湯哲君+湯全武+張然+史崇升

摘要：探索利用高光譜成像技術(shù)識(shí)別馬鈴薯外部損傷的方法。對(duì)外部?jī)鰝C(jī)械損傷、摔傷和正常4類共162個(gè)馬鈴薯樣本進(jìn)行高光譜成像試驗(yàn)，對(duì)試驗(yàn)得到的原始數(shù)據(jù)進(jìn)行主成分分析以實(shí)現(xiàn)數(shù)據(jù)降維，從降維后的特征圖像中提取均值、標(biāo)準(zhǔn)差、平滑度、三階矩、一致性、熵6個(gè)描繪子組成特征向量，把特征向量分別輸入貝葉斯分類器、BP神經(jīng)網(wǎng)絡(luò)和SVM神經(jīng)網(wǎng)絡(luò)3個(gè)模型進(jìn)行識(shí)別，結(jié)果貝葉斯分類器模型對(duì)凍傷和機(jī)械損傷兩類馬鈴薯相互誤判嚴(yán)重，BP神經(jīng)網(wǎng)絡(luò)模型對(duì)機(jī)械損傷類馬鈴薯識(shí)別率低，而SVM神經(jīng)網(wǎng)絡(luò)模型較前兩個(gè)模型的識(shí)別率有明顯提高，是最為適合的馬鈴薯外部損傷識(shí)別模型。

關(guān)鍵詞：高光譜成像技術(shù)；馬鈴薯外部損傷；主成分分析；貝葉斯分類器；神經(jīng)網(wǎng)絡(luò)模型

中圖分類號(hào)：S532；TN911.73 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2014）15-3634-05

Identifying Potato External Damage Based on Hyperspectral Image System

and SVM Networks

TANG Zhe-jun1，TANG Quan-wu2，ZHANG Ran1，SHI Chong-sheng1

（1.School of Physics & Electrical Information， Ningxia University， Yinchuan 750021， China；

2.China Mobile Group Ningxia Company Limited， Yinchuan 750002， China）

Abstract： Identifying potato external damage using hyperspectral image system was explored. The experiment of hyperspectral image was carried out for external frostbite， mechanical damage， hurt and normal（a total of 162） potato. Principal component analysis was performed to realize data dimensionality reduction based on the original experimental data. The mean， standard deviation， smoothness， third moment， uniformity， entropy of 6 depicts extracted from the dimensionality reduction feature image were used to composite the sub-feature vector. The eigenvector was input separately to bayesian classifier， the BP neural network and SVM neural network model for identification. The results showed that bayesian classifier model seriously misjudged frostbite and mechanical damage potatoes. The recognition rate of BP neural network model was low for mechanical damage type of potato. The SVM neural network model obviously improved recognition rate among the first two models and was the most suitable model for identifying potato external damage.

Key words： hyperspectral image system；potato external damage；principal component analysis； bayesian classifiers；neural network model

收稿日期：2014-05-15

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目（61261044）

作者簡(jiǎn)介：湯哲君（1990-），女，甘肅民勤人，在讀碩士研究生，研究方向?yàn)樾畔⑻幚?，（電話?8595110182（電子信箱）362917459@qq.com；通訊

作者，湯全武，副教授，主要從事信息處理和農(nóng)產(chǎn)品無(wú)損檢測(cè)研究，（電話）13909597790（電子信箱）tangqw@nxu.edu.cn。

無(wú)損檢測(cè)領(lǐng)域的常用技術(shù)是近紅外光譜技術(shù)[1]，可以檢測(cè)農(nóng)產(chǎn)品的內(nèi)外部品質(zhì)，但近紅外光譜技術(shù)只提供對(duì)農(nóng)產(chǎn)品一個(gè)小區(qū)域的檢測(cè)，由于馬鈴薯等農(nóng)產(chǎn)品品質(zhì)在空間上存在差異，所以該方法對(duì)馬鈴薯外部損傷檢測(cè)還存在一定的局限。高光譜成像技術(shù)是把二維成像技術(shù)和光譜技術(shù)有機(jī)結(jié)合的先進(jìn)技術(shù)，以空間識(shí)別的方法獲取目標(biāo)的光譜信息，包含兩維的空間信息和一維的光譜信息，具有連續(xù)多波段、光譜分辨率高（通常精度可達(dá)2～3 nm）等特點(diǎn)，是多信息融合檢測(cè)果品綜合品質(zhì)的首選技術(shù)[2]。

目前，國(guó)內(nèi)對(duì)高光譜成像技術(shù)的研究剛起步，在馬鈴薯品質(zhì)預(yù)測(cè)模型建立方面的研究更為稀少，本文要識(shí)別的馬鈴薯外部損傷為凍傷、機(jī)械損傷和摔傷，首先對(duì)凍傷、機(jī)械損傷、摔傷和正常馬鈴薯進(jìn)行高光譜成像試驗(yàn)，接著對(duì)得到的原始高光譜圖像數(shù)據(jù)立方體進(jìn)行主成分分析以達(dá)到降維的目的，最后分別建立貝葉斯分類器模型、BP神經(jīng)網(wǎng)絡(luò)模型和SVM神經(jīng)網(wǎng)絡(luò)模型對(duì)4種馬鈴薯進(jìn)行識(shí)別，選出最優(yōu)識(shí)別模型。endprint

1 馬鈴薯外部損傷的高光譜成像試驗(yàn)與數(shù)據(jù)處理

1.1 試驗(yàn)材料

試驗(yàn)在寧夏大學(xué)農(nóng)學(xué)院食品機(jī)械與工程實(shí)驗(yàn)室進(jìn)行。試驗(yàn)樣品采自寧夏回族自治區(qū)銀川市同心路農(nóng)貿(mào)市場(chǎng)。馬鈴薯品種為棵新10號(hào)，其中凍傷馬鈴薯樣本40個(gè)，機(jī)械損傷馬鈴薯樣本42個(gè)，摔傷馬鈴薯樣本40個(gè)，正常馬鈴薯樣本40個(gè)，共162個(gè)馬鈴薯樣本。

1.2 試驗(yàn)設(shè)備及其參數(shù)設(shè)置

采用美國(guó)Headwall公司生產(chǎn)的（光譜范圍400～1 000 nm）高光譜成像儀進(jìn)行圖像采集。光譜儀光譜范圍為400～1 000 nm，光譜分辨率2.8 nm。

根據(jù)測(cè)量物品性質(zhì)，確定試驗(yàn)參數(shù)為：物距約為270 mm，成像光譜儀的曝光時(shí)間為5 ms，掃描線實(shí)際長(zhǎng)度為140 mm，樣本表面平均照度為27 333 lx，掃描時(shí)的電機(jī)步距為150 μm。數(shù)據(jù)采集時(shí)，線陣探測(cè)器在光學(xué)焦平面的垂直方向做橫向掃面，從而獲取所掃描空間中每個(gè)像素在整個(gè)光譜區(qū)域的光譜信息，與此同時(shí)樣本在輸送裝置的作用下做垂直于攝像機(jī)的縱向移動(dòng)，最終完成整個(gè)馬鈴薯樣本圖像的采集。所采集到的圖像塊既包含有特定像素的光譜信息也具有特定波段下的圖像信息。

1.3 圖像采集與數(shù)據(jù)獲取

采用美國(guó)NI公司生產(chǎn)的CD-1079 LABVIEW型高光譜圖像采集軟件和Andor Luca相機(jī)軟件，高光譜圖像采集過(guò)程為：先把各種外部損傷馬鈴薯樣本做清潔處理。再為每個(gè)試驗(yàn)馬鈴薯貼標(biāo)簽，注明損傷類型與編號(hào)，并為每個(gè)馬鈴薯拍照。最后每個(gè)馬鈴薯依次進(jìn)行高光譜成像試驗(yàn)，得到高光譜圖像數(shù)據(jù)立方體和光譜數(shù)據(jù)。部分高光譜圖片如圖1至圖8所示。每個(gè)馬鈴薯樣本的試驗(yàn)數(shù)據(jù)為一個(gè)文件類型數(shù)據(jù)文件和一個(gè)后綴為.hdr的文件。

1.4 圖像預(yù)處理

高光譜成像儀采集的馬鈴薯樣品原始圖像數(shù)據(jù)立方體數(shù)據(jù)量非常龐大，由于在高光譜成像儀全波段范圍內(nèi)每隔2.8 nm取一幅圖像，在帶來(lái)全面精確的圖像信息的同時(shí)，也使得圖像間的信息相關(guān)性很高，信息冗余度很大。所以，原始高光譜圖像數(shù)據(jù)不適合直接代入模型進(jìn)行判別，而要對(duì)其進(jìn)行預(yù)處理。此次使用ENVI 4.7軟件中的主成分分析法[3，4]對(duì)每一個(gè)馬鈴薯樣本的高光譜圖像數(shù)據(jù)立方體作全波段（468～1 000 nm）的主成分分析，也即對(duì)圖像數(shù)據(jù)立方體降維，選出對(duì)感興趣區(qū)域特征明顯的主成分圖像。具體步驟與分析為：

在ENVI 4.7軟件下對(duì)每個(gè)馬鈴薯樣本的高光譜圖像數(shù)據(jù)立方體做全波段（468～1 000 nm）主成分分析，首先，發(fā)現(xiàn)原始高光譜圖像數(shù)據(jù)立方體中的背景占有相當(dāng)比例的圖像面積（如圖1至圖8），而這些背景對(duì)分析處理沒(méi)有價(jià)值，所以在做主成分分析前先盡可能去掉周邊背景。

其次，發(fā)現(xiàn)所有馬鈴薯樣本原始高光譜圖像數(shù)據(jù)立方體中400～467 nm這段波長(zhǎng)范圍的圖像噪聲比較大，這是實(shí)驗(yàn)設(shè)備的固有品質(zhì)造成的，所以舍棄這段波長(zhǎng)，對(duì)所有馬鈴薯樣本原始高光譜圖像數(shù)據(jù)立方體從468～1 000 nm作主成分分析。

最后，經(jīng)過(guò)主成分分析發(fā)現(xiàn)凍傷類、機(jī)械損傷類馬鈴薯樣本的第2主成分圖像在損傷區(qū)域特征明顯，正常類馬鈴薯樣本的第1主成分圖像在損傷區(qū)域特征明顯，摔傷類馬鈴薯樣本的第4主成分圖像在損傷區(qū)域特征明顯。

所以，最終選定凍傷類（圖9）、機(jī)械損傷類（圖10）馬鈴薯樣本的第2主成分圖像為該類的特征圖像，正常類馬鈴薯樣本的第1主成分圖像（圖11）為該類的特征圖像，摔傷類馬鈴薯樣本的第4主成分圖像（圖12）為該類的特征圖像。

2 模型建立

使用MATLAB 2011b軟件分別編程建立貝葉斯分類器模型、BP神經(jīng)網(wǎng)絡(luò)模型和SVM神經(jīng)網(wǎng)絡(luò)模型對(duì)4種馬鈴薯進(jìn)行識(shí)別，輸入模型的特征圖像為8位無(wú)符號(hào)整形灰度圖像。

2.1 采用貝葉斯分類器建立模型

最優(yōu)統(tǒng)計(jì)分類器中的貝葉斯分類器[5，6]有如下形式的決策函數(shù)：

dj（X）=P（X/ωj）P（ωj） j=1，2，…，W （1）

式中，p（X/ωj）是類ωj的模式向量的概率密度函數(shù)（PDF），P（ωj）是類ωj發(fā)生的概率。給定一個(gè)未知的模式向量Xi，其過(guò)程是計(jì)算全部W個(gè)決策函數(shù)，然后將該模式歸到?jīng)Q策函數(shù)最大的那一類中去。

此次設(shè)定概率密度函數(shù)為高斯概率密度函數(shù)。將高斯概率密度函數(shù)代入公式（1），得到如下形式的決策函數(shù)：

dj（X）=lnP（ωj）-lnCj-[（X-mj）TC（X-mj）] （2）

式中，j=1，2，…，W?？梢钥闯?，方括號(hào)內(nèi)的項(xiàng)是Mahalanobis距離，此距離越小，dj（X）的值越大，說(shuō)明模式Xi屬于第j類的可能性越大。

模型中用來(lái)識(shí)別分類馬鈴薯的模式向量X中的參量（描繪子）[7]分別為：均值、標(biāo)準(zhǔn)差、平滑度、三階矩、一致性、熵。

在Matlab軟件中建立bayesgauss函數(shù)，function d=bayesgauss（X， CA， MA， P），輸入?yún)⒘縓為k行n列的模式矩陣，k為要識(shí)別的樣本數(shù)，特征矩陣中的每一行為一個(gè)樣本的模式向量，所以n為模式向量中的描繪子數(shù)。CA為n×n×W的協(xié)方差矩陣，模式矩陣中的n列向量相互做協(xié)方差生成協(xié)方差矩陣，所以n為描繪子數(shù)，W為要識(shí)別的類別數(shù)。MA為n行W列的均值矩陣，對(duì)模式矩陣中的每一列求均值，生成均值行向量，轉(zhuǎn)置后把W類模式矩陣生成的均值向量按行排列，即為MA。P為每類樣本出現(xiàn)的概率，如果省略則默認(rèn)為每類樣本出現(xiàn)的概率相等。輸出參量d為k行1列的向量，每行的值表示X中對(duì)應(yīng)行的樣本屬于哪一類。

基于貝葉斯分類器模型的樣本特征圖像識(shí)別結(jié)果如表1所示。

2.2 采用BP神經(jīng)網(wǎng)絡(luò)建立模型

BP-ANN是由輸入層、隱含層和輸出層組成的前饋神經(jīng)網(wǎng)絡(luò)，它的特點(diǎn)是信號(hào)前向傳遞，誤差反向傳播[8，9]。BP-ANN的基本思想是：在信號(hào)前向傳遞中，輸入信號(hào)從輸入層輸入BP-ANN，經(jīng)過(guò)隱含層逐層處理后進(jìn)入輸出層；若輸出層輸出的結(jié)果不是期望的輸出結(jié)果，則由信號(hào)前向傳遞轉(zhuǎn)入誤差反向傳播，將輸出層誤差反向傳播回去并借以修正網(wǎng)絡(luò)權(quán)值和閾值，使BP-ANN預(yù)測(cè)輸出結(jié)果不斷逼近期望的輸出結(jié)果。BP-ANN的拓?fù)浣Y(jié)構(gòu)如圖13所示。endprint

在圖13中，X1，X2，…，Xn是BP-ANN輸入值；Y1，Y2，…，Ym是BP-ANN預(yù)測(cè)輸出值；和是BP-ANN權(quán)值。由圖13可看出，BP-ANN可以看成一個(gè)非線性函數(shù)，網(wǎng)絡(luò)輸入值和預(yù)測(cè)輸出值分別為該非線性函數(shù)的自變量和因變量。設(shè)BP-ANN的輸入層、隱含層和輸出層分別有n、k和m個(gè)節(jié)點(diǎn)，則BP-ANN結(jié)構(gòu)為n-k-m。和上述模型一致，依舊選用均值、標(biāo)準(zhǔn)差、平滑度、三階矩、一致性、熵6個(gè)描繪子組成的向量來(lái)作為每個(gè)樣本的輸入數(shù)據(jù)。在MATLAB分析軟件中，實(shí)現(xiàn)BP-ANN主要用到newff、train和sim三個(gè)神經(jīng)網(wǎng)絡(luò)函數(shù)，各函數(shù)調(diào)用格式如下：

1）newff（BP-ANN參數(shù)設(shè)置函數(shù)）功能是構(gòu)建一個(gè)BP-ANN，其調(diào)用格式為：

net=newff（P，T，S，TF，BTF，BLF，PF，IPF，OPF，DDF）

式中，P為輸入數(shù)據(jù)，T為輸出數(shù)據(jù)，S為隱含層的節(jié)點(diǎn)數(shù)，TF為節(jié)點(diǎn)傳遞函數(shù)，BTF為訓(xùn)練函數(shù)，BLF為網(wǎng)絡(luò)學(xué)習(xí)函數(shù)。在使用時(shí)，一般只設(shè)置前面6個(gè)參數(shù)，后面4個(gè)參數(shù)均使用系統(tǒng)的默認(rèn)參數(shù)。

2）train（BP-ANN訓(xùn)練函數(shù)）功能是用訓(xùn)練數(shù)據(jù)來(lái)訓(xùn)練BP-ANN，其調(diào)用格式為：

[net，tr]=train（NET，X，T，Pi，Ai）

式中，NET是待訓(xùn)練的網(wǎng)絡(luò)，X是輸入數(shù)據(jù)，T是輸出數(shù)據(jù)，net是訓(xùn)練好的BP-ANN，tr是訓(xùn)練過(guò)程記錄。在使用時(shí)，一般只設(shè)置前面3個(gè)參數(shù)，后面兩個(gè)參數(shù)均使用系統(tǒng)的默認(rèn)參數(shù)。

3）sim（BP-ANN預(yù)測(cè)函數(shù)）功能是用已經(jīng)訓(xùn)練好的BP-ANN預(yù)測(cè)函數(shù)輸出，其調(diào)用格式為：

y=sim（net，x）

式中，net是已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)，x是輸入數(shù)據(jù)，y是BP-ANN預(yù)測(cè)數(shù)據(jù)。

基于BP神經(jīng)網(wǎng)絡(luò)模型的樣本特征圖像識(shí)別結(jié)果如表2所示。

2.3 采用SVM神經(jīng)網(wǎng)絡(luò)建立模型

支持向量機(jī)[10，11]（Support Vector Machine， 簡(jiǎn)稱SVM）理論基礎(chǔ)是由Vapnik和Chemielewaski提出的，它可用于模式分類和非線性回歸。SVM是一種實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的分類技術(shù)，它具有出色的小樣本學(xué)習(xí)性能和良好的泛化性能，與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)法相比，它具有在小樣本下高精度地逼近函數(shù)的能力，并且可以避免維數(shù)災(zāi)難，具有一定的工程實(shí)用價(jià)值。支持向量機(jī)實(shí)現(xiàn)的是如下思想：它通過(guò)某種事先選擇非線性映射將輸入向量x映射到一個(gè)高維特征空間，在這個(gè)空間構(gòu)造最優(yōu)分類超平面，如圖14所示，Q（.）為非線性映射函數(shù)。SVM的體系結(jié)構(gòu)如圖15所示。

在圖15中，K為核函數(shù)，其種類主要有：線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)和兩層感知器核函數(shù)。和上述兩種模型一致，依舊選用均值、標(biāo)準(zhǔn)差、平滑度、三階矩、一致性、熵6個(gè)描繪子組成的向量作為每個(gè)樣本的屬性。

選取libsvm工具箱實(shí)現(xiàn)SVM神經(jīng)網(wǎng)絡(luò)。libsvm工具箱主要函數(shù)是svmtrain和svmpredict，各函數(shù)調(diào)用格式如下：

1）svmtrain（訓(xùn)練函數(shù)）功能是用于訓(xùn)練一個(gè)SVM神經(jīng)網(wǎng)絡(luò)，其調(diào)用格式為：

model=svmtrain（labels_train，input_train，cmd）

式中，labels_train為校正集的標(biāo)簽；input_train為校正集的屬性；cmd為一些選項(xiàng)參數(shù)；model為訓(xùn)練得到的SVM神經(jīng)網(wǎng)絡(luò)（分類模型）。

2）svmpredict（預(yù)測(cè)函數(shù)）功能是用訓(xùn)練好的SVM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出，其調(diào)用格式為：

[predict_label，accuracy]=svmpredict（labels_test，inputn_test，model，cmd）

式中，labels_test為預(yù)測(cè)集的標(biāo)簽；i inputn_test為預(yù)測(cè)集的屬性；model為訓(xùn)練得到的分類模型；cmd為一些選項(xiàng)參數(shù)；predict_label為預(yù)測(cè)得到的輸出值；accuracy為分類準(zhǔn)確率。

馬鈴薯SVM外部損傷鑒別模型圖如圖16所示。

基于BP神經(jīng)網(wǎng)絡(luò)模型的樣本特征圖像識(shí)別結(jié)果如表3所示。

3 小結(jié)

使用全方面、高精度表現(xiàn)被測(cè)樣本的高光譜成像技術(shù)，同時(shí)分別建立貝葉斯分類器模型、BP神經(jīng)網(wǎng)絡(luò)模型和SVM神經(jīng)網(wǎng)絡(luò)模型對(duì)馬鈴薯外部損傷進(jìn)行識(shí)別。首先對(duì)每個(gè)樣本進(jìn)行高光譜成像，接著對(duì)得到的原始高光譜圖像數(shù)據(jù)立方體進(jìn)行主成分分析，即圖像數(shù)據(jù)降維，得到每個(gè)樣本的特征圖像，最后從每幅特征圖像中得到由均值、標(biāo)準(zhǔn)差、平滑度、三階矩、一致性、熵6個(gè)描繪子組成的特征向量， 把特征向量輸入模型， 得到相應(yīng)的識(shí)別結(jié)果。試驗(yàn)結(jié)果表明，貝葉斯分類器模型對(duì)凍傷類馬鈴薯識(shí)別率較低，僅為50%，另外50%樣本全部誤判為機(jī)械損傷類，而對(duì)機(jī)械損傷類識(shí)別時(shí)出現(xiàn)的3個(gè)誤判也全部誤判為凍傷類，可見(jiàn)本模型對(duì)這兩類外部損傷相互誤判嚴(yán)重。BP神經(jīng)網(wǎng)絡(luò)模型較前述貝葉斯分類器模型對(duì)正常類馬鈴薯的識(shí)別率提高，但對(duì)機(jī)械損傷類馬鈴薯的識(shí)別率下降。SVM神經(jīng)網(wǎng)絡(luò)模型較前兩個(gè)模型的識(shí)別率有明顯提高，表現(xiàn)出出色的小樣本學(xué)習(xí)性能和良好的泛化性能，可見(jiàn)SVM神經(jīng)網(wǎng)絡(luò)模型的識(shí)別效果最好。

參考文獻(xiàn)：

[1] DOU Y， MI H， ZHAO L， et al. Radial basis function neural networks in non-destructive determination of compound aspirin tablets on NIR spectroscopy[J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy，2006，65：79-83.endprint

[2] 洪添勝，李 震，吳春胤，等.高光譜圖像技術(shù)在水果品質(zhì)無(wú)損檢測(cè)中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23（11）：280-285.

[3] 李江波，饒秀勤，應(yīng)義斌，等.基于高光譜成像技術(shù)檢測(cè)臍橙潰瘍[J].農(nóng)業(yè)工程學(xué)報(bào)，2010，26（8）：222-228.

[4] ARIANA D P，LU R. Evaluation of internal defect and surface color of whole pickles using hyperspectral imaging[J].Journal of Food Engineering， 2010， 96（4）：583-590.

[5] 王利民，李雄飛，張海龍.基于廣義信息論的貝葉斯分類器動(dòng)態(tài)建模[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2009，39（3）：776-780.

[6] 董立巖，苑森淼，劉光遠(yuǎn)，等.基于貝葉斯分類器的圖像分類[J].吉林大學(xué)學(xué)報(bào)（理學(xué)版），2007，45（2）：249-253.

[7] 張 然.基于高光譜成像技術(shù)的馬鈴薯外部損傷識(shí)別研究[D].銀川：寧夏大學(xué)，2013.

[8] 王遵義，邵詠妮.基于小波變換和神經(jīng)網(wǎng)絡(luò)的可見(jiàn)-近紅外光譜對(duì)煙草品種的鑒別[J].浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版），2009，35（6）：655-658.

[9] 毛 健，趙紅東，姚婧婧.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J].電子設(shè)計(jì)工程，2011，19（24）：62-65.

[10] SUN T， LIN H J， XU H R， et al. Effect of fruit moving speed on predicting soluble solids content of‘Cuiguanpears （Pomaceae pyrifolia nakai cv. cuiguan） using PLS and LS-SVM regression[J].Postharvest Biology and Technology，2009， 51：86-90.

[11] 吳桂芳，何 勇.基于主成分分析和支持向量機(jī)的山羊絨原料品種鑒別分析[J].光譜學(xué)與光譜分析，2009，29（6）：1541-1544.endprint

[2] 洪添勝，李 震，吳春胤，等.高光譜圖像技術(shù)在水果品質(zhì)無(wú)損檢測(cè)中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23（11）：280-285.

[3] 李江波，饒秀勤，應(yīng)義斌，等.基于高光譜成像技術(shù)檢測(cè)臍橙潰瘍[J].農(nóng)業(yè)工程學(xué)報(bào)，2010，26（8）：222-228.

[4] ARIANA D P，LU R. Evaluation of internal defect and surface color of whole pickles using hyperspectral imaging[J].Journal of Food Engineering， 2010， 96（4）：583-590.

[5] 王利民，李雄飛，張海龍.基于廣義信息論的貝葉斯分類器動(dòng)態(tài)建模[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2009，39（3）：776-780.

[6] 董立巖，苑森淼，劉光遠(yuǎn)，等.基于貝葉斯分類器的圖像分類[J].吉林大學(xué)學(xué)報(bào)（理學(xué)版），2007，45（2）：249-253.

[7] 張 然.基于高光譜成像技術(shù)的馬鈴薯外部損傷識(shí)別研究[D].銀川：寧夏大學(xué)，2013.

[8] 王遵義，邵詠妮.基于小波變換和神經(jīng)網(wǎng)絡(luò)的可見(jiàn)-近紅外光譜對(duì)煙草品種的鑒別[J].浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版），2009，35（6）：655-658.

[9] 毛 健，趙紅東，姚婧婧.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J].電子設(shè)計(jì)工程，2011，19（24）：62-65.

[10] SUN T， LIN H J， XU H R， et al. Effect of fruit moving speed on predicting soluble solids content of‘Cuiguanpears （Pomaceae pyrifolia nakai cv. cuiguan） using PLS and LS-SVM regression[J].Postharvest Biology and Technology，2009， 51：86-90.

[11] 吳桂芳，何 勇.基于主成分分析和支持向量機(jī)的山羊絨原料品種鑒別分析[J].光譜學(xué)與光譜分析，2009，29（6）：1541-1544.endprint

[2] 洪添勝，李 震，吳春胤，等.高光譜圖像技術(shù)在水果品質(zhì)無(wú)損檢測(cè)中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23（11）：280-285.

[3] 李江波，饒秀勤，應(yīng)義斌，等.基于高光譜成像技術(shù)檢測(cè)臍橙潰瘍[J].農(nóng)業(yè)工程學(xué)報(bào)，2010，26（8）：222-228.

[4] ARIANA D P，LU R. Evaluation of internal defect and surface color of whole pickles using hyperspectral imaging[J].Journal of Food Engineering， 2010， 96（4）：583-590.

[5] 王利民，李雄飛，張海龍.基于廣義信息論的貝葉斯分類器動(dòng)態(tài)建模[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2009，39（3）：776-780.

[6] 董立巖，苑森淼，劉光遠(yuǎn)，等.基于貝葉斯分類器的圖像分類[J].吉林大學(xué)學(xué)報(bào)（理學(xué)版），2007，45（2）：249-253.

[7] 張 然.基于高光譜成像技術(shù)的馬鈴薯外部損傷識(shí)別研究[D].銀川：寧夏大學(xué)，2013.

[8] 王遵義，邵詠妮.基于小波變換和神經(jīng)網(wǎng)絡(luò)的可見(jiàn)-近紅外光譜對(duì)煙草品種的鑒別[J].浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版），2009，35（6）：655-658.

[9] 毛 健，趙紅東，姚婧婧.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J].電子設(shè)計(jì)工程，2011，19（24）：62-65.

[10] SUN T， LIN H J， XU H R， et al. Effect of fruit moving speed on predicting soluble solids content of‘Cuiguanpears （Pomaceae pyrifolia nakai cv. cuiguan） using PLS and LS-SVM regression[J].Postharvest Biology and Technology，2009， 51：86-90.

[11] 吳桂芳，何 勇.基于主成分分析和支持向量機(jī)的山羊絨原料品種鑒別分析[J].光譜學(xué)與光譜分析，2009，29（6）：1541-1544.endprint