|本期目录/Table of Contents|

[1]苗荣慧,黄锋华,杨华,等.基于光谱和Gabor纹理信息融合的油桃品种识别[J].江苏农业科学,2019,47(06):174-178.
　Miao Ronghui,et al.Identification of nectarine varieties based on spectral and Gabor texture fusion information[J].Jiangsu Agricultural Sciences,2019,47(06):174-178.
点击复制

基于光谱和Gabor纹理信息融合的油桃品种识别(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第47卷
期数:
2019年第06期
页码:
174-178
栏目:
农业工程与信息技术
出版日期:
2019-04-05

文章信息/Info

Title:
Identification of nectarine varieties based on spectral and Gabor texture fusion information
作者:
苗荣慧1;  黄锋华1;  杨华1;  邓雪峰1;  陈晓倩2
1.山西农业大学信息科学与工程学院，山西太谷 030801； 2.西北农林科技大学信息工程学院，陕西杨凌 712100
Author(s):
Miao Ronghui; et al
关键词:
油桃品种识别; 光谱信息; Gabor纹理信息; 主成分分析; 最小二乘支持向量机; 极限学习机
Keywords:
-
分类号:
TP391.4；S126
DOI:
-
文献标志码:
A
摘要:
为实现油桃品种的快速且无损鉴别，对油桃高光谱图像中的光谱和图像信息进行分析。在光谱信息提取中，采用偏最小二乘回归(partial least squares regression，简称PLSR)从全波段光谱数据提取9个特征波长。在图像信息获取中，采用主成分分析(principal component analysis，简称PCA)获得主成分图像，并提取主成分图像的Gabor纹理特征。分别建立基于特征波长光谱特征、主成分图像纹理特征和光谱纹理特征融合的最小二乘支持向量机(least squares support vector machine，简称LS-SVM)和极限学习机(extreme learning machine，简称ELM)油桃品种判别模型。结果表明，基于融合特征的LS-SVM和ELM模型识别率分别为94.7%、92.1%，较单独采用光谱信息和纹理信息的识别率都高，说明采用光谱信息和Gabor纹理信息融合的方法可以实现油桃品种判别，为农产品无损检测提供参考价值。
Abstract:
-

参考文献/References:

［1］黄锋华. 基于高光谱成像技术的油桃品质检测及品种判别研究［D］. 太古：山西农业大学，2016：9-18.
［2］薛建新，张淑娟，张晶晶. 壶瓶枣自然损伤的高光谱成像检测［J］. 农业机械学报，2015，46(7)：220-226.
［3］谷静思. 基于介电频谱/近红外光谱技术检测采后桃和油桃的品质及品种［D］. 杨凌：西北农林科技大学，2014：1-5.
［4］喻晓强，刘木华，程仁发. 油桃糖度的光谱图像检测技术研究［J］. 江西农业大学学报，2007，29(6)：1035-1038.
［5］刘木华，赵杰文，程仁发. 苹果硬度品质的光谱图像检测技术研究［J］. 食品科学，2008，13(3)：418-422.
［6］Baranowski P，Mazurek W，Wozniak J，et al. Detection of early bruises in apples using hyperspectral data and thermal imaging［J］. Journal of Food Engineering，2012，110(3)：345-355.
［7］倪茜茜. 基于高光谱成像技术的红酸枝品种识别［D］. 杭州：浙江农林大学，2015：1-4.
［8］梁亮，杨敏华，李英芳. 基于ICA与SVM算法的高光谱遥感影像分类［J］. 光谱学与光谱分析，2010，30(10)：2724-2728.
［9］Elmasry G，Sun D W，Allen P. Non-destructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging［J］. Food Research International，2011，44(9)：2624-2633.
［10］Wu D，Sun D W，He Y. Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet［J］. Innovative Food Science and Emerging Technologies，2012，16：361-372.
［11］李勋兰，易时来，何绍兰，等. 高光谱成像技术的柚类品种鉴别研究［J］. 光谱学与光谱分析，2015，35(9)：2639-2643.
［12］张艳. 基于Gabor滤波器的纹理特征提取研究及应用［D］. 西安：西安科技大学，2014：1-4.
［13］杨宏雨，余磊，王森. 基于Gabor纹理特征的人脸识别方法［J］. 计算机应用研究，2011，28(10)：3974-3976.
［14］宋余庆，刘博，谢军. 基于Gabor小波变换的医学图像纹理特征分类［J］. 计算机工程，2010，36(11)：200-202.
［15］李钰，孟祥萍. 基于Gabor滤波器的图像纹理特征提取［J］. 长春工业大学学报(自然科学版)，2008，29(1)：78-81.
［16］郭文川，刘大洋. 猕猴桃膨大果的近红外漫反射光谱无损识别［J］. 农业机械学报，2014，45(9)：230-235.
［17］Kennard R W，Stone L A. Computer aided design of experiments［J］. Technometrics，1969，11(1)：137-148.
［18］Zhu F，Zhang D，He Y，et al. Application of visible and near infrared hyperspectral imaging to differentiate between fresh and frozen-thawed fish fillets［J］. Food and Bioprocess Technology，2013，6(10)：2931-2937.
［19］薛建新，张淑娟，孙海霞，等. 可见/近红外光谱结合软化指标快速判定沙果货架期［J］. 农业机械学报，2013，44(8)：169-173.
［20］李勋兰，易时来，何绍兰，等. 高光谱成像技术的柚类品种鉴别研究［J］. 光谱学与光谱分析，2015，35(9)：2639-2643.
［21］Huang G B，Wang D H，Lan Y. Extreme learning machines：a survey［J］. International Journal of Machine Learning and Cybernetics，2011，2(2)：107-122.
［22］Cambria E，Huang G B，Lekamalage C K L，et al.Extreme learning machines［trends & controversies］［J］. IEEE Intelligent Systems，2013，28(6)：30-59.

相似文献/References:

[1]侯占峰,田海清,刘超,等.基于多信息融合技术的河套蜜瓜品质评价[J].江苏农业科学,2018,46(06):159.
　Hou Zhanfeng,et al.Quality evaluation of Hetao muskmelon based on multi-sensor information fusion[J].Jiangsu Agricultural Sciences,2018,46(06):159.

备注/Memo

备注/Memo:
收稿日期：2017-10-27
基金项目：国家自然科学基金(编号：31671571)；山西农业大学青年科技创新基金(编号：2017013)。
作者简介：苗荣慧(1990—)，女，山西晋城人，硕士，助教，主要从事图像分析与机器视觉、农产品无损检测研究。E-mail：ronghui092@163.com。
更新日期/Last Update: 2019-03-20