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

1、隨著我國馬鈴薯主糧計劃的實施，馬鈴薯相關(guān)產(chǎn)業(yè)得到了快速發(fā)展，馬鈴薯品質(zhì)問題也成為關(guān)注的熱點問題。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)濟效益等，因此，開展一種快速無損的馬鈴薯品質(zhì)檢測方法具有重要的科學意義。
　　本文以產(chǎn)自山東的薯引一號馬鈴薯為研究對象，開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種馬鈴薯同時檢測的方法研究與輕微綠皮馬鈴薯的單指標

2、檢測方法研究。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)檢測方法。試驗以489個馬鈴薯樣本（合格122個、發(fā)芽103個、輕微綠皮103個、孔洞103個、黑心58個）為研究對象，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(MVU)、拉普拉斯特征映射(LE)3種流形學習方法對圖像信息降維，以深度信念網(wǎng)絡(DB

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

4、方法對馬鈴薯缺陷識別效果，確定反射光譜信息最優(yōu)預處理方法為Autoscale。進一步對Autoscale預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種流形學習降維方法進行降維處理，并建立DBN模型，比較不同降維方法對模型識別率的影響，確定反射光譜信息最優(yōu)降維方法為LTSA，基于反射光譜的LTSA-DBN模型測試集混合識別率為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)檢測方法。試驗以合格、發(fā)芽、輕微綠皮、孔洞和黑心5類馬鈴薯為研究對象，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種流形學習方法對圖像信息降維，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模型測試集混合識別率為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種流形學習降維方法經(jīng)MSC預處理后的半透射光譜信息進行降維，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LTSA，基于半透射光譜的LTSA-DBN模型測試集混合識別率

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)檢測方法。試驗以合格、發(fā)芽、輕微綠皮、孔洞和黑心5類馬鈴薯為研究對象，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、合模型對馬鈴薯品質(zhì)進行多分類檢測，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)多分類檢測模型，該模型測試集混合識別率分別為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方法。針對任意放置姿態(tài)下輕

9、微綠皮馬鈴薯難以檢測的問題，試驗以225個馬鈴薯樣本（合格122個、輕微綠皮103個）為研究對象，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對圖像信息降維，分別采用LPP、LTSA、LLC對光譜信息降維，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別