高光谱成像的猕猴桃形状特征检测

摘要

猕猴桃形状特征是猕猴桃在产后分级处理过程的一项重要指标,不仅影响果实外观,也决定果实等级高低的划分.传统的形状分级方法大多采用人工分级,存在耗时长、效率低、重复性差且易受人为主观影响等问题.针对传统猕猴桃形状分级存在的问题,研究利用高光谱成像建立猕猴桃正常果和畸形果的分类检测方法.以成熟期的248个金魁猕猴桃(正常果107个,畸形果141个)作为研究样本,先利用可见-近红外高光谱成像系统采集猕猴桃样本的光谱数据,再采用主成分分析法对光谱数据进行降维,得到第一主成分图像.随后提取第一主成分图像的3个特征波长(682,809和858 nm),并对其进行融合计算,生成新的光谱图像(融合图像).然后利用四叉树分解算法对融合图像进行分割处理,并计算掩膜图像所对应的12组形状特征参数,结合偏最小二乘线性判别分析(PLS-LDA)、反向传播神经网络(BPNN)、最小二乘支持向量机(LSSVM)建立判别模型,对比分析,最终得到猕猴桃形状特征的最佳分类模型.结果表明,所建立的三种分类模型中,BPNN和LSSVM模型的分类效果较好,总体分类准确率均在95% 以上;PLS-LDA的效果略差,训练集和测试集的总体准确率分别为80.12% 和76.83%.其中BPNN模型训练集和测试集的总体分类准确率分别为98.19% 和97.56%,总体误判个数分别为3和2,而LSSVM模型的总体准确率分别为97.59% 和95.12%,总体误判个数分别为4和4.对猕猴桃正常果的检测,三种模型的分类效果分别为:LSSVM最好、BPNN其次、PLS-LDA最差.对猕猴桃畸形果的检测,三种模型的分类效果分别为:BPNN最优、LSSVM其次,PLS-LDA效果最差.因此,猕猴桃形状特征的最佳分类模型是BPNN模型.试验结果说明,可利用高光谱成像对猕猴桃形状特征进行分类判别.为猕猴桃形状特征的快速、准确无损检测研究提供了理论支持.