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。     

基于图像处理小麦籽粒长和粒宽的自动测量

干旱高温胁迫是造成小麦减产的主要因素之一.干旱导致小麦籽粒外形特征发生变化,如小麦籽粒干瘪,变小.粒长、粒宽是小麦籽粒重要的形态性状,本文采用边缘检测算法提取出于旱胁迫下小麦籽粒的图像边缘点,再根据图像边缘点,自动检测提取出小麦籽粒的粒长和粒宽特征参数.结果表明,提取出的麦粒图像边缘点精确,对小麦籽粒的粒长与粒宽特征参数的自动估算结果较精确,为定量研究干旱高温胁迫对小麦产量的影响提供了新的手段,为基于计算机视觉的干旱程度自动检测打下基础.     

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。     

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。     

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。     

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。     

玉米籽粒霉变等级高光谱图像检测方法研究

为了快速、无损检测出储藏玉米籽粒不同霉变状况,提升玉米收储环节质检效率,尝试利用高光谱成像技术结合机器学习算法构建玉米籽粒霉变等级分类模型。采集400-1000nm波段范围内玉米籽粒高光谱图像,以测定的真菌孢子数为依据,将籽粒霉变状态划分为健康、轻度霉变、中度霉变和重度霉变4个等级,采用随机蛙跳(RF)算法优选出7个光谱特征变量,针对特征波段图像,利用Tamura算法共提取出21个纹理特征变量,基于颜色矩提取出21个颜色特征变量。进一步结合支持向量机(SVM)、极限学习机(ELM)和偏最小二乘回归(PLSR)三种算法分别建立基于光谱、图像和图谱特征融合的玉米籽粒霉变等级分类模型。经分析比较,融合光谱和图像特征并结合ELM算法建立的分类模型用于玉米籽粒霉变等级识别效果最优,训练集和测试集分类准确率(Acc)分别为94.21%和93.86%,并将玉米籽粒霉变等级进行可视化表达。研究结果有望为玉米霉变籽粒高光谱现场快速检测设备研发提供技术支持。     

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。     

基于近红外光谱技术测定小麦蛋白质模型的建立

为了实现小麦籽粒蛋白质含量的快速、准确测定,用近红外分析仪对158份小麦进行光谱扫描,采用主成分分析法剔除异常光谱,对剔除异常值后的图谱进行标准正常化及去散射处理,并分别进行一阶和二阶导数处理.并在光谱预处理基础上,建立了预测小麦籽粒蛋白质含量的BP神经网络和偏最小二乘法校正模型.结果表明:经过标准正常化及去散射处理和二阶导数预处理的图谱,运用BP神经网络建立的模型预测小麦籽粒蛋白质含量效果最优,预测的R2和均方根误差分别为0.983和0.067,小麦蛋白质含量的国标测定值与最优条件下的预测值之间的t检验结果为P =0.82＞0.05,两种方法测定结果无显著性差异.将其与近红外仪器自带模型相比,预测效果显著提高.采用非线性BP神经网络法建立的定标模型可提高预测小麦蛋白质含量的准确性.     

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(LDA)、支持向量机(SVM)和K最邻近(KNN)模型,筛选出最佳的籽粒部位光谱、预处理方法和特征波长提取方法;在此基础上,分析光谱信息、形态特征及二者结合信息对小麦品种的鉴别效果。结果表明,基于34个特征波长光谱信息结合形态特征建立的LDA模型效果最佳,其训练集和预测集的正确判别率分别为91.3%和86.0%。基于高光谱成像技术进行小麦品种鉴别是可行和有效的。     

Classification of Black Beans Using Visible and Near Infrared Hyperspectral Imaging

A rapid and non-destructive method based on the visible and near infrared hyperspectral imaging technique in the wavelength range of 390–1050 nm was investigated for discriminating the varieties of black beans. In total, 300 samples of three varieties were scanned by the visible and near infrared hyperspectral imaging system, and hyperspectral data were analyzed by spectral and image processing technique respectively. A successive projection algorithm was used to obtain 13 characteristic wavelengths (504, 507, 512, 516, 522, 529, 692, 733, 766, 815, 933, 998, and 1000 nm) for spectral analysis. After the processing of successive projection algorithm, optimal image selection was carried out by principal component analysis based on the characteristic wavelengths. The first principal component image was used for the image analysis, whose contribution rate was over 98.34%. Gray level co-occurrence matrix analysis from first principal component image was applied to extract image features including 16 textural features and six morphological features. In this study, partial least squares-discriminate analysis, support vector machine, and K-nearest neighbors were used for model establishments, respectively, based on spectral feature, image feature, and the combination of spectral and image features. The results show that the best correct discrimination rate of 98.33% was achieved by applying combined spectral and image features. The study demonstrated that visible and near infrared hyperspectral imaging technique was potential for rapid classification of black beans, and the performance of the classification model can be improved by the feature combination.     

基于图像处理的小麦容重检测方法研究

为了实现图像处理技术对小麦容重影响因素的分析和容重的准确识别,研究了一种基于小麦图像特征和模式识别的小麦容重检测方法。采集不同容重小麦完整籽粒和籽粒横切面图像,对图像进行中值滤波、形态学运算、图像分割等处理,提取原图像与处理后图像的形态、颜色和纹理共3大类44个特征参数。最后采用逐步判别分析对提取的特征参数进行筛选,建立线性参数统计分类器和BP神经网络模型实现小麦不同容重的检测。结果表明,与小麦横切面图像特征相比,小麦完整籽粒图像的特征参数能更好的反映不同容重的差异;2种分类器对基于完整籽粒图像的小麦容重整体识别率均在95%以上。研究结果证明将图像处理技术应用于小麦容重检测识别是可行的。     

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。     

高光谱成像的红提总酸与硬度的预测及其分布可视化

利用高光谱成像技术实现对红提总酸和硬度无损检测和分布可视化。首先,利用高光谱采集生长期360个红提样本在波段450～1 000 nm的高光谱图像信息后用化学方法测定对应样本的总酸,用质构仪测定硬度。采用KS(Kennard-Stone)算法将总样本按照3∶1的比例划分为训练集（270个样本）和测试集（90个样本）。对红提原始光谱数据分别利用标准正态变量变换（standard normal variate transformation,SNV）、卷积平滑（Savitzky-Golay,SG）处理法、多元散射校正（multivariate scatter correction,MSC）、归一化等光谱预处理方法处理,确定最优光谱预处理方法。然后,分别采用一次降维（竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、连续投影算法（successive projections algorithm,SPA）、遗传算法（genetic algorithm,GA）、无信息变量消除法（uninformative variable elim...     

牛奶中蜡样芽孢杆菌高光谱检测模型构建与分析

本文以牛奶中蜡样芽孢杆菌污染度的检测为研究对象,应用高光谱成像技术,结合图像处理技术、光谱分析技术和化学计量技术,探索了构建牛奶中蜡样芽孢杆菌污染度预测模型的可行性。应用图像处理技术选取样品分析区域,采用能量值(Energy)纹理特征函数降维处理高光谱数据并得到其特征值,建立了蜡样芽孢杆菌的PLS预测模型,模型中校正集与预测集的相关系数分别为0.9231和0.9054,RMSEC(校正均方根误差)和RESEP(预测均方根误差)分别为0.7336和0.8139。分析表明,PLS预测模型仅能对牛奶中蜡样芽孢杆菌进行高低浓度的鉴定。因此,提出了二维相关技术结合N-PLS构建预测模型的方法,N-PLS预测模型中校正集与预测集的相关系数分别为0.9999和0.9984,RMSEC和RESEP分别为0.022和0.0928。结果表明,N-PLS预测模型精度较高,能够对牛奶中蜡样芽孢杆菌实现定量分析。     

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...     

Visual detection of apple bruises using AdaBoost algorithm and hyperspectral imaging

Hyperspectral imaging technique (400–1000 nm) was used for rapid and nondestructive recognition of bruises of apples. A total of 324 hyperspectral images were collected from 108 Fuji apples and the average spectral reflectance was extracted from the region of interest (ROI) of each image. The classification results of AdaBoost for the data pretreated by various existing methods were compared. Then, the correlation-based feature selection (CFS) algorithm was used to obtain characteristic wavelengths for reducing data redundancy. After pretreating with multiplicative scatter correction (MSC) and CFS, the average accuracy of the selected wavelengths was 97.63%. Then, an image processing algorithm based on the characteristic wavelengths selected before was proposed for the visual discrimination of bruises. This algorithm performed independent component analysis (ICA) transformation of the selected wavelengths, and chose the third component image of the ICA transform, then used adaptive threshold segmentation to obtain the bruise region of apples. The results showed that hyperspectral imaging technology could discriminate apple bruise, and this study can help to develop an online apple bruises detection system.     

基于高光谱成像的主成分分析和波谱角分类技术的天麻粉质量标志物及相关成分可视化快速检测

目的 利用高光谱成像(hyperspectral imaging, HSI)技术, 通过一种原位质量标志物评估方法, 与高效液相色谱含量测定相结合, 建立预测模型对不同来源的天麻粉进行可视化评价。方法 采用高效液相色谱法(high performance liquid chromatography, HPLC)测定不同产地、不同晾干方式天麻粉中6种质量标志物含量并作为金标准; 苯酚-硫酸法测定天麻多糖含量、水分测定仪测定含水量, 两者作为辅助评价指标。HSI选用可见近红外(visible near-infrared, VNIR)和短波红外(short wave infrared, SWIR)双波段光谱进行分析比较。结果 以鲜品切块晾干方式制备的天麻粉的质量标志物对羟基苯甲醇、多糖和水分含量均增加, 同时天麻素和巴利森苷含量显著减少甚至消失。根据高光谱图像主成分分析(principal component analysis, PCA)预处理特征, 基于波谱角(spectral angle mapper, SAM)的监督分类算法对不同产地和加工方式制备的天麻粉进行了原位、无损分类, 其建立的线性回归模型实现了质量标志物含量的反演预测。结论 通过高效液相色谱含量测定的准确性和高光谱原位预测的无损性相结合的方式进行现场可视化评价和预测, 可以为不同产地、不同加工方式的天麻粉质量标志物快速检测提供技术参考。