高光谱图像技术在掺假大米检测中应用.PDFVIP

第 30 卷 第 21 期 农 业 工 程 学 报 Vol.30 No.21 2014 年 11 月 Transactions of the Chinese Society of Agricultural Engineering Nov. 2014 301 高光谱图像技术在掺假大米检测中的应用 1,2 1 2 1 1 孙 俊 ，金夏明 ，毛罕平 ，武小红 ，杨 宁 （1. 江苏大学电气信息工程学院，镇江 212013 ； 2. 江苏大学江苏省现代农业装备与技术重点实验室，镇江 212013 ） 摘 要：为了有效判别出优质大米中是否掺入劣质大米，该文研究了一种针对大米掺假问题的快速、无损检测方 法。从市场上购买了东北长粒香大米和江苏溧水大米，按纯东北长粒香大米、3 ∶1、2 ∶2 、1 ∶3 和纯江苏溧水大 米共 5 个掺合水平进行大米试验样本的制备。利用可见-近红外高光谱图像采集系统（390～1050 nm）获取了200 个大米样本的高光谱图像。采用 ENVI 软件确定高光谱图像的感兴趣区域（region of interest, ROI ），并提取出所有 样本在 ROI 内的平均高光谱数据。采用支持向量机（support vector machine，SVM）建立全光谱波段下的大米掺 假判别模型，径向基（radial basis function ，RBF ）核函数模型交叉验证准确率为93%、预测集正确率为 98% 。由 于高光谱信息量大、冗余性强且受噪声的影响较大，该文采用主成分分析方法（principal component analysis ，PCA ） 分别对大米高光谱图像和高光谱数据进行处理，从特征选择和特征提取 2 个角度对原始高光谱数据进行处理，通过 主成分权重系数图选择了 531.1、702.7、714.3、724.7、888.2 和 930.6 nm 6 个特征波长，通过留一交叉验证法 （leave-one-out cross-validation ，LOOCV ）确定并提取出 PCA 降维后的最优主成分数（number of principal component，PCs ）为9 。最后分别将优选出的特征波长和提取出的最优主成分数作为模型的输入，建立 SVM 模型。 试验结果表明，基于特征波长 SVM 模型的交叉验证准确率为 95%、预测集正确率为 96%，基于最优主成分数 SVM 模型的交叉验证准确率为 94%、预测集正确率为 98% 。该研究结果表明，该文建立的基于特征波长和基于最优主 成分数的 SVM 模型均具有较优的预测性能，且利用高光谱图像技术对大米掺假问题进行检测是可行的。 关键词：无损检测；主成分分析；图像采集；大米掺假；支持向量机；高光谱图像 doi ：10.3969/j.issn.1002-6819.2014.21.036 中图分类号：TP73 文献标志码：A 文章编号：1002-6819(2014)-21-0301-07 孙 俊，金夏明，毛罕平，等. 高光谱图像技术在掺假大米检测中的应用[J]. 农业工程学报，2014，30(21)： 301－307. Sun Jun, Jin Xiaming, Mao Hanping, et al. Application of hyperspectral imaging technology for detecting adulterate rice[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(21): 307 － 307. (in Chinese wit