基于高光谱图像光谱变量和颜色特征的霉变玉米籽粒识别

目的:准确识别霉变玉米籽粒。方法:基于高光谱图像光谱变量和颜色特征建立霉变玉米籽粒识别的新方法。先对玉米籽粒图像进行图像分割和光谱变量、颜色特征提取,并根据颜色特征生成颜色直方图;将光谱变量和颜色直方图特征组成特征集合;通过距离函数对特征集合中所有特征的分析确定霉变玉米籽粒所属类别。结果:所提方法对霉变玉米籽粒类别的最大平均识别偏差为1.12,最佳平均识别准确率为97.59%;与基于高光谱图像+随机蛙跳+极限学习机的方法、基于高光谱图像+稀疏自动编码器+卷积神经网络的方法、基于高光谱图像+蚁群优化+BP神经网络的方法相比,研究所提方法对霉变玉米籽粒类别的识别准确率明显提高。结论:该方法可实现被测玉米籽粒样品是否霉变以及霉变程度的准确判断。     

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。     

基于高光谱技术检测小麦粉灰分含量

目的 基于高光谱技术实现对小麦粉灰分含量的准确检测。方法 利用高光谱成像技术采集小麦粉的光谱数据,建立基于偏最小二乘法(partial least squares regression,PLSR)和深度极限学习机(deep extreme learning machines,DELM)的小麦粉灰分含量预测模型;通过分析3种预处理算法和4种波长选择算法,分别选出最佳的预处理与波长选择方法,最后构建基于特征波段光谱信息的预测模型,并对结果进行比较。结果 标准正态变量校正(standard normal variable,SNV)为最佳预处理方法;连续投影算法(successive projections algorithm,SPA)相较于随机森林(random forest,RF)、无信息变量消除(uninformative variable elimination,UVE)和遗传算法(genetic algorithm,GA)选择特征波长的模型更优;DELM模型更适用于灰分含量的检测,最优模型的测试集决定系数为0.968,预测集均方根误差为0.024。结论 高光谱成像技术可以快速、精准的...     

基于高光谱成像技术的祁门红茶等级无损检测

为实现快速无损的茶叶产品等级评估,应用近红外(900～1700nm)高光谱成像技术对6个等级的祁门红茶进行分类.首先利用线性和非线性降维方法对高光谱数据进行可视化处理,可视化算法包括线性方法的主成分分析(Principal Component Analysis,PCA)、多维尺度变换(Multi-Dimensional...     

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。     

基于高光谱技术的不同霉变程度籼稻快速鉴别

为解决快速、无损鉴别籼稻霉变程度问题。该文利用高光谱技术采集正常、轻度霉变、中度霉变和重度霉变共4类籼稻样本的光谱数据,经不同预处理后,通过连续投影算法(SPA)提取特征波长,采用多元线性回归判别分析(MLR-DA)建立籼稻霉变程度鉴别模型。同时,通过竞争性自适应重加权算法(CARS)筛选特征变量,采用偏最小二乘法回归判别分析(PLS-DA)建立鉴别模型。研究结果表明,SG-SPA-MLRDA和RAW-CARS-PLS-DA模型的验证集相关系数RP均大于0.950。其中,RAW-CARS-PLS-DA模型的预测效果最优,其验证集相关系数RP为0.969,均方根误差RMSEP为0.269,对未知籼稻样本的总体分类准确率为93.33%。该模型对不同霉变程度籼稻具有较强的鉴别能力,故该方法可为快速、无损鉴别籼稻霉变程度提供技术支持。     

基于高光谱信息特征选择的玉米霉变程度Fisher鉴别方法

为了提高高光谱鉴别玉米霉变程度的正确率,分别对全波长和特征波长下霉变玉米进行鉴别分析。利用高光谱图像采集系统获得250个霉变玉米样本的高光谱数据,并用标准正态变量变换(standard normal variate,SNV)和多元散射校正(Multiplicative scatter correction,MSC)2种方法对原始数据进行预处理,再对未预处理和预处理后的原始数据进行判别,优选出多元散射校正的预处理方法;运用偏最小二乘回归系数选择了9个特征波长;运用Fisher判别分析(Fisher discriminant analysis,FDA)分别对全波长和特征波长下的训练集进行判别分析,并用对应的测试集进行检验。FDA结果表明,全波长下判别模型的训练集和测试集的准确率分别为97.71%,97.33%,9个特征波长下训练集和测试集的准确率分别为100.00%,98.67%。研究结果表明,利用特征光谱能够较好地表征玉米的霉变程度,有利于提高玉米霉变程度的鉴别正确率。     

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。     

基于高光谱成像技术的小麦籽粒品种鉴别方法研究

为了更精确地鉴别小麦品种,实现小麦品种快速、无损、有效、稳定的鉴别.利用高光谱成像系统采集6个小麦品种籽粒光谱和图像信息,提取小麦籽粒胚、胚乳、胚和胚乳混合部位的光谱,采用不同的预处理方法对原始光谱进行处理,利用竞争性自适应重加权算法(CARS)和连续投影算法(SPA)提取特征波长,基于全波长和特征波长建立线性判别分析...     

基于光谱和图像信息融合的玉米霉变程度在线检测

融合可见-近红外光谱和机器视觉分析技术,建立玉米霉变程度在线检测方法。辐照灭菌玉米分别接种5 种谷物中常见有害霉菌,并于28 ℃和85%相对湿度环境中储藏15 d至严重霉变。在样品储藏的第0、6、9、12、15天,同时在线采集其光谱及图像特征信息,将提取的样品光谱特征波长和图像颜色特征参数融合成总特征参数,建立玉米霉变程度定性定量模型。结果表明,主成分分析可成功区分不同霉变程度的玉米样品;基于光谱和图像信息融合的线性判别分析模型对不同霉变程度玉米样品的整体识别率达91.1%,比单独应用光谱和图像时的准确率分别提高4.4%和8.9%;基于信息融合的玉米菌落总数偏最小二乘回归模型结果也同样较优,模型预测决定系数Rp2为0.894 1,均方根预测误差为0.665（lg（CFU/g））,相对分析偏差达3.06。结果表明光谱和图像数据融合能够提高模型精度,在霉变玉米在线检测方面具有可行性。下一步应不断扩大样品量,补充自然霉变及受更多代表性霉菌侵染的玉米样品,以不断增强模型的鲁棒性和适用性。     

高光谱成像技术在谷物品质检测中的应用进展

高光谱成像(Hyperspectral imaging,HSI)技术作为一种无损和快速的光学成像分析技术在谷物品质的无损检测应用广泛。本文简述了高光谱成像的基本原理、光谱信息数据处理方法,综述了HSI技术在小麦、玉米、稻谷3种大宗谷物中化学成分检测、品种鉴别、种子活力检测以及不完善籽粒检测等近五年的应用研究进展,提出HSI技术在谷物品质检测实际应用中需破解的难题。     

基于高光谱成像技术的青花椒产地识别研究

目的 基于高光谱成像技术结合机器学习建立一种青花椒产地的快速识别方法,实现四川、贵州、云南、重庆等10个青花椒主要产地样品的快速无损鉴别。方法 本研究利用全平皿法、五点平均法和中心点法3种不同的兴趣区域(region of interest, ROI)提取方式,获得平行光谱数据,分别采用5种预处理方法消除数据噪声提升模型性能,并比较了偏最小二乘判别分析(partial least square-discriminant analysis, PLS-DA)、随机森林(random forests, RF)和支持向量机(support vector machine, SVM) 3种模型的产地识别效果。结果 采用全平皿法提取兴趣区域,通过二阶导(second derivative, D2)预处理后建立的RF模型分类效果最佳,训练集和测试集的准确率均可达到100%。进一步采用连续投影算法(successive projections algorithm, SPA)选择27个特征波长建模,结果表明多元散射校正(multiplicative scatter correction, MSC)-RF模...     

基于近红外高光谱图像的花生内部霉变快速判别方法研究

目的 针对外观正常但内部存在不同程度霉变的花生,探索采用近红外高光谱成像技术结合机器学习方法构建花生内部霉变快速无损判别模型的可行性。方法 采集100粒内部霉变和100粒健康花生的近红外高光谱图像构成数据集,将多种经典光谱预处理方法与支持向量机(support vector machine, SVM)组合建立花生内部霉变判别模型,并采用蒙特卡洛-无信息变量消除法(Monte Carlo-uninformative variable elimination,MC-UVE)找出霉变判别中有效的光谱特征波长。结果 将Savitzky-Golay卷积平滑方法和二阶求导光谱预处理方法与SVM组合,对内部霉变严重样本判别的总体识别准确率可达95%,对不同程度内部霉变样本的平均识别准确率为88%;基于MC-UVE筛选得到10、5、3个特征波长构建的模型总体识别准确率为90%、85%和82%。结论 实验结果表明高光谱技术结合机器学习可为花生内部霉变的快速、无损判别提供可行的解决方案,同时特征波长筛选为基于光电原理的霉变花生色选机系统开发提供了参考。     

高光谱成像技术在食品品质无损检测中的应用

高光谱成像技术结合光谱技术和图像技术的优势,能够很好的捕获光谱信息和图像信息。其丰富的光谱信息能够有效的提取样品内部特征。该分析技术已广泛应用于检测食品的水分含量、新鲜度、生物污染等。本文介绍并分析了高光谱成像技术在食品检测中的各种应用,指出了目前高光谱成像技术存在的不足之处,指明了该技术领域工作者今后的重点研究方向,并对高光谱成像技术发展前景进行了分析和展望。      

基于高光谱成像技术的水果表面农药残留无损检测

在高光谱成像技术的基础上,提出了一种应用于水果表面农药残留的无损检测方法。对采集数据进行预处理和特征提取,通过细菌群体趋药性算法找到最优的最小二乘支持向量机参数,建立农残检测模型,并与最小二乘支持向量机模型进行比较,验证该模型的优越性和准确性。结果表明,基于连续投影法特征波长结合文中检测模型具有最高的检测精度,其准确率达97.92%。     

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。     

基于高光谱成像技术无损检测芒果轻微损伤

目的 使用高光谱成像技术实现对芒果轻微损伤的无损识别。方法 在可见光-近红外波长范围内采集完好芒果和损伤芒果的高光谱图像,并提取相应的感兴趣区域(regions of interest, ROI)获得样本高光谱数据。经过多种预处理方法比较,选择光谱预处理方法。使用竞争性自适应重加权算法(competitiveadaptivereweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)分别对预处理后的光谱提取特征波长,并分别建立了多元线型回归(multiplelinearregression,MLR)模型和偏最小二乘回归(partialleastsquaresregression,PLSR)模型。结果 选择多元散射校正(multiplicative scatter correction, MSC)作为光谱预处理方法。针对芒果轻微损伤识别,CARS-MLR模型识别效果最好,其校正集相关系数为0.881,预测集相关系数为0.821,校正集均方根误差(calibration set root mean squa...     

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。