基于LDA_SVM的小麦质地检测方法研究

研究基于透射光图像的小麦质地检测方法,使用工业相机采集14种小麦种子的透射光图像,通过图像处理技术获取整粒小麦、胚乳和种胚代表性区域,并提取对应区域的颜色特征数据。分别运用PCA和LDA进行数据降维,并将降维前后的数据与支持向量机(SVM)、K近邻算法(KNN)和决策树模型(DT)3种分类器相结合建立分类模型,对不同品种小麦质地进行分类识别研究。结果表明：利用图像处理技术提取透射光全部特征,建立的LDA＿SVM模型分类正确率可以达到97%以上,证明透射光图像下通过机器学习对不同质地小麦快速分类鉴别是可行的。     

基于近红外高光谱图像的冬枣损伤早期检测

为了对冬枣损伤进行早期检测,采用近红外高光谱图像技术对损伤区域成像。针对高光谱图像波长多的特点,分别采用连续投影算法、相关特征选择算法、一致性(Consistency)算法选择冬枣损伤的特征波长,对提取的特征波长分别应用k-邻近、朴素贝叶斯(naive bayes,NB)、支持向量机(support vector machine,SVM)3种分类方法进行损伤区域识别。结果表明:所有方法选择的一致特征波长在1 353 nm和1 691 nm附近。Consistency算法选择的特征波长在SVM分类器下分类识别正确率达到95.16%,一致特征波长在NB分类器下分类识别正确率达到84.26%,验证了一致波长的有效性,为多光谱成像技术实现在线检测冬枣损伤提供参考依据。     

基于高光谱成像技术的小麦籽粒品种鉴别方法研究

为了更精确地鉴别小麦品种,实现小麦品种快速、无损、有效、稳定的鉴别。利用高光谱成像系统采集6个小麦品种籽粒光谱和图像信息,提取小麦籽粒胚、胚乳、胚和胚乳混合部位的光谱,采用不同的预处理方法对原始光谱进行处理,利用竞争性自适应重加权算法(CARS)和连续投影算法(SPA)提取特征波长,基于全波长和特征波长建立线性判别分析(LDA)、支持向量机(SVM)和K最邻近(KNN)模型,筛选出最佳的籽粒部位光谱、预处理方法和特征波长提取方法;在此基础上,分析光谱信息、形态特征及二者结合信息对小麦品种的鉴别效果。结果表明,基于34个特征波长光谱信息结合形态特征建立的LDA模型效果最佳,其训练集和预测集的正确判别率分别为91.3%和86.0%。基于高光谱成像技术进行小麦品种鉴别是可行和有效的。     

基于卷积神经网络和支持向量机的水稻种子图像分类识别

针对外形相似的水稻种子间分类难、识别正确率低等问题,提出一种卷积神经网络与支持向量机相结合的方法（CNN_SVM）对8类水稻种子进行分类识别。首先对图像进行切割、旋转等预处理后建立水稻种子图像数据库,其次通过提取图像的方向梯度直方图(HOG)、LBP纹理、SIFT描述子和CNN特征,分别建立SVM、KNN和Softmax分类模型对水稻种子图像进行分类识别比较。最后采用随机加入噪声点方法模拟噪声干扰稻种和调整色彩饱和度方法模拟不同年份稻种后进行分类识别。结果表明CNN_SVM模型对正常、噪声干扰和不同年份的水稻种子图像识别正确率分别为96.2%,95.8%和96.1%,识别单张图像时间为4.57ms,明显优于CNN、SVM的传统模型。模型的抗噪和泛化能力强,能满足实际生活中水稻种子分类识别需求。     

基于K-means聚类算法和BP神经网络的稻米品种鉴别

BP神经网络是利用误差逆向传播训练的前馈网络,具有自适应、实时学习的特点,在分类中广泛应用。但当样本类别过多,BP神经网络的分类精度显著降低。基于此,本研究提出了一种K-means聚类算法和BP神经网络相结合的方法作稻米品种鉴别。利用图像处理方法提取出11种稻米样品的灰度平均值、长宽比和圆形度三项特征参数,利用K-means聚类算法对所得数据进行聚类,聚类的结果作为BP神经网络的输入,训练得到分类器。实验结果表明,这种算法的分类效果要优于单一使用BP神经网络和K-means算法,且分类准确率达到80%,可见本实验的方法用于稻米品种鉴别是可行的。     

基于GA-SVM算法的烤烟香型自动识别研究

为了对不同香型烤烟进行特征差异性识别,选取清香型、浓香型和中间香型3类香型的514个烟叶样品,对其中的68种致香成分进行检测,结合数据分析和模式识别技术,提出了一种基于烟草致香成分和遗传算法-支持向量机(GA-SVM)算法的烤烟香型自动识别方法,通过使用遗传算法对支持向量机进行参数优化和调整,并采用5折交叉验证的方法计算分类正确率。分别对GA-SVM算法、SVM算法和朴素贝叶斯算法的分类效果进行对比测试,结果表明:3种模式识别方法对3类香型的分类正确率分别为96.40%、78.58%和84.42%,GA-SVM算法显著优于SVM和朴素贝叶斯等传统分类算法。该方法能够为烤烟香型准确识别、烤烟产地溯源、烟叶香型风格定位提供技术支持。     

我国小麦硬度质量状况和硬度分类的研究

籽粒硬度与小麦制粉品质有密切的关系.利用单颗粒谷物分析系统(SKCS)对我国2006年收获的1361份商品小麦样品,687份品种小麦样品的硬度质量状况进行分析.结果表明:我国商品小麦中硬麦、软麦分别占35.2%、7.2%,软麦比例偏低,不同硬度小麦混杂严重.品种小麦中硬麦、软麦分别为60.1%、10.4%,软麦比例仍然偏低,小麦硬度的一致性较好.利用国产JYDB100型小麦硬度测试仪得到的硬度指数值与SKCS测试结果呈极显著正相关(r=0.935),根据AACC对小麦硬软的分类和SKCS与JYDB100的关系,对我国小麦的硬度分类提出建议.     

基于生物光子学的小麦籽粒品质检测分析与建模

为了科学有效地开展保粮减损工作,基于生物光子分析技术,对经过水浸泡和去胚后的小麦籽粒的自发光子进行测量,进而使用模式识别中的K-means和支持向量机(SVM)算法,进行小麦籽粒品质检测分析.该方法是一种新的精准、无损检测手段,可用于小麦品质的早期辅助决策,指导粮库科学有效地开展保粮减损工作.     

基于SVDD的小麦净度检测方法研究

净度是种子质量的重要指标,可以直接影响作物的产量。由于种子杂质类型较多,传统方式二分类机器学习方法,易受建模杂质种类的限制,使得模型准确率降低。为实现种子净度自动化快速检测,本研究提出一种基于支持向量数据描述(SVDD)的小麦净度快速检测方法。利用工业相机获取小麦和麦壳、燕麦、大麦杂质的可见光图像,通过HALCON软件提取每粒样本的13种形态特征,借助皮尔逊相关性分析,筛选有效特征。在此基础上,分别利用SVM算法以及SVDD算法构建小麦净度识别模型,并进行分类识别对比试验。试验结果表明：SVDD算法杂质数据可以不参与建模,识别准确率达到95%以上,结合种子千粒重快速计算种子净度,在杂质占比含量20%时,检测误差为3.2%。基于SVDD的小麦净度检测方法,可以实现对小麦和多种杂质的快速分类,实现对小麦净度快速检测。     

基于介电特性的鸡蛋品种无损鉴别

为更合理有效实现鸡蛋品种分类,研究一种介电特性无损鉴别鸡蛋品种方法。本实验以4组不同品种鸡蛋(江苏镇江洋鸡蛋、江苏镇江草鸡蛋、安徽老南沟草鸡蛋、江苏东台草鸡蛋)为研究对象,采用平行极板法测量4组鸡蛋在10~200 k Hz条件下的介电特性参数,并利用支持向量机(support vector machine,SVM)算法建立鸡蛋品种鉴别分类检测模型。研究不同核函数(线性核函数、多项式核函数、RBF核函数和Sigmoid核函数)、不同参数寻优算法(网格搜索法、遗传算法和粒子群算法)选择对分类模型准确率的影响。结果表明,以线性核函数为SVM核函数、粒子群算法为SVM参数寻优算法时,建立的鸡蛋品种SVM分类模型的性能最优,其训练集正确率为95.83%,测试集正确率为95.83%。利用介电特性无损检测技术结合SVM算法,取得了很好的分类效果,为鸡蛋品种鉴别提供了一种新的快速有效的方法。     

基于玉米胚部特征参数优化的玉米品种识别研究

为了提高玉米品种自动识别的可靠性,本文对表征品种的胚部特征参数进行了优化研究。采用区域生长法从玉米种子图像中分割出胚部区域,提取该区域的8个形状、6个颜色和6个纹理特征参数;定义了这些特征的类间和类内差异度计算公式,以便量化特征参数的有效性;结合改进的K-均值聚类算法,获得胚部形态的最优特征参数集。通过5个玉米品种各180粒的识别结果得知:玉米胚部特征参数在品种识别中作用显著,单纯基于胚部的优化特征参数集就可使其平均识别率达88%。本研究成果可为玉米品种自动识别开辟一条新思路。     

拉曼光谱结合模式识别方法鉴别大米种类

为实现大米种类准确、快速的鉴别,选购72份大米样品,粉碎,采集粒度为100-140目米粉的拉曼光谱,对谱图数据进行去噪、归一化和特征提取后,综合运用主成分分析（PCA）、层次聚类分析（HCA）和支持向量机（SVM）三种方法对粳米、籼米和糯米进行聚类与模式识别研究。三种大米经PCA分析可直观地归为三簇,籼米和糯米可被区分开,但粳米与糯米、粳米与籼米不能区分。HCA结果表明粳米与籼米较难区分,糯米与其它两种米有较大差异,三种大米经HCA聚类分析准确率为81.94%。而采用SVM判别方法经10次运行后的平均识别率达98.86%。实验证明：拉曼光谱法结合支持向量机用于大米种类的分类与识别简单快速,在分析数据相对复杂的情况下,可快速建立分类模型并实现大米种类间的鉴定与识别。     

Detection of internal wheat seed infestation by Rhyzopertha dominica using X-ray imaging

Standardization for grain grades has been established in most countries to maintain the quality of a crop until it reaches consumers. Different methods have been investigated for their potential to detect insect infestations in grain destined for domestic and export markets. The potential of detecting infestations caused by Rhyzopertha dominica in wheat kernels using a real-time soft X-ray method was determined in this study. Artificially infested wheat kernels were incubated at 30°C and 70% relative humidity and X-rayed sequentially for larval, pupal, and adult stages of R. dominica. Algorithms were used to extract histogram features, textural features, and histogram and shape moments from the X-ray images of wheat kernels. A backpropagation neural network (BPNN) and statistical classifiers were used to identify uninfested and infested kernels using the 57 extracted features. The BPNN correctly identified all uninfested and infested kernels and more than 99% of kernels infested by R. dominica larvae. The classification accuracies determined by the BPNN were higher using all 57 features than when using the histogram and textural features separately. The BPNN performed better than the parametric and non-parametric classifiers in the identification of uninfested and infested kernels by different stages of R. dominica.     

Lychee Variety Discrimination by Hyperspectral Imaging Coupled with Multivariate Classification

This current study was carried out to investigate the ability of hyperspectral imaging (HSI) technique and multivariate classification for the differentiation of lychee varieties. A total of 122 lychee samples from three varieties (“Baila,” “Jizhui,” and “Guiwei”) were used. The relationship between reflectance spectra and lychee varieties were established. Principal component analysis (PCA) was implemented on the region of interest (ROI) image to reduce data dimensionality and visualize the cluster trend. The first two principal components (PCs) explained over 97 % of variances of all spectral bands. Linear (soft independent modeling of class analogy (SIMCA) and partial least square discriminant analysis (PLS-DA)) and nonlinear (back propagation neural network (BPNN) and support vector machine (SVM)) multivariate classification methods were used to develop discrimination models. The results revealed that SVM model achieved the best result, with the identification rate of 100 % in the calibration set and 87.81 % in the prediction set. BPNN had a discrimination rate of 100 % for the training set and 85.37 % for prediction set, while PSL-DA and SIMCA model had a discrimination rate of 78.05 % and 60.98 % for prediction sets, respectively. The nonlinear classification methods used were superior to the linear ones. The overall results showed that HSI system with SVM classification tool could be used in identification of lychee varieties.     

基于高光谱成像技术与GBDT的大豆品种无损鉴别

大豆的品种直接关系到大豆制品的质量和出油率,目前主要采用对大豆中蛋白质及脂肪等含量的检测来实现对大豆品种的鉴别。这种鉴别方式破坏了大豆本质,并且存在检测费用高、效率低、精度差的问题。本文基于高光谱成像技术和机器学习理论,研究了大豆品种无损快速鉴别方法。采集并建立了4个品种(每个品种200粒,共计800粒)大豆的高光谱原始图像及光谱数据集。研究了利用归一化、均值中心化、小波变换、S-G平滑滤波以及矢量归一化对采集到的高光谱数据进行滤波去噪预处理,建立了基于KNN、RF及GBDT的大豆种粒无损检测模型。实验对比得出,利用主成分分析结合GBDT的检测模型精度最高,识别准确率可达99.58%,结果表明,利用高光谱成像技术结合主成分分析的GBDT 算法模型能够有效消除噪声干扰的影响,实现对大豆种粒快速、准确的无损检测,并对其他农作物的品种检测具有一定的参考意义。     

基于高光谱成像技术的高粱农药残留种类检测研究

高粱作为粮食作物，其中残留的农药对人体危害巨大。本文基于高光谱成像（Hyperspectral Imaging，HSI）技术研究了高粱中农药残留种类的快速鉴别。采用不同预处理方法对高光谱数据进行预处理，通过建立的支持向量机（Support Vector Machine，SVM）模型发现标准正态变换（Standard Normal Variate，SNV）为最佳的预处理方法。使用类型提升算法（Type Boosting Algorithm，CatBoost）、梯度提升树（Gradient Boosting Decision Tree，GBDT）、竞争性自适应重加权采样法（Competitive Adaptive Reweighted Sampling，CARS）和主成分分析法（Principal Component Analysis，PCA）选择特征波长，对比特征波长建立的SVM模型结果发现CatBoost所选择的特征波长建模效果更好。分别建立了基于特征波长的BP神经网络自适应增强算法（Backpropagation Neural Network with Adaptive Boosting，BP-AdaBoost）、轻量梯度提升机（Light Gradient Boosting Algorithm, LGBM）、极度梯度提升（eXtreme Gradient Boosting，XGBoost）、SVM高粱农药残留分类模型，其中，BP-AdaBoost为最佳的分类模型，测试集平均分类正确率为95.17%。研究表明，高光谱成像技术结合BP-AdaBoost算法可以识别出高粱中农药残留的种类，为检测高粱农药残留类别提供了一种新的方法。