论文部分内容阅读
随着人们生活水平的日益提高,如何快速简单又无损坏的检测农产品的内部品质已成为一个新的科学研究领域。高光谱散射图像技术集合了光谱技术和图像技术的优点,是农产品内部品质无损检测的一个很有价值的研究方向,但是高光谱散射图像中存在的大量冗余波段信息严重影响了无损检测的性能和效率。对高光谱散射图像的波段进行最优选择,是提高检测效率和检测精度的根本途径。本文的研究重点就是如何选择出苹果样本的高光谱散射图像中的最优波段,并利用这些最优波段建立出苹果硬度和糖度等内部品质的最佳预测模型,为最终实现农产品的高光谱图像实时在线无损检测提供技术参考,完成的主要内容如下:1.采用无信息变量消除和偏最小二乘投影分析结合的方法进行苹果高光谱散射图像最优波段选择,利用优选出的波段信息建立的苹果内部品质预测模型与未经波段选择时的性能参数相比有所提高。结果表明,该方法能有效消除高光谱散射图像的冗余信息,且不存在遗传算法中的参量选择随机性的问题。2.研究了近邻传播聚类算法在高光谱图像波段选择中的应用。将该算法结合本课题的实际背景做了初步的改进,并在此基础上提出了一个基于BP神经网络的数据融合模型。该数据融合模型消除了单一波段选择算法建立预测模型的局限性,将不同的波段选择算法的优点结合在了一起,同时削弱了各个算法的缺点,最终得到了比较理想的预测模型。3.进一步研究了近邻传播聚类算法在本课题中的应用。针对传统近邻传播算法在高维空间中性能不稳定的问题,本文采用了一个更加适合于表达高维数据空间相似性度量的函数,并引入了新的半监督策略对其调整,将这一新的半监督近邻传播聚类算法应用于苹果样本的高光谱散射图像最优波段选择中。仿真结果表明,苹果样本硬度和糖度两者的预测模型性能都得到了较为理想的提高。该方法为实现农产品的高光谱图像实时在线无损检测提供了新的技术支持。