基于近红外高光谱成像技术识别紫斑和霉变大豆的方法
Identification method of soybean seeds with purple spot and moldy based on near infrared hyperspectral imaging technology作者机构:南京农业大学植物保护学院江苏南京210095 江苏省农业科学院农产品质量安全与营养研究所江苏南京210014
出 版 物:《南京农业大学学报》 (Journal of Nanjing Agricultural University)
年 卷 期:2022年第45卷第4期
页 面:691-698页
核心收录:
学科分类:0832[工学-食品科学与工程(可授工学、农学学位)] 08[工学] 083202[工学-粮食、油脂及植物蛋白工程]
基 金:国家现代农业产业技术体系专项(CARS-004-PS14)。
主 题:高光谱成像 近红外光谱 大豆紫斑 大豆霉变 种子无损筛查
摘 要:[目的]本研究基于近红外高光谱成像技术,探索一种快速、无损的大豆紫斑粒和霉变粒的识别方法。[方法]分别将供试种子归为正常粒和病变粒2类以及正常粒、紫斑粒和霉变粒3类,并随机将各类种子分为校正集(用于模型构建)和验证集(用于模型评估)。使用主成分分析(principal component analysis,PCA)结合最大类间方差法(Otsu)对大豆高光谱图像进行背景分割,以对不同类别种子的识别正确率为评价指标,探究光谱判别分析方法与特征波长取样方法的最佳组合方式。[结果]相比于支持向量机判别分析模型(support vector machine discriminant analysis,SVM-DA),基于全谱段构建的偏最小二乘判别分析模型(partial least squares discrimination analysis,PLS-DA)具有更高的识别正确率,对校正集和验证集的总识别正确率分别为95.81%和96.31%。基于竞争性自适应权重取样法(competitive adaptive reweighted sampling,CARS)筛选了15个特征波长,以此构建的CARS-PLS-DA模型对外部验证集的识别正确率为94.26%,高于CARS-SVM-DA模型,可实现对正常粒和病变粒的有效区分。基于全谱段和连续投影法(successive projections algorithm,SPA)筛选的17个特征波长,分别构建了PLS-DA和SPA-PLS-DA模型,可进一步实现对正常粒、紫斑粒和霉变粒的区分。[结论]本研究所构建的判别模型,可实现对大豆紫斑粒和霉变粒的快速检测,为大豆生产、仓储和加工过程中病变种子的高通量快速无损识别提供了理论和技术支撑。