论文部分内容阅读
作为未来第四大主粮,马铃薯正体现出更多食用价值以及商用价值。而马铃薯品质分级直接关系到马铃薯可用与否,更关系到马铃薯主粮化战略能否顺利推行。因此,研究用于马铃薯品质检测的方法,不仅能提高马铃薯的食用价值,更能提高马铃薯的产业价值。论文以轻微损伤马铃薯样本为研究对象,采用V型平面镜高光谱结合信息融合方法建立了基于不同层次信息融合的马铃薯轻微损伤模型,并通过比较分析确定用于及时检测出马铃薯的轻微损伤的最优信息融合方法。具体研究结果如下:(1)搭建了V型平面镜高光谱图像采集平台,确定了用于获取马铃薯高光谱图像的采集参数,并通过试验验证了V型平面镜高光谱图像采集平台可用于检测马铃薯的轻微损伤。(2)确定了数据层融合的马铃薯轻微损伤检测方法。以180个合格与142个轻微损伤马铃薯样本为研究对象,用V型平面镜高光谱图像采集平台获取马铃薯的高光谱图像,以高光谱图像中3幅子图像F1、F2和F3提取的光谱数据X11、X22和X33组成光谱矩阵,进行原始数据的数据层融合,用支持向量分类机(SVC)为建模方法,通过比较标准正态变量变换(SNV)、多源散射校正(MSC)和泊松变换(Poisson Scaling)3种不同的光谱预处理方法,SNV对SVC模型效果提升最为显著,为数据层融合的最优数据预处理方法。采用了蚁群算法(ACO)对马铃薯损伤特征变量进行筛选,确定了9个光谱变量,以所选变量作为SVC输入,使用果蝇优化算法(FOA)、遗传算法(GA)和网格搜索法(Grid search)3种方法对SVC模型的惩罚因子c和核函数参数e优化,其中FOA对模型优化效果最为明显,所建SVC对标定集与检验集的轻微损伤识别准确率均为100%,确定FOA为数据层融合的马铃薯轻微损伤检测最优模型寻参方法。(3)确定了特征层融合的马铃薯轻微损伤检测方法。用V型平面镜高光谱图像采集平台获取马铃薯的高光谱图像,从3幅子图像F1、F2和F3中提取数据X11、X22和X33,分别采用SNV预处理后并用3种无监督降维方法提取损伤特征,对提取特征后的X11、X22和X33进行特征层融合,之后建立支持向量分类机(SVC)检测模型。研究结果表明,经由KPCA提取的特征,所建SVC模型的识别准确率最高,然后分别采用粒子群算法(PSO)、杂草算法(IWO)、蝙蝠算法(BA)和果蝇优化算法(FOA)对SVC的惩罚因子c和核函数参数e进行寻优,通过比较分析,表明经过PSO优化的SVC模型结果最优,标定集与检验集识别准确率分别达到93.48%和85.04%,因此确定核主元分析(KPCA)为马铃薯轻微损检测特征层信息融合的降维方法,粒子群算法(PSO)为最优模型优化方法。(4)确定了决策层融合的马铃薯轻微损伤检测方法。以180个合格马铃薯与142个轻微损伤马铃薯样本为研究对象,用V型平面镜高光谱图像采集平台获取马铃薯高光谱图像,并从3幅子图像F1、F2和F3提取光谱数据X11、X22和X33,运用KPCA对X11、X22、X33分别进行特征提取。运用支持向量机(SVC)、极限学习机(ELM)和随机森林(RF)三种建模方法分别对提取特征后的X11、X22和X33建立模型。其中,以X11为研究对象,ELM模型精度最高,其标定集识别准确率达到86.51%,检验集识别准确率达到84.12%;以X22为研究对象,随机森林(RF)模型精度最高,其标定集识别准确率达到88.84%,检验集识别准确率达到89.72%;以X33为研究对象,SVC模型精度最高,其标定集识别准确率达到89.3%,检验集识别准确率达到85.98%。因此极限学习机(ELM)、随机森林(RF)和支持向量分类机(SVC)均可作为决策层信息融合的马铃薯轻微损伤建模方法。以融合判定准则对X11、X22和X33进行决策层融合,该融合模型对检验集的识别准确率为89.71%。(5)确定用于检测马铃薯轻微损伤的最优信息融合方法。以建模时长与模型识别准确率为比较依据,对比了数据层、特征层与决策层信息融合模型。经过比较分析,数据层融合、特征层融合和决策层融合模型对检验集的识别准确率分别为100%、85%和89.71%,建模时间分别为3.32s、5.05s和2.42s,数据层融合方法精度最高,建模时间较短。最终确定数据层信息融合为用于检测马铃薯轻微损伤的最优信息融合方法。