發(fā)布時間：2017-07-28 18:25

  本文關(guān)鍵詞：不同高光譜成像方式的馬鈴薯內(nèi)外部品質(zhì)檢測方法研究

  更多相關(guān)文章： 高光譜 馬鈴薯 信息融合 深度信念網(wǎng)絡(luò) 缺陷

【摘要】：隨著我國馬鈴薯主糧計劃的實施,馬鈴薯相關(guān)產(chǎn)業(yè)得到了快速發(fā)展,馬鈴薯品質(zhì)問題也成為關(guān)注的熱點問題。馬鈴薯品質(zhì)好壞將直接影響到馬鈴薯深加工產(chǎn)業(yè)的發(fā)展與經(jīng)濟效益等,因此,開展一種快速無損的馬鈴薯品質(zhì)檢測方法具有重要的科學意義。本文以產(chǎn)自山東的薯引一號馬鈴薯為研究對象,開展基于半透射高光譜成像技術(shù)、反射高光譜成像技術(shù)和多源信息融合技術(shù)的任意放置姿態(tài)下合格、發(fā)芽、輕微綠皮、孔洞和黑心5種馬鈴薯同時檢測的方法研究與輕微綠皮馬鈴薯的單指標檢測方法研究。研究結(jié)果如下:(1)確定了基于反射高光譜成像技術(shù)的馬鈴薯內(nèi)外部品質(zhì)檢測方法。試驗以489個馬鈴薯樣本(合格122個、發(fā)芽103個、輕微綠皮103個、孔洞103個、黑心58個)為研究對象,采集馬鈴薯樣本反射高光譜圖像。在圖像維,提取圖像RGB、HSV和Lab空間下顏色信息,采用等距映射(Isomap)、最大方差展開(MVU)、拉普拉斯特征映射(LE)3種流形學習方法對圖像信息降維,以深度信念網(wǎng)絡(luò)(DBN)為建模方法,并比較不同降維方法的模型識別結(jié)果。確定反射圖像信息最優(yōu)降維方法為LE,基于反射圖像信息的LE-DBN模型測試集混合識別率為80.98%,合格、發(fā)芽、輕微綠皮、孔洞、黑心樣本單一識別率分別為95%,88.57%,69.70%,77.14%和65%。在光譜維,分別采用標準化(Autoscale)、標準正態(tài)變量校正(SNV)、多元散射校正(MSC)和平滑(Smoothing)4種方法對反射光譜預處理,比較不同預處理方法對馬鈴薯缺陷識別效果,確定反射光譜信息最優(yōu)預處理方法為Autoscale。進一步對Autoscale預處理后的反射光譜信息采用局部保持投影(LPP)、局部切空間排列(LTSA)、局部線性協(xié)調(diào)(LLC)3種流形學習降維方法進行降維處理,并建立DBN模型,比較不同降維方法對模型識別率的影響,確定反射光譜信息最優(yōu)降維方法為LTSA,基于反射光譜的LTSA-DBN模型測試集混合識別率為87.73%,合格、發(fā)芽、輕微綠皮、孔洞和黑心樣本的單一識別率分別為95%、85.71%、81.82%、91.43%和80%。(2)確定了基于半透射高光譜成像技術(shù)的馬鈴薯內(nèi)外部品質(zhì)檢測方法。試驗以合格、發(fā)芽、輕微綠皮、孔洞和黑心5類馬鈴薯為研究對象,采集馬鈴薯樣本半透射高光譜圖像。在圖像維,提取半透射圖像RGB、HSV和Lab空間下顏色信息,采用Isomap、MVU、LE3種流形學習方法對圖像信息降維,以DBN為建模方法,并比較不同降維方法的模型識別結(jié)果。確定半透射圖像信息最優(yōu)降維方法為Isomap,建立的Isomap-DBN模型測試集混合識別率為84.05%,合格、發(fā)芽、輕微綠皮、孔洞和黑心樣本的單一識別率分別為95%、85.71%、75.76%、88.57%和65%。在光譜維,分別采用LPP、LTSA、LLC3種流形學習降維方法經(jīng)MSC預處理后的半透射光譜信息進行降維,并建立DBN模型。最終確定半透射光譜信息最優(yōu)降維方法為LTSA,基于半透射光譜的LTSA-DBN模型測試集混合識別率為92.02%,合格、發(fā)芽、輕微綠皮、孔洞和黑心樣本的單一識別率分別為97.5%、88.57%、84.85%、94.29%和95%。(3)確定了高光譜圖像和光譜信息融合的馬鈴薯內(nèi)外部品質(zhì)檢測方法。試驗以合格、發(fā)芽、輕微綠皮、孔洞和黑心5類馬鈴薯為研究對象,將采用Isomap降維后的半透射圖像特征、LE降維后的反射圖像特征、LTSA降維后的半透射和反射光譜特征組合成新的融合特征,分別建立基于半透射圖像和光譜、反射圖像和光譜的融合模型對馬鈴薯品質(zhì)進行多分類檢測,并將半透射圖像、反射圖像、半透射光譜、反射光譜、半透射圖像和光譜、反射圖像和光譜6種模型模型進行比較分析,確定半透射圖像和光譜的融合模型為最優(yōu)的馬鈴薯品質(zhì)多分類檢測模型,該模型測試集混合識別率分別為98.16%,合格、發(fā)芽、輕微綠皮、孔洞和黑心樣本單一識別率分別為100%、90.91%、100%、100%和100%。(4)確定了不同高光譜成像方式的輕微綠皮馬鈴薯檢測方法。針對任意放置姿態(tài)下輕微綠皮馬鈴薯難以檢測的問題,試驗以225個馬鈴薯樣本(合格122個、輕微綠皮103個)為研究對象,分別采集樣本半透射和反射高光譜圖像,提取樣本圖像和光譜信息,分別采用Isomap、MVU、LE對圖像信息降維,分別采用LPP、LTSA、LLC對光譜信息降維,以DBN作為建模方法,最終建立了不同成像方式的圖像、光譜及多源信息融合的綠皮馬鈴薯檢測模型,經(jīng)比較分析,確定半透射光譜和反射光譜經(jīng)LTSA降維后建立的半透射光譜和反射光譜的融合模型識別率最高,該模型測試集識別率為100%,可實現(xiàn)任意放置姿態(tài)下綠皮馬鈴薯的檢測。
【關(guān)鍵詞】：高光譜 馬鈴薯 信息融合 深度信念網(wǎng)絡(luò) 缺陷
【學位授予單位】：華中農(nóng)業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：S532;TP751
【目錄】：

• 摘要7-9
• Abstract9-12
• 1 緒論12-24
• 1.1 課題來源12
• 1.2 研究目的與意義12-13
• 1.3 國內(nèi)外研究現(xiàn)狀13-21
• 1.3.1 透射和半透射高光譜成像的農(nóng)產(chǎn)品檢測13-15
• 1.3.2 反射高光譜成像的農(nóng)產(chǎn)品檢測15-18
• 1.3.3 多源信息融合技術(shù)的農(nóng)產(chǎn)品檢測18-20
• 1.3.4 基于高光譜的馬鈴薯內(nèi)外品質(zhì)檢測20-21
• 1.4 對已有研究的思考和分析21-22
• 1.5 研究內(nèi)容22-23
• 1.6 技術(shù)路線23
• 1.7 本章小結(jié)23-24
• 2 基于半透射和反射高光譜圖像維的馬鈴薯品質(zhì)多分類方法研究24-46
• 2.1 概述24
• 2.2 高光譜成像系統(tǒng)24-27
• 2.2.1 高光譜成像技術(shù)簡介24-25
• 2.2.2 半透射高光譜成像系統(tǒng)25-26
• 2.2.3 反射高光譜成像系統(tǒng)26-27
• 2.3 試驗材料27
• 2.4 樣本集劃分27-28
• 2.5 半透射和反射高光譜圖像采集28
• 2.6 半透射和反射高光譜圖像分析28-40
• 2.6.1 圖像背景分割方法28-30
• 2.6.2 圖像顏色模型30-37
• 2.6.3 圖像特征提取37-38
• 2.6.4 建模方法38-39
• 2.6.5 特征變量選擇方法39-40
• 2.7 基于圖像信息不同變量選擇方法的馬鈴薯品質(zhì)檢測方法研究40-44
• 2.7.1 等距映射(Isometric Mapping，Isomap)40-41
• 2.7.2 最大方差展開(Maximum Variance Unfolding，MVU)41-42
• 2.7.3 拉普拉斯特征映射(Laplacian Eigenmaps，LE)42-43
• 2.7.4 不同變量選擇方法的比較43-44
• 2.8 本章小結(jié)44-46
• 3 基于半透射和反射高光譜光譜維的馬鈴薯品質(zhì)多分類方法研究46-57
• 3.1 概述46
• 3.2 試驗材料與儀器46
• 3.3 數(shù)據(jù)處理方法46-49
• 3.3.1 光譜預處理方法46-47
• 3.3.2 光譜變量選擇方法47-49
• 3.4 半透射和反射高光譜的光譜分析49-51
• 3.4.1 原始光譜分析和樣本集劃分49-50
• 3.4.2 光譜預處理50-51
• 3.5 基于光譜信息變量選擇方法的馬鈴薯品質(zhì)檢測研究51-55
• 3.5.1 局部保持投影(Linearity Preserving Projection，LPP)51-52
• 3.5.2 局部切空間排列(Local Tangent Space Alignment，，LTSA)52-53
• 3.5.3 局部線性協(xié)調(diào)(Locally Linear Coordination，LLC)53-54
• 3.5.4 不同降維方法的比較54-55
• 3.6 本章小結(jié)55-57
• 4 不同高光譜成像方式圖像和光譜信息融合的馬鈴薯品質(zhì)多分類方法研究57-60
• 4.1 概述57
• 4.2 試驗材料與儀器57
• 4.3 基于圖像和光譜信息融合的馬鈴薯品質(zhì)多分類模型57-58
• 4.4 融合模型與圖像或光譜信息模型的比較58-59
• 4.5 本章小結(jié)59-60
• 5 不同高光譜成像方式的輕微綠皮馬鈴薯檢測方法研究60-66
• 5.1 概述60
• 5.2 試驗材料與儀器60
• 5.3 光譜分析60-61
• 5.4 圖像分析61-62
• 5.5 樣本集劃分62
• 5.6 基于光譜信息的輕微綠皮馬鈴薯檢測模型的建立62-63
• 5.6.1 光譜預處理方法62-63
• 5.6.2 光譜信息降維方法63
• 5.7 基于圖像信息的輕微綠皮馬鈴薯檢測模型的建立63-64
• 5.8 不同高光譜成像方式的輕微綠皮馬鈴薯融合模型的建立64
• 5.9 本章小結(jié)64-66
• 6 結(jié)論與展望66-69
• 6.1 結(jié)論66-68
• 6.2 展望68-69
• 參考文獻69-78
• 附錄78-79
• 致謝79

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 祝志慧;劉婷;馬美湖;;基于高光譜信息融合和相關(guān)向量機的種蛋無損檢測[J];農(nóng)業(yè)工程學報;2015年15期

2 高雄;劉宇;田海清;陳亞莉;韓寶生;李哲;;融合光譜與圖像信息的河套蜜瓜糖度在線檢測試驗系統(tǒng)[J];農(nóng)業(yè)機械學報;2015年11期

3 胡鵬程;孫曄;吳海倫;顧欣哲;屠康;鄭劍;潘磊慶;;高光譜圖像對白蘿卜糠心的無損檢測[J];食品科學;2015年12期

4 羅雪寧;彭云發(fā);代希君;胡曉男;羅華平;;基于MATLAB的紅棗圖像處理研究[J];農(nóng)機化研究;2015年03期

5 田有文;程怡;王小奇;劉思伽;;基于高光譜成像的蘋果蟲傷缺陷與果梗/花萼識別方法[J];農(nóng)業(yè)工程學報;2015年04期

6 謝傳奇;王佳悅;馮雷;劉飛;吳迪;何勇;;應用高光譜圖像光譜和紋理特征的番茄早疫病早期檢測研究[J];光譜學與光譜分析;2013年06期

7 李慶波;賈召會;;一種光譜分析中的降維方法[J];光譜學與光譜分析;2013年03期

8 孫斌;薛廣鑫;;基于等距特征映射和支持矢量機的轉(zhuǎn)子故障診斷方法[J];機械工程學報;2012年09期

9 楊輝華;覃鋒;王義明;羅國安;;NIR光譜的Isomap-PLS非線性建模方法[J];光譜學與光譜分析;2009年02期

10 朱明旱;羅大庸;;2DFLD與LPP相結(jié)合的人臉和表情識別方法[J];模式識別與人工智能;2009年01期

中國博士學位論文全文數(shù)據(jù)庫 前5條

1 張若宇;番茄可溶性固形物和硬度的高光譜成像檢測[D];浙江大學;2014年

2 金航峰;基于光譜和高光譜圖像技術(shù)的蠶繭品質(zhì)無損檢測研究[D];浙江大學;2013年

3 黃林;基于單一技術(shù)及多信息融合技術(shù)的豬肉新鮮度無損檢測研究[D];江蘇大學;2013年

4 劉鵬;基于多傳感器融合無損檢測雞蛋品質(zhì)的研究[D];南京農(nóng)業(yè)大學;2011年

5 潘磊慶;基于計算機視覺和聲學技術(shù)融合檢測雞蛋品質(zhì)的研究[D];南京農(nóng)業(yè)大學;2007年

中國碩士學位論文全文數(shù)據(jù)庫 前4條

1 張然;基于高光譜成像技術(shù)的馬鈴薯外部損傷識別研究[D];寧夏大學;2013年

2 徐爽;基于高光譜圖像技術(shù)的紅棗品質(zhì)無損檢測研究[D];寧夏大學;2013年

3 劉娟娟;基于紅外和可見光圖像融合的蘋果缺陷檢測[D];華東交通大學;2012年

4 李勤志;我國馬鈴薯產(chǎn)業(yè)的經(jīng)濟分析[D];華中農(nóng)業(yè)大學;2005年

本文編號：585419