论文部分内容阅读
马铃薯是我国重要的粮食作物，目前我国马铃薯种植量居世界之首，国家为了推进农业转型，促进主食多元化发展，大力扩展马铃薯种植面积，预计到2020年，种植面积将高达1亿亩。马铃薯的主要种植地区为西南、西北一带，而种植的马铃薯要供应全国大部分地区，储藏、运输和加工等都是首要考虑的因素。马铃薯在储藏运输途中会出现损伤病变等，解决实际生产中缺陷马铃薯的识别问题显得尤为重要。 论文利用高光谱半透射光源装置，采集了孔洞、发芽和空心三种缺陷以及合格马铃薯的高光谱图像，马铃薯品种为克新1号。论文从半透射高光谱的光谱信息、图像信息和多分类器融合三个方面进行了研究。主要研究结论如下： （1）确定了SPXY为样本集划分方法。以随机法（RS）、KS法、双向法（Duplex）和SPXY法，分别对480个马铃薯样本以2:1划分为校正集和测试集，其中合格156个、孔洞131个、发芽115个和空心78个。建立K最邻近结点算法（KNN）识别模型，比较不同样本集划分方法对模型识别精度的影响，结果表明，RS法、KS法和Duplex法均存在过拟合现象，所以最终选定SPXY方法划分样本集。 （2）建立基于高光谱光谱空间信息的马铃薯缺陷识别模型，确定最优识别组合为Autoscale-LDA-SVM。在建立识别模型前先对原始高光谱数据分别做了数据规范化（Normalize）、多元散射校正（MSC）、标准正态变量校正（SNV）、导数校正（Derivative）以及标准化（Autoscale）预处理，再对预处理之后的光谱分别进行主成分分析（PCA）、线性判别分析（LDA）和 Laplacian特征映射三种方法的降维，分别以KNN、RBF-NN、C4.5决策树算法和支持向量机（SVM）四种建模方法建立识别模型，比较所有模型的识别精度，以寻找最优的识别组合。建模结果表明，基于光谱空间信息的马铃薯识别模型中精度最高的组合为Autoscale-LDA-SVM，模型总体识别率为95.60％，对合格、孔洞、发芽和空心马铃薯样本单一识别率分别为：96.08%、97.67%、95.24%和100%。 （3）研究基于高光谱图像技术的马铃薯图像特征提取方法。通过对RGB图像与灰度图像的分析，确定基于灰度共生矩阵提取图像特征。将RGB图像转变为灰度图像后，提取图像的4个颜色特征，4个纹理特征，通过特征分析最终确定用于建立图像识别模型的特征包括：共生和均值、共生和方差、共生差方差、能量、对比度、相关性和逆差矩。 （4）建立基于高光谱图像空间信息的马铃薯缺陷识别模型。以提取的7个图像特征分别建立了随机森林（RandomForest）、偏最小二乘判别分析（PLSDA）和支持向量机判别分析（SVMDA）3个图像识别模型，3个模型中RandomForest的识别率最高，SVMDA模型次之，PLSDA对空心识别率为0，所以认为PLSDA模型无效。通过对图像特征值进行了对数化与类中心化处理，提高RandomForest和SVMDA的识别精度，特征优化后的SVMDA模型比RandomForest模型识别率高，总体识别率为89.03%，对合格、孔洞、发芽和空心样本单一识别率分别为86.74%、91.21%、96.56%和73.81%。试验表明，基于高光谱图像识别的马铃薯缺陷检测最优建模方法为SVMDA，该识别模型对发芽有较好的识别效果。 （5）建立光谱空间信息的马铃薯多分类器融合模型。根据基分类器的多样性原则，在已建立光谱识别模型中选取4种模型作为基分类器，分别为：MSC-LDA-RBF、Derivative-LDA-KNN、Autoscale-LDA-C4.5和Autoscale-LAP-SVM，以加权投票法为融合法则，根据每一个基分类器对每一类的识别率确定权值，获得权值矩阵，基分类器并行连接融合得到集成分类器，融合后的总体识别率为98.11%，其中，合格识别率为96.08%，孔洞识别率为97.67%，发芽识别率为100%，空心识别率为100%。结果表明，与单一分类器相比，集成分类器每一种缺陷的识别率都更高。 （6）建立了光谱维和图像维的马铃薯多分类器融合模型。根据基分类器的多样性原则，在基于光谱空间信息所建立的识别模型中选取4个基分类器：MSC-LDA-RBF、Derivative-LDA-KNN、Autoscale-LDA-C4.5和Autoscale-LAP-SVM，在基于图像信息所建立的识别模型中选取SVMDA基分类器，一共5个基分类器并行连接进行融合，以加权投票法为融合法则，确定其权值矩阵，建立集成分类器，集成分类器的识别率为：总体识别率96.85%，其中合格识别率为92.17%，孔洞识别率为97.67%，发芽识别率为100%，空心识别率为100%。对比分析可知，光谱和图像融合的集成分类器较光谱维融合的总体效果稍低，但与单一分类器相比，识别率仍有较大提高。