论文部分内容阅读
花生是我国产量丰富、食用广泛的一种农产品,其营养价值高,是重要的植物油和植物蛋白来源。但花生在种植、运输、存储的过程中易产生霉变,其中黄曲霉和寄生曲霉会产生次生代谢物-黄曲霉毒素,黄曲霉毒素具有强致癌性。近年来黄曲霉毒素污染食品事件频出,已严重影响食品质量并对人类健康产生威胁,因此,及时准确地检出霉变花生对确保我国食品安全和人类健康意义重大。传统的湿化学方法耗时长、成本高、对样本具有破坏性且为抽样检测,检测结果往往因抽检样本的随机性而偏离实际情况。随着高光谱技术的发展,其能够同时获取待检测对象的图像和光谱信息,已被大量学者应用于食品安全检测,成为食品质量和安全检测的有效手段。因此,本文研究高光谱成像技术识别霉变花生的理论与方法,为利用机械挑选并剔除霉变花生颗粒提供属性与空间位置信息的支持,具体工作可概括如下:1.基于高光谱图像光谱信息的霉变花生识别研究鉴于高光谱图像波段数多,包含大量冗余信息,首先对比研究了5种常用的特征波长选择算法,确定连续投影算法（Successive projection algorithm,SPA）为高光谱图像霉变花生识别的较优特征波长选择方法。其次,基于1005.29nm和1056.09nm两个波段构建了用于霉变花生识别的比值光谱指数（Ratio spectral index,RSI）和归一化光谱指数（Normalized difference spectral index,NDSI）,并分别利用线性判别分析（Linear discriminant analysis,LDA）,二次判别分析（Quadratic discriminant analysis,QDA）和Bayes判别分析建立霉变花生识别模型,基于RSI和NDSI所建模型总体分类精度基本一致,以NDSI+LDA模型精度最高。最后,为深度挖掘对花生霉变信息敏感的光谱特征,提出了一种基于连续小波变换（Continuous wavelet transform,CWT）的花生霉变信息光谱特征提取方法,提取了对花生霉变信息敏感的5个连续小波特征,并利用支持向量机（Support vector machines,SVM）和偏最小二乘判别分析（Partial least squares discriminant analysis,PLS-DA）构建了霉变花生识别模型,所建模型精度高于基于特征波长及光谱指数所建模型精度,表明了所提霉变信息光谱特征提取方法的有效性。2.融合空间-光谱信息的霉变花生高光谱图像识别研究研究了三种融合空间信息的策略,一是前处理方法,利用灰度共生矩阵（Gray Level Co-occurrence Matrix,GLCM）提取了8个纹理特征,将其与SPA提取的特征波长相结合,利用PLS-DA和SVM进行建模,结果表明,纹理特征的引入提高了模型的分类精度;二是集成方法,在SPA特征波长提取的基础上,利用联合稀疏表示分类（Joint sparse representation classification,JSRC）模型建立霉变花生识别模型,结果表明,霉变花生识别精度有所提高;三是后处理方法,在SPA特征波长提取的基础上,利用结合SVM和马尔可夫随机场（Markov random field,MRF）的SVM-MRF构建霉变花生识别模型,SPA+SVM-MRF模型的对健康与霉变花生的总体分类精度与SPA+SVM模型一致。对比三种融合空间信息所构建的霉变花生识别模型,SPA+JSRC模型的总体分类精度最高,表明基于SPA和JSRC构建的霉变花生识别模型能够更有效地融合局部空间和光谱信息。3.基于深度学习的霉变花生高光谱图像识别研究提出了基于深度置信网络（Deep belief network,DBN）的高光谱图像霉变花生识别算法,构建了基于光谱信息和DBN的霉变花生高光谱图像识别模型,结果表明所建模型对健康与霉变花生的总体分类精度可达97.96%及以上,优于SPA+SVM及CWT+SVM,表明了基于光谱信息和DBN所构建的霉变花生高光谱图像识别模型的优越性;基于残差多感受野特征融合模块（Residual multiple receptive field fusion block,ResMRFF）设计了用于霉变花生识别的融合空间-光谱信息的深度学习网络（Hy MPCN）,该网络能够在多尺度上充分挖掘丰富的局部空间信息,其总体分类精度高于SPA+SVM建模,与SPA+JSRC和DBN相比,精度也有少许的提高,在各数据集上的分类精度高于98%。上述研究结果表明了所提霉变花生深度学习识别模型的有效性及深度学习在霉变作物籽粒识别中的巨大潜力。4.高光谱图像识别霉变花生空间、光谱分辨率适宜性研究通过对高光谱图像光谱分辨率重采样,并利用SVM和PLS-DA在全波段及SPA特征波长提取基础上建模,优选适宜于霉变花生识别的高光谱图像光谱分辨率,结果表明,当光谱分辨率为33.6nm时所建SVM和PLS-DA模型的性能最优;对高光谱数据的空间分辨率进行重采样,并在全波段上利用SVM和PLS-DA建模,优选适宜于霉变花生识别的高光谱图像空间分辨率,结果表明,对SVM而言,当空间分辨率为0.8mm时,模型性能最优,对PLS-DA而言,原始空间分辨率下模型最优。所得结论可用于指导霉变花生在线检测设备的研发。