高光譜技術(shù)在馬鈴薯品種鑒別及品質(zhì)無損檢測(cè)中的應(yīng)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(jìn)馬鈴薯相關(guān)產(chǎn)業(yè)的快速發(fā)展。馬鈴薯主糧化，生產(chǎn)是基礎(chǔ)，加工技術(shù)是手段，產(chǎn)品質(zhì)量檢測(cè)是關(guān)鍵。馬鈴薯品質(zhì)的好壞直接影響其加工產(chǎn)品的質(zhì)量。目前馬鈴薯品質(zhì)檢測(cè)多數(shù)還依賴于傳統(tǒng)化學(xué)方法進(jìn)行，這些方法依然存在耗時(shí)、費(fèi)力、破壞樣品、污染環(huán)境等缺點(diǎn)，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(shù)作為一種新興的、綠色無損檢測(cè)技術(shù)，具有多波段、

2、分辨率高、非破壞性等優(yōu)點(diǎn)，在馬鈴薯品質(zhì)無損檢測(cè)應(yīng)用中取得了一定的進(jìn)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(jì)算工作量大，處理過程復(fù)雜，運(yùn)行速度較慢，直接影響建模速度和預(yù)測(cè)精度。為了進(jìn)一步提高其檢測(cè)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(gè)環(huán)節(jié)的數(shù)據(jù)數(shù)理方法，為高光譜技術(shù)的應(yīng)用發(fā)展提供理論指導(dǎo)和技術(shù)支持，進(jìn)而促進(jìn)馬鈴薯品質(zhì)高光譜無損檢測(cè)技術(shù)的進(jìn)一步推廣。
　　論文以克山馬鈴薯為研究對(duì)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(píng)價(jià)指標(biāo)，綜合運(yùn)用光譜分析技術(shù)、化學(xué)計(jì)量學(xué)、數(shù)理統(tǒng)計(jì)學(xué)和數(shù)據(jù)挖掘等方法，針對(duì)馬鈴薯品質(zhì)無損檢測(cè)過程中的光譜預(yù)處理、建模（定量、定性）、特征波長(zhǎng)選擇等數(shù)據(jù)處理方法進(jìn)行探索性研究，以提高馬鈴薯品質(zhì)無損檢測(cè)速度和精度。主要研究?jī)?nèi)容和結(jié)論如下:
　　(1)比較了光譜預(yù)處理和建模方法對(duì)馬鈴薯水分、淀粉、蛋白質(zhì)和還原糖樣本模型的影響。分別對(duì)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(jī)回歸(SVR)模型，并采用平滑13點(diǎn)、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、SNV和去趨勢(shì)變換、MSC、歸一化、正交信號(hào)校正及這些預(yù)處理方法的組合與原始光譜的建模效果進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明:馬鈴薯水分、淀粉、蛋白質(zhì)和還原糖含量的最優(yōu)檢測(cè)模型均為PLSR模型，其中水分含量最優(yōu)檢測(cè)模型為光譜經(jīng)正交信號(hào)校正預(yù)處理后，提取8個(gè)主成分時(shí)所得，該模型的校正集和驗(yàn)證集決定系數(shù)Rc2、Rp2分別為0.7948和0.7870，校正集和驗(yàn)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(cè)模型為光譜經(jīng)平滑13點(diǎn)預(yù)處理獲得，最優(yōu)淀粉含量檢測(cè)模型采用12個(gè)主成分?jǐn)?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(cè)模型在主成分?jǐn)?shù)為16時(shí)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(zhì)含量最優(yōu)檢測(cè)模型為光譜經(jīng)多元

6、散射校正預(yù)處理后，提取的主成分個(gè)數(shù)為15時(shí)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(zhǎng)選擇方法。比較分析了遺傳算法(GA)、無信息變量消除法(UVE)、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(CARS)、連續(xù)投影算法(SPA)和隨機(jī)蛙跳算法(Random-frog)5種方法對(duì)馬鈴薯樣本高光譜特征波長(zhǎng)選擇的能力。確定了R

7、andom-frog算法對(duì)馬鈴薯樣本高光譜特征波長(zhǎng)的篩選結(jié)果最優(yōu)。
　　(3)研究了馬鈴薯內(nèi)部黑心病的識(shí)別模型。比較了不同光譜預(yù)處理方法和模式識(shí)別方法對(duì)黑心馬鈴薯和合格馬鈴薯定性分析結(jié)果的影響。分別采用高斯平滑、移動(dòng)平滑、SG平滑、 MSC、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、變量標(biāo)準(zhǔn)化、正交信號(hào)校正、去趨勢(shì)變換及其組合等光譜預(yù)處理方法對(duì)其原始光譜進(jìn)行預(yù)處理，建立反射光譜信息的馬鈴薯黑心病的不同識(shí)別模型。結(jié)果表明:采用SG導(dǎo)數(shù)法與正交信號(hào)校正組合

8、式預(yù)處理的光譜所建BP神經(jīng)網(wǎng)絡(luò)和PLSLDA模型對(duì)馬鈴薯黑心病的鑒別效果較好，模型對(duì)樣本的總體識(shí)別正確率達(dá)到96.84％。
　　(4)研究了馬鈴薯內(nèi)部黑心病識(shí)別模型的特征波長(zhǎng)選擇方法。采用了隨機(jī)蛙跳(Randomfrog)、子窗口重排分析(SPA)及間隔影響分析(MIA)方法進(jìn)行波長(zhǎng)篩選，分別建立BPNN和PLSLDA識(shí)別模型。試驗(yàn)結(jié)果表明:MIA變量選擇方法結(jié)合BPNN建模的識(shí)別效果最佳，模型對(duì)校正集、驗(yàn)證集及總體樣本的識(shí)別正確

9、率分別為99.29％、92％和97.37％。該模型采用的波長(zhǎng)變量為45個(gè)，約占全波長(zhǎng)變量的1/5，隱含層節(jié)點(diǎn)個(gè)數(shù)為6個(gè)。
　　(5)研究了馬鈴薯品種識(shí)別模型。以克山馬鈴薯的尤金885、早大白和中薯5號(hào)三個(gè)品種為樣本，比較不同光譜預(yù)處理方法和模式識(shí)別方法對(duì)馬鈴薯品種識(shí)別結(jié)果的影響。試驗(yàn)結(jié)果表明:光譜經(jīng)過去趨勢(shì)變換預(yù)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(shí)別率均為98.15％。
　　(6)研究了馬鈴薯品種識(shí)別模