湖北省自然科学基金(2011CDA033)
- 作品数：16 被引量：291H指数：11
- 相关作者：李小昱陶海龙高海龙徐森淼黄涛更多>>
- 相关机构：华中农业大学湖北工业大学浙江农林大学更多>>
- 发文基金：湖北省自然科学基金国家自然科学基金国家教育部博士点基金更多>>
- 相关领域：农业科学自动化与计算机技术理学轻工技术与工程更多>>
- 半透射高光谱多指标同时检测马铃薯内外部缺陷
- 2015年
- 目的应用半透射高光谱成像技术结合支持向量机(support vector machine,SVM)模型实现马铃薯内外部缺陷多指标同时检测。方法采集310个马铃薯样本半透射高光谱图像,并分别采用标准正态变量变换(standard normalized variate,SNV)、归一化(normalize)和平滑处理(smoothing)对光谱信息进行预处理。进一步采用竞争性自适应重加权算法结合无信息变量消除法(competitive adaptive reweighed sampling algorithm,uninformative variable elimination,CARS-UVE)进行特征波长选择,提高模型识别率。结果原始光谱信息经归一化预处理和竞争性自适应重加权算法结合无信息变量消除法(CARS-UVE)降维后所建的支持向量机(SVM)模型识别结果最优,该方法对合格、绿皮和黑心马铃薯样本预测结果分别为90.7%、88.9%、95.7%,混合识别率为91.3%。结论采用半透射高光谱成像技术结合CARS-UVE方法所建SVM模型能够实现马铃薯内外部缺陷多指标同时检测。
- 徐梦玲李小昱库静曲宝羊
- 关键词：高光谱成像支持向量机马铃薯
- 马铃薯缺陷透射和反射机器视觉检测方法分析被引量：18
- 2014年
- 针对反射机器视觉技术若同时检测马铃薯内外部缺陷存在检测精度不高的问题,提出一种基于透射机器视觉技术的马铃薯内外部缺陷无损检测方法。通过对获取的马铃薯透射和反射图像预处理方法的比较研究,确定上山法结合区域生长法为马铃薯透射和反射图像特征的最优分割方法;采用偏最小二乘-支持向量机分别建立了透射和反射图像的马铃薯缺陷识别模型并进行了比较。在对马铃薯内部缺陷进行检测时,透射和反射图像所建模型的判别正确率分别为96.30%、59.26%;在对马铃薯外部缺陷进行检测时,透射和反射图像所建模型的判别正确率分别为94.20%、89.86%;在对马铃薯内外部缺陷进行同时检测时,透射和反射图像所建模型的判别正确率分别为95.83%、81.25%。研究结果表明,无论是对马铃薯内部或外部缺陷单独进行检测,还是对内外部缺陷同时进行检测,透射方法均比反射方法精度更高。
- 李小昱陶海龙高海龙李鹏黄涛孙金风
- 关键词：马铃薯机器视觉
- 马铃薯无损检测技术的研究进展被引量：5
- 2012年
- 马铃薯的快速无损检测和分级是提高马铃薯综合加工效益的重要保障。为了能充分运用最新研究成果,综述了国内外马铃薯无损检测技术方面的研究进展,并对其研究方向进行了展望,以期为无损检测技术在马铃薯品质检测方面更深入地研究和广泛地应用提供参考。
- 孙金风李小昱汪成龙洪云端王苗
- 关键词：马铃薯无损检测
- 半透射高光谱结合流形学习算法同时识别马铃薯内外部缺陷多项指标被引量：5
- 2015年
- 针对马铃薯内外部缺陷多项指标难以同时识别的问题,提出了一种半透射高光谱成像技术采用流形学习降维算法与最小二乘支持向量机（LSSVM）相结合的方法,该方法可同时识别马铃薯内外部缺陷的多项指标。试验以315个马铃薯样本为研究对象,分别采集合格、外部缺陷（发芽和绿皮）和内部缺陷（空心）马铃薯样本的半透射高光谱图像,同时为了符合生产实际,将外部缺陷马铃薯的缺陷部位以正对、侧对和背对采集探头的随机放置方式进行高光谱图像采集。提取马铃薯样本高光谱图像的平均光谱（390~1 040nm）进行光谱预处理,然后分别采用有监督局部线性嵌入（SLLE）、局部线性嵌入（LLE）和等距映射（Isomap）三种流形学习算法对预处理光谱进行降维,并分别建立基于纠错输出编码的最小二乘支持向量机（ECOC-LSSVM）多分类模型。通过分析和比较建模结果,确定SLLE为最优降维算法,SLLE-LSSVM为最优马铃薯内外部缺陷识别模型,该方法对测试集合格、发芽、绿皮和空心马铃薯样本的识别率分别达到96.83%,86.96%,86.96%和95%,混合识别率达到93.02%。试验结果表明：基于半透射高光谱成像技术结合SLLE-LSSVM的定性分析方法能够同时识别马铃薯内外部缺陷的多项指标,为马铃薯内外部缺陷的快速在线无损检测提供了技术参考。
- 黄涛李小昱金瑞库静徐森淼徐梦玲武振中孔德国
- 关键词：高光谱成像流形学习纠错输出编码最小二乘支持向量机马铃薯
- 基于高光谱图像和光谱信息融合的马铃薯多指标检测方法被引量：25
- 2015年
- 针对随机放置的马铃薯缺陷多项指标难以同时检测的问题,提出了一种基于高光谱信息融合的流形学习降维算法与极限学习机（extreme learning machine,ELM）相结合的方法,该方法可同时识别马铃薯的多项缺陷指标。分别采集发芽、绿皮、黑心和合格马铃薯的反射高光谱数据（390~1 040 nm）,在光谱维,提取马铃薯样本感兴趣区域（region of interest,ROI）的平均光谱,分别采用扩散映射（diffusion maps,DM）、局部线性嵌入（locally linear embedding,LLE）和海森局部线性嵌入（hessian locally linear embedding,HLLE）3种流形学习降维算法对光谱数据进行降维;在图像维,对马铃薯伪彩色图像进行形态学处理,获取基于灰度共生矩阵（gray level co-occurrence matrix,GLCM）的图像纹理信息,采用连续投影算法（successive projections algorithm,SPA）优选图像纹理特征;融合光谱维信息和图像维信息,分别建立基于极限学习机（ELM）与支持向量机（support vector machine,SVM）的马铃薯多分类识别模型。结果表明,扩散映射结合极限学习机（DM-ELM）模型的预测结果较优,该模型对发芽、绿皮、黑心和合格马铃薯样本的单一识别率分别为97.30%、93.55%、94.44%和100%,混合识别率达到96.58%,时间为0.11 s,可知高光谱信息融合技术结合流形学习降维算法可同时识别随机放置马铃薯的多种缺陷指标。
- 金瑞李小昱颜伊芸徐梦玲库静徐森淼胡雪雪
- 关键词：高光谱成像流形学习极限学习机图像纹理特征马铃薯
- 基于流形学习算法的马铃薯机械损伤机器视觉检测方法被引量：32
- 2014年
- 针对马铃薯表面芽眼和凹凸不平的影响,使之马铃薯机械损伤难以检测的问题,该文提出了一种基于流形学习算法的马铃薯机械损伤检测方法。首先利用马铃薯图像的显著图分割出马铃薯区域,然后利用主成分分析(principal component analysis,PCA)、等距映射(isometric mapping,Isomap)和局部线性嵌入(locally-linear embedding,LLE)3种流形学习方法提取马铃薯区域图像特征参数,然后分别建立基于3种流形特征的支持向量机(support vector machine,SVM)分类模型PCA-SVM、Isomap-SVM和LLE-SVM,利用网格搜索法(grid search)、遗传算法(genetic algorithm,GA)以及粒子群算法(particle swarm optimization,PSO)3种模型参数优化方法,优化支持向量机模型的惩罚参数c和RBF核参数g,以建立最优分类模型,最后比较3种分类模型的识别效果,确定最优分类模型。研究结果表明,PCA-SVM分类模型对训练集识别率为100%,测试集识别率为100%;Isomap-SVM分类模型对训练集识别率为100%,测试集识别率为91.7%;LLE-SVM分类模型对训练集识别率为100%,测试集识别率为91.7%,表明PCA、Isomap和LLE 3种流形学习方法用于马铃薯机械损伤检测是可行的,其中PCA-SVM分类模型检测效果最优。
- 汪成龙李小昱武振中周竹冯耀泽
- 关键词：机器视觉流形学习机械损伤马铃薯
- 基于多源信息融合技术的马铃薯痂疮病无损检测方法被引量：19
- 2013年
- 为了提高马铃薯痂疮病无损检测识别精度,基于机器视觉和近红外光谱的多源信息融合技术,该文提出DS(dempster shafer)证据理论结合支持向量机的马铃薯痂疮病无损检测方法。试验以360个马铃薯为研究对象,在图像特征分割时,确定了差影法结合马尔可夫随机场模型法为最佳分割方法;在光谱特征提取时,确定主成分分析方法为最佳降维方法。采用支持向量机识别方法分别建立机器视觉和近红外光谱的马铃薯痂疮病识别模型,模型对测试集马铃薯识别率分别为89.17%、91.67%。采用DS证据理论与支持向量机相结合的方法对获取的图像特征和光谱特征进行融合,建立了基于机器视觉和近红外光谱技术的多源信息融合马铃薯痂疮病检测模型,该模型对测试集马铃薯识别率为95.83%。试验结果表明,该技术对马铃薯痂疮病进行检测是可行的,融合模型比单一的机器视觉模型或近红外光谱模型识别率高。
- 李小昱陶海龙高海龙李鹏黄涛任继平
- 关键词：近红外光谱信息融合无损检测机器视觉马铃薯
- 透射和反射高光谱成像的马铃薯损伤检测比较研究被引量：13
- 2013年
- 针对马铃薯损伤部位随机放置会影响检测精度的问题,提出从正对相机、背对相机及侧对相机三个方向,应用透射和反射高光谱成像技术采集马铃薯图像,进行透射和反射高光谱成像的马铃薯损伤检测比较研究。对透射和反射高光谱图像进行独立成分(IC)分析和特征提取,利用所得特征对反射图像进行二次IC分析,对透射和反射光谱进行变量选择,最终分别建立基于反射图像、反射光谱、透射光谱的马铃薯损伤定性识别模型;对识别准确率高的模型做进一步优化,采用子窗口排列分析(SPA)算法对透射光谱的特征做二次选择得到3个光谱变量,并建立任意放置的马铃薯损伤识别最优模型。试验结果表明,基于反射图像、反射光谱建立的模型识别准确率较低,其中基于反射图像的马铃薯碰伤,侧对相机识别准确率最低为43.10%;基于透射光谱信息建立的模型识别准确率较高,损伤部位正对、背对相机的识别准确率均为100%,侧对相机为99.53%;马铃薯损伤识别最优模型对任意放置的损伤识别准确率为97.39%。应用透射高光谱成像技术可以检测任意放置方向下的马铃薯损伤,该研究可为马铃薯综合品质的在线检测提供技术支持。
- 高海龙李小昱徐森淼陶海龙李晓金孙金风
- 关键词：马铃薯
- 马铃薯干物质含量高光谱检测中变量选择方法比较被引量：34
- 2012年
- 为提高利用高光谱成像技术快速检测马铃薯干物质含量的精度,比较了主成分分析法(PCA)、组合间隔偏最小二乘法(siPLS)、遗传偏最小二乘法(GA-PLS)、无信息变量消除法(UVE)以及竞争性自适应重加权算法(CARS)等变量选择方法。在此基础上提出一种竞争性自适应重加权算法与连续投影算法(SPA)相结合的波长选择方法,最终将原始光谱变量从678个减少到了27个。用27个变量建立多元线性回归模型,模型预测集相关系数Rp为0.86,预测均方根误差为1.06%。实验结果表明:高光谱成像技术能够对马铃薯干物质含量进行检测,同时CARS-SPA是一种有效的变量选择方法。
- 周竹李小昱高海龙陶海龙李鹏文东东
- 关键词：马铃薯干物质
- 半透射高光谱成像技术与支持向量机的马铃薯空心病无损检测研究被引量：16
- 2015年
- 针对马铃薯空心病的难以检测问题,提出了一种基于半透射高光谱成像技术结合支持向量机（support vector machine,SVM）的马铃薯空心病无损检测方法。选取224个马铃薯样本（合格149个,空心75个）作为研究对象,搭建了马铃薯半透射高光谱图像采集系统,采集了马铃薯样本半透射高光谱图像（390~1 040nm）,对感兴趣区域内的光谱进行平均和光谱特征分析。采用变量标准化（normalize）对原始光谱进行光谱预处理,建立了全波段的SVM判别模型,模型对测试集样本的识别准确率仅为87.5%。为了提高模型性能,采用竞争性自适应重加权算法（competitive adaptive reweighed sampling algorithm,CARS）结合连续投影算法（successive projection algorithm,SPA）对光谱全波段520个变量进行变量选择,最终确定了8个光谱特征变量（454,601,639,664,748,827,874和936nm）,所选8个光谱变量建立的SVM模型对马铃薯测试集的识别率为94.64%。分别采用人工鱼群算法（artificial fish swarm algorithm,AFSA）、遗传算法（genetic algorithm,GA）和网格搜索法（grid search algorithm）对SVM模型的惩罚参数c和核参数g进行优化。经过建模比较分析,确定AFSA为最优优化算法,最优模型参数为c=10.659 1,g=0.349 7,确定AFSASVM模型为马铃薯空心病的最优识别模型,该模型总体识别率达到100%。试验结果表明：基于半透射高光谱成像技术结合CARS-SPA与AFSA-SVM方法能够对马铃薯空心病进行准确的检测,也为马铃薯空心病的快速无损检测提供技术支持。
- 黄涛李小昱徐梦玲金瑞库静徐森淼武振中
- 关键词：高光谱成像支持向量机人工鱼群算法空心病马铃薯
