该文章主要探讨了一种采用高光谱成像技术和二次连续投影法(SPA)结合BP人工神经网络(BPANN)来实现寒富苹果病害的无损检测方法。高光谱成像是通过获取物体在多个窄波段的光谱信息,以此来识别不同物质或状态的技术。这种技术在食品安全检测领域具有广泛应用,特别是在果蔬病害识别上,能够提供准确且非破坏性的检测手段。
寒富苹果是北方广泛种植的一种苹果品种,常见的病害包括炭疽病、苦痘病、黑腐病和褐斑病。文章中,研究人员首先通过高光谱成像设备收集苹果图像,并从中分割出感兴趣的区域,提取相应的光谱信息。接着,他们利用SPA算法从500至970纳米的全波长范围内选取了10个特征波长,这些波长被认为对于病害识别最为敏感。进一步地,他们再次应用SPA算法从这10个特征波长中筛选出3个最具有代表性的波长(681、867和942纳米)。
接下来,研究人员将全波长光谱数据、SPA1选出的10个特征波长的光谱数据以及SPA2选出的3个特征波长的光谱数据分别作为输入,利用线性判别分析(LDA)、支持向量机(SVM)和BP神经网络模型进行苹果病害的分类和检测。通过比较不同方法的检测效果,发现SPA2-BPANN组合提供了最佳的检测性能,其在训练集和验证集上的检测率均达到100%。
这项研究结果表明,高光谱成像结合SPA和BP神经网络可以有效地识别寒富苹果的病害,为实现苹果病害的在线、快速、无损检测提供了理论支持。此外,选定的特征波长也为开发多光谱成像的苹果品质检测和分级系统提供了有价值的参考。
BP神经网络是一种基于反向传播的学习算法,常用于复杂非线性问题的数据建模。它通过不断调整网络权重以最小化预测输出与实际输出之间的误差,从而达到学习的目的。在本研究中,BP神经网络模型能有效捕捉高光谱数据中的复杂模式,实现对苹果病害的精准识别。
总结来说,该研究利用高光谱成像技术获取苹果的光谱信息,通过二次连续投影法选择关键波长,并借助BP神经网络建立有效的病害检测模型。这种方法对于提升苹果病害检测的效率和准确性具有重要意义,同时也为其他果蔬病害的无损检测提供了可能的解决方案。