基于高光谱成像技术的南果梨酸度无损检测方法

南果梨是一种重要的水果品种,其酸度是评估果品质量的重要指标之一。然而,传统的南果梨酸度检测方法通常需要破坏性采样和化学分析,不仅耗时费力,而且容易导致样品污染和浪费。因此,旨在探索一种基于高光谱成像技术的无损检测方法,以实现对南果梨酸度的快速、准确、无损检测。首先,采集室温20℃下不同贮藏天数南果梨的高光谱数据,其光谱波长范围为400~1000 nm,并且通过理化实验测量南果梨样本的可滴定酸;其次,采用多元散射校正(multipli⁃cative scatter correction,MSC)、标准正态变换(standard normal variate,SNV)、Savitzky-Golay平滑滤波等多种方法对光谱数据进行预处理,建立偏最小二乘回归模型(partial least squares regression,PLSR),选择出建模效果最佳的预处理方法,结果显示MSC方法效果最优;然后结合连续投影算法(successie projection algorithm,SPA)提取特征波段,在700~900 nm范围内确定9个特征光谱变量;最后,以提取出的9个特征光谱变量作为输入矢量,分别建立PLSR模型、极限学习机(extreme learning machine,ELM)模型以及遗传算法(genetic algorithm,GA)和粒子群算法(particle swarm op⁃timization,PSO)优化的BP神经网络模型。研究结果表明,基于MSC预处理和SPA算法特征提取的PSO-BP模型预测精度最高,效果最好,预测集决定系数R^(2)_(p)=0.911,RMSEP=0.032。可见,基于高光谱成像技术的SPA-PSO-BP模型可用于南果梨酸度的检测,为南果梨的品质评价提供参考。

基于高光谱成像技术的鲜烟叶叶位识别方法

为实现鲜烟叶叶位的快速无损识别,以不同着生部位烟叶为研究对象,应用高光谱成像技术,构建基于特征光谱的鲜烟叶叶位判别模型。首先,利用标准正态变换(SNV)、二阶导数(2ND)、SavitzkyGolay卷积平滑(SG)和多元散射校正(MSC)4种光谱预处理方法对烟叶原始高光谱数据进行处理,然后采用预处理后的全波段光谱数据和特征波段光谱数据,构建基于支持向量机(SVM)、偏最小二乘判别分析(PLS-DA)和反向传播神经网络(BPNN)的鲜烟叶叶位识别模型。结果表明:采用SG滤波预处理和BPNN所构建的模型识别效果最好,训练集和预测集的预测准确率分别为91.15%和90.63%。此外,利用竞争性自适应重加权算法(CARS)所筛选的特征波长所建立的BPNN模型最优,训练集和预测集的预测准确率达到了93.23%和92.19%。表明利用高光谱成像技术判别鲜烟叶所属部位是可行的,可以实现鲜烟叶所属部位快速、无损检测。

基于近红外高光谱成像技术的花生冻伤检测方法研究

花生在收获、运输、储存和加工过程中易受到温、湿度变化导致冻伤现象,从而影响花生及其制品的品质,为探索花生冻伤机理并提高冻伤花生检测效率,本文采用近红外高光谱技术研究花生冻伤无损检测可行性、基于特征变量筛选的判别模型优化方法以及花生冻伤机理。实验研究了变量标准化(Standard Normalized Variate,SNV)、多元散射校正(Multiplicative Scatter Correction,MSC)、Savitzky-Golag(SG)平滑以及SG平滑-SNV和SG平滑-MSC五种预处理方法对原始数据的影响,随后分别采用竞争自适应重加权法(competitive adapative reweighted sampling,CARS)、随机蛙跳(random frog,RF)、变量重要性投影(variable importance in projection,VIP)、连续投影算法(successive projections algorithm,SPA)、蒙特卡洛无信息变量消除(Monte Carlo uninformative variable elimination,MC-UVE)、迭代保留信息变量(Iteration retention information variable,IRIV)、变量组合种群分析-迭代保留信息变量(Variable combination population analysis-Iteration retention information variable,VCPA-IRIV)和变量组合种群分析-遗传算法(Variable combination population analysis-Genetic Algorithm,VCPAGA)8种变量选择方法筛选得到与花生冻伤相关的特征波长,通过建立支持向量机(Support Vector Machine,SVM)选用达到判别准确率阈值为90%的特征波长作为花生冻伤特征波长。结果表明,基于近红外高光谱成像技术的花生冻伤检测总体可行,且精度较高,所有变量选择方法均能有效筛选与冻伤相关的特征波长,其中VCPAGA算法选择了最少的7个特征波长,仅占数据集所有波长的3.125%,训练集和测试集准确率分别为91.60%和90.12%。经过筛选得出的冻伤特征波长体现了油酸和蛋白质的信息,验证了过低的温度会导致花生中油酸含量下降和蛋白质含量上升。本研究为花生冻伤快速无损检测提供了可参考的理论依据和技术支撑。

基于高光谱成像的桥梁混凝土表面露筋病害识别

桥梁作为交通关键节点,承担与日俱增的交通流量压力,相当一部分桥梁尚未达到设计使用年限就出现较多的病害,技术状况不容乐观。高光谱成像运用光电技术检测物体对光谱波段信号的辐射和吸收情况,将该信号转换成图像和图形,可基于吸收峰的位置和强度分析被测物体的物理性质和物质组成,因此本文提出基于高光谱成像的桥梁混凝土表面露筋病害识别方法。利用线阵高光谱相机集成匀速步进滑轨装置,形成高光谱成像测试系统,采集桥梁混凝土表面露筋病害图像;基于桥梁露筋病害高光谱图像谱线与空间特征,结合预处理——平滑滤波-多元散射校准(Savizky-Golay-Multivariate scattering calibration,SG-MSC)、特征空间变换——光谱导数法(First derivative,FD)、特征变量选择算法——竞争自适应重加权抽样(Competitiveadapativereweighted sampling,CARS),将原始光谱曲线数据经特征空间转换提取相应特征值并显示波段;以光谱曲线特征向量构建数据集,基于支持向量机形成露筋病害识别预测模型。以某跨江大桥为例,以高光谱成像测试系统对实际桥梁混凝土露筋病害进行识别,将原始光谱数据经平滑特征空间变换与特征提取后放大差异,将254个波段数据维度降低到23个波段数据,模型预测精度达到94.6%,对比可见光成像高光谱成像具有更高维度信息可有效表征物质属性,表明高光谱成像对复杂表面环境下的桥梁病害识别具有可行性和广泛应用前景。

基于集成法布里-珀罗微腔阵列的16通道快照式多光谱成像

通过将窄带法布里-珀罗微腔阵列与可见光探测器焦平面阵列粘贴集成,展示了一种微小紧凑型多光谱成像探测器.通过四次分形组合蚀刻工艺,先在石英基底上获得了以4×4为基本重复单元、共计2048像素×2048像素的微腔滤光阵列;再与探测器芯片贴合后形成了微小型多光谱成像探测器.微区光谱检测表明,微腔阵列样品的响应光谱峰值在520—680 nm之间变化,半峰处的全宽小于10 nm,透过率约70%.可调谐波长单色光合作光源检测表明,该多光谱成像探测器具有16个不同的窄带响应谱;利用光谱通道能清晰分辨目标特征光谱;通过光谱通道图像相减,能有效消除视野中背景,提高目标对比度.它有望应用于皮肤表面观测等辅助诊断,以及逆光条件下目标观测的高动态范围成像等.

地面目标的中波红外高光谱成像特性测量

利用Telops公司设计的Hyper-Cam中波高光谱成像仪对水泥地上某坦克模型进行3~5μm波段的红外高光谱成像测量。对实验数据进行了逐像素点的大气校正。基于矫正后的实验数据,分析了仪器误差、随机误差、大气校正传递误差等对测试不确定度的影响。分析了该坦克模型在不同谱段上的亮度分布和模型上不同部位的光谱分布特性。结果表明:在波数为2000~3000 cm-1波段,其相对不确定度一直稳定在10%以内,但是在大于3000 cm-1的波段,其误差迅速上升,主要因为常温物体的中波辐射低,在该波段目标辐射与大气路程辐射接近,而引起的噪声增大,造成的测试信噪比降低。该坦克模型光谱辐射亮度测试数据的平均相对不确定度在20%以内,整体误差较低。光谱分布上,坦克各部分特征点和水泥地表的光谱辐射亮度在波长为4.2~5μm波段时的差异性比波长为3.0~4.2μm波段时的差异性更大,且探测器接收到的4.2~5μm波段的光谱辐射亮度要大于3.0~4.2μm的光谱辐射亮度。由于4.3μm波段处于大气吸收带,大气透射率几乎为0,以至于无法获得目标的光谱辐射亮度的真实测量值。空间分布上,模型的辐射亮度主要集中在侧边涂层上,炮口处和履带处的辐射亮度较小。目标各部位辐射亮度分布与周边水泥地表的辐射亮度有着明显差异性。在3~5μm的辐射亮度中,4.4~4.8μm波段的辐射亮度占比较高,该波段成像效果最好。3.2~3.8μm波段的辐射亮度占比较低,该波段成像效果较差。处于大气吸收带的4.2~4.4μm波段,由于大气透射率几乎为0,无法获得其准确的空间辐射亮度分布。研究表明该拓展中波高光谱成像仪在地面目标的中波红外高光谱成像特性研究上具有目标区分精确、误差小、“图像光谱合一”的特点,测试数据可以应用于目标的红外高光谱隐身设计、目标的分类与识别等领域。

基于多光谱成像技术的非接触式心率检测研究

心率参数是反应人体健康状态的重要生理指标,而成像光电容积描记法可以通过非接触式的方式进行心率检测。成像光电容积描记法利用皮肤下组织对光有吸收和反射作用,通过检测血容量的变化导致光强度的变化来获得血流的脉动情况,这过程中对光其主要吸收作用的是血红蛋白。目前IPPG技术使用的成像设备是RGB三通道相机,它对血红蛋白的光谱范围只包含540 nm,因此本文使用多光谱相机进行非接触式心率检测,它包含了血红蛋白414 nm、540 nm和576 nm的光谱范围。本文通过使用上述两个成像设备做对比实验发现多光谱相机比RGB相机的检测误差要小,并且符合误差标准。

编码孔径快照光谱成像重构算法综述

光谱图像含有丰富的空间和光谱信息,能够反映目标的组成、结构和材料特性,在航天遥感、医疗诊断和机器视觉等领域具有重要的应用价值.近年来,光谱成像技术作为热点研究领域受到广泛关注.传统光谱成像技术采用沿空间维度或光谱维度扫描的方式,依次获取待测物体表面的光谱信息.由于曝光时间较长,传统光谱成像技术不适用于拍摄动态场景.编码孔径快照光谱成像(Coded Aperture Snapshot Spectral Imaging,CASSI)是光谱成像的前沿技术方案,能够从单次曝光中快速获取动态场景的光谱图像,其包括两个阶段:对高维光谱图像的“编码降维采集”和对低维观测图像的“解码升维重构”.CASSI的早期研究聚焦于“编码降维采集”,通过物理系统设计提升图像编码的有效性,包括编码模板设计和双相机系统设计.目前,CASSI的“编码降维采集”物理系统趋于稳定,其“解码升维重构”决定了光谱成像的质量和效率.本文综述CASSI的重构算法.首先介绍CASSI的物理系统和前向模型,详细描述物理系统的组成元件和硬件参数,推导CASSI前向模型的数学表达;其次梳理CASSI重构的特点和挑战,其挑战主要存在于系统前向模型、先验表示模型、算法灵活性、算法复杂度、实物数据集等方面;之后重点归纳重构算法的研究现状,包括基于优化模型的重构算法和基于深度学习的重构算法.基于优化模型的重构算法利用凸优化模型求解线性逆问题,结合平滑、稀疏、低秩等手工设计的先验表示模型降低逆问题的欠定性;基于深度学习的重构算法利用数据驱动的方式建立先验表示模型,结合端到端全网络、深度展开、即插即用等框架求解重构图像.接着比较主流算法的重构质量和计算效率,以峰值信噪比、结构相似度、光谱角制图为重构质量的评价指标,以模型参数量、浮点计算量为计算效率的评价指标.最后讨论现有工作的不足和未来研究趋势,指出当前仍未解决的领域痛点,展望进一步的研究方向,为本领域开拓创新提供参考.

基于高光谱成像技术的宁夏枸杞产地溯源鉴别

本研究基于高光谱成像(400~1000 nm)结合化学计量学开发一种用于识别枸杞产地多元化的检测方法。获取宁夏、甘肃、内蒙古、青海和新疆5个不同产地的枸杞高光谱图像,并基于阈值分割方法从感兴趣区域提取光谱数据。同时使用多种预处理方法消除光谱的干扰信息,研究表明基于归一化反射光谱的判别模型表现出较好的性能。进一步地采用连续投影算法、竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)、粒子群优化算法、迭代保留信息变量算法(iteratively retaining informative variables,IRIV)和CARS+IRIV选择特征波长。研究结果表明CARS+IRIV选取波长建立的简化模型性能最优,从二元分类到五元分类模型,特征波长仅占全波长的15.6%~27.7%,预测集准确率分别为97.7%、90.9%、89.2%、87.1%。此外,为了更加直观辨别分类种类,使用混淆矩阵可视化最佳简化分类模型。在对宁夏枸杞分类中获得了令人满意的灵敏度、特异性和Kappa系数。综上,高光谱成像技术结合化学计量学方法可有效鉴别枸杞产地,可为枸杞产业发展提供关键技术支撑。

高光谱成像的黄瓜病虫害识别和特征波长提取方法

黄瓜霜霉病和斑潜蝇是制约黄瓜产业发展的严重病虫害。为实现黄瓜病虫害快速在线识别,采用高光谱成像和机器学习研究快速识别黄瓜霜霉病和斑潜蝇虫害的方法,为开发实用的基于多光谱成像的黄瓜病虫害快速识别设备奠定基础。使用高光谱成像系统采集黄瓜无症状叶片、霜霉病叶片、斑潜蝇虫害叶片的高光谱图像,在病斑区域选择若干个感兴趣区域(ROI),计算每个ROI的平均反射率数据作为叶片原始光谱数据。使用Kennard-Stone算法将光谱数据按照3∶1的比例划分为训练集和测试集。使用直接正交信号校正(DOSC)、多元散射校正(MSC)、移动窗口平均平滑(MA)3种方法对原始光谱数据进行预处理。采用空间迭代收缩法(VISSA)、竞争性自适应重加权算法(CARS)、迭代保留信息变量法(IRIV)、随机蛙跳算法(SFLA)对MA预处理后的光谱数据进行特征波长提取,分别提取出53、20、26、10个特征波长。然后使用连续投影算法(SPA)分别对特征波长光谱数据进行二次降维,最终VISSA-SPA提取的特征波长为455、536、615和726 nm;CARS-SPA提取的特征波长为452、501、548和578 nm;IRIV-SPA提取的特征波长为452、513、543和553 nm;SFLA-SPA提取的特征波长为462、484、500和550 nm。分别对全波段光谱数据、一次降维光谱数据、二次降维光谱数据进行支持向量机(SVM)、Elman神经网络、随机森林(RF)建模,结果表明,MA预处理后的全波段光谱数据所建模型识别效果最好,其中MA-RF模型测试集总分类精度(OA)达到97.89%,Kappa系数为0.97。采用一次降维光谱数据所建模型中,MA-VISSA-RF模型效果最好,测试集OA为98.19%,Kappa系数为0.97。采用二次降维光谱数据所建模型中,MA-IRIV-SPA-SVM模型效果最好,测试集OA为96.23%,Kappa系数为0.95。研究结果表明,使用高光谱成像技术识别黄瓜霜霉病和斑潜蝇虫害具有良好的效果,452、513、543和553 nm可以作为识别黄瓜霜霉病和斑潜蝇虫害的特征波长,为开发黄瓜病虫害快速识别设备提供了理论依据。

基于高光谱成像技术的山楂产地判别研究

产地是影响山楂品质的重要因素之一,为实现对山楂产地的快速无损鉴别,本文基于高光谱成像技术对不同产地的山楂样品进行产地溯源。以五个不同省级产区的山楂样品作为样本,利用近红外高光谱成像系统,获得每个样品果梗朝上(G)、侧面朝上(C)和底面朝上(D)的可见-短波红外(410~2500 nm)波段高光谱数据。采用多元散射校正(multivariatescatteringcorrection, MSC)、一阶导数(firstderivative, D1)、 SG平滑(Savitzky-Golay,SG)和标准正态变换(standard normal variate transformation,SNV)四种预处理方法,分别建立了偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)、支持向量机(support vector machine,SVM)和随机森林(random forests,RF)三种分类模型。结果表明,D-D1-SVM模型分类效果最优,训练集和预测集的准确率均为100%。为进一步简化模型,分别采用连续投影算法(successive projections algorithm,SPA)和竞争性自适应重加权算法(competitive adaptive reweighted sampling algorithm,CARS)进行特征波长筛选。通过多变量数据分析发现,D-SPA-SVM模型效果最佳,训练集和预测集准确率分别为95.2%和93%。本研究为山楂产地的快速、无损识别提供技术支持。

基于显微高光谱成像技术判别食源性致病菌种类的方法研究

如何实现对食源性致病微生物的早期快速检测是全球食品安全领域面临的挑战之一。传统的致病菌生化检测方法虽然准确性高,但是过程复杂、耗时漫长,易错过控制疫情爆发的窗口期。该研究提出一种基于暗场显微高光谱成像技术的检测方法,能够借助显微镜技术突破传统光谱成像的灵敏度和分辨率极限,并利用可见/近红外光谱为单个致病菌细胞添加高分辨率的图像和光谱信息。以空肠弯曲杆菌、大肠埃希氏菌O157:H7和鼠伤寒沙门氏菌为检测对象,采用显微高光谱成像技术进行数字化表征和数据采集,结合双向长短期记忆网络(Bi-LSTM)算法对各致病菌细胞的图像和光谱数据进行建模分类。结果显示,显微尺度的致病菌光谱数据呈现可判别的分布规律,新采用的Bi-LSTM网络在光谱数据集中表现优异,在三种致病菌的分类任务中取得了91.0%的平均准确率,而传统的线性判别分类器(LDA)和支持向量机分类器(PCA-SVM)的平均准确率分别为80.1%和88.5%。但是,仅依赖光谱数据进行致病菌种类判别仍然存在较为严重的假阳性问题,尤其是在大肠埃希氏菌O157:H7和鼠伤寒沙门氏菌的分类中存在错误分类。图像信息的加入则能够显著改善各分类的识别准确率,其中Bi-LSTM分类器取得了高达98.1%的准确率,LDA和PCA-SVM均取得了95.3%的准确率。研究结果表明,显微高光谱成像技术在食源性致病菌的特异性光谱和图像表征中具有优势,提出的Bi-LSTM网络能够直接处理高维的图谱特征,两种技术的融合在食源性致病菌细胞级别的早期检测应用中展现潜力。

基于高光谱成像的咸鸭蛋腌制品质快速检测

咸鸭蛋是一种中国传统腌制食品,水分和脂肪含量是评价咸鸭蛋腌制品质的重要指标。本文旨在采用高光谱成像系统结合化学计量学探究不同腌制阶段咸鸭蛋的水分和脂质含量变化及分布状态。实验采用高光谱成像技术获取432~961 nm波长范围内的咸鸭蛋剖面反射光谱。为了减小光谱信号的噪声,通过Savitzky-Golay平滑(SG)、高斯滤波(Gauss)和标准正态变换(SNV)三种方法对原始光谱进行预处理,使用竞争自适应加权采样算法(CARS)挑选最优波长,然后进一步采用偏最小二乘回归算法(PLSR)和人工神经网络(ANN)对水分和脂质含量进行定量预测。结果表明,ANN模型能够更好地对水分及脂质含量进行预测,对蛋白水分、蛋黄水分和蛋黄脂质的预测决定系数分别为0.9306,0.9552和0.8896。最后,为了更加直观、全面地对咸鸭蛋腌制过程中的水分和脂质含量进行评价,根据ANN模型绘制出咸鸭蛋剖面的水分及脂质含量分布图。可视化分布图成功显示了咸鸭蛋在不同腌制时间水分和脂质的空间分布。本研究为咸鸭蛋生产及下游食品加工企业提供了一种基于光谱技术的快速检测方法。

紫外小F数高变倍高光谱成像仪设计

常规成像光谱仪一般变倍比较低,不利于大视场长狭缝多通道光学系统的扩展应用,此外,空间遥感中紫外波段的辐射能量较低,需要成像光谱仪具有更小的F数。针对高光谱分辨率成像光谱仪小F数的探测需求,本文设计了一种具有高变倍的高光谱分辨率Offner紫外成像光谱仪。该成像光谱仪的后置分光系统采用了具有轻小型特点的改进型Offner结构。结合成像光谱仪对变倍比和小F数的需求,通过理论推导得到Offner初始结构参数。在像面前插入一块弯月透镜,增加系统的优化自由度,进而提升系统的成像质量。最终得到的成像光谱仪工作在270~300 nm波段时,具有40 mm的长狭缝,光谱分辨率优于0.6 nm,系统变倍比小于0.22,F数小于2,在截止频率为14 lp/mm时,系统调制传递函数(MTF)均优于0.9,系统各波段各视场均方根半径(RMS)均小于12μm。本文的研究对紫外波段高光谱探测成像光谱仪实现小F数、高变倍设计提供了一种设计方案。

高光谱成像结合PSO-SVM的银杏果种类鉴别

银杏果富含维生素、银杏萜内酯和银杏黄酮等成分,具有抗氧化、抗肿瘤、预防心血管疾病等功能,可药食两用。由于银杏果品种不同,其主要成分含量和品质各异。另外,银杏果某些成分含量对其贮藏和加工工艺影响较大。为实现银杏果品种高效无损鉴别,提出一种基于高光谱成像技术的支持向量机(SVM)分类模型,并利用遗传算法(GA)和粒子群算法(PSO)优化模型参数提高种类鉴别正确率。以3个品种630个银杏果为研究对象,按2∶1划分为训练集和测试集,分别为420个和210个。利用高光谱图像采集系统获取900~1700 nm范围内的银杏果图像,黑白校正后选取质心位置25×25 pixel感兴趣区域(ROI),提取该区域内平均光谱作为原始光谱数据。因原始光谱两端噪声较大,信噪比低且有效信息较少,截取945.98~1698.75 nm范围内的光谱波段作为有效波段,并对去噪后光谱波段信息做标准正态变量变换(SNV)预处理,预处理后采用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)提取特征波长,将其波长反射率作为输入矩阵X,预设样本类别1、2、3作为输出矩阵Y,分别建立SNV-SPA/CARS-(GA/PSO)-SVM六种银杏果品种鉴别模型。试验结果表明:SNV-CARS-PSO-SVM模型鉴别效果最佳,分类准确率96.67%,说明CARS提取特征波长变量能代表所有波长信息,且PSO-SVM模型具有较好种类鉴别效果,可实现银杏果鉴别,为银杏果种类高效无损鉴别提供新思路。

基于高光谱成像的烟丝中梗签分类识别研究

针对烟丝中梗签分类识别检测问题,利用高光谱成像技术,结合机器学习方法对烟丝中掺杂的梗签进行分类快速识别。首先,基于短波近红外高光谱成像技术,采用标准正态变化(SNV)对烟丝和梗签光谱数据进行预处理,消除光谱散射和漫反射的影响,减少检测干扰信息。然后,利用连续投影算法(SPA)进行特征波长选择,融合极端梯度提升(XGBoost)算法,提出了1种基于XGboost算法的烟丝中梗签分类模型。最后,采用Mean-shift均值漂移算法和形态学梯度算法相结合的方式作为后处理方法,对模型的分类结果进行后处理,实现烟丝中梗签的快速智能检测。结果表明:建立的SNV-SPA-XGBoost分类模型,训练集和测试集准确率分别达到100%和99.32%,经后处理后对A_(1)(1.0~1.5 cm)、A_(2)(0.5~1.0 cm)、A_(3)(<0.5 cm)梗签检测准确率分别达100%、95.50%和86%。

高光谱成像与短视频成像结合机器学习应用于检测防火涂料的一致性

为了快速识别市场常见的防火涂料品牌,结合光谱成像与机器学习,提出了2种快速检测防火涂料一致性的方法。采用高光谱成像和短视频成像技术,测量了7种品牌防火涂料样品的光谱,利用主成分分析法对光谱数据进行降维,表明各品牌存在可分性。对光谱数据进行预处理、划分训练集和测试集后,评估常用机器学习方法的分类准确度,包括最小二乘判别分析、支持向量机等。结果表明:将光谱成像技术与机器学习结合,能够准确地区分防火涂料的品牌。短视频成像仅需智能手机即可实现光谱采集,具有技术成本低、操作便捷等优势,该技术与机器学习结合,在现场原位检测防火涂料的一致性有更广阔的应用前景。

高光谱成像技术在水果品质检测中的应用研究进展

高光谱成像技术结合成像技术和光谱技术,可以从样本中获取其空间和光谱信息。因此,高光谱成像技术能够识别和检测水果的各种化学成分及其空间分布,在水果品质的检测中备受关注。本文首先综述了高光谱成像原理及系统装置,并展开讨论了高光谱图像的校正方法、多种光谱预处理、数据降维和样本集划分方法,从定量和定性角度对模型的构建方法和性能评估进行了分析。其次,总结了高光谱成像技术在水果内部品质(可溶性固形物含量、酸度、硬度、水分含量)和外部品质(损伤、缺陷和纹理)检测和分级中的最新研究进展。最后,对高光谱成像技术在水果品质检测与分级中的应用前景提出展望,以期为优化水果品质的检测方法提供理论依据。同时,也指出了当前可能存在的挑战和局限性。

基于反向传播神经网络和高光谱成像的芒果可溶性固形物含量检测

目的比较反向传播神经网络(backpropagation algorithm neural network,BPNN)模型与偏最小二乘回归(partial least squares regression,PLSR)模型在预测芒果可溶性固形物含量(soluble solids content,SSC)方面的性能。方法使用高光谱成像仪和全自动折光仪采集芒果的近红外高光谱及SSC数据,建立两种预测模型,采用多元散射校正(multiplicative scatter correction,MSC)进行光谱预处理,利用遗传算法(genetic algorithm,GA)、区间变量迭代空间收缩算法(interval variable iterative space shrinkage algorithms,IVISSA)和变量组合群体分析算法(variable combination population analysis,VCPA)提取特征波长变量,通过比较不同特征波长提取方法进一步优化对比预测模型。结果与PLSR模型相比,BPNN模型在预测SSC方面更为有效。而在IVISSA特征波长变量提取后优化的BPNN模型预测能力最佳,预测集判定系数R_(p)^(2)、均方根误差(root mean square error of prediction,RMSEP)、残差预测偏差(residual prediction deviation,RPD)分别为0.8641、0.3924和2.7127。结论该模型可快速、准确地检测芒果的SSC,并证明可见光-近红外高光谱成像与反向传播神经网络模型相结合有望预测芒果的SSC,为开发在线芒果SSC无损检测系统奠定基础。

浅谈机载高光谱成像技术应用与发展

本文浅谈机载高光谱成像技术的起源、原理与特点、应用、发展历程与展望,总结了目前的应用发展状况,同时根据全球环境保护工作要求与国家科研、军事领域需求,结合人工智能、软件算法、成像光谱仪、机载和星载、航天航空的发展方向,提出机载高光谱成像技术应用与未来发展方向。