基于RELIEF算法和極限學(xué)習(xí)機(jī)的蘋果輕微損傷高光譜檢測方法

張萌，李光輝*

（1.江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院，江蘇 無錫 214000；2.物聯(lián)網(wǎng)技術(shù)應(yīng)用教育部工程技術(shù)研究中心，江蘇 無錫 214000）

蘋果是一種常見的水果，也是我國的第一大水果，是我國的優(yōu)勢農(nóng)產(chǎn)品之一。然而，蘋果在采摘、分裝和運輸過程中難以避免由于磕碰而造成的輕微損傷。在損傷初期，水果的外觀與正常水果極為相似[1]，憑肉眼或者彩色照相機(jī)幾乎無法識別；隨著時間的推移，輕微損傷逐漸加重，最終演變成內(nèi)部腐爛，對蘋果品質(zhì)產(chǎn)生很大影響。此外，在水果采集過程中針對病蟲害的檢測主要以人工分揀為主，一般先通過目測來判斷水果的外部缺陷，再通過已有的分級設(shè)備進(jìn)行分級和出售。由于人工分揀對于水果輕微損傷判斷的準(zhǔn)確性差并且效率較低，所以很難達(dá)到分級的一致性[2]。

高光譜成像技術(shù)同時含有光譜及圖像方面的信息，具有分辨率高、波段數(shù)多的特點，近些年越來越多地被應(yīng)用于農(nóng)產(chǎn)品品質(zhì)的無損檢測中[3-6]。BARANOWSKI等[7]使用可見光/近紅外（400～1 000 nm）和短波近紅外（1 000～2 500 nm）范圍內(nèi)的高光譜圖像，并結(jié)合多種有監(jiān)督的分類模型，對損傷2周內(nèi)的蘋果進(jìn)行了檢測，結(jié)果表明，用于損傷天數(shù)檢測的高光譜成像技術(shù)在兩類光譜范圍內(nèi)都具有良好的適用性；SUN等[8]采集了4 00～1 000 nm范圍內(nèi)的高光譜圖像，使用連續(xù)投影算法（successive projection algorithm,SPA）挑選了6個特征波段（580、599、650、675、710和970 nm），分別使用偏最小二乘回歸判別分析（partial least-squaresdiscriminant regression,PLS-DA）、支持向量機(jī)（support vector machine,SVM）及人工神經(jīng)網(wǎng)絡(luò)（artificial neural network,ANN）模型進(jìn)行建模分析，結(jié)果表明，該系統(tǒng)可以對桃的凍傷等級進(jìn)行分類；劉思伽等[9]采用二次連續(xù)投影算法提取了3個特征波長（681、867和942 nm），然后分別采用線性判別分析、支持向量機(jī)和反向傳播人工神經(jīng)網(wǎng)絡(luò)（back propagation-artificial neural network,BP-ANN）模型進(jìn)行分類，完成了寒富蘋果病害的分類檢測。但以往基于高光譜成像技術(shù)結(jié)合化學(xué)計量法對水果缺陷的檢測中，常用的特征波段提取算法通常提取的特征波段數(shù)多，數(shù)據(jù)較冗余，處理數(shù)據(jù)仍較煩瑣，而減少提取的特征波段數(shù)則可能會降低分類的精度，不利于水果品質(zhì)的在線檢測。另外，大多數(shù)研究并未考慮到水果輕微損傷隨時間推移而產(chǎn)生的影響，不符合水果質(zhì)量檢測的實際情況。針對上述問題，本文采用高光譜成像技術(shù)，使用RELIEF算法結(jié)合極限學(xué)習(xí)機(jī)（extreme learning machine,ELM）提出RELIEF-極限學(xué)習(xí)機(jī)（RELIEF-extreme learning machine,Re-ELM）算法，克服了以往損傷檢測算法所需的特征波段數(shù)過多、檢測精度不夠高的問題，實現(xiàn)了對不同損傷時間的蘋果輕微損傷樣本的快速、有效且準(zhǔn)確的識別；同時，提出了基于圖像處理技術(shù)的損傷檢測算法，能夠直觀地對蘋果損傷區(qū)域進(jìn)行識別，更有利于在線檢測系統(tǒng)的實現(xiàn)。

1 材料與方法

1.1 樣本采集

實驗樣本為雙色紅富士蘋果，購買于江蘇省無錫市當(dāng)?shù)氐乃l(fā)市場。為保證研究的可靠性，人工挑選同一批次的沒有明顯表面缺陷，且形狀、大小相似，顏色分布均勻的蘋果共108個。將108個蘋果分為2組，每組54個。對第1組的54個樣本實施人工模擬損傷，將樣本從40 cm的高度垂直落到水平地面，使蘋果的赤道位置形成輕微損傷，對瘀傷處進(jìn)行標(biāo)記，作為損傷蘋果樣本；此高度造成的損傷為蘋果內(nèi)部損傷，損傷程度符合中國農(nóng)業(yè)農(nóng)村部（原農(nóng)業(yè)部）發(fā)布的《中華人民共和國農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn)（NY/T 1793—2009）：蘋果等級規(guī)格》。第2組的54個蘋果樣本不做處理，為正常蘋果樣本。采集不同損傷時間的損傷樣本表面和正常樣本表面的高光譜圖像。所有蘋果樣本在檢測間隔期的保存及高光譜圖像的采集均在22℃室溫條件下進(jìn)行。

1.2 儀器設(shè)備

選擇美國SOC710VP高光譜成像儀，它能夠采集400～1 000 nm波長（共128個波段）處的光譜圖像，光譜分辨率為4.68 nm，成像分辨率為1 392×1 040。該設(shè)備采用全息衍射技術(shù)，光通過率高，并采用雙電荷耦合器件圖像傳感器（charge coupled device,CCD）可視化對焦，能夠直觀地預(yù)覽待測圖像，同時配備了美國國家標(biāo)準(zhǔn)與技術(shù)研究院（National Institute of Standards and Technology,NIST）可溯源校準(zhǔn)，確保了數(shù)據(jù)的準(zhǔn)確性及可靠性。為了減少周圍光線的影響，高光譜圖像的采集均在暗箱中操作，采用鹵素?zé)糇鳛楣庠?，設(shè)置升降臺高度為40 cm，積分時間為25 ms，垂直于蘋果表面掃描成像。每次掃描的同時獲取暗電流及參考板數(shù)據(jù)。

1.3 圖像校正

由于光照強(qiáng)度的不均勻性和CCD探測器中暗電流的存在，采集的高光譜圖像通常具有較大噪聲，故需對初始圖像進(jìn)行黑白校正，公式如下：

式中：Rn為校正后的高光譜圖像；Rr為原始噪聲圖像；Rd為黑板的校正圖像；Rw為美國NIST溯源校準(zhǔn)參考板的掃描圖像。

1.4 數(shù)據(jù)處理

實驗中的數(shù)據(jù)提取和光譜預(yù)處理主要基于ENVI 4.7軟件進(jìn)行；RELIEF算法和ELM等模型使用Matlab R2009a軟件編程實現(xiàn)。

2 結(jié)果與分析

2.1 蘋果輕微損傷的高光譜圖像特征提取

在實驗中正常樣本的感興趣區(qū)域（region of interest,ROI）選擇在與損傷樣本的損傷位置相近的區(qū)域。在已采集的所有樣本的高光譜圖像中，分別在54個正常樣本表面區(qū)域與54個損傷樣本在剛損傷和損傷后不同時間的損傷區(qū)域（顏色較深）范圍內(nèi)選取矩形ROI，ROI的大小為10×10像素。由于高光譜圖像中像素點眾多，其中每個點都具有一條完整的反射率曲線，所以計算每一個樣品ROI內(nèi)所有波段的平均光譜反射率曲線，并作為該區(qū)域的光譜曲線。

全部樣本表皮的平均光譜曲線如圖1所示。從中可知，正常樣本與不同損傷時間樣本的光譜特征曲線變化趨勢較為一致，在損傷初始時刻樣本的光譜曲線與正常樣本較為接近，隨著時間推移，損傷樣本的平均光譜反射率開始降低，尤其在640～700和730～900 nm范圍內(nèi)曲線差異更為明顯。此外，在680 nm處的吸收谷是由蘋果表面葉綠素的吸收作用引起的[10]，在820 nm處的吸收峰反映了蘋果樣本的含糖量信息[11]，在960 nm附近的波谷是由蘋果中水分變化造成的，因為該波段是水中O—H基團(tuán)的2級倍頻特征吸收峰[12]。

圖1 正常和損傷蘋果樣本的平均反射光譜曲線Fig.1 Average reflectance spectra of the sound and bruise regions on apple samples

平均光譜反射率主要反映高光譜圖像的光譜信息，而高光譜技術(shù)具有包含光譜信息與圖像信息的特點。由于蘋果損傷區(qū)域和正常區(qū)域存在物理化學(xué)性質(zhì)的差異，使得不同波段下的平均光譜反射率的強(qiáng)度不同，而圖像的信息熵能夠很好地度量反射光強(qiáng)的差異性[13]，因此，本文提取蘋果表面的圖像熵數(shù)據(jù)以選擇信息量更為豐富的波段作為特征波段。

設(shè)波段λ下像素點(i，j)處的平均光譜反射率值為f(λ，i，j)，其中i=1，2，…，M，j=1，2，…，N(M，N分別為CCD相機(jī)的橫向、縱向像素），則第t個蘋果樣本所選擇的感興趣區(qū)域為R(λ，t)。

首先求出第t個蘋果樣本在波段λ下各像素點的平均光譜反射率的概率分布

其中

則第t個蘋果樣本在波段λ下的圖像熵H(λ，t)為

圖像熵信息可以反映圖像分布的聚集特征，正常蘋果與不同損傷天數(shù)蘋果的圖像熵曲線如圖2所示?？梢钥闯?，正常樣本與損傷不同時間的樣本間的平均熵具有一定的差異，包含了不同的信息量，可通過平均熵篩選出更具有信息量的特征波段。

圖2 正常和損傷蘋果樣本的圖像熵曲線Fig.2 Average entropy of the sound and bruise regions on apple samples

2.2 特征波段的選取

高光譜圖像包含大量的數(shù)據(jù)，可以為蘋果的損傷分類提供豐富的信息。但由于光譜波段較為連續(xù)，鄰近波段間的相似性很高，通常會存在大量的數(shù)據(jù)冗余，使得運算費時較長，不利于蘋果損傷的在線檢測，所以需要提取能夠代替全波段進(jìn)行分類處理的特征波段，從而減少數(shù)據(jù)冗余，進(jìn)而簡化數(shù)據(jù)運算。

RELIEF算法[14]是一種計算特征權(quán)重值大小的方法，通常是基于兩類問題進(jìn)行特征的選擇，根據(jù)各個特征對于分類的重要程度賦予其不同的權(quán)重值，其主要思想是基于區(qū)分相鄰樣本的能力來確定特征權(quán)重。本實驗使用該方法來選擇損傷檢測的特征波段。為了使用RELIEF算法得到波長的權(quán)重系數(shù)圖，將采集的正常及不同損傷時期蘋果樣本的平均光譜反射率和圖像熵信息及其對應(yīng)標(biāo)記輸入RELIEF算法中，從而獲得各個波段的權(quán)重系數(shù)，如圖3和圖4所示。值得注意的是，為了消除數(shù)據(jù)冗余，選取平均光譜反射率與圖像熵的波段權(quán)重系數(shù)圖中局部極大值作為檢測損傷的特征波段，這樣所選波段不但包含有利于蘋果損傷分類的圖像特征，而且同時包含了更多的信息量。其中，所選擇的8個特征波段為17、30、35、51、61、66、94和120。

圖3 蘋果樣本的平均光譜反射率的權(quán)重系數(shù)Fig.3 Weighting coefficient of average reflectance spectra of apple samples

圖4 蘋果樣本的圖像熵的權(quán)重系數(shù)Fig.4 Weighting coefficient of average entropy of apple samples

2.3 ELM損傷判別模型的建立

極限學(xué)習(xí)機(jī)（ELM），是一種快速學(xué)習(xí)算法。根據(jù)HUANG等[15]的研究結(jié)果，對于一個單隱層神經(jīng)網(wǎng)絡(luò)，設(shè)g（x）為激活函數(shù)，輸入權(quán)重大小為Wi，輸出的權(quán)重值為βi，bi為第i個隱藏層單元的偏置值，則在算法中，只要隨機(jī)確定bi和Wi的值，就能夠得到隱藏層的輸出矩陣H。通常，對于一個單隱層神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)的目的是為了實現(xiàn)最小輸出誤差。雖然傳統(tǒng)的梯度下降法算法可以用來解決類似問題，但是此類算法（如BP神經(jīng)網(wǎng)絡(luò)）需要不斷地調(diào)整迭代過程中的參數(shù)，從而存在訓(xùn)練時間較長，訓(xùn)練速度慢，且容易陷入局部而非全局最小等問題。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法相比，ELM突出的優(yōu)勢是能夠保證學(xué)習(xí)的精度同時減少所耗時間。

在本實驗中，利用蘋果正常樣本與不同損傷天數(shù)樣本表皮的平均光譜反射率數(shù)據(jù)，使用ELM對蘋果損傷情況進(jìn)行建模分析。首先是基于光譜全波段的建模，將正常樣本（54個）與不同損傷時間的樣本（54個）按照2∶1的比例隨機(jī)劃分訓(xùn)練樣本集（72個）和測試樣本集（36個），選用Sigmod函數(shù)作為ELM極限學(xué)習(xí)機(jī)的激活函數(shù)，經(jīng)過多次實驗，最佳隱層神經(jīng)元的個數(shù)為20。測試集的判別結(jié)果如圖5所示，全波段建模的判別結(jié)果見表1。由表1可知，正常樣本及不同損傷時間樣本的訓(xùn)練集和測試集判別結(jié)果均較好，除了損傷1 min內(nèi)的樣本由于蘋果表皮的損傷變化不明顯，使得模型測試結(jié)果稍低外，基于訓(xùn)練集和測試集的整體檢測率均在94%以上。由此可得，基于全波段進(jìn)行建模對樣本的預(yù)測較可靠。

圖5 基于全波段的訓(xùn)練集判別結(jié)果Fig.5 Discriminant results of training sets based on full wavebands

表1 基于全波段的ELM模型對正常和損傷樣本的判別結(jié)果Table 1 Discriminant results of sound and bruised samples using ELM model and full wavebands

由于全波段中包含大量冗余數(shù)據(jù)，建模耗時長，不利于在線檢測系統(tǒng)的開發(fā)，所以使用RELIEF算法挑選特征波段，有效減少數(shù)據(jù)冗余，使得建模時間大大減少?；谔卣鞑ǘ芜M(jìn)行ELM建模分析的結(jié)果如表2所示。從中可知，基于特征波段的建模不僅減少了大量數(shù)據(jù)冗余，使得建模時間縮短，而且提升了分類的精確度?；谔卣鞑ǘ谓５目倻y試集精度優(yōu)于基于全波段的建模，說明所選擇的特征波段包含了分類的關(guān)鍵信息，去除了冗余信息，更有利于蘋果損傷的分類。

2.4 ELM模型與其他分析方法的比較

2.4.1 RELIEF-支持向量機(jī)（Re-SVM）模型判別分析

SVM是基于統(tǒng)計學(xué)習(xí)理論的一種機(jī)器學(xué)習(xí)方法，是一種二分類模型。SVM定義為特征空間上間隔最大的分類器，即學(xué)習(xí)的策略是使間隔達(dá)到最大。該模型一般對于線性可分情況進(jìn)行分析，但其優(yōu)勢是支持非線性分類。在非線性的條件下，它能夠采取非線性的映射算法把原本不可分樣本轉(zhuǎn)換到更高維度的特征空間，然后在高維的空間實現(xiàn)線性可分[16]。使用SVM模型對特征波段進(jìn)行建模的結(jié)果見表3。從中可知，基于特征波段的Re-SVM模型測試集的判別精度不如RELIEF-極限學(xué)習(xí)機(jī)（Re-ELM）高，和ELM模型相比其建模時間也更長，但是結(jié)果仍較好，總識別精度平均值為95%，能夠比較有效地進(jìn)行蘋果損傷分類識別。

表3 基于Re-SVM模型對正常樣本和損傷樣本的判別結(jié)果Table 3 Discriminant results of sound and bruised samples based on Re-SVM model

2.4.2 Re-K均值模型判別分析

在數(shù)據(jù)挖掘中，K-均值（K-means）算法[17]是一種常用的聚類分析算法。該算法需要預(yù)先設(shè)定一個K值和多個類別的初始質(zhì)心位置，然后通過K值及初始質(zhì)心對位置較為相似的數(shù)據(jù)進(jìn)行劃分，最后對劃分后的均值采用迭代優(yōu)化，從而獲得最佳聚類效果。

使用K-均值算法對樣本進(jìn)行分析的結(jié)果如表4所示：蘋果損傷的分類效果不如ELM及SVM，總識別率為91.67%。

表4 基于Re-K均值模型對正常和損傷樣本的判別結(jié)果Table 4 Discriminant results of sound and bruised samples based on Re-K mean model

2.5 基于圖像處理的蘋果輕微損傷分析

由上述研究可知，由RELIEF算法提取的特征波段適用于蘋果輕微損傷分類判別。為了進(jìn)一步驗證特征波段的有效性，提出了基于圖像處理技術(shù)的損傷檢測算法。

2.5.1 獨立成分分析

獨立成分分析（independent component analysis,ICA）是近年發(fā)展起來的一種統(tǒng)計方法，是盲源分離（blind source separation,BSS）的重要分支。盲源分離是指當(dāng)源信號與信號混合模型未知時，從混合信號中分離出源信號的過程。由于獨立成分分析在特征提取中具有明顯的優(yōu)勢，所以已經(jīng)逐漸應(yīng)用于高光譜圖像的處理中。其算法原理[18]如下：

將獨立成分表示為隨機(jī)列向量S=[s1,s2,…,sn]T，獨立成分的觀測值表示為隨機(jī)列向量X=[x1,x2,…,xn]T，矩陣A（m×n）表示為S的系數(shù)aij。假設(shè)s1,s2,…,sn之間相互保持統(tǒng)計獨立，則有

那么獨立成分分析的模型可用矢量形式表示為

由于S和A均未知，獨立成分分析的目的即尋找si的最優(yōu)估計，使得

式中B=A－1，是ICA模型的分離矩陣，A－1即A的逆矩陣。

2.5.2 特征波段的ICA變換

獨立成分分析是降低高光譜圖像維度的重要方法。在本文中，首先使用ICA技術(shù)對400～1000 nm的全波段圖像進(jìn)行變換，然后針對特征波段進(jìn)行變換。圖6顯示了損傷時間為1 d的蘋果高光譜圖像變換結(jié)果。可以看出，基于全波段與特征波段的ICA變換，各成分圖像顯示的蘋果表皮信息基本一致，說明了特征波段的有效性。比較前4個成分圖像可知：ICA1圖像包含了蘋果整體信息；ICA2圖像反映了蘋果表皮的一些形態(tài)學(xué)特征，如紋理、斑點等；ICA3圖像較為明顯地顯示了蘋果的損傷區(qū)域；ICA4圖像主要反映了蘋果的輪廓信息。因此，選用ICA3圖像對蘋果進(jìn)行下一步的損傷檢測?；谌ǘ魏吞卣鞑ǘ螆D像對所有樣本進(jìn)行變換的結(jié)果均與圖6中的結(jié)果相似，由此可證明特征波段可以代替全波段進(jìn)行蘋果輕微損傷檢測。

圖6 基于全波段（A）和特征波段（B）的蘋果損傷高光譜圖像ICA變換Fig.6 ICA transformation results of the bruise apples’hyperspectral images based on the full(A)and characteristic wavebands(B)

2.5.3 蘋果輕微損傷識別算法

由上述研究可知，基于特征波段的ICA變換第3成分圖像ICA3更適用于蘋果損傷的檢測。圖7為蘋果輕微損傷檢測算法流程圖：首先使用RELIEF算法選擇特征波段；觀察圖1的平均光譜圖可知，在波長為822 nm處的反射率最高，故選用此波段的圖像生成掩模；對特征波段進(jìn)行掩模處理，以減少背景干擾，掩模處理后進(jìn)行ICA變換，并選擇ICA3成分圖像進(jìn)行下一步處理；最后對所選圖像采用自適應(yīng)閾值分割算法，最終得到損傷圖像。

圖7 蘋果輕微損傷高光譜檢測算法流程Fig.7 Flow chart of detection algorithm of slight bruise apple samples

2.5.4 正常樣本與損傷樣本判別結(jié)果

使用上述損傷檢測算法對所有樣本的高光譜圖像進(jìn)行檢測的結(jié)果如表5所示。所有樣本的識別率為94.44%，表明使用該種檢測方法同樣能夠通過特征波段實現(xiàn)蘋果的輕微損傷檢測。

表5 蘋果輕微損傷圖像識別檢測結(jié)果Table 5 Detection results of slight bruise apple samples by image recognition

3 結(jié)論

使用高光譜技術(shù)從建模分析及圖像識別兩方面對蘋果損傷進(jìn)行識別和分析，主要結(jié)論如下。

1）使用RELIEF算法基于高光譜圖像的平均光譜反射率和圖像熵信息選擇特征波段。分別使用ELM、SVM與K-均值模型對特征波段進(jìn)行建模，通過對比可知，Re-ELM模型的分類效果最好，不同損傷時間的樣本都具有較好的檢測效果，測試集的總識別率為96.67%，表明高光譜成像技術(shù)結(jié)合ELM能有效實現(xiàn)蘋果的損傷檢測，且所選的特征波段不僅能去除冗余信息，減少建模時間，并且包含了有利于分類的重要信息。

2）使用ICA算法對RELIEF算法提取的特征波段進(jìn)行數(shù)據(jù)降維，然后采用自適應(yīng)閾值分割法提取水果的損傷區(qū)域。結(jié)果表明，基于圖像判別的蘋果輕微損傷檢測精度為94.44%，誤判的原因主要是損傷初期損傷區(qū)域與正常區(qū)域差別較小，所以基于圖像處理的檢測方法對于損傷初期的損傷識別不夠精確。

總之，本文通過選擇特征波段并基于特征波段建立判別分類模型，實現(xiàn)了蘋果的正常樣本及不同損傷時間樣本的識別，并且通過圖像處理技術(shù)實現(xiàn)了蘋果損傷區(qū)域的定位，為未來檢測水果損傷的相關(guān)儀器或在線檢測系統(tǒng)的開發(fā)提供了理論依據(jù)。在蘋果的在線檢測中，不僅包含了蘋果的輕微損傷，還有蘋果真菌感染等損害，擴(kuò)大蘋果樣本范圍，增加能夠檢測的蘋果損害類別將是下一步研究的重點。

參考文獻(xiàn)(References):

［1］張保華,黃文倩,李江波,等.基于高光譜成像技術(shù)和MNF檢測蘋果的輕微損傷.光譜學(xué)與光譜分析,2014,34(5):1367-1372.ZHANG B H,HUANG W Q,LI J B,et al.Detection of slight bruises on apples based on hyperspectral imaging and MNF transform.Spectroscopy and Spectral Analysis,2014,34(5):1367-1372.(in Chinese with English abstract)

［2］田有文,程怡,王小奇,等.基于高光譜成像的蘋果蟲傷缺陷與果梗/花萼識別方法.農(nóng)業(yè)工程學(xué)報,2015,31(4):325-331.TIAN Y W,CHENG Y,WANG X Q,et al.Recognition method of insect damage and stem/calyx on apple based on hyperspectral imaging.Transactions of the CSAE,2015,31(4):325-331.(in Chinese with English abstract)

［3］黃文倩,陳立平,李江波,等.基于高光譜成像的蘋果輕微損傷檢測有效波長選取.農(nóng)業(yè)工程學(xué)報,2013,29(1):272-277.HUANG W Q,CHEN L P,LI J B,et al.Effective wavelengths determination for detection of slight bruises on apples based on hyperspectral imaging.Transactions of the CSAE,2013,29(1):272-277.(inChinesewithEnglishabstract)［4］程術(shù)希,邵詠妮,吳迪,等.稻葉瘟染病程度的可見-近紅外光譜檢測方法.浙江大學(xué)學(xué)報(農(nóng)業(yè)與生命科學(xué)版),2011,37(3):307-311.CHENG S X,SHAO Y N,WU D,et al.Determination of rice leaf blast disease level based on visible-near-infrared spectroscopy.Journal of Zhejiang University(Agriculture and Life Sciences),2011,37(3):307-311.(in Chinese with English abstract)

［5］LEE W H,KIM M S,LEE H,et al.Hyperspectral nearinfrared imaging for the detection of physical damages of pear.Journal of Food Engineering,2014,130:1-7.

［6］魏新華,吳姝,范曉冬,等.基于高光譜成像分析的冬棗微觀損傷識別.農(nóng)業(yè)機(jī)械學(xué)報,2015,46(3):242-246.WEI X H,WU S,FAN X D,et al.Identification of slight bruises on winter jujube based on hyperspectral imaging technology.TransactionsoftheChineseSocietyfor Agricultural Machinery,2015,46(3):242-246.(in Chinese with English abstract)

［7］BARANOWSKIP,MAZUREK W,PASTUSZKAWO?NⅠAK J.Supervised classification of bruised apples with respect to the time after bruising on the basis of hyperspectralimaging data.PostharvestBiologyand Technology,2013,86:249-258.

［8］SUN Y,GU X Z,SUN K,et al.Hyperspectral reflectance imaging combined with chemometricsand successive projections algorithm forchilling injury classification in peaches.LWT—Food Science and Technology,2016,75:557-564.

［9］劉思伽,田有文,張芳,等.采用二次連續(xù)投影法和BP人工神經(jīng)網(wǎng)絡(luò)的寒富蘋果病害高光譜圖像無損檢測.食品科學(xué),2017,38(8):277-282.LIU S J,TIAN Y W,ZHANG F,et al.Hyperspectral imaging fornondestructive detection ofHanfu apple diseases using successive projections algorithm and BP neural network.Food Science,2017,38(8):277-282.(in Chinese with English abstract)

［10］MIN H,WAN X M,MIN Z,et al.Detection of insectdamaged vegetable soybeans using hyperspectral transmittance image.Journal of Food Engineering,2013,116:45-49.

［11］ABBOTT J A,LU R F,UPCHURCH B L,et al.Technologies for nondestructive quality evaluation of fruits and vegetables//Horticultural Reviews.Hoboken,United States:John Wiley&Sons Inc.,1997:1-120.

［12］RAJKUMAR P,WANG N,EIMASRY G,et al.Studies on banana fruit quality and maturity stages using hyperspectral imaging.Journal of Food Engineering,2012,108(1):194-200.

［13］朱啟兵,馮朝麗,黃敏,等.基于圖像熵信息的玉米種子純度高光譜圖像識別.農(nóng)業(yè)工程學(xué)報,2012,28(23):271-276.ZHU Q B,FENG Z L,HUANG M,et al.Maize seed classification based on image entropy using hyperspectral imaging technology.Transactions of the CSAE,2012,28(23):271-276.(in Chinese with English abstract)

［14］張翔,鄧趙紅,王士同,等.極大熵Relief特征加權(quán).計算機(jī)研究與發(fā)展,2011,48(6):1038-1048.ZHANG X,DENG Z H,WANG S T,et al.Maximum entropy relief feature weighting.Journal of Computer ResearchandDevelopment,2011,48(6):1038-1048.(in Chinese with English abstract)

［15］HUANG G B,ZHU Q Y,SIEW C K.Extreme learning machine:theory and applications.Neurocomputing,2006,70(1/2/3):489-501.

［16］丁世飛,齊丙娟,譚紅艷.支持向量機(jī)理論與算法研究綜述.電子科技大學(xué)學(xué)報,2011,40(1):2-10.DING S F,QI B J,TAN H Y.An overview on theory and algorithm of support vector machines.Journal of University of Electronic Science and Technology of China,2011,40(1):2-10.(in Chinese with English abstract)

［17］段明秀.層次聚類算法的研究及應(yīng)用.長沙:中南大學(xué),2009.DUAN M X.Research and application of hierarchical clustering algorithm.Changsha:Central South University,2009.(in Chinese with English abstract)

［18］HYV?RINEN A,PAJUNEN P.Nonlinear independent componentanalysis:existence and uniquenessresults.Neural Networks,1999,12(3):429-439.