论文部分内容阅读
采用近红外高光谱成像技术对大豆水分含量进行快速无损检测，实现大豆水分含量可视化。采集了96个不同品种大豆样本在900～2 500nm的高光谱图像，采用直接干燥法测量每个大豆样品的水分含量。利用系统自带的HSI Analyzer软件提取图像感兴趣区域（ROI）的平均光谱信息，代表样品的光谱信息。利用SPXY算法划分样品校正集和预测集，并保留938～2 215nm波段范围内的光谱数据。采用移动平滑（moving average）、S-G平滑、基线校正（baseline）、归一化（normalize）、标准正态变量变换（standard normal variate,SNV）、多元散射校正（multiple scattering correction,MSC）、去趋势（detrending）共7种光谱预处理方法，发现Normalize方法处理后的PLSR模型效果较好。为了去除光谱冗余信息，简化预测模型，采用连续投影算法（SPA）、竞争性自适应加权算法（CARS）、无信息消除变量法（UVE）提取特征波长，其中SPA,CARS和UVE三种算法优选出14,16和29个波长，分别占总波长的6.5%,7.4%和13.4%。分别对938～2 215nm波段光谱和特征波长建立预测模型，并将效果较优的模型与Normalize方法结合。建立的14种预测模型效果相比较，发现SPA算法筛选的特征波长建模预测效果较好，并优选出Normalize-SPA-PCR模型，模型的RC~2和RP~2值较高，分别为0.974 6和0.977 8,RMSEP和RMSECV值较低，分别为0.238和0.313，模型的稳定性和预测性较好，可以对大豆水分含量进行准确预测。将Normalize-SPA-PCR模型作为大豆水分含量可视化预测模型，计算高光谱图像每个像素点的水分含量，得到灰度图像，对灰度图像进行伪彩色变换，得到大豆水分含量可视化彩色图像。对预测集的24个大豆品种进行可视化处理，发现不同水分含量大豆的可视化图像颜色不同，水分含量变化对应的颜色变化较为明显。结果表明，高光谱成像技术结合化学计量学可以准确快速无损预测大豆水分含量，实现大豆水分含量可视化，为大豆收获、贮藏加工过程中水分含量检测提供了技术支持。