1 石河子大学机械电气工程学院, 新疆 石河子 832003
4 农业部食品质量监督检验测试中心(石河子), 新疆 石河子 832000
针对哈密瓜表面农药残留化学检测方法成本高且具有破坏性等问题, 探索了可见-近红外(Vis-NIR)光谱技术对农药残留定性判别的可行性。 以哈密瓜为载体, 百菌清和吡虫啉农药为研究对象, 采集哈密瓜表面无残留、 百菌清和吡虫啉残留的可见-近红外漫反射光谱, 利用格拉姆角场(GAF)将一维光谱数据转换为二维彩色图像, 构建GAF图像数据集。 设计一种包含Inception结构的多尺度卷积神经网络模型用于哈密瓜表面农药残留种类判别, 包括1层输入层、 3层卷积层、 1层融合层、 1层平坦层、 2层全连接层和1层输出层。 模型测试混淆矩阵结果表明, 格拉姆角差场(GADF)变换对哈密瓜表面农药残留的可见-近红外光谱表达能力较强。 此外, 构建AlexNet、 VGG-16卷积神经网络(CNN)模型和支持向量机(SVM)、 极限学习机(ELM)机器学习模型与提出的多尺度CNN模型进行性能对比。 结果表明, 3种CNN模型对哈密瓜表面有无农药残留的判别效果较好, 综合判别准确率均高于SVM和ELM模型。 对比3种CNN模型性能, 多尺度CNN模型的性能最佳, 训练耗时为14 s, 综合判别准确率为98.33%。 多尺度CNN模型结构利用多种小尺寸滤波器组合(1×1, 3×3和5×5)和并行卷积模块, 能够捕获不同层次和尺度的特征, 通过级联融合模式进行深度特征融合, 提高了模型的特征提取能力。 与传统深度CNN模型相比, 在保证计算复杂度不变的情况下, 多尺度CNN模型的精度得到了有效提高。 实验结果表明, GADF变换结合多尺度CNN模型可以有效进行光谱数据解析, 利用可见-近红外光谱技术可以实现哈密瓜表面农药残留的定性判别。 研究结果为大型瓜果表面农药残留的快速无损检测技术的研发提供了理论参考。
哈密瓜 格拉姆角场变换 可见-近红外光谱 多尺度卷积神经网络 农药残留判别 Hami melon Gramian angular fields transformation Visible/near infrared spectroscopy Multi-scale convolutional neural network Pesticide residue discriminant 光谱学与光谱分析
2021, 41(12): 3701
1 石河子大学食品学院, 新疆 石河子 832000
2 石河子大学机械电气工程学院, 新疆 石河子 832000
3 中国农业大学工学院, 北京 100083
可溶性固形物含量(SSC)和硬度是哈密瓜划分等级的重要指标, 同时也是其成熟度的表征因子。 因此, 为满足哈密瓜自动化分级和适宜采摘, 采用高光谱技术结合特征波长筛选的方法, 同时对哈密瓜的可溶性固形物含量、 硬度及成熟度进行了无损检测研究。 对多元散射校正(MSC)处理后的光谱分别利用连续投影算法(SPA)、 竞争性自适应重加权算法(CARS)和CARS-SPA方法筛选了哈密瓜可溶性固形物和硬度的特征波长, 并将原始光谱、 MSC预处理后的光谱和所筛选的特征波长作为输入变量分别建立哈密瓜可溶性固形物和硬度的支持向量机(SVM)预测模型及成熟度判别模型。 结果显示, MSC-CARS-SPA方法所建立的可溶性固形物和硬度SVM预测模型最优, 其Rpre, RMSEP和RPD分别为0940 4, 0402 7, 294 1和0825 3, 3522, 1771。 同时对哈密瓜成熟度进行了判别分析, 并分别建立了基于全光谱、 单一的可溶性固形物或硬度特征波长和主成分分析(PCA)特征融合的哈密瓜成熟度SVM判别模型。 结果显示, CARS-PCA-SVM模型的判别结果与全光谱SNV-SVM模型相同, 其校正集和预测集判别正确率分别为95%和94%。 研究表明, 利用高光谱技术结合特征波长筛选方法可实现同时对哈密瓜可溶性固形物和硬度的定量预测及成熟度判别。
高光谱 哈密瓜 可溶性固形物 硬度 成熟度 特征波长 判别分析 Hyperspectral imaging technology Hami melon Soluble solids content Firmness Maturity Characteristic wavelengths Discriminant analysis 光谱学与光谱分析
2017, 37(7): 2184
1 石河子大学机械电气工程学院
2 石河子大学新疆兵团农业机械重点实验室，新疆 石河子 832003
提出利用高光谱对哈密瓜坚实度进行检测的方法，对比分析了不同波段范围、不同预处理法、不同光程校正法和不同定量校正算法对哈密瓜坚实度预测模型准确度的影响.实验结果表明，在500~820 nm波段光谱区域，采用偏最小二乘法对经过标准正则变换校正的一阶微分处理的光谱建模效果较优，其校正集相关系数为0.873，校正均方根误差为4.18N，预测集相关系数为0.646，预测均方根误差为6.40N.研究表明，应用高光谱对哈密瓜坚实度的无损检测研究具有可行性.
光谱学 高光谱成像技术 无损检测 偏最小二乘法 坚实度 哈密瓜 Spectroscopy Hyperspectral imaging technique Nondestructive detection Partial least square Firmness Hami melon
1 石河子大学机械电气工程学院, 新疆 石河子832003
2 新疆兵团农业机械重点实验室, 新疆 石河子832003
利用高光谱成像系统获得网纹类哈密瓜糖度漫反射光谱信息, 选择有效波段500～820 nm进行哈密瓜糖度检测建模回归分析。 对比了多元散射信号修正和标准正则变换校正方法, 原始光谱、 一阶微分、 二阶微分光谱预处理方法对建模精度的影响; 采用偏最小二乘法、 逐步多元线性回归和主成分回归方法对比分析了带皮哈密瓜和去皮哈密瓜糖度检测模型效果。 结果表明, 对原始光谱经过MSC和一阶微分光谱处理后, 采用PLS和SMLR方法均可取得很好的建模效果, 应用PLS法检测带皮哈密瓜糖度是可行的, 其校正集相关系数（Rc）为0.861, RMSEC为0.627, 预测集相关系数（Rp）为0.706, RMSEP为0.873; 应用SMLR法检测去皮哈密瓜糖度效果最佳, 校正集相关系数(Rc)为0.928, RMSEC为0.458, 预测集相关系数(Rp)为0.818, RMSEP为0.727。 研究表明, 应用高光谱成像技术检测哈密瓜糖度具有可行性。
高光谱成像 漫反射 哈密瓜 糖度 无损检测 Hyperspectral imaging Diffuse reflection Sugar content Hami melon Nondestructive detecting 光谱学与光谱分析
2012, 32(11): 3093
