基于高光谱技术检测苹果外观缺陷

目的 利用高光谱技术检测苹果外观缺陷, 分析主成分分析法和波段比率算法研究高光谱图像的可行性。方法 在400~1100 nm波长范围内获取苹果表面的高光谱图像信息, 用主成分分析法处理高光谱下采集的苹果图像, 选取第三主成分图像进行分析, 作为最后的判别依据。波段比率算法中选取了717 nm和530 nm两个有效波段,将两个波段的图像进行比值运算。717 nm波段的图像进行阈值运算、中值滤波及形态学分析得到二值化掩膜图像, 再与二值化后的比率图像进行布尔运算, 提取缺陷的有效信息。结果 基于主成分分析法, 检测苹果表面缺陷的分级准确率为81.25%, 波段比率算法对苹果表面缺陷的分级准确率为93.75%。结论 利用高光谱成像技术下波段比率算法相对于主成分分成法更适合于实时、在线、快速检测。     

基于近红外高光谱成像技术的涩柿SSC含量无损检测

对150个涩柿采集900~1 700nm波段的近红外高光谱图像信息,利用蒙特卡罗—无信息变量消除(MC-UVE)和连续投影算法(SPA)对感兴趣区域光谱进行波长优选。通过MC-UVE-SPA优选出924.69,928.05,1 112.72,1 270.91,1 365.3,1 402.42,1 453.06,1 547.69nm 8个特征波长,对应的光谱反射率作为柿子可溶性固性物含量(SSC)检测的偏最小二乘回归(PLSR)检测模型输入,其预测集相关系数rpre=0.942,预测集均方根误差RMSEP=1.009°Brix。结果表明,MC-UVE-SPA可以有效提取与柿子SSC含量相关的特征信息,从而保留较少的波长建立较好的预测模型。     

基于高光谱技术检测小麦粉灰分含量

目的 基于高光谱技术实现对小麦粉灰分含量的准确检测。方法 利用高光谱成像技术采集小麦粉的光谱数据,建立基于偏最小二乘法(partial least squares regression,PLSR)和深度极限学习机(deep extreme learning machines,DELM)的小麦粉灰分含量预测模型;通过分析3种预处理算法和4种波长选择算法,分别选出最佳的预处理与波长选择方法,最后构建基于特征波段光谱信息的预测模型,并对结果进行比较。结果 标准正态变量校正(standard normal variable,SNV)为最佳预处理方法;连续投影算法(successive projections algorithm,SPA)相较于随机森林(random forest,RF)、无信息变量消除(uninformative variable elimination,UVE)和遗传算法(genetic algorithm,GA)选择特征波长的模型更优;DELM模型更适用于灰分含量的检测,最优模型的测试集决定系数为0.968,预测集均方根误差为0.024。结论 高光谱成像技术可以快速、精准的...     

Detection for lead pollution level of lettuce leaves based on deep belief network combined with hyperspectral image technology

Fast detection for heavy metal in vegetables is one of the most important steps to ensure the food safety. A novel method to identify lead pollution levels of lettuce based on hyperspectral image technology was proposed in this study. Firstly, hyperspectral images of lettuce samples cultivated under four lead stress levels (0 mg/L, 50 mg/L, 100 mg/L and 200 mg/L) were collected using hyperspectral image system. Then, a total of 240 spectra were calculated from region of interest (ROI) in the range of 478–978 nm covering 399 bands. Besides, chemical test showed that the excessive level of lead residues content in lettuce leaves were none, slight, moderate and severe. Moreover, conventional models and deep belief network (DBN) were established to determine the best identification model. The discriminant DBN model reached the highest accuracy with the training set of 100% and test set of 96.67%. Finally, t‐distribution stochastic neighbor embedding (t‐SNE) was successful to visualize the feature values in DBN's last hidden layer. This study indicates that it is viable to detect the lead pollution levels of lettuce leaves based on hyperspectral image technology coupled with DBN discriminant model.     

高光谱结合优化算法的多品种高粱混合的淀粉含量检测

高粱作为一种酿酒原料,其不同混合比例配比的高粱的淀粉含量会影响白酒的品质和产量。因此,准确高效地检测混合高粱中的淀粉含量对获得优质高产的白酒具有重要意义。本文基于可见光高光谱成像技术研究了混合高粱中的淀粉含量的快速检测方法。采用不同预处理方法对高粱样本的光谱数据进行预处理,并建立偏最小二乘法回归(PLSR)模型来确定最佳预处理方式。使用主成分分析(PCA)、PLSR算法分别提取高粱样本的光谱特征。基于全波长和光谱特征分别建立了预测高粱淀粉含量的遗传算法-BP神经网络(GA-BPNN)和粒子群算法-支持向量机回归(PSO-SVR)模型。对比模型性能发现,采用PCA方法提取的光谱特征建立的GA-BPNN模型最优,其直链淀粉的预测决定系数、预测均方根误差分别为0.992 2、0.041 6,支链淀粉的预测决定系数、预测均方根误差分别为0.933 6,0.151 9。研究结果表明,可见光高光谱成像技术结合优化算法可以快速预测不同混合比例配比下高粱的淀粉含量,为检测高粱的淀粉含量提供了一种新的方法。     

基于高光谱成像技术对番石榴可溶性固形物的快速测定

目的 珍珠番石榴(Psidium guajava "Pearl")是中国亚热带地区的优势水果,可溶性固形物含量(soluble solids content, SSC)是番石榴品质优选的关键理化参数。本文旨在凭借高光谱成像技术实现珍珠番石榴SSC的测定,比较支持向量回归(support vector regression, SVR)和偏最小二乘回归(partial least squares regression, PLSR)模型对其预测准确性的影响。方法 通过高光谱成像系统和全自动折光仪获得番石榴的表面反射光谱与SSC信息,选择S-G平滑 (Savitzky-Golay, S-G)和标准正态变量变换(standard normal variable transformation, SNV)作为预处理手段,使用主成分分析(principal component analysis, PCA)评估预处理前后光谱的聚类变化。采用区间变量迭代空间收缩法(interval variable iterative space shrinkage algorithms, iVISSA)、区间随机蛙跳法(interval random frog , iRF)、自举软收缩法(bootstrapping soft shrinkage , BOSS)、变量组合集群分析(variable combination population analysis, VCPA)提取特征波长,用于建立SVR和PLSR预测模型。结果 预处理后光谱数据主成分聚类进一步分散,PLSR整体在预测集的回归效果比SVR更好,BOSS-PLSR为最优预测模型,R_p^2为0.9216,RMSEP为 0.2366,RPD为3.5710。结论 利用高光谱成像技术快速实现番石榴可溶性固形物测量是可行的。     

基于近红外光谱技术检测苹果气调贮藏期可溶性固形物含量

目的 基于近红外光谱技术结合偏最小二乘（Partial least square, PLS）法和最小二乘支持向量机回归（Least square-support vector regression, LS-SVR）法建立苹果气调贮藏期可溶性固形物（Soluble solids contents, SSC）含量预测模型。方法 在分析了气调贮藏期苹果细胞结构和SSC变化的基础上,采集了可见-近红外（Visible-near infrared, Vis-NIR）波段和长波近红外（Long wave near infrared, LWIR）波段下不同贮藏时间的苹果漫反射光谱信息,利用主成分分析方法（Principal component analysis,PCA）分析不同贮藏期苹果光谱信息分布特征,使用Kennard-Stone（K-S）算法以3:1比例对样本集进行划分,使用多元散射校正（Multiplicative scatter correction, MSC）和SG（Savitzky-Golay）平滑对光谱进行预处理,利用连续投影算法（Successive projections algorithm, SPA）和竞争自适应重加权采样（Competitive adaptive reweighted sampling, CARS）法对光谱进行特征波长提取,并建立SSC预测模型。结果 在LWIR波段下,经MSC预处理和CARS提取特征波长后建立的PLS模型取得了较好的预测精度,模型相关系数为0.900,均方根误差为0.478;经MSC、SG平滑预处理和CARS提取特征波长后建立的LS-SVR模型取得了更好的预测精度,模型相关系数为0.927,均方根误差为0.507。结论 构建的基于可见/近红外光谱无损预测模型可实现对气调贮藏期苹果SSC的准确预测,为高效贮藏技术提供了理论基础。     

基于反向传播神经网络和高光谱成像的芒果可溶性固形物含量检测

目的 比较反向传播神经网络(backpropagation algorithm neural network, BPNN)模型与偏最小二乘回归(partial least squares regression, PLSR)模型在预测芒果可溶性固形物含量(soluble solids content, SSC)方面的性能评估。方法 使用高光谱成像仪和全自动折光仪采集芒果的近红外高光谱及SSC数据建立两种预测模型, 通过采用多元散射校正(multiplicative scatter correction, MSC)进行光谱预处理, 利用遗传算法(genetic algorithm, GA)、区间变量迭代空间收缩算法(interval variable iterative space shrinkage algorithms, IVISSA)和变量组合群体分析算法(variable combination population analysis, VCPA)提取特征波长变量, 通过比较不同特征波长提取方法进一步优化对比预测模型。结果 与PLSR模型相比, BPNN模型在预测SSC方面更为有效。而在IVISSA特征波长变量提取后优化的BPNN模型预测能力最佳, 预测集判定系数 、均方根误差(root mean square error of prediction, RMSEP)、残差预测偏差(residual prediction deviation, RPD)分别为0.8641、0.3924和2.7127。结论 该模型可快速、准确地检测芒果的SSC, 并证明可见光-近红外高光谱成像与反向传播神经网络模型相结合有望预测芒果的SSC, 为开发在线芒果SSC无损检测系统奠定基础。     

基于高光谱技术的马铃薯外部品质检测

为了快速无损检测马铃薯外部品质,研究采用高光谱成像技术对马铃薯外部品质分级。选取合格、发芽、绿皮、孔洞4种马铃薯外部特征,获取光谱数据,采用不同预处理方法对光谱数据进行处理,并分别建立偏最小二乘判别模型,结果显示采用标准正态变量变换法(SNV)获得的模型效果最优。对预处理后的光谱数据利用连续投影算法(SPA)及加权权重法(WWM)分别优选出了13个和9个特征波段,对两种不同方法得出的特征波段分别建立了支持向量机判别模型,结果显示两种方法对预测集的判别准确率均达到了100%,WWM-SVM判别模型对校正集的交叉验证率为99.5%,高于SPA-SVM判别模型的交叉验证率。利用高光谱成像技术结合SPA-SVM和WWM-SVM对马铃薯外部品质进行分级具有可行性。     

基于高光谱成像技术的薯麦混合粉淀粉含量检测

为快速无损检测薯麦混合粉中的淀粉含量,在近红外（900～2 500 nm）的光谱范围采集样品的高光谱图像,通过对比原始光谱和七种不同预处理后的光谱数据建立偏最小二乘回归（Partial least square regression,PLSR）,支持向量机回归（Support vector machine regression,SVMR）模型效果,确定多元散射校正法（Multiplicative scattering correction,MSC）为最佳预处理方法。采用竞争性自适应加权法（Competitive adaptive reweighted sampling,CARS）和连续投影算法（Successive projections algorithm,SPA）提取特征波长,建立PLSR和多元线性回归（Multiple linear regression,MLR）模型,结果表明SPA显著的降低了模型的复杂度,SPA-MLR模型检测集的决定系数（R2P）为0.9181,检测集的均方根误差为0.4214%。通过高光谱图像可视化,实现薯麦混合粉淀粉含量检测,为快速无损检测薯麦混合粉中的淀粉含量建立了一种新方法。     

基于高光谱成像技术的金银花霉变检测模型

利用高光谱成像技术,研究一种快速、准确、无损检测金银花霉变程度的方法。通过比较Savitzky-Golay(SG)卷积平滑、多元散射校正(MSC)和SG-MSC 3种预处理方法对偏最小二乘算法(PLS)建模效果的影响,得到SG-MSC为建模最优预处理方法。使用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)选择经预处理后光谱的特征波长,并分别建立偏最小二乘判别(PLS-DA)和最小二乘支持向量机(LS-SVM)的判别分析模型。结果表明,光谱经SG-MSC预处理后,应用CARS提取特征波长并建立LS-SVM判别分析模型为金银花不同霉变程度最优判别模型,其训练集与验证集的正确率均达到100%。利用高光谱成像技术能够快速无损、有效地鉴别金银花霉变程度,并且在特征波长下能实现金银花霉变程度的快速判别分析。     

基于高光谱技术的鲜食水果玉米含水率无损检测

目的：实现对鲜食玉米含水率的快速、准确预测。方法：采用高光谱技术对鲜食水果玉米进行光谱数据采集,比较了变量标准化算法（SNV）、附加散射校正算法（MSC）、卷积平滑（SG）、移动平均法（MA）等数据预处理方法对模型精度的影响,选取MSC进行预处理。基于MSC预处理数据选用连续投影算法（SPA）、竞争性自适应重加权算法（CARS）以及随机蛙跳法（RF）分别提取含水率的特征波长并建模分析。结果：MSC-CARS-PLS模型的含水率预测效果最好,预测集的决定系数（R²_p）达到0.825 0,预测均方根误差（RMSEP）为0.006 0。结论：利用高光谱技术可实现对鲜食水果玉米含水率的快速无损检测。     

Detection of early bruises in apples using hyperspectral data and thermal imaging

The early detection of bruises in apples was studied using a system that included hyperspectral cameras equipped with sensors working in the visible and near-infrared (400–1000 nm), short wavelength infrared (1000–2500 nm) and thermal imaging camera in mid-wavelength infrared (3500–5000 nm) ranges. The principal components analysis (PCA) and minimum noise fraction (MNF) analyses of the images that were captured in particular ranges made it possible to distinguish between areas with defects in the tissue and the sound ones. The fast Fourier analysis of the image sequences after pulse heating of the fruit surface provided additional information not only about the position of the area of damaged tissue but also about its depth. The comparison of the results obtained with supervised classification methods, including soft independent modelling of class analogy (SIMCA), linear discriminant analysis (LDA) and support vector machines (SVM) confirmed that broad spectrum range (400–5000 nm) of fruit surface imaging can improve the detection of early bruises with varying depths.     

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。     

基于深度学习的发霉花生识别技术

目的:快速、无损地识别发霉花生,提高发霉花生的识别效率。方法:采用光谱仪采集高光谱花生数据,利用深度学习技术识别霉变花生,建立Hypernet PRMF模型,并以Deeplab v3+、Segnet、Unet和Hypernet作为对照模型进行比较。将所提出的花生识别指数融合到高光谱图像中,作为数据特征预提取。同时将构建的多特征融合块集成到控制模型中以提高发霉花生识别效率。结果:所有模型的平均像素精度均超过了87%。Hypernet-PRMF模型的检测精度最高,达到90.35%,同时对于整个花生数据集,Hypernet-PRMF的错误识别率较低,可以有效识别图中所有的发霉花生。结论:基于深度学习所建立的Hypernet-PRMF模型具有较高的像素精度与检测精度,可有效识别发霉花生。