基于深度学习的高光谱腊肉营养安全分级

本文设计的卷积神经网络-支持向量机(CNN-SVM)模型,从腊肉的高光谱成像出发,将深度学习提取特征与传统机器学习提取特征有机结合,设计出准确可靠的腊肉营养安全四分类器.利用三维卷积神经网络提取腊肉高光谱图像的深层特征,同时融合高光谱的光谱特征,联合输入支持向量机(SVM)实现对腊肉的分类和健康风险评价.结果:获得了与...     

基于高光谱成像技术的大米溯源研究

利用高光谱成像技术提取大米的光谱信息进行大米产地溯源研究。采用X-Y距离样本集算法（SPXY）进行训练集和测试集的划分,将1 000颗大米样本中800个为训练集,剩下200个为测试集。并采用主成分分析（PCA）法提取相关性较强的主成分光谱信息,进行数据降维。基于主成分分析法提取前4个主成分,并在贡献率最高的第4主成分基础上,结合支持向量机算法（SVM）建立大米产地溯源预测模型。研究得出训练集准确率可达96%,测试集平均准确率为79%。通过训练集和测试集的实验结果表明,高光谱成像技术可以对大米产地进行溯源,为大米产地快速、无损检测提供了一定思路和参考。     

基于高光谱图像与光谱特征融合技术的鸡蛋新鲜度无损判别模型的建立

鸡蛋新鲜度等级评价是鸡蛋品质检测过程中的一项重要技术指标。选取了不同储藏环境的鸡蛋样本并采集其高光谱图像信息与光谱信息,提取图像特征和光谱特征;采用并行式融合方法进行图谱特征融合,基于连续投影法-灰度共生矩阵方法进行特征提取;建立支持向量机鸡蛋新鲜度判别模型。采用粒子群算法优化模型,训练集准确率达到85%,预测集准确率达到76.67%。为了解决单模型可能出现的偶然性误判问题,采用递进式特征融合方法,引入多模型共识策略和深度残差网络ResNet 50分析方法。建立基于连续投影法-方向梯度直方图特征提取方法的多模型共识策略,该模型的训练集准确率提升至89%,预测集准确率提升至88%;同时,建立基于连续投影法-方向梯度直方图特征提取方法的深度残差网络ResNet 50模型,模型的训练集准确率提升至89%,预测集的准确率提升至86.67%。图谱特征融合建模分析表明,并行式融合方法和递进式融合方法对鸡蛋新鲜度等级判别都有一定的可识别性,且递进式融合算法的多模型共识策略判别效果更佳。     

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。     

基于支持向量机的高光谱遥感影像分类

高光谱遥感是将成像技术和光谱技术相结合的多维信息获取技术。自发展以来,已在各个方面都显示出了巨大的研究潜力,成为遥感应用最广泛的领域之一。然而,如何充分利用高光谱遥感数据提供的丰富的地表信息,以及如何在如此大量的信息中提取有用信息,是摆在研究者面前的一项重要课题。高光谱遥感影像处理的一项重要内容就是地物目标的分类。文章基于支持向量机算法原理,提出了一种应用于高光谱影像的分类机制,并在印度松树(Indian Pines)和帕维亚大学(Pavia University)数据集上进行了验证实验,取得了较高的分类精度。     

高光谱成像的非烟物质分类识别研究

  目的  利用高光谱成像技术和机器学习方法对烟叶中的非烟物质进行分类识别。  方法  使用可见—近红外高光谱成像技术,采用归一化（Normalization）、标准正态变化（SNV）、多元散射校正（MSC）、一阶导数（FD）、卷积平滑（SG）对光谱数据进行预处理,通过连续投影变换（SPA）和主成分载荷（PCA loadings）进行特征波长选择,并应用随机森林（RF）、Softmax和支持向量机（SVM）建立分类模型。  结果  SNV为最佳光谱预处理方法,SPA选择特征波长建立的SVM模型为最优模型,训练集和测试集正确率分别为99.82%和99.47%。  结论  高光谱成像技术结合SPA-SVM模型可以有效分类识别烟叶中的非烟物质。      

基于AlexNet卷积神经网络的大米产地高光谱快速判别

采集我国东北和非东北10个产地、4个品种共计1000份单粒大米样本在波长950～1700 nm区间的高光谱图像,按照单粒大米轮廓提取感兴趣区域并计算平均光谱,采用主成分分析从样本集光谱矩阵提取累计贡献率大于99％的第一、二主成分,根据载荷矩阵系数最大值筛选与第一、二主成分相关性最强的特征波长1396.67 nm和146...     

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。     

基于近红外光谱和LSSVM方法的转基因大米鉴别研究

采用近红外漫反射光谱结合主成分分析(principal component analysis,PCA)和最小二乘支持向量机(least squares support vector machine,LSSVM)研究转基因大米的鉴别方法。采用PCA方法分析大米样品光谱空间分布;不同的光谱预处理方法:5点平滑、多元散射校正(multiplicative scatter correction,MSC)和标准正态变量变换(standard normal variate transformation,SNV)结合LSSVM用于定性判别模型的建立和优化;采用格点搜索方法对LSSVM模型的惩罚因子(c)和径向基核函数宽度(g)进行优化;正确识别率(correct recognition rate,CRR)用于判别模型的评价。结果表明:MSC结合LSSVM可用于转基因大米定性判别模型的建立,最优模型的CRR为97.50%。该方法有望成为转基因食品快速鉴别的一种辅助方法。      

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。     

基于卷积神经网络与高光谱的鸡肉品质分类检测

高光谱成像技术是现代食品检测中的重要方法,根据其图、谱合一的特点,从鸡肉的高光谱数据中提取反映鸡肉内部品质的光谱数据和反映鸡肉外部特征的图像数据,对提取到的数据进行预处理,建立基于光谱和彩色图像的卷积神经网络（convolutional neural network,CNN）模型,对鸡肉的品质进行快速、无损检测。结果表明,基于光谱和图像的综合CNN模型的分类效果最好,其准确率和损失函数分别达93.58%和0.30,优于使用单一数据的CNN模型,证明综合使用鸡肉的内、外信息能够有效提高鸡肉品质检测精度。     

玉米品种图像识别中的影响因素研究

为了研究玉米品种图像识别中的关键影响因素,搭建了一套基于PCA和ICA特征提取和支持向量机(SVM)分类算法的玉米品种识别系统,采用扫描仪获得了11个品种每个品种50粒图像,基于图像的像素特征和统计特征,分别研究了主分量分析(PCA)和独立分量分析(ICA)的特征提取和特征优化方法,并进一步考察了支持向量机(SVM)模式分类过程中的关键参数优化问题.试验结果表明,对11个品种550个籽粒的品种最高检出率为97.17％,在同样的情况下ICA优化的特征较PCA优化的特征识别率能提高3％左右,适当选择统计特征比使用像素特征识别率提高约10％,另外SVM参数影响到识别效果,但整体影响不大.本方法与结论对玉米种子纯度和品种真实性检验具有积极意义.     

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。     

高光谱亚像元分解预测花生中的黄曲霉毒素B1

黄曲霉毒素B1是一种剧毒、强致癌物质,具有紫外荧光特性。为研究高光谱成像技术对黄曲霉素的检测能力,在365 nm紫外灯下,通过高光谱成像系统采集5个浓度共250个花生籽粒样本33个波段(400~720 nm)的高光谱图像。提出一种基于高光谱亚像元分解丰度图像直方图量化特征预测黄曲霉毒素含量的方法。该方法首先通过N-FINDR端元提取方法获得黄曲霉毒素端元光谱,然后对高光谱图像进行非负矩阵分解(NMF),得到黄曲霉毒素丰度图像,对丰度图像构建直方图量化特征,使用偏最小二乘回归(PLS)和支持向量机回归(SVR)进行黄曲霉毒素丰度反演,五折交叉验法得到平均两种回归模型预测相对误差分别为29.95%和12.16%,RMSE最高为0.0306。本研究结果对农产品籽粒黄曲霉毒素光学快速检测具有积极意义。     

Regression Algorithms in Hyperspectral Data Analysis for Meat Quality Detection and Evaluation

Hyperspectral imaging (HSI) system in tandem with chemometric methods is proposed as a rapid, efficient, cost‐saving, and nondestructive detection technique, and multivariate data analysis is an indispensable part of this novel detection technique. In recent years, the rapid progress that we have made in using all kinds of chemometric methods to deal with hyperspectral data of meat products, however, cannot meet the practical needs very well. Thus, in order to give some suggestions on how to select an appropriate algorithm for hyperspectral data analysis, this review, first, briefly introduces the principle of the most widely used regression algorithms, and, more importantly, then focuses on the application of different algorithms in modeling the correlation between the quality attributes of the tested sample and their hyperspectral data. The advantages and limitations of these algorithms are compared and discussed. This review article will provide valuable guidelines for data analysis in the future progress of HSI detection technique.     

高光谱成像技术在肉类安全无损检测的应用研究进展

高光谱成像技术在肉类安全品质预测及分选分级方面已取得了诸多成果。作者重点综述了其在肉类有毒有害物质检测、肉类掺假检测、肉类分选分级中的研究现状,讨论了其存在的不足及发展趋势,以期为肉类安全无损检测方法的研究提供参考。