多源异构大米品质信息稀疏化解析与张量评价模型研究

For existing rice quality grade evaluation model cannot synchronize the internal physicochemical parameter and external sensory index information problem, the use of hyperspectral imaging technology combined with nonlinear manifold space thinning analytical methods and tensor analysis to establish a comprehensive quality information rice evaluation model. In this study, using sparse isometric mapping method to obtain spectral data is mapped to a nonlinear popular space sparse representation, reflecting the smallest and most powerful information extraction sparse smooth feature sub set; the use of nuclear DS evidence theory for heterogeneous image characteristic parameters and spectral fingerprint parameters isomorphic complete linear fusion expression; the establishment of quality parameters for each dimension, the right value of the element tensor model. Tucker tensor decomposition method applied to determine the optimal score based on approximate optimal tensor decomposition, and the eventual establishment of rice physicochemical and sensory quality information comprehensive evaluation model. By studying this project can be synchronized rapid detection of rice inside the physicochemical and sensory quality external indicators, and overall quality of rice were assessed classification and scientific support to provide a theoretical basis for further research to improve rice quality grade testing.

针对现有大米品质等级评价模型中无法同步耦合内部理化和外部感官指标信息的问题，提出利用高光谱成像技术结合非线性流形空间中稀疏化解析方法和张量分析法建立大米品质信息的综合评价模型。本研究以籼米、粳米和糯米为研究对象，运用稀疏等距映射法将获取的高维海量高光谱数据映射到非线性流行空间中进行稀疏表示，提取最小且反映最强信息的稀疏光滑特征子集；利用核DS证据理论对异构的图像特征参数和波谱指纹参数进行同构完备线性融合表达；建立以各品质参数为维度，权值为元素的张量模型。应用Tucker张量分解法根据最优分解得到的近似张量确定最优评分，最终建立大米理化和感官品质信息综合评价模型。通过本项目的研究可以实现同步快速检测大米的内部理化和外部感官品质指标，并对大米综合品质进行评定分级，为进一步完善大米品质的检测分级研究提供理论依据和科学支撑。

本项目围绕国家科技重大专项 “十三五”发展规划发展高效安全生态的现代农业技术，构建基于高光谱成像的快速、精准智能化生产及规模化、信息化、现代化检测系统。本研究解决了粘连的大米粒子图像准确分割的国际难题，利用提出的置信区间匹配方法可以准确定位到粘连点的真实位置，提出的检测算法复杂程度低、分割精度高，能解决大批量籽粒粘连分割不准确的实际问题，为实现自动化快速检测提供了关键技术手段。针对大米垩白区域检测中易受光照、旋转、尺度变化等问题的干扰，提出了采用深度协同稀疏编码网络利用自动编码器从图像中自动提取浅层目标特征，再结合堆叠自编码器从浅层目标特征中进一步提取更抽象的目标特征用于大米垩白区域表达。该方法对特定目标具有更鲁棒的表达，算法精度较高，泛化效果更好，获得识别精度达到90%，比基于传统特征提取的垩白大米鉴别方法识别精度高，提出的方法为当前我国现代农业生产中实现大米品质自动化快速精准检测提供了理论依据和有效的技术手段。针对异构信息提出了通过构建有效耦合多源异构高光谱波谱信息和影像信息模型来精确定性和定量大米品质等级，通过异构特征无纲量化函数消除异质波谱特征和影像特征量纲的影响，在高维Hilbert空间中构建有效耦合机制，消除大米非线性高光谱多源品质等级信息异构特性的影响，在高维耦合空间中根据样本之间的度量对多源异构大米高光谱非线性特征品质等级信息进行分类。试验获得84.5%的训练精度和82.2%的测试精度，测试集和训练集精度比传统的基于单模态方法的平均识别精度分别提升了4.10和4.65百分点。说明提出的方法可以被用于更精确定量大米品质等级。根据构建的理论模型，可以进一步开发出基于高光谱成像技术的大米综合品质专用检测仪器，应用于大米产品品质质量检测，具有实际应用价值。本研究对大米品质信息深度解析研究理论起到了重要的推动作用，为大米品质精细检测仪器装备研发奠定了相应的理论基础。