论文部分内容阅读
稻谷是世界上重要的粮食作物之一,也是我国的主要口粮。不同稻谷品种的营养价值及加工特性不尽相同,对稻谷品种的鉴别,是提高居民生活水平,发展优质粮食工程的现实需要。高光谱成像作为一门综合性的高新技术,在获取目标对象外在的图像信息同时,可以探测图像上每一点的光谱反射率,有效实现了“图谱合一”,能够在线获取目标的内外部信息,具有无损、快速、识别精度高的优势。本文以10种稻谷共400个样本作为研究对象,采集400-1000 nm下的高光谱图像实现稻谷品种鉴别,具体研究内容如下:(1)感兴趣区域选择及预处理方法比较.:在稻谷的外颖、内颖和小穗梗区域分别选取30*30像素的平方、20*20像素的平方、5*5像素的平方作为感兴趣区域(regions of interest,ROI),反射率差异:外颖>内颖>小花梗;对ROI区域的原始光谱数据分别进行卷积滤波求导、多元散射校正和标准正态变量变换三种预处理,处理后的波形波动幅度:标准正态变量变换>多元散射校正>卷积滤波求导。(2)稻谷品种的特征提取:利用图像阈值分割和平滑处理,提取了稻谷的四个形态特征:面积、周长、长轴长度、短轴长度;在400-1000 nm波段范围内进行主成分分析(principal component analysis,PCA),共提取到六个特征波段:426 nm、512 nm、640 nm、707 nm、790 nm、860 nm;选取 790 nm 下的单一波长图像提取了稻谷的六个纹理特征:均值、协方差、同质性、反差、信息熵和自相关。提取的特征方差分析结果均为P<0.05,可用于稻谷品种鉴别分析。(3)稻谷品种识别模型的建立:以稻谷的光谱特征、图像特征、融合特征为变量,分别建立稻谷品种识别的Fisher判别分析模型、偏最小二乘回归模型(partial least squares regression,PLSR)、人工神经网络模型(artificial neural network,ANN),比较模型搭配不同特征对稻谷品种的识别精度。研究表明,基于融合特征的ANN模型对稻谷品种的识别率高达99.80%,在分类精度上优于Fisher判别分析模型和PLSR模型,可用于对稻谷品种的良好鉴别,并分析了各特征参数对品种识别的贡献大小和稻谷品种间的“亲缘关系”。