基于反射和透射高光譜的馬鈴薯品質(zhì)多分類檢測方法研究.pdf

1、高光譜成像技術(shù)具有分辨率高、波段范圍廣的特點(diǎn)，能夠提供被測樣本豐富的全波段光譜特征，但其龐大的信息量也制約農(nóng)產(chǎn)品的實(shí)際在線檢測。我國是世界上最大的馬鈴薯種植國，為了促進(jìn)馬鈴薯深加工產(chǎn)業(yè)的發(fā)展，增加馬鈴薯附加值，達(dá)到良好的經(jīng)濟(jì)效益，亟需對馬鈴薯品質(zhì)的快速檢測方法進(jìn)行研究。因此，在保留被測樣本有效特征信息的同時(shí)，實(shí)現(xiàn)馬鈴薯品質(zhì)的快速、無損綜合檢測具有十分重要的科學(xué)意義與應(yīng)用價(jià)值。
　　以4類內(nèi)外部品質(zhì)（合格、瘡痂、機(jī)械損傷、黑心）的4

2、30個(gè)馬鈴薯試驗(yàn)樣本為研究對象，從3種不同放置方向（正對高光譜采集探頭的馬鈴薯長徑方向、短徑方向和高度方向）采集光譜圖像，進(jìn)行了反射與透射高光譜成像技術(shù)的不同檢測方法比較研究，采用了多種預(yù)處理方法、流行學(xué)習(xí)算法及多分類建模方法對數(shù)據(jù)進(jìn)行去冗余、降維、優(yōu)化建模處理，建立基于高光譜光譜信息判別的馬鈴薯內(nèi)外部品質(zhì)多分類識別模型。
　　主要研究結(jié)果如下：
　　1）確定最優(yōu)反射高光譜成像技術(shù)的馬鈴薯內(nèi)外部品質(zhì)多分類檢測方法。分別選取多

3、元散射校正（MSC）、平滑處理（Smoothing）、標(biāo)準(zhǔn)化（Autoscale）、去趨勢變換結(jié)合標(biāo)準(zhǔn)正態(tài)變量變換（Detrend+SNV）等6種光譜預(yù)處理方法，對K最近鄰法（KNN）、支持向量機(jī)判別分析（SVMDA）和極限學(xué)習(xí)機(jī)（ELM）3種多分類方法所建的馬鈴薯內(nèi)外部品質(zhì)檢測模型結(jié)果進(jìn)行了比較，確定了Detrend+SNV預(yù)處理方法結(jié)合ELM多分類方法所建模型效果最優(yōu)。分別應(yīng)用隨機(jī)鄰域嵌入（SNE）、局部切空間排列（LTSA）、拉普

4、拉斯特征映射（Lapiacian eigenmaps）、t-分布鄰域嵌入（t-SNE）4種流形學(xué)習(xí)算法進(jìn)一步優(yōu)化模型。研究結(jié)果表明，選取的t-SNE-ELM方法識別結(jié)果最優(yōu)，所建模型對合格、瘡痂、機(jī)械損傷和黑心4類試驗(yàn)樣本的單一識別率分別為94.12％，89.87%，92.73%和82.81%，整體混合識別率為90.70%。
　　2）自行設(shè)計(jì)了馬鈴薯透射高光譜的圖像信息采集裝置，該裝置由透射采集箱、排熱扇、變壓調(diào)節(jié)器、隔板底座、鹵

5、素?zé)襞?、燈架可拆卸底托、遙控器、塑膠隔墊等部件組成，并以此搭建透射高光譜成像系統(tǒng)對馬鈴薯內(nèi)外部缺陷指標(biāo)進(jìn)行檢測，驗(yàn)證其對馬鈴薯品質(zhì)多分類檢測的可行性。
　　3）確定最優(yōu)透射高光譜成像技術(shù)的馬鈴薯內(nèi)外部品質(zhì)多分類檢測方法。分別選取KNN、SVMDA和ELM3種多分類方法對經(jīng)過預(yù)處理后的馬鈴薯光譜數(shù)據(jù)建立檢測模型，確定經(jīng)過Detrend+SNV方法預(yù)處理的ELM模型識別結(jié)果最優(yōu)；分別應(yīng)用SNE、LTSA、Lapiacian eigen

6、maps、t-SNE4種流形學(xué)習(xí)算法對光譜進(jìn)行降維處理，研究結(jié)果表明， t-SNE降維方法對所建透射馬鈴薯品質(zhì)多分類檢測模型識別結(jié)果最優(yōu)，所建模型對合格、瘡痂、機(jī)械損傷和黑心4類試驗(yàn)樣本的單一識別率分別為94.12%、92.41%、94.55%和92.19%，整體混合識別率為93.26%。
　　4）針對反射成像與透射成像方法進(jìn)行了馬鈴薯內(nèi)外部品質(zhì)多分類檢測方法的比較分析。結(jié)果表明：基于反射高光譜成像技術(shù)和透射高光譜成像技術(shù)均可以實(shí)

7、現(xiàn)對任意方向放置的馬鈴薯內(nèi)外部品質(zhì)進(jìn)行多分類識別，并且透射高光譜成像技術(shù)結(jié)合Detrend+SNV、t-SNE流形學(xué)習(xí)算法所建立的ELM識別模型的檢測精度要高于反射高光譜成像技術(shù)結(jié)合Detrend+SNV、t-SNE流形學(xué)習(xí)算法所建立的ELM識別模型的精度。
　　5）確定透射高光譜成像技術(shù)的馬鈴薯內(nèi)外部品質(zhì)多分類模型優(yōu)化方法。以t-SNE降維所得低維光譜數(shù)據(jù)作為輸入，提出分別以差分進(jìn)化極限學(xué)習(xí)機(jī)（DE-ELM）和蝙蝠極限學(xué)習(xí)機(jī)（B