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。     

基于高光谱成像技术的苹果表面缺陷无损检测

以"红富士"苹果为研究对象,提出基于高光谱成像技术结合图像分割技术的苹果表面缺陷的无损检测方法。采用高光谱图像采集系统(400 nm～1 000 nm)采集完好无损和表面有缺陷苹果的高光谱图像;对采集到的高光谱图像进行最小噪声分离变换,提取感兴趣区域的平均光谱反射率;采用图像分割技术提出苹果表面缺陷的无损检测方法。结果表明:采用最小噪声分离变换可有效地消除苹果高光谱图像中的噪声;在700 nm～800 nm以及900 nm～1 000 nm波段范围内完好无损和表面有缺陷的苹果的光谱反射率值具有明显的差异,同时选取特征波长717.98 nm处的光谱反射率值小于0.6以及982.59 nm处的光谱反射率值大于0.52作为区分苹果正常区域和表面缺陷区域的阈值条件,进一步利用阈值分割方法对80个完好无损苹果和40个表面有缺陷苹果的正确识别率分别为97.5%和95%。表明高光谱成像技术结合图像分割技术可实现苹果表面缺陷的无损检测。     

半透射高光谱多指标同时检测马铃薯内外部缺陷

目的应用半透射高光谱成像技术结合支持向量机(support vector machine,SVM)模型实现马铃薯内外部缺陷多指标同时检测。方法采集310个马铃薯样本半透射高光谱图像,并分别采用标准正态变量变换(standard normalized variate,SNV)、归一化(normalize)和平滑处理(smoothing)对光谱信息进行预处理。进一步采用竞争性自适应重加权算法结合无信息变量消除法(competitive adaptive reweighed sampling algorithm,uninformative variable elimination,CARS-UVE)进行特征波长选择,提高模型识别率。结果原始光谱信息经归一化预处理和竞争性自适应重加权算法结合无信息变量消除法(CARS-UVE)降维后所建的支持向量机(SVM)模型识别结果最优,该方法对合格、绿皮和黑心马铃薯样本预测结果分别为90.7%、88.9%、95.7%,混合识别率为91.3%。结论采用半透射高光谱成像技术结合CARS-UVE方法所建SVM模型能够实现马铃薯内外部缺陷多指标同时检测。     

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灵武长枣常见缺陷检测

以灵武长枣为研究对象,利用高光谱成像技术结合主成分分析法(principal component analysis,PCA)和最小噪声分离法(minimum noise fraction,MNF)对长枣缺陷进行快速检测与识别,主要探讨样本背景对缺陷识别的影响。首先,采集虫眼、裂痕、正常枣的高光谱图像,利用PCA法和MNF法分别对其降维去噪,选择虫眼与正常枣的PC1和M1图像、裂痕枣的PC2和M2图像进行缺陷识别,经PCA分析后的缺陷识别率均为100%,MNF处理后的识别率分别为69.2%,56.8%,100%;随后对其高光谱图像进行掩模去背景,再对其降维去噪后检测识别,PCA后的识别率均为100%,MNF后的识别率分别为73.1%,65.9%,100%。结果表明:利用高光谱成像技术结合两种降维去噪法对长枣常见缺陷的识别是可行的,背景干扰对于PCA法的缺陷识别不影响,其识别效果优于MNF法,且去背景后的MNF法缺陷识别率较未去背景的有所提高,为后续长枣缺陷的在线检测提供理论依据。     

高光谱技术结合网格搜索优化支持向量机的桃缺陷检测

为快速区分完好桃、疮痂桃、腐烂桃(虫咬桃、鸟啄桃),实现久保桃外部缺陷的无损检测,该研究利用高光谱技术对久保桃的外部缺陷进行了研究。共采集302个久保桃样本(120个完好桃样本、120个缺陷桃样本、62个验证桃样本),对比经光谱学、基线校正、中值滤波(median filter, MF)等5种预处理方法建立偏最小二乘法模型的准确率,选取经MF预处理后的光谱数据进行后续建模研究。采用回归系数法、竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)提取特征波长,建立网格搜索法优化支持向量机(grid search optimized support vector machines, GS-SVM)模型、遗传算法优化SVM模型、粒子群算法优化的SVM模型并进行对比分析。结果表明,CARS-GS-SVM模型预测效果最好,其训练集的判别率为93.33%,预测集的判别率为96.77%,验证集的判别准确率为91.94%,运行时间为11.5 s。该研究利用高光谱技术结合CARS-GS-SVM模型实现了久保桃外部缺陷的检测,为开发水果的分...     

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。     

基于高光谱成像的蔬菜新鲜度检测初探

目的 利用高光谱成像技术对蔬菜新鲜度检测进行了初步探讨。方法 采集了小白菜、菠菜、油菜、娃娃菜这四种蔬菜的叶片, 分别在失水0、10、24、48 h的状态下, 利用成像光谱仪采集其光谱图像, 对蔬菜叶片进行对比分析。结果 蔬菜在失水过程中, 高光谱图像能反映其外观形态及内部叶绿素的变化, SPAD值预测模型的相关系数r=0.76。结论 利用高光谱成像来辨别蔬菜叶片新鲜度是可行的。     

基于高光谱技术的羊肉含水率无损检测

利用高光谱成像系统(1000~2500 nm)对羊肉含水率进行无损检测研究。对108个羊肉样本进行光谱信息采集,通过标准正态变换法、归一化法、去趋势校正法、S-G卷积平滑法、导数法、多元散射校正法对原始光谱进行预处理,对全波段下的原始光谱和预处理后的光谱建立偏最小二乘回归(PLSR)模型,优选出的最佳预处理算法为去趋势校正法。原始数据经去趋势校正法预处理后,采用相关系数法选取特征波长,建立特征波长下羊肉含水率的 PLSR模型和逐步多元线性回归(SMLR)模型。结果表明,SMLR模型对含水率预测效果最好,校正集相关系数R_c为0.8597,标准误差SEC为0.0521;预测集相关系数R_p为0.8654,标准误差SEP为0.0387。研究表明,利用高光谱成像技术检测羊肉含水率是可行的。     

基于高光谱成像技术的水果品质无损检测

高光谱图像技术结合光谱技术与计算机图像技术两者的优点,可获得大量包含连续波长光谱信息的图像块,其图像信息可检测水果的外部品质,光谱信息则可用于水果内部品质的检测,达到根据水果内、外部综合品质进行分类的目的. 综述了国内外将该技术应用于水果品质检测方面的研究进展,提出了利用高光谱图像技术检测苹果轻微损伤的方法,利用500～900nm的高光谱图像数据,通过主成分分析提取547nm波长下的特征图像.     

高光谱成像技术结合线性回归算法快速预测鸡肉掺假牛肉

采用近红外高光谱成像技术(900~1700 nm)结合线性回归算法对牛肉掺假快速无损检测。将鸡肉糜掺入牛肉糜中制备牛肉掺假样品,掺假比例为2%~98%(w/w),掺假间隔为2%。采集掺假样品的光谱图像,提取光谱数据,并利用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立掺假样品的定量预测模型。为了减少高维共线性问题,提高模型运算效率,分别采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长建立优化预测模型。结果表明,基于SPA算法结合MLR建模方法得到的掺假牛肉预测模型,其预测效果最优,校正集决定系数(R_C²)和均方根误差(Root mean square error of calibration,RMSEC)分别为0.99和3.23%,验证集的决定系数(R_P²)和均方根误差(Root mean square error of prediction)RMSEP分别为0.97和5.31%,预测偏差(Residual predictive deviation,RPD)为6.82。综上,近红外高光谱成像技术结合线性回归算法可以实现对掺假牛肉的快速无损定量检测。     

基于近红外高光谱成像快速无损检测注胶肉研究

采用近红外高光谱成像技术结合化学计量学方法建立注胶肉的快速无损检测模型。首先通过近红外高光谱成像系统获取含有不同浓度梯度卡拉胶的猪里脊肉高光谱图像,然后提取图像中的光谱数据,使用偏最小二乘法(Partial least square,PLS)探究光谱信息与不同掺假比例卡拉胶之间的定量关系。结果表明全波段光谱(900~1700 nm)所构建的PLS校正集模型均方根误差(Root mean square error,RMSE)为1.74%,预测模型RMSE为3.16%。表明基于全波段所建立的PLS模型具有较优的预测性能。利用连续投影算法(Successive projection algorithm,SPA)筛选获得11个特征波长,并优化全波长PLS模型,将预测集样品带入,以验证模型的预测效果,结果表明SPA算法结合PLS建模方法所建立的模型预测效果更优,预测集相关系数(R_P)为0.93,均方根误差(Root mean square error of prediction,RMSEP)为3.51%,预测偏差(Residual predictive deviation,RPD)为2.66。试验表明利用高光谱成像技术可实现对注胶猪肉的快速无损检测。     

应用高光谱技术及MLSPTSVM模型检测热损伤大豆

进口大豆在运输过程中极易因贮藏温度过高而造成热损伤,加剧大豆蛋白及油脂的品质恶化,对大豆质量造成影响。本文利用高光谱图像技术和多元最小二乘递归投影孪生支持向量机(multiple least squares recursive projection twin support vector machine,MLSPTSVM)对大豆的热损伤进行检测。应用高光谱图像采集系统,在400~1000 nm范围内获取正常大豆、轻度热损伤、重度热损伤大豆的光谱图像,采用多种预处理方法进行光谱预处理,对预处理方法提高模型检测性能的有效性进行分析。结果表明,多元散射校正预处理搭配线性核的MLSPTSVM模型,原始光谱数据搭配非线性核的MLSPTSVM模型,均能达到100%检测准确率,相较于经典检测模型具有显著优势。在实验样本数量大幅减少的情况下,应用线性核的模型检测准确率仍能达到100%。因此,结合MLSPTSVM模型的高光谱图像检测方法有效地提高热损伤大豆检测精度,且具有良好的鲁棒性,为大豆品质的检测提供了新的方法。     

高光谱成像技术检测油茶果成熟度

为解决油茶果采摘期判断不准确可能导致的茶油产量降低问题,应用高光谱成像技术结合化学计量法对油茶果成熟度进行定性判别。完成了高光谱图像的曲率校正,分析不同成熟阶段油茶果的光谱特征和理化特征的变化情况。使用4 种不同的分类算法建立基于全波段光谱数据的油茶果成熟度判别模型,发现支持向量机（support vector machine,SVM）模型的分类正确率最高为97%。结合5 种特征变量选择方法对全波段光谱数据进行降维,发现经过竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）选择的特征波长建立的模型正确率最高为82%。提取高光谱图像中的颜色特征和纹理特征建立SVM模型后发现,融合颜色特征和光谱特征建立的SVM模型的正确率高于使用单一的光谱特征（经CARS降维）建立的模型正确率：训练集分类正确率为95%,测试集正确率为93%。结果表明,利用高光谱成像技术能够对不同成熟度的油茶果进行较准确的分类,为茶农对油茶果最佳采摘期的判断提供科学依据,在保障茶籽产量最大化、油质最优化等方面具有重要意义。     

基于特征融合的猪肉新鲜度高光谱图像检测

利用高光谱反射图像技术研究了猪肉新鲜度的无损检测。采集了180个猪肉样本在400~1 000 nm范围内的高光谱反射图像,提取了高光谱图像的光谱均值和熵两类特征;分别利用连续投影算法、主成分分析,以及连续投影算法结合主成分分析3种特征降维方法,提取了反映肉类新鲜度信息的重要特征变量;并建立了这些特征变量与挥发性盐基氮(TVB-N)的最小二乘支持向量机(LSSVM)预测模型;在此基础上提出了猪肉TVB-N含量的可视化检测方法。研究结果表明:相比于单一特征模型,利用光谱均值和熵融合特征的LSSVM模型可显著提高模型的准确度;连续投影算法结合主成分分析的特征降维方法,可显著降低模型的复杂度,提高模型准确度。利用光谱均值和熵两类特征,通过连续投影算法和主成分分析相结合的特征降维方法所建立的LSSVM预测模型,可取得最佳的预测准确度,其预测集的均方根误差RMSEP为1.96,相关系数(RP)为0.948,剩余预测偏差(RPD)为3.12,可满足实际检测需要。建立在此基础上的可视化方法,可直观显示肉类的腐败区域和程度。     

基于NIR高光谱成像技术的滩羊肉内部品质无损检测

利用近红外高光谱成像技术对滩羊肉蛋白质和脂肪含量、pH值进行无损检测研究。通过高光谱系统(900~1700 nm)采集69个羊肉样本信息,先对全波段下的原始光谱和预处理后光谱建立偏最小二乘回归(PLSR)模型,对比优选出最佳预处理算法,后采用PLSR的加权β系数法提取特征波长,建立特征波长下各品质参数的PLSR模型,分析预测效果。结果表明:羊肉蛋白质、脂肪含量、pH值最佳预处理方法为基线校准(Baseline)、多元散射校正与S-G卷积平滑结合算法(MSC+SG)和原始光谱;利用特征波长建立预测模型,决定系数(RP2)分别为0.83、0.86和0.72,预测均方根误差(RMSEP)为0.57、0.09和0.12,可替代全波段建模。利用近红外高光谱成像技术对羊肉内部品质进行快速无损检测是可行的。     

基于高光谱成像快速检测牛肉糜中大豆分离蛋白掺入量

采用近红外高光谱成像技术(900~1700 nm)结合化学计量学算法快速定量预测牛肉糜中大豆分离蛋白掺入量。首先按照2%~30%(w/w),掺入间隔1%的浓度梯度,制备不同大豆分离蛋白掺入浓度的牛肉糜样品,然后采集样品的高光谱图像并提取光谱数据,最后运用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立预测模型。为了减少模型的高维共线性问题,采用回归系数法(Regression coefficients,RC)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长,优化全波段预测模型。结果显示基于RC法筛选的22个最优波长构建的RC-PLSR模型和RC-MLR模型预测效果优于基于SPA法筛选的21个最优波长构建的SPA-PLSR模型和SPA-MLR模型。其中,RC-PLSR模型预测效果最接近全波段PLSR模型,r_P为0.95,RMSEP为2.73%,RPD为3.32。试验结果表明近红外高光谱成像技术结合化学计量学方法可快速预测牛肉糜中大豆分离蛋白的掺入量。     

基于计算机视觉的香菇缺陷检测

传统人工检测鲜香菇表面缺陷方法通常效率较低,且易造成视觉疲劳,不能满足现代化工业需求。本研究尝试采用计算机视觉技术检测鲜香菇表面缺陷。首先,香菇样本RGB图像被获取,抽取B分量图像构建掩模用于G分量图像去背景。然后,去背景后的G分量图像进行边缘亮度补偿及缺陷提取。随后,对缺陷标记、提取特征参数及参数选择。为了避开成像系统及环境光的干扰,试验选用缺陷区域总面积与香菇图像总面积的比值作为识别正常香菇与缺陷菇的衡量指标。最后,一个全局阈值0.0035被用于所有被研究样本。结果表明,该识别算法识别正常菇和缺陷菇准确率分别为94%和97.3%,所有样本分类精度达到96.5%。