.1,其训练集准确率为83.42%,测试集准确率为83.40%;ANN模型参数寻优得到隐含层数和神经元个数分别为2和17,训练集准确率为82.9%,测试集准确率为81.8%。对三种模型的分类效果和检测用时进行比较,LDA模型结果最优。通过对高光谱图像进行像素等级分类判别,结果显示棉花识别效果较好,植物性杂质都被有效检测,但是地膜和棉花存在误识别,分类效果与杂质光谱的分类判别模型结果一致。因此,采用高光谱成像技术可以快速、无损的检测和识别籽棉杂质,为棉花加工装备提供反馈参数,对棉花加工机械化和智能化有重要意义。     

Nondestructive Rapid Identification of Soybean Varieties Using Hyperspectral Imaging Technology

Journal of Applied Spectroscopy - Hyperspectral imaging technology was used to classify four types of soybean varieties. The reflectance spectra of four varieties of soybeans were extracted from...     

哈密瓜坚实度的高光谱无损检测技术

提出利用高光谱对哈密瓜坚实度进行检测的方法,对比分析了不同波段范围、不同预处理法、不同光程校正法和不同定量校正算法对哈密瓜坚实度预测模型准确度的影响.实验结果表明,在500～820 nm波段光谱区域,采用偏最小二乘法对经过标准正则变换校正的一阶微分处理的光谱建模效果较优,其校正集相关系数为0.873,校正均方根误差为4.18N,预测集相关系数为0.646,预测均方根误差为6.40N.研究表明,应用高光谱对哈密瓜坚实度的无损检测研究具有可行性.     

应用近红外高光谱成像技术检测面粉中偶氮甲酰胺

高光谱成像技术不仅可以获得样品的图像信息,每个像素点还包含了光谱信息,因其信息量丰富的特点已在食品安全检测方面得到了应用。该研究应用近红外高光谱成像技术检测面粉中偶氮甲酰胺。分别采集纯偶氮甲酰胺、纯面粉和面粉中10种不同浓度偶氮甲酰胺混合样品的高光谱图像。通过比较纯偶氮甲酰胺和纯面粉的平均漫发射光谱,找到两者区分度较大的4个吸收波段：1 574.38,2 038.55,2 166.88和2 269.91 nm。采用二阶导数对样品图像中的像素点光谱进行预处理,通过光谱角制图、光谱相关角和光谱相关性度量三种光谱相似性分析方法对混合样品中的偶氮甲酰胺像素和面粉像素进行检测。结果表明,预处理后的平均光谱不能有效检测面粉中偶氮甲酰胺;单像素点光谱结合光谱相似性分析实现了混合样品中偶氮甲酰胺像素和面粉像素的分类;分类结果的验证显示了偶氮甲酰胺像素和面粉像素的正确分类。研究结果为利用高光谱技术检测面粉中添加剂提供了方法支持,为食品中掺杂物的检测提供参考。