论文部分内容阅读
苹果是世界范围内最受消费者欢迎的水果之一,其中可溶性固形物含量（Soluble solid content,SSC）和硬度是决定苹果内部品质的重要属性。本论文基于高光谱成像技术对苹果SSC和硬度的无损检测以及SSC的可视化进行了研究。主要得到以下结论:（1）本研究基于不同光谱和图像纹理间组合信息建立支持向量回归（Support Vector Regression,SVR）模型预测苹果可溶性固形物含量。利用变量组合集群分析法（Variable combination population analysis,VCPA）和随机青蛙（Random Frog,RF）方法分别筛选出8个和10个特征波长。使用灰度共生矩阵（Gray level co-occurrence matrix,GLCM）和局部二元模式（Local binary pattern,LBP）方法分别从前三主成分图像中提取纹理矩阵,并使用RF方法选择最优纹理特征用于进一步分析。基于VCPA方法下的8个特征波长和9个最优GLCM纹理特征的组合信息建立的SVR模型建模效果最好,其2=0.9193,RMSEP=0.2955和RPD=3.50。（2）将堆栈自动编码器（Stack autoencoder,SAE）与极限学习机（Extreme learning machine,ELM）联合,建立苹果硬度预测模型（SAE-ELM）。首先,以苹果高光谱图像中提取出的无标签像素点光谱数据对SAE进行预训练。预训练完成后,将SAE网络的解码部分去除,剩余编码部分与ELM耦合,并将预训练所得连接权值与阈值作为SAE-ELM网络的初始参数。然后,再以带标签的样本平均光谱数据作为SAE-ELM模型的输入,利用反向传播和随机梯度下降方法对全网络的权值与阈值作进一步微调。最后,与传统ELM模型预测结果相比,SAE-ELM的2和RPD分别从0.7345,1.968提升至0.7703和2.116,RMSEP从1.6297降至1.2837。结果表明深度学习网络SAE-ELM模型的预测性能要优于传统ELM模型,用于预测苹果硬度是可行的。（3）研究以不做预处理的原始光谱数据为基础,对比了不同变量筛选方法下的ELM和SVR建模效果,选出获得最佳预测结果的CARS-SVR模型(2=0.6008,RMSEP=0.6659和RPD=1.605)作为可视化预测模型。然后将所提取的区域内每个像素点的原始光谱输入CARS-ELM模型得到每个像素点的SSC预测值,并结合其空间坐标以伪彩图技术实现数字可视化。