基于高光譜不同層次信息融合的馬鈴薯輕微損傷檢測(cè)方法.pdf

1、作為未來(lái)第四大主糧，馬鈴薯正體現(xiàn)出更多食用價(jià)值以及商用價(jià)值。而馬鈴薯品質(zhì)分級(jí)直接關(guān)系到馬鈴薯可用與否，更關(guān)系到馬鈴薯主糧化戰(zhàn)略能否順利推行。因此，研究用于馬鈴薯品質(zhì)檢測(cè)的方法，不僅能提高馬鈴薯的食用價(jià)值，更能提高馬鈴薯的產(chǎn)業(yè)價(jià)值。論文以輕微損傷馬鈴薯樣本為研究對(duì)象，采用V型平面鏡高光譜結(jié)合信息融合方法建立了基于不同層次信息融合的馬鈴薯輕微損傷模型，并通過(guò)比較分析確定用于及時(shí)檢測(cè)出馬鈴薯的輕微損傷的最優(yōu)信息融合方法。具體研究結(jié)果如下:

2、r>　　(1)搭建了V型平面鏡高光譜圖像采集平臺(tái)，確定了用于獲取馬鈴薯高光譜圖像的采集參數(shù)，并通過(guò)試驗(yàn)驗(yàn)證了V型平面鏡高光譜圖像采集平臺(tái)可用于檢測(cè)馬鈴薯的輕微損傷。
　　(2)確定了數(shù)據(jù)層融合的馬鈴薯輕微損傷檢測(cè)方法。以180個(gè)合格與142個(gè)輕微損傷馬鈴薯樣本為研究對(duì)象，用V型平面鏡高光譜圖像采集平臺(tái)獲取馬鈴薯的高光譜圖像，以高光譜圖像中3幅子圖像F1、F2和F3提取的光譜數(shù)據(jù)X11、X22和X33組成光譜矩陣，進(jìn)行原始數(shù)據(jù)的數(shù)據(jù)

3、層融合，用支持向量分類機(jī)(SVC)為建模方法，通過(guò)比較標(biāo)準(zhǔn)正態(tài)變量變換(SNV)、多源散射校正(MSC)和泊松變換(Poisson Scaling)3種不同的光譜預(yù)處理方法，SNV對(duì)SVC模型效果提升最為顯著，為數(shù)據(jù)層融合的最優(yōu)數(shù)據(jù)預(yù)處理方法。采用了蟻群算法(ACO)對(duì)馬鈴薯?yè)p傷特征變量進(jìn)行篩選，確定了9個(gè)光譜變量，以所選變量作為SVC輸入，使用果蠅優(yōu)化算法(FOA)、遺傳算法(GA)和網(wǎng)格搜索法(Grid search)3種方法對(duì)SV

4、C模型的懲罰因子c和核函數(shù)參數(shù)e優(yōu)化，其中FOA對(duì)模型優(yōu)化效果最為明顯，所建SVC對(duì)標(biāo)定集與檢驗(yàn)集的輕微損傷識(shí)別準(zhǔn)確率均為100％，確定FOA為數(shù)據(jù)層融合的馬鈴薯輕微損傷檢測(cè)最優(yōu)模型尋參方法。
　　(3)確定了特征層融合的馬鈴薯輕微損傷檢測(cè)方法。用V型平面鏡高光譜圖像采集平臺(tái)獲取馬鈴薯的高光譜圖像，從3幅子圖像F1、F2和F3中提取數(shù)據(jù)X11、X22和X33，分別采用SNV預(yù)處理后并用3種無(wú)監(jiān)督降維方法提取損傷特征，對(duì)提取特征后的

5、X11、X22和X33進(jìn)行特征層融合，之后建立支持向量分類機(jī)(SVC)檢測(cè)模型。研究結(jié)果表明，經(jīng)由KPCA提取的特征，所建SVC模型的識(shí)別準(zhǔn)確率最高，然后分別采用粒子群算法(PSO)、雜草算法(IWO)、蝙蝠算法(BA)和果蠅優(yōu)化算法(FOA)對(duì)SVC的懲罰因子c和核函數(shù)參數(shù)e進(jìn)行尋優(yōu)，通過(guò)比較分析，表明經(jīng)過(guò)PSO優(yōu)化的SVC模型結(jié)果最優(yōu)，標(biāo)定集與檢驗(yàn)集識(shí)別準(zhǔn)確率分別達(dá)到93.48％和85.04％，因此確定核主元分析(KPCA)為馬鈴薯

6、輕微損檢測(cè)特征層信息融合的降維方法，粒子群算法(PSO)為最優(yōu)模型優(yōu)化方法。
　　(4)確定了決策層融合的馬鈴薯輕微損傷檢測(cè)方法。以180個(gè)合格馬鈴薯與142個(gè)輕微損傷馬鈴薯樣本為研究對(duì)象，用V型平面鏡高光譜圖像采集平臺(tái)獲取馬鈴薯高光譜圖像，并從3幅子圖像F1、F2和F3提取光譜數(shù)據(jù)X11、X22和X33，運(yùn)用KPCA對(duì)X11、X22、X33分別進(jìn)行特征提取。運(yùn)用支持向量機(jī)(SVC)、極限學(xué)習(xí)機(jī)(ELM)和隨機(jī)森林(RF)三種建模

7、方法分別對(duì)提取特征后的X11、X22和X33建立模型。其中，以X11為研究對(duì)象，ELM模型精度最高，其標(biāo)定集識(shí)別準(zhǔn)確率達(dá)到86.51％，檢驗(yàn)集識(shí)別準(zhǔn)確率達(dá)到84.12％;以X22為研究對(duì)象，隨機(jī)森林(RF)模型精度最高，其標(biāo)定集識(shí)別準(zhǔn)確率達(dá)到88.84％，檢驗(yàn)集識(shí)別準(zhǔn)確率達(dá)到89.72％;以X33為研究對(duì)象，SVC模型精度最高，其標(biāo)定集識(shí)別準(zhǔn)確率達(dá)到89.3％，檢驗(yàn)集識(shí)別準(zhǔn)確率達(dá)到85.98％。因此極限學(xué)習(xí)機(jī)(ELM)、隨機(jī)森林(RF)

8、和支持向量分類機(jī)(SVC)均可作為決策層信息融合的馬鈴薯輕微損傷建模方法。以融合判定準(zhǔn)則對(duì)X11、X22和X33進(jìn)行決策層融合，該融合模型對(duì)檢驗(yàn)集的識(shí)別準(zhǔn)確率為89.71％。
　　(5)確定用于檢測(cè)馬鈴薯輕微損傷的最優(yōu)信息融合方法。以建模時(shí)長(zhǎng)與模型識(shí)別準(zhǔn)確率為比較依據(jù)，對(duì)比了數(shù)據(jù)層、特征層與決策層信息融合模型。經(jīng)過(guò)比較分析，數(shù)據(jù)層融合、特征層融合和決策層融合模型對(duì)檢驗(yàn)集的識(shí)別準(zhǔn)確率分別為100％、85％和89.71％，建模時(shí)間分別