

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、馬鈴薯主糧化戰(zhàn)略的啟動(dòng)將極大的推動(dòng)馬鈴薯產(chǎn)業(yè)的發(fā)展,也體現(xiàn)出了馬鈴薯巨大的食用價(jià)值和商業(yè)價(jià)值。品質(zhì)檢測(cè)分級(jí)作為馬鈴薯產(chǎn)業(yè)中一個(gè)重要環(huán)節(jié),對(duì)其主糧化的推進(jìn)起著至關(guān)重要的作用。因此,研究開(kāi)展馬鈴薯品質(zhì)的無(wú)損檢測(cè)方法研究具有重要的科學(xué)意義和良好的應(yīng)用前景。論文以內(nèi)部缺陷(空心)和外部缺陷(綠皮和發(fā)芽)馬鈴薯樣本為研究對(duì)象,采用半透射高光譜結(jié)合數(shù)據(jù)處理方法建立了馬鈴薯內(nèi)外部缺陷的單一指標(biāo)檢測(cè)模型與多指標(biāo)同時(shí)檢測(cè)模型。
本研究主要內(nèi)容包
2、括:⑴搭建了半透射高光譜圖像采集系統(tǒng),并通過(guò)試驗(yàn)研究驗(yàn)證了對(duì)該套系統(tǒng)用于馬鈴薯內(nèi)外部缺陷檢測(cè)的可行性。⑵確定了馬鈴薯空心病的半透射高光譜檢測(cè)方法。以149個(gè)合格馬鈴薯樣本與75個(gè)空心病樣本為研究對(duì)象,以支持向量機(jī)(SVM)為建模方法,通過(guò)比較5種不同的光譜預(yù)處理方法,確定了歸一化為最優(yōu)的光譜預(yù)處理方法。分別采用了競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)法(CARS)、連續(xù)投影算法(SPA)和CARS-SPA二次選擇法3種不同變量選擇方法對(duì)光譜數(shù)據(jù)進(jìn)行變量篩選
3、,通過(guò)比較分析確定了CARS-SPA二次選擇效果最優(yōu),該方法確定了8個(gè)光譜變量,以所選變量作為輸入,使用人工魚群算法(AFSA)、遺傳算法(GA)和粒子群算法(PSO)3種不同的參數(shù)尋優(yōu)算法對(duì)SVM建模參數(shù)c和g進(jìn)行尋優(yōu),通過(guò)比較分析確定了AFSA效果最優(yōu),最終所建檢測(cè)模型對(duì)不管校正集還是測(cè)試集的空心病馬鈴薯檢測(cè)識(shí)別率均能達(dá)到100%。⑶確定了馬鈴薯綠皮和發(fā)芽的半透射高光譜檢測(cè)方法。以隨機(jī)姿態(tài)放置的綠皮和發(fā)芽馬鈴薯樣本為研究對(duì)象,分別采
4、用偏最小二乘判別分析(PLSDA)、K最近鄰法(KNN)和自適應(yīng)提升法(AdaBoost)3種建模方法建立檢測(cè)模型,并進(jìn)行了3種模型下的不同預(yù)處理方法研究。研究結(jié)果表明,針對(duì)綠皮馬鈴薯的檢測(cè),經(jīng)過(guò)標(biāo)準(zhǔn)正態(tài)變量轉(zhuǎn)換預(yù)處理的PLSDA模型和經(jīng)過(guò)中心化或多元散射校正預(yù)處理的AdaBoost模型結(jié)果最優(yōu),校正集和測(cè)試集的識(shí)別率均能達(dá)到100%;針對(duì)發(fā)芽馬鈴薯的檢測(cè),經(jīng)過(guò)多元散射校正預(yù)處理的PLSDA模型和基于中心化或標(biāo)準(zhǔn)正態(tài)變量轉(zhuǎn)換預(yù)處理的Ad
5、aBoost模型結(jié)果最優(yōu),校正集和測(cè)試集的識(shí)別率也均達(dá)到100%。⑷確定了基于半透射高光譜的馬鈴薯內(nèi)外部缺陷多指標(biāo)同時(shí)檢測(cè)方法。以合格、發(fā)芽、綠皮和空心4類馬鈴薯樣本為研究對(duì)象,比較了支持向量機(jī)(SVM)、K最近鄰法(KNN)和基于糾錯(cuò)輸出編碼的最小二乘支持向量機(jī)(ECOC-LSSVM)3種多分類方法對(duì)馬鈴薯內(nèi)外部缺陷的檢測(cè)效果的影響,確定了ECOC-LSSVM多分類模型效果最優(yōu)。為了簡(jiǎn)化模型,分別采用局部線性嵌入(LLE)、有監(jiān)督局部
6、線性嵌入(SLLE)、等距映射(Isomap)和核主成分分析(KPCA)4種流形學(xué)習(xí)降維算法對(duì)光譜進(jìn)行降維處理,對(duì)所得低維數(shù)據(jù)采用ECOC-LSSVM進(jìn)行多分類建模。研究結(jié)果表明,對(duì)馬鈴薯內(nèi)外部缺陷檢測(cè)模型最優(yōu)的降維方法為SLLE算法,所建模型對(duì)測(cè)試集中合格、發(fā)芽、綠皮和空心4類馬鈴薯樣本的單一識(shí)別率分別為96.83%、86.96%、86.96%和95%,混合識(shí)別率為93.02%。⑸對(duì)馬鈴薯內(nèi)外部缺陷多分類模型進(jìn)行了優(yōu)化。綠皮和發(fā)芽馬鈴
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于透射和反射高光譜成像技術(shù)的馬鈴薯缺陷檢測(cè)方法研究.pdf
- 不同高光譜成像方式的馬鈴薯內(nèi)外部品質(zhì)檢測(cè)方法研究.pdf
- 基于高光譜成像技術(shù)的馬鈴薯外部損傷識(shí)別研究.pdf
- 馬鈴薯外部缺陷的高光譜技術(shù)無(wú)損檢測(cè)研究.pdf
- 基于高光譜成像技術(shù)的馬鈴薯外部品質(zhì)無(wú)損檢測(cè)建模及優(yōu)化研究.pdf
- 基于高光譜成像技術(shù)的馬鈴薯薯形檢測(cè)與算法研究.pdf
- 基于高光譜成像技術(shù)的馬鈴薯內(nèi)部品質(zhì)無(wú)損檢測(cè)研究.pdf
- 基于高光譜成像技術(shù)的銅品質(zhì)檢測(cè)方法研究.pdf
- 基于高光譜成像技術(shù)的靈武長(zhǎng)棗常見(jiàn)缺陷無(wú)損檢測(cè)研究.pdf
- 基于高光譜成像技術(shù)的肉品品質(zhì)無(wú)損檢測(cè)方法研究.pdf
- 基于高光譜成像技術(shù)的對(duì)蝦品質(zhì)信息快速檢測(cè)方法研究.pdf
- 基于高光譜成像技術(shù)的上市前馬鈴薯萌芽期預(yù)測(cè)方法研究.pdf
- 基于高光譜成像技術(shù)的棉花雜質(zhì)檢測(cè)方法的研究.pdf
- 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
- 基于高光譜成像技術(shù)的血跡形態(tài)特征檢測(cè)研究.pdf
- 基于高光譜成像技術(shù)的羊肉嫩度檢測(cè)研究.pdf
- 基于高光譜成像技術(shù)的蔬菜新鮮度快速檢測(cè)方法研究.pdf
- 基于反射和透射高光譜的馬鈴薯品質(zhì)多分類檢測(cè)方法研究.pdf
- 基于高光譜成像技術(shù)的熟牛肉新鮮度檢測(cè)方法研究.pdf
- 基于機(jī)器視覺(jué)和光譜成像技術(shù)的蘋果外部品質(zhì)檢測(cè)方法研究.pdf
評(píng)論
0/150
提交評(píng)論