论文部分内容阅读
小麦作为我国的主粮,其品质的好坏直接影响到我们日常饮食生活的安全,且其籽粒硬度是评价谷物品质的一个重要参数。因此,如何能快速、有效、准确地检测麦粒硬度具有非常重要的研究意义。本文以温麦6号、中麦895号和西农979号3种不同硬度的品种为样本,研究了基于近红外高光谱图像的不同硬度麦粒可区分的理论机理,提取了能够表征麦粒硬度的有效区域,并对22类不同品种麦粒的近红外高光谱图像数据进行了预处理,建立了基于径向基核函数极限学习机回归分析技术的智能测定模型,实现了对小麦籽粒硬度的自动无损检测。(1)基于PCA的麦粒硬度的高光谱图像无损检测机理研究利用高光谱图像采集系统对22类品种的1540个麦粒进行图像采集,并依据国标法分别测定不同品种的麦粒实际硬度值。通过图像预处理提取出可有效表征麦粒硬度的感兴趣区域ROI,并以麦粒ROI内的平均光谱曲线作为该麦粒的近红外特征光谱。经预处理分析后将原始特征波长从871.6-1766.3nm范围内的256个减少到902.1-1699.6nm内的232个有效波长。利用PCA法对麦粒的高光谱图像进行分析,其中PC1、PC2和PC3的贡献率之和超过99.15%,故选取前3个主成分即可有效表征麦粒硬度的原始图像信息。依据不同硬度麦粒的像素点分布区域的密集程度可解释小麦籽粒样本间的化学差异,最终利用PC2和PC3组合的得分图研究麦粒硬度分类的可行性。建立了基于偏最小二乘判别分析的分类验证模型,正确识别率为100%,证实了基于PCA的麦粒硬度的高光谱图像无损检测机理研究的可行性。(2)基于人工蜂群优化算法的小麦籽粒硬度的波长选择针对麦粒近红外高光谱三维数据的特征波段多、混合度大及信息冗余多等特点,利用人工蜂群优化算法对特征波长进行优化选择。对于ABC算法中存在的早收敛、易陷入局部最优及接近全局最优解时搜索速度缓慢等缺点,提出了基于混沌搜索思想的人工蜂群优化算法。结果表明:从902.1-1699.6nm波段范围内的232个波长中优选出902.1-935.9nm、968.7-992.6nm、1042.7-1072.4nm等范围内的105个波长子集,波长数据量减少了54.7%。与ABC算法相比,CABC优化算法的运行时间缩短了45.3%,MSE降低了0.042%,SCC增加了0.55%。(3)基于RBF-ELM的小麦籽粒硬度智能预测模型为解决ELM算法中人工设置参数带来的系统不稳定性问题,利用GSM自动确定RBF-ELM算法中参数的输入,并基于RBF-ELM的回归分析技术建立小麦籽粒硬度的智能测定模型。结果表明:RBF-ELM预测模型与ELM模型相比,运行速度差别不大,但在精度和相关系数上分别提高了3.31%和7.36%;且与SVR模型相比,在训练和预测时间上均缩短了三个数量级,预测精度降低了0.53%,相关系数提高了0.96%。因此,利用基于RBF-ELM回归分析技术的智能测定模型有效实现了麦粒硬度的自动无损检测。