基于高光譜及多信息融合的馬鈴薯外部缺陷無(wú)損檢測(cè)研究.pdf

1、本論文的研究對(duì)象為馬鈴薯外部缺陷，結(jié)合高光譜和多信息融合技術(shù)建立馬鈴薯外部缺陷的無(wú)損檢測(cè)預(yù)測(cè)模型。論文主要研究?jī)?nèi)容和結(jié)論如下:
　　(1)提取和分析了各類馬鈴薯樣本感興趣區(qū)域圖像和平均光譜數(shù)據(jù)，為后續(xù)處理分析提供了理論基礎(chǔ)。
　　(2)馬鈴薯高光譜圖像的特征圖像提取。計(jì)算三基色波長(zhǎng)圖像和與其相鄰的5個(gè)波長(zhǎng)圖像的平均值，并將計(jì)算過(guò)平均值后的三幅圖像相疊加，得到馬鈴薯彩色特征圖像;采用主成分分析(PCA）優(yōu)選5個(gè)特征波長(zhǎng)圖像進(jìn)行

2、第二次PCA分析，將第二次PCA分析的第二主成分圖像作為馬鈴薯灰度特征圖像。
　　(3)對(duì)馬鈴薯彩色圖像進(jìn)行中值濾波，比較遞推最小二乘法、小波變換、基于小波壓縮感知的遞推最小二乘法對(duì)馬鈴薯灰度圖像進(jìn)行濾波的效果，結(jié)果顯示，基于小波壓縮感知的遞推最小二乘法濾波效果最佳;提取彩色圖像HSI空間下的各分量平均值及標(biāo)準(zhǔn)偏差作為彩色圖像的特征值，將灰度圖像6個(gè)紋理信息作為灰度圖像的特征值;分別用BP-ANN和貝葉斯分類器建立基于高光譜圖像數(shù)

3、據(jù)的馬鈴薯外部缺陷無(wú)損檢測(cè)模型，選出最優(yōu)建模方法為貝葉斯分類器。
　　(4)采用導(dǎo)數(shù)算法Derivative)、標(biāo)準(zhǔn)正態(tài)變量變換(SNV)、S-G卷積平滑(Savitzky-Golay)、多元散射校正(MSC)以及三種復(fù)合光譜預(yù)處理等方法對(duì)馬鈴薯平均光譜進(jìn)行預(yù)處理，結(jié)果表明最優(yōu)方法為SNV+SD;采用PCA進(jìn)行光譜特征提取;分別用BP-ANN和貝葉斯分類器方法建立基于高光譜光譜數(shù)據(jù)的馬鈴薯外部缺陷檢測(cè)模型，選出最優(yōu)建模方法為貝葉斯