不同高光谱成像方式的马铃薯内外部品质检测方法研究

发布时间：2017-07-28 18:25

  本文关键词：不同高光谱成像方式的马铃薯内外部品质检测方法研究

  更多相关文章： 高光谱 马铃薯 信息融合 深度信念网络 缺陷

【摘要】：随着我国马铃薯主粮计划的实施,马铃薯相关产业得到了快速发展,马铃薯品质问题也成为关注的热点问题。马铃薯品质好坏将直接影响到马铃薯深加工产业的发展与经济效益等,因此,开展一种快速无损的马铃薯品质检测方法具有重要的科学意义。本文以产自山东的薯引一号马铃薯为研究对象,开展基于半透射高光谱成像技术、反射高光谱成像技术和多源信息融合技术的任意放置姿态下合格、发芽、轻微绿皮、孔洞和黑心5种马铃薯同时检测的方法研究与轻微绿皮马铃薯的单指标检测方法研究。研究结果如下:(1)确定了基于反射高光谱成像技术的马铃薯内外部品质检测方法。试验以489个马铃薯样本(合格122个、发芽103个、轻微绿皮103个、孔洞103个、黑心58个)为研究对象,采集马铃薯样本反射高光谱图像。在图像维,提取图像RGB、HSV和Lab空间下颜色信息,采用等距映射(Isomap)、最大方差展开(MVU)、拉普拉斯特征映射(LE)3种流形学习方法对图像信息降维,以深度信念网络(DBN)为建模方法,并比较不同降维方法的模型识别结果。确定反射图像信息最优降维方法为LE,基于反射图像信息的LE-DBN模型测试集混合识别率为80.98%,合格、发芽、轻微绿皮、孔洞、黑心样本单一识别率分别为95%,88.57%,69.70%,77.14%和65%。在光谱维,分别采用标准化(Autoscale)、标准正态变量校正(SNV)、多元散射校正(MSC)和平滑(Smoothing)4种方法对反射光谱预处理,比较不同预处理方法对马铃薯缺陷识别效果,确定反射光谱信息最优预处理方法为Autoscale。进一步对Autoscale预处理后的反射光谱信息采用局部保持投影(LPP)、局部切空间排列(LTSA)、局部线性协调(LLC)3种流形学习降维方法进行降维处理,并建立DBN模型,比较不同降维方法对模型识别率的影响,确定反射光谱信息最优降维方法为LTSA,基于反射光谱的LTSA-DBN模型测试集混合识别率为87.73%,合格、发芽、轻微绿皮、孔洞和黑心样本的单一识别率分别为95%、85.71%、81.82%、91.43%和80%。(2)确定了基于半透射高光谱成像技术的马铃薯内外部品质检测方法。试验以合格、发芽、轻微绿皮、孔洞和黑心5类马铃薯为研究对象,采集马铃薯样本半透射高光谱图像。在图像维,提取半透射图像RGB、HSV和Lab空间下颜色信息,采用Isomap、MVU、LE3种流形学习方法对图像信息降维,以DBN为建模方法,并比较不同降维方法的模型识别结果。确定半透射图像信息最优降维方法为Isomap,建立的Isomap-DBN模型测试集混合识别率为84.05%,合格、发芽、轻微绿皮、孔洞和黑心样本的单一识别率分别为95%、85.71%、75.76%、88.57%和65%。在光谱维,分别采用LPP、LTSA、LLC3种流形学习降维方法经MSC预处理后的半透射光谱信息进行降维,并建立DBN模型。最终确定半透射光谱信息最优降维方法为LTSA,基于半透射光谱的LTSA-DBN模型测试集混合识别率为92.02%,合格、发芽、轻微绿皮、孔洞和黑心样本的单一识别率分别为97.5%、88.57%、84.85%、94.29%和95%。(3)确定了高光谱图像和光谱信息融合的马铃薯内外部品质检测方法。试验以合格、发芽、轻微绿皮、孔洞和黑心5类马铃薯为研究对象,将采用Isomap降维后的半透射图像特征、LE降维后的反射图像特征、LTSA降维后的半透射和反射光谱特征组合成新的融合特征,分别建立基于半透射图像和光谱、反射图像和光谱的融合模型对马铃薯品质进行多分类检测,并将半透射图像、反射图像、半透射光谱、反射光谱、半透射图像和光谱、反射图像和光谱6种模型模型进行比较分析,确定半透射图像和光谱的融合模型为最优的马铃薯品质多分类检测模型,该模型测试集混合识别率分别为98.16%,合格、发芽、轻微绿皮、孔洞和黑心样本单一识别率分别为100%、90.91%、100%、100%和100%。(4)确定了不同高光谱成像方式的轻微绿皮马铃薯检测方法。针对任意放置姿态下轻微绿皮马铃薯难以检测的问题,试验以225个马铃薯样本(合格122个、轻微绿皮103个)为研究对象,分别采集样本半透射和反射高光谱图像,提取样本图像和光谱信息,分别采用Isomap、MVU、LE对图像信息降维,分别采用LPP、LTSA、LLC对光谱信息降维,以DBN作为建模方法,最终建立了不同成像方式的图像、光谱及多源信息融合的绿皮马铃薯检测模型,经比较分析,确定半透射光谱和反射光谱经LTSA降维后建立的半透射光谱和反射光谱的融合模型识别率最高,该模型测试集识别率为100%,可实现任意放置姿态下绿皮马铃薯的检测。
【关键词】：高光谱 马铃薯 信息融合 深度信念网络 缺陷
【学位授予单位】：华中农业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：S532;TP751
【目录】：

• 摘要7-9
• Abstract9-12
• 1 绪论12-24
• 1.1 课题来源12
• 1.2 研究目的与意义12-13
• 1.3 国内外研究现状13-21
• 1.3.1 透射和半透射高光谱成像的农产品检测13-15
• 1.3.2 反射高光谱成像的农产品检测15-18
• 1.3.3 多源信息融合技术的农产品检测18-20
• 1.3.4 基于高光谱的马铃薯内外品质检测20-21
• 1.4 对已有研究的思考和分析21-22
• 1.5 研究内容22-23
• 1.6 技术路线23
• 1.7 本章小结23-24
• 2 基于半透射和反射高光谱图像维的马铃薯品质多分类方法研究24-46
• 2.1 概述24
• 2.2 高光谱成像系统24-27
• 2.2.1 高光谱成像技术简介24-25
• 2.2.2 半透射高光谱成像系统25-26
• 2.2.3 反射高光谱成像系统26-27
• 2.3 试验材料27
• 2.4 样本集划分27-28
• 2.5 半透射和反射高光谱图像采集28
• 2.6 半透射和反射高光谱图像分析28-40
• 2.6.1 图像背景分割方法28-30
• 2.6.2 图像颜色模型30-37
• 2.6.3 图像特征提取37-38
• 2.6.4 建模方法38-39
• 2.6.5 特征变量选择方法39-40
• 2.7 基于图像信息不同变量选择方法的马铃薯品质检测方法研究40-44
• 2.7.1 等距映射(Isometric Mapping，Isomap)40-41
• 2.7.2 最大方差展开(Maximum Variance Unfolding，MVU)41-42
• 2.7.3 拉普拉斯特征映射(Laplacian Eigenmaps，LE)42-43
• 2.7.4 不同变量选择方法的比较43-44
• 2.8 本章小结44-46
• 3 基于半透射和反射高光谱光谱维的马铃薯品质多分类方法研究46-57
• 3.1 概述46
• 3.2 试验材料与仪器46
• 3.3 数据处理方法46-49
• 3.3.1 光谱预处理方法46-47
• 3.3.2 光谱变量选择方法47-49
• 3.4 半透射和反射高光谱的光谱分析49-51
• 3.4.1 原始光谱分析和样本集划分49-50
• 3.4.2 光谱预处理50-51
• 3.5 基于光谱信息变量选择方法的马铃薯品质检测研究51-55
• 3.5.1 局部保持投影(Linearity Preserving Projection，LPP)51-52
• 3.5.2 局部切空间排列(Local Tangent Space Alignment，，LTSA)52-53
• 3.5.3 局部线性协调(Locally Linear Coordination，LLC)53-54
• 3.5.4 不同降维方法的比较54-55
• 3.6 本章小结55-57
• 4 不同高光谱成像方式图像和光谱信息融合的马铃薯品质多分类方法研究57-60
• 4.1 概述57
• 4.2 试验材料与仪器57
• 4.3 基于图像和光谱信息融合的马铃薯品质多分类模型57-58
• 4.4 融合模型与图像或光谱信息模型的比较58-59
• 4.5 本章小结59-60
• 5 不同高光谱成像方式的轻微绿皮马铃薯检测方法研究60-66
• 5.1 概述60
• 5.2 试验材料与仪器60
• 5.3 光谱分析60-61
• 5.4 图像分析61-62
• 5.5 样本集划分62
• 5.6 基于光谱信息的轻微绿皮马铃薯检测模型的建立62-63
• 5.6.1 光谱预处理方法62-63
• 5.6.2 光谱信息降维方法63
• 5.7 基于图像信息的轻微绿皮马铃薯检测模型的建立63-64
• 5.8 不同高光谱成像方式的轻微绿皮马铃薯融合模型的建立64
• 5.9 本章小结64-66
• 6 结论与展望66-69
• 6.1 结论66-68
• 6.2 展望68-69
• 参考文献69-78
• 附录78-79
• 致谢79

【参考文献】

中国期刊全文数据库 前10条

1 祝志慧;刘婷;马美湖;;基于高光谱信息融合和相关向量机的种蛋无损检测[J];农业工程学报;2015年15期

2 高雄;刘宇;田海清;陈亚莉;韩宝生;李哲;;融合光谱与图像信息的河套蜜瓜糖度在线检测试验系统[J];农业机械学报;2015年11期

3 胡鹏程;孙晔;吴海伦;顾欣哲;屠康;郑剑;潘磊庆;;高光谱图像对白萝卜糠心的无损检测[J];食品科学;2015年12期

4 罗雪宁;彭云发;代希君;胡晓男;罗华平;;基于MATLAB的红枣图像处理研究[J];农机化研究;2015年03期

5 田有文;程怡;王小奇;刘思伽;;基于高光谱成像的苹果虫伤缺陷与果梗/花萼识别方法[J];农业工程学报;2015年04期

6 谢传奇;王佳悦;冯雷;刘飞;吴迪;何勇;;应用高光谱图像光谱和纹理特征的番茄早疫病早期检测研究[J];光谱学与光谱分析;2013年06期

7 李庆波;贾召会;;一种光谱分析中的降维方法[J];光谱学与光谱分析;2013年03期

8 孙斌;薛广鑫;;基于等距特征映射和支持矢量机的转子故障诊断方法[J];机械工程学报;2012年09期

9 杨辉华;覃锋;王义明;罗国安;;NIR光谱的Isomap-PLS非线性建模方法[J];光谱学与光谱分析;2009年02期

10 朱明旱;罗大庸;;2DFLD与LPP相结合的人脸和表情识别方法[J];模式识别与人工智能;2009年01期

中国博士学位论文全文数据库 前5条

1 张若宇;番茄可溶性固形物和硬度的高光谱成像检测[D];浙江大学;2014年

2 金航峰;基于光谱和高光谱图像技术的蚕茧品质无损检测研究[D];浙江大学;2013年

3 黄林;基于单一技术及多信息融合技术的猪肉新鲜度无损检测研究[D];江苏大学;2013年

4 刘鹏;基于多传感器融合无损检测鸡蛋品质的研究[D];南京农业大学;2011年

5 潘磊庆;基于计算机视觉和声学技术融合检测鸡蛋品质的研究[D];南京农业大学;2007年

中国硕士学位论文全文数据库 前4条

1 张然;基于高光谱成像技术的马铃薯外部损伤识别研究[D];宁夏大学;2013年

2 徐爽;基于高光谱图像技术的红枣品质无损检测研究[D];宁夏大学;2013年

3 刘娟娟;基于红外和可见光图像融合的苹果缺陷检测[D];华东交通大学;2012年

4 李勤志;我国马铃薯产业的经济分析[D];华中农业大学;2005年

本文编号：585419