高光谱成像技术在小麦不完善粒检测中的应用研究进展

本文主要介绍了高光谱成像技术及其在小麦不完善粒检测中的应用,指出了现阶段在不完善粒检测中存在的主要问题,并对今后的研究方向进行了展望,以期推动高光谱成像技术在不完善粒检测中的应用发展。     

基于图像处理和神经网络的小麦不完善粒识别方法研究

为了实现图像处理技术对小麦不完善粒的准确快速识别,研究了一种基于小麦不完善粒图像特征和BP神经网络的不完善粒识别方法。采集小麦不完善粒图像,对图像进行中值滤波、形态学运算、图像分割等处理后,针对每个小麦籽粒,提取其形态、颜色和纹理共3大类54个特征参数,采用主成分分析法提取8个主成分得分向量作为模式识别的输入,建立BP神经网络模型,实现对小麦不完善粒的检测识别。结果表明,该模型对完善粒、破损粒、病斑粒、生芽粒和虫蚀粒的判别正确率分别为93%、98%、100%、90%和85%,平均判别正确率达到93%,可有效对小麦不完善粒进行检测识别。     

小麦不完善粒的分析

重点分析了小麦黑胚粒和赤霉病粒的产生、危害、其检验特征及国家标准的规定,介绍了新的小麦国家标准中不完善粒方面的变动内容以及小麦流通过程中不完善粒的增减价问题。     

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。     

小样杂质对测定小麦不完善粒的影响

<正> 国标中规定小麦不完善粒的测定方法是:“在检验小样杂质的同时,按质量标准的规定拣出不完善粒称重(W1)”。结果计算公式为: 不完善粒(％)=(100-M)×W1/W式中:W1——为不完善粒重量,g W——试样重量,g M——大样杂质百分率上述的操作方法及计算公式均是只考虑     

不完善粒分析仪在小麦质量检验中的效果与验证分析

不完善粒含量是小麦质量的重要评价指标,当前检验以人工为主,检验时间长,检验结果受主观经验影响大。随着科学技术的发展,粮食质量检验的自动化程度不断提高,目前已有不完善粒分析仪投入使用。为全面分析不完善粒分析仪的应用效果,进行了单机和联机效果跟踪,验证分析其准确度、重复性、稳定性及检验时间。结果表明：不完善粒分析仪采用500 g样品量检验的结果与人工定值无显著差异,准确度、稳定性满足使用要求;一个样品的检验时间只需4 min,远远低于人工的15～20 min,大大提升了检验效率。     

小麦不完善粒快速检测仪器研究(Online First, Recommended Article)

采用图像分析技术与自动控制技术,将人工智能技术应用于小麦不完善粒检测,研究开发了小麦不完善粒指标的自动快速无损检测仪器。通过验证该仪器检测小麦不完善粒的准确性、重复性、稳定性、台间差等相关性能参数,结果表明：该仪器检测性能稳定,准确性、重复性、稳定性、台间差均符合行业标准要求,操作简单,检测速度快,克服了人工检测主观性强、重复性差、不同人员间检验一致性较差等问题,可实现小麦不完善粒的自动快速无损检测,能够满足粮食收储企业、加工企业和检测机构的检测需要。     

不完善粒对小麦硬度指数测定值的影响

GB/T 21304-2007<小麦硬度的测定硬度指数法>中对样品的清理只规定清除破损粒,而破损粒仅仅是不完善粒中的一种;本试验选用软质、硬质和混合三类小麦将各种不同的不完善粒按1.0%～8.0%的比例添加到完整粒的小麦样品中,使用JYDB100-40型小麦硬度测定仪进行系统的分析研究.结果表明,在GB 1351-2008国家标准规定的不完善粒不超过8%范围内,不完善粒含量的多少对硬度指数测定值没有显著影响,测定结果均在GB/T 21304-2007规定的允许误差范围内,证明了硬度指数主要受基因突变影响的机理,但硬度指数与小麦胚乳的完整性关系如何,有待进一步研讨.     

基于高光谱成像及神经网络技术检测玉米含水率

基于高光谱成像及人工神经网络技术对玉米含水率进行了检测。检测波长为450～900nm,由玉米粒反射光谱图像获取反映其含水率的光谱特征波长。利用人工神经网络建立了玉米粒含水率的预测模型,模型相关系数达到0.98。对含水率预测结果的误差最大绝对值为2.1182,最小绝对值为0.0024。相对误差绝对值的平均值为0.3090,结果表明利用高光谱图像技术对玉米含水率进行无损检测是可行的。     

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...     

基于高光谱的单粒小麦籽水分分布预测

为预测单粒小麦籽的含水量,将小麦籽分成折痕向上(记为A面)和折痕向下(记为B面)进行高光谱扫描,建立4种预测模型,记为MA、MB、MC和MD。其中,模型MA与MB分别由A与B面单粒小麦籽的光谱构成,模型MC由A与B面的平均光谱构成,模型MD由A与B面的光谱混合而成。利用偏最小二乘回归法对这4种模型进行比较,结果表明:模型MD具有最佳预测效果,对于模型MD,经过1阶微分和标准正态变换预处理后,其预测集的均方根误差为1.36%,相关系数为0.90。同时利用高光谱成像技术还可以获得整盘单粒小麦籽的水分分布图,分布图能定位水分不正常的粒籽,为研究自动剔除水分异常的单粒小麦籽提供参考。     

基于高光谱成像技术小麦籽粒霉变鉴别方法研究

小麦霉变籽粒是小麦不完善粒一种,鉴别小麦霉变粒是粮食霉变程度的重要参考。为了更精确地鉴别小麦霉变籽粒,本文利用高光谱成像技术采集不同品种小麦霉变籽粒及非霉变籽粒的光谱信息,建立小麦霉变籽粒的鉴别预测模型,实现小麦霉变籽粒快速、无损、有效、稳定的鉴别。首先收集了100粒霉变和100粒正常非霉变籽粒400-1000 nm范围的高光谱图谱,通过不同的光谱预处理方法进行处理,选出最优光谱信息预处理方法。接着,采用连续投影算法(SPA)和竞争性自适应重加权采样(CARS)提取特征波长,分别比较通过全波长范围和特征波长下建立的偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)模型并进行比较。结果表明,淮麦22和宁麦13的最优预测模型分别为全波长-OSC-SVM和SPA-OSC-SVM模型,对应的R分别为0.9963和0.9998,RMSEP分别为0.0309和0.0064,R分别为0.9975和0.9995,RMSECV分别为0.0247和0.0111。     

基于MEA-BP神经网络的大米水分含量高光谱技术检测

利用高光谱技术对储藏大米的水分含量进行检测。本实验以120个大米样本为研究对象,采集所有大米样本的高光谱图像,利用多元散射校正的预处理方法对大米样本原始光谱数据进行降噪处理。由于原始高光谱数据量大且冗余性强,故利用逐步线性回归分析方法对预处理后的数据进行特征提取。最后建立BP神经网络的大米水分定量检测模型,由于建模效果没有达到预期目标,因此引入遗传算法(genetic algorithm,GA)和思维进化算法(mind evolutionary algorithm,MEA)优化BP神经网络的权值和阈值。对BP、GA-BP、MEA-BP 3种大米水分预测模型进行比较,3种模型的预测集决定系数都达到0.86以上,其中MEA-BP模型具有最佳的预测效果,预测集决定系数达到0.966 3,且均方根误差为0.81%。     

基于压缩感知和卷积神经网络的谐波检测方法研究

本文提出一种基于压缩感知(CS)和卷积神经网络(CNN)的谐波检测新方法.在CS理论下建立了具有压缩采样和重构功能的谐波检测框架,并利用CNN理论设计了具有免变换字典的重构网络.研究结果表明,本文所提出的方法具有可行性,可为造纸工业中的谐波检测提供了一种新手段.     

基于卷积神经网络的服装领型识别与分类研究

针对服装领型特征识别困难、分类效果不理想等问题,提出了一种基于Alex Net卷积神经网络的服装领型识别与分类方法,实现了服装衣领造型的自动识别与分类。首先,从电商平台收集服装样本图并对其进行剪裁和预处理,建立一个包含圆形领、方形领、一字领、V形领等15类服装领型的样本库;其次,利用Alex Net卷积神经网络中的卷积、池化操作,提取服装领型样本中的领型特征;最后,运用Softmax回归分类器来实现服装领型的分类。结果表明,该方法可以有效地对服装领型进行识别与分类,分类准确率达到98.67%,可以有效解决服装领型识别分类困难等问题,为服装商品的可视化分类提供有效方法。     

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。     

基于图像处理的玉米颗粒霉变程度检测方法研究

提出利用HSV模型快速识别霉变玉米颗粒与霉变等级的方法。基于感染霉菌的玉米颗粒表层会发生颜色褐变、发黑等特点,首先对彩色玉米图像进行图像增强,然后采用V分量的阈值区分正常玉米颗粒与霉变玉米颗粒,再通过H与V分量的阈值区分轻度霉变与严重霉变玉米颗粒。试验表明,该方法对正常玉米颗粒、轻度霉变玉米颗粒、严重霉变玉米颗粒的检测准确率可达93.7%、80%、92.9%以上,能够达到区分检测的目的。