论文部分内容阅读
高光谱成像技术融合光谱技术和图像技术的优点于一体,通过图像技术实现空间和时间有效信息的获取,通过光谱信息获得随波长变化的光谱信息。基于高光谱成像技术与化学计量学相结合,探索高光谱信息和物质信息的耦合规律,实现对农产品品质的有效分析和检测。本研究以沙果为研究对象,基于高光谱数据,建立沙果内外品质的检测模型,实现对沙果缺陷、SSC、硬度、成熟度的有效检测。为建立沙果在线检测平台提供了理论基础。(1)采用高光谱成像技术对沙果的三种缺陷(腐烂、损伤、锈斑)进行识别,分别从光谱和图像的角度建立沙果缺陷的检测模型。通过高光谱成像系统采集了 3种缺陷和完好共213个沙果样本的高光谱图像,利用ENV14.7软件完成相应的感兴区域(R0I)的提取,获得光谱数据。通过竞争自适应重加权抽样(CARS)、连续投影算法(SPA)从全波段分别选择11个和6个特征波长点,并对其建立极限学习机(ELM)判别模型,结果表明,通过CARS-ELM建立的模型的决定系数为0.9298,校正均方根误差为0.10;通过SPA-ELM所建立的模型的决定系数为0.9474,校正均方根误差为0.08。使用SPA-ELM建立的模型对沙果缺陷的判别率高于CARS-ELM,达94.74%。利用主成分分析(PCA)对SPA提取的6条特征波长(532nm,563nm,611nm,676nm,812nm,925nm)所对应的图像进行数据压缩,用“sobel”算子对沙果的边缘信息进行提取,使用区域生长算法“regiongrow”提取图像沙果样本的缺陷特征区域,结果表明,沙果缺陷的检测精度为92.11%,采用高光谱图像技术可以对沙果腐烂、损伤、锈斑三种缺陷进行光谱判别和图像识别。(2)基于高光谱技术对沙果可溶性固溶物含量(SSC)和硬度进行预测,建立沙果SSC和硬度的近红外高光谱多元回归模型。对90个沙果样本进行高光谱信息以及硬度和SSC的采集,通过化学计量学建立光谱和硬度、光谱和SSC的定量关系。经过PLSRC和SPA方法分别提取到沙果SSC和硬度的特征波长,经过PLSRC提取的沙果SSC的七个特征波长 482nm、502nm、557nm、627nm、678nm、715nm、988nm;经过 SPA 提取的沙果 SSC的特征波长为642nm、678nm、985nm、812nm、545nm、481nm;经过PLSRC提取的沙果硬度的特征波长为548nm、680nm;经过SPA提取的沙果硬度的特征波长为545nm、701nm。为建立沙果SSC和硬度的预测模型提供依据。基于特征波长下的光谱信息,建立沙果SSC和硬度预测模型。对比全波段范围内和特征波长下所建立的PLS模型,得到经过PLSRC提取建立的模型能够对沙果SSC实现很好的预测。沙果硬度在全波长下建模精度比较高,但是经过SPA特征波长提取方法建立的模型精度下降不明显。基于特征波长下的光谱信息,建立沙果SSC和硬度的多元回归模型,对沙果SSC特征波长下的吸光度信息和SSC进行多元回归分析,建立如下回归方程:AssC=0.0960+0.3715X+0.0249X2-0.1753X3+0.5907X4-0.3480X5+0.3337X6-0.7395X7,对沙果硬度特征波长下的吸光度信息和硬度进行多元回归分析,分别建立如下回归方程:Afirmness=13.2897+ 11.5498 X1’-20.3845 X2’-0.2746 X3’+4.3354X4’。(3)基于高光谱成像技术对不同成熟阶段的沙果进行识别。在未成熟、可采成熟度、食用成熟度、生理成熟度4个不同成熟度期间对沙果进行采集。在高光谱成像系统中完成沙果样本光谱和图像信息的获取。采用ENVI软件分别提取不同成熟阶段沙果样本的的28*28像素的平均光谱和28*28像素的图像信息。从图像和光谱不同角度建立沙果成熟度识别模型,采用反向传播神经网络(BPNN)和卷积神经网络(CNN)两种不同的方法对其进行识别。基于光谱信息进行沙果成熟度识别。使用MATLAB软件建立沙果的BPNN模型。在建立BPNN模型的过程中,大量的数据输入会影响模型的建模速度,而无用的信息则影响建模的效果。因此,为了提高建模的效果和处理速度,在进行BPNN建模时,采用基于CARS特征波长技术提取光谱信息的作为输入变量。基于CARS提取沙果成熟度的特征波长为 485nm,500nm,504nm,522nm,591nm,641nm,651nm,655nm,656nm,672 nm,673 nm,674nm,675nm,677nm,678nm,679nm,687nm,688nm,737nm,974nm.使用MATLAB2012a软件建立沙果全波段光谱信息下的CNN识别模型。结果表明:通过BPNN对光谱信息下的沙果成熟度进行模型建立,当梯度为10时,均方根误差达到最小,为0.023,样本总体预测效果达到97.5%。通过CNN建立的沙果光谱信息检测模型在对为沙果成熟度的识别中总体错误率降低到1.25%。基于图像信息进行沙果成熟度识别。基于MATLAB2012a建立图像信息下的沙果成熟度CNN检测模型,以231波段作为R输入量,145波段作为G输入量,60波段作为B输入量在ENVI 4.7软件载入沙果样本的RGB图像。对采集到的沙果图像信息28*28像素的图像信息进行分割。对CNN模型参数进行合理的设置,建立沙果成熟度的图像判别模型,结果表明,基于图像信息的沙果成熟度CNN模型的准确识别率为98.75%。通过光谱和图像技术都对沙果成熟度实现了识别,相对于BPNN模型,识别精度提高了 1.25%。基于PCA信息融合技术对沙果SSC特征波长下的光谱信息、硬度的特征波长下的光谱信息以及沙果成熟度特征波长的光谱信息进行融合,基于前8个PC下的光谱信息建立沙果内外指标融合的成熟度BPNN判别模型,预测结果达到95%。