基于高光谱图像的即食海参新鲜度无损检测（英文）

新鲜度是即食海参加工品质调控和贮藏品质监控的关键指标。针对感官评定和现有理化检测无法满足即食海参产品大批量、标准化、工业化生产问题,提出了一种基于高光谱图像的即食海参新鲜度快速无损检测方法,通过图像主成分分析和波段比运算相结合,优选特征波长和图像;依据海参腐败机理,建立图像纹理特征与即食海参新鲜度等级间的关联模型,实现即食海参新鲜度无损、快速评价。首先针对高光谱图像巨大的数据量展开降维研究。根据即食海参体壁光谱吸收特性,以具有明显化学吸收特征的波长(474和985nm)为分界点,获得包括全检测波段(400~1 000nm)在内的六个待处理波段,通过分段图像主成分分析实现待测波段的优选,利用权重系数和波段比图像运算,最终将686和985nm波段比图像确定为特征图像。面向特征图像的感兴趣区域(ROI),构建灰度共生矩阵(gray-level co-occurrence matrix,GLCM)、灰度梯度共生矩阵(gray-gradient co-occurrence matrix,GGCM)、改进的局部二元模式纹理描述子(local binary pattern,LBP),分别提取纹理参数作为输入,以挥发性盐基氮(total volatile basic nitrogen,TVB-N)检测为标准,建立经粒子群优化的BP神经网络(back propagation,BP)即食海参新鲜度判别模型,新鲜度等级判别准确率分别为90%,95%和80%。结果表明,即食海参高光谱图像灰度梯度共生矩阵的纹理特征用于新鲜度判别效果较好。为即食海参新鲜度快速无损检测方法研究和仪器开发提供了理论基础和数据支持。     

基于光谱角累加的高光谱图像异常检测算法

针对传统方法中用作背景的像素中存在干扰像素的问题,提出一种基于光谱角累加的高光谱图像异常检测算法。通过计算测试区域待测像素光谱向量与其他光谱向量之间的夹角,并将其累加,得到图像中每个像素的异常程度;然后使用波段选择预处理方法进一步提高检测性能。HyMap高光谱数据验证表明,在虚警概率设为0.008时,检测概率达到0.73,即在提高异常检测可靠度的同时,降低了虚警概率。     

高光谱图像与稀疏核典型相关分析冷鲜羊肉新鲜度无损检测

羊肉新鲜度受多种因素影响,通常由多个指标来综合评价,常规试验操作复杂不适合在线检测。高光谱成像数据能够反映羊肉新鲜度变化过程中多种成分的变化信息,但是光谱特征提取与评价模型的建立对最终结果影响较大。为了研究高光谱成像与多指标的快速检测羊肉新鲜度的可行性,提出一种稀疏核典型相关分析方法,借助实验室测定的多个标准值,研究多指标的羊肉新鲜度无损检测。采集了70个代表各级新鲜程度的羊肉样本400~1 000 nm高光谱图像,采用实验室方法测定了挥发性盐基氮(TVB-N)和菌落总数(TAC)标准值,选择感兴趣区域(ROIs)提取代表性光谱图像,利用所提出的特征提取方法提取光谱特征信息,并按照3:1划分校正集和预测集,利用三层神经网络进行分类识别试验。结果表明,新鲜度等级分类总体精度(OA)为0.939 3,Kappa系数为0.906 0,均方根误差(RMSEC)为0.297。研究表明,所提出的多指标光谱特征提取方法可用于快速无损检测羊肉新鲜程度,为采用高光谱成像综合多个新鲜度检测指标,改善由于单一检测指标造成评价模型的适用性和鲁棒性提供了基础。     

基于高光谱的鸡蛋新鲜度检测

借助高光谱成像仪采集贮期白壳鸡蛋的透射高光谱数据,对比测量常规表征新鲜度的哈夫单位值,用Matrix Laboratory (MATLAB)和Statistical Analysis System (SAS)等软件,同时结合化学计量法对样品鸡蛋的高光谱数据进行分析处理,建立了基于高光谱技术的鸡蛋新鲜度预测模型。选用高光谱500～1 000 nm的波段作为敏感波段进行研究,用马氏距离剔除鸡蛋异常样本数据,并对鸡蛋高光谱数据进行了微分校正,通过比较发现高光谱二阶微分与鸡蛋哈夫单位值之间的线性度高,因此选用高光谱二阶微分数据来进一步研究,并对其进行了小波去噪、光滑处理及标准化处理。选用近年新提出来的competitive adaptive reweighted sampling (CARS)变量选取法对高光谱进行降维,提取出32个特征参数,建立了白壳蛋基于全波段的偏最小二乘法(partial least square, PLS)预测模型和基于特征参数的多元回归模型,验证集的相关系数分别为0.88,0.93,均方误差分别为7.565,6.44。用验证集的蛋对基于高光谱二阶微分全波段的偏最小二乘法预测模型、基于特征参数的多元回归模型分别进行验证,两个模型判别白壳蛋新鲜和不新鲜的最高准确率达100%,88%。     

字典学习稀疏表示的高光谱图像异常检测

针对稀疏表示高光谱检测算法性能受背景字典影响较大的问题,充分利用高光谱图像空间信息和光谱主成分信息,提出了一种基于字典学习的稀疏表示异常检测算法。首先利用主成分分析提取高光谱数据的主特征,建立目标主成分空间,并证明了在主成分空间进行字典学习稀疏重构的可行性;然后在主成分空间内构造基于K-SVD算法的训练字典,改善了背景字典性能;采用正交匹配算法重构主成分分量,利用主成分分析反变换得到待检测像元重构光谱,增强了高光谱图像的局部异常特性;最后,基于重构误差异常特性实现高光谱图像异常检测。仿真结果证明了该方法的有效性。     

基于独立成分分析的高光谱图像异常检测

针对高光谱图像中背景及目标先验知识未知条件下的异常目标检测问题,提出了一种基于独立成分分析(ICA)的异常探测算法.首先估计原始数据的虚拟维(VD)以确定要分离的独立成分个数,在此基础上进行快速独立成分分析(FastICA),然后基于平均局部奇异度选择含异常信息较多的独立成分,最后使用丰度量化算法得到异常目标的丰度图像...     

基于纹理特征和形态学特征融合的高光谱影像分类法

针对传统融合空间和光谱特征方法仅使用单一空间特征,并未充分利用其双高分辨率的特点,提出了一种基于纹理特征和形态学特征融合的高光谱影像分类方法.首先利用传统主成份分析变换降低高光谱影像的维数,消除空间相关性,然后对每一主成分采用灰度共生矩阵提取纹理特征,获得扩展纹理特征,最后结合形态学特征和部分光谱特征进行高光谱影像的分类.实验证明,本文提出的方法能更好地克服传统光谱特征分类的局限性,提高高光谱影像的分类准确度.     

基于高光谱图像技术的水果表面农药残留检测试验研究

以脐橙为研究对象,初步探讨了应用高光谱图像技术检测水果表面农药残留的方法.用蒸馏水把农药分别配置成1:20,1:100和1:1000倍的溶液.然后把同种不同浓度的溶液滴到10个洗净的脐橙表面,溶液量约为120 μL,200μL和400μL,脐橙表面形成一个3×3的矩阵形状.将水果放置到通风阴凉处放168 h后,拍摄图像.采集脐橙在625～725 nm范围的高光谱图像,应用主成分分析方法(PCA)获得特征波长的图像,应用第三主成分图像(PC-3)并经过适当的图像处理方法对脐橙表面的农药残留进行检测.检测结果表明,高光谱技术对检测较高浓度农药残留非常明显.     

基于PCA和SVM的高光谱遥感图像分类研究

支持向量机(SVM)是根据统计学习理论提出的新的研究方法,它在解决小样本、非线性及高维模式识别问题中表现出了许多特有的优势,在模式识别、函数逼近和概率密度估计等方面取得了良好的效果。由于高光谱图像波段数目多,各波段间具有较强的相关性,因此通过主成分分析(PCA)方法对高光谱数据进行预处理,达到了降维的目的,同时也去除了噪声波段。用支持向量机方法对高光谱遥感图像进行分类,可实现图像的分类识别。     

近红外光谱的河蟹新鲜度快速检测研究

河蟹的新鲜度是大多数消费者在购买时所考虑的最重要的因素,挥发性盐基氮(TVB-N)是当前国际通用的评价肉类新鲜度的指标,但其检测工序繁琐、耗费时间长,无法满足当前市场对河蟹新鲜度评价的迫切需求。因此,建立一种快速检测河蟹新鲜度的方法是当前急需解决的一大难题。将购于水产市场的河蟹,采用聚乙烯充氧袋快速运至实验室,样本数共126只。在洁净的工作台上处理后,将螃蟹分为42个实验样品,每个样品3只鲜活螃蟹;42个实验样品放在低温4℃的恒温生化培养箱中贮藏,每天从培养箱中按时取出6个螃蟹样品进行光谱数据采集及新鲜度指标TVB-N的测定,历时7 d。采用近红外光谱(NIRS)对贮藏在不同时间下的河蟹新鲜度进行评价,使用挥发性盐基氮(TVB-N)作为评价河蟹新鲜度的指标,首先通过比较经五折交叉验证(5-fold CrossValidation)算法、 kennard-stone(KS)算法、光谱-理化值共生距离(SPXY)算法三种样本划分方法处理后所建模型的预测效果确定最优样本划分方法,最终采用五折交叉验证(5-fold CrossValidation)算法对样本进行划分。其中的32个样品被划分为训练集进行模型构建,其余的10个样品被划分为测试集用于模型检验。然后在经过五折交叉验证法对样本进行划分的基础上,分别采用小波变换(WT)、 Savitzky-Golay平滑、一阶导数法(Db1)、二阶导数法(Db2)这4种单一算法以及小波变换(WT)与Savitzky-Golay平滑相结合的算法进行预处理,通过比较预处理后所建模型的预测效果,确定了小波变换(WT)预处理为最优光谱预处理方法,从而消除了光谱中的无用信息并提高了信噪比。再次,在WT预处理的基础上,分别采用主成分分析(PCA)法和连续投影(SPA)算法提取光谱特征波段,通过建模比较确定主成分分析(PCA)法为最优波长选择方法,以所选的16个特征波长作为模型的输入,不仅提高了模型的运行速度还可以提高模型的稳定性。最后,在经过PCA特征提取后,分别采用偏最小二乘回归(PLSR)算法和多元线性回归(MLR)算法构建TVB-N定量预测模型,通过比较两种模型的预测效果,确定了偏最小二乘回归(PLSR)模型为最优建模方法,最终确定的最优模型为基于WT-PCA-PLSR建立的模型,模型预测决定系数R^2为0.89,预测均方根误差RMSEP为3.00。综上所述,所建立的预测模型具有较高的精度,可以实现对河蟹新鲜度的快速检测,具有较好的市场应用前景。     

高光谱成像技术的库尔勒梨早期损伤可视化检测研究

利用高光谱成像技术对库尔勒梨早期损伤进行快速识别检测。以60个库尔勒梨为研究对象,采集380～1 030 nm波段范围内完好样本和损伤后1～7天样本的480幅高光谱图像。提取图像中感兴趣区域(ROI)的平均光谱信息,利用小波变换(WT)对光谱数据进行去噪平滑,将去噪后的全部样本按2∶1的比例分成建模集(320个)和预测集(160个)。利用二阶导数从全谱信息中提取出19个特征波长,分别基于全谱和提取出的特征波长对建模集和预测集进行支持向量机(SVM)建模分析。结果表明,基于全谱和特征波长的判别分析模型中,两者预测集的识别率都达到93.75%,表明提取的特征波长包含了光谱数据中的关键信息。然后,基于特征波长运用波段比运算挑选最佳波段比,根据波段比F值的分布确定光谱图像分割的最佳波长684和798 nm。对最佳波段比(684/798 nm)下的图像,利用选择性搜索(SS)对高光谱图像中样本的完好和损伤区域进行分割,从分割结果来看,1～7天损伤样本的受损区域能够被准确检测出来。研究结果表明：基于高光谱成像技术对库尔勒梨进行损伤鉴别是可行的,该研究所获得的特征波长和波段比为研发在线实时的库尔勒梨损伤检测系统提供支撑。     

高光谱成像的猕猴桃糖度无损检测方法

猕猴桃糖度是重要的猕猴桃内部品质衡量指标.传统的糖度检测耗时且有损样品,有效无损检测猕猴桃糖度含量对于其品质分级、储藏销售具有重大意义.基于高光谱成像技术的常见果蔬品质无损检测方法多数是采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、主成分分析(PCA)、迭代保留信息变量法(IRIV)等算法中的某个单一...     

半透射高光谱成像技术与支持向量机的马铃薯空心病无损检测研究

针对马铃薯空心病的难以检测问题, 提出了一种基于半透射高光谱成像技术结合支持向量机(support vector machine, SVM)的马铃薯空心病无损检测方法。选取224个马铃薯样本(合格149个, 空心75个)作为研究对象, 搭建了马铃薯半透射高光谱图像采集系统, 采集了马铃薯样本半透射高光谱图像(390~1 040 nm), 对感兴趣区域内的光谱进行平均和光谱特征分析。采用变量标准化(normalize)对原始光谱进行光谱预处理, 建立了全波段的SVM判别模型, 模型对测试集样本的识别准确率仅为87.5%。为了提高模型性能, 采用竞争性自适应重加权算法(competitive adaptive reweighed sampling algorithm, CARS)结合连续投影算法(successive projection algorithm, SPA)对光谱全波段520个变量进行变量选择, 最终确定了8个光谱特征变量(454, 601, 639, 664, 748, 827, 874和936 nm), 所选8个光谱变量建立的SVM模型对马铃薯测试集的识别率为94.64%。分别采用人工鱼群算法(artificial fish swarm algorithm, AFSA)、遗传算法(genetic algorithm, GA)和网格搜索法(grid search algorithm)对SVM模型的惩罚参数c和核参数g进行优化。经过建模比较分析, 确定AFSA为最优优化算法, 最优模型参数为c=10.659 1, g=0.349 7, 确定AFSA-SVM模型为马铃薯空心病的最优识别模型, 该模型总体识别率达到100%。试验结果表明: 基于半透射高光谱成像技术结合CARS-SPA与AFSA-SVM方法能够对马铃薯空心病进行准确的检测, 也为马铃薯空心病的快速无损检测提供技术支持。     

半透射高光谱成像技术与支持向量机的马铃薯空心病无损检测研究

针对马铃薯空心病的难以检测问题,提出了一种基于半透射高光谱成像技术结合支持向量机(support vector machine,SVM)的马铃薯空心病无损检测方法。选取224个马铃薯样本(合格149个,空心75个)作为研究对象,搭建了马铃薯半透射高光谱图像采集系统,采集了马铃薯样本半透射高光谱图像(390~1 040 nm),对感兴趣区域内的光谱进行平均和光谱特征分析。采用变量标准化(normalize)对原始光谱进行光谱预处理,建立了全波段的SVM判别模型,模型对测试集样本的识别准确率仅为87.5%。为了提高模型性能,采用竞争性自适应重加权算法(competitive adaptive reweighed sampling algorithm, CARS)结合连续投影算法(successive projection algorithm, SPA)对光谱全波段520个变量进行变量选择,最终确定了8个光谱特征变量(454,601,639,664,748,827,874和936 nm),所选8个光谱变量建立的SVM模型对马铃薯测试集的识别率为94.64%。分别采用人工鱼群算法(artificial fish swarm algorithm,AFSA)、遗传算法(genetic algorithm,GA)和网格搜索法(grid search algorithm)对SVM模型的惩罚参数c和核参数g进行优化。经过建模比较分析,确定AFSA为最优优化算法,最优模型参数为c=10.659 1,g=0.349 7,确定AFSA-SVM模型为马铃薯空心病的最优识别模型,该模型总体识别率达到100%。试验结果表明：基于半透射高光谱成像技术结合CARS-SPA与AFSA-SVM方法能够对马铃薯空心病进行准确的检测,也为马铃薯空心病的快速无损检测提供技术支持。     

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。     

高光谱成像的纸币真伪鉴别研究

人民币是中华人民共和国的法定货币,人民币的真假直接关系到我国社会的和谐与稳定。百元钞票作为我国最大面额钞票,其真假的鉴定显得更为重要。以2005版的百元钞票为例,利用可见/近红外高光谱成像仪获取一张真钞与两张假钞正、背面高光谱影像数据,然后分别在百元钞票的正、背面选取4个特征点,以分析百元真假钞票在正、背面的光谱反射率差异。从真假钞正面四个特征位置的光谱反射率曲线可知,不同特征点处,真钞与假钞之间的有些图案的光谱反射率差异较大,有些图案的光谱反射率则差异并不显著。而不同批次的假钞,其不同位置的光谱反射率也存在较大的差异。对于真假钞背面的分析可知,不同特征点,在不同的波段,真钞与假钞以及假钞之间的光谱反射率同样有一定的差异。根据真钞与假钞正、背面8个特征点的光谱反射率曲线变化特征,选取500, 660和870 nm三个波长的灰度图,观察到真钞与假钞在不同特征点的灰度图均表现出明显的差异。真钞在500 nm处的图像轮廓清晰,在660和870 nm两个波长,无论是正面或背面,真钞均有多处特征位置有异于假钞,因此可用660或870 nm区别百元真假钞。为了突出真钞与假钞之间的图像差异,利用基于...     

基于高光谱成像技术的不同产地小米判别分析

高光谱成像技术被广泛应用于农产品的检测。基于高光谱成像技术结合机器学习算法无损鉴别不同地区的小米样本。将来源7个省份共计23份样品的小米样本根据地理区域划分为东北地区、河北、陕西、山东和山西共5大类,其中东北地区共6份样品,山西地区5份样品,河北、陕西和山东各4份样品。将每份样品均分为10等份并利用高光谱成像仪采集900～1 700 nm波段内小米的高光谱数据。为了减少光照不均匀和暗电流对实验的影响,对采集到的高光谱数据进行黑白校正。利用ENVI软件选取小米高光谱图像的感兴趣区域(ROI),每份小米样品选取9个ROI。计算ROI内的平均光谱值,以此平均值作为该样本的一条光谱记录,最后共收集到2 070条光谱曲线,其中东北类540条,山西类450条,其他河北类、山东类、陕西类各360条。为了减少样品表面的不平整性引起的散射现象,进而影响小米的真实光谱信息,对收集到的原始光谱进行多元散射校正预处理(MSC)。采用随机划分法对校正过后的光谱数据划分训练集和测试集,测试集占的比例为0.3。利用线性判别分析(LDA)对不同产地小米的光谱数据进行可视化分析,将测试集代入训练好的LDA模型,做出预测结果的混淆矩阵(Confusion Matrix),结果表明LDA对于陕西和山西类的预测准确率为0.84和0.99,对于东北、河北和山东的预测准确率仅为0.68,0.68和0.40。进而采用递归特征消除(RFE)对小米的光谱信息进行特征选择,去除冗余的信息,提高模型的预测准确率。将RFE分别与支持向量机(SVM)和逻辑回归(LR)结合,对不同产地小米的判别进行对比分析。将小米光谱数据的训练集分别代入SVM-RFE和LR-RFE模型并结合3折交叉验证技术,以模型F值的微平均(Micro-averaging)最优选择出相应的特征子集。结果表明,LR-RFE选择的波长数为74个,其模型的Micro_F为0.59;SVM-RFE选择的波长数为220,其模型的Micro_F为0.66。将选择后的特征子集应用到测试集并将测试集分别代入SVM和LR模型,采用模型预测结果的混淆矩阵和模型的受试者工作特征曲线(ROC)作为评价方法。结果表明SVM-RFE对东北地区、河北、陕西、山东和山西的预测准确率分别为1,0.37,0.72,0和1,其ROC曲线下面积(AUC)分别为0.82,0.92,0.93,0.70和0.99。LR-RFE的预测准确率分别为0.92,0,0.97,0和0.80,其AUC分别为0.72,0.74,0.94,0.66和0.88。从预测结果可以看出SVM-RFE模型的综合分类性能优于LR-RFE,而对陕西类的判别LR-RFE要优于SVM-RFE,对于河北类和山东类两个模型都不能有效判别。这两个模型的预测准确率相比LDA有了一定的提升。     

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。     

基于近红外高光谱成像技术的小麦不完善粒检测方法研究

小麦作为主要的粮食作物在我国农业生产、运输、食品加工等方面占有重要地位。不完善籽粒严重影响了小麦质量与粮食安全。不完善籽粒主要在生产、存储、包装等过程中产生，目前我国小麦质量检测多以人工分选为主，但存在人主观性较强，肉眼易疲劳，且费时费力等问题，因此，如何快速准确鉴别小麦不完善粒是现阶段提高生产率和保证粮食安全的重要问题。运用高光谱成像技术和特征波段选取方法提出一种快速有效的小麦不完善粒鉴别方法。利用近红外高光谱成像系统获得1 000粒小麦样本在862.9～1 704.2 nm共256个波段的高光谱反射图像，其中包括健康粒、生芽粒、霉变粒和赤霉粒各250粒，提取每个样本感兴趣区域的平均反射率光谱作为分类特征。本文首先对提取的全波段光谱信息进行窗口平滑、一阶导数差分、矢量归一化等数据预处理，将原始光谱数据的隐藏信号放大并消除随机误差；在预处理的基础上运用伪偏最小二乘(DPLS)和正交化线性判别分析(OLDA)对光谱进行特征提取，降低数据的冗余度；最后采用仿生模式识别(BPR)建立四类小麦的鉴别模型。实验结果表明，采用全波段光谱信息建立的小麦不完善粒鉴别模型的平均识别精度达到97.8%，分析结果可知，利用近红外高光谱成像技术的全波段光谱信息对小麦不完善粒鉴别是可行的。尽管全波段光谱信息取得了较好的鉴别效果，但高光谱成像设备较为昂贵，获取高光谱全波段光谱信息数据量较大，无法满足对现场设备运算速度的高要求，因此，采用连续投影算法(SPA)对全波段光谱数据进行特征波段的选择，使波段数量由256维降低到10维，从而提高系统的可行性和运算速度。采用选取的10个特征波段建立小麦不完善粒鉴别模型，实验结果表明10个特征波段的平均识别精度仅为83.2%，分析结果可知，尽管采用10个特征波段提高了系统实时性，但鉴别准确性较差。为达到与全波段特征基本相当的鉴别效果，利用光谱特征与图像特征结合的方法建立小麦不完善粒鉴别模型，将上述选取的10个特征波段的形态信息、纹理信息和光谱信息进行结合，实验结果表明，10个特征波段的光谱信息与图像信息结合使鉴别的平均识别精度达到94.2%，此识别效果与利用全波段光谱数据的识别效果基本相当。利用高光谱成像系统探索了小麦不完善粒鉴别的可行性，通过分析以上实验可知，基于近红外高光谱成像技术对小麦不完善粒检测具有良好的效果，在有效的提高运算速度的同时也保证了系统的鉴别精度，为后期小麦不完善粒快速检测设备的开发提供了有效的研究方向。