为了研究检测苹果表面轻微损伤的有效的方法,以红富士苹果为试验样本,通过高光谱成像采集系统采集苹果样本的高光谱图像,根据正常苹果表面区域和刚损伤、损伤后(3,10,24h)的损伤区域光谱反射率平均曲线得到有效光谱区域;用掩膜法对图像进行背景分割,并基于有效光谱区域做主成分分析,选取第四主成分(PC4)提取损伤区域,运用阈值分割的方法建立提取损伤区域的算法模型;应用该算法模型对正常苹果和损伤苹果进行检测。检测结果表明:正常苹果样本正确检测率达到100%,损伤苹果样本的正确检测率为97.5%,总体检测精确度高达98.75%,说明利用高光谱成像技术可以有效快速检测出苹果表面的轻微损伤。

苹果果实易发生病害，传统的苹果病害的检测不适应苹果分级在线检测的要求。为了实现病害苹果快速、有效的在线检测，采用高光谱成像技术对寒富苹果的炭疽病、苦痘病、黑腐病和褐斑病的病害果进行无损检测研究。根据正常区域与病害区域光谱相对反射率差异，提出改进流形距离方法。综合计算病害与正常区域，病害与果梗／花萼区域，正常与果梗／花萼区域的光谱相对反射率的总改进流行距离Ｌ值，从而从全波段中选择了３个特征波段，分别为７００，７６５，９０４ｎｍ。对７００ｎｍ特征波段下的图像进行阈值分割，以此获得掩膜图像，并对掩膜后的图像二次阈值分割提取感兴趣区域。将３个特征波段下对应的光谱相对反射率分别组合，作为ＢＰ神经网络的输．．．

该文建立了基于高光谱成像技术的复合绝缘子表面污秽状态检测实验平台。基于实验平台的实验内容包括污秽绝缘子制备、高光谱数据采集与处理、建立分类模型等，并通过分析不同污秽状态绝缘子光谱曲线的差异，对绝缘子污秽状态进行了准确分类。该实验平台涉及光学、高压、计算机等多个学科，是学生综合利用多学科专业知识处理绝缘子污秽状态分类问题的专业实验平台，既可培养学生知识拓展能力和实践应用能力，也能帮助他们很好地理解绝缘子特性和污闪现象。

【目的】研究应用高光谱成像技术无损检测生长发育后期苹果糖度的可行性。【方法】以生长发育后期的＂富士＂苹果为对象，基于采集到的波长９００～１ ７００ｎｍ高光谱数据，建立预测苹果糖度的偏最小二乘（ＰＬＳ）、支持向量机（ＳＶｍ）和极限学习机（ＥＬｍ）模型，并比较主成分分析（ＰＣＡ）和连续投影算法（ＳＰＡ）２种数据压缩或特征波提取方法对预测模型精度的影响。【结果】采用ＰＣＡ方法可将全光谱压缩至９个主成分，采用ＳＰＡ从全光谱的２３０个波长中提取出了１３个特征波长，两者相比，ＳＰＡ能更有效地提高模型预测能力。预测生长发育后期苹果糖度的最佳模型为基于ＳＰＡ的ＰＬＳ模型，其预测集相关系数为０．９４５，均方根误．．．

南果梨是一种重要的水果品种，其酸度是评估果品质量的重要指标之一。然而，传统的南果梨酸度检测方法通常需要破坏性采样和化学分析，不仅耗时费力，而且容易导致样品污染和浪费。因此，旨在探索一种基于高光谱成像技术的无损检测方法，以实现对南果梨酸度的快速、准确、无损检测。首先，采集室温20℃下不同贮藏天数南果梨的高光谱数据，其光谱波长范围为400～1 000 nm，并且通过理化实验测量南果梨样本的可滴定酸；其次，采用多元散射校正（multipli-cative scatter correction,MSC）、标准正态变换（standard normal variate,SNV）、Savitzky-Golay平滑滤波等多种方法对光谱数据进行预处理，建立偏最小二乘回归模型（partial least squares regression,PLSR），选择出建模效果最佳的预处理方法，结果显示MSC方法效果最优；然后结合连续投影算法（successie projection algorithm,SPA）提取特征波段，在700～900 nm范围内确定9个特征光谱变量；最后，以提取出的9个特征光谱变量作为输入矢量，分别建立PLSR模型、极限学习机（extreme learning machine,ELM）模型以及遗传算法（genetic algorithm,GA）和粒子群算法（particle swarm optimization,PSO）优化的BP神经网络模型。研究结果表明，基于MSC预处理和SPA算法特征提取的PSO-BP模型预测精度最高，效果最好，预测集决定系数Rp2=0.911,RMSEP=0.032。可见，基于高光谱成像技术的SPA-PSO-BP模型可用于南果梨酸度的检测，为南果梨的品质评价提供参考。

为实现准确评估和预测贡梨的冲击损伤，采用波长为397.5～1 014.0 nm的高光谱成像技术与力学参数相结合对贡梨的冲击损伤进行定量研究。利用基于单摆原理的碰撞装置以及智能数据采集系统获得峰值力、平均接触力、损伤面积和平均压强等力学参数，并对力学参数进行统计分析。利用高光谱成像系统获得损伤贡梨的光谱数据。使用Gap-segment求导、SG求导和基线校准(Baseline)3种光谱预处理方法对原始光谱进行预处理，将光谱数据与力学参数相结合分别建立偏最小二乘回归(Partial least squares regression, PLSR)和主成分回归(Principal component regression, PCR)模型。基于基线校准(Baseline)预处理方法，采用竞争性自适应重加权(Competitive adaptive reweighting sampling, CARS)和无信息变量消除(Uninformative variable elimination, UVE)2种算法进行特征波长的选取，将选取的特征波长作为输入变量并结合力学参数建立PLSR模型。力学参数统计分析和建模的结果表明：1)力学参数在一定程度上可以表征贡梨冲击损伤程度。力学参数的平均值随损伤程度的增加而增大，峰值力平均值从138.40 N增大至335.86 N;平均接触力平均值从77.13 N增大至188.20 N;损伤面积平均值从208.07 mm~2增大至544.42 mm~2;平均压强平均值从0.34 MPa增大至0.42 MPa。2)Baseline-CARS-PLSR模型对力学参数的预测效果最优，其峰值力、平均接触力、损伤面积和平均压强的预测集相关系数(R_P)和预测集均方根误差(RMSEP)分别为0.892和31.527 N、0.883和18.861 N、0.895和54.411 mm~2、0.661和0.045 MPa。通过高光谱成像技术与力学参数相结合对贡梨冲击损伤进行定量预测具有一定的可行性，可为贡梨的品质分选及包装方面提供理论支持。

为解决玉米茎秆虫害早期无损检测问题，以提供玉米虫害预测预警与精确喷药理论依据，利用高光谱成像技术，提出了分段混合距离方法，明确玉米茎杆玉米螟虫害无损检测的最优波段，提取单波段特征图像，分割虫孔，以实现对玉米螟的快速、准确、无损检测。首先通过对玉米茎杆高光谱图像的分析，根据玉米茎杆高光谱图像的玉米茎秆区域与背景区域各个波段的光谱反射率的差异，选取４５０ｎｍ的图像，利用阈值分割的方法，获得掩模图像。然后根据可见光波段５３０～６００ｎｍ范围和近红外波段７５０～９００ ｎｍ范围光谱相关性小的特点，应用混合距离作为测量参数，筛选最佳单波段、双波段组合，最终确定７５４．８ ｎｍ波段为最优波段。提取该波段的．．．

[目的]本文旨在建立基于高光谱成像技术检测猕猴桃冷害的方法，实现猕猴桃冷害的无损甄别。[方法]以‘红阳’猕猴桃为材料，通过分析其400～1 000 nm和1 000～2 000 nm波段下的光谱，比较不同预处理下的偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)模型，选出正确率较高的模型，对该方法构建全波段和特征波段光谱信息的模型，并对结果进行比较。[结果]主成分分析(PCA)结果表明，不同冷害等级的猕猴桃样本可以区分，但相邻等级猕猴桃样本间存在少量重叠。自动标准化(Autoscale)为最佳预处理方式，基于Autoscale建立的SVM模型相对于其他模型具有更高的准确率。在400～1 000 nm波长范围，连续投影算法(SPA)选择特征波长相对于全波长的模型更优，建模集、预测集正确率分别为100%和94.2%,在1 000～2 000 nm波长范围，竞争性自适应重加权算法(CARS)选择特征波长比全波长模型效果更好，建模集、预测集正确率分别为92.3%和86.5%。[结论]高光谱成像技术可以全面、准确、快速地预测猕猴桃冷害程度，该技术为猕猴桃的流通、销售提供了理论依据。

[目的]为实现猕猴桃冷害的无损甄别，本文提出了基于高光谱成像技术检测‘红阳’猕猴桃冷害的方法。[方法]通过分析400～1000 nm和1000～2000 nm波段下的光谱，比较不同预处理下的偏最小二乘判别分析（PLS-DA）和支持向量机（SVM）模型，选出正确率较高的模型后，对该方法构建全波段和特征波段光谱信息的模型，并对结果进行比较。[结果]主成分分析（PCA）结果表明，不同冷害等级的猕猴桃样本可以区分，但相邻等级猕猴桃样本间存在少量重叠。自动标准化（Autoscale）为最佳预处理方式，基于Autoscale建立的SVM模型相对于其他模型具有更高的准确率。400～1000 nm波长范围下，连续投影算法（SPA）选择特征波长相对于全波长的模型更优，建模集、预测集正确率分别为100%和94.2%，在1000～2000 nm波长范围，竞争性自适应重加权算法（CARS）选择特征波长比全波长模型效果更好，建模集、预测集正确率分别为92.3%和86.5%。[结论]高光谱成像技术可以全面、准确、快速地预测猕猴桃冷害程度，该技术为猕猴桃的流通、销售提供了一定的理论依据。

为探究软枣猕猴桃采后后熟过程中可溶性固形物含量（soluble solids content, SSC）变化和分布规律，利用高光谱成像结合化学计量学方法实现其SSC无损检测与可视化。首先，采集25℃下不同贮藏天数软枣猕猴桃的高光谱数据，并测定其SSC。其次，采用不同预处理方法对光谱数据进行处理，确定最佳预处理方法；然后，基于3种特征波段提取方法优选特征波段，构建偏最小二乘回归（partial least squares regression, PLSR）、极限学习机（extreme learning machine, ELM）和粒子群优化的极限学习机（particle swarm optimization-extreme learning machine, PSO-ELM）可溶性固形物含量预测模型。结果表明：基于竞争性自适应重加权采样算法（competitive adaptive reweighted sampling, CARS）提取特征波长的PSO-ELM模型的预测效果最佳，测试集Rp2为0.934,RMSEP为0.952,RPD为2.277。最后，基于CARS-PSO-ELM模型计算软枣猕猴桃每个像素点的SSC，生成可视化分布图，直观地呈现出不同贮藏天数软枣猕猴桃SSC变化的空间分布特征，为软枣猕猴桃的品质评价和贮运销售提供重要参考。

[目的] 为快速检测叶片含水量，探索及时监测番茄植株生长状况的在线监测模型。[方法] 本试验利用高光谱成像技术，提取出195个叶片样本的平均光谱反射率。通过异常值剔除、样本集划分、5种预处理方法对原始光谱进行预处理和优化，采用连续投影算法（Successive Projections Algorithm， SPA）、无信息变量消除变换法（Uninformation variable elimination， UVE）、迭代保留信息变量法（Iterative retained InformationVariable， IRIV）和遗传偏最小二乘算法（Genetic partial-least-squares algorithm， GAPLS）提取特征波长，并建立偏最小二乘回归（Partial-least-squares regression，PLSR）模型。基于优选的特征波长建立PLSR、多元线性回归（Multiple linear regression ， MLR）以及主成分回归（Principal component regression ， PCR）模型和卷积神经网络模型（convolutional neural network， CNN）。[结果] 结果表明：优选基线校准-正交信号校正法（Baseline-Orthogonal signal correction， Baseline-OSC）对叶片含水量进行预处理；IRIV法提取的特征波长建立的叶片含水量定量预测模型效果最优R_(c)~(2)为0.489，R_(p)~(2)为0.466；基于IRIV-CNN建立的叶片含水量模型效果好（R_(c)~(2)=0.668，RMSEC=0.019；R_(p)~(2)=0.424，RMSEP=0.033）。[结论] 本研究对设施蔬菜产业发展水分利用效率以及番茄作物水分的科学管理具有重要的现实意义和作用，为番茄植株长势在线监测提供技术支撑。

为实现玉米叶片表面未见明显病症的病害早期检测,提出一种基于高光谱成像技术的玉米弯孢叶斑病早期检测方法。以玉米叶片为研究对象,采用人工接种病菌使玉米感染弯孢叶斑病,在接种后1,2,3,4,5d,每天采集接种病菌叶片30片,正常未接种叶片10片,利用高光谱成像系统获取接种病菌叶片和正常未接种叶片在400～1000nm高光谱图像数据,经过分析接种病菌叶片和正常未接种叶片的原始光谱、原始光谱的一阶导数光谱、平均光谱绝对差值,确定玉米弯孢叶斑病早期检测的特征波段选取区。然后通过显著性检验和相关性分析,将置信区间设为95%,在特征波段选取区确定458.9,481.1,500.8,515.7,525.7, 531.9,534.4,550.7,578.3,604.9,625.2,646.8,677.5,735.3,754.7nm,为玉米弯孢叶斑病早期检测的特征波段。最后,基于选定的特征波段构建玉米弯孢叶斑病支持向量机检测模型。结果表明:利用选取的特征波段作为支持向量机的输入矢量,建立的玉米弯孢叶斑病早期检测模型,通过支持向量机选择的线性核函数、多项式核函数、径向基核函数3种不同的核函数,在接种后的第1d,3种核函数测试集准确率达79%以上,线性核函数在接种第3d,测试集准确率达到88.75%。该研究可以对玉米弯孢叶斑病在未见明显叶斑的早期进行快速、无损检测,为玉米病害的早期检测提供新的思路。

为实现田间环境下水稻叶部病害的快速诊断，设计了一种基于多光谱成像技术的水稻叶部病害便携式检测装置.该装置主要由多光谱图像采集软件、高功率LED驱动电路、图像采集触发电路和USB接口通讯电路4个部分组成.以感染水稻稻瘟病、胡麻叶斑病、细条病水稻以及健康水稻的叶片为研究对象，采集了460、520、590、630、660、710、730、760、800、850、900和940 nm共12个波段下的光谱图像信息.主成分分析结果表明：第一主成分(PC1)和第二主成分(PC2)的累计方差贡献率为91.19%;稻瘟病、胡麻叶斑病和细条病在PC1和PC2得分图上具有各自聚成一类的趋势.基于12个波段反射率构建的支持向量机模型对稻瘟病、胡麻叶斑病和细条病的总体识别正确率为97.44%,Kappa系数为0.965 1,识别效果较好.表明利用自主研发的便携式多光谱成像装置结合化学计量法可实现水稻叶部病害的快速诊断.