高光谱成像技术结合机器学习的稻米霉变检测

稻米霉变会引起营养物质流失,同时产生有毒物质,不仅降低其自身品质,还会感染其他正常稻米。为减少霉变引起的稻米损耗,需及时分离霉变稻米。高光谱技术具有快速、无损的特点,因此,尝试利用高光谱技术对稻米霉变情况进行检测。发芽稻米与发霉稻米具有相似的光谱特征,易被误判为发霉稻米,影响后续稻米霉变程度的检测,因此,提出利用高光谱技术结合多种预处理及判别模型区分发芽稻米与发霉稻米,并对不同霉变程度的稻米进行判别。将正常、发芽、发霉和发芽发霉的稻米样本建立模型进行区分检测,并对轻度、中度、重度和完全发霉的稻米样本进行判别。利用高光谱采集仪器对正常、发芽、发霉和发霉发芽的稻米样本进行光谱图像采集,提取采集图像感兴趣区域(ROI)的光谱,以ROI内光谱的平均反射率作为稻米样本的光谱特征。对提取的光谱数据进行SNV、Normalize和MSC等预处理;利用KS算法将样本以1∶3的比例均匀地划分为用于验证模型效果的预测集和建立光谱与样本关系的建模集;分别建立PLSR、SVM和RF模型,以3种模型的预测集正确率评价各模型预测效果,挑选出效果最优的判别模型。在正常、发芽、发霉和发芽发霉稻米的检测中,得到最优的判别模型为基线校正法预处理后的随机森林(Baseline-RF)模型,Baseline-RF模型的预测集判别准确率为100%;在稻米霉变程度的检测中,通过对不同模型的预测结果进行比较得出,SNV-RF模型的预测集中未出现误判样本,表现出最优的判别效果。为简化模型,在冗长的原始光谱中提取特征波长,以特征波长光谱建立SNV-RF模型,结果显示利用CARS算法挑选后的特征波长具有较好的判别能力,整体的判别准确率为97.5%。实验结果显示高光谱技术结合CARS-SNV-RF模型能够快速准确地判别稻米的霉变程度,为霉变稻米的快速判别提供一定的理论基础和实验参考,对提高稻米品质、减少稻米浪费具有重要意义。

基于反射率、吸光度和Kubelka-Munk光谱数据的黄桃早期损伤程度检测

为提高黄桃损伤程度无损检测识别的准确率,采集健康和不同损伤程度黄桃(Amygdalus persica)的反射光谱(R)、吸收光谱(A)、Kubelka-Munk光谱(K-M),并基于反射光谱、吸收光谱、Kubelka-Munk光谱等原始光谱和RAW、BOC、DT、SG、SNV等预处理方法后的光谱建立偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)、极限梯度提升(extreme gradient boosting,XGBoost)和随机森林(random forest,RF)模型,比较3种模型检测效果,选出正确率较高模型并构建其特征波长下的模型,并对结果再次进行比较。结果显示,基于3种原始光谱和SG预处理后光谱的RF模型判别效果较优,整体准确率均达到了90.00%以上。利用竞争性自适应重加权(CARS)和无信息变量消除(UVE)算法对3种原始光谱和SG预处理后的光谱进行波长筛选,并再次建立RF模型。结果显示,A-RAW-CARS-RF模型和K-M-SG-CARS-RF模型相比于全光谱下的RF模型判别效果得到了改善,并且在基于特征波长建立的RF模型中,A-RAW-CARS-RF模型的判别效果最好,整体准确率达到了97.12%,对4个子类别的误判数分别为0、1、1、1。

基于高光谱成像技术和力学参数对贡梨冲击损伤的定量研究

为实现准确评估和预测贡梨的冲击损伤,采用波长为397.5~1 014.0 nm的高光谱成像技术与力学参数相结合对贡梨的冲击损伤进行定量研究。利用基于单摆原理的碰撞装置以及智能数据采集系统获得峰值力、平均接触力、损伤面积和平均压强等力学参数,并对力学参数进行统计分析。利用高光谱成像系统获得损伤贡梨的光谱数据。使用Gap-segment求导、SG求导和基线校准(Baseline)3种光谱预处理方法对原始光谱进行预处理,将光谱数据与力学参数相结合分别建立偏最小二乘回归(Partial least squares regression,PLSR)和主成分回归(Principal component regression,PCR)模型。基于基线校准(Baseline)预处理方法,采用竞争性自适应重加权(Competitive adaptive reweighting sampling,CARS)和无信息变量消除(Uninformative variable elimination,UVE)2种算法进行特征波长的选取,将选取的特征波长作为输入变量并结合力学参数建立PLSR模型。力学参数统计分析和建模的结果表明:1)力学参数在一定程度上可以表征贡梨冲击损伤程度。力学参数的平均值随损伤程度的增加而增大,峰值力平均值从138.40 N增大至335.86 N;平均接触力平均值从77.13 N增大至188.20 N;损伤面积平均值从208.07 mm^(2)增大至544.42 mm^(2);平均压强平均值从0.34 MPa增大至0.42 MPa。2)Baseline-CARS-PLSR模型对力学参数的预测效果最优,其峰值力、平均接触力、损伤面积和平均压强的预测集相关系数(R_(P))和预测集均方根误差(RMSEP)分别为0.892和31.527 N、0.883和18.861 N、0.895和54.411 mm^(2)、0.661和0.045 MPa。通过高光谱成像技术与力学参数相结合对贡梨冲击损伤进行定量预测具有一定的可行性,可为贡梨的品质分选及包装方面提供理论支持。