论文部分内容阅读
采用高光谱成像技术(420~1 000nm)对山楂的缺陷(表面的损伤以及虫害区域)进行识别研究。共采摘了134个样品,包含损伤果46个、虫害果30个、损伤及虫害果10个和完好果48个。考虑到山楂的花萼、果梗与损伤、虫害的RGB图像有相似的外观特征,容易造成误判,利用高光谱成像系统采集了损伤、虫害、完好、花萼和果梗五个区域一共230个山楂样本的高光谱图像,并提取相应的感兴趣区域(region of interest,ROI),得到了样本的光谱数据。使用标准归一化(standard normalized variate,SNV),卷积平滑(savitzky golay,SG),中值滤波(median filter,MF),多元散射校正(multiplicative scatter correction,MSC)方法进行光谱预处理,建立偏最小二乘(partial least squares method,PLS)判别分析模型,结果表明经过SNV预处理后的预测结果较好。最后选取SNV作为预处理方法。应用回归系数法(regression coefficients,RCs)从全波段中提取10条特征波段(483,563,645,671,686,722,777,819,837和942nm),利用Kennard-Stone算法将各类样本按照3:1的比例随机分成训练集(173个)和测试集(57个),并对其建立最小二乘支持向量机(least squares-support vector machine,LS-SVM)判别模型,山楂缺陷的正确识别率为91.23%。然后,运用主成分分析(principal componentanalysis,PCA)进行10条敏感波段下单波段图像的数据压缩,分别采用"sobel"算子和区域生长算法"Regiongrow"识别出86个缺陷山楂样本的边缘与缺陷特征区域,得出单损伤、单虫害和损伤及虫害样本的识别率分别为95.65%,86.67%和100%。研究结果表明:采用高光谱成像技术可以对山楂的损伤、虫害、花萼和果梗进行定性分析和特征识别,该研究为山楂的缺陷无损检测提供了理论参考。