融合光谱和图像特征信息的羊肉TVB-N含量无损检测

为实现羊肉挥发性盐基氮（TVB-N）含量的快速、无损检测,利用可见-近红外光谱与机器视觉技术提取光谱特征信息和图像特征参数,将图谱特征信息融合后建立羊肉样品中TVB-N的最小二乘支持向量机（LSSVM）预测模型。采集贮藏1~15 d的73个羊肉样品在320~1 100 nm波段范围的可见-近红外光谱和图像信息,参照国家标准方法测定样品中TVB-N含量。采用竞争性自适应加权算法优选特征波长作为光谱特征信息,提取样品图像的颜色及纹理特征作为图像特征信息,通过特征层融合法将光谱信息与图像信息融合成总特征参数。分别基于3种特征信息建立羊肉TVB-N含量的LSSVM预测模型。结果表明：基于图谱融合信息建立的模型预测精度优于仅利用光谱信息或图像信息的建模结果,其验证集相关系数为0.930,标准分析误差为1.873 mg/100 g,相对分析误差为2.635。该结果证实基于融合图谱特征信息无损预测羊肉贮藏过程中TVB-N含量的可行性,为实现羊肉样品中TVB-N含量的定量、快速、无损、准确预测提供了参考方法。     

基于太赫兹成像技术的发芽葵花籽无损检测研究

发芽葵花籽中脂肪和蛋白质等营养物质的含量会减少，影响油脂产品的产量及品质，因此需要保证葵花籽的品质安全。在对发芽葵花籽进行检测研究时，通常需要剥除葵花籽的外壳，破坏样本，这一操作不利于后续的贮藏加工。文章对发芽葵花籽的带壳无损检测方法进行了研究，采用太赫兹透射成像技术结合最大峰值(Max Peak Size)图像重构方法获取发芽葵花籽图像，应用自适应阈值分割法提取图像特征，应用连续投影(Successive Projections Algorithm,SPA)算法提取光谱特征，并通过串行融合实现特征融合，采用误差反向传播(Back propagation,BP)神经网络算法建立了发芽葵花籽在不同频率段内的识别模型。结果表明，采用SPA-BP算法建立的基于融合特征的发芽葵花籽识别模型效果较好，模型整体识别准确率为100%。由此可得，利用太赫兹时域透射成像技术可以实现发芽葵花籽的带壳无损检测，这对未来带壳油料作物品质的无损检测提供新思路。     

基于高光谱成像技术的鸡蛋哈氏单位快速无损检测

本实验利用高光谱(900~1700 nm)成像技术结合化学统计学算法,对鸡蛋哈氏单位的无损检测进行研究。采集样品原始光谱信息,经S-G卷积平滑、MSC、SNV预处理后建立PLSR模型,优选最佳预处理方法;利用PLSR的加权β系数、遗传算法GA提取特征波长,分别建立PLSR、PCR模型,比较建模效果,优选最佳特征波长提取方法及建模方法。结果表明,预处理后建模效果并未提高,即以原始光谱作为建模对象,采用遗传算法提取特征波长后建立的PLSR模型效果最好,其R_C为0.8118,校正集均方根误差是2.9677,R_P为0.8203,预测集均方根误差是3.2762。因此,利用高光谱技术无损检测鸡蛋哈氏单位是可行的,同时为鸡蛋的新鲜度快速判别、分级分选提供理论依据。     

国内外猪肉质量快速无损检测技术的研究进展

猪肉质量包含猪胴体分级及猪肉品质两方面,猪肉品质包括其感官品质、营养品质、安全品质及加工品质。概述猪胴体瘦肉率及猪肉品质的快速无损检测方法的研究现状。猪肉胴体分级的无损检测方法主要有超声波技术和近红外光谱技术;猪肉感官品质的无损检测多采用高光谱成像技术、红外光谱技术、拉曼光谱技术及核磁共振技术;猪肉营养品质的无损检测多采用红外光谱技术、超声波技术及核磁共振技术;猪肉安全品质的无损检测多采用电子鼻、电子舌、生物电学技术、计算机视觉技术及高光谱成像技术;猪肉加工品质的无损检测多采用核磁共振技术、红外光谱技术、拉曼光谱技术及高光谱成像技术等。结合国内外研究现状,对未来我国猪肉品质无损检测技术的研究与发展作出展望。     

基于高光谱图像特征融合的榛子水分含量测定

采用高光谱图像技术对榛子水分含量进行快速无损检测。采集200个榛子在400~1 000 nm波段的高光谱图像,提取榛子图像区域的平均光谱信息。利用K-S算法划分样品验证集和预测集,使用四种预处理方法对光谱进行预处理。通过竞争自适应加权算法（Competitive Adaptive Reweighted Sampling,CARS）和逐次投影法（Successive Projection Algorithm,SPA）进行光谱特征的提取;灰度共生矩阵法（Gray Level Co-occurrence Matrix,GLCM）提取图像的纹理特征;分别建立基于光谱特征,图像纹理特征以及两者串联融合的偏最小二乘回归（Partial Least Squares Regression,PLSR）和支持向量回归（Support Vector Regression,SVR）模型对榛子水分进行预测。结果表明,CARS和SPA算法能够有效选择特征波长并提升预测性能;图像特征能够对榛子水分进行预测,基于主成分图像提取的图像特征信息建立的模型预测效果更好。光谱图像特征融合能明显提高对榛子水分含量预测的准确率,CARS提取的特征波段结合主成分图像的纹理特征显示出了更好的效果,SVR模型的RMSECV为0.03,RC 为0.97,RMSEP为0.04,RP为0.96。利用高光谱图像和纹理特征能够对榛子水分进行有效预测,为榛子水分含量检测提供了新的方法。     

采后猕猴桃可溶性固形物含量的高光谱无损检测

为探讨基于高光谱成像技术无损检测采后猕猴桃可溶性固形物含量（soluble solids content,SSC）的可行性,基于猕猴桃900～1 700 nm波长范围的反射高光谱,建立了预测SSC的偏最小二乘、支持向量机及误差反向传播 （error back propagation,BP）网络模型,并综合比较了分别以全光谱的226 个波长,利用连续投影算法提取的12 个有效波长和采用无信息变量消除法提取的128 个有效波长作为模型的输入变量对各模型预测效果的影响。结果表明,连续投影算法能有效地提取有效波长,其在简化模型方面优势明显;BP网络与连续投影算法相结合具有最好的预测性能（预测相关系数为0.924,预测均方根误差为0.766）。研究表明,高光谱成像技术可无损检测猕猴桃的SSC,该技术将使猕猴桃内部品质的工业化分级成为可能。     

融合光谱与纹理特征的龙井茶等级无损识别

龙井茶等级快速无损识别具有重要意义。本研究以六个等级龙井茶为实验对象,应用高光谱成像技术,分别建立基于光谱特征、纹理特征及融合特征的支持向量机(Support Vector Machine,SVM)识别模型。首先采用标准正态变量变换(Standard Normal Variate,SNV)对光谱进行归一化处理,提取光谱特征,建立SVM光谱模型;然后通过T分布和随机近邻嵌入(T-Distributed Stochastic Neighbour Embedding,T-SNE)算法将高维高光谱数据映射到低维空间,选取特征图像。应用灰度共生矩阵(Gray-Level Co-Occurrence Matrix,GLCM),提取纹理特征,建立SVM图像模型;最后将光谱特征和纹理特征进行数据级融合,建立SVM混合模型。数据显示,光谱模型预测集识别率为91.11%,图像模型预测集识别率为75.42%,混合模型预测集识别率为95.14%。结果表明,与仅使用光谱或纹理信息建模相比,结合光谱和纹理特征可以提高模型识别的准确率。为进一步提高混合模型精度,引入人工蜂群(Artificial Bee Colony,ABC)算法,迭代优化SVM模型的惩罚因子C和核函数宽度g,得到最优模型,预测集准确率可达98.61%。本研究为改进龙井茶叶快速无损评估技术提供了一种可靠的方法。     

基于拉曼和近红外光谱特征层融合的食用油MUFA和PUFA含量检测

针对食用油中单不饱和脂肪酸(MUFA)和多不饱和脂肪酸(PUFA)含量的快速检测问题,研究探索应用拉曼(Raman)和近红外(NIR)光谱以及特征层数据的融合,结合化学计量学分析,建立食用油MUFA和PUFA含量预测模型。重点研究各种预处理算法对模型预测能力的影响。应用竞争性自适应重加权采样(CARS)提取Raman和NIR光谱的特征波长,应用网格搜索(GS)算法选取支持向量机回归(SVR)模型的参数组合(C,g)值,分别建立基于拉曼和近红外光谱的特征波段的SVR预测模型;建立基于特征层的多源光谱融合的SVR预测模型。试验表明,基于特征层融合建立的Raman-NIR-SVR模型能够实现食用油MUFA和PUFA含量的快速预测,且预测效果更优。其中预测MUFA含量的SG15-ALS-Nor-CARS-MSC-CARSSVR模型的预测集决定系数R2为0.977 3,与单光谱中最优含量预测模型相比增加了2.43%;而预测PUFA含量的MA11-air PLS-Nor-CARS-MSC-CARS-SVR模型的预测集R2为0.993 0,比较最优单光谱数据建立的SVR模型增加了2.57%。结果表明,采用特征层融合方法建立的含量预测模型的综合性能优于基于单光谱数据建立的模型。     

基于多源感知信息融合的牛肉新鲜度分级检测

利用机器视觉和近红外光谱的多源感知信息融合技术评判牛肉新鲜度,并开发了相关的识别系统。以牛后腿肉为研究对象,对获取的图像特征信息和光谱特征信息,采用BP神经网络建立牛肉新鲜度分级模型。其中,通过主成分分析提取相应的主成分因子作为建模输入,根据挥发性盐基氮含量划分新鲜度等级作为模型输出。结果发现,在图像特征信息因子数为6、光谱信息主成分因子数为6时,建立的模型预测识别率可达98.31%。结果表明,基于机器视觉和近红外光谱技术的多源感知信息融合技术评判牛肉新鲜度的方法可行。     

采用二次连续投影法和BP人工神经网络的寒富苹果病害高光谱图像无损检测

为提供苹果病害在线、快速、无损检测的理论依据,采用高光谱成像技术进行了北方大面积种植的寒富苹果病害无损检测研究。寒富苹果的主要病害有炭疽病、苦痘病、黑腐病和褐斑病害。为选择较少的有效波长而利于在线快速检测,首先采集高光谱苹果图像,分割出感兴趣区域并提取光谱信息,然后采用连续投影算法(successive projections algorithm,SPA)从全波长(500~970 nm)中提取了10个特征波长SPA1(502、573、589、655、681、727、867、904、942 nm和967 nm),再对这10个特征波长采用连续投影算法提取3个特征波长SPA2(681、867 nm和942 nm)。最后利用全波长光谱信息、SPA1提取的10个特征波长的光谱信息和SPA2提取的3个特征波长的光谱信息作为输入矢量采用线性判别分析、支持向量机和BP人工神经网络(BP artificial neural network,BPANN)模型进行苹果病害的检测。通过对检测结果分析,最终选择SPA2-BPANN为最佳检测方法,训练集检测率达100%,验证集检测率达100%。结果表明,高光谱成像技术可以有效对苹果病害进行检测,所获得的特征波长可为开发多光谱成像的苹果品质检测和分级系统提供参考。     

机器视觉和电子鼻融合的番茄成熟度检测方法

目的:探索机器视觉与电子鼻融合法在果蔬成熟度检测中的应用能力,实现番茄不同成熟度的检测.方法:基于机器视觉和电子鼻采集系统,提出了一种基于多源信息融合的番茄成熟度检测方法.以机器视觉筛选出的6个颜色特征和电子鼻筛选出的10个气味特征为基础,建立番茄成熟度检测的最小二乘支持向量机模型.通过试验对融合方法和单一方法进行对比...     

基于高光谱成像技术的酿酒高粱品种分类

针对不同品种酿酒高粱分类难、分类精度有待提高等问题,提出了一种结合光谱和图像信息的高光谱成像技术从而对酿酒高粱进行分类的方法。通过采集11类共550个高粱样本的高光谱数据,运用连续投影算法从多元散射校正预处理后光谱中筛选出48个特征波长,再提取图像的灰度共生矩阵作为图像特征,利用纹理特征、全光谱、特征光谱及其结合图像特征分别建立支持向量机、偏最小二乘判别和极限学习机分类模型,最后再采集220个未参与建模样本对所建模型进行外部验证。结果表明,基于特征光谱结合纹理特征建立的支持向量机模型效果最佳,训练集和测试集的识别率分别为96%和95.3%,验证集的识别率达到91.8%,高于单一光谱数据建模效果,说明光谱和图像信息结合可以提高酿酒高粱的分类识别率。该方法为高粱品种的高精度分类和不同酿酒原料的快速无损检测提供了可行的方法。     

振动胁迫下双孢蘑菇高光谱成像品质检测

为快速有效识别双孢蘑菇轻微损伤,以不同振动时间后不同损伤程度的双孢蘑菇为研究对象,采集400～1 000 nm的完好无损、振动60 s和振动120 s双孢蘑菇的近红外高光谱图像,发现3 种类型的双孢蘑菇在450～750 nm的光谱曲线有明显差异。比较标准正态变量变换、SG（Savitzky-Golay）平滑和多元散射校正等预处理方法,确定SG平滑为最优预处理方法。并将处理后的数据采用连续投影算法和竞争性自适应重加权算法提取不同损伤程度的特征波段;基于灰度共生矩阵提取500 nm波长特征图像感兴趣区域的纹理特征,分别将光谱信息和纹理特征信息作为输入,建立偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）、BP（back propagation）神经网络和极限学习机损伤程度识别模型。结果表明,两种特征集建模,PLS-DA模型均表现出最好的识别效果,PLS-DA模型训练集和测试集平均识别准确率为93.33%、91.11%和88.89%、86.67%。最后基于光谱-纹理融合信息建立PLS-DA模型,训练集和测试集总体识别正确率分别为97.78%、95.56%。结果表明,光谱-纹理融合信息建模预测效果优于单一特征信息建立的判别模型。因此,采用高光谱融合信息建模可以提高不同损伤程度的双孢蘑菇检测精度,为双孢蘑菇贮藏、分类提供理论支撑。     

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。     

基于完全局部二值模式的多光谱法识别损伤苹果

目的 建立一种基于完全局部二值模式的多光谱法识别损伤苹果。方法实验搭建苹果的多光谱数据采集平台,采集了558组苹果多光谱数据。使用完全局部二值模式算法提取苹果的特征向量,再将特征向量送入支持向量机中,比较分类结果。结果通过准确率、特异度和召回率三种平均指标,在完全局部二值模式结合支持向量机分类模型下,苹果多光谱图像的25 个波段对表皮有损苹果和表皮无损苹果有很好的识别效果。并在第20 波段的识别准确率达到最高为99.63%。多光谱25个波段的平均分类准确率达到了99.110%,第20波段分类准确率最高,达到了99.632%,准确率越高,分类效果越好。结论所建立的方法可以实现有损苹果和无损苹果的高效识别,对苹果的储运和分选都有一定的意义。     

基于决策融合的苹果分级检测关键技术研究

提出了一种判别树和改进支持向量机决策融合的苹果分级方法。采用判别树分类方法根据果径、缺陷区域、色泽等进行分类,采用粒子群对支持向量机分类模型进行优化,根据果形、纹理和成熟度等高维特征进行分类,使用核主成分分析法降低维度,并引入决策融合的概念,结合单一特征对样本等级进行综合评估。结果表明,该方法是切实可行的,其分类准确性为98%以上,可用于苹果的有效分级。     

基于改进卷积神经网络的红枣缺陷识别

目的：建立一种基于改进的卷积神经网络的红枣缺陷自动识别方法。方法：采用双分支卷积神经网络结构,分支1结合迁移学习策略进行预训练,分支2基于轻量级网络融合特征图提取红枣图像中的特征信息。通过对比实验验证了该方法的优越性。结果：与改进前相比,改进后的缺陷识别方法优化了卷积神经网络的结构,检测准确率进一步提高,从96.02%提高到99.50%。结论：该方法提高了网络学习速度和收敛速度,具有较好的分类识别效果。     

基于图像处理的烟叶烘烤阶段判别模型优选

[背景和目的]烟叶烘烤阶段的自动判别是建立智能化烟叶烘烤系统的重要环节.为实现烘烤阶段的精确识别和操控,提升烟叶烘烤的精准度.[方法]提取烘烤过程中整夹烟叶图像的11种颜色特征和8种纹理特征,分别对颜色特征和纹理特征进行变量聚类分析,以10为距离,将提取的颜色特征和纹理特征各分为2类.利用相关性分析筛选出每类特征中与烘...     

基于稀疏主成分分析白酒GC-MS图谱分类识别技术

为实现对白酒气相色谱-质谱（GC-MS）图谱数据的准确识别,该研究在主成分分析法的基础上引入弹性网惩罚函数与岭回归对主成分进行稀疏限制,从而实现GC-MS白酒图谱数据的稀疏主成分分析（SPCA）,进而将稀疏主成分送入不同的分类器中进行分类识别,建立白酒质量分类模型,并与主成分分析（PCA）进行比较。结果表明,与主成分相比,不同等级白酒GC-MS图谱的稀疏主成分差异较大,更能代表不同特征白酒的信息。基于SPCA对白酒样品进行分类后的分类识别精度更高,SPCA+K最近邻（KNN）、SPCA+决策树（DT）、SPCA+支持向量机（SVM）、SPCA+误差反向传播（BP）的准确率分别达到62%、89%、97%、100%,其中SPCA结合BP的方法分类效果最好,说明白酒GC-MS图谱的稀疏主成分系数存在非线性关系。在抽取的数据上进行结果验证,其分类结果和数据信息完全吻合,说明建立的基于稀疏主成分分析白酒质量评价模型能有效地实现白酒等级的评判。