收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于高光谱成像技术的油桃品质检测及品种判别研究

黄锋华  
【摘要】:油桃系普通桃的变种,起源于我国,由于其具有对土壤、气候适应性强的特点而得到了广泛的种植。油桃以其果皮光滑无毛、色泽艳丽、风味浓甜而深受人们的喜爱。本研究以油桃为研究对象,基于高光谱成像技术分别对油桃的外部缺陷和内部品质进行了检测研究,同时实现了对多品种油桃的分类判别。本研究的主要内容与结论如下:(1)基于高光谱成像技术的光谱维角度对“中油9号”油桃外部缺陷的检测研究。采用可见/近红外波段(420~1000nm)的光谱数据,分别建立全波段、主成分和特征波长的偏最小二乘法(Partial Least Squares, PLS)、最小二乘支持向量机(Least Square Support Vector Machine, LS-SVM)和极限学习机(Extreme Learning Machine, ELM)的检测模型,并对其完好果、裂纹果、锈斑果、异形果和暗伤果进行缺陷检测。结果表明:采用全波段光谱数据建立的LS-SM模型得到最优的判别效果,判别精度为96.67%;采用主成分光谱数据建立的ELM模型得到最优判别效果,判别精度为90.00%;采用偏最小二乘回归法(Partial Least Squares Regression, PLSR)连续投影法(Successive Projections Algorithm, SPA)提取得到的特征波长建立的最优判别模型均为LS-SVM模型,其判别精度分别为95.00%和94.17%。(2)基于高光谱成像技术从图像识别的角度对“中油9号”油桃外部缺陷进行检测研究。首先对缺陷样本进行图像的主成分分析,分别得到相应的主成分图像(Principal Component, PC图像)。通过对不同主成分的分析比较,确定裂纹果、锈斑果、异形果和暗伤果分别采用PC-4、PC-3、PC-和PC-5图像进行缺陷区域的分割。由于油桃样本在876nm处出现最高反射率,因此使用该波长下的样本灰度图分别对PC图像进行掩膜处理,再运用Sobel算子对掩膜后的图像进行边缘识别,得到样本边缘图像。最后对特征PC图像采用区域生长法(Region grow)提取样本的缺陷区域图像。采用该缺陷识别算法对多缺陷类型的油桃样本进行图像识别,结果表明:整体样本的正确识别率为92.50%。(3)基于高光谱成像技术从图像纹理判别的角度对“中油9号”油桃样本外部缺陷进行检测研究。使用ENVI软件提取样本图像中50×50像素大小的感兴趣区域图像。然后选取均值、对比度、相关性、能量、同质性和熵值作为本研究的纹理特征指标,通过不同建模方式的对比从而实现对缺陷纹理特征的识别分析。结果表明:使用LS-SVM建立的模型得到最优的判别结果.整体识别率为88.33%。(4)基于高光谱成像技术对油桃内部品质的检测研究。利用分波段高光谱成像技术(420~100Onm、900-1700nm)分别对油桃的果肉硬度、可溶性固形物、可滴定有机酸以及维生素C含量进行定量分析研究。通过平滑算法、附加散射校正(Multiplicative Scatter Correction, MSC)、变量标准化(Standard Normalized Variate, SNV)、基线校正、去趋势算法等多种预处理方法进行光谱预处理,对原始光谱进行数据简化,采取主成分光谱数据、PLSR法和SPA法分别得到的特征波长建立PLS、LS-SVM、ELM模型对内部品质进行检测,得出最佳的建模方法。结果表明:果肉硬度值使用SPA法提取得到的特征波长在可见/近红外波段下PLS模型所得到的预测效果最好,其决定系数(R2P)和预测均方根误差(toot Mean Square Error of Prediction, RMSEP)分别为0.8645和2.7363;可溶性固形物含量值使用主成分分析法提取得到的光谱数据在可见/近红外波段下采用ELM模型所得到的预测效果最好,其R2P和RMSEP分别为0.8323和0.0622;可滴定酸含量值使用PLSR法在近红外波段下采用PLS模型所得到的预测效果最好,其R2P,和RMSEP分别为0.7481和0.0250;维生素C含量值使用SPA法提取得到的特征波长在近红外波段下采用LS-SVM模型所得到的预测效果最好,其R2P和RMSEP分别为0.8029和0.1183。(5)基于高光谱成像技术对光谱信息和图像纹理信息进行数据融合,同时实现对“中油9号”油桃样本的外部缺陷和可溶性固形物含量的检测研究。以光谱主成分值与图像纹理特征融合值作为PLS、LS-SVM、ELM模型的输入,分别建立外部缺陷判别模型和可溶性固形物含量预测模型。结果表明采用主成分与纹理特征融合值建立的LS-SVM模型其外部缺陷判别效果和可溶性固形物预测结果均为最好,其中,外部品质判别模型的正确率为93.33%;内部品质预测模型的R2P和 RMSEP分别为0.8747和 0.9101.(6)采用分波段高光谱成像技术从光谱维角度出发对4种不同品种的油桃进行了定性判别。对于可见/近红外波段和近红外波段下的全波段、主成分、PLSR法提取得到的特征波长、SPA法提取得到的特征波长光谱数据分别建立PLS、LS-SVM和ELM分类判别模型。结果表明:可见/近红外波段的建模效果明显优于近红外波段建模效果;且对于三种建模方式而言,PLS模型取得了最优的判别效果:其中全波段光谱数据模型、主成分光谱数据模型、PLSR法提取得到的特征波长光谱数据模型、SPA法提取得到的特征波长光谱数据模型判别正确率分别为96.43%、92.37%、94.92%和93.33%。(7)采用可见/近红外波段下高光谱成像技术从图像纹理分析角度出发对4种不同品种的油桃进行定性分类判别。通过灰度共生矩阵(Gray Level Co-occurrence Matrix, GLCM)提取得到可见/近红外波段的图像纹理特征值,并建立PLS、LS-SVM、ELM模型对4类油桃品种进行分类判别研究。研究结果表明:对于可见/近红外波段下的图像纹理特征值采用PLS模型建立的判别精度最高,其整体判别正确率为81.49%。(8)采用可见/近红外波段下高光谱成像技术从信息融合角度出发对4种不同品种的油桃进行了定性分类判别。通过信息融合技术对光谱主成分、PLSR法提取得到的特征波长、SPA法提取得到的特征波长与图像纹理指标值进行数据融合,并分别建立了PLS、LS-SVM、ELM分类判别模型。研究结果表明:采用PLSR法提取得到的光谱特征波长与图像纹理特征融合值建立的LS-SVM模型得到了最佳的判别精度,其整体判别正确率为92.46%。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 单佳佳;彭彦昆;王伟;李永玉;吴建虎;张雷蕾;;基于高光谱成像技术的苹果内外品质同时检测[J];农业机械学报;2011年03期
2 王斌;薛建新;张淑娟;;基于高光谱成像技术的腐烂、病害梨枣检测[J];农业机械学报;2013年S1期
3 蔡健荣;韩智义;;碧螺春茶叶的真伪鉴别技术——基于漫反射式高光谱成像技术[J];农机化研究;2013年04期
4 孙梅;陈兴海;张恒;陈海霞;;高光谱成像技术的苹果品质无损检测[J];红外与激光工程;2014年04期
5 罗阳;何建国;贺晓光;王松磊;刘贵珊;;农产品无损检测中高光谱成像技术的应用研究[J];农机化研究;2013年06期
6 田有文;牟鑫;程怡;;高光谱成像技术无损检测水果缺陷的研究进展[J];农机化研究;2014年06期
7 余克强;赵艳茹;李晓丽;张淑娟;何勇;;基于高光谱成像技术的鲜枣裂纹的识别研究[J];光谱学与光谱分析;2014年02期
8 丁冬;;高光谱成像技术及其在农产品检测中的应用[J];科技信息;2013年35期
9 张筱蕾;刘飞;聂鹏程;何勇;鲍一丹;;高光谱成像技术的油菜叶片氮含量及分布快速检测[J];光谱学与光谱分析;2014年09期
10 章海亮;高俊峰;何勇;;基于高光谱成像技术的柑橘缺陷无损检测[J];农业机械学报;2013年09期
11 刘燕德;张光伟;;高光谱成像技术在农产品检测中的应用[J];食品与机械;2012年05期
12 王海华;李长缨;梅树立;李民赞;;农产品线扫描高光谱成像系统的集成标定方法[J];农业工程学报;2012年14期
13 吴龙国;何建国;刘贵珊;贺晓光;王伟;王松磊;李丹;;基于近红外高光谱成像技术的长枣含水量无损检测[J];光电子.激光;2014年01期
14 高俊峰;章海亮;孔汶汶;何勇;;应用高光谱成像技术对打蜡苹果无损鉴别研究[J];光谱学与光谱分析;2013年07期
15 李江波;饶秀勤;应义斌;;农产品外部品质无损检测中高光谱成像技术的应用研究进展[J];光谱学与光谱分析;2011年08期
16 张红涛;胡玉霞;毛罕平;韩绿化;;基于近红外高光谱成像的粮虫生命体征检测研究[J];农机化研究;2014年08期
17 吴迪;宁纪锋;刘旭;梁曼;杨蜀秦;张振文;;基于高光谱成像技术和连续投影算法检测葡萄果皮花色苷含量[J];食品科学;2014年08期
18 田有文;程怡;王小奇;栗庆吉;;基于高光谱成像的苹果虫害检测特征向量的选取[J];农业工程学报;2014年12期
19 冯雷;张德荣;陈双双;冯斌;谢传奇;陈佑源;何勇;;基于高光谱成像技术的茄子叶片灰霉病早期检测[J];浙江大学学报(农业与生命科学版);2012年03期
20 徐爽;何建国;贺晓光;易东;刘贵珊;王松磊;;基于高光谱技术的长枣内外品质同时检测[J];光电子.激光;2013年10期
中国重要会议论文全文数据库 前7条
1 卢云龙;刘志刚;;高光谱成像技术及其在目标检测中的应用进展[A];国家安全地球物理丛书(九)——防灾减灾与国家安全[C];2013年
2 马本学;应义斌;饶秀勤;;高光谱成像在水果表面缺陷及污染检测中的研究进展[A];2007年中国农业工程学会学术年会论文摘要集[C];2007年
3 何宝琨;;使用曲面棱镜的高光谱成像系统设计[A];中国空间科学学会空间探测专业委员会第二十六届全国空间探测学术研讨会会议论文集[C];2013年
4 孙向军;刘凯龙;赵志勇;李雪涛;;高光谱成像及仿真技术途径探索[A];2009系统仿真技术及其应用学术会议论文集[C];2009年
5 颜昌翔;;星载高光谱成像及数据应用[A];第十届全国光电技术学术交流会论文集[C];2012年
6 肖功海;舒嵘;薛永祺;;显微成像光谱技术及其应用[A];成像光谱技术与应用研讨会论文集[C];2004年
7 赖建军;陈四海;陈坦;易新建;;基于MEMS微镜阵列的高光谱成像技术研究[A];中国宇航学会深空探测技术专业委员会第三届学术会议论文集[C];2006年
中国博士学位论文全文数据库 前10条
1 葛明锋;基于轻小型无人机的高光谱成像系统研究[D];中国科学院研究生院(上海技术物理研究所);2015年
2 何青;多类型高光谱成像集成系统的研制及其应用研究[D];暨南大学;2015年
3 黄锋华;基于高光谱成像技术的油桃品质检测及品种判别研究[D];山西农业大学;2016年
4 王彩玲;干涉高光谱成像中的信息提取技术[D];中国科学院研究生院(西安光学精密机械研究所);2011年
5 朱逢乐;基于光谱和高光谱成像技术的海水鱼品质快速无损检测[D];浙江大学;2014年
6 马淏;光谱及高光谱成像技术在作物特征信息提取中的应用研究[D];中国农业大学;2015年
7 张若宇;番茄可溶性固形物和硬度的高光谱成像检测[D];浙江大学;2014年
8 章海亮;基于光谱和高光谱成像技术的土壤养分及类型检测与仪器开发[D];浙江大学;2015年
9 张东彦;基于高光谱成像技术的作物叶绿素信息诊断机理及方法研究[D];浙江大学;2012年
10 虞佳佳;基于高光谱成像技术的番茄灰霉病早期快速无损检测机理和方法研究[D];浙江大学;2012年
中国硕士学位论文全文数据库 前10条
1 孟庆达;基于高光谱成像技术的苹果可溶性固形物含量与缺陷检测[D];西北农林科技大学;2015年
2 冯楠;熏蒸与染色枸杞的高光谱检测方法研究[D];石河子大学;2015年
3 房娟;显微高光谱成像技术结合神经分类的应用研究[D];华东师范大学;2016年
4 贾高杰;基于显微高光谱成像的血液细胞识别研究与应用[D];华东师范大学;2016年
5 杨培庆;可变角度机载高光谱成像系统研究[D];中国科学院研究生院(上海技术物理研究所);2016年
6 马芳苑;基于CMOS探测器的高光谱成像采集技术研究[D];中国科学院研究生院(上海技术物理研究所);2016年
7 邢晓祺;基于高光谱成像技术的玉米螟检测方法研究[D];沈阳农业大学;2016年
8 张巍;基于高光谱成像技术的蓝莓内部品质检测方法的研究[D];沈阳农业大学;2016年
9 赵珊;基于高光谱成像的玉米苗期氮素营养监测的研究[D];东北农业大学;2016年
10 杨杰;葡萄内部品质的高光谱成像检测研究[D];石河子大学;2016年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978