基于反射和透射高光譜的馬鈴薯品質多分類檢測方法研究.pdf

1、高光譜成像技術具有分辨率高、波段范圍廣的特點，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產品的實際在線檢測。我國是世界上最大的馬鈴薯種植國，為了促進馬鈴薯深加工產業(yè)的發(fā)展，增加馬鈴薯附加值，達到良好的經濟效益，亟需對馬鈴薯品質的快速檢測方法進行研究。因此，在保留被測樣本有效特征信息的同時，實現馬鈴薯品質的快速、無損綜合檢測具有十分重要的科學意義與應用價值。
　　以4類內外部品質（合格、瘡痂、機械損傷、黑心）的4

2、30個馬鈴薯試驗樣本為研究對象，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，進行了反射與透射高光譜成像技術的不同檢測方法比較研究，采用了多種預處理方法、流行學習算法及多分類建模方法對數據進行去冗余、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外部品質多分類識別模型。
　　主要研究結果如下：
　　1）確定最優(yōu)反射高光譜成像技術的馬鈴薯內外部品質多分類檢測方法。分別選取多

3、元散射校正（MSC）、平滑處理（Smoothing）、標準化（Autoscale）、去趨勢變換結合標準正態(tài)變量變換（Detrend+SNV）等6種光譜預處理方法，對K最近鄰法（KNN）、支持向量機判別分析（SVMDA）和極限學習機（ELM）3種多分類方法所建的馬鈴薯內外部品質檢測模型結果進行了比較，確定了Detrend+SNV預處理方法結合ELM多分類方法所建模型效果最優(yōu)。分別應用隨機鄰域嵌入（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種流形學習算法進一步優(yōu)化模型。研究結果表明，選取的t-SNE-ELM方法識別結果最優(yōu)，所建模型對合格、瘡痂、機械損傷和黑心4類試驗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）自行設計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、變壓調節(jié)器、隔板底座、鹵

5、素燈泡、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)對馬鈴薯內外部缺陷指標進行檢測，驗證其對馬鈴薯品質多分類檢測的可行性。
　　3）確定最優(yōu)透射高光譜成像技術的馬鈴薯內外部品質多分類檢測方法。分別選取KNN、SVMDA和ELM3種多分類方法對經過預處理后的馬鈴薯光譜數據建立檢測模型，確定經過Detrend+SNV方法預處理的ELM模型識別結果最優(yōu)；分別應用SNE、LTSA、Lapiacian eigen

6、maps、t-SNE4種流形學習算法對光譜進行降維處理，研究結果表明， t-SNE降維方法對所建透射馬鈴薯品質多分類檢測模型識別結果最優(yōu)，所建模型對合格、瘡痂、機械損傷和黑心4類試驗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行了馬鈴薯內外部品質多分類檢測方法的比較分析。結果表明：基于反射高光譜成像技術和透射高光譜成像技術均可以實

7、現對任意方向放置的馬鈴薯內外部品質進行多分類識別，并且透射高光譜成像技術結合Detrend+SNV、t-SNE流形學習算法所建立的ELM識別模型的檢測精度要高于反射高光譜成像技術結合Detrend+SNV、t-SNE流形學習算法所建立的ELM識別模型的精度。
　　5）確定透射高光譜成像技術的馬鈴薯內外部品質多分類模型優(yōu)化方法。以t-SNE降維所得低維光譜數據作為輸入，提出分別以差分進化極限學習機（DE-ELM）和蝙蝠極限學習機（B