1 河北农业大学信息科学与技术学院, 河北 保定 071000
2 河北省农业大数据重点实验室, 河北 保定 071000
3 河北农业大学食品科技学院, 河北 保定 071000
高光谱数据中不仅含有关键性信息还存在一些干扰信息和无效信息, 带有干扰信息和无效信息的数据建立模型会降低效率和模型精度。 从全波段数据中提取特征波长是提高关系模型精度的有效方法。 有序预测选择(OPS)是一种依据信息向量选择有效波长变量的特征波长提取算法, 在特征波长变量筛选方面表现了较好地性能。 但由于建立模型时, 没有去除重要性较低的变量, 导致过多的无效变量参与到模型中, 降低了模型的准确率。 论文以羊肉高光谱数据作为研究对象, 提出了一种改进的特征波长变量选择方法, 基于信息向量和指数衰减函数的有序预测选择方法(AW-OPS)对羊肉新鲜度进行检测, 该算法通过光谱数据和理化值数据之间的关系来计算信息向量并对波长变量进行排序, 采用指数衰减函数(EDF)通过多次迭代去除一些信息向量绝对值比较低的波长变量, 最后在已获取的有效波长变量中逐渐增加波长点建立多元回归模型, 选取交叉均方根误差(RMSECV)最小值的波长变量子集为特征波长变量。 实验时, 将OPS法和AW-OPS法在选取特征波长变量后, 分别构建羊肉TVB-N的偏最小二乘(PLS)关系模型, 同时与全光谱波段PLS模型的效果相比较。 结果表明: OPS算法运行程序平均用时为175.9 s, 优选出370个特征波长变量, OPS-PLS模型相关系数(RP)平均为0.963 1, 均方根误差(RMSEP)平均为0.727; 而改进的有序预测选择法(AW-OPS)运行程序平均用时为57.6 s, 优选出275特征波长变量, AW-OPS-PLS模型平均提升到0.973 1, RMSEP平均降低为0.572 8; 全光谱波长数目为1 414个波长变量, 其PLS模型的平均为0.920 8, RMSEP平均为1.048 3。 AW-OPS-PLS模型相较于OPS-PLS模型测试精度提高了21.2%, 相较于全光谱-PLS模型, 测试精度提高了45%, 证明AW-OPS是一种有效特征波长变量筛选方法, 提高了OPS模型精度和程序运行效率, 降低了模型复杂度。
羊肉高光谱数据 信息向量 特征波长变量选择 AW-OPS法 Lamb hyperspectral data Information vector Characteristic wavelength variable AW-OPS
1 四川农业大学机电学院, 四川 雅安 625014
2 四川农业大学信息工程学院, 四川 雅安 625014
猕猴桃糖度是重要的猕猴桃内部品质衡量指标。 传统的糖度检测耗时且有损样品, 有效无损检测猕猴桃糖度含量对于其品质分级、 储藏销售具有重大意义。 基于高光谱成像技术的常见果蔬品质无损检测方法多数是采用竞争性自适应重加权算法(CARS)、 连续投影算法(SPA)、 主成分分析(PCA)、 迭代保留信息变量法(IRIV)等算法中的某个单一算法提取特征光谱变量, 而这些算法单独使用易导致预测结果的稳定性不足。 对此, 开展了基于高光谱成像技术的猕猴桃糖度的无损检测方法研究。 以四川省雅安市“红阳”猕猴桃为研究对象, 依次对猕猴桃样本编号并采集其在400~1 000 nm波长范围内的高光谱图像, 计算感兴趣区域的平均光谱作为样本的有效光谱信息; 分别采用多元散射校正(MSC)、 标准正态变量变换(SNV)、 直接正交信号校正(DOSC)等3种光谱数据预处理方法分析对预测模型精度的影响, 对比结果显示DOSC的预处理效果最好; 对预处理后的光谱分别采用一次降维(CARS, SPA, IRIV)、 一次组合降维(CARS+SPA, CARS+IRIV)算法和二次组合降维算法((CARS+SPA)-SPA, (CARS+IRIV)-SPA))等7种算法提取特征光谱变量, 并分别构建了预测猕猴桃糖度的3种模型, 即支持向量回归机(SVR)、 最小二乘支持向量机(LSSVM)和极限学习机(ELM)模型; 最后对比了基于不同特征提取方法的3种模型的预测精度。 研究结果表明: ELM模型具有最好的预测性能, 而SVR模型的预测性能最差; (CARS+IRIV)-SPA所选特征光谱变量输入LSSVM、 ELM模型, 其获得的预测结果均优于其他算法所选特征光谱变量输入对应模型所得的预测结果, 证明了(CARS+IRIV)-SPA算法在提高猕猴桃糖度含量检测精度方面的有效性。 对比不同方法的预测结果可知, (CARS+IRIV)-SPA-ELM对猕猴桃糖度的预测性能最优, 其相关系数Rc=0.945 1, Rp=0.839 0, 均方根误差RMSEC=0.450 3, RMSEP=0.598 3, 预测相对分析误差RPD=2.535 1, 该方法为猕猴桃糖度的检测无损化、 精准化、 智能化发展提供了可靠的理论依据和技术支撑。
猕猴桃 高光谱成像 糖度 特征光谱变量 极限学习机 Kiwi Hyperspectral imaging Sugar content Characteristic wavelength Extreme learning machine 光谱学与光谱分析
2021, 41(7): 2188
哈尔滨工业大学,超精密光电仪器工程研究所,黑龙江,哈尔滨,150001
提出了一种基于改进的图像差分算法与特征不变量匹配的目标识别方法.通过三帧差值法获得了更完整清晰的目标轮廓,并基于该轮廓信息构造了一个具有平移、大小和旋转不变性的特征不变量;然后提出动态极值匹配法,利用特征曲线的极值信息点进行识别匹配,并动态替换原特征模版.实验结果表明,该方法能够准确识别目标,显著地提高识别跟踪效率,并且适用于检测运动姿态发生变化的目标.对于分辨率为288×352像素,每像素8位量化的序列图像,处理每帧图像平均用时0.011 74 s,其中特征提取与匹配过程平均用时0.005 476 s,能够实现对运动目标的实时分析,可同时满足运动目标识别跟踪中实时性和准确率的要求.
目标识别 轨迹跟踪 差分图像 特征不变量 动态匹配
