農業行業
本研究應用了400-1000nm的高光譜相機，可采用杭州彩譜科技有限公司產品FS13進行相關研究。光譜范圍在400-1000nm，波長分辨率優于2.5nm，可達1200個光譜通道。采集速度全譜段可達128FPS，波段選擇后最高3300Hz（支持多區域波段選擇）。
柑橘潰瘍病是影響全球柑橘種植業發展的重大檢疫性病害。美國農業部2006年3月提出“柑橘健康種植計劃”，并且中國2007 年7月正式啟動首個柑橘非疫生產區建設*-21。目前大部分研究都集中在對這種病害的防治和檢測方面，而對于帶有潰瘍病斑的柑橘類水果的剔除主要還是通過手工分選，對工人要求較高，且效率低，準確性差。隨著圖像處理技術的日趨先進和計算機硬件成本的降低及處理速度的提高，機器視覺系統在農產品品質自動檢測和分級領域應用越來越廣泛。由于受害果表面的潰瘍病斑呈灰褐色、木栓化、海綿狀，周圍略隆起呈暗褐色，最外圈為黃綠暈圈5，這些特征與正常果皮表面有明顯的差異，因此可以把潰瘍果作為一種缺陷果，從而利用機器視覺技術進行快速檢測。盡管國內外學者已對柑橘類水果表面缺陷檢測分級做了大量研究**。但是，在國內還未見利用機器視覺技術對潰瘍果進行檢測的相關報道。在國外，Qin等基于高光譜成像技術，分別利用光譜信息散度分類理論和主成分分析法對帶有潰瘍斑的葡萄柚進行分類識別，兩種方法識別精度均超過90%。然而，對于SID理論，需要建立參考光譜，然后圖像像素與參考光譜進行匹配，但是匹配較費時，而后一種理論則利用了99個波段參與主成分分析，兩種方法均不利于潰瘍果的在線檢測。本文主要基于高光譜成像系統，首先提取并分析每一類缺陷及正常果皮感興趣區域（region of interest，ROD）光譜曲線并結合主成分分析法確定特征波段，接著基于特征波段進行二次主成分分析，再結合雙波段比算法實現潰瘍果與其他類臍橙（包括正常果及缺陷果）的分類識別。
）本文基于高光譜成像系統利用主成分分析法及波段比算法對包括潰瘍果在內的10類常見臍橙果皮缺陷和正常果進行潰瘍果的分類識別，識別率達到95.4%。
）本試驗處于實驗室研究階段，其中基于高光譜系統采集到的數據量大，處理時間長，并不適合在線檢測。通過試驗本文得到5個特征波長用于潰瘍果的分類識別，其中可見光波段3個（630、685和720 nm），近紅外波段2個（810和875nm）。基于這些特征波段，進行特征波段主成分分析，克服了通常單次主成分分析中由于存在較多的波段而無法使這種方法應用于在線檢測的弊端。
）考慮到僅利用主成分分析法無法有效的分類潰瘍果和裂果、日灼及藥傷果，本文提出采用主成分分析法與波段比相結合的算法。基于此算法使總體識別率由原來的80%提高到95.4%。但對日灼果的識別率沒有提高。
）基于試驗中獲得的5個特征波段，選取相應的濾波片，有助于開發基于多光譜成像技術的臍橙潰瘍識別系統。另一方面，由于本文開發的算法比較簡單，進一步為臍橙潰瘍果的在線識別奠定了基礎。盡管本文研究對象是臍橙，但研究方法可能也適合其他柑橘類水果潰瘍病斑的識別，有待進一步驗證。另外，由于試驗中涉及到的缺陷種類較多，樣本收集存在一定困難，同時由于高光譜數據量大，處理較費時，因此，本研究中僅采用130個樣本作為探索性研究，雖然取得了比較理想結果，但后續將會進一步增加樣本量，驗證此理論的可行性。
