南京林业大学考研(南京林业大学考研分数线)
南京林业大学考研，南京林业大学考研分数线
油茶果采摘期受环境因素影响较大，不同地区的天气、气候、积温、土壤肥力等条件不同，造成油茶果的成熟期有早有晚，因此油茶果的采摘时间应根据其具体成熟度而定。油茶果采收前的最后一个月是油脂积累的高峰期，这段时间油茶果含油量增幅最为明显，同时伴随着内部营养物质的相互转化。然而在此时期油茶果的外部形态特征如形状大小、鲜果质量、颜色等趋于稳定，无明显变化，从而给茶农判断油茶果的成熟度和最佳采摘期带来一定的困难。故迫切需要提出一种快速准确地检测油茶果成熟度的方法，为油茶果的精准采收作业提供帮助。
南京林业大学机械电子工程学院的胡逸磊、姜洪喆、周宏平*等通过高光谱成像技术获取油茶果的高光谱数据并结合化学计量学方法获取油茶果的成熟度参数作为参照，使用分类算法完成对油茶果成熟度的判别，并验证分类模型的正确率，旨在为油茶果最佳采摘期的判断提供科学依据。
1、油茶果成熟期理化参数
由表1可知，油茶果的果高、果径在整个采摘期内出现些许的递增，但递增幅度很小，因此标准差较低，只有0.43 mm左右；鲜果质量范围在25～30 g之间，鲜籽质量范围在10～15 g之间；油茶果的果壳含水率在采摘期内有下降的趋势，但下降的幅度较小；油茶果出籽率在35%～40%之间波动，油茶果含油率随着采摘时间的推迟而递增，增幅达到59%，其标准差为5.55%，比其他理化参数的标准差高很多，可见若提前采摘油茶果将造成茶油产量的严重损失。并且从采样时间上看，11月10号油茶林中部分油茶果的果壳开裂，油茶果进入全面采收阶段，至11月14号采收工作基本完毕，预留的5 棵茶树上的大部分油茶果的果壳开裂，有的油茶果已脱落在地，符合油茶果过熟期特征，将此时采集的油茶果作为对照组，发现其含油率基本保持稳定，说明11月10号左右油茶果进入完全成熟期，此时采摘可使茶油产量最大化，并且陆续有油茶果果壳开裂并脱落导致难以收集，无法再推迟油茶林的整体采收时间。
结合表2给出其成熟度的定量判别标准：采收前30 d左右，且含油率为（22.00±1.00）%的样品作为成熟度I；油茶果采收前23 d左右，且含油率为（24.00±1.00）%的样品作为成熟度II；茶果采收前16 d左右，且含油率为（27.00±2.00）%的样品作为成熟度III；茶果采收前9 d左右，且含油率为（31.50±2.50）%的样品作为成熟度IV；油茶果采收期间，且含油率为（35.00±1.00）%的样品作为成熟度V。成熟度等级I～V的油茶果样品的成熟度依次递增，成熟度V的油茶果为完熟期样品。本实验不包含过熟期样品，因为过熟期的油茶果果壳开裂容易脱落，凭借人眼很容易判别，无需借助高光谱设备。将以上5 种成熟度油茶果样品的高光谱数据作为数据集，用作成熟度的分类。
2、基于像素点的油茶果高光谱图像曲率校正
图2a是校正前从油茶果中心沿半径方向至边缘处89 个像素点的光谱曲线图，可以看出由于油茶果曲率的影响，不同位置的光谱反射强度差异很大，光谱CV为0.244 0；图2b是相同位置的像素点校正后的光谱曲线图，可以发现每个像素点之间的光谱强度差异变小很多，CV为0.075 3。
774 nm通道油茶果样品的反射率与背景的反射率差异最大，因此该通道能清晰地显示油茶果样品的灰度图。图3是在774 nm波段校正前后油茶果反射率的伪彩色分布，可以直观地看到校正后油茶果像素点的反射率分布比校正前更均匀，说明均值归一化方法的有效性。
3、不同成熟度油茶果光谱特征分析
939 个样本曲率校正前后的光谱曲线图见图4，校正后的数据分布更加集中，数据特征更加明显。670 nm处的吸收峰主要与油茶果壳中的花青素和叶绿素有关，970 nm处的吸收峰与果壳中的水分有关。
将5 个不同成熟度等级的油茶果光谱数据分别取平均值，得到油茶果的成熟度曲线如图5所示。可以发现，不同成熟度油茶果的光谱强度差异主要体现在500～630 nm和720～970 nm之间。在500～630 nm之间，成熟度I和成熟度II样品的反射强度差别较小，随着采样时间的推迟，成熟度III和成熟度IV样品的反射强度较前者有所降低，成熟度V样品的反射强度降至最低，该波段范围内呈现出油茶果的光谱反射率随成熟度的增加而降低的规律。在720～970 nm之间，成熟度II～V样品的反射强度随成熟度的增加而降低，而从成熟度I～V样品的反射强度经历两次先增高后降低的过程，可能是与果壳中内源激素含量的动态变化有关。在5 个不同的采收时间点，成熟度曲线存在较明显的区别，为成熟度分类提供了理论依据。
4、基于全波长的油茶果成熟度分类
将5 种不同成熟度等级的油茶果样品赋予类别标签1～5，分别采用KNN、RF、SVM、PLS-DA建立基于全波长光谱信息的油茶果成熟度分类模型，各模型参数设置如表3所示。在对各个模型进行参数寻优后，获得了各模型在最优参数下的分类结果如表3和图6所示。可以发现，SVM相比于其他3 个模型的分类效果最好：训练集的分类正确率为98%，测试集的平均分类正确率为97%，对成熟度I样品的分类正确率最高；其次是RF模型，对油茶果成熟度的平均分类正确率为86%，对成熟度I和成熟度IV样品的分类正确率较高；PLS-DA模型的分类效果一般，测试集的正确率为76%；KNN模型在训练集和测试集上的分类正确率是所有模型中最低。
5、基于特征波长的油茶果成熟度分类
表4是不同降维方法选择特征变量建立的SVM分类模型结果。可以发现，使用CARS降维后的28 个特征波长的光谱数据建立的SVM模型效果最好：训练集平均正确率为91%，测试集平均正确率为82%，对成熟度IV样品的识别率最高为91%，对成熟度II样品的识别率较低为73%。经SPA和GA降维后建立的分类模型的效果相差不大：训练集上对油茶果的分类正确率为86%左右，测试集上的识别率为80%左右。主成分分析（PCA）-SVM模型的效果最差：训练集上的分类正确率为64%，测试集上的分类正确率只有55%，可见PCA方法将全波段光谱数据转化为7 个PC的过程中即使保留了99%的信息量，结合SVM建立的分类模型的性能还是较差。CARS-SPASVM和GA-SPA-SVM都是经过二次降维之后建立的分类模型，两组数据集下的SVM模型分类效果相当：测试集的正确率为75%左右，并且两个模型均对成熟度V样品的分类正确率最高，对成熟度II和成熟度III样品的分类正确率较低。
6、基于图像特征和光谱特征融合的油茶果成熟度分类
表5是不同输入特征下的SVM模型分类结果，可以发现，使用单一的颜色特征建立的油茶果成熟度SVM模型测试集正确率为79%，相比使用单一的光谱特征建模的正确率降低了3.7%，并且该模型对成熟度IV和成熟度V样品的识别率较高，分别为92%和95%，对成熟度II和成熟度III样品的识别率较低。使用单一的纹理特征建立的油茶果成熟度SVM分类模型正确率不足50%，说明油茶果的纹理特征参数在油茶果成熟期间没有发生较明显的变化，并且油茶果的表皮光滑，纹理特征并不明显，不能较好地作为油茶果成熟度的表征因子。
总体上说，融合颜色特征和光谱特征建立的油茶果成熟度SVM分类模型的效果最优，并且模型对成熟度I、IV、V油茶果样品的识别率普遍高于对成熟度II、III样品的识别率，原因是成熟度I、IV、V油茶果样品之间的特征参数差异性较大，易于分辨，而成熟度II、III样品之间的特征差异相对较小。
结 论
对利用高光谱成像技术进行油茶果成熟度检测的可行性进行探究，采用实验室内静态测量的方式观察和分析油茶果的光学特性，在此基础上分析利用油茶果的光学特征判断油茶果的成熟度的准确性。目前结合田间动态测量讨论自然环境下光谱检测油茶果成熟度的可行性的田间试验正处于方案论证阶段，将在今年油茶果成熟期（10—11月）进行，为达到油茶先熟先采、后熟后采、随熟随采的智能化采摘新阶段奠定理论基础。主要结论如下：1）分别使用KNN、RF、SVM、PLS-DA建立基于全波段光谱数据的油茶果成熟度判别模型，发现SVM模型的分类正确率最高：训练集正确率为98%，测试集正确率为97%。2）分别使用SPA、CARS、GA、CARS-SPA、GA-SPA对全光谱进行降维，建立基于特征变量的SVM模型，发现经过CARS方法选择的特征波段建立的分类模型正确率最高：训练集分类正确率为91%，测试集的正确率为82%。3）提取油茶果高光谱图像中的颜色特征和纹理特征，分别建立SVM分类模型后发现，融合颜色特征和光谱特征建立的SVM模型的正确率高于使用单一的光谱特征（经CARS降维）建立的模型正确率：训练集分类正确率为95%，测试集正确率为93%。
本文《高光谱成像技术检测油茶果成熟度》来源于《食品科学》2022年43卷16期324-331页，作者：胡逸磊，姜洪喆，周宏平，许林云，鞠皓，王影。DOI:10.7506/spkx1002-6630-20210619-229。点击下方阅读原文即可查看文章相关信息。
修改/编辑：袁艺；责任编辑：张睿梅
图片来源于文章原文及摄图网。
为进一步促进动物源食品科学的发展，带动产业的技术创新，更好的保障人类身体健康和提高生活品质，北京食品科学研究院和中国食品杂志社在宁波和西宁成功召开前两届“动物源食品科学与人类健康国际研讨会”的基础上，将与郑州轻工业大学、河南农业大学、河南工业大学、河南科技学院、许昌学院于 2022年12月3-4日 在河南郑州共同举办“2022年动物源食品科学与人类健康国际研讨会”。欢迎相关专家、学者、企业家参加此次国际研讨会。
南京林业大学考研(南京林业大学考研分数线)