不同高光譜成像方式的馬鈴薯內(nèi)外部品質(zhì)檢測(cè)方法研究.pdf

1、隨著我國(guó)馬鈴薯主糧計(jì)劃的實(shí)施，馬鈴薯相關(guān)產(chǎn)業(yè)得到了快速發(fā)展，馬鈴薯品質(zhì)問(wèn)題也成為關(guān)注的熱點(diǎn)問(wèn)題。馬鈴薯品質(zhì)好壞將直接影響到馬鈴薯深加工產(chǎn)業(yè)的發(fā)展與經(jīng)濟(jì)效益等，因此，開(kāi)展一種快速無(wú)損的馬鈴薯品質(zhì)檢測(cè)方法具有重要的科學(xué)意義。
　　本文以產(chǎn)自山東的薯引一號(hào)馬鈴薯為研究對(duì)象，開(kāi)展基于半透射高光譜成像技術(shù)、反射高光譜成像技術(shù)和多源信息融合技術(shù)的任意放置姿態(tài)下合格、發(fā)芽、輕微綠皮、孔洞和黑心5種馬鈴薯同時(shí)檢測(cè)的方法研究與輕微綠皮馬鈴薯的單指標(biāo)

2、檢測(cè)方法研究。研究結(jié)果如下:
　　(1)確定了基于反射高光譜成像技術(shù)的馬鈴薯內(nèi)外部品質(zhì)檢測(cè)方法。試驗(yàn)以489個(gè)馬鈴薯樣本（合格122個(gè)、發(fā)芽103個(gè)、輕微綠皮103個(gè)、孔洞103個(gè)、黑心58個(gè)）為研究對(duì)象，采集馬鈴薯樣本反射高光譜圖像。
　　在圖像維，提取圖像RGB、HSV和Lab空間下顏色信息，采用等距映射（Isomap）、最大方差展開(kāi)(MVU)、拉普拉斯特征映射(LE)3種流形學(xué)習(xí)方法對(duì)圖像信息降維，以深度信念網(wǎng)絡(luò)(DB

3、N)為建模方法，并比較不同降維方法的模型識(shí)別結(jié)果。確定反射圖像信息最優(yōu)降維方法為L(zhǎng)E，基于反射圖像信息的LE-DBN模型測(cè)試集混合識(shí)別率為80.98％，合格、發(fā)芽、輕微綠皮、孔洞、黑心樣本單一識(shí)別率分別為95％，88.57％,69.70％,77.14％和65％。
　　在光譜維，分別采用標(biāo)準(zhǔn)化(Autoscale)、標(biāo)準(zhǔn)正態(tài)變量校正(SNV)、多元散射校正(MSC)和平滑(Smoothing)4種方法對(duì)反射光譜預(yù)處理，比較不同預(yù)處理

4、方法對(duì)馬鈴薯缺陷識(shí)別效果，確定反射光譜信息最優(yōu)預(yù)處理方法為Autoscale。進(jìn)一步對(duì)Autoscale預(yù)處理后的反射光譜信息采用局部保持投影(LPP)、局部切空間排列(LTSA)、局部線性協(xié)調(diào)(LLC)3種流形學(xué)習(xí)降維方法進(jìn)行降維處理，并建立DBN模型，比較不同降維方法對(duì)模型識(shí)別率的影響，確定反射光譜信息最優(yōu)降維方法為L(zhǎng)TSA，基于反射光譜的LTSA-DBN模型測(cè)試集混合識(shí)別率為87.73％，合格、發(fā)芽、輕微綠皮、孔洞和黑心樣本的單一

5、識(shí)別率分別為95％、85.71％、81.82％、91.43％和80％。
　　(2)確定了基于半透射高光譜成像技術(shù)的馬鈴薯內(nèi)外部品質(zhì)檢測(cè)方法。試驗(yàn)以合格、發(fā)芽、輕微綠皮、孔洞和黑心5類(lèi)馬鈴薯為研究對(duì)象，采集馬鈴薯樣本半透射高光譜圖像。
　　在圖像維，提取半透射圖像RGB、HSV和Lab空間下顏色信息，采用Isomap、MVU、LE3種流形學(xué)習(xí)方法對(duì)圖像信息降維，以DBN為建模方法，并比較不同降維方法的模型識(shí)別結(jié)果。確定半透射圖

6、像信息最優(yōu)降維方法為Isomap，建立的Isomap-DBN模型測(cè)試集混合識(shí)別率為84.05％，合格、發(fā)芽、輕微綠皮、孔洞和黑心樣本的單一識(shí)別率分別為95％、85.71％、75.76％、88.57％和65％。
　　在光譜維，分別采用LPP、LTSA、LLC3種流形學(xué)習(xí)降維方法經(jīng)MSC預(yù)處理后的半透射光譜信息進(jìn)行降維，并建立DBN模型。最終確定半透射光譜信息最優(yōu)降維方法為L(zhǎng)TSA，基于半透射光譜的LTSA-DBN模型測(cè)試集混合識(shí)別率

7、為92.02％，合格、發(fā)芽、輕微綠皮、孔洞和黑心樣本的單一識(shí)別率分別為97.5％、88.57％、84.85％、94.29％和95％。
　　(3)確定了高光譜圖像和光譜信息融合的馬鈴薯內(nèi)外部品質(zhì)檢測(cè)方法。試驗(yàn)以合格、發(fā)芽、輕微綠皮、孔洞和黑心5類(lèi)馬鈴薯為研究對(duì)象，將采用Isomap降維后的半透射圖像特征、LE降維后的反射圖像特征、LTSA降維后的半透射和反射光譜特征組合成新的融合特征，分別建立基于半透射圖像和光譜、反射圖像和光譜的融

8、合模型對(duì)馬鈴薯品質(zhì)進(jìn)行多分類(lèi)檢測(cè)，并將半透射圖像、反射圖像、半透射光譜、反射光譜、半透射圖像和光譜、反射圖像和光譜6種模型模型進(jìn)行比較分析，確定半透射圖像和光譜的融合模型為最優(yōu)的馬鈴薯品質(zhì)多分類(lèi)檢測(cè)模型，該模型測(cè)試集混合識(shí)別率分別為98.16％，合格、發(fā)芽、輕微綠皮、孔洞和黑心樣本單一識(shí)別率分別為100％、90.91％、100％、100％和100％。
　　(4)確定了不同高光譜成像方式的輕微綠皮馬鈴薯檢測(cè)方法。針對(duì)任意放置姿態(tài)下輕

9、微綠皮馬鈴薯難以檢測(cè)的問(wèn)題，試驗(yàn)以225個(gè)馬鈴薯樣本（合格122個(gè)、輕微綠皮103個(gè)）為研究對(duì)象，分別采集樣本半透射和反射高光譜圖像，提取樣本圖像和光譜信息，分別采用Isomap、MVU、LE對(duì)圖像信息降維，分別采用LPP、LTSA、LLC對(duì)光譜信息降維，以DBN作為建模方法，最終建立了不同成像方式的圖像、光譜及多源信息融合的綠皮馬鈴薯檢測(cè)模型，經(jīng)比較分析，確定半透射光譜和反射光譜經(jīng)LTSA降維后建立的半透射光譜和反射光譜的融合模型識(shí)別