1 黑龙江八一农垦大学信息与电气工程学院, 黑龙江 大庆 163000
2 黑龙江八一农垦大学食品学院, 黑龙江 大庆 163000
稻谷在储藏和运输过程中, 在适宜的温湿度环境下极易发生霉变, 导致大量的粮食浪费和巨大的经济损失, 进而影响粮食安全。 为解决传统的稻谷霉变检测存在的繁琐且耗时较长等不足, 提出了基于近红外光谱图像处理和神经网络的稻谷霉变程度检测方法。 首先, 通过农业多光谱相机(Sequoia)和固定光源等设备, 构建了霉变稻谷近红外图像数据采集平台, 获取了黑龙江地区牡响、 早香、 彩稻三个品种不同的霉变状态(健康稻谷、 轻度霉变、 中度霉变)的近红外光谱成像数据。 对于近红外光谱图像的160×160像素有效区域, 应用数字图像处理技术结合光谱图像分析方法, 分析了NIR图像多种纹理特征和光谱反射值频率特性, 优选不同稻谷品种霉变状态的光谱特征, 计算了近红外图像的纹理特征(均值、 标准差、 平滑度、 三阶距、 一致性、 信息熵、 平均梯度、 分形维数)以及间隔步长0.1时NIR光谱图像在0.2~0.8区间反射值频率, 共计14维度的光谱图像特性指标。 最后, 以提取NIR图像的特征向量为依据, 利用前馈神经网络的自适应推理机制, 建立了稻谷霉变程度与其近红外图像特征之间的非线性映射模型, 该神经网络结构为14-60-3型, 进一步将网络输出编码向量解析至稻谷霉变等级, 实现了稻谷霉变程度的快速检测方法。 结果表明: 本文提出检测模型在学习次数为28 455次时达到预设的目标精度0.06, 所提取的稻谷NIR图像特征与模型输出的相关系数为0.85。 仿真测试中该检测模型所计算出的网络输出值和期望输出值的误差平均值为0.521 39, 方差为0.137 82, 误差的标准差为0.371 23, 对于不同稻谷的霉变程度检测的准确率为93.33%。 该研究为实现稻谷霉变程度无损检测提供了新方法, 为稻谷仓储时霉变早期自动快速检测提供了技术支持。
稻谷霉变 NIR光谱图像 提取特征 神经网络 检测模型 Rice mildew NIR spectral images Feature extraction Neural networks Detection model
1 黑龙江八一农垦大学工程学院, 黑龙江 大庆 163319
2 黑龙江八一农垦大学信息与电气工程学院, 黑龙江 大庆 163319
3 黑龙江八一农垦大学食品学院, 黑龙江 大庆 163319
4 国家杂粮工程技术研究中心, 黑龙江 大庆 163319
产地是影响农作物生产的重要环境因素, 产地溯源对于食品安全具有重要意义。 针对传统农产品产地检测一般采用化学分析法, 其操作繁琐且存在破坏性和耗时较长等不足的问题, 以北方寒地绿豆为研究对象, 分别在白城、 杜蒙、 泰来等优质绿豆主产区, 获取绿豆的籽粒和粉末两种状态的近红外光谱数据（NIR）, 利用优选NIR光谱特征波数, 建立了绿豆产地无损检测的新方法。 首先在吸光度值较强的10 105.37~4 078.655 cm-1波数范围内, 采用多元散射校正法（MSC）, 对不同产地的绿豆原始光谱数据进行预处理, 以消除光谱干扰信息。 应用竞争性自适应重加权采样算法（CARS）, 优选不同产地绿豆籽粒和粉末状态的光谱特征波数, 以减少光谱曲线的特征向量维度。 最后利用前馈神经网络（BP）自适应推理机制, 建立了绿豆产地与其光谱特征波数之间非线性映射模型, 并将网络输出的编码向量解析至产地名称, 作为绿豆产地检测的输出结果。 研究结果表明: （1）原始光谱经过多元散射校正预处理后, 绿豆粉末光谱曲线的误差从12.87降到3.20, 绿豆籽粒光谱曲线的误差从153.04降到27.73, 提供有效可靠的光谱数据。 （2）通过竞争性自适应重加权采样算法, 提取绿豆光谱曲线的重要特征波数, 从籽粒和粉末状态原始2 114个波数中, 分别优化为61个和107个特征波数, 波段总数目减少了94.94%以上, 并将其作为绿豆产地识别的特征指标。 （3）创新性提出了MSC-CARS-BP绿豆产地检测模型, 以优选出的光谱特征波数为定量依据, 分别对绿豆籽粒和粉末进行产地检测, 预测集准确率为92.59%和98.63%, 相关系数均达到0.99以上。 该方法能够利用近红外光谱处理技术, 实现绿豆产地无损检测的目标, 为农产品产地自动快速溯源提供了技术支持和参考。
绿豆产地 光谱技术 提取特征 无损检测 溯源模型 Origin of mung bean Spectral technology Characteristic extraction Nondestructive detecting Traceability model 光谱学与光谱分析
2021, 41(4): 1188
