王紅軍

黎鄒鄒

黎源鴻

(華南農(nóng)業(yè)大學(xué)工程學(xué)院，廣東 廣州 510642)

?

基于高光譜技術(shù)的馬鈴薯外部品質(zhì)檢測(cè)

王紅軍

黎鄒鄒

黎源鴻

(華南農(nóng)業(yè)大學(xué)工程學(xué)院，廣東 廣州 510642)

為了快速無(wú)損檢測(cè)馬鈴薯外部品質(zhì)，研究采用高光譜成像技術(shù)對(duì)馬鈴薯外部品質(zhì)分級(jí)。選取合格、發(fā)芽、綠皮、孔洞4種馬鈴薯外部特征，獲取光譜數(shù)據(jù)，采用不同預(yù)處理方法對(duì)光譜數(shù)據(jù)進(jìn)行處理，并分別建立偏最小二乘判別模型，結(jié)果顯示采用標(biāo)準(zhǔn)正態(tài)變量變換法(SNV)獲得的模型效果最優(yōu)。對(duì)預(yù)處理后的光譜數(shù)據(jù)利用連續(xù)投影算法(SPA)及加權(quán)權(quán)重法(WWM)分別優(yōu)選出了13個(gè)和9個(gè)特征波段，對(duì)兩種不同方法得出的特征波段分別建立了支持向量機(jī)判別模型，結(jié)果顯示兩種方法對(duì)預(yù)測(cè)集的判別準(zhǔn)確率均達(dá)到了100%，WWM-SVM判別模型對(duì)校正集的交叉驗(yàn)證率為99.5%，高于SPA-SVM判別模型的交叉驗(yàn)證率。利用高光譜成像技術(shù)結(jié)合SPA-SVM和WWM-SVM對(duì)馬鈴薯外部品質(zhì)進(jìn)行分級(jí)具有可行性。

高光譜成像技術(shù)；馬鈴薯；連續(xù)投影算法；加權(quán)權(quán)重法；支持向量機(jī)

馬鈴薯是人類(lèi)四大糧食作物之一，僅次于水稻、小麥、玉米[1]。中國(guó)是世界上種植馬鈴薯面積最大的國(guó)家，實(shí)現(xiàn)馬鈴薯的主糧化，也是中國(guó)今后必然的戰(zhàn)略選擇[2]。然而目前中國(guó)的馬鈴薯質(zhì)量不高，商品利用率低，一個(gè)很大的問(wèn)題就是沒(méi)有對(duì)馬鈴薯進(jìn)行嚴(yán)格的分級(jí)[3]。

傳統(tǒng)的分級(jí)方法主要為人工識(shí)別，依據(jù)人自身的經(jīng)驗(yàn)判斷，雖然正確率非常高，但是效率低，勞動(dòng)強(qiáng)度大。高光譜技術(shù)是近年來(lái)高速發(fā)展的一門(mén)新的技術(shù)，它是光譜技術(shù)與圖像技術(shù)的有機(jī)結(jié)合[4]。利用高光譜技術(shù)既可以檢測(cè)農(nóng)產(chǎn)品的大小[5]、損傷[6-9]，也可以對(duì)農(nóng)產(chǎn)品糖度、硬度等其他內(nèi)部成分進(jìn)行定量分析[10-13]。洪添勝等[14]基于高光譜圖像技術(shù)，利用人工神經(jīng)網(wǎng)絡(luò)建立了雪花梨含糖量和含水率的預(yù)測(cè)模型，結(jié)果顯示預(yù)測(cè)值和實(shí)際值的相關(guān)系數(shù)分別為0.996，0.94；單佳佳等[15]結(jié)合高光譜圖像處理和光譜分析方法，實(shí)現(xiàn)了蘋(píng)果內(nèi)部品質(zhì)和外部品質(zhì)的同時(shí)檢測(cè)；Zhu等[16]以高光譜成像技術(shù)結(jié)合判別分析方法對(duì)6個(gè)品種小麥單粒種子進(jìn)行了識(shí)別，取得了較好結(jié)果。在馬鈴薯檢測(cè)方面，周竹等[17]通過(guò)缺陷及合格樣本的高光譜圖像，采用主成分分析法確定了5個(gè)特征波段并結(jié)合波段比算法和均勻二次差分算法，使缺陷識(shí)別率達(dá)到了95.65%；高海龍等[18]分別采集了正對(duì)、側(cè)對(duì)及背對(duì)相機(jī)的三種馬鈴薯的透射和反射的高光譜圖像，對(duì)所獲取圖像使用兩次IC分析，并建立相應(yīng)的PLS-DA識(shí)別模型，結(jié)果表明正對(duì)相機(jī)的透射圖像的準(zhǔn)確率最高，最后利用子窗口排列分析算法進(jìn)一步優(yōu)化了PLS-DA識(shí)別模型，使得損傷總體的識(shí)別率達(dá)到了97.39%。

目前利用高光譜技術(shù)對(duì)馬鈴薯外部品質(zhì)的檢測(cè)主要集中在利用馬鈴薯的高光譜圖像結(jié)合圖像處理技術(shù)分割出缺陷區(qū)域，對(duì)于缺陷種類(lèi)的判別比較復(fù)雜[12]。本研究主要基于馬鈴薯外部不同特征的光譜數(shù)據(jù)之間的差別，比較不同預(yù)處理方法及不同特征波段的選取方法建立判別模型的效果，并且提出一種基于主成分分析法選擇特征波段的改進(jìn)算法，將改進(jìn)算法結(jié)合支持向量機(jī)進(jìn)行試驗(yàn)數(shù)據(jù)分析，旨在為馬鈴薯外部品質(zhì)的無(wú)損檢測(cè)提供參考。

1 材料與方法

1.1 馬鈴薯樣本

所用的馬鈴薯樣本均采購(gòu)自廣東省廣州市長(zhǎng)湴果蔬市場(chǎng)，品種為費(fèi)烏瑞它。按照馬鈴薯等級(jí)規(guī)格[19]，選取240個(gè)馬鈴薯，其中外部損傷(發(fā)芽、綠皮、孔洞)各60個(gè)，合格60個(gè)。將樣本經(jīng)過(guò)簡(jiǎn)單處理進(jìn)行高光譜圖像的獲取，圖1為4種外部品質(zhì)的馬鈴薯樣本的高光譜圖像。

圖1 4種品質(zhì)的馬鈴薯樣本(510 nm圖像)Figure 1 Four qualities of potato samples(510 nm image)

1.2 儀器設(shè)備

試驗(yàn)使用北京卓立漢光公司研發(fā)的Zo-lix-HyperSIS高光譜成像系統(tǒng)見(jiàn)圖2。硬件主要由成像光譜儀(含CCD攝像頭)、光源、暗箱、電移動(dòng)載物臺(tái)、驅(qū)動(dòng)電機(jī)和裝有圖像采集卡的計(jì)算機(jī)等組成，光譜儀的測(cè)量范圍為370～1 000 nm，采樣間隔為1.2 nm。利用HyperSIS高光譜成像系統(tǒng)配套的SpectraSENS-V3.0軟件采集高光譜數(shù)據(jù)，設(shè)定曝光時(shí)間為5 ms，平臺(tái)移動(dòng)速度為12 mm/s，掃描距離為200 mm。研究中用到的數(shù)據(jù)分析軟件有Envi 4.7、Unscrambler 9.7、Excel 2007、Matlab 2014a。

圖2 高光譜成像系統(tǒng)Figure 2 Hyperspectral imaging system

1.3 方法

1.3.1 高光譜圖像的采集 全部樣本在開(kāi)始采集圖像前需要預(yù)先進(jìn)行校正處理。分別通過(guò)蓋住相機(jī)鏡頭獲取全黑圖像和采集標(biāo)準(zhǔn)背板圖像獲取白圖像，最終通過(guò)式(1)得到校正后的光譜圖像(R)：

(1)

式中：

R0——獲得的原始高光譜圖像，Lux；

D——全黑圖像，Lux；

W——反射率為99%的白圖像，Lux；

R——校正后的圖像，Lux。

1.3.2 感興趣區(qū)域光譜的獲取 選取經(jīng)過(guò)校正的高光譜圖像中感興趣區(qū)域的光譜平均值作為該樣本的光譜反射值，每個(gè)感興趣區(qū)域的像素值范圍在20～120。高光譜圖像在采集范圍內(nèi)的首端和末端存在較大的噪音，去掉首端和末端噪音大的波段，確定450～950 nm的光譜及圖像用于后續(xù)分析，得到了圖3所示的各缺陷馬鈴薯在450～950 nm的平均光譜曲線(xiàn)圖。

圖3 4種品質(zhì)馬鈴薯樣本光譜曲線(xiàn)Figure 3 Four qualities of potato sample spectral

由圖3可知，各缺陷馬鈴薯樣本的平均光譜曲線(xiàn)差別較大，其中合格、發(fā)芽、孔洞馬鈴薯樣本的平均光譜在450～950 nm呈現(xiàn)遞增趨勢(shì)，并且合格馬鈴薯樣本平均光譜一直大于發(fā)芽、孔洞馬鈴薯樣本平均光譜；綠皮馬鈴薯樣本的平均光譜起伏比較大，在680 nm左右處呈現(xiàn)明顯波谷，并在720 nm左右超過(guò)合格馬鈴薯樣本的平均光譜值。

1.3.3 波段選取方法 光譜數(shù)據(jù)量一般比較大，雖然能夠更多地體現(xiàn)對(duì)象的屬性特征，但是也會(huì)在一定程度上造成數(shù)據(jù)的冗余，給后續(xù)的分析處理帶來(lái)一定的麻煩。在利用光譜數(shù)據(jù)建立數(shù)學(xué)模型時(shí)，一般要先進(jìn)行特征波段的選取。SPA算法是一種新興的波長(zhǎng)選取方法[20]，能夠有效消除眾多波長(zhǎng)變量之間的共線(xiàn)性影響，是一種特征變量前向選擇算法。

本研究采用了連續(xù)投影算法(successive projections algorithm，SPA)和一種基于主成分分析法的改進(jìn)算法來(lái)選取特征波段。

2 結(jié)果與分析

2.1 光譜數(shù)據(jù)預(yù)處理

高光譜數(shù)據(jù)采集過(guò)程中，光源分布不均以及各種噪聲和誤差的存在都會(huì)對(duì)光譜數(shù)據(jù)產(chǎn)生一定的影響。在利用獲取的光譜數(shù)據(jù)建模前必須進(jìn)行光譜預(yù)處理，本試驗(yàn)采用了無(wú)處理、移動(dòng)平滑(MAS)、Savitzky Golay平滑、中值濾波平滑(MFS)、歸一化、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、多元散射校正(MSC)、標(biāo)準(zhǔn)正態(tài)變量校正(SNV)、中心化(MC)10種方法對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理。將240個(gè)樣本按照K-stone算法[21]選取192個(gè)樣本作為建模集，剩余48個(gè)樣本作為預(yù)測(cè)集，其中每個(gè)品種建模集48個(gè)，預(yù)測(cè)集12個(gè)。通過(guò)Unscrambler 9.7軟件建立192個(gè)建模集樣本的偏最小二乘判別模型，采用全交叉驗(yàn)證，利用剩余的48個(gè)預(yù)測(cè)集樣本進(jìn)行預(yù)測(cè)，結(jié)果見(jiàn)表1。

表1 不同預(yù)處理方法的最小二乘判別模型結(jié)果

Table 1 Partial least squares discriminant model results of different pretreatment methods

預(yù)處理方法預(yù)測(cè)樣本數(shù)/個(gè)判別正確個(gè)數(shù)/個(gè)正確率/%R2均方根誤差(RMSE)無(wú)484695.80.9350.283移動(dòng)平滑484695.80.9350.285SG平滑484797.90.9380.280中值濾波484593.80.9350.286歸一化484797.90.9160.333一階導(dǎo)數(shù)481225.00.9370.281二階導(dǎo)數(shù)481225.00.8920.367多元散射484695.80.9190.318標(biāo)準(zhǔn)正態(tài)4848100.00.9380.278中心化4848100.00.9350.286

由表1可知，不同預(yù)處理方法對(duì)判別結(jié)果有不同的影響，不同方法建立的模型的決定系數(shù)(R2)基本上都能達(dá)到0.9 以上，其中一階導(dǎo)數(shù)、二階導(dǎo)數(shù)進(jìn)行處理后判別的正確率均為25%，這可能是進(jìn)行導(dǎo)數(shù)處理后引進(jìn)了較大的噪聲，對(duì)判別模型產(chǎn)生了不利影響；標(biāo)準(zhǔn)正態(tài)化和中心化預(yù)處理的判別率均達(dá)到了100%，考慮到標(biāo)準(zhǔn)正態(tài)化預(yù)處理的決定系數(shù)(R2)更大為0.938，均方根誤差更小，所以本試驗(yàn)采用標(biāo)準(zhǔn)正態(tài)化來(lái)對(duì)光譜進(jìn)行預(yù)處理。

2.2 基于主成分的聚類(lèi)分析

由圖4可知，4種不同缺陷的馬鈴薯樣本明顯分成4類(lèi)，其中合格馬鈴薯樣本主要聚集在第一象限內(nèi)，發(fā)芽馬鈴薯樣本主要集中在坐標(biāo)原點(diǎn)附近，綠皮馬鈴薯樣本主要位于第四象限，孔洞馬鈴薯樣本主要聚集于橫坐標(biāo)軸的左側(cè)，沿坐標(biāo)軸上下分布，說(shuō)明PC1、PC2對(duì)4種缺陷的馬鈴薯有較好的聚類(lèi)作用。

圖4 第一、二主成分得分圖Figure 4 Scores scatter plot of PC1 and PC2

2.3 特征波長(zhǎng)的選取

利用SPA算法對(duì)4種經(jīng)過(guò)光譜預(yù)處理后的缺陷馬鈴薯光譜數(shù)據(jù)進(jìn)行特征波長(zhǎng)的選取，所得結(jié)果見(jiàn)圖5。由圖5(a)可知，當(dāng)特征波段數(shù)量為13時(shí)，RMSE的值較小且隨波段數(shù)的增加也沒(méi)有明顯變化。由圖5(b)可知，特征波段所對(duì)應(yīng)的波段的位置從matlab得出的結(jié)果集中可獲取，選擇(450，556，563，590，653，725，764，832，844，846，856，863，868 nm)這13個(gè)特征波段進(jìn)行后續(xù)建模分析。

圖5 SPA算法特征波段選擇結(jié)果Figure 5 SPA algorithm feature band selection results

主成分分析法是高光譜數(shù)據(jù)降維以及特征波長(zhǎng)選擇中常用的方法之一[22]。它的基本思路為：先對(duì)光譜數(shù)據(jù)進(jìn)行主成分分析，得出各主成分的貢獻(xiàn)率，根據(jù)貢獻(xiàn)率選擇主成分或者主成分對(duì)應(yīng)的權(quán)重曲線(xiàn)圖來(lái)選擇特征波段。經(jīng)過(guò)前面的主成分分析可知馬鈴薯不同缺陷光譜數(shù)據(jù)的第一、二主成分的總貢獻(xiàn)率為97%，因此考慮用第一、二成分的權(quán)重曲線(xiàn)圖來(lái)選取特征波段，圖6為第一、二主成分權(quán)重載荷圖。 根據(jù)圖6在選擇特征波段時(shí)常用的思路為分別選擇第一、二主成分權(quán)重曲線(xiàn)的極值點(diǎn)對(duì)應(yīng)的波段作為特征波段，本試驗(yàn)提出了一種加權(quán)權(quán)重法(WWM)，考慮到每個(gè)主成分的貢獻(xiàn)率不同，提出式(2)：

(2)

式中：

P——最終權(quán)重值；

劉少奇因勢(shì)利導(dǎo)接著說(shuō)，要做到赤白區(qū)間物資交換，除了籌集物資，還要運(yùn)輸物資。前者已有外貿(mào)局在做，后者誰(shuí)來(lái)做呢？當(dāng)然是我們工會(huì)做最合適。一來(lái)我們有充足的人力，二來(lái)我們有大量的木船、獨(dú)輪車(chē)等工具，三來(lái)我們還有豐富的運(yùn)輸工作經(jīng)驗(yàn)。況且我們這里有贛江這條河流貫通赤白區(qū)，河道運(yùn)輸比陸路運(yùn)輸不僅運(yùn)量大，而且自身消耗少、周轉(zhuǎn)速度快。所以，我們應(yīng)該下大力氣做好河道運(yùn)輸工作，為反封鎖斗爭(zhēng)作出我們工會(huì)應(yīng)有的貢獻(xiàn)。

C1、C2——第一、二主成分貢獻(xiàn)率；

ω1、ω2——第一、二主成分各波段的權(quán)重值。

圖6 第一、二主成分權(quán)重載荷圖Figure 6 The loading plot of PC1 and PC2

由于在選擇特征波段時(shí)只關(guān)注權(quán)重值的數(shù)值大小，所以給權(quán)重值加了絕對(duì)值。對(duì)圖6利用式(2)進(jìn)行變換，得到加權(quán)權(quán)重載荷圖見(jiàn)圖7。選取上述加權(quán)權(quán)重載荷曲線(xiàn)的極值點(diǎn)以及首尾波段總共9個(gè)波段作為特征波段，從圖7中可以看出這9個(gè)特征波段分別為450，547，559，581，680，697，714，844，951 nm。經(jīng)過(guò)上述連續(xù)投影算法(SPA)和加權(quán)權(quán)重法(WWM)分別選擇了13個(gè)和9個(gè)波段作為特征波段。

2.4 基于特征波長(zhǎng)的判別模型

特征波段作為訓(xùn)練數(shù)據(jù)，選擇徑向基(RBF)核函數(shù)為核函數(shù)類(lèi)型，結(jié)合交叉驗(yàn)證和網(wǎng)格搜索，讓c和g在一定范圍內(nèi)取值來(lái)尋找最優(yōu)參數(shù)c和g，利用優(yōu)化后的c和g再來(lái)訓(xùn)練模型并對(duì)48個(gè)預(yù)測(cè)集樣本進(jìn)行預(yù)測(cè)，所得結(jié)果見(jiàn)表2。由表2可知，兩種特征波段的選取方法建立的支持向量機(jī)判別模型預(yù)測(cè)集的準(zhǔn)確率均達(dá)到了100%，其中WWM-SVM判別模型的交叉驗(yàn)證準(zhǔn)確率為99.5%高于SPA-SVM判別模型的96.9%，模型的適用性更強(qiáng)，并且 WWM方法得到的特征波段數(shù)量要少于SPA，建立模型的時(shí)間短，綜合評(píng)價(jià)WWM-SVM判別模型優(yōu)于SPA-SVM判別模型。

圖7 加權(quán)權(quán)重載荷圖Figure 7 Weighted loading plot

表2 支持向量機(jī)判別模型結(jié)果Table 2 Results of SVM discrimination model

3 結(jié)論

本試驗(yàn)以馬鈴薯的4種不同缺陷為研究對(duì)象，采用高光譜成像技術(shù)獲取4種缺陷馬鈴薯感興趣區(qū)域的光譜數(shù)據(jù)，采用不同預(yù)處理方法，利用全波段數(shù)據(jù)建立偏最小二乘判別模型，根據(jù)均方根誤差(RMSEP)、決定系數(shù)(R2)以及預(yù)測(cè)準(zhǔn)確率選擇標(biāo)準(zhǔn)正態(tài)變量變換法(SNV)為最優(yōu)預(yù)處理方法。采用連續(xù)投影算法并提出了一種加權(quán)權(quán)重法來(lái)選取特征波段，分別選取了13個(gè)波段和9個(gè)波段作為特征波段。

針對(duì)不同特征波段的選取方法，分別建立兩個(gè)支持向量機(jī)判別模型，結(jié)果顯示兩個(gè)判別模型的預(yù)測(cè)集的判別準(zhǔn)確率均達(dá)到了100%，而WWM-SVM判別模型的交叉驗(yàn)證準(zhǔn)確率為99.5%高于SPA-SVM判別模型的96.9%，綜合分析WWM-SVM判別模型優(yōu)于SPA-SVM判別模型，也說(shuō)明了利用高光譜技術(shù)對(duì)馬鈴薯外部缺陷檢測(cè)是可行的。

[1] 李小平. 馬鈴薯機(jī)械化生產(chǎn)現(xiàn)狀及發(fā)展對(duì)策[J]. 青海農(nóng)林科技, 2015(2): 111-112.

[2] 謝建華. 我國(guó)馬鈴薯生產(chǎn)現(xiàn)狀及發(fā)展對(duì)策[J]. 中國(guó)農(nóng)技推廣, 2007, 23(5): 4-7.

[3] 周伶俐, 胥成剛, 周耀建. 馬鈴薯質(zhì)量缺陷原因分析及防范措施[J]. 現(xiàn)代農(nóng)業(yè)科技, 2010(22):132-133.

[4] 馬本學(xué), 應(yīng)義斌, 饒秀勤, 等. 高光譜成像在水果內(nèi)部品質(zhì)無(wú)損檢測(cè)中的研究進(jìn)展[J]. 光譜學(xué)與光譜分析, 2009, 29(6): 1 611-1 615.

[5] 程國(guó)首, 郭俊先, 石砦, 等. 基于高光譜圖像技術(shù)的新疆紅富士蘋(píng)果重量預(yù)測(cè)[J]. 新疆農(nóng)業(yè)大學(xué)學(xué)報(bào), 2011, 34(3): 249-252.

[6] DIWAN P, ARIANA, LU Ren-fu, et al. Near-infrared hyperspectral reflectance imaging for detection of bruises on picking cucumber[J]. Computer and Electronics in Agricultures, 2006, 53(1): 60-70.

[7] 趙杰文, 劉劍華, 陳全勝, 等. 利用高光譜圖像技術(shù)檢測(cè)水果輕微損傷[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2008, 39(1): 106-109.

[8] BARANOWSKI P, MAZUREK W, WOZNIAK J, et al. Detection of early bruises in apples using hyperspectral data and thermal imaging[J]. Journal of Food Engineering, 2012, 110(3): 345-355.

[9] LI Jiang-bo, RAO Xiu-qin, YING Yi-bin. Development of algorithms for detecting citrus canker based on hyperspectral reflectance imaging[J]. Journal of The Science of Food and Agriculture, 2012, 92(1): 125-134.

[10] 郭恩有, 劉木華, 趙杰文, 等. 臍橙糖度的高光譜圖像無(wú)損檢測(cè)技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2008, 39(5): 91-93, 103.

[11] ZHAO Jie-wen, CHEN Quan-sheng, VITTAYAPADUNG S, et al. Determination of apple firmness using hyperspectral imaging technique and multivariate calibrations [J].Transactions of the CSAE, 2009, 25(11): 226-231.

[12] 周竹, 李小昱, 高海龍, 等. 馬鈴薯干物質(zhì)含量高光譜檢測(cè)中變量選擇方法比較[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2012, 43(2): 128-133, 185.

[13] RAJKUMAR P, WANG Ning, EIMASRY G, et al. Studies on banana fruit quality and maturity stages using hyperspectral imaging[J]. Journal of Food Engineering, 2012, 108(1): 194-200.

[14] 洪添勝, 喬軍, MICHAEAL O Ngadi, 等. 基于高光譜圖像技術(shù)的雪花梨品質(zhì)無(wú)損檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2007,23(2): 151-155.

[15] 單佳佳, 彭彥昆, 王偉, 等. 基于高光譜成像技術(shù)的蘋(píng)果內(nèi)外部品質(zhì)同時(shí)檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2011, 42(3): 140-144.

[16] ZHU Da-zou, WANG Kun, PAN Bin-shuang, et al. Identification of Wheat Cultivars Based on the Hyperspectral Image of Single Seed[J]. Journal of Nanoelectronics and Optoelectronics, 2012, 7: 167-172.

[17] 周竹, 李小昱, 陶海龍, 等. 基于高光譜成像技術(shù)的馬鈴薯外部缺陷檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(21): 221-228.

[18] 高海龍, 李小昱, 徐森淼, 等. 透射和反射高光譜成像的馬鈴薯?yè)p傷檢測(cè)比較研究[J]. 光譜學(xué)與光譜分析, 2013, 33(12): 3 366-3 371.

[19] 中華人民共和國(guó)農(nóng)業(yè)部. NY/T 1066—2006 馬鈴薯等級(jí)規(guī)格[S]. 北京: 中國(guó)農(nóng)業(yè)出版社, 2006.

[20] ARAUJO M C U, SALDANHA T C B, GALVAO R K H, et al. The successive projections algorithm for variable selection in spectroscopic multicomponent analysis[J]. Chemometrics and Intelligent Laboratory Systems, 2001, 57: 65-73.

[21] WU Wei, WALCZAK B, MASSART D L, et al. Artificial neural networks in classification of NIR spectral data: design of the training set[J]. Chemometrics and Intelligent Laborary System, 1996, 33(1): 35-46.

[22] 吳佳, 湯全武, 史崇升, 等. 馬鈴薯品質(zhì)無(wú)損檢測(cè)技術(shù)研究進(jìn)展[J]. 食品與機(jī)械, 2014, 30(3): 257-271.

Detection of potato external quality based on hyperspectral technology鄧建猛DENG Jian-meng

WANGHong-jun

LIZou-zou

LIYuan-hong

(CollegeofEngineering,SouthChinaArgriculturalUniversity,Guangzhou,Guangdong510642,China)

In order to detect the external quality of potato quickly, the hyperspectral imaging technology was used. Potato with germination and other three kinds of common defects were studied. The partial least-squares discriminant model were built after different pretreatment methods for spectral data processing. The results showed that pretreatment method of SNV was the best. 13 and 9 feature bands were selected after using successive projections algorithm (SPA) and weighted weight method (WWM) for spectral data preprocessed. The support vector machine (SVM) discriminant model were established for both SPA and WWM. Our results also showed that the two methods to predict the set of discriminant accuracy reached 100%. WWM-SVM discriminant model of calibration set of cross validation rate was 99.5%, higher than that of the SPA-SVM discriminant model. The study demonstrated the feasibility of using hyperspectral imaging technology combined with WWM-SVM and SPA-SVM for potato external quality grading.

hyperspectral imaging technology; potato; successive projection algorithm; weighted weight method; support vector machine

廣東省科技計(jì)劃項(xiàng)目(編號(hào)：2016A010102013)

鄧建猛，男，華南農(nóng)業(yè)大學(xué)在讀碩士研究生。

王紅軍(1966-)，女，華南農(nóng)業(yè)大學(xué)教授，博士，碩士生導(dǎo)師。E-mail: xtwhj@scau.edu.cn

2016—10—31

10.13652/j.issn.1003-5788.2016.11.027