论文部分内容阅读
大米品质因其品种及产地的不同而存在差异,因此,品种及产地鉴别对于实施“优质粮食工程”具有重要意义。为了探讨基于高光谱图像技术的大米品种及产地鉴别方法,在吉林省梅河、柳河、辉南三个水稻产区分别采集三个品种大米共900个样本作为研究对象,利用高光谱成像系统获取400～1000nm波段范围的高光谱图像,提取单粒大米感兴趣区域(ROI)图像的所有像素的平均光谱表示该粒米的样本信息,采用二阶导数(2ND)、标准正态变换(SNV)及多元散射校正(MSC)三种方法对大米光谱数据进行预处理,对大米全波段光谱利用连续投影算法(SPA)和主成分分析(PCA)降维,利用灰度共生矩阵(GLCM)提取特征波长对应的灰度图像的纹理特征,以全波长、特征波长、纹理特征及融合光谱-纹理特征数据分别建立基于支持向量机算法(SVM)的大米品种鉴别模型,并利用乌鸦搜索算法(CSA)和粒子群算法(PSO)对鉴别准确率最高的光谱-纹理数据融合模型进行优化,以期寻找大米品种、产地鉴别的最佳分类组合,同时比较分析了利用相同品种和不同品种建立的大米产地确证模型的鉴别效果,为提高大米产地鉴别模型的准确率提供了新的思路。研究结论如下:(1)基于全波段光谱数据建立的大米品种鉴别模型,MSC为最佳光谱预处理方法,大米品种鉴别模型准确率最高(89%);对光谱数据进行降维,利用SPA和PCA分别提取了16个和7个特征波长,将其作为分类模型输入,经SPA降维后的模型分类准确率相较于全波段的分类准确率仅降低了0.67%,但计算量和计算时间大幅度减少,在保证准确率的前提下提高了模型的计算效率;获取特征波长对应的灰度图像并提取每个品种的6个纹理特征,计算纹理特征值,建立基于三个品种大米全波段、特征波段、纹理信息、特征波段-纹理信息组合的SVM分类模型,结果表明,光谱与纹理特征融合后的模型分类准确率最高(93%);(2)利用乌鸦搜索算法和粒子群算法对大米品种支持向量机分类模型的参数(C,g)进行优化,经乌鸦搜索算法优化的模型分类效果最佳,准确率提高到了96%,说明将乌鸦搜索算法与支持向量机算法融合能够有效提升模型分类准确率,二者结合具有合理性。(3)利用高光谱成像技术进行大米产地鉴别模型建立,利用上述最优组合进行建模过程,比较分析了利用相同品种和不同品种进行大米产地鉴别的模型分类准确率,结果发现利用相同品种进行产地鉴别的模型分类准确率高于不同品种,从量化的角度证实了大米品种是影响产地鉴别模型正确率的重要因素,为后续产地鉴别研究提供重大参考。