多模态可见光谱图技术提升大豆外观品质判别精准度

本文主要探讨了一种基于可见光谱图的大豆外观品质判别方法，针对大豆品质的精确分级问题，该研究结合了机器视觉技术。首先，研究人员针对大豆粒子的可见光谱图像，提取了多尺度空间梯度特征和YCbCr颜色空间特征，这些特征可以捕捉到大豆外观的纹理和色彩信息。空间梯度特征反映了图像中的边缘和纹理变化，而YCbCr色彩空间则提供了色彩的差异描述，这两种特征都是视觉感知的关键元素。 接着，作者将这些特征视为视觉词汇，采用Kernel K-means聚类算法对它们进行处理，以获取视觉词汇的核空间局部分布聚类中心，从而形成一个视觉词典。这种词典有助于将复杂的光谱数据结构化，并便于后续的处理和分析。 为了进一步减少高维异质模态词典描述符中的冗余信息，文章引入了低秩稀疏表示法。这种方法能够同时考虑特征之间的内在关联性和稀疏性，有助于提高特征表达的效率和区分度。通过这种方式，不同模态（空间梯度和颜色空间）的信息被有效地融合，形成了低秩稀疏耦合表示的多模态词典特征。 在构建的高维耦合空间中，通过样本间的度量，研究人员对这些低秩稀疏耦合表示的特征进行分类，以此进行大豆外观品质的准确判断。实验结果显示，该方法在建模集和预测集上的识别精度分别达到了92.7%和80.1%，这表明其在大豆品质分类任务上具有较高的准确性和鲁棒性，相较于基于单一模态的视觉词典特征表示方法，性能有所提升。 本文提出的方法利用可见光谱图结合多模态特征和低秩稀疏表示，成功实现了大豆外观品质的精细分类，为食品工业中大豆品质控制和自动检测提供了有效的技术支持。