基于高光谱成像技术的小白杏成熟度判别模型

为快速、准确检测小白杏的成熟度,该研究选择七成熟、八成熟、九成熟、十成熟的小白杏样本各120个,采用近红外高光谱成像系统采集样本的高光谱数据,进行去除噪声和剔除界外样本处理.然后使用均值中心化(mean centering,MC)、Savitzky-Golay卷积求导法(Savitzky-Golay derivative,S-G)、多元散射校正(multiplicative scatter correction,MSC)、标准正态变量变换(standard normal variate transformation,SNV)、归一化法5种方法分别对全波段和特征波段光谱进行预处理,采用光谱-理化值共生距离算法(sample set partitioning based on joint x-y distance,SPXY)、K-S法(Kennard-stone,K-S)、双向算法(Duplex)、交叉验证法、随机法将样本划分为校正集和验证集.最后用极限学习机(extreme learning machine,ELM)、支持向量机(support vector machine,SVM)、偏最小二乘法(partial least squares,PLS)、K最邻近法(K-nearest neighbor,KNN)、贝叶斯判别法建立不同的分类判别模型,比较各模型的识别率.结果表明,对小白杏成熟度定性判别模型,有以下最优组合:全波段+MSC+SPXY/Duplex/K-S/交叉验证/随机法+ELM/PLS/SVM/KNN、全波段+S-G/MSC/归一化/SNV+随机法+贝叶斯、全波段+S-G+SPXY/Duplex/K-S/交叉验证/随机法+ELM/PLS/SVM/KNN、全波段+归一化+SPXY/Duplex/K-S/交叉验证/随机法+PLS、特征波段+MSC+SPXY/Duplex/K-S/交叉验证/随机法+ELM/PLS/SVM/KNN/贝叶斯、特征波段+归一化+SPXY/Duplex/K-S/交叉验证/随机法+PLS.