基于高光譜圖像技術(shù)的大豆品種鑒別方法研究.pdf

1、在中國眾多農(nóng)產(chǎn)品中，大豆地位舉足輕重。大豆及大豆制品是百姓日常攝入植物蛋白、植物油的主要提供源。進(jìn)入二十一世紀(jì)，大豆需求量逐年增加，大豆進(jìn)口量更是不斷增長，做到科學(xué)快速精準(zhǔn)地檢測大豆品質(zhì)越發(fā)重要。不同品種大豆品質(zhì)良莠不齊，油量、蛋白等營養(yǎng)成分各異，大豆種類鑒別不容忽視。實驗以東農(nóng)大豆研究所培育的東農(nóng)系列大豆十個品種為研究對象，實現(xiàn)基于高光譜圖像技術(shù)的大豆品種無損鑒別。實驗表明了依托高光譜數(shù)據(jù)實現(xiàn)大豆種類鑒別的可行性，也證明了實驗所選定特

2、征向量表征大豆種類特性的能力。這將對實現(xiàn)動態(tài)實時無損鑒別大豆品種在理論依據(jù)和技術(shù)支持方面有所助益。
　　本文主要研究內(nèi)容:
　　本研究采集10個品種大豆各100粒400.92-999.53 nm波段內(nèi)高光譜反射信息，分別以高光譜反射圖像的光譜信息（平均光譜和標(biāo)準(zhǔn)差光譜）、高光譜反射圖像中的圖像提取特征信息表征樣本特性。光譜信息表征樣本特性時對比探討平均光譜或標(biāo)準(zhǔn)差光譜以及兩者配合共同使用表征樣本信息的鑒別能力。光譜圖像表征樣

3、本特性時，在三個包含最多品種特性的特征波長提取特征。經(jīng)過分析衡量多種特征，優(yōu)選灰度共生矩陣?yán)锏募y理特征:相關(guān)性、熵、慣性矩和能量。
　　對高光譜反射圖像中值濾波、多元散射校正和數(shù)據(jù)標(biāo)準(zhǔn)歸一化預(yù)處理去噪。在以光譜信息為樣本表征量時，對比同種鑒別模型中采用不同預(yù)處理的鑒別結(jié)果。光譜圖像信息作樣本表征量時，去噪方式三者中中值濾波平滑最優(yōu)。
　　在3個特征波段下提取代表圖像的四個紋理特征，均值和標(biāo)準(zhǔn)差共24維數(shù)據(jù)，對其進(jìn)行主成分降維

4、到3維。前3個主成分得分及上述3個特征波長下代表圖像的慣性矩均值、標(biāo)準(zhǔn)差一起組成9維數(shù)據(jù)作為樣本輸入，實現(xiàn)以光譜圖像信息為樣本表征量對大豆種類進(jìn)行無損實時鑒別。
　　分別搭建基于簇類獨立模式識別、偏最小二乘判別、遺傳算法優(yōu)化的BP網(wǎng)絡(luò)、T-S模糊網(wǎng)絡(luò)和隨機(jī)森林組合分類思想的鑒別模型。分析比較各預(yù)處理、各類樣本信息結(jié)合各種模型的鑒別能力。
　　本文主要研究結(jié)果:
　　(1)證明以高光譜數(shù)據(jù)表征樣本特性能夠?qū)崿F(xiàn)對大豆品種的

5、鑒別，結(jié)合不同預(yù)處理方法和鑒別模型調(diào)整鑒別精度。以光譜平均值、光譜標(biāo)準(zhǔn)差值還是兩者結(jié)合，代入到T-S模糊神經(jīng)網(wǎng)絡(luò)模型或是基于隨機(jī)森林思想的組合分類模型中都能取得較為理想的識別效果。兩模型訓(xùn)練集識別率均高于94％，測試集識別率最低達(dá)到84％。本研究提取的特征輸入結(jié)合選定的四種判別模型對選定的10種大豆鑒別效果比較理想。四種模型訓(xùn)練集鑒別率均達(dá)到93％，平均鑒別率最低達(dá)96％。
　　(2)光譜信息為樣本表征量時，比較同種鑒別模型中采用

6、不同預(yù)處理的鑒別結(jié)果，討論分析研究所選三種預(yù)處理去噪能力，其中，在分別以樣本平均光譜、標(biāo)準(zhǔn)差光譜及兩者結(jié)合作為T-S模糊神經(jīng)網(wǎng)絡(luò)模型和森林思想組合分類模型輸入量的不同預(yù)處理不同模型搭配中，中值濾波去噪效果均最佳。
　　(3)在以相關(guān)性、熵、慣性矩和能量均值和方差作為圖像特征信息表征樣本時，比較第一主成分得分系數(shù)大小，發(fā)現(xiàn)三個特征波段下的慣性矩均值和標(biāo)準(zhǔn)差在這24個特征中系數(shù)最大且表現(xiàn)穩(wěn)定。表明慣性矩均值和標(biāo)準(zhǔn)差不僅表征樣本特性能力

7、最強(qiáng)而且在所選的特征參量中性能最穩(wěn)定，比其它特征更能增強(qiáng)鑒別結(jié)果的可信度，使鑒別性能更加穩(wěn)定。
　　(4)高光譜信息表征樣本時:同預(yù)處理方法獲得的同種光譜反射數(shù)據(jù)作模型輸入，森林思想組合分類模型鑒別能力整體高于T-S模糊神經(jīng)網(wǎng)絡(luò)模型，存在少數(shù)持平情況。圖像特征信息表征樣本時:四種模型中，遺傳算法優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)(Genetic Algorithms BackPropagation，GA-BP)模型鑒別能力最強(qiáng)，訓(xùn)練、測試識別率