共查询到20条相似文献，搜索用时 15 毫秒
1.
[目的]本文旨在快速测定植物体内叶绿素含量,以提高无损测定叶绿素的准确性.[方法]以绿萝叶片为研究对象,提出一种串联融合高光谱特征与纹理特征的叶绿素SPAD值的无损检测方法.采集320片绿萝叶片样本在400～900 nm波段的光谱信息,使用Savitzky-Golay卷积平滑对原始高光谱图像进行预处理,利用连续投影算法... 相似文献
2.
《浙江大学学报(农业与生命科学版)》2019,(1)
采用高光谱成像技术(400～1 000 nm)对苹果轻微损伤进行快速识别及无损检测。采集苹果正常及不同损伤时间的高光谱图像,选择图像中合适的区域作为感兴趣区域并提取平均光谱反射率及图像熵信息,将采集的样本按2∶1的比例分为训练集和测试集。使用RELIEF算法基于光谱平均反射率及图像熵信息提取了8个特征波段(17、30、35、51、61、66、94和120),分别基于全波段和特征波段进行极限学习机(extreme learning machine, ELM)建模分析,并与支持向量机(support vector machine, SVM)和K-均值聚类算法进行比较。结果表明,基于全波段的ELM模型最终测试集识别率为94.44%,基于特征波段的RELIEF-极限学习机(Re-ELM)模型识别率为96.67%,基于特征波段的Re-SVM及Re-K均值模型的最终测试集识别率分别为92.22%和91.67%,证实了Re-ELM是一种更为有效的苹果损伤分类判别方法。在此基础上,基于图像处理技术和特征波段提出了一种苹果轻微损伤高光谱检测算法,使用该算法针对特征波段进行独立成分分析(independent component analysis, ICA)变换,选取ICA第3成分图像进行自适应阈值分割,从而获得损伤图像。对全部高光谱图像进行检测表明,该算法的最终识别率超过94%,说明该算法能够较为有效地识别苹果损伤区域。 相似文献
3.
[目的]采用近红外光谱技术对滑皮金桔的糖度开展无损检测技术研究,为今后实现滑皮金桔在线糖度品质分级分选提供参考依据.[方法]以NIR Magic 1100型便携式果品近红外光谱分析仪为主要研究设备,对采集的滑皮金桔光谱分别进行S-G卷积平滑(SG-smooth)、标准正态变量变换(SNV)和多元散射校正(MSC)处理,结合偏最小二乘法建立滑皮金桔糖度预测模型并进行验证.[结果]建模的最佳光谱波段为720~920 nm;光谱采用SG-smooth处理后建立模型的校正集相关系数为0.9531,校正集均方根误差为0.6436,相对分析误差为3.55,均优于采用SNV和MSC处理建立的模型效果.对预测模型进行验证显示,糖度预测值与实际值的相关系数为0.9582,均方根误差为0.5187,相对分析误差为3.24.[结论]采用近红外光谱快速检测滑皮金桔糖度可行,建立的预测模型稳定性好、精度较高,可为滑皮金桔在线分选及无损检测设备的开发提供技术参考. 相似文献
4.
针对实际生产线上基于高光谱成像技术检测苹果内部品质时由于高亮区、果梗和果萼等区域光谱差异大导致的糖度误差问题,本研究提出了一种随机姿态下苹果高光谱图像感兴趣区域的选取方法,可实现感兴趣区域的自动选取。该方法首先将高光谱图像各像素点按照700 nm波长的光谱强度值进行直方图统计,获取各像素点光谱强度的大小关系,保留光谱强度前40%的区域,对其进行形态学腐蚀操作,去除其中700 nm光谱强度值大于3 900的过度曝光像素点,获得苹果原始感兴趣区域;然后基于原始感兴趣区域,建立不同大小感兴趣区域对应的平均光谱与苹果糖度的偏最小二乘回归(PLSR)模型,探究苹果感兴趣区域大小与预测精度的关系,进一步缩小感兴趣区域。最终选取原始感兴趣区域光谱强度前70%的区域作为感兴趣区域对任意姿态下的苹果糖度进行预测。基于该方法,建立了基于高光谱成像技术的苹果糖度无损检测模型,实测验证结果表明,经黑白校正、标准正态变换(SNV)预处理后建立的竞争性自适应重加权算法偏最小二乘回归模型(CARS-PLSR)的预测精度最高,其校正集决定系数(R■)为0.9206,校正集均方根误差(RMSECV)为0.3203°Br... 相似文献
5.
高光谱图像与卷积神经网络相结合的油桃轻微损伤检测 总被引：1，自引：0，他引：1
[目的]油桃表面轻微损伤的快速检测对提高油桃的品质及市场竞争力具有重要作用。[方法]本研究以"中油四号"油桃为研究对象,提出了基于高光谱图像与卷积神经网络相结合的油桃分块损伤区域检测算法。针对原始图像存在的复杂背景及油桃自身颜色特征,采用基于颜色特征的图像分割算法实现油桃与复杂背景的分离。针对损伤部位占比较小的特点,采用分块算法将原始图像分成64×64的块,并为每个分块制作标签(正常、损伤、背景区域),分块数据与其对应标签共同构成试验数据集。构建卷积神经网络模型,将数据输入该模型进行识别。[结果]油桃损伤区域识别率为88.2%。[结论]基于高光谱图像与卷积神经网络相结合的方法可以较准确地实现油桃表面轻微损伤的检测。 相似文献
6.
《沈阳农业大学学报》2017,(2)
为可移动、快速、便携的利用可见/近红外光谱技术检测苹果糖度,基于嵌入式系统和可见/近红外光谱检测技术,开发了便携式苹果品质快速无损检测系统。以ARM11处理器为核心,以卤素灯光源和USB2000+可见/近红外光谱仪为光谱检测平台,在ARM11内嵌的Win CE6.0系统上,采用VS2005编程工具,设计出人性化的软件系统,并实现苹果的糖度值输出到LCD触摸屏上。以寒富苹果样本作为研究的对象,采集寒富苹果样本的可见/近红外光谱数据值,采取二阶微分、多元散射校正、平滑等方法对光谱进行预处理,选取485.01~900.71nm共1231个波长点建立寒富苹果糖度的偏最小二乘数学模型,预测模型决定系数R~2=0.9852,预测均方根误差RMSEP(0.0958)校正均方根误差RMSEC(0.1172),偏差值Bias=-0.0133。经过试验验证,绝大多数样本的预测值和测量值的绝对偏差值均在0.15以内,绝对偏差值很小,表明该监测检测系统能比较好地满足苹果糖度的快速无损检测要求,实现可便携的苹果糖度的快速无损检测,对寒富苹果产中和产后的管理提供依据。同时,该检测系统可以将经过试验研究得到的不同品种的果蔬糖度、酸度、色度(L*,A*,B*)模型导入该检测系统,实现不同品种果蔬多品质参数的同时检测。 相似文献
7.
一种便携式苹果糖度无损检测仪的研制 总被引：1，自引：0，他引：1
糖度是判断苹果质量好坏的一个重要参考标准,针对苹果糖度的检测问题,设计了一种以Cortex-A9为内核、以自研发的可见-近红外光谱仪(波长范围400~1 000 nm)作为光谱检测装置、以Linux为操作系统的便携式苹果糖度无损检测仪。以山东烟台的100个红富士苹果为材料,采集了漫透射检测方式下基于自收发光机构的苹果漫透射光谱曲线,结合化学计量学方法,对样本的全光谱曲线使用了平均法和Savitzky-Golay卷积平滑光谱预处理方法,将预处理后的光谱数据按波峰位置划分区间,并分别按照全光谱范围和所划分区间的波段范围建立PLS模型来预测苹果的糖度含量。结果表明,经预处理后的全光谱数据所建立的PLS模型预测效果最好,优于按波峰划分区间所建立的PLS模型,其校正相关系数为0.96、预测相关系数为0.87,校正均方根误差为0.31、预测均方根误差为0.34。同时对仪器工作时的预测稳定性进行了测试,测试结果得出检测精度可控制在±0.2 Brix以内,模型预测精度满足现场快速检测应用要求。 相似文献
8.
【目的】研究应用高光谱成像技术无损检测生长发育后期苹果糖度的可行性。【方法】以生长发育后期的"富士"苹果为对象,基于采集到的波长900~1 700nm高光谱数据,建立预测苹果糖度的偏最小二乘(PLS)、支持向量机(SVM)和极限学习机(ELM)模型,并比较主成分分析(PCA)和连续投影算法(SPA)2种数据压缩或特征波提取方法对预测模型精度的影响。【结果】采用PCA方法可将全光谱压缩至9个主成分,采用SPA从全光谱的230个波长中提取出了13个特征波长,两者相比,SPA能更有效地提高模型预测能力。预测生长发育后期苹果糖度的最佳模型为基于SPA的PLS模型,其预测集相关系数为0.945,均方根误差为0.628°Brix。【结论】高光谱图像技术可以用于生长发育后期苹果糖度的无损检测,该技术的应用将有助于指导苹果的种植和适时采收。 相似文献
9.
基于高光谱成像技术的苹果表面轻微损伤检测 总被引：1，自引：0，他引：1
《沈阳农业大学学报》2015,(4)
为了研究检测苹果表面轻微损伤的有效的方法,以红富士苹果为试验样本,通过高光谱成像采集系统采集苹果样本的高光谱图像,根据正常苹果表面区域和刚损伤、损伤后(3,10,24h)的损伤区域光谱反射率平均曲线得到有效光谱区域;用掩膜法对图像进行背景分割,并基于有效光谱区域做主成分分析,选取第四主成分(PC4)提取损伤区域,运用阈值分割的方法建立提取损伤区域的算法模型;应用该算法模型对正常苹果和损伤苹果进行检测。检测结果表明:正常苹果样本正确检测率达到100%,损伤苹果样本的正确检测率为97.5%,总体检测精确度高达98.75%,说明利用高光谱成像技术可以有效快速检测出苹果表面的轻微损伤。 相似文献
10.
[目的]利用高光谱技术测定水稻种子的水分含量,为其品质监测和筛选提供参考依据,从而提高水稻良种筛选率.[方法]通过电烘箱恒重法制备120份不同水分含量的水稻种子样本作为研究对象,利用多项式平滑(Savitz-ky-Golay,S-G)算法对原始光谱数据进行降噪平滑处理,采用连续投影算法(Successive projections algorithm,SPA)对预处理后的数据进行特征波长的优选.为提高建模效率,提高各水分含量区间光谱特征值的区分度,使用模糊C-均值聚类(Fuzzy C-means clustering,FCM)算法对各区间的样本数据进行聚类处理,最后利用支持向量回归机(Sup-port vector regression,SVR)定量检测模型建立特征光谱数据与水稻种子水分含量的映射关系.[结果]由于FCM未达到预期的聚类效果,而引入遗传模拟退火算法(Simulated annealing genetic algorithm,SAGA)进行聚类,分别对基于原始特征值、FCM及SAGA聚类的SVR训练结果进行比较,发现基于SAGA聚类的光谱样本数据训练效果更好,预测集决定系数可达0.8956,均方根误差3.75%.由于决定系数不够理想,引入松弛变量降低间隔阈值,最终模型预测集决定系数为0.9286,均方根误差为3.42%,此时模型达最佳性能,能满足实际应用需求.[建议]基于聚类算法,提高光谱数据的准确性;通过合理调整模型参数,提高预测模型性能;推动高光谱农产品检测相关装备的研制. 相似文献
11.
现市场上普遍存在套袋和不套袋两种种植模式的苹果,为了更精确地检测苹果糖度,针对这两种模式,分别探究了其糖度无损检测模型。以烟台栖霞生产基地的红富士苹果为研究对象,以苹果糖度为测试指标,对套袋和不套袋苹果分别建立了全光谱反向传播神经网络模型(FS-BP)、全光谱偏最小二乘模型(FSPLS)、主成分分析反向传播神经网络模型(PCA-BP)、主成分分析偏最小二乘模型(PCA-PLS)、蚁群算法反向传播神经网络模型(ACO-BP)、蚁群算法偏最小二乘模型(ACO-PLS),通过对比这6种模型的糖度预测精度找出分别适用于套袋和不套袋苹果的最优模型。结果表明,ACO-PLS无论在套袋还是不套袋苹果糖度的预测上都取得了最高的预测精度,不套袋苹果样本训练集均方根误差为0. 3489,相关系数为0. 9258,测试集均方根误差为0. 3247,相关系数为0. 9279;套袋苹果样本训练集均方根误差为0. 3833,相关系数为0. 9449,测试集均方根误差为0. 3146,相关系数为0. 9602。本研究结果为建立苹果品质分级系统提供了重要的参考价值。 相似文献
12.
基于高光谱成像的苹果病害无损检测方法 总被引：1，自引：0，他引：1
《沈阳农业大学学报》2016,(5)
苹果果实易发生病害,传统的苹果病害的检测不适应苹果分级在线检测的要求。为了实现病害苹果快速、有效的在线检测,采用高光谱成像技术对寒富苹果的炭疽病、苦痘病、黑腐病和褐斑病的病害果进行无损检测研究。根据正常区域与病害区域光谱相对反射率差异,提出改进流形距离方法。综合计算病害与正常区域,病害与果梗/花萼区域,正常与果梗/花萼区域的光谱相对反射率的总改进流行距离L值,从而从全波段中选择了3个特征波段,分别为700,765,904nm。对700nm特征波段下的图像进行阈值分割,以此获得掩膜图像,并对掩膜后的图像二次阈值分割提取感兴趣区域。将3个特征波段下对应的光谱相对反射率分别组合,作为BP神经网络的输入矢量,检测苹果是否为病害果。结果表明:选择700nm与904nm波段下的光谱相对反射率为最佳组合,病害果的检测率达96.25%。说明高光谱成像技术所获得的2个特征波段可以有效对苹果病害进行检测,为开发多光谱成像的苹果品质在线检测和分级系统提供参考。 相似文献
13.
[目的]建立南疆骏枣叶片含水量的快速、无损的检测模型。[方法]选取73片完好、无损的骏枣叶片,运用NIR检测骏枣叶片含水量的重要指标。通过3种不同的光谱预处理方法进行预处理,建立骏枣叶片含水量的PLS检测模型。[结果]在预测骏枣叶片含水量的PLS模型中,最好的组合是原始光谱+MSC+PLS,相关系数(R)由原始的0.673 1提高到0.874 6,预测精度(Precision)由0.950 7提高到0.957 8,预测残差平方和(PRESS)由0.028 4降低到0.017 7,预测标准偏差(RMSEP)由0.037 7降低到0.029 7。[结论]应用NIR技术不仅对南疆骏枣叶片含水量的快速、无损检测具有可行性,同时还对其他农作物叶片水分、叶绿素、氮含量光谱预处理检测具有一定的借鉴意义。 相似文献
14.
[目的]为实现鲜枣黑斑特征的识别,提高鲜枣附加价值,采用高光谱成像技术采集了不同年份完好和黑斑鲜枣的信息。[方法]基于全波段光谱,采用偏最小二乘判别分析(Partial Least Squares-Discriminant Analysis,PLS-DA)和误差反向传播神经网络(Back Propagation Neural Networks,BP-NN)建立单一年份和联合年份的判别模型。采用连续投影算法(Successive Projections Algorithm,SPA)提取联合年份的特征波长;利用主成分分析进行单波段图像的数据压缩,针对主成分图像采用BP-NN和卷积神经网络(Convolutional Neural Networks,CNN)进行黑斑鲜枣识别。[结果]联合年份所建PLS-DA、BP-NN模型的整体判别正确率均达到了99.2%,比单一年份所建校正模型的整体判别准确率高,但单一年份所建模型中BP-NN比PLS-DA的判别精度高;采用SPA提取联合年份的特征波长后所建BP-NN判别模型的正确率为100%;基于主成分图像所建BP-NN和CNN模型的判别正确率分别为78.3%和90.0%。[结论]收获年份是影响校正模型稳定性的一个重要因素,联合年份所建校正模型比单一年份所建校正模型具有更好的预测能力;同时CNN可成功应用于基于高光谱技术的鲜枣黑斑特征识别中,也为其它农产品品质检测提供了新方法。 相似文献
15.
[目的]建立土壤含水量遥感监测模型。[方法]选取陕西省横山县作为研究区,以野外原位光谱测量数据和实验室内测得的土壤含水量为基础,进行高光谱数据处理,分析土壤含水量的光谱特征;对实测土壤光谱反射率进行倒数、对数、均方根及其一阶导数微分等光谱变化换,计算高光谱指数,并与土壤样本含水量进行相关性分析,筛选对土壤含水量敏感的光谱特征波段,利用多元线性回归分析建立土壤含水量监测模型。[结果]随着土壤含水量的增加,土壤光谱反射率呈减小趋势。土壤含水量与光谱指数的特征波段呈良好的线性关系,所有模型均通过了0.01水平的显著性检验。模型精度验证表明,预测值与实测含水量相关系数较高,特别是反射率倒数一阶微分模型,在0.01显著性水平下,相关系数为0.886。[结论]该研究建立的土壤含水量遥感反演模型可行有效,通过了有效性检验,在一定程度上可以用来反演研究区土壤含水量。 相似文献
16.
【目的】研究苹果损伤高光谱特征,建立基于高光谱成像的苹果损伤区域最佳分类模型,为实时、快速、准确地识别苹果损伤提供重要依据。【方法】以北京平谷区收集的苹果样品为研究对象,利用高光谱图像技术检测水果表面机械损伤。利用 390 ~1 000 nm 范围的高光谱图像（HSI）数据,通过比值光谱分析损伤与正常感兴趣区域（ROI）的光谱响应特性,筛选特征波段,并构建较好地突出损伤区域特征的 3 种类型光谱指数：归一化光谱指数（NDSI）、比值光谱指数（RSI）和差值光谱指数（DSI）。在此基础上,优选提取损伤区域能力较强的光谱指数,利用迭代自组织数据分析（ISODATA）无监督据聚类算法提取苹果损伤区域。【结果】当苹果表面受到损伤时,光谱反射率变化显著。波段优化后发现,528、676 nm 的反射率可以有效识别异常区域。基于选定的特征波段,构建苹果损伤检测的识别光谱指数,包括 NDSI、RSI 和 DSI。光谱指数图像的像素值分析发现,损伤区域特征与正常区域特征在各光谱指数（SI）增强图像中区分明显。两类图像特征的 NDSI 像素平均值相差最大、达到 0.629,表明建立的 NDSI 对损伤区域及正常区域特征具有较强的区分能力。利用无监督分类方法 ISODATA 分类,验证了光谱特征指数在检测苹果损伤方面具有较高的特异性,对苹果损伤的检测正确率
达到 92.50%。【结论】研究结果适用于苹果损伤的实时快速检测,为苹果的精准管理生产提供技术基础与参考。 相似文献
17.
为降低苹果损伤造成的商业损失,延长苹果的储存期,利用高光谱成像技术实现了基于特征波段的苹果表面轻微机械损伤的快速、无损检测。以120个富士苹果为研究对象,首先利用波段范围在400～1 000nm的高光谱成像光谱仪获取完好和轻微损伤0、2、4 h的富士苹果的高光谱图像,并提取感兴趣区域的平均光谱数据,然后通过两次连续投影法进行分析,去除光谱波段间的冗余信息,找到共线性最小的波段组合(821 nm和940 nm);其次,对特征波段图像进行主成分分析,选择完好与损伤区域差异明显的第二主成分(PC2)作为检测损伤的有效图像;最后,对有效图像进行固定阈值分割和形态学处理,得到苹果表面机械损伤的检测结果。利用该方法对验证组40个正常和轻微损伤不同时间段的苹果进行测试,总体正确率达到94. 4%。 相似文献
18.
基于高光谱成像技术的新疆冰糖心红富士苹果分级和糖度预测研究 总被引：5，自引：0，他引：5
对新疆冰糖心红富士苹果采用高光谱成像技术进行分级和糖度预测研究.在糖度预测分析中,使用正交试验设计方法确定影响预测效果的主要因素是预测回归方法、光谱预处理方法和波长合并,次要因素是光谱校正处理方法、数据类型和实测值归一化处理.提取平均光谱,经过白板校正,采用一阶微分光谱预处理,10个波长的光谱合并,基于多元线性回归方法建立苹果糖度的预测模型,其验证集苹果糖度的预测模型相关系数为0.911,预测均方根误差为0.76％ Brix,相对分析误差为2.44.在分级研究中,选择712 nm波长图像,Gamma灰度变换增强图像,大津算法阈值确定后分割图像,基于形态学处理剔除果梗区域,提取苹果分割后区域的面积、充实度、周长、平均灰度等特征,采用二次判别分析分级苹果,验证集苹果分级准确率达到89.5％.结果表明,高光谱图像技术既能够准确预测新疆冰糖心红富士苹果糖度品质,也可以用于基于外部品质特征的分级研究. 相似文献
19.
基于近红外光谱的南疆温185核桃水分无损检测的研究 总被引：1，自引：0，他引：1
[目的]利用近红外光谱技术建立预测南疆核桃水分的检测模型。[方法]通过对南疆温185核桃进行近红外光谱水分无损检测,并用标准烘干法对所建立的检测模型进行验证,形成测定核桃水分的快速检测模型。[结果]试验表明,对采集的光谱数据进行SNV预处理,并采用偏最小二乘回归分析法(PLS)建立模型,得到了较小的SEC值和较高的RC值。其SNV预测的值用标准烘干法得出的平均偏差为0.35%,完全满足对南疆温185核桃进行水分无损检测的要求,可以应用到实际的核桃水分预测当中。[结论]研究可为核桃水分的快速无损检测提供参考依据,同时将此项无损检测技术应用到果农的生产实际当中,可提高果农的收益。 相似文献
20.
目的 基于近红外光谱技术的红枣水分无损检测,为红枣水分含量模型建立提供科学依据。方法 以塔里木大学园艺试验站红枣资源圃中的脆熟期馒馒枣和保德油枣的果实为试材,采用传统烘干法测定枣果实水分含量,并通过近红外光谱分析仪进行枣水分无损检测。对2个品种样本光谱进行样本集划分并使用预处理的方法Savitzky-Golay平滑法和偏最小二乘回归分析法(PLS)。结果 建立了含水量定量检测分析模型。共获得212个样本,馒馒枣和保德油枣分别为100和112个,2个品种随机校正模型为75和84个,验证模型分别为25和28个,用外部证实法建立样品校正模型和验证模型。建立光谱模型将试验组分别分为红枣含水量校正模型和验证模型。所建2种红枣水分检测模型中SEC(校正集标准偏差)值分别为1.01%和1.29%;SEP(预测标准偏差)值为1.65%和1.41%,2种红枣的校正集与验证集交互相关系数分别为0.878和0.883。结论 以S-G平滑法对光谱数据预处理,以偏最小二乘进行回归分析(PLS)。建立含水量定量检测分析模型对红枣进行水分检测,水分真实值和预测值的交互相关系数均高于0.850。2个品种校正模型和验证模型差异较小均在0.5%左右,建立了红枣近红外光谱和水分含量之间的对应关系。 相似文献