15、高光谱图像结合机器学习方法无损检测猕猴桃

高光谱图像结合机器学习方法无损检测猕猴桃

1、发现问题

为实现对过量使用1-MCP化学保鲜剂猕猴桃快速、无损检测,提出高光谱技术结合机器学习建立识别模型的检测方法。

还没有人对滥用化学保鲜剂而导致猕猴桃果品安全的问题开展研究工作。

2、整体思路

首先对空白猕猴桃和过量化学保鲜猕猴桃在865.11~1 711.71nm 范围内进行高光谱数据采集。然后选用标准正态变量变换方法预处理原始光谱数据以去除噪声,采用波段比算法增强图像,数学形态学算法提取感兴趣区域,进而计算光谱平均值。最后采用主成份分析(PCA)、竞争性自适应加权(CARS)方法对全光谱数据(FS)进行特征提取,去除干扰项;以 PCA 和 CARS提取的特征量和 FS数据作为输入,结合偏最小二乘(PLS)和支持向量机(SVM)建立12个识别模型。试验结果表明,基于 PLS和 SVM 建立的识别模型均能够有效检测过量化学保鲜猕猴桃,其中 CARS-SVM 模型性能最好,平均正确识别率达100%,运行速度最快,仅为0.015 348s。

3、光谱数据处理

3、1原始高光谱图像预处理

采用多元散射校正、标准正态变量变换、一阶、二阶微分等多种方法进行预处理测试,最后发现采用标准正态变量变换能够较好的去除光谱噪声。接下来采用波段比算法增强图像,提取感兴趣区域,计算 光谱均值。
15、高光谱图像结合机器学习方法无损检测猕猴桃_第1张图片

3.2提取特征参数

你可能感兴趣的:(高光谱文献阅读)