基于半透射高光譜成像技術(shù)的馬鈴薯內(nèi)外部缺陷檢測方法研究.pdf

1、馬鈴薯主糧化戰(zhàn)略的啟動將極大的推動馬鈴薯產(chǎn)業(yè)的發(fā)展，也體現(xiàn)出了馬鈴薯巨大的食用價值和商業(yè)價值。品質(zhì)檢測分級作為馬鈴薯產(chǎn)業(yè)中一個重要環(huán)節(jié)，對其主糧化的推進起著至關(guān)重要的作用。因此，研究開展馬鈴薯品質(zhì)的無損檢測方法研究具有重要的科學意義和良好的應用前景。論文以內(nèi)部缺陷（空心）和外部缺陷（綠皮和發(fā)芽）馬鈴薯樣本為研究對象，采用半透射高光譜結(jié)合數(shù)據(jù)處理方法建立了馬鈴薯內(nèi)外部缺陷的單一指標檢測模型與多指標同時檢測模型。
　　本研究主要內(nèi)容包

2、括：⑴搭建了半透射高光譜圖像采集系統(tǒng)，并通過試驗研究驗證了對該套系統(tǒng)用于馬鈴薯內(nèi)外部缺陷檢測的可行性。⑵確定了馬鈴薯空心病的半透射高光譜檢測方法。以149個合格馬鈴薯樣本與75個空心病樣本為研究對象，以支持向量機(SVM)為建模方法，通過比較5種不同的光譜預處理方法，確定了歸一化為最優(yōu)的光譜預處理方法。分別采用了競爭性自適應重加權(quán)法(CARS)、連續(xù)投影算法(SPA)和CARS-SPA二次選擇法3種不同變量選擇方法對光譜數(shù)據(jù)進行變量篩選

3、，通過比較分析確定了CARS-SPA二次選擇效果最優(yōu)，該方法確定了8個光譜變量，以所選變量作為輸入，使用人工魚群算法(AFSA)、遺傳算法(GA)和粒子群算法(PSO)3種不同的參數(shù)尋優(yōu)算法對SVM建模參數(shù)c和g進行尋優(yōu)，通過比較分析確定了AFSA效果最優(yōu)，最終所建檢測模型對不管校正集還是測試集的空心病馬鈴薯檢測識別率均能達到100％。⑶確定了馬鈴薯綠皮和發(fā)芽的半透射高光譜檢測方法。以隨機姿態(tài)放置的綠皮和發(fā)芽馬鈴薯樣本為研究對象，分別采

4、用偏最小二乘判別分析(PLSDA)、K最近鄰法(KNN)和自適應提升法(AdaBoost)3種建模方法建立檢測模型，并進行了3種模型下的不同預處理方法研究。研究結(jié)果表明，針對綠皮馬鈴薯的檢測，經(jīng)過標準正態(tài)變量轉(zhuǎn)換預處理的PLSDA模型和經(jīng)過中心化或多元散射校正預處理的AdaBoost模型結(jié)果最優(yōu)，校正集和測試集的識別率均能達到100％;針對發(fā)芽馬鈴薯的檢測，經(jīng)過多元散射校正預處理的PLSDA模型和基于中心化或標準正態(tài)變量轉(zhuǎn)換預處理的Ad

5、aBoost模型結(jié)果最優(yōu)，校正集和測試集的識別率也均達到100％。⑷確定了基于半透射高光譜的馬鈴薯內(nèi)外部缺陷多指標同時檢測方法。以合格、發(fā)芽、綠皮和空心4類馬鈴薯樣本為研究對象，比較了支持向量機(SVM)、K最近鄰法(KNN)和基于糾錯輸出編碼的最小二乘支持向量機(ECOC-LSSVM)3種多分類方法對馬鈴薯內(nèi)外部缺陷的檢測效果的影響，確定了ECOC-LSSVM多分類模型效果最優(yōu)。為了簡化模型，分別采用局部線性嵌入(LLE)、有監(jiān)督局部

6、線性嵌入(SLLE)、等距映射（Isomap）和核主成分分析(KPCA)4種流形學習降維算法對光譜進行降維處理，對所得低維數(shù)據(jù)采用ECOC-LSSVM進行多分類建模。研究結(jié)果表明，對馬鈴薯內(nèi)外部缺陷檢測模型最優(yōu)的降維方法為SLLE算法，所建模型對測試集中合格、發(fā)芽、綠皮和空心4類馬鈴薯樣本的單一識別率分別為96.83％、86.96％、86.96％和95％，混合識別率為93.02％。⑸對馬鈴薯內(nèi)外部缺陷多分類模型進行了優(yōu)化。綠皮和發(fā)芽馬鈴