基于高光谱成像技术的长枣表面农药残留无损检测

利用近红外高光谱成像技术对灵武长枣的表面农药残留进行无损检测研究。采用Kubelka-Munk校正和SavitzkyGolay卷积平滑对900~1 700nm波段范围内的原始光谱进行预处理,选取最优的预处理方法;运用偏最小二乘回归系数选择特征波长,建立全波段和特征波长下的偏最小二乘农药残留预测模型。结果表明,经过Kubelka-Munk+Savitzky-Golay卷积平滑处理后的光谱建模效果最好,且利用特征波长建立的长枣表面农药残留校正和验证模型的相关系数和均方根误差分别为0.86,0.85和0.000 32,0.000 33,优于全波段建立的模型。研究表明,采用高光谱成像技术对灵武长枣表面农药残留的无损检测是可行的。     

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。     

可见-近红外高光谱成像技术对灵武长枣VC含量的无损检测方法

为探究基于高光谱成像技术预测灵武长枣VC含量的可行性并寻找最佳预测模型。采集100?个长枣样本在波长400～1?000?nm处的高光谱图像,对光谱数据进行预处理;应用遗传算法（genetic algorithm,GA）、连续投影算法（successive projection algorithm,SPA）和竞争性正自适应加权（competitive adaptive reweighted sampling,CARS）算法对原始光谱数据提取特征波长;分别建立基于全光谱和特征波长的偏最小二乘（partial least squares regression,PLS）和最小二乘支持向量机（least squares support vector machine,LSSVM）VC含量预测模型。结果表明,采用标准正态变换预处理算法效果最优,其PLS模型的交叉验证相关系数为0.839?5,交叉验证均方根误差为16.248?2;利用GA、SPA和CARS从全光谱的125?个波长中分别选取出12、5?个和26?个特征波长;基于CARS建立的PLS模型效果最优,其Rc、Rp、校正均方根误差、预测均方根误差分别为0.896?2、0.889?2、10.746?2%、12.145?3%。研究结果表明基于高光谱成像技术对灵武长枣VC含量的无损检测是可行的。     

高光谱成像技术对灵武长枣果皮强度的无损检测

利用高光谱技术对灵武长枣果皮强度检测进行研究,为灵武长枣外部品质无损检测提供科学方法。采集120个灵武长枣的400¹000 nm的高光谱图像,对光谱数据进行预处理;应用连续投影算法（SPA）、正自适应加权算法（CARS）和无信息变量消除法（UVE）对原始光谱数据提取特征波长;分别建立基于全光谱和特征波长的偏最小二乘回归（PLSR）和最小二乘支持向量机（LS-SVM）果皮强度预测模型。结果表明:采用标准正态变换（SNV）预处理算法效果最优,其PLSR模型的交叉验证相关系数（Rcv）为0.8207,交叉验证均方根误差（RMSECV）为9.9630;利用SPA、CARS和UVE法从全光谱的125个波长中分别选取出29个、31个和31个特征波长;而基于全光谱建立的LS-SVM模型效果最优,其预测相关系数（Rp）为0.9555,预测均方根误差（RMSEP）为3.8282;研究结果表明基于高光谱成像技术采集的灵武长枣漫反射光谱进行果皮强度无损检测具有可行性。      

基于VIS/NIR高光谱技术的灵武长枣SSC含量的无损检测研究

利用高光谱技术对灵武长枣可溶性固形物含量(SSC)检测进行研究,为灵武长枣内部品质无损检测提供科学方法。以灵武长枣为对象,对光谱数据进行预处理,应用连续投影算法(SPA)和正自适应加权算法(CARS)进行关键波长的选择,通过偏最小二乘回归(PLSR)和主成分回归(PCR)建立预测模型。实验结果表明:采用去趋势(Detrend)预处理算法效果最优,PLSR模型的交叉验证相关系数(Rcv)为0.809,交叉验证均方根误差(RMSECV)为1.331;通过SPA算法和CARS算法能够有效地对光谱数据进行降维处理,对SPA优选的8个和CARS优选的21个特征变量分别用PLSR和PCR建立预测模型,CARS-PLSR建模效果最优,其相关系数(Rp)为0.864,预测均方根误差(RMSEP)为1.174;研究结果表明基于高光谱成像技术采集的灵武长枣漫反射光谱进行SSC无损检测具有可行性。     

基于高光谱图像技术的长枣糖度无损检测

基于高光谱图像技术对长枣含糖量进行无损检测。由长枣高光谱图像获取反射光谱进行多元散射校正处理,再采用主成分分析获得主成分数据作为BP神经网络的输入变量,建立长枣糖度预测模型。结果表明,采用BP神经网络预测长枣糖度模型优于PLS,模型的相关系数和均方根误差分别为0.927 4和1.712 5。利用高光谱图像技术对长枣糖度的无损检测是可行的。     

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。     

基于可见/近红外高光谱成像技术的番茄表面农药残留无损检测

以番茄为研究对象,应用可见/近红外高光谱成像技术对水果表面农药残留的无损检测研究。用蒸馏水将嘧霉胺农药稀释成1∶20,1∶100,1∶500 3个梯度,将不同浓度的溶液分别滴到60个洗净的番茄表面,形成3×3矩阵。放置在通风阴凉处12h后,应用高光谱系统(400~1 000nm)采集光谱图像信息。利用主成分分析法获得主成分图像(PC),并根据第二主成分图像(PC-2)的权重系数选取特征波长564,809,967nm。采用波段比(564nm/809nm)结合适当的图像处理方法对番茄表面的农药残留进行检测。高浓度(1∶20,1∶100)农药点检测率为100%,而低浓度(1∶500)农药点的检测率为0。结果表明,高光谱成像技术对高浓度农药残留具有较好的检测效果。     

加工番茄虫眼及霉变的可见近红外高光谱成像检测

为了探求一种快速有效识别虫眼和霉变加工番茄的无损检测方法,利用高光谱成像技术,从光谱和图像2个角度对其进行检测。先借助可见近红外高光谱成像系统获取408~1 013nm的加工番茄高光谱图像数据,提取并分析感兴趣区域的平均光谱曲线进行主成分分析,根据各波段权重系数优选了550,750,900nm 3个特征波长;然后通过特征波长下图像的主成分分析,选择缺陷部位与正常区域强度对照最明显的第一主成分图像,通过掩模、阈值处理和形态学开运算等图像处理方法对缺陷番茄进行检测判别。虫眼、霉变和正常三类番茄的识别率分别为93.3%,90%,100%。同时利用上述3个特征波长进行波段比图像运算,并选择波段比550nm/750nm图像进行缺陷识别,虫眼、霉变和正常三类加工番茄的识别率分别为93.3%,96.7%,100%。研究结果表明,二次主成分分析和波段比检测算法均可以有效地识别缺陷加工番茄。另外研究中仅选用了3个特征波段,数据量大大减少,为搭建开发适于加工番茄缺陷的多光谱在线检测系统提供了可能。     

灵武长枣蔗糖含量的高光谱无损检测

利用高效液相色谱法检测蔗糖含量,同时运用高光谱成像技术结合化学计量方法建立蔗糖预测模型;通过竞争性自适应加权（competitive adaptive reweighted sampling,CARS）算法、连续投影算法（successive projection algorithm,SPA）和无信息消除变量（uninformative variable elimination,UVE）降维处理,建立特征波段和全波段的主成分回归（principal component regression,PCR）、偏最小二乘回归（partial least squares regression,PLSR）和多元线性回归（multivariable linear regression,MLR）模型。结果表明,采用蒙特卡洛方法剔除异常样本后,相关系数由0.611增大到0.846;正交信号校正法预处理效果最佳,RC和RP分别为0.853和0.794;利用SPA、UVE、CARS、CARS＋SPA和CARS＋UVE五种方法提取了5、21、17、10、18 个特征变量,其中CARS-PCR模型最好,校正集、预测集的相关系数为0.861、0.843,校正集、预测集的均方根误差为0.013 mg/g和0.014 mg/g。综上,高光谱成像技术可以实现长枣蔗糖含量的预测,为更深一步探讨枣的内部品质提供参考。     

基于高光谱图像技术的腊肠酸价含量检测

本文以腊肠为研究对象,探讨了高光谱图像技术对其酸价检测的可行性。研究中,对高光谱成像系统获得的数据进行了MNF变换、PPI纯净指数计算、n-D Visualizer等处理,获得纯净的光谱数据信息。采用主成分分析,获得主成分图像,选取PC2作为分析对象,通过比较权重系数,选取六个特征波长943.28、1003.20、1136.53、1240.03、1326.95、1477.64 nm,并通过特征波长,选定1000¹500 nm波长范围作为光谱分析区域。利用PLS建模方法将高光谱数据与酸价实际值关联,获得腊肠酸价评价模型。采用一阶导+SG（17）+矢量归一化和二阶导+SG（21）+矢量归一化校正方法建立校正模型,校正集RMSECV和R²分别为0.28,0.97和0.31和0.96,验证集RPD分别为2.92和2.89,一阶导+SG（17）+矢量归一化建立的PLS模型更适合酸价的定量检测,模型预测值平均重复性标准差为0.22,模型预测值平均相对误差为10.32%。研究结果表明,高光谱图像技术检测腊肠酸价含量是可行的。      

基于高光谱成像技术和因子判别分析的玉米黄曲霉毒素检测研究

利用高光谱成像技术进行玉米籽粒表面黄曲霉毒素的检测。将黄曲霉毒素原液用甲醇分别稀释成浓度为10、20、100、500μg/L的溶液,然后逐一滴在等量4组共120粒玉米籽粒的表面,取同品种30粒洁净玉米籽粒作为对照组。利用400~1 000 nm可见/近红外高光谱成像系统进行样品图像光谱信息获取,采用标准正态变量校正进行数据预处理。首先经主成分分析(Principal Component Analysis,PCA)进行高光谱数据降维,然后利用PCA从835个波长中提取的前14个主成分为输入,采用因子判别分析(Factorial Discriminant Analysis,FDA)对5类样品进行分类。FDA构建的模型对训练集和验证集的判别准确率分别达95%和86%。结果表明利用高光谱成像技术并结合PCA-FDA方法进行玉米籽粒表面黄曲霉毒素的检测是可行的。     

Detection of fungal infection and Ochratoxin A contamination in stored wheat using near-infrared hyperspectral imaging

A study was done to detect Aspergillus glaucus, and Penicillium spp., infection and Ochratoxin A contamination in stored wheat using a Near-Infrared (NIR) Hyperspectral Imaging system. Fungal-infected samples were imaged every two weeks, and the three dimensional hypercubes obtained from image data were transformed into two dimensional data. Principal component analysis was applied to the two dimensional data and based on the highest factor loadings, 1280, 1300, and 1350 nm were identified as significant wavelengths. Six statistical features and ten histogram features corresponding to the significant wavelengths were extracted and subjected to linear, quadratic and Mahalanobis discriminant classifiers. All the three classifiers differentiated healthy kernels from fungal-infected kernels with a classification accuracy of more than 90%. The quadratic discriminant classifier provided classification accuracy higher than the linear and Mahalanobis classifiers for pair-wise, two-way and six-way classification models. The Ochratoxin A contaminated samples had a unique significant wavelength at 1480 nm in addition to the two significant wavelengths corresponding to fungal infection. The peak at 1480 nm was identified only in the Ochratoxin A contaminated samples. The Ochratoxin A contaminated samples can be detected with 100% classification accuracy using NIR hyperspectral imaging system. The NIR hyperspectral system can differentiate between different fungal infection stages and different levels of Ochratoxin A contamination in stored wheat.     

基于网中网卷积神经网络的红枣缺陷检测

提出了一种基于网中网卷积神经网络对红枣进行缺陷检测的方法,在原有AlexNet卷积神经网络的基础上增加了1×1隐含感知层,增强了网络的非线性以提取更抽象的特征;并采用全局平均池化层的方式替换全连接层,减少大量参数的同时提升了识别准确率。对新疆骏枣进行了实测,可将红枣分为好枣、黑斑枣、皱枣、叠枣、脱皮枣、黄皮枣和裂枣7类,表明该方法与基于常规SVM的视觉检测方法和基于AlexNet网络的分类方法相比,分类效果得到了有效提升。     

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。     

Development of algorithms for detecting citrus canker based on hyperspectral reflectance imaging

BACKGROUND: Automated discrimination of fruits with canker from other fruit with normal surface and different type of peel defects has become a helpful task to enhance the competitiveness and profitability of the citrus industry. Over the last several years, hyperspectral imaging technology has received increasing attention in the agricultural products inspection field. This paper studied the feasibility of classification of citrus canker from other peel conditions including normal surface and nine peel defects by hyperspectal imaging. RESULTS: A combination algorithm based on principal component analysis and the two‐band ratio (Q_687/630) method was proposed. Since fewer wavelengths were desired in order to develop a rapid multispectral imaging system, the canker classification performance of the two‐band ratio (Q_687/630) method alone was also evaluated. The proposed combination approach and two‐band ratio method alone resulted in overall classification accuracy for training set samples and test set samples of 99.5%, 84.5% and 98.2%, 82.9%, respectively. CONCLUSION: The proposed combination approach was more efficient for classifying canker against various conditions under reflectance hyperspectral imagery. However, the two‐band ratio (Q_687/630) method alone also demonstrated effectiveness in discriminating citrus canker from normal fruit and other peel diseases except for copper burn and anthracnose. Copyright © 2011 Society of Chemical Industry     

Detection of different stages of fungal infection in stored canola using near-infrared hyperspectral imaging

Near-infrared (NIR) hyperspectral imaging system was used to detect different stages of fungal infections in stored canola. Artificially infected canola seeds (Fungi: Aspergillus glaucus and Penicillium spp) were subjected to hyperspectral imaging in the range between 1000 and 1600 nm at 61 evenly distributed wavelengths. Four wavelengths 1100, 1130, 1250 and 1300 nm were identified as significant wavelengths and were used in statistical discriminant analysis. Pair-wise, two-class and six-class classification models were developed to classify the healthy and different stages of fungal infected samples. Linear, quadratic and Mahalanobis discriminant classifiers were used to classify healthy, five stages of A. glaucus and five stages of Penicillium spp infected canola seeds. All the three classifiers classified healthy and fungal infected canola seeds with a classification accuracy of more than 95% for healthy canola seeds and more than 90% for the initial stages of A. glaucus and Penicillium spp infected canola seeds. The classification accuracy increased to 100% with increase in fungal infection level (length of time since inoculation). All the samples subjected to imaging were tested for seed germination and free fatty acid value (FAV). The germination decreased with increase in amount of fungal infection, whereas FAV increased with increase in amount of fungal infection.     

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。