高光谱波长选择和集成库尔勒香梨的擦伤检测

文摘

波长选择的检测是一项具有挑战性的工作上的淤青梨使用高光谱成像技术。大多数现代研究使用特征波长选择由一个选择方法通常无法处理高光谱数据的广泛的变化。小说框架提出了努力提高擦伤检测的性能,通过结合三种先进的变量选择方法和特性集成的概念。连续投影算法、竞争适应再加权抽样和救援第一次应用到库尔勒梨的光谱,分别。然后,相应的特征波长子集被集成,建立了一套最优的特征波长。ELM-based分类器是用于梨瘀伤最终识别。实验结果表明,该特征波长集成导致低检测错误。该方法是简单和有前途的库尔勒香梨的擦伤检测,也可以用于其他类型的缺陷在水果。

1。介绍

在新疆库尔勒梨是一个重要的水果产品,中国。它有助于当地经济发展和社会生活。因此,种植面积和产量在过去十年中继续增加。2017年,种植面积达到000公顷,年产量为800000吨。然而,淤青的存在,发生在收获操作和水分处理降低了梨的质量,因此造成重大经济损失。从果园到市场,梨接受一系列的操作,如选择、整理、包装、运输、冷藏、分级、包装。在这些链接,梨不可避免地受到擦伤损坏。储存一段时间后,受损组织很容易诱发腐败菌的生长,加速传播的梨腐烂到周围的梨。因此,有一种强烈的需要研究新的方法来检测淤青梨迅速和准确。

然而,梨上的瘀伤是艰巨的检测。轻微损伤后的梨的颜色变化不明显。此外,检测很容易受到许多因素,包括类型的瘀伤,擦伤的严重性,水果条件(1]。如今,许多技术已经引入这一领域,如光反射,光传输,荧光,超声波,介电性能,x射线,伽马射线和磁共振。(2]。近红外(NIR)光谱和光谱成像分析技术有成本低的优点,已经广泛应用于快速、无损和水果擦伤检测近年来。张报告检测精度94.75%的快速、无损检测的淤青苹果利用高光谱图像在400 - 1000海里地区(3]。李等人短波近红外光谱成像技术应用于桃子和分割的原始高光谱图像到青地区和受影响地区高精度(4]。类似的应用近红外光谱学和光谱成像分析技术也调查发现擦伤在其他水果,如蓝莓(5),猕猴桃6),而枸杞L (7]。更广泛的评论所提供的应用程序是刘et al。8和王et al。9]。

这些研究表明,近红外光谱和光谱成像分析是一种很有前途的技术检测瘀伤损伤在水果。然而,与其他水果相比,只有少数工作开展梨直到现在仍然需要进一步探索,尽管已经有许多研究梨的瘀伤易感性和存储时间(10,11]。讨厌等人结合高光谱成像与监督分类技术(再和支持向量机)检测瘢痕面积梨(12]。李等人介绍了F值的方法找到最优波段比值的梨高光谱图像,然后比较了乐队的比例与预定的阈值图像的每个像素段的形象受损区域(13]。照明不均匀性的影响梨的擦伤检测使用高光谱成像技术研究了赵。为解决这一问题,介绍了四种方法包括最大似然分类(多层陶瓷),欧氏距离分类(EDC) Mahalano距离分类(MDC)和光谱角制图者(SAM)。实验结果表明,MDC和山姆取得更好的检测性能。检测精度分别为93.8%和95.0%,(14]。

特别是,最好的作者的知识,有几乎没有研究报道调查梨的擦伤检测波长选择方法使用近红外光谱学和光谱成像分析。江提取梨的特征波长的高光谱图像主成分分析(PCA),然后确定损伤的梨使用偏最小二乘判别分析(15]。此外,如前所述,检测很容易受到很多因素。找到一个方法来选择与多种波长的高光谱图像是很困难的。本文的具体目标是提出一个基于部件级的特征波长选择方法集成框架,旨在为企业实现更好的性能库尔勒梨的擦伤检测。连续投影算法(SPA)、竞争适应再加权抽样(汽车),和救济方法进行独立的光谱范围从400到1000纳米的样本。随后,选择的波长子集三种方法被集成策略,进一步优化的输出波长设置工作作为输入变量ELM-based分类器来识别上的淤青梨。拟议的框架的主要优势是互补的特征波长选择不同的规则可以提高检测的鲁棒性和准确性的淤青梨。

2。相关工作

测试样品的近红外光谱通常包含成百上千的波长。巨大的数据集的大小增加了处理负载的NIR光谱应用。因此,它总是希望探索先进的算法选择一个最小子集的波长信息最大的测试样本。在过去的几十年里,各种各样的波长选择方法可以在文献中找到,如分支界限法(16),不提供信息的变量消除(UVE) [17),主成分分析(15],SPA [18,19)、汽车(20.),随机青蛙(21)、遗传算法(气)(22]。大量研究表明,可以实现更好的性能比在使用选定的波长子集的全部范围波长(23,24]。

在这方面发表了评论(8,23- - - - - -25]。刘等人的方法分为三种类型,过滤器,包装,和嵌入方法。与细节和典型应用,简要分析每种方法的优缺点进行了讨论(8]。云等人分类的方法基于方法用于变量初始化,造型,评估,和波长选择和比较每种方法的异同24]。戴等人调查的方法基于生成波长子集的搜索策略。每个算法的原理和应用也提供(25]。这些评论提供了一个更好的理解的特点,优势,劣势现有的波长选择方法从不同的角度。重要的帮助,读者可以选择一个适当的研究方法和正确应用它。

公认,每种方法都有它自己的特点和局限性,并集成现有的方法可能有助于达到更好的性能的优势结合不同的方法(24,25]。有很多混合的方法,结合两个或三个方法。云等人提出的方法VCPA-GA VCPA-IRIV,所选择的变量修改VCPA进一步优化的遗传算法或IRIV [26]。RF-BP, Chen等人提出的一个新的综合变量子集生成的随机森林和反向传播神经网络(27]。他们都声称混合算法是一个很好的和有前途的战略变量选择和可以提高近红外光谱的应用程序的性能。然而,大多数现有的级联形式的波长选择的混合方法。前做了一个粗略的选择方法,以及输出波长子集被后者一个精制。如果是前者方法没有选择波长的关键,是不可能利用单一方法的优势(24]。

出于上述情况,提出了一个集成框架通过结合三种最先进的方法,包括水疗中心、汽车、和解脱。选择这三个算法的动机来自波长选择的良好的性能在报道18,20.,28]。不同于前面提到的混合方法,三种方法结合并行在这工作。这意味着算法可以选择独立变量和每个其他的负面影响是可以避免的。每种方法都有自己的评价指标和选择策略。波长子集选择不同方法的组合关系和互补有更好的能力与感兴趣的属性。所以,并行组合会产生更好的结果比串行形式(29日]。

3所示。材料和方法

3.1。梨和瘀伤

库尔勒香梨在临安从当地市场购买区,杭州的城市。为了确保研究的可靠性,共有80个梨是手动选自同一批次产品。他们有类似的形状和大小,表面没有明显的缺陷。他们的表面颜色是均匀分布。样品被随机分为两组,每组40。

空心圆柱体60厘米的高度和直径约7厘米是由手使用纸板。梨是下降了一个接一个从汽缸顶部的人工破坏的赤道位置梨。完整和受损的梨类别分配1和2,分别。

3.2。高光谱成像系统和图像采集

图1描述了实验装置。高光谱成像系统由一个工业相机(SOC710-VP、表面光学Corp .)、美国),两个光纤卤素灯(美国Techniquip 150 W补充,3250 K),和一个阶段。整个系统是固定在一个黑暗的商会旨在减少环境光的影响。摄像机的工作范围从400纳米到1000纳米。光谱分辨率为4.68 nm,乐队号码是128。

下面的梨被放置在舞台上直接扫描相机和垂直地受伤区域。扫描速度是每秒30行,将高光谱图像的时间是46.4秒。

3.3。高光谱图像校准和预处理

消除不均匀光照的影响和暗电流噪声,图像校准对原始高光谱图像在每个实验。操作可以使用下列方程表示: 在哪里表示原始高光谱图像,是白色的形象参考反射率为99%,和对应于相机的暗电流测量与镜头盖。

因此,Savitzky-Golay平滑方法应用校准高光谱图像(30.去除随机噪声和促进高光谱数据的质量。滑动窗口的长度是7,两个多项式秩序。

3.4。特征波长选择

正如前面提到的,波长选择的NIR光谱应用程序必不可少的步骤。小说框架提出了这项工作增加擦伤检测的准确性,通过结合三种先进的变量选择方法和特性集成的概念。

3.4.1。水疗方法

温泉是一个向前变量选择算法,可以减少光谱变量之间的共线性,从冗余光谱数据中提取有效的特征。简单的投影操作在一个向量空间首先执行。在所有保持变量,新变量的最大投影值正交的子空间选择前面选择的变量(19,31日]。

3.4.2。汽车的方法

汽车的方法选择变量通过模拟“适者生存”的基本原理在达尔文的进化论。每个波长变量是作为一个独特的个体。的适应性再加权抽样技术,这些个体较大的系数的偏最小二乘回归模型选择,而那些小权重消除。通过这种方式,实现波长变量子集的集合。最后,所有的波长变量子集被交叉验证建模,根据交叉验证的均方根误差最小的原则,选择最优波长变量子集(20.,32]。

3.4.3。救济方法

救济也是一个个人评价过滤特征选择方法提出的基拉和伦德尔在1992年33,34]。计算一个代理为每个变量统计可以用来估计同质异构邻居邻居样品和样品之间的差异。然后,相关性阈值的定义,任何具有相关性的变量值大于阈值选择。

3.4.4。波长选择基于部件级集成

在过去的研究中,波长选择几乎是由一个原则,从而导致较低的健壮的瘀伤的鉴定。一般来说,它已被接受的特征波长选择不同的方法互补关系和有更好的能力来描述目标的属性。关于这个问题,提出了基于部件级集成的波长选择框架。图2说明了拟议的框架流程图。

水疗中心、汽车和救济是应用于原始高光谱数据,分别。三个波长的子集。随后,所选变量的三种方法是集成相结合三个子集和删除重复的波长。输出被认为是最佳的波长特性集。

3.5。极端的学习机器

极端学习机(ELM)是一个快速学习算法基于单隐层前馈神经网络(SLFNs)。它被广泛用于监督学习和无监督学习(35]。如图3,榆树由一个输入层、隐藏层和输出层。

给定一个训练集 它包含样本,激活函数 ,和隐层的神经元数 ,榆树的训练步骤可以描述如下:(1)分配权重和偏见随机,(2)计算输出层的输出矩阵(3)获得输出权重根据公式

与传统SLFN相比,榆树不需要调整输入重量和偏见在训练过程中。输出权值 ,榆树的全球最优的解决方案可以很容易地计算,得到根据相应算法而不是迭代学习。因此,参数优化更容易,训练速度显著提高。此外,它不陷入局部最优。所有这些表明,ELM-based方法可以提供实时、准确、可靠的方法探测瘀伤的梨。

3.6。绩效评估的擦伤检测

评估性能的梨擦伤检测定量,混淆矩阵被介绍给这个工作,如表所示1(36]。

根据混淆矩阵,准确性 ,精度 ,和召回率R可以表示如下:

4所示。结果和分析

4.1。反射光谱的梨

感兴趣的区域(ROI)手动选择从每个样本的灰度图像在994.36海里。大小是20×20像素。为了减少不均匀光照的影响,roi的完整的梨被选接近受伤受损区域的样本。根据高光谱成像的原理,每个像素ROI的一个完整的反射率曲线以波长为变量。所有像素的平均反射率曲线在每个样本计算ROI。图4(一)显示了20个完整表面地区的平均反射率光谱和20受损表面区域。均值和方差的反射光谱图所示4 (b)。

它可以观察到完整的样本的平均反射率和瘀伤样本遵循了同样的趋势,但反射比有一个小的区别,特别是在400∼450海里的乐队,600∼700海里,780∼1000海里。识别是可行的瘀伤样本通过分析反射光谱。然而,从图4(一)可以看到,它的反射率曲线完整的样本和瘀伤彼此重叠。因此,它是必要的,选择不同的特征波长和减少噪音是弱相关的瘀伤和困惑分类器的信息。

4.2。波长选择的结果

上述三种方法都应用到原始光谱。对于水疗方法,特征波长的最大数量是30。的F以及用于删除那些弱的波长与瘀伤。的显著性水平F以及被分配一个值为0.25。根据汽车的产量,可以获得最低RMSECV 25迭代。然后,波长的25集^th迭代中被选为最优特征波长子集。救援的阈值是0.15。权重的波长小于阈值被移除和18波长仍作为输出的救济方法。波长选择过程基于图所示的三个方法5,分别。

输出的子集三种方法相结合,其次是移除重复的波长。波长选择的最终结果列在表中2。

从表可以看出2波长选择的三种方法相互重叠在一些地区。特别是,所有三种方法选择波长分布在400 nm的乐队∼460 nm和960 nm∼1000海里。它可以看到从图4完整的梨和瘀伤的光谱样本在这两个地区有明显不同的反射比。这意味着所有的三种方法都是有效的,他们都能发现高度相关的波长与瘀伤。它也可以从表2选择的波长的分布三种方法略有不同。例如,只有汽车选择波长500 nm∼700海里的乐队。可以推断,将提取的三个方法从不同的角度不同的特性。高鲁棒性的伤可以确定通过整合所选波长。

4.3。擦伤检测的结果

成立一个ELM-based分类器的检测与综合波长上青梨。通过大量的实验,被选为乙状结肠功能激活函数和最优隐层神经元的数量设置为20。训练集和测试集包含20个完整的样品和20个损坏的样品。表3列出了ELM-based分类器的检测结果。相比之下,使用波长子集的擦伤检测的结果也表中提供的三个方法3。ELM-based分类器的参数是一样的上述实验。

获得的精度、精度和召回率,根据方程(2),也列在表中3。使用所有波长子集,ELM-based分类器可以识别精度高的瘀伤。准确性、精度和召回率都超过85%。从表3,可以看出,该框架通常表现得比只使用单一波长选择方法。这表现出的力量我们的方法。

5。结论

在这项工作中,基于部件级的波长选择方法集成了。水疗中心、汽车和救援的光谱应用于梨,紧随其后的是一个级的集成框架可以充分利用互补波长选择的不同的方法。结合ELM-based分类器、高检测性能的瘀伤梨。检出率为97.5%,准确性为95.2%,召回率为100.0%,优于三个单独的选择方法的结果。总之,这个方法是可行的,可能为未来的研究提供一个参考擦伤检测在库尔勒香梨。然而,方法的能力只是验证了实验结果。进一步的努力想要从数学的角度,针对解释框架理论和找到一个有效的方法来提高性能。此外,更多的梨具有不同大小和形状应该测试正确地确定该方法的识别能力。

数据可用性

高光谱图像用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是由中国国家自然科学基金(批准号51565052)和重点实验室开放研究基金的现代农业工程,塔里木大学(批准号TDNG20170301)。这也是部分由浙江省博士后科学基金的资助,中国(批准号ZJ20180156)。

引用

1. 吴y, j .毛d . et al .,“无损早期检测的瘀伤梨水果用光学相干断层扫描,”园艺科学与技术,37卷,不。1,第150 - 140页,2019。视图:出版商的网站|谷歌学术搜索
2. l . Opara和p . b . Pathare“瘀伤损伤测量和分析新鲜的园艺生产审查,”采后生物学和技术卷。91年,9-24,2014页。视图:出版商的网站|谷歌学术搜索
3. g m .张先生和李,“视觉检测苹果的瘀伤使用学习演算法和高光谱成像,”国际期刊的食物属性,21卷,不。1,第1607 - 1598页,2018。视图:出版商的网站|谷歌学术搜索
4. l . j . Li陈和w·黄,“桃子上的瘀伤早期的检测(菊花persica L。使用高光谱成像技术)加上改进的分水岭分割算法,”采后生物学和技术卷,135年,第113 - 104页,2018年。视图:出版商的网站|谷歌学术搜索
5. 美国球迷,c·李,w·黄和l .陈”两个光谱成像系统的数据融合互补为蓝莓擦伤检测、光谱传感范围”传感器,18卷,不。12,4463页,2018年。视图:出版商的网站|谷歌学术搜索
6. 问:卢和m .唐”检测隐藏的瘀伤使用高光谱成像技术在猕猴桃和平行六面体分类,“Procedia环境科学》12卷,第1179 - 1172页,2012年。视图:出版商的网站|谷歌学术搜索
7. j .赵a . Sugirbay y . Chen等人“有限元显式动力学仿真和近红外高光谱反射成像测定影响的瘀伤枸杞L。”采后生物学和技术卷,155年,第110 - 102页,2019年。视图:出版商的网站|谷歌学术搜索
8. d . Liu D.-W。太阳,X.-A。曾,”最新进展在波长选择高光谱图像处理技术在食品工业中,“食品和生物处理技术,7卷,不。2、307 - 323年,2014页。视图:出版商的网站|谷歌学术搜索
9. c . j . h . Wang Peng谢,保y, y .他,“水果质量评价利用光谱技术:复习一下,”传感器,15卷,不。5,11889 - 11927年,2015页。视图:出版商的网站|谷歌学术搜索
10. m . Azadbakht m . Vahedi Torshizi, m . j . Mahmoodi“梨体积的瘀伤体积的关系通过CT扫描成像,”食品杂志》的测量和表征,13卷,不。2、1089 - 1099年,2019页。视图:出版商的网站|谷歌学术搜索
11. t .脂肪酶Szot, b . Dobrzański m . Kapłan p . Baryła,“敏梨伤痕累累的收获和储存后,“Acta Agrophysica,25卷,不。4、485 - 499年,2019页。视图:出版商的网站|谷歌学术搜索
12. h .讨厌金正日,b .赵et al .,“瘀伤损伤的检测使用高光谱图像的梨,”12日学报》国际会议控制、自动化和系统,页1258 - 1260,济州岛,韩国,2012年10月,https://ieeexplore.ieee.org/abstract/document/6393325。视图:谷歌学术搜索
13. W.-H。h . Lee m . s . Kim Lee et al .,“高光谱近红外成像探测的物理损害的梨,”《食品工程卷,130年,页1 - 7,2014。视图:出版商的网站|谷歌学术搜索
14. j .赵问:欧阳、问:陈和j .王”检测上青梨的高光谱影像传感器与不同的分类算法,”传感器信,8卷,不。4、570 - 576年,2010页。视图:出版商的网站|谷歌学术搜索
15. h .江c .张他陈x, y . f . Liu和y . Liu“波长选择的轻微擦伤检测梨基于高光谱成像,”应用科学》第六卷,没有。12,450页,2016年。视图:出版商的网站|谷歌学术搜索
16. 美国Nakariyakul和d . p . Casasent快速特征选择算法对家禽的皮肤肿瘤检测的高光谱数据,”《食品工程,卷94,不。3 - 4、358 - 365年,2009页。视图:出版商的网站|谷歌学术搜索
17. w . Cai、李y和x邵,“基于不提供信息的变量的变量选择方法消除近红外光谱的多元校正”化学计量学和智能实验室系统,卷90,不。2、188 - 194年,2008页。视图:出版商的网站|谷歌学术搜索
18. x y太阳,顾,k .太阳et al .,“高光谱反射成像技术结合化学计量学和连续投影算法冷害分类在桃子,“轻型卷,75年,第564 - 557页,2017年。视图:出版商的网站|谷歌学术搜索
19. m . c .美国Araujo t . c . b .沙尔丹哈,r·k·h·Galvao t . Yoneyama h . c . Chame诉Visani,“连续投影算法在光谱变量选择多组分分析,“化学计量学和智能实验室系统卷,57号2、65 - 73年,2001页。视图:出版商的网站|谷歌学术搜索
20. 梁h·李,y,问:徐,d .曹”关键波长筛选使用竞争再加权自适应抽样方法对多元校正,”分析Chimica学报,卷648,不。1,第84 - 77页,2009。视图:出版商的网站|谷歌学术搜索
21. m . Hu g .翟,赵y和z王”选择策略的使用在光谱和样本空间分类软硬蓝莓使用近红外数据,”科学报告,8卷,不。1,p。6671年,2018。视图:出版商的网站|谷歌学术搜索
22. k . Nagasubramanian琼斯s, s . Sarkar a·k·辛格a·辛格(manmohan Singh)和b . Ganapathysubramanian“高光谱波段选择使用遗传算法和支持向量机对木炭在大豆茎腐病的早期识别,”工厂方法,14卷,不。1,p。86年,2018。视图:出版商的网站|谷歌学术搜索
23. c . Pasquini“近红外光谱学:一个成熟的分析技术与新perspectives-a审查,”分析Chimica学报卷。1026年,8-36,2018页。视图:出版商的网站|谷歌学术搜索
24. 中州。云》。李,在公元前。邓,D.-S。曹”,变量选择方法的概述在近红外光谱的多变量分析,“TrAC分析化学的趋势卷,113年,第115 - 102页,2019年。视图:出版商的网站|谷歌学术搜索
25. 问:戴,j . Cheng d .太阳et al .,“高光谱图像处理的特征选择方法的进步在食品工业应用程序:一个评论,”食品科学与营养的关键评论,55卷,不。10日,1368 - 1382年,2015页。视图:出版商的网站|谷歌学术搜索
26. 中州。Yun, j . Bin D.-L。刘et al .,“混合变量选择策略基于连续变量空间的收缩在多元校正,”分析Chimica学报卷。1058年,58 - 69、2019页。视图:出版商的网站|谷歌学术搜索
27. h·陈,x, z, z . Liu施k, k . Cai,”策略的随机森林和反向传播网络变量选择光谱校准,”化学计量学和智能实验室系统卷,182年,第108 - 101页,2018年。视图:出版商的网站|谷歌学术搜索
28. g m .张先生和李,“检测方法基于高光谱图像的轻微淤青苹果和RELIEF-extreme学习机器,”浙江大学学报(农业与生命科学版),45卷,不。1,第134 - 126页,2019年,在中国。视图:出版商的网站|谷歌学术搜索
29. Mangai, s . Samanta s Das, p . Chowdhury”的调查模式分类的决策融合和特征融合策略,”IETE技术评审,27卷,不。4、293 - 307年,2010页。视图:出版商的网站|谷歌学术搜索
30. h·d·l . Wang Liu Pu、D.-W。阳光、w·高和z熊”,利用高光谱图像区分大米的种类和质量,”食品分析方法,8卷,不。2、515 - 523年,2015页。视图:出版商的网站|谷歌学术搜索
31. h . m . Paiva s·f·c·苏亚雷斯,r·k·h·Galvao和m . c .美国Araujo”图形用户界面连续变量选择采用预测算法,”化学计量学和智能实验室系统卷,118年,第266 - 260页,2012年。视图:出版商的网站|谷歌学术搜索
32. h·李,问:徐、梁和y”一个集成库偏最小二乘回归和线性判别分析,“化学计量学和智能实验室系统卷。176年,34-43,2018页。视图:出版商的网站|谷歌学术搜索
33. r . j . Urbanowicz m·米克尔w .静脉,r·s·奥尔森和j·h·摩尔,“Relief-based功能选择:介绍和评论,”生物医学信息学杂志卷,85年,第203 - 189页,2018年。视图:出版商的网站|谷歌学术搜索
34. k·基拉和l·伦德尔,”特征选择问题:传统的方法和一种新的算法,”第十届国家关于人工智能的会议,页129 - 134年,1992年7月,美国圣何塞。视图:谷歌学术搜索
35. G.-B。黄徐瑞秋朱,C.-K。萧”,极端的学习机器:理论和应用程序”,Neurocomputing,卷70,不。1 - 3、489 - 501年,2006页。视图:出版商的网站|谷歌学术搜索
36. c . Sammut和g .韦伯机器学习的百科全书施普林格,纽约,纽约,美国,2010年。

版权

版权©2019方翳明等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。