采用二次连续投影法和BP人工神经网络的寒富苹果病害高光谱图像无损检测

发布时间：2018-06-28 01:39

  本文选题：高光谱成像 + 连续投影法　； 参考：《食品科学》2017年08期

【摘要】：为提供苹果病害在线、快速、无损检测的理论依据,采用高光谱成像技术进行了北方大面积种植的寒富苹果病害无损检测研究。寒富苹果的主要病害有炭疽病、苦痘病、黑腐病和褐斑病害。为选择较少的有效波长而利于在线快速检测,首先采集高光谱苹果图像,分割出感兴趣区域并提取光谱信息,然后采用连续投影算法(successive projections algorithm,SPA)从全波长(500~970 nm)中提取了10个特征波长SPA1(502、573、589、655、681、727、867、904、942 nm和967 nm),再对这10个特征波长采用连续投影算法提取3个特征波长SPA2(681、867 nm和942 nm)。最后利用全波长光谱信息、SPA1提取的10个特征波长的光谱信息和SPA2提取的3个特征波长的光谱信息作为输入矢量采用线性判别分析、支持向量机和BP人工神经网络(BP artificial neural network,BPANN)模型进行苹果病害的检测。通过对检测结果分析,最终选择SPA2-BPANN为最佳检测方法,训练集检测率达100%,验证集检测率达100%。结果表明,高光谱成像技术可以有效对苹果病害进行检测,所获得的特征波长可为开发多光谱成像的苹果品质检测和分级系统提供参考。
[Abstract]:In order to provide the theoretical basis for on-line, rapid and nondestructive testing of apple diseases, the nondestructive detection of apple diseases in large areas of northern China was studied by hyperspectral imaging technology. The main diseases of cold rich apples were anthrax, bitterpox, black rot and brown spot. The hyperspectral apple image is collected, the region of interest is segmented and the spectral information is extracted. Then, 10 characteristic wavelengths SPA1 (502573589655681727867904942 nm and 967 nm) are extracted from the full wavelength (500~970 nm) using the successive projections algorithm (SPA), and then the 10 characteristic wavelengths are continuously projected. 3 characteristic wavelengths SPA2 (681867 nm and 942 nm) are extracted. Finally, the spectral information of 10 characteristic wavelengths extracted by SPA1 and the spectral information of 3 characteristic wavelengths extracted by SPA2 are used as input vectors to use linear discriminant analysis, and the support vector machine and BP artificial neural network (BP artificial neural network, BPANN) model are used. By analyzing the results of the apple disease, the SPA2-BPANN is selected as the best detection method, the detection rate of the training set is 100%, and the test rate of the verification set is up to 100%.. The hyperspectral imaging technology can detect apple diseases effectively. The characteristic wavelength obtained can be used to detect apple quality in the development of multi spectral imaging. And the classification system provides reference.
【作者单位】： 沈阳农业大学信息与电气工程学院辽宁省农业信息化工程技术研究中心;
【基金】：辽宁省大型仪器设备共享服务项目(LNDY201501003) 沈阳市大型仪器设备共享服务专项(F15-166-4-00)
【分类号】：TP391.41;S436.611

【参考文献】

相关期刊论文 前10条

1 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

2 张保华;李江波;樊书祥;黄文倩;张驰;王庆艳;肖广东;;高光谱成像技术在果蔬品质与安全无损检测中的原理及应用[J];光谱学与光谱分析;2014年10期

3 张芳;王璐;付立思;田有文;;基于支持向量机的黄瓜叶部病害的识别研究[J];沈阳农业大学学报;2014年04期

4 田有文;程怡;王小奇;栗庆吉;;基于高光谱成像的苹果虫害检测特征向量的选取[J];农业工程学报;2014年12期

5 吴迪;宁纪锋;刘旭;梁曼;杨蜀秦;张振文;;基于高光谱成像技术和连续投影算法检测葡萄果皮花色苷含量[J];食品科学;2014年08期

6 田有文;程怡;吴琼;牟鑫;;农产品病虫害高光谱成像无损检测的研究进展[J];激光与红外;2013年12期

7 黄文倩;陈立平;李江波;张驰;;基于高光谱成像的苹果轻微损伤检测有效波长选取[J];农业工程学报;2013年01期

8 李江波;王福杰;应义斌;饶秀勤;;高光谱荧光成像技术在识别早期腐烂脐橙中的应用研究[J];光谱学与光谱分析;2012年01期

9 李江波;饶秀勤;应义斌;;农产品外部品质无损检测中高光谱成像技术的应用研究进展[J];光谱学与光谱分析;2011年08期

10 王敬尊;;苹果炭疽病的识别与防治[J];安徽农业科学;2009年18期

相关硕士学位论文 前2条

1 李友坤;BP神经网络的研究分析及改进应用[D];安徽理工大学;2012年

2 苗春玉;线性判别分析改进算法的分析与研究[D];辽宁师范大学;2012年

【共引文献】

相关期刊论文 前10条

1 汪应;罗元成;;病虫害智能识别喷药装置设计——基于PC图像处理和近红外光谱分析[J];农机化研究;2017年11期

2 王伟;王川;王丽伟;;水稻工厂化育秧生长信息智能模拟采集系统的设计[J];农机化研究;2017年08期

3 张擞;;基于图像处理技术测量马铃薯表形特征[J];物理实验;2017年07期

4 温淑娴;李绍稳;金秀;赵刘;江寒;;基于高光谱的砀山酥梨炭疽病害等级分类研究[J];计算机科学;2017年S1期

5 郭刚刚;樊伟;薛嘉伦;张胜茂;张衡;唐峰华;程田飞;;基于NPP/VIIRS夜光遥感影像的作业灯光围网渔船识别[J];农业工程学报;2017年10期

6 介邓飞;李泽海;赵竣威;连裕翔;魏萱;;基于高光谱漫透射成像可视化检测脐橙可溶性固形物[J];发光学报;2017年05期

7 冯迪;纪建伟;张莉;刘思伽;田有文;;苹果品质高光谱成像检测技术研究进展[J];食品工业科技;2017年10期

8 张丽;刘腾飞;刘文静;俞莉;黄亚明;董明辉;;洞庭碧螺春茶叶品质评价研究进展[J];农产品加工;2017年09期

9 马艳;张若宇;;不同光谱预处理方法的鲜杏缺陷支持向量机识别[J];新疆农垦科技;2017年04期

10 李瑞;傅隆生;;基于高光谱图像的蓝莓糖度和硬度无损测量[J];农业工程学报;2017年S1期

相关硕士学位论文 前10条

1 杨贺;深度学习算法的研究及心音深度识别系统的构建与优化[D];南京邮电大学;2016年

2 赵晓东;大口径经纬仪保护窗口镜面变形分析及结构优化研究[D];中国科学院长春光学精密机械与物理研究所;2016年

3 陈久龙;基于BP神经网络的银行营业网点选址与评价研究[D];长春工业大学;2016年

4 朱晓男;无线传感器网络中基于神经网络的数据融合算法的研究[D];吉林大学;2016年

5 何志连;BP神经网络整体变步长与个体变步长算法的比较研究[D];东北农业大学;2016年

6 王征;序列图像质量对目标跟踪精度的影响分析[D];哈尔滨工业大学;2016年

7 张瑜;支票扫描图像中的字符识别算法及实现[D];哈尔滨工业大学;2016年

8 李增松;基于多源信息的制动摩擦温升在线融合监测方法研究[D];中国矿业大学;2016年

9 王成才;钻井平台大壁厚管架焊后热处理控制系统的研究与设计[D];西安工业大学;2016年

10 荀海潞;基于改进的BP神经网络在自相关过程控制中的应用[D];长安大学;2016年

【二级参考文献】

相关期刊论文 前10条

1 田有文;程怡;王小奇;栗庆吉;;基于高光谱成像的苹果虫害检测特征向量的选取[J];农业工程学报;2014年12期

2 张保华;黄文倩;李江波;赵春江;刘成良;黄丹枫;贡亮;;基于高光谱成像技术和MNF检测苹果的轻微损伤[J];光谱学与光谱分析;2014年05期

3 张嫱;潘磊庆;吴林蔚;朱娜;张伟;屠康;;利用反射和半透射高光谱图像检测水蜜桃早期冷害[J];食品科学;2014年04期

4 田有文;程怡;吴琼;牟鑫;;农产品病虫害高光谱成像无损检测的研究进展[J];激光与红外;2013年12期

5 吴龙国;何建国;刘贵珊;贺晓光;王伟;王松磊;李丹;;基于NIR高光谱成像技术的长枣虫眼无损检测[J];发光学报;2013年11期

6 赵娟;彭彦昆;Sagar Dhakal;张雷蕾;;基于机器视觉的苹果外观缺陷在线检测[J];农业机械学报;2013年S1期

7 黄文倩;陈立平;李江波;张驰;;基于高光谱成像的苹果轻微损伤检测有效波长选取[J];农业工程学报;2013年01期

8 马本学;肖文东;祁想想;何青海;李锋霞;;基于漫反射高光谱成像技术的哈密瓜糖度无损检测研究[J];光谱学与光谱分析;2012年11期

9 刘燕德;张光伟;;高光谱成像技术在农产品检测中的应用[J];食品与机械;2012年05期

10 邹小波;陈正伟;石吉勇;黄晓玮;张德涛;;基于近红外高光谱图像的黄瓜叶片色素含量快速检测[J];农业机械学报;2012年05期

相关硕士学位论文 前10条

1 黄志辉;人工神经网络优化算法研究[D];中南大学;2009年

2 侯晓宇;基于流形学习的特征提取方法研究[D];大连理工大学;2009年

3 贾光峰;基于多表达式编程的神经网络自动优化方法及其应用研究[D];济南大学;2009年

4 刘治国;人工神经网络在薄差水淹层解释中的应用研究[D];吉林大学;2009年

5 孙娓娓;BP神经网络的算法改进及应用研究[D];重庆大学;2009年

6 梁兆阳;基于神经网络的非最小相位控制系统的研究[D];华北电力大学（河北）;2009年

7 吴振中;人脸识别特征提取的研究[D];南京理工大学;2008年

8 于耀亮;基于局部几何关系的降维方法研究及其在人脸识别中的应用[D];复旦大学;2008年

9 王德强;基于改进粒子群算法的PID控制器参数整定[D];南京信息工程大学;2008年

10 金香花;基于同时进化神经网络的团队游戏智能的设计[D];延边大学;2008年

【相似文献】

相关期刊论文 前10条

1 李丽;张海涛;;基于BP人工神经网络的小城镇生态环境质量评价模型[J];应用生态学报;2008年12期

2 杨潇;张秋良;;基于BP人工神经网络的大青山自然保护区华北落叶松人工林全林分生长模型研究[J];内蒙古农业大学学报(自然科学版);2012年Z1期

3 郭庆春;何振芳;李力;李海宁;;BP人工神经网络模型在太湖水污染指标预测中的应用[J];南方农业学报;2011年10期

4 马桂云,韩士群,严少华,唐婉莹,张振华;镉在鲫鱼体内积累规律及BP人工神经网络模型预测[J];江苏农业科学;2003年06期

5 欧照铿;唐南奇;张黎明;;基于BP人工神经网络的开发区土地集约利用评价——以福建省为例[J];福建农林大学学报(自然科学版);2014年04期

6 孙学浩;孙惠合;;宿州市秋冬连旱的灰色BP神经网络预测模型[J];安徽农业科学;2009年24期

7 赵玉杰;师荣光;高怀友;王跃华;白志鹏;傅学起;;基于MATLAB6.x的BP人工神经网络的土壤环境质量评价方法研究[J];农业环境科学学报;2006年01期

8 贺艳辉;袁永明;张红燕;龚，

本文编号：2076141