發(fā)布時間：2020-04-11 15:07

【摘要】：種子是農(nóng)業(yè)生產(chǎn)最基本、最主要的生產(chǎn)資料,是各項農(nóng)業(yè)技術(shù)和農(nóng)業(yè)生產(chǎn)資料發(fā)揮作用的載體,對農(nóng)業(yè)的增產(chǎn)、增收方面起到了關鍵性作用,因此種子的質(zhì)量安全問題對整個農(nóng)業(yè)生產(chǎn)的發(fā)展起到至關重要的作用。種子純度是反映種子質(zhì)量的重要指標,體現(xiàn)了種子品種在特征特性方面典型一致的程度。隨著雜交技術(shù)的廣泛應用以及制種環(huán)節(jié)過程中的多種因素的影響,導致種子間的混雜的現(xiàn)象經(jīng)常出現(xiàn),對農(nóng)民百姓的利益造成嚴重的威脅,因此如何提高種子純度檢測的準確性和可靠性對保證種子質(zhì)量,保障農(nóng)業(yè)高產(chǎn)具有重要的研究意義�；瘜W計量學方法綜合了統(tǒng)計學、應用數(shù)學以及計算科學及其他相關學科的理論方法與手段,可以設計和選擇最優(yōu)的量測方法對數(shù)據(jù)進行解析,從而實現(xiàn)最大限度的獲取光譜數(shù)據(jù)中的有效信息。而高光譜圖像技術(shù)可以同時反映種子的光譜特征和圖像特征,在農(nóng)產(chǎn)品無損檢測中已經(jīng)得到廣泛應用。本文旨在結(jié)合高光譜圖像技術(shù)與化學計量學方法,研究出一種快速、無損、準確和魯棒性高的分類模型以解決種子純度檢測中出現(xiàn)的一些問題。研究重點主要是針對如何結(jié)合化學計量學方法對高光譜數(shù)據(jù)進行波段選擇,以及對利用高光譜圖像建立的數(shù)學模型的更新這兩大方面。具體研究內(nèi)容如下:1.結(jié)合局部學習算法實現(xiàn)玉米種子近紅外高光譜圖像的最優(yōu)波段選擇。本課題共采集了6類樣本共720粒的玉米種子在874-1734nm波段范圍內(nèi)的256幅近紅外高光譜圖像,利用局部學習算法獲得波段的特征權(quán)重,并依據(jù)特征權(quán)重選擇了最優(yōu)波段。最后利用最優(yōu)波段的均值光譜特征建立偏最小二乘判別分析,從而實現(xiàn)玉米種子純度的快速檢測。實驗結(jié)果表明:局部學習算法可有效獲取最優(yōu)鑒選波段,為實現(xiàn)玉米種子的快速鑒選提供了一個可能的技術(shù)途徑。2.結(jié)合主動學習算法研究玉米種子純度檢測模型更新。本課題以兩類來自兩個不同年份的玉米種子在874-1734nm的近紅外高光譜圖像為研究對象,結(jié)合主動學習算法選擇具有代表性的待測樣本,最終以添加最少最優(yōu)的樣本數(shù)來擴大原模型的樣本空間,從而實現(xiàn)模型的快速更新,提高模型的穩(wěn)定性,同時與基于隨機選擇算法(RS)和Kennard-Stone算法(KS)的模型更新效果進行比較。實驗結(jié)果表明:利用主動學習添加少數(shù)新樣本更新后的模型的預測精度明顯提高,同時基于主動學習算法的模型更新效果明顯優(yōu)于RS和KS。因此基于主動學習算法實現(xiàn)玉米種子純度檢測模型的更新是可行的。3.結(jié)合增量式支持向量數(shù)據(jù)描述(ISVDD)算法實現(xiàn)不同年份之間的玉米種子純度檢測模型的在線更新。本課題利用4類共2000粒玉米種子在400-1000nm的可見近紅外高光譜圖像,結(jié)合ISVDD算法實現(xiàn)在線更新LSSVM模型,從而提高模型的魯棒性和可靠性。實驗結(jié)果表明:基于ISVDD算法的模型更新策略對不同年份的玉米種子識別提供了一個有效的方法,從而擴大模型的泛化能力。
【學位授予單位】：江南大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：S339.31;TP391.41

【相似文獻】

相關期刊論文 前10條

1 朱榮光;姚雪東;高廣娣;唐明翔;盧士玲;馬本學;;不同儲存時間和取樣部位牛肉顏色的高光譜圖像檢測[J];農(nóng)業(yè)機械學報;2013年07期

2 趙杰文;劉劍華;陳全勝;Saritporn Vittayapadung;;利用高光譜圖像技術(shù)檢測水果輕微損傷[J];農(nóng)業(yè)機械學報;2008年01期

3 吳瑞梅;吳彥紅;艾施榮;劉木華;趙杰文;嚴霖元;;茶葉外形品質(zhì)的高光譜圖像量化分析[J];江西農(nóng)業(yè)大學學報;2013年02期

4 艾施榮;吳瑞梅;吳彥紅;嚴霖元;;利用高光譜圖像技術(shù)鑒別廬山云霧茶產(chǎn)地[J];江西農(nóng)業(yè)大學學報;2014年02期

5 徐爽;何建國;易東;賀曉光;;基于高光譜圖像技術(shù)的長棗糖度無損檢測[J];食品與機械;2012年06期

6 劉木華,趙杰文,鄭建鴻,吳瑞梅;農(nóng)畜產(chǎn)品品質(zhì)無損檢測中高光譜圖像技術(shù)的應用進展[J];農(nóng)業(yè)機械學報;2005年09期

7 程國首;郭俊先;肉孜·阿木提;饒秀勤;亢銀霞;石砦;;基于高光譜圖像技術(shù)預測蘋果大小[J];農(nóng)機化研究;2012年06期

8 蘇文浩;何建國;劉貴珊;王松磊;賀曉光;吳龍國;;近紅外高光譜圖像技術(shù)在馬鈴薯外部缺陷檢測中的應用[J];食品與機械;2013年05期

9 陳樹人;鄒華東;吳瑞梅;閆潤;毛罕平;;基于高光譜圖像技術(shù)的稻田苗期雜草稻識別[J];農(nóng)業(yè)機械學報;2013年05期

10 韓小珍;辛世華;王松磊;何建國;;高光譜在農(nóng)產(chǎn)品無損檢測中的應用展望[J];寧夏工程技術(shù);2013年04期

相關會議論文 前10條

1 張兵;王向偉;鄭蘭芬;童慶禧;;高光譜圖像地物分類與識別研究[A];成像光譜技術(shù)與應用研討會論文集[C];2004年

2 高連如;張兵;孫旭;李山山;張文娟;;高光譜數(shù)據(jù)降維與分類技術(shù)研究[A];第八屆成像光譜技術(shù)與應用研討會暨交叉學科論壇文集[C];2010年

3 王成;何偉基;陳錢;;基于波段重組和小波變換的高光譜圖像嵌入式壓縮方法[A];黑龍江、江蘇、山東、河南、江西 五省光學（激光）聯(lián)合學術(shù)‘13年會論文（摘要）集[C];2013年

4 孫蕾;羅建書;;基于分類預測的高光譜遙感圖像無損壓縮[A];第一屆建立和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2005）論文集[C];2005年

5 楊勇;劉木華;鄒小蓮;苗蓬勃;趙珍珍;;基于高光譜圖像技術(shù)的獼猴桃硬度品質(zhì)檢測[A];走中國特色農(nóng)業(yè)機械化道路——中國農(nóng)業(yè)機械學會2008年學術(shù)年會論文集（下冊）[C];2008年

6 張曉紅;張立福;王晉年;童慶禧;;HJ-1A衛(wèi)星高光譜遙感圖像質(zhì)量綜合評價[A];第八屆成像光譜技術(shù)與應用研討會暨交叉學科論壇文集[C];2010年

7 高東生;高連知;;基于獨立分量分析的高光譜圖像目標盲探測方法研究[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

8 馮維一;陳錢;何偉基;;基于小波稀疏的高光譜目標探測算法[A];黑龍江、江蘇、山東、河南、江西 五省光學（激光）聯(lián)合學術(shù)‘13年會論文（摘要）集[C];2013年

9 彭妮娜;易維寧;方勇華;;基于核函數(shù)的高光譜圖像信息提取研究[A];光子科技創(chuàng)新與產(chǎn)業(yè)化——長三角光子科技創(chuàng)新論壇暨2006年安徽博士科技論壇論文集[C];2006年

10 蒲曉豐;雷武虎;黃濤;王迪;;基于穩(wěn)健背景子空間的高光譜圖像異常檢測[A];中國光學學會2010年光學大會論文集[C];2010年

相關博士學位論文 前10條

1 普晗曄;高光譜遙感圖像的解混理論和方法研究[D];復旦大學;2014年

2 王亮亮;非線性流形結(jié)構(gòu)在高光譜圖像異常檢測中的應用研究[D];國防科學技術(shù)大學;2014年

3 賀智;改進的經(jīng)驗模態(tài)分解算法及其在高光譜圖像分類中的應用[D];哈爾濱工業(yè)大學;2014年

4 魏然;基于成像機理分析的高光譜圖像信息恢復研究[D];哈爾濱工業(yè)大學;2015年

5 葉珍;高光譜圖像特征提取與分類算法研究[D];西北工業(yè)大學;2015年

6 馮婕;基于軟計算和互信息理論的遙感圖像地物分類[D];西安電子科技大學;2014年

7 孫濤;快速多核學習分類研究及應用[D];西安電子科技大學;2015年

8 李昌國;基于譜間和校正相關性的高光譜圖像壓縮方法研究及GPU并行實現(xiàn)[D];成都理工大學;2015年

9 徐速;基于壓縮感知的高光譜圖像稀疏解混方法研究[D];重慶大學;2015年

10 南一冰;星載推掃型高光譜運動成像誤差建模與高精度校正技術(shù)研究[D];北京理工大學;2015年

相關碩士學位論文 前10條

1 豐爍;高光譜圖像波段選取問題的改進算法研究[D];昆明理工大學;2015年

2 趙偉彥;果蔬干燥過程中的品質(zhì)無損檢測技術(shù)研究[D];江南大學;2015年

3 馬亞楠;果蔬中內(nèi)部害蟲的高光譜圖像檢測技術(shù)研究[D];江南大學;2015年

4 劉大洋;基于近紅外光譜和高光譜圖像技術(shù)無損識別獼猴桃膨大果[D];西北農(nóng)林科技大學;2015年

5 王坤;高光譜圖像異常目標檢測及光譜成像在偽裝評估方面的應用研究[D];南京理工大學;2015年

6 王啟聰;高光譜圖像分類的GPU并行優(yōu)化研究[D];南京理工大學;2015年

7 程凱;無先驗信息的高光譜圖像小目標檢測算法研究[D];蘇州大學;2015年

8 李秩期;基于高光譜及多信息融合的馬鈴薯外部缺陷無損檢測研究[D];寧夏大學;2015年

9 王健;基于高光譜圖像的馬鈴薯形狀及重量分類識別建模研究[D];寧夏大學;2015年

10 吳蓓芬;偏振高光譜圖像場景仿真及分類方法研究[D];哈爾濱工業(yè)大學;2015年

，

本文編號：2623729