摘要
软腐病是猕猴桃采后贮藏和销售过程中危害最严重的真菌病害,其潜伏期长,在染病早期还未表现出明显病状时,依靠人工筛选很难将其分类.为此应用高光谱成像技术(470～900 nm)对软腐病的早期分类检测展开研究.采集了健康猕猴桃以及感染软腐病的早期和晚期猕猴桃共295个高光谱图像,并采用Kennard-Stone算法将样本按照7：3划分为训练集和测试集样本.首先对样本进行感兴趣区域的选择,然后取该区域的平均光谱作为样本的原始光谱曲线.对原始光谱曲线采用主成分分析(PCA)、连续投影算法(SPA)和竞争性自适应重加权算法(CARS)进行光谱特征的提取.与此同时,对SPA求解过程中的8个特征波段使用非下采样轮廓波变换(NSCT)进行波段融合获得融合图像,然后使用灰度共生矩阵法(GLCM)提取融合图像的纹理特征.最后将光谱特征和纹理特征进行融合并分别建立最近邻算法(KNN)、随机森林(RF)以及支持向量机(SVM)分类模型进行猕猴桃软腐病的早期分类检测.此外,还与其他文献中使用主成分图像或特征波段提取的纹理特征进行了对比.该研究主要创新点为:使用NSCT对特征波段图像进行融合后再提取其纹理特征,既降低了特征维度,减少了特征冗余,又融合了不同波段图像的互补信息,提高了分类准确率.实验结果表明,SVM是最适合该研究的分类器,单独使用光谱特征或纹理特征进行分类的结果都不够理想,但两种特征融合后分类准确率最高可达到92.05％,多数猕猴桃软腐病早期样本得到了正确识别,这说明两种特征的融合获得了高光谱图像中光谱和图像的差异性信息,体现了高光谱图像的"空谱合一".该研究对软腐病早期猕猴桃进行了快速、准确的无损检测,可为猕猴桃的采后品质分级提供一定的参考和指导意义.
NETL
NSTL
万方数据