烤煙葉分級中有效光譜特征篩選及其分類算法研究.pdf

1、目前我國所采用的煙葉分級方法是人工分級，它依靠操作人員的經(jīng)驗(yàn)和感官判斷，耗時、費(fèi)力且具有很大的主觀性;分級準(zhǔn)確率依賴于收購人員的經(jīng)驗(yàn)和環(huán)境，所以烤煙葉的智能分級勢在必行。
　　近年來煙葉智能分級方面的研究主要集中在基于圖像特征的分級方法。利用煙葉圖像提取與人工分級因素相關(guān)的顏色、紋理和幾何等圖像特征，采用一定分類方法進(jìn)行烤煙葉的分組和分級識別。然而這些圖像特征很難反映與煙葉分級密切相關(guān)的厚度、成熟度、油分等因素。光譜可反映很多物質(zhì)

2、的結(jié)構(gòu)及組成成分，因而被廣泛地應(yīng)用于很多領(lǐng)域。近紅外光譜分析技術(shù)在煙葉成分診斷及含量估計、煙葉分組和產(chǎn)地的判別等方面的研究，為其應(yīng)用于烤煙葉的智能分級提供很好的依據(jù)。烤煙葉的近紅外光譜能很好地反映與煙葉分級密切相關(guān)的身份、厚度、含油量、成熟度以及顏色等信息，但由于數(shù)據(jù)維度高導(dǎo)致在線實(shí)時分級所需時間長的缺點(diǎn)，因此本文的研究內(nèi)容如下:
　　1.光譜類型、范圍、間隔及預(yù)處理方法的研究。本文比較了反射、透射兩種光譜在不同范圍、采樣間隔情況

3、下的分級準(zhǔn)確率。分級結(jié)果結(jié)合光譜采集的便利性和實(shí)時性，表明用于煙葉分級的最佳光譜類型為反射光譜、范圍為1500～2400nm、最大可采樣間隔為10nm。
　　2.SVM的參數(shù)優(yōu)化。烤煙葉分級過程中的近紅外光譜數(shù)據(jù)具有小樣本、高維度特性，SVM在解決上述問題方面有許多優(yōu)勢。通過比較了RBF和線性兩種核函數(shù)以及PSO、GA和網(wǎng)格法三種參數(shù)優(yōu)化的分組、分級準(zhǔn)確率，最終選擇SVM模型的核函數(shù)為線性，懲罰因子C用網(wǎng)格法搜索最佳。
　　

4、3.烤煙葉分級模型的研究。SVM是最優(yōu)的二分類器，在多分類時可構(gòu)建多個二分類器，統(tǒng)計每個二分類器的輸出，投票決定SVM的多分類輸出。煙葉分級時有先分組再分級的級聯(lián)分級模型和并聯(lián)分級模型。級聯(lián)分級模型需要建立的二分類器少，判決時間為0.114819s，但是顏色、部位分組出錯時易造成誤差累計，最優(yōu)分級準(zhǔn)確率89.8％(間隔2nm);并聯(lián)分級模型則需要建立更多的二分類器，判決時間增加至0.396101s，但分級準(zhǔn)確率達(dá)到93.88％(間隔2n

5、m)。
　　4.基于聚類的光譜特征選擇。本文提出基于聚類的思想進(jìn)行煙葉光譜特征選擇。首先，根據(jù)類內(nèi)參數(shù)γ1刪除類內(nèi)差異較大的部分特征，保持光譜數(shù)據(jù)的類內(nèi)聚集性;其次，根據(jù)類間參數(shù)γ2刪除類間差異較小的部分特征，保持光譜數(shù)據(jù)的類間差異性。直接剔出對分組帶來不良影響的光譜，從而有效地減少原始光譜數(shù)據(jù)的采集。級聯(lián)分級模型中，最少特征輸入分級準(zhǔn)確率為87.78％，光譜特征從451減少到312個，減少了30％。
　　5.基于BPSO和