基于高光谱图像和光谱信息融合的马铃薯多指标检测方法

摘要：

针对随机放置的马铃薯缺陷多项指标难以同时检测的问题，提出了一种基于高光谱信息融合的流形学习降维算法与极限学习机（extreme learning machine，ELM）相结合的方法，该方法可同时识别马铃薯的多项缺陷指标。分别采集发芽、绿皮、黑心和合格马铃薯的反射高光谱数据（390～1040 nm），在光谱维，提取马铃薯样本感兴趣区域（region of interest，ROI）的平均光谱，分别采用扩散映射（diffusion maps，DM）、局部线性嵌入（locally linear embedding，LLE）和海森局部线性嵌入（hessian locally linear embedding，HLLE）3种流形学习降维算法对光谱数据进行降维；在图像维，对马铃薯伪彩色图像进行形态学处理，获取基于灰度共生矩阵（gray level co-occurrence matrix，GLCM）的图像纹理信息，采用连续投影算法（successive projections algorithm，SPA）优选图像纹理特征；融合光谱维信息和图像维信息，分别建立基于极限学习机（ELM）与支持向量机（support vector machine，SVM）的马铃薯多分类识别模型。结果表明，扩散映射结合极限学习机（DM-ELM）模型的预测结果较优，该模型对发芽、绿皮、黑心和合格马铃薯样本的单一识别率分别为97.30%、93.55%、94.44%和100%，混合识别率达到96.58%，时间为0.11 s，可知高光谱信息融合技术结合流形学习降维算法可同时识别随机放置马铃薯的多种缺陷指标。

关键词：信息融合、无损检测、算法、高光谱成像、流形学习、极限学习机、图像纹理特征、马铃薯

分类号：S532;TP391.41(薯类作物)

资助基金：国家自然科学基金项目61275156;湖北省自然科学基金重点项目2011CDA033

在线出版日期：2015-09-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：258-263