高光譜技術在馬鈴薯品種鑒別及品質無損檢測中的應用研究.pdf

1、馬鈴薯作為稻谷、小麥、玉米外的第四大主糧，將其加工成饅頭、面條、米粉等主糧食品，必將促進馬鈴薯相關產(chǎn)業(yè)的快速發(fā)展。馬鈴薯主糧化，生產(chǎn)是基礎，加工技術是手段，產(chǎn)品質量檢測是關鍵。馬鈴薯品質的好壞直接影響其加工產(chǎn)品的質量。目前馬鈴薯品質檢測多數(shù)還依賴于傳統(tǒng)化學方法進行，這些方法依然存在耗時、費力、破壞樣品、污染環(huán)境等缺點，無法滿足馬鈴薯主糧食品化快速發(fā)展的需求。
　　近年來，高光譜成像技術作為一種新興的、綠色無損檢測技術，具有多波段、

2、分辨率高、非破壞性等優(yōu)點，在馬鈴薯品質無損檢測應用中取得了一定的進展。但高光譜數(shù)據(jù)是三維立方體數(shù)據(jù)，冗余信息多，計算工作量大，處理過程復雜，運行速度較慢，直接影響建模速度和預測精度。為了進一步提高其檢測速度和精度，需要不斷深入探索和研究高光譜數(shù)據(jù)處理流程中各個環(huán)節(jié)的數(shù)據(jù)數(shù)理方法，為高光譜技術的應用發(fā)展提供理論指導和技術支持，進而促進馬鈴薯品質高光譜無損檢測技術的進一步推廣。
　　論文以克山馬鈴薯為研究對象，分別以馬鈴薯內(nèi)部組分含量

3、、內(nèi)部缺陷類別以及品種類別為評價指標，綜合運用光譜分析技術、化學計量學、數(shù)理統(tǒng)計學和數(shù)據(jù)挖掘等方法，針對馬鈴薯品質無損檢測過程中的光譜預處理、建模（定量、定性）、特征波長選擇等數(shù)據(jù)處理方法進行探索性研究，以提高馬鈴薯品質無損檢測速度和精度。主要研究內(nèi)容和結論如下:
　　(1)比較了光譜預處理和建模方法對馬鈴薯水分、淀粉、蛋白質和還原糖樣本模型的影響。分別對馬鈴薯各樣本集建立主成分回歸(PCR)、偏最小二乘回歸(PLSR)以及支持向

4、量機回歸(SVR)模型，并采用平滑13點、一階導數(shù)、二階導數(shù)、SNV和去趨勢變換、MSC、歸一化、正交信號校正及這些預處理方法的組合與原始光譜的建模效果進行比較。實驗結果表明:馬鈴薯水分、淀粉、蛋白質和還原糖含量的最優(yōu)檢測模型均為PLSR模型，其中水分含量最優(yōu)檢測模型為光譜經(jīng)正交信號校正預處理后，提取8個主成分時所得，該模型的校正集和驗證集決定系數(shù)Rc2、Rp2分別為0.7948和0.7870，校正集和驗證集均方根誤差RMSEC、RMS

5、EP分別為0.3882％和0.3735％;淀粉和還原糖含量最優(yōu)檢測模型為光譜經(jīng)平滑13點預處理獲得，最優(yōu)淀粉含量檢測模型采用12個主成分數(shù)，模型的Rc2、Rp2、RMSEC及RMSEP分別為0.8312、0.8286、0.4498％和0.3986％，最優(yōu)還原糖含量檢測模型在主成分數(shù)為16時獲得，模型的Rc2、Rp2、RMSEC及RMSEP分別為0.8516、0.8464、0.0729％和0.0758％;蛋白質含量最優(yōu)檢測模型為光譜經(jīng)多元

6、散射校正預處理后，提取的主成分個數(shù)為15時獲得，該模型的Rc2、Rp2、RMSEC及RMSEP分別為0.7919、0.7904、0.0456％、0.0414％。
　　(2)研究了馬鈴薯內(nèi)部各組分定量分析模型的特征波長選擇方法。比較分析了遺傳算法(GA)、無信息變量消除法(UVE)、競爭性自適應重加權算法(CARS)、連續(xù)投影算法(SPA)和隨機蛙跳算法(Random-frog)5種方法對馬鈴薯樣本高光譜特征波長選擇的能力。確定了R

7、andom-frog算法對馬鈴薯樣本高光譜特征波長的篩選結果最優(yōu)。
　　(3)研究了馬鈴薯內(nèi)部黑心病的識別模型。比較了不同光譜預處理方法和模式識別方法對黑心馬鈴薯和合格馬鈴薯定性分析結果的影響。分別采用高斯平滑、移動平滑、SG平滑、 MSC、一階導數(shù)、二階導數(shù)、變量標準化、正交信號校正、去趨勢變換及其組合等光譜預處理方法對其原始光譜進行預處理，建立反射光譜信息的馬鈴薯黑心病的不同識別模型。結果表明:采用SG導數(shù)法與正交信號校正組合

8、式預處理的光譜所建BP神經(jīng)網(wǎng)絡和PLSLDA模型對馬鈴薯黑心病的鑒別效果較好，模型對樣本的總體識別正確率達到96.84％。
　　(4)研究了馬鈴薯內(nèi)部黑心病識別模型的特征波長選擇方法。采用了隨機蛙跳(Randomfrog)、子窗口重排分析(SPA)及間隔影響分析(MIA)方法進行波長篩選，分別建立BPNN和PLSLDA識別模型。試驗結果表明:MIA變量選擇方法結合BPNN建模的識別效果最佳，模型對校正集、驗證集及總體樣本的識別正確

9、率分別為99.29％、92％和97.37％。該模型采用的波長變量為45個，約占全波長變量的1/5，隱含層節(jié)點個數(shù)為6個。
　　(5)研究了馬鈴薯品種識別模型。以克山馬鈴薯的尤金885、早大白和中薯5號三個品種為樣本，比較不同光譜預處理方法和模式識別方法對馬鈴薯品種識別結果的影響。試驗結果表明:光譜經(jīng)過去趨勢變換預處理后所建立的DA模型和BPNN模型效果較優(yōu)，模型的總體識別率均為98.15％。
　　(6)研究了馬鈴薯品種識別模