激情婷婷丁香色五月综合深爱野花,婷婷伊人五月天色综合激情网,四房播播丁香开心婷婷伊人,狠狠五月激情丁香六月,狠狠色丁香婷婷久久综合,成全视频观看高清在线观看,丁香花高清在线观看完整版,狠狠色丁香婷婷久久综合,亚洲第一五月天婷婷丁香导航

背景

南瓜籽的好壞決定著南瓜的產(chǎn)量和品質(zhì)。水分是影響作物種子品質(zhì)的四大因素之一，也是評(píng)價(jià)種子品質(zhì)的關(guān)鍵因素。千粒重是種子的重要特征，是一批種子宜居性、活力或發(fā)芽等指標(biāo)的依據(jù)之一，其直接受種子形狀和大小的影響，可通過(guò)種子的長(zhǎng)度和寬度來(lái)表征。高光譜成像技術(shù)結(jié)合了光譜分析和數(shù)字成像，為檢測(cè)種子質(zhì)量提供了巨大的潛力。根據(jù)成像方式的不同，可分為高光譜反射成像和透射成像。高光譜成像技術(shù)具有非接觸式和實(shí)時(shí)性?xún)?yōu)點(diǎn)，可以在不對(duì)種子進(jìn)行破壞性處理的情況下進(jìn)行檢測(cè)，并且能夠?qū)崟r(shí)獲取數(shù)據(jù)，從而提高檢測(cè)效率。因此，利用高光譜成像技術(shù)對(duì)南瓜籽的含水率和尺寸方面進(jìn)行檢測(cè)具有很大的優(yōu)勢(shì)，可以為南瓜籽的質(zhì)量評(píng)價(jià)和處理提供科學(xué)依據(jù)。此外，數(shù)據(jù)融合是將來(lái)自多個(gè)傳感器源的數(shù)據(jù)和信息進(jìn)行組合和關(guān)聯(lián)，以獲得比單個(gè)傳感器收集的信息更完整和可靠的過(guò)程。本研究通過(guò)獲取南瓜籽的高光譜反射和透射圖像，建立南瓜籽含水率預(yù)測(cè)模型，確定南瓜籽的大小。

實(shí)驗(yàn)設(shè)計(jì)

為增加南瓜種子的水分梯度，選取490顆南瓜種子，分成7組，置于50°C的干燥爐中，分別干燥0、20、40、60、80、100和120分鐘。樣本按3:1的比例劃分為校準(zhǔn)集和預(yù)測(cè)集。為了比較不同校準(zhǔn)模型的性能，所有分析都使用相同的校準(zhǔn)和預(yù)測(cè)集。使用GaiaSorter高光譜分選儀（江蘇雙利合譜）獲取高光譜圖像，其組成結(jié)構(gòu)示意圖如圖1所示。該系統(tǒng)由計(jì)算機(jī)、成像光譜儀、位移平臺(tái)、步進(jìn)電機(jī)、透射光源和4個(gè)20 w鹵素?zé)艚M成。成像光譜儀由CCD相機(jī)和光譜儀組成。獲取不同圖像時(shí)，需要切換不同光源，更換位移平臺(tái)底板。整個(gè)成像系統(tǒng)被放置在一個(gè)密封的外殼中，以消除環(huán)境光的影響。圖像光譜分辨率為3.5 nm，光譜范圍為399.0 ~ 1015.6 nm。

圖1. 高光譜成像系統(tǒng)原理圖

在得到校正后的高光譜圖像后，對(duì)單個(gè)南瓜籽進(jìn)行分割，提取每個(gè)南瓜籽的光譜。采用最大類(lèi)間方差法（Otsu）獲取圖像閾值，將灰度圖像轉(zhuǎn)換為二值圖像，利用形態(tài)學(xué)操作去噪并獲得連通區(qū)域，繪制開(kāi)放操作二值圖像，提取感興趣區(qū)域（ROI）光譜。同時(shí)，利用重量法得到各南瓜籽水分含量的參考值。如表1所示，校準(zhǔn)集樣品的含水率范圍（8.52-48.93%）大于預(yù)測(cè)集樣品的含水率范圍（9.18-48.05%）。圖2直方圖顯示了南瓜籽水分含量在校準(zhǔn)集和預(yù)測(cè)集中的分布趨勢(shì)相似，呈正態(tài)分布。因此，樣品含水率范圍有利于建立穩(wěn)定的水分預(yù)測(cè)標(biāo)定模型。

圖2. 南瓜籽水分統(tǒng)計(jì)直方圖

所有南瓜籽在399.0 ~ 1015.6 nm范圍內(nèi)的反射和透射光譜如圖3所示，可以看出所有樣品的反射和透射光譜趨勢(shì)相似。但由于不同樣品的含水率（8.52-48.93%）不同，相應(yīng)的光譜可能存在差異。反射光譜在670 nm左右出現(xiàn)吸收谷，可能與葉綠素a有關(guān)。透射光譜在475 nm左右有一個(gè)吸收谷，屬于藍(lán)光范圍，與葉綠素-Ⅱa、葉綠素-Ⅱb、類(lèi)胡蘿卜素等植物色素有關(guān)。此外，從圖3（d）中可以看出，由于水分子對(duì)光更敏感，600-850 nm的透射光譜標(biāo)準(zhǔn)差更高，說(shuō)明該范圍內(nèi)樣品的透射光譜存在顯著差異。

圖3. 南瓜籽的反射和透射光譜:（a）所有樣品的反射光譜；（b）平均反射光譜；（c）所有樣品的透射光譜；（d）平均透射光譜

基于反射光譜、透射光譜、低水平融合和中水平融合建立了PLSR和LSSVM模型。模型計(jì)算結(jié)果表2所示。表中顯示了Rc2、RMSEC、Rp2和RMSEP值，用于比較基于不同數(shù)據(jù)的模型結(jié)果。

基于單一光譜數(shù)據(jù)建立PLSR和LSSVM模型：基于透射光譜的全光譜模型優(yōu)于基于反射光譜的全光譜模型，非線(xiàn)性L(fǎng)SSVM模型優(yōu)于線(xiàn)性PLSR模型。因此，利用高光譜透射成像技術(shù)對(duì)單個(gè)南瓜籽水分含量進(jìn)行定量分析是可行的。為了選擇有效波長(zhǎng)并消除冗余和噪聲，對(duì)反射和透射光譜數(shù)據(jù)采用了RT、VC、MCUVE、CART和UVE五種變量選擇方法，以提高模型的預(yù)測(cè)性能。總體而言，大多數(shù)變量選擇方法都優(yōu)于各自的全譜模型，這表明變量選擇有助于增強(qiáng)模型的預(yù)測(cè)能力。結(jié)果發(fā)現(xiàn)，無(wú)論是基于反射，還是基于透射譜的CARS-LSSVM模型在基于單一光譜的PLSR和LSSVM模型中預(yù)測(cè)性能和可靠性*優(yōu)。為了創(chuàng)建更詳細(xì)和全面的數(shù)據(jù)集，以更準(zhǔn)確地預(yù)測(cè)單個(gè)南瓜籽的水分含量，繼續(xù)進(jìn)行了中低級(jí)的數(shù)據(jù)融合。

與基于單一光譜的模型相比，低級(jí)數(shù)據(jù)融合提高了模型的性能，更有可能檢測(cè)到單個(gè)南瓜籽的水分含量。其中經(jīng)過(guò)低級(jí)數(shù)據(jù)融合和CARS選擇后的模型性能最好（表2），PLSR模型的Rp2、RMSEP和RPD分別為0.9196、0.0283%和3.4027，LSSVM模型的Rp2、RMSEP和RPD分別為0.9192、0.0284%和3.4127。

基于中級(jí)數(shù)據(jù)融合的單個(gè)南瓜籽PLSR和LSSVM模型結(jié)果如表2所示。在PLSR模型中，基于CARS的數(shù)據(jù)融合模型表現(xiàn)最好，基于RT的數(shù)據(jù)融合模型表現(xiàn)最差。在LSSVM模型中，只有基于CARS的模型優(yōu)于基于單光譜和低水平數(shù)據(jù)融合的模型，Rp2和RMSEP分別為0.9231和0.0278%，達(dá)到最佳性能。綜上所述，通過(guò)選擇合適的變量選擇方法，將反射光譜和透射光譜進(jìn)行中級(jí)數(shù)據(jù)融合，可以有效地預(yù)測(cè)單個(gè)南瓜籽的水分含量。

為了更好地了解不同變量選擇算法所選擇的波長(zhǎng)，本研究討論了不同變量選擇方法下模型在反射光譜、透射光譜和低水平數(shù)據(jù)融合三種不同數(shù)據(jù)集上的性能。每種變量選擇方法在不同數(shù)據(jù)集中保留的變量位置如圖4所示。基于不同變量的PLSR和LSSVM模型Rp2對(duì)比圖如圖5所示。

圖4. 每種變量選擇方法在不同數(shù)據(jù)集中保留的變量位置:（a）反射光譜；（b）透射光譜；（c）低級(jí)數(shù)據(jù)融合

圖5. 基于不同數(shù)據(jù)類(lèi)型的模型Rp2結(jié)果比較:（a） PLSR模型；（b） LSSVM模型

在反射光譜中，RT、VC、MCUVE、CARS和UVE算法分別選取了92個(gè)、47個(gè)、48個(gè)、17個(gè)和85個(gè)變量。在透射光譜中，RT、VC、MCUVE、CARS和UVE算法分別選取了23個(gè)、29個(gè)、50個(gè)、45個(gè)和110個(gè)變量。在低級(jí)數(shù)據(jù)融合中，RT、VC、MCUVE、CARS和UVE算法分別選取了232、76、162、66和139個(gè)變量。從圖5中可以看出，基于CARS的模型對(duì)于線(xiàn)性PLSR和非線(xiàn)性L(fǎng)SSVM模型的Rp2都是最高的。此外，在大多數(shù)情況下，CARS保留的特征變量比其他變量選擇方法少。這表明CARS算法可以顯著減少不相關(guān)信息，保留特征變量，保持較高的模型精度。另外，圖5顯示，基于CARS算法的中級(jí)融合數(shù)據(jù)在兩種模型中Rp2最高，這進(jìn)一步證實(shí)了CARS算法在本研究中的優(yōu)*性。因此，CARS算法是本研究中*優(yōu)的變量選擇方法。

利用高光譜反射圖像確定了單個(gè)南瓜籽的長(zhǎng)度和寬度，并計(jì)算了長(zhǎng)寬比。采用主成分分析（PCA）對(duì)采集到的樣本圖像進(jìn)行降維處理，識(shí)別出適合確定單個(gè)南瓜種子大小的圖像。圖6為一批樣本圖像降維后的前五幅主成分圖像。與其他4個(gè)主成分圖像相比，PC1圖像表現(xiàn)出南瓜籽與背景*明顯的對(duì)比。因此，隨后根據(jù)PC1圖像確定南瓜籽的大小。

圖6. 樣本的前五個(gè)主成分圖像

要測(cè)量單個(gè)南瓜籽的長(zhǎng)度和寬度，必須確定每個(gè)單位公制對(duì)應(yīng)的像素?cái)?shù)，該實(shí)驗(yàn)每公制像素比為3.68 px/mm。首先，使用Otsu方法對(duì)PC1圖像進(jìn)行分割。種子與背景對(duì)比明顯，分割后的圖像與實(shí)際圖像高度一致，保證了測(cè)量值在很小的誤差范圍內(nèi)。接下來(lái)，計(jì)算每個(gè)種子的長(zhǎng)度和寬度所占用的像素?cái)?shù)。最后，根據(jù)計(jì)算的像素?cái)?shù)計(jì)算出每個(gè)南瓜籽的長(zhǎng)度和寬度。

圖7. 南瓜籽長(zhǎng)度和寬度的測(cè)定方法

為了驗(yàn)證測(cè)量的南瓜籽尺寸是否與實(shí)際尺寸一致，用游標(biāo)卡尺測(cè)量了10個(gè)南瓜籽的長(zhǎng)度和寬度，每個(gè)數(shù)值測(cè)量三次。取測(cè)量結(jié)果的平均值作為最終值。表3顯示了測(cè)量尺寸、實(shí)際尺寸和百分比誤差。長(zhǎng)度和寬度的誤差范圍分別為0.07% ~ 1.11%和0.11% ~ 2.31%。測(cè)量值與實(shí)際尺寸之間的差異很小。因此，本研究證明了利用高光譜反射圖像確定南瓜種子尺寸的可行性。

采用上述方法測(cè)定490顆南瓜籽的大小。結(jié)果如表4所示，由表4可以看出，種子的長(zhǎng)度范圍為12.50-16.85 mm，平均值為14.95 mm，寬度范圍為8.52-9.51 mm，平均值為8.04 mm。

結(jié)論

本研究證明了高光譜成像技術(shù)和數(shù)據(jù)融合在檢測(cè)單個(gè)南瓜籽含水量方面的有效性，以及利用圖像處理算法確定南瓜籽大小的可行性。通過(guò)利用CARS算法提取反射光譜和透射光譜的特征波長(zhǎng)，實(shí)現(xiàn)了最佳的水分含量預(yù)測(cè)結(jié)果。相較于僅基于反射或透射光譜的模型，低級(jí)數(shù)據(jù)融合顯著提升了預(yù)測(cè)模型的準(zhǔn)確性。此外，基于中級(jí)數(shù)據(jù)融合的PLSR模型表現(xiàn)優(yōu)于單光譜PLSR模型。在LSSVM模型中，結(jié)合RT、VC和MCUVE算法的中級(jí)數(shù)據(jù)融合模型優(yōu)于僅基于反射光譜的LSSVM模型，但不如基于透射光譜的LSSVM模型。采用CARS算法的PLSR和LSSVM模型獲得了*優(yōu)的性能。利用高光譜反射圖像和圖像處理算法，準(zhǔn)確確定了所有南瓜籽的長(zhǎng)度和寬度。總之，本研究不僅證實(shí)了高光譜成像技術(shù)配合數(shù)據(jù)融合在單個(gè)南瓜籽水分檢測(cè)中的應(yīng)用潛力，也展現(xiàn)了其在確定種子尺寸方面的有效性，為高光譜成像技術(shù)在種子品質(zhì)評(píng)估領(lǐng)域的應(yīng)用提供了有力的理論支持。

推薦產(chǎn)品

GaiaSorter高光譜分選儀

作者簡(jiǎn)介

通訊作者：

黃富榮；暨南大學(xué)光電工程系；博導(dǎo)。

參考文獻(xiàn)

論文引用自二區(qū)文章：Yin, Hai, Baiheng Xie, Bijuan Chen, Jinfang Ma, Jiaze Chen, Yongxin Zhou, Xueqin Han, Zheng Xiong, Zhanwang Yu, and Furong Huang. Detection of Moisture Content and Size of Pumpkin Seeds Based on Hyperspectral Reflection and Transmission Imaging Techniques. Journal of Food Composition and Analysis 124 (2023) 105651.