针对传统垩白大米检测主观随意性大、 可重复性低、 检测过程耗时费力、 准确率低等问题, 提出一种基于可见光谱图结合深度学习算法的垩白大米检测手段。 用CCD彩色摄像机获取垩白大米和正常大米可见光谱图, 对图像进行旋转、 翻转以及调整对比度等随机图像变换方式提升网络训练数据集, 防止深度检测模型在学习过程中出现过拟合现象。 构建了7层深层次卷积神经网络模型, 包括卷积层、 池化层、 全连接层和输入输出层, 通过网络模型对采样的大米可见光谱图集进行卷积与池化操作, 采用迭代学习训练方法获取大米可见光谱图在卷积层输出的特征参数, 采用连接非线性ReLU激活函数来降低训练时间, 以加速大米可见光谱图有效抽象特征提取的收敛速度； 然后将深度神经网络嵌入池化层, 对大米特征降维以获取能够表达正常大米和垩白大米可鉴别显著意义特征； 最后在全连接层输出进行分类, 从而实现对垩白大米的精确识别。 基于可见光谱图的大米垩白深度检测方法比传统基于可见光谱图的垩白大米鉴别特征提取方法免去了复杂的特征提取步骤, 由于卷积网络提取的特征对特定目标具有更鲁棒的表达, 算法精度较高且复杂度比较小, 泛化效果更好, 获得识别精度达到90%, 比基于传统特征提取的垩白大米鉴别方法识别精度高, SIFT+SVM, PHOG+SVM和GIST+SVM模型识别精度分别为70.83%, 77.08%和79.16%。 提出的方法为当前我国现代农业生产中实现大米品质自动化快速精准检测提供了理论依据和有效的技术手段, 对于现阶段实现大米品质人工智能检测产生实际意义。

开展了低温冷冻和机械损伤条件下马铃薯高光谱图像特征响应特性研究。 采用卓立汉光公司Image~λ“谱像”系列高光谱相机获取完好的、 低温冷冻和机械损伤条件下的光谱波段范围为387～1 035 nm的马铃薯高光谱图像; 截取校正后的像素尺寸大小为60×60的马铃薯高光谱中部完好的图像并计算该区域平均反射率值; 冻伤的马铃薯样本的反射光谱曲线在440, 560和680 nm附近有明显吸收峰; 机械损伤样本在560和680 nm附近有明显吸收峰, 在680 nm附近吸收峰谷值明显低于冻伤样本; 完好的马铃薯样本反射光谱曲线相对较为平滑, 在560和680 nm附近未见明显吸收峰; 撞伤样本在440, 560和680 nm附近存在吸收峰, 而在410 nm附近有一个明显的反射峰。 四类马铃薯样本的反射光谱曲线特征峰值表现出一定的指纹特性, 因而可以被用于后续品质特征检测分析使用。 由于仪器或检测环境、 光照强弱等因素影响, 光谱数据中掺杂噪声, 因此采用化学计量学预处理方法消除噪声的影响; 随机选取70%的马铃薯四类样本的反射光谱作为训练数据, 剩余的30%作为测试集; 接着, 利用极端梯度提升算法、 类型提升算法和轻量梯度提升机算法来获取马铃薯高光谱图像的有效特征波谱, 减少高维海量高光谱数据对后续品质分类模型的影响; 最后, 将提取到的有效特征波长构建马铃薯品质判别模型。 在建立的分类模型中, 使用的轻量梯度提升机+逻辑斯蒂回归达到最高的判别精度98.86%。 该研究为将来高光谱图像成像技术在现代农业生产加工过程中马铃薯品质有效监测与控制提供理论基础和技术支撑。

提出一种基于可见光谱图多模态词典特征低秩稀疏表示框架的大豆外观品质判别方法,以精确确定大豆品质等级。首先,提取大豆粒子可见光谱图像的多尺度空间梯度特征和色差分量(YCbCr)颜色空间特征;将上述提取的空间梯度特征和颜色空间特征看作视觉词汇,通过Kernel K-means聚类算法获取视觉词汇的核空间局部分布聚类中心,形成视觉词典;然后,使用低秩稀疏表示法耦合上述两种特征,用于消除高维异质模态词典描述符中冗余信息的影响;最后,在高维耦合空间中根据样本之间的度量对低秩稀疏耦合表示多模态词典特征进行分类。所提方法充分利用多模态多尺度空间梯度特征和YCbCr颜色空间特征来描述大豆粒子外观品质的语义特征归属。实验结果表明:建模集和预测集总的识别精度分别达92.7%和80.1%,所提方法的识别精度优于文献中提出的基于单一模态的视觉词典特征表示方法。

提出一种基于流行降维的近红外光谱技术快速判别大米贮藏期的新方法。 采用近红外光谱仪获取陈年米和新米的反射光谱特征曲线, 利用直接正交信号矫正法(direct orthogonal signal correction, DOSC)对原始光谱进行预处理, 滤除光谱数据中与因变量Y矩阵无关的信号, 以消除无关信息对后续特征变量建模精度的影响。 采用Durbin-Watson和Run测试法定性分析光谱数据结构的非线性性, 并利用增强偏残差图(augmented partial residual plot)定量分析大米光谱曲线的非线性程度。 分别采用线性流行降维法包括主成分分析法(PCA)和多维尺度分析法(MDS)以及非线性流行降维法包括等距映射法(ISOMAP)、 局部线性嵌入法(LLE)和拉普拉斯特征映射法(LE)提取预处理后光谱数据的本征变量, 并结合核偏最小二乘方法(KPLS)建立本征变量与贮藏时间属性之间的耦合模型。 实验用陈年米和新米的样本数均为200个, 随机将训练集和测试集样本划分为300个和100个。 通过比较各个模型的预测结果得出, 基于ISOMAP非线性降维法提取的40个本征变量建立的回归模型预测效果最好, 预测相关系数(R2P)、 预测均方根误差(RMSEP)和预测相对分析误差值(RPD)分别为0.917, 0.187和2.698。 实验结果说明提出的方法对于大米贮藏期具有很好的鉴别能力, 该研究为今后大米贮藏期的快速无损检测提供了科学的手段。

功率谱曲线的半高宽是谐振法测量光学谐振腔腔体损耗的重要参数之一。针对测量的电压曲线存在噪声大、纹波大、波形失真严重等问题,采用扫频激光作为入射光源,利用Labview软件编程对实验数据进行曲线拟合,有效地去除了测量噪声,使电压曲线的半高宽具有较好的重复性。最后按照一定的算法将其转换为功率谱曲线的半高宽, 从而计算出被测腔体的损耗。在不增加硬件成本的基础上提高了测量精度。

针对压电陶瓷驱动器的非线性应变,以压电陶瓷微位移驱动原理为基础, 分析了扫频激光器腔长控制原理; 在硬件时钟的定时下, 分析了压电陶瓷的驱动特性, 并通过调整驱动信号的步长电压来调节压电陶瓷的非线性。设计了基于虚拟仪器的控制系统,并对线性化方法进行了原理分析和实验。实验结果表明,该测量系统可以使压电陶瓷在其伸长范围内线性地伸长。