面向农产品无损检测的多源异构特征表示方法研究

The agricultural products non-destructive detection methods based on a single sensor cannot meet the practical application requirements in terms of accuracy and stability. How to establish a multi-source heterogeneous data feature fusion and collaborative selection model to achieve multi-sensor combined detection is a key scientific issue to improve the accuracy and stability of agricultural products non-destructive detection methods. Focusing on the problem of multi-source heterogeneous feature fusion, this project adopts shared dual manifold subspace to construct multi-view similarity metric learning and feature selection models. To deal with the problem of noise interference and high redundancy of multi-source heterogeneous dataset, based on the assumption that the observed dataset consists of three kinds of semantic information, such as common component, discriminant component and noise component, a data matrix tri-decomposition model for discriminant component extraction is studied. Then, to deal with the problem of the consistency and complementarity of multi-source heterogeneous feature representation, kinds of strategies are used to model class labeling information and prior knowledge, and Mahalanobis metric learning based similarity estimation methods and the structural sparsity constrained feature selection methods are studied. To deal with the problem of high costs of data labeling, the multi-source heterogeneous feature representation methods under the semi-supervised learning framework are studied. The expected results can provide new ideas for the research of multi-source heterogeneous data modeling methods for agricultural products non-destructive detection, and provide technical guidance for the research and development of high-precision agricultural products non-destructive detection equipment.

基于单一传感器的农产品无损检测方法在精度和稳定性方面目前无法满足实际应用需求。如何建立多源异构数据特征融合与协同选择模型，实现多传感器联动检测，是提高农产品无损检测精度和稳定性的关键科学问题。本项目围绕多源异构特征融合问题，采用对偶流形共享子空间方法建立多视图相似性度量学习和特征选择模型。针对多源异构数据存在噪声干扰且冗余度高的问题，基于观测数据由公共成分、判别成分和噪声成分等3种语义信息组成这一假设，研究数据矩阵三元分解模型，提取数据集的判别成分；针对多源异构特征表示的一致性和互补性问题，采用多种策略对类别标记和先验知识建模，研究基于马氏度量学习的相似性估计方法和结构稀疏性约束的特征选择方法。针对数据标记成本高的问题，研究半监督学习情形下的多源异构特征表示方法。预期成果可为面向农产品无损检测的多源异构数据建模方法研究提供新思路，同时为研发高精度农产品无损检测设备提供技术指导。

数据驱动的农产品检测模型是当前农业信息化领域研究热点问题，其核心在于建立快速准确的高维数据特征表示算法。 围绕农业工程领域数据建模中存在的特征维度高、样本较少、冗余信息多和计算效率不高等难点，本项目分别研究了高维数据特征表示、基于深度学习的农产品检测、多视图数据特征融合等重要问题，取得的研究成果包括：. (1)提出了基于非负矩阵分解的高维数据特征判别表示方法，包括正交图正则化非负矩阵分解和正交对偶图正则化非负矩阵分解算法，在提高模型可解释性的同时，充分挖掘高维数据集中蕴含的几何结构和判别结构，最大限度去除特征之间的冗余性。针对高光谱图像数据计算中时空开销较高的问题，将在线学习与张量分解算法相结合，提出了基于在线张量分解的高光谱图像特征提取算法，用于苹果内部病变的高光谱检测。. (2)针对传统计算机视觉技术在苹果外部品质分级中准确率较低、鲁棒性较差等问题, 提出了基于深度学习的苹果外观分级模型DXNet，该模型的分级准确率达到97.84%。针对葡萄叶部病害训练图像缺乏的问题，提出了一种基于生成对抗网络的葡萄叶部病害训练模型。针对白菌斑、褐斑病、溃疡病、灰斑病和锈病等5种常见的苹果叶病检测问题，基于自建的苹果叶病图像数据集AppleDisease5，提出了一种移动设备端的苹果叶片病害实时检测方法MEAN-SSD，平均检测精度为83.12%，检测速度为12.53FPS，可以应用在移动设备上实时检测苹果叶片病害。针对褐斑病、溃疡病和炭疽病等猕猴桃常见的3种叶片病检测问题，利用Kiwi-Inception结构和密集连接策略，建立了基于卷积神经网络的猕猴桃叶片病害识别模型Kiwi-ConvNet，识别准确率为98.54%。. (3)在系统总结现有多视图特征融合方法的基础上，提出了基于核典型相关分析的多视图谱聚类算法，可有效利用多视图数据集中的非线性结构。针对无监督范式下的高光谱图像空谱融合问题，建立了3D卷积自编码器模型3D-CAE，可提升高光谱图像分类的准确率。