融合光谱与纹理特征的龙井茶等级无损识别OA北大核心CSTPCD

龙井茶等级快速无损识别具有重要意义.本研究以六个等级龙井茶为实验对象,应用高光谱成像技术,分别建立基于光谱特征、纹理特征及融合特征的支持向量机(Support Vector Machine,SVM)识别模型.首先采用标准正态变量变换(Standard Normal Variate,SNV)对光谱进行归一化处理,提取光谱特征,建立SVM光谱模型;然后通过T分布和随机近邻嵌入(T-Distributed Stochastic Neighbour Embedding,T-SNE)算法将高维高光谱数据映射到低维空间,选取特征图像.应用灰度共生矩阵(Gray-Level Co-Occurrence Matrix,GLCM),提取纹理特征,建立SVM图像模型;最后将光谱特征和纹理特征进行数据级融合,建立SVM混合模型.数据显示,光谱模型预测集识别率为91.11％,图像模型预测集识别率为75.42％,混合模型预测集识别率为95.14％.结果表明,与仅使用光谱或纹理信息建模相比,结合光谱和纹理特征可以提高模型识别的准确率.为进一步提高混合模型精度,引入人工蜂群(Artificial Bee Colony,ABC)算法,迭代优化SVM模型的惩罚因子C和核函数宽度g,得到最优模型,预测集准确率可达98.61％.本研究为改进龙井茶叶快速无损评估技术提供了一种可靠的方法.