共查询到18条相似文献，搜索用时 218 毫秒
1.
基于特征光谱的苹果霉心病无损检测设备设计 总被引：6，自引：4，他引：2
针对现有农产品内部品质无损检测多采用宽波段光谱技术,集成应用光谱仪与计算机完成品质分析,存在成本高、能耗大、分析过程复杂以及光谱信息冗余等问题。该文结合苹果霉心病在果心发病的特征,采用透射光谱检测方式,设计实现了基于窄带LED光源与光敏二极管的苹果霉心病无损检测设备。通过霉心病发病特征的分析可得果径和特征光谱波段的透射强度是进行霉心病检测的关键影响因素,设计光谱特性试验,对多组宽波段光谱数据采用相关性分析法得到特征光谱波段为690～730 nm。设计果径与透射光谱信息采集的基础平台,该平台包括LED光源及其驱动模块、光电转换与检测模块以及基于丝杠滑台组件与限位传感器的果径在线测量模块;采用基础平台对样品进行数据获取,以果径与透射光谱强度值为输入,建立基于误差反向传播网络的霉心病判别模型。结果表明,采用该文所述测试试验样本进行验证,设备判别准确率达到95.83%。该研究结果表明,基于特征光谱采用 LED 光源的霉心病无损检测方法是可行的,可为其他果品内部病害的检测提供借鉴思路。 相似文献
2.
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
3.
为实现中早期霉心病苹果的有效剔除以提高苹果的整体品质，该研究利用近红外光谱技术对苹果霉心病进行快速无损检测，从光谱和分类模型两方面探究光源光斑直径对苹果霉心病检测的影响。在30、50 及70 mm光源光斑直径条件下采集了苹果样本的透射光谱，分析不同光源光斑直径下健康苹果和霉心病苹果的光谱差异，然后应用支持向量机（support vector machines，SVM）和粒子群算法优化-最小二乘支持向量机（particle swarm optimization-least squares support vector machine，PSO-LSSVM）方法建立苹果霉心病的分类模型，并对不同光源光斑直径下的分类模型性能进行对比。在此基础上，采用竞争自适应重加权采样（competitive adaptive reweighted sampling, CARS）方法筛选特征波长变量并建立分类模型。研究结果表明，30 mm光源光斑直径对苹果霉心病的检测效果最好，建立的SVM和PSO-LSSVM分类模型性能均最优。30 mm光源光斑直径下，最优PSO-LSSVM模型的预测集的灵敏度、特异度和正确率分别为89.5%、95.5%和92.7%。CARS-PSO-LSSVM分类模型性能比全波段的分类模型性能略有下降，预测集的灵敏度、特异度和正确率分别为89.5%、90.9%和90.2%，但建模变量数仅占原波长变量数的4.2%，有效地简化了分类模型。该研究为苹果霉心病的快速无损高精度检测提供技术支撑。 相似文献
4.
鸡只粪便的性状是反映鸡只健康状况的重要特征之一,不同性状的鸡便往往与特定的疾病相关联。针对鸡只粪便性状主要依靠人工监测,存在速度慢且易发生交叉感染等问题,该研究提出一种基于可见-近红外光谱技术的鸡只粪便分类判别模型。首先,通过扫描4类典型的鸡只粪便样本（正常粪便、红血丝粪便、绿色粪便和饲料粪便）在400～900 nm波段范围的光谱数据,对每一类别的鸡便样本按随机性原则以3∶1划分为校正集和测试集。其次,分别采用多元散射校正、SG卷积平滑和标准差标准化进行数据预处理,并建立偏最小二乘判别分析模型,根据模型评价指标确定最优预处理方法。然后,使用主成分分析、竞争性自适应重加权采样、改进的混合蛙跳3种方法对预处理后的样本进行数据降维,并最终建立分类判别模型。结果表明：基于模型评价指标确定最优数据预处理方法后,再采用改进后的混合蛙跳降维方法建立的判别模型区分正常粪便、红血丝粪便、绿色粪便表现最优,测试集判别准确率分别为92.27%、92.59%、100%;而对于饲料粪便,所选3种降维方法建立的判别模型,其测试集准确率均可达100%。因此,通过可见-近红外光谱检测手段,结合特征波长优选与偏最小二乘判别分析,可以有效判别不同类型的鸡只粪便,为实现鸡病智能化监测提供技术支持。 相似文献
5.
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
6.
苏北滨海土壤碳酸钙含量反射光谱估算研究 总被引：2，自引：0，他引：2
土壤属性的快速、精确测定是实现现代精细农业的基础。本研究分析了江苏省北部滨海土壤的属性特征以及碳酸钙的可见-近红外反射光谱特征,探讨利用可见-近红外光谱估算滨海土壤碳酸钙含量的可行性,比较不同光谱反射率数据集、不同预处理方法以及不同建模方法定量反演的优劣。结果表明:(1)苏北滨海土壤有机质含量较低、碳酸钙含量较高,其光谱曲线在2 340 nm处有较明显的碳酸钙吸收特征;(2)滨海土壤碳酸钙含量与土壤的可见-近红外波段反射率呈正相关,且碳酸钙含量高低对于土壤的近红外波段反射率的影响高于可见光波段;(3)可见-近红外反射光谱可用于估算滨海土壤碳酸钙含量。就建模结果而言,381~2 459 nm波段反射光谱数据集、log(1/R)预处理、偏最小二乘回归三者结合的效果比较理想。 相似文献
7.
基于最小二乘支持向量回归的鹅肉弹性的可见-近红外光谱测定 总被引：1，自引：0，他引：1
为简化鹅肉弹性的可见-近红外光谱模型和提高预测精度,采用联合区间偏最小二乘法(synergyinterval partial least square algorithm,siPLS)结合遗传算法(Genetic algorithm,GA)提取可见-近红外光谱特征波长,用最小二乘支持向量回归(least square support vector for regression,LSSVR)建立鹅肉弹性的预测模型。试验以万能试验机获取恢复距离S作为鹅肉弹性实际值。在模型建立过程中,先利用sym8小波的2层分解对原始的可见-近红外光谱进行光谱预处理;然后用siPLS优选出4个特征光谱子区间(分别为第3、5、9、13子区间),在这4个特征光谱子区间内继续用GA优选出74个特征波长,并建立基于LSSVR的鹅肉弹性的预测模型。模型预测集的决定系数(R2)和预测均方根误差(root mean squarederror of prediction,RMSEP)分别为0.9096和0.0588。试验结果表明,siPLS结合GA法能够有效提取光谱中的鹅肉弹性对应的特征波长,有利于提高LSSVR模型预测鹅肉弹性的精度。 相似文献
8.
应用MicroNIR 1700微型近红外光谱分析仪采集不同产地金银花样品的漫反射光谱,获得数据501份,采用KS (Kennard-Stone)方法对样品集进行划分,通过不同光谱预处理方法,利用偏最小二乘判别分析法(PLS-DA)建立判别模型。结果显示,采用二阶导数和标准正态变量预处理光谱,金银花产地判别模型正确判别率可达100%。结果表明,不同产地来源金银花的近红外光谱特征有显著差异,使用便携式近红外方法可准确判别金银花产地。该方法可推广作为现场应用,具有较好的实际应用价值。 相似文献
9.
基于可见/近红外光谱的菠萝水心病无损检测 总被引：1，自引：1，他引：0
水心病近年严重危害菠萝产业,探究一种菠萝水心病的无损检测方法对保证上市果品、指导采后处理、促进产业提升具有重要意义。该研究采用自行搭建的菠萝可见/近红外光谱无损智能检测平台,考虑实际应用成本与效果,搭载覆盖不同波段（400～1 100、900～1 700和400～1 700 nm）的检测器对菠萝样本进行采样,随后人工标定水心病发生程度。研究结果表明,3种不同光谱波段对菠萝水心程度检测的较优方法均为：采用全波段进行多项式平滑（Savitzky Golay,SG）处理,再进行标准正态变量校正（Standard Normal Variate,SNV）,最后结合概率神经网络（Probabilistic Neural Network,PNN）建模识别。其中,400～1 100 nm所建模型对菠萝水心病训练集的回判正确率为98.51%,对验证集的检测正确率为91.18%;900～1 700 nm所建模型对菠萝水心病训练集的回判正确率为100%,对验证集的检测正确率为62%;400～ 1 700 nm所建模型对菠萝水心病训练集的回判正确率为100%,对验证集的检测正确率为91.18%。主成分分析（Principal Component Analysis,PCA）和偏最小二乘回归（Partial Least Squares Regression,PLSR）分析结果均显示,采用400～ 1 700 nm能轻微提升400～1 100 nm的检测效果。综合考虑实际应用成本与效果,实际应用建议采用400～1 100 nm光谱结合SG + SNV + PNN对菠萝水心病进行识别。研究结果证明可见/近红外光谱技术可为菠萝水心病无损、快速、智能检测提供有效的解决方案,为相关领域提供参考。 相似文献
10.
iPLS-SPA变量选择方法在螺旋藻粉无损检测中的应用 总被引：1，自引：1，他引：0
该文研究了基于可见-近红外光谱技术的螺旋藻粉类别无损检测方法。采用簇类独立软模式法（SIMCA）建立可见-近红外光谱模型。全波段光谱所建立的模型得到了93.33%的预测集正确率。文章提出了基于间隔偏最小二乘法（iPLS）和连续投影算法（SPA）的组合光谱变量选择方法进行有效波长的选择。该方法从全波段675个变量中选择了5个最优的有效波段,并且得到了96.67%的预测集正确率。和基于全波段光谱、可见光波段光谱和近红外波段光谱进行SPA运算相比,基于iPLS的SPA运算可以有效减少计算时间。研究表明可见-近红外光谱可以用于对螺旋藻粉类别进行无损检测,同时iPLS-SPA是一个有效的光谱变量选择方法。 相似文献
11.
基于声振信号对称极坐标图像的苹果霉心病早期检测 总被引：1，自引：1，他引：0
为实现苹果早期霉心病较高精度的检测,该研究采用对称极坐标法（Symmetrized Dot Pattern,SDP）将苹果声振信号变换为雪花图,然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息,将其输入到支持向量机（Support Vector Machine,SVM）分类器,对霉心程度≤7%的苹果进行检测。研究结果表明,当时间间隔系数为25和角度放大因子为50°时,健康果与早期霉心果声振信号的SDP图形状特征差异最大,在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型,在各类SVM模型中,ResNet50-SVM-gaus（高斯基）模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率,经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本（10∶1）的总体分类准确率达到96.97%,平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%,82.54%和82.68%,该模型不仅对多数类的健康果保持较高分类准确率,而且对少数类的早期霉心果也具有较高判别能力。这些研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑。 相似文献
12.
为研究高光谱技术检测霉变玉米中黄曲霉毒素B_1含量的可行性,选择5种不同霉变程度的玉米为试验材料,利用高光谱图像采集系统获得了250个霉变玉米样本的高光谱数据,并进行多元散射校正(MSC)预处理;运用偏最小二乘回归(PLSR)系数来选择特征波长,筛选出7个特征波长,然后利用Fisher判别分析(FDA)分别对全波长和特征波长下霉变玉米进行鉴别分析。结果表明,5组样本在全光谱波段下的FDA鉴别正确率在85%～88%之间,而在特征光谱下的FDA鉴别正确率均在98%以上,说明特征波长能较好地表征不同霉变等级的玉米。神经网络模型优于PLSR模型,其预测集相关系数和均方根误差分别为0.999 9、0.180 9。因此,可认为利用高光谱技术来检测不同霉变程度玉米中的黄曲霉毒素B_1含量是可行的。本研究结果为高光谱鉴别其他农产品提供了重要参考。 相似文献
13.
基于主动形状模型的苹果果形分级研究 总被引：8，自引：4，他引：8
苹果果形是评价苹果品质的一个重要指标。为提高果形判别的准确度和效率，首次采用主动形状模型(ASM)的方法进行苹果形态分级。根据试验确定苹果轮廓特征点数为36时为最佳特征点数，然后对不同形状的苹果进行计算机自动标定、校准，运用主成分分析法获取不同形状的苹果模型，并将模型与实际苹果进行灰度匹配，提取像素数目比等特征参数，实现苹果分级。应用结果表明，该方法对苹果果形的判别准确度高达95%，且直观性强、鲁棒性好，具有较好的灵活性。 相似文献
14.
为了更加全面的建立中国土壤类型系统,了解中国土壤地域差异,从而提高土地资源的利用率,以及根据土壤类型指导农业科学生产。该研究利用激光诱导击穿光谱(laser-induced breakdown spectroscopy,LIBS)技术结合化学计量学方法对土壤类型进行判别分析研究。从6种标准土壤样品出发,分析所采集6种土壤的LIBS光谱谱线特征,结合其主要成分物质(SiO2,Al2O3,Fe2O3,FeO,MgO,CaO,Na2O,K2O)的含量,针对每种主要物质选取了Si I 390.55 nm、Al I 394.40 nm、Fe I 422.74 nm、Mg I 518.36 nm、Na I 588.96 nm、Ca II 393.37 nm、K I 766.49 nm为特征分析谱线。结合所选的7条特征谱线下的300个标准土壤样品的光谱(200个为训练集,100个为预测集),对训练集光谱进行主成分分析(principal component analysis,PCA),6种土壤有明显的聚类。然后根据训练集光谱值和预先赋予土壤类型的虚拟等级值分别建立最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)和最小二乘支持向量机(least-squares support vector machine,LS-SVM)判别模型,分析预测结果二者总的判别准确率分别为98%和100%。用受试者工作特征曲线(receiver operating characteristic curve,ROC)评价这2个模型的性能,结果表明LS-SVM判别模型性能优于PLS-DA模型。基于以上结果,选取不同于标准土壤的另7种不同类型土壤进行试验验证所选特征谱线和判别模型,建立7种不同类型土壤的LS-SVM预测模型,其预测准确率达100%,ROC曲线对其评价的性能很好。研究证明,LIBS技术结合化学计量学方法能够实现对土壤类型的判别分析,这为土壤质量的正确评价,土壤的整治、规划和合理利用提供理论基础。 相似文献
15.
苹果品质动态无损感知及分级机器手系统 总被引：1，自引：1，他引：0
为了实现灵活高效的苹果多品质指标检测分级,基于机器视觉技术及可见/近红外光谱技术,开发了用于苹果内外部品质无损感知及分级的机器手系统。机器手系统采用六轴机械臂搭载自行研发的末端执行器,末端执行器上装载有光学传感器与抓取结构,可以抓取流水线上的苹果并同时采集苹果的光谱进行糖度检测。使用CMOS相机采集苹果图像,训练并使用PP-YOLO深度学习目标检测模型处理采集的苹果图像,计算苹果的坐标位置实现苹果的动态定位,并获取苹果的果径大小、着色度信息实现外部品质检测。采集苹果样本光谱,结合不同的光谱预处理方式,利用偏最小二乘（Partial Least-Square,PLS）方法进行建模分析。试验结果表明,使用PP-YOLO目标检测算法处理图像和计算苹果位置,其识别速度为38帧/s,极大地提高了检测速度。使用归一化光谱比值法（Normalized Spectral Ratio,NSR）作为预处理算法的糖度建模结果较佳。采用NSR+CARS（Competitive Adaptive Reweighted Sampling,竞争性自适应重加权算法）作为机器手的动态光谱模型效果较佳,该动态光谱模型相关系数Rv为0.958 9,验证均方根误差RMSEV（Root Mean Squared Error of Validation）为0.462 7%,与静态下建立的模型相比,机器手在动态状态下采集光谱对所建立的预测模型的预测效果影响较小。对整体机器手系统进行了试验验证,机器手在工作时能够无损伤地抓取苹果,给出果径大小、着色度、糖度3个检测指标并依据指标自动划分等级,然后依据等级信息分级。随后测定了3个指标的实测值与预测值进行分析,果径大小的预测相关系数为0.977 2,均方根误差为1.631 5 mm;着色度的预测相关系数为0.967 4,均方根误差为5.973 4%;糖度的预测相关系数为0.964 3,均方根误差为0.504 8%,预测结果与真实值均具有较强的线性关系和较低的预测误差,机器手系统分级正确率为95%,完成一颗苹果的定位、抓取、检测、分级和放置的时间约为5.2 s,具有较好的工作可靠性,研究结果为苹果多品质指标的高效检测提供参考。 相似文献
16.
基于机器视觉的大豆籽粒精选技术 总被引：7，自引：4，他引：3
为实现大豆精选模型的设计,选择东农405、东农410、东农634 共3个大豆品种,以正常豆、灰斑豆、霉变豆、虫蚀豆为研究对像,采用可脱离PC机独立工作的智能摄像头获取分析豆粒图像。通过动态阈值分割算法分离豆粒与背景,提取豆粒图像的形状、颜色、纹理3方面的特征参数15个。采用BP神经网络建立分类模型,模型平均识别准确率达98%。试验选择2000粒大豆样本对精选装置进行测试,测试结果显示：该装置对正常豆、灰斑豆、霉变豆和虫蚀豆的筛选精度分别达到98.3%、93.4%、92.2%、95.9%,筛选效率达到每分钟300粒,将机器视觉技术应用于大豆精选机的设计中是可行的。 相似文献
17.
Del Campo G Santos JI Iturriza N Berregi I Munduate A 《Journal of agricultural and food chemistry》2006,54(8):3095-3100
The low field region (5.8-9.0 ppm) corresponding to aromatic protons and the region 1.8-3.0 ppm of the (1)H NMR spectra were used for characterization and chemometric differentiation of 52 apple juices obtained from six cider apple varieties. The data set consisted of 14 integrated areas corresponding to resonances from acids and phenolic compounds. Multivariate procedures based on hierarchical cluster and discriminant analysis were performed on selected signals of the spectra to determine whether it was possible to distinguish the different juices. Cluster analysis was able to satisfactorily classify the six apple varieties. Discriminant analysis, by means of stepwise procedure for variables selection and leave-one-out for cross-validation, was applied to 40 samples from the year 2001, obtaining recognition and prediction abilities of 100%. The most discriminant variables corresponded to poliphenols, (-)-epicatechin, phloridzin-phloretin, and p-coumaric, chlorogenic, and malic acids. The classification model was applied to 12 samples from apples harvested in the years 2002 and 2003, and the prediction ability was 91.7%. 相似文献
18.
苹果内部品质自动化无损检测系统的原理与实现 总被引：3，自引：2，他引：3
介绍了一个苹果内部品质自动检测系统的原理性样机，该样机在计算机控制下基于介电特性实现苹果品质检测。待检测苹果的介电参数通过两只电容传感器和LCR(电感-电容-电阻)测量仪进行采样并输入样机内的控制计算机。选择等效电容(介电参数之一)作为苹果等级分类变量。对于一批待检测的苹果，其最佳分类阈值可通过对抽选出的合格和等外样本的在线学习获得。试验结果表明，该样机可获得良好的分类效果。在待检苹果直径为7.0 cm～8.5 cm，坏损部分的直径大于2 cm，电容传感器工作频率为1 kHz时，以学习得到的最佳分类阈值进行分类，分级正确率大于80%，分级效率达到2.5 s分选一个苹果，接近人工分选效率。 相似文献