共查询到18条相似文献，搜索用时 812 毫秒
1.
马铃薯黑心病和单薯质量的透射高光谱检测方法 总被引：2，自引：1，他引：1
针对单一检测技术不能同时检测马铃薯内外品质的多项指标,采用透射高光谱成像技术并融合光谱和图像信息,对其内部黑心病、质量指标进行检测。通过透射高光谱成像系统获取266个样本高光谱图像（400～1000 nm）,并提取光谱和图像二者信息。采用不同变量选择方法对光谱进行变量选择,用9个光谱变量建立检测马铃薯黑心病偏最小二乘判别分析（partial least squares discriminant analysis, PLS-DA）模型与质量偏最小二乘回归（partial least squares, PLS）模型;提取样本透射高光谱图像的面积信息,建立基于光谱-图像的检测马铃薯质量PLS模型。试验结果表明,黑心样本识别率为100%,识别最小黑心面积为1.88 cm2;基于光谱-图像所建立质量检测模型预测效果较好,其预测集相关系数(Rp)为0.99,预测均方根误差(RMSEP）为10.88。结果表明：采用透射高光谱成像技术并融合图像和光谱信息对马铃薯内部黑心病、质量同时进行检测是可行的。 相似文献
2.
基于流形学习算法的马铃薯机械损伤机器视觉检测方法 总被引：5，自引：3，他引：2
针对马铃薯表面芽眼和凹凸不平的影响,使之马铃薯机械损伤难以检测的问题,该文提出了一种基于流形学习算法的马铃薯机械损伤检测方法。首先利用马铃薯图像的显著图分割出马铃薯区域,然后利用主成分分析(principal component analysis,PCA)、等距映射(isometric mapping,Isomap)和局部线性嵌入(locally-linear embedding,LLE)3种流形学习方法提取马铃薯区域图像特征参数,然后分别建立基于3种流形特征的支持向量机(support vector machine,SVM)分类模型PCA-SVM、Isomap-SVM和LLE-SVM,利用网格搜索法(grid search)、遗传算法(genetic algorithm,GA)以及粒子群算法(particle swarm optimization,PSO)3种模型参数优化方法,优化支持向量机模型的惩罚参数c和RBF核参数g,以建立最优分类模型,最后比较3种分类模型的识别效果,确定最优分类模型。研究结果表明,PCA-SVM分类模型对训练集识别率为100%,测试集识别率为100%;Isomap-SVM分类模型对训练集识别率为100%,测试集识别率为91.7%;LLE-SVM分类模型对训练集识别率为100%,测试集识别率为91.7%,表明PCA、Isomap和LLE 3种流形学习方法用于马铃薯机械损伤检测是可行的,其中PCA-SVM分类模型检测效果最优。 相似文献
3.
利用可见光近红外的尾矿区农田土壤Cu含量反演 总被引：2，自引：3，他引：2
矿山开采普遍存在土壤重金属污染问题,有效的进行尾矿区农田土壤重金属含量估算迫在眉睫。以陕西金堆城矿区尾矿为研究区,采集土壤样本,测量土壤可见光近红外光谱,测试分析土壤铜元素含量。将Isomap(Isometrio mapping)和LLE(locally linear embedding)流形学习方法应用于土壤高光谱降维,基于随机森林构建估算模型,反演土壤铜含量。结果表明:降维后的高光谱数据反演精度更高,Isomap降维后模型预测结果均方根误差为30.50,R2=0.76,优于LLE降维结果。研究为尾矿区土壤Cu元素含量的快速反演估算提供了理论依据。 相似文献
4.
基于高光谱成像技术的马铃薯外部缺陷检测 总被引：12，自引：7，他引：5
为了实现马铃薯的准确快速分级,提出基于高光谱成像技术的马铃薯外部缺陷检测方法。通过反射高光谱成像技术采集马铃薯干腐、表面碰伤、机械损伤、绿皮、孔洞以及发芽等6类外部缺陷样本及合格样本的高光谱图像。提取合格及各类缺陷样本感兴趣区域的光谱曲线并进行光谱特性分析,采用主成分分析法确定了5个特征波段(480、676、750、800和960nm),以5个波段的主成分分析的第二主成分图像作为分类图像,识别率仅为61.52%;为了提高识别率,提出波段比算法与均匀二次差分算法相结合的方法,使缺陷识别率提高到95.65%。试验结果表明:通过高光谱成像技术可以准确有效地对常见马铃薯外部缺陷进行检测,为马铃薯在线无损检测分级提供了参考。 相似文献
5.
基于多源信息融合技术的马铃薯痂疮病无损检测方法 总被引：6，自引：5，他引：1
为了提高马铃薯痂疮病无损检测识别精度,基于机器视觉和近红外光谱的多源信息融合技术,该文提出DS（dempster shafer）证据理论结合支持向量机的马铃薯痂疮病无损检测方法。试验以360个马铃薯为研究对象,在图像特征分割时,确定了差影法结合马尔可夫随机场模型法为最佳分割方法;在光谱特征提取时,确定主成分分析方法为最佳降维方法。采用支持向量机识别方法分别建立机器视觉和近红外光谱的马铃薯痂疮病识别模型,模型对测试集马铃薯识别率分别为89.17%、91.67%。采用DS证据理论与支持向量机相结合的方法对获取的图像特征和光谱特征进行融合,建立了基于机器视觉和近红外光谱技术的多源信息融合马铃薯痂疮病检测模型,该模型对测试集马铃薯识别率为95.83%。试验结果表明,该技术对马铃薯痂疮病进行检测是可行的,融合模型比单一的机器视觉模型或近红外光谱模型识别率高。 相似文献
6.
利用机器视觉与近红外光谱技术的皮蛋无损检测与分级 总被引：3，自引：3，他引：0
为了对优质蛋、次品蛋和劣质蛋这3种皮蛋进行检测及分级,该文应用机器视觉结合近红外光谱技术,研究利用皮蛋凝胶品质无损检测的分级方法。首先采集皮蛋透射光图像,提取18个图像颜色特征值,然后将所提取的18维特征利用主成分分析(principal component analysis,PCA)进行降维,对PCA降维后的3个主成分建立遗传算法优化支持向量机(genetic algorithm-support vector machine,GA-SVM)分级模型,把皮蛋样本分为两大类:可食用蛋(优质蛋与次品蛋)与不可食用蛋(劣质蛋),劣质蛋测试集识别率为100%。然后在机器视觉分类结果的基础上,利用近红外光谱技术获取可食用蛋(优质蛋与次品蛋)的原始光谱,并进行多元散射矫正(multiplicative scatter correction,MSC),利用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)降维提取特征波长,基于支持向量机(support vector machine,SVM)对特征波长变量建立分级模型,区分出优质蛋与次品蛋,优质蛋测试集识别率为96.49%,次品蛋识别率为94.12%。研究结果表明:基于机器视觉和近红外光谱进行皮蛋凝胶品质无损检测分级是可行的。 相似文献
7.
基于监督局部线性嵌入算法的玉米田间杂草识别 总被引：4，自引：4，他引：0
杂草精准识别是实现农药定向定量喷洒的基础,是精准农业重要的研究课题之一,对环境保护和生产成本控制都有着重要的现实意义。该文以玉米田间常见杂草为研究对象,首先通过超绿特征去除田间复杂背景的影响,然后采用形态学方法自动分割图像中绿色植物区域作为待判别为杂草或作物的识别对象,之后采用基于Fisher投影的监督LLE（locally linear embedding）方法对样本的高维灰度特征进行降维,在低维空间结合支持向量机实现了杂草的快速识别。试验结果表明,该识别方法能更好地发现杂草与玉米的低维特征,对杂草和玉米植株的平均识别率分别达到97.2%和77.8%。该研究结果可为精准喷洒除草剂的自动化实现提供参考。 相似文献
8.
利用近红外高光谱图像技术快速鉴别西瓜种子品种 总被引：12，自引：8，他引：4
为了研究采用近红外高光谱图像技术对西瓜种子品种快速无损鉴别的可行性,该文采用近红外高光谱图像技术,通过提取西瓜种子的光谱反射率,结合Savitzky-Golay (SG)平滑算法,经验模态分解算法（empirical mode decomposition,EMD）和小波分析（wavelet transform,WT）对提取出的光谱数据进行去除噪声处理,采用连续投影算法（successive projections algorithm,SPA）和遗传-偏最小二乘法（genetic algorithm-partial least squares, GA-PLS）进行特征波长选择。基于全波段光谱建立了偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）,基于特征波长建立了反向传播神经网络（back-propagation neural network,BP NN)判别模型和极限学习机（extreme learning machine,ELM）判别模型。试验结果表明,基于特征波长的BPNN模型和ELM模型的结果优于基于全部波长的PLS-DA模型,基于SG预处理光谱提取的特征波长建立的ELM模型取得最优的判别效果,建模集和预测集的判别正确率均为100%。结果表明应用近红外高光谱成像技术对西瓜种子品种鉴别是可行的,为西瓜种子的品种快速鉴别提供了一种新方法。 相似文献
9.
采用GA-ELM的寒地水稻缺氮量诊断方法 总被引：5，自引：3，他引：2
为快速、准确、无损实现寒地水稻缺氮量的诊断。该文基于田间试验系统采集的资料,研究东北粳稻氮素含量的亏损或富余与光谱反射率差值之间的关系,并建立东北粳稻氮素含量差值的反演模型。该文采用高光谱反演水稻的缺氮量,并为实施精准施肥提供参考依据,达到减肥不减产的目的,采用产量最高的原则来构建标准氮素含量与标准光谱反射率,并在此基础上,将获取的水稻叶片氮素含量和叶片光谱反射率分别与标准氮素含量和标准光谱反射率做差,得到氮素含量差值和光谱反射率差值,然后对光谱反射率差值分别采用离散小波多尺度分解、连续投影法(successive projections algorithm,SPA)和构建植被指数的方法进行降维处理,将处理后的结果分别作为偏最小二乘(partial least squares regression,PLSR)、极限学习机(extreme learning machine,ELM)和遗传算法优化极限学习机(genetic algorithm-extreme learning machine,GA-ELM)的建模输入,构建东北粳稻氮素含量差值的反演模型。结果分析表明:采用离散小波多尺度分解的结果建立的GA-ELM反演模型预测效果最好,训练集与验证集的R2均在0.7062以上,均方根误差(root mean square error,RMSE)均低于0.51mg/g以下,在预测能力、稳定性和泛化性上比PLSR和ELM的预测模型有明显提高。 相似文献
10.
柑桔叶片黄龙病光谱特征选择及检测模型 总被引：6，自引：4，他引：2
为探索高光谱技术诊断黄龙病及分类的可行性,通过变量筛选方法组合为高维数据实用化提供参考。采集柑桔叶片高光谱图像并进行普通(polymerase chain reaction,PCR)鉴别分为轻度、中度、重度、缺锌和正常5类样品。用无信息变量消除算法(uninformative variable elimination,UVE)剔除无关信息,组合遗传算法(genetic algorithm,GA)和连续投影算法(successive projections algorithm,SPA)筛选变量,对数据进行降维。结合极限学习机(extreme learning machine,ELM)和最小二乘支持向量机(least squares support vector machine,LS-SVM)构建柑桔黄龙病判别模型。对预测样品进行诊断分类,来评价模型判别能力。经对比发现,UVE组合SPA筛选变量后的LS-SVM模型效果最好,该模型以Link_kernel函数为核函数,惩罚因子(γ)最小为1.07,误判率最低为0。用全谱作输入变量时LS-SVM模型复杂程度最高且预测能力最差,误判率最高为11.9%,可能是包含无用信息和冗余信息变量造成的。研究显示,UVE组合SPA筛选变量,结合LS-SVM对柑桔黄龙病诊断并分类具有一定可行性,为高维度数据实用化提供一定参考价值。 相似文献
11.
基于图像光谱信息融合的鱼不同冻藏时间及冻融次数鉴别 总被引：2，自引：2，他引：0
应用高光谱成像技术(380~1023 nm),基于信息融合实现鱼不同冻藏时间后冻融次数鉴别。首先,提取鱼样品感兴趣区域(region of interest,ROI)光谱并结合竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)得到57个变量作为光谱信息,同时对鱼样品做主成分分析(principal component analysis,PCA),提取第一主成分图像信息如中值、协方差、同质性、能量、对比度、相关、熵、逆差距、反差、差异性、二阶距和自相关12个灰度共生矩阵(gray level co-occurrence matrix,GLCM)纹理特征参量,结合灰度共生矩阵纹理特征与光谱特征,作为模型偏小最二乘支持向量机(least squares support vector machines,LS-SVM)的输入建立区分模型,预测集识别率达到98%。结果表明,高光谱成像技术可以用于鱼不同冷冻时间以及冻融次数的鉴别。 相似文献
12.
基于机器视觉的马铃薯黑心病检测机构设计与试验 总被引：1，自引：1，他引：0
马铃薯黑心病是一种难以用肉眼分辨的内部病害。在生产加工中,为了准确检出黑心病个体,该研究基于光在马铃薯块茎组织中的透射特性设计了一种马铃薯黑心病检测机构。机构主要包括马铃薯块茎承托槽、光源单元以及光源位置调节轨道等部分,光源单元包括2个LED面光源,形成多点透射的结构,光源波长为705 nm。文中取50个正常样品和29个黑心样品采集图像分析,经过预处理,分别提取马铃薯目标图像和马铃薯高灰度区域的灰度平均值,以二者的相对比值作为黑心病的判别参数。通过与单点透射模式所采集的正常样品图像的相对比值比较,由该机构所采集的正常图像的相对比值普遍偏小,表明所获得图像的灰度均匀性更好,同时得到光源较佳夹角为45°。在该机构下获得的正常样品和黑心样品的灰度平均值相对比值的分类阈值为0.220,得到2种样品的判断正确率分别为98%和96.6%,且黑心样品的相对比值更大,表明使用该机构可以检测黑心马铃薯样品。该研究为马铃薯黑心病检测机构的设计提供了参考。 相似文献
13.
为实现茶叶病害的快速高效识别,提出了基于高光谱成像技术和图像处理技术融合的茶叶病斑识别方法。利用高光谱成像技术采集了炭疽病、赤叶斑病、茶白星病、健康叶片等4类样本的高光谱图像。提取感兴趣区域敏感波段的相对光谱反射率作为光谱特征。通过2次主成分分析,确定第二次主成分分析后的第二主成分图像为特征图像,基于颜色矩和灰度共生矩阵提取特征图像的颜色特征和纹理特征。利用BP神经网络对颜色、纹理和光谱特征向量融合数据进行检验,识别率为89.59%;为提高识别率,提出遗传算法优化BP神经网络的方法,使病斑识别率提高到94.17%,建模时间也缩短至1.7 s。试验结果表明:高光谱成像技术和遗传优化神经网络可以快速准确的实现对茶叶病斑的识别,可为植保无人机超低空遥感病害监测提供参考。 相似文献
14.
为定量分析无人机高光谱成像系统数据获取时因航线变换及太阳辐照度变化而产生的白噪声、运动模糊、条带噪声等导致的影像失真,该研究利用地物光谱仪和机载成像光谱仪获取研究区内棉花冠层光谱数据,基于典型植被光谱特征分析验证数据质量,配合使用数字图像处理方法完成白噪声、散焦模糊、运动模糊、光谱平滑以及条带噪声的模拟样本集构建,并结合设备采集噪声（条带噪声混合白噪声）构建真实样本集,建立影像波段信息、光谱信息以及空间-光谱总体信息质量的评价指标,通过相关性分析评价指标有效性。结果表明：对模拟样本集,除百分比最大绝对差,本文建立的指标均与影像质量显著相关（P<0.01）,在实际噪声样本内各指标相关性均产生不同程度下降,仅平均绝对误差（0.609,P<0.01）、均方误差（0.459,P<0.01）、相对均方根误差（0.502,P<0.01）以及总体信息保真度（-0.471,P<0.01）满足相关性要求。研究结果可为低空机载高光谱影像质量分析及失真指标的选取提供借鉴和参考。 相似文献
15.
基于无人机和卫星遥感影像的制种玉米田识别纹理特征尺度优选 总被引：2，自引：0，他引：2
制种玉米田在高空间分辨率遥感影像上呈现的明显条带状纹理,是有效区分光谱值相近的大田玉米和制种玉米的重要信息.该文在新疆维吾尔自治区奇台县玉米种植区以高空间分辨率的无人机遥感影像为数据源,针对制种玉米识别的纹理特征计算尺度问题,首先采用最近邻内插法对制种玉米和大田玉米样本田块的无人机影像进行重采样,得到不同分辨率的样本;然后用融合Uniform-LBP(local binary pattern)和GLCM(gray level co-occurrence matrix)方法得到提取玉米田块纹理特征合理GLCM参数,其中方向参数为0°、45°、90°和135°这4个方向上的纹理特征值的平均值、距离为5~7像元、灰度级为8;通过多尺度对比分析,得到最适宜区分制种玉米与大田玉米的纹理辨率为0.6~0.9m.最后采用奇台县的0.7m分辨率的Kompsat-3遥感影像进行验证,在多时相EVI(enhanced vegetation index)光谱信息识别玉米的基础上,利用本文确定的纹理分析方法,通过决策树建立规则识别制种玉米,识别精度达90.9%.通过该文的研究,可为高空间分辨率遥感制种玉米田监管提供支撑. 相似文献
16.
基于高光谱技术的猪肉肌红蛋白含量无损检测 总被引：2，自引：2，他引：0
为充分利用猪肉光谱与图像信息,实现猪肉肌红蛋白含量的在线检测,该研究提出一种基于深度学习模型的猪肉肌红蛋白含量无损检测方法。采用高光谱设备采集冷藏过程中猪肉高光谱图像,通过ENVI5.3选择图像感兴趣区域（Region Of Interest,ROI）,分别提取ROI平均光谱信息与主成分图像信息。利用卷积自动编码器（Convolutional Auto Encoder,CAE）提取光谱与图像信息深度特征,分别建立光谱特征、图像特征及图-谱融合特征与肌红蛋白含量之间关系的卷积神经网络（Convolutional Neural Network,CNN）预测模型。其中基于融合深度特征CNN预测模型准确度较高,该模型对脱氧肌红蛋白（DeoMb）、氧合肌红蛋白（OxyMb）、高铁肌红蛋白（MetMb）含量预测集决定系数分别为：0.964 5、0.973 2、0.958 5,预测集均方根误差 RMSEP分别为：0.015 8、0.226 6、0.381 6。为进一步验证图-谱融合特征与猪肉肌红蛋白存在对应关系,分别建立偏最小二乘回归（Partial Least Squares Regression,PLSR）、支持向量机回归（Support Vector Regression,SVR）预测模型。结果表明：CAE能充分提取图像与光谱特征;基于融合特征建立回归模型能提高肌红蛋白含量预测精度,相比于光谱信息与图像信息,以MetMb为例其分别提高5.42%、16.12%。该检测方法为肉类质量在线检测提供参考,具有好的应用前景。 相似文献
17.
基于高光谱信息融合和相关向量机的种蛋无损检测 总被引：2，自引：3，他引：2
为了尽可能早的检测出无精蛋和受精蛋,该文提出采用透射高光谱成像技术,融合图像和光谱信息,对其受精信息进行检测。利用高光谱图像系统采集孵化前种蛋在400~1 000 nm的高光谱图像,提取图像特征(长短轴之比、伸长度、圆度、蛋黄面积与整蛋面积之比);筛选出400~760 nm的波段,通过Normalize预处理结合相关系数法提取155个光谱特征变量;运用主成分分析法对图像和光谱的融合信息进行降维,采用相关向量机(relevance vector machine,RVM)分别建立基于图像、光谱和图像-光谱融合信息的受精蛋和无精蛋分类判别模型,并与支持向量机(support vector machine,SVM)模型进行比较,RVM模型检测正确率分别为90%,91%,96%;测试集检测时间分别为0.6619,1.0821,0.5016 s。SVM模型检测正确率分别为84%,90%,93%;测试集检测时间分别为5.9386,5.9886,5.6672 s。结果表明,基于图像-光谱融合所建立的模型优于单一信息的模型,在分类精度上,采用RVM分类精度高于SVM的分类精度;在分类时间上,RVM的分类时间比SVM短,因此,利用高光谱融合信息和相关向量机可以提高种蛋检测精度,研究结果为孵前无精蛋和受精蛋的在线实时检测提供参考。 相似文献
18.
漫反射和透射光谱检测马铃薯黑心病的比较 总被引：5，自引：3，他引：2
针对马铃薯黑心病不易检测,提出马铃薯黑心病的光学无损检测方法,并比较了马铃薯黑心病的漫反射光谱和透射光谱检测方法。通过高光谱图像采集系统、透射光谱采集系统和傅里叶变换近红外光谱仪获取合格马铃薯与黑心病马铃薯的可见/近红外漫反射光谱、可见/近红外透射光谱以及近红外漫反射光谱,并采用偏最小二乘-线性判别分析方法建立马铃薯黑心病的识别模型。透射光谱采集系统采集的可见/近红外透射光谱所建模型的判别正确率最高,对测试集样本的识别正确率为98.46%;高光谱图像采集系统获取的可见/近红外漫反射光谱经二阶导与标准化组合预处理后所建模型对测试集样本的识别正确率为92.31%;傅里叶变换近红外光谱仪获取的漫反射光谱经标准正态变量变换与标准化组合预处理后所建模型对测试集样本的识别正确率90.77%。试验结果表明:采用光谱检测马铃薯黑心病,透射光谱系统优于高光谱成像系统,高光谱成像系统优于傅里叶近红外光谱仪。研究结果为马铃薯内部缺陷的光谱定性判别及便携式仪器的研制提供了参考。 相似文献