加工番茄早疫病高光谱遥感识别研究

为了快速监测加工番茄早疫病发病率和加工番茄的产量和质量,防止病虫害的扩大,该文基于高光谱遥感数据和田间早疫病调查数据,以新疆天山北坡典型加工番茄种植区为研究区,分析加工番茄早疫病的病叶光谱响应特征,寻找早疫病的敏感波段,再利用遗传算法优化支持向量机的惩罚参数c和核函数参数g,对不同病害严重度的病叶进行识别。结果表明:不同病害严重度加工番茄早疫病病叶的敏感波段为628nm~643nm和689nm~692nm;遗传优化算法得出支持向量机最佳惩罚参数c为0.129,核函数参数g为3.479;分别利用多项式核、径向基核函数、Sigmoid核进行分类训练和测试,最佳分类模型为径向基核函数模型,训练准确率为84.615%,预测准确率为80.681%,高于默认参数c和g的支持向量机模型。说明通过遗传算法优化支持向量机的识别方法具有更高的精度,支持向量机为多波段协同识别病害严重度提供了新的思路。     

基于电子鼻技术的不同特征参数提取对番茄苗早疫病病害区分效果影响的研究

电子鼻检测的原始特征的数据量很大,一般在进行降低维数的处理前需要对原始特征进行合理的选择。选用最大值(Max)、全段数据平均值(Mean)、响应曲线最大曲率(kmax)、响应曲线的全段积分值(IV)作为4种不同特征参数对感染早疫病病害的番茄苗进行区分效果研究,结果表明在进行PCA和LDA区分时,利用全段数据平均值和响应曲线的全段积分值作为特征参数的效果较好,其次为最大值方法,最差的是响应曲线最大曲率方法;利用BP神经网络(BPNN)和遗传算法BP神经网络(GABPNN)两种识别模式进行预测时,利用全段数据平均值和响应曲线的全段积分值作为特征参数的训练集和预测集的正确率较好,其次为最大值方法,预测结果最差的是响应曲线最大曲率方法。     

基于图像处理的温室大棚中番茄的病害识别

为了准确有效判定温室大棚中番茄病害,利用图像处理和模式识别技术对其（早疫病、睨疫病、叶霉病）进行识别。经过刚像预处理后将叶片病害部位颜色及形状特征提取出来,并通过实验的方法,选取确定了5种显著性较大的特征用于研究,根据最后选取的特征值（颜色特征u,v;形状特征：圆度、复杂度、伸长度）采用贝叶斯判别法对番茄痫害进行识别。取每种病害各40组数据进行实验,结果表明早疫病、晚疫病识别率达到92％,叶霉病识别率达到96％。研究表明该方法能对番茄病害进行有效的识别,并有较高的识别率。     

工厂化蔬菜生产中主要病害的发生规律及生态防治研究

对北方地区工厂化蔬菜生产中番茄灰霉病，番茄晚疫病和黄瓜白粉病3种主要病害的发生规律进行了详细研究，并对低温型病害（番茄灰霉病，晚疫病）以及高温型病害（黄瓜白粉病）分别提出了相应的生态防治措施；调控温湿度，阻断紫外线，高温闷棚等。     

加工番茄早疫病病叶色素含量高光谱估测

早疫病对加工番茄的产量和品质有较为严重的影响。通过测定不同生育期自然发病的加工番茄早疫病病叶色素含量,把病片原始光谱反射率、一阶微分光谱反射率的光谱特征参数与相应病叶色素含量进行相关分析,采用线性和非线性单变量回归技术,建立色素含量估测模型并检验。研究结果表明:在传统的光谱特征参数和新建光谱特征参数中,R680、CCII、PSSR、PSNDc、FD664、DVI[FD686,FD664]为色素含量敏感光谱特征参数;R680、CCII、DVI[FD686,FD664]的线性单变量估测精度比较高;R680为变量的对数模型是估测Chl.a的最佳模型,DVI[FD686,FD664]为变量的对数模型是估测Chl.b和Chl.a+b的最佳模型。通过光谱响应特征对加工番茄早疫病病叶色素含量进行监测,能够为加工番茄早疫病监测预警和防治提供决策依据。     

基于多BP子网络的电子鼻信息融合技术

针对电子鼻技术的应用中,利用常规BP(back-propagation)网络难以对复杂的混合气味进行识别这一问题,介绍了一种采用多BP网络联合进行电子鼻多传感器数据融合处理的新方法。利用这一方法并结合气体传感器阵列在不同温度条件下的响应信号,对不同品牌的葡萄酒样本进行定性识别,仿真验证结果表明该方法的识别准确率达到100%。     

基于电子鼻的番茄种子不同储藏时间的鉴别研究

采用电子鼻对三种不同年份的番茄种子进行分析.结果表明:利用电子鼻可以很好的区分不同年份的番茄种子;利用主成分分析方法(PCA)基本上可以辨别出不同掺杂比例的种子,但是当掺杂比例为37.5%和50%时,较难利用电子鼻进行辨别区分;利用线性判别分析方法(LDA)可以很好的辨别出不同掺杂比例的番茄种子,并且每个混合种类的区域...     

最小二乘法在电子鼻动态信息融合中的应用

基于集成气敏传感器阵列和多传感器信息融合技术的电子鼻系统,可用于气体/气味的定性定量识别.电子鼻走出实验室的关键是高效的识别算法和简化的实验装置.本文提出最小二乘法在简化的电子鼻系统中的应用模型.利用线性最小二乘法拟合传感器阵列的动态响应曲线,建立电子鼻系统的知识库并进行智能识别.利用该方法并结合气体传感器阵列在不同温度条件下的动态响应信号,对雪碧、酷儿和绿茶三种饮料样本进行定性识别,仿真验证结果表明该方法的识别准确率达到100%.     

基于传感器阵列多特征优化融合的茶叶品质检测研究

为提高电子鼻对不同品质茶叶的识别能力,分别提取电子鼻传感器信号的总体平均值、上升阶段斜率平均值和相对稳态平均值作为特征值,对电子鼻传感器阵列进行多特征数据融合优化.首先对原始数据进行归一化处理,统一值的量纲和数量级;通过因子载荷分析,去除各个象限内主成分投影较小和投影重叠的因子,对多特征向量矩阵进行优化;最后采用单因素方差分析,缩小不同品质茶叶组内间距,增大组间间距,更利于实现茶叶品质的区分.结果显示,主成分分析(PCA)可有效区分3种不同等级茶叶,因子载荷优化使各品质茶叶组内间距减小,单因素方差优化使一级与二级茶叶区分效果更明显;线性判别分析(LDA)效果要优于PCA分析,3个不同等级的茶叶可得到极为明显的区分.研究结果表明,用多特征优化融合可有效提取电子鼻对茶叶的响应信息,有利于对不同品质茶叶进行识别.     

电子鼻牛奶质量检测的研究

利用自主研制的CN e-Nose I型电子鼻气体分析仪对多种品牌、不同新鲜程度的牛奶进行检测,并通过模式识别方法分析和识别数据.牛奶各组分经由金属氧化传感器阵列采集信号,其数据及响应曲线记录在PC端.运用主元分析和人工神经网络方法识别曲线特征,通过与新鲜高质量样本的标准数据进行比较,判断出牛奶变质程度.实验结果表明,电子鼻技术对牛奶品质的识别率较高,且具有便捷、安全等特点,是一种发展前景良好的实用技术.     

Quality grade identification of green tea using the eigenvalues of PCA based on the E-nose signals

The potential of the electronic nose to monitor Longjing tea different grade based on dry tea leaf, tea beverages and tea remains volatiles was studied. The original feature vector was obtained from the response signals of the E-nose, and was analyzed by principal component analysis (PCA). To decrease the data dimension and optimize the feature vector, the front five principal component values of the PCA were extracted as the final feature vectors by PCA. The linear discrimination analysis (LDA) and the back-propagation neural network (BPNN) were proposed to identify Longjing tea grade. The results showed that the discrimination results and testing results for the tea grade were better based on the tea beverages than those based on the tea leaf and the tea remains based on the new five feature vectors; both of the LDA and BPNN methods achieved better discrimination for the tea grades based on the tea beverages and the analysis results of the two methods were accordance.     

Use of electronic nose technology for identifying rice infestation by Nilaparvata lugens

Plant-emitted volatiles can change after herbivore attack. Monitoring the change in volatile profiles can offer a non-destructive method for determining plant health. An electronic nose (E-nose) equipped with a headspace sampling unit was used to discriminate between volatile profiles emitted by uninfested rice plants and those emitted by rice plants exposed to different numbers of Nilaparvata lugens adults. Principal component analysis (PCA) and linear discriminant analysis (LDA) were used to investigate whether the E-nose was able to distinguish among the different pest treatments. The results indicate that it is possible to separate differently treated rice plants using E-nose signals. The stepwise discriminant analysis (SDA) and a 3-layer back-propagation neural network (BPNN) were developed for pattern recognition models. Calculations show that the discrimination rates were over 92.5% for the training data set and 70% for the testing set using SDA. The correlation coefficient between predicted and real numbers of the pest was found to be over 0.78 using BPNN. Moreover, gas chromatography–mass spectrometry (GC–MS) analysis confirmed the E-nose results. These studies demonstrate that the E-nose technology has clear potential for use as an effective insect monitoring method.     

Discrimination of green tea quality using the electronic nose technique and the human panel test, comparison of linear and nonlinear classification tools

Electronic nose (E-nose) technique was attempted to discriminate green tea quality instead of human panel test in this work. Four grades of green tea, which were classified by the human panel test, were attempted in the experiment. First, the E-nose system with eight metal oxide semiconductors gas sensors array was developed for data acquisition; then, the characteristic variables were extracted from the responses of the sensors; next, the principal components (PCs), as the input of the discrimination model, were extracted by principal component analysis (PCA); finally, three different linear or nonlinear classification tools, which were K-nearest neighbors (KNN), artificial neural network (ANN) and support vector machine (SVM), were compared in developing the discrimination model. The number of PCs and other model parameters were optimized by cross-validation. Experimental results showed that the performance of SVM model was superior to other models. The optimum SVM model was achieved when 4 PCs were included. The back discrimination rate was equal to 100% in the training set, and predictive discrimination rate was equal to 95% in the prediction set, respectively. The overall results demonstrated that E-nose technique with SVM classification tool could be successfully used in discrimination of green tea's quality, and SVM algorithm shows its superiority in solution to classification of green tea's quality using E-nose data.     

电子鼻判别小麦陈化年限的检测方法研究

采用电子鼻对五个储藏年限的陈化小麦进行年限分析,确定了采用电子鼻判别小麦储藏年限的最佳参数及方法.对传感器信号进行多因素方差分析可知:对于固定容器的陈化小麦样品,不同的小麦密封时间对电子鼻的响应信号的影响极为显著;其次是小麦在烧杯内的密封质量.通过静置密封时间和密封质量的方差分析,得出小麦在500 mL烧杯内的最佳静置时间为1.5 h,密封在烧杯内的小麦最恰当质量为50 g.采用以上参数,对五个储藏年限的小麦进行辨别,PCA分析可以将不同储藏年限的小麦较好的区分开来,并且五个年份的小麦自右上角至左下角依次排列;而LDA分析能够将差别年限较大的陈化小麦进行区分,差距较小的,不能够很好的区分,其区分效果不如PCA分析;进而采用BP神经网络的方法进行判别分析,训练样本正确率为100%,测试样本正确率也达到了85%以上.     

基于支持向量机的丙酮精制建模

采用支持向量机建立了丙酮精制过程的产品质量与生产工艺参数之间的预测模型,并将其与反向传播神经网络和径向基神经网络模型相比较。在实际工业数据上进行的实验结果表明,支持向量机模型对丙酮纯度具有良好的预测效果,性能优于反向传播神经网络和径向基网络模型。     

基于逐步判别分析和BP神经网络的电子鼻猪肉储藏时间预测

旨在探讨一种快速检测猪肉储藏时间的电子鼻方法.本研究采用德国Airsense公司的PEN 2型便携式电子鼻对不同储藏时间(0～7 d)的猪肉样品进行检测,每天检测42个样品,每个样品质量为10 g,密封时间为5 min.提取第60 s数据进行线性判别分析,结果显示电子鼻能较好的区分不同储藏天数的猪肉样品.同时用逐步判别分析和BP神经网络对猪肉储藏时间进行预测,训练集的准确率,前者为100%,后者为94.17%,而预测集的准确率,前者为97.92%,后者为93.75%.研究表明电子鼻技术有望在猪肉新鲜度快速检测上得到广泛的应用.     

一种基于BPNN和SVM-PDE的旋转机械变工况预警方法

针对传统固定报警限未考虑时变工况的影响,易造成设备在高工况下虚警、低工况下漏警的问题,提出了一种基于BPNN(BP神经网络)和SVM-PDE(支持向量机概率密度估计)的旋转机械变工况故障预警方法.利用BPNN识别设备运行工况,结合信号处理方法从各工况振动数据中提取出多维特征并利用PCA(主成分分析)约简特征维度.将传统支持向量机(SVM)核函数改造为概率密度函数,将运行工况和低维特征输入SVM求解不同工况下正常样本的概率密度.以各个工况下正常样本概率密度值的边界值作为振动阈值进行故障预警.利用双转子试验台振动数据进行验证,结果表明,相较于固定阈值预警方法,基于BPNN和SVM-PDE的旋转机械变工况预警方法能有效降低漏警率和虚警率,验证了该方法的有效性.     

基于金属氧化物传感器阵列的小麦霉变程度检测

研制了一套由8个金属氧化物传感器组成、用于检测小麦霉变的电子鼻系统.使用该电子鼻对不同霉变程度和掺入不同百分比含量霉麦的小麦样品进行检测.通过方差分析和主成分分析优化传感器阵列并去掉冗余传感器,对优化后的数据进行主成分分析(PCA)和线性判别分析(LDA),其中PCA的前两个主成分对两类实验结果分析的总贡献率为98.30％和99.27％,LDA前两个判别因子对两类实验结果分析的总贡献率为99.68％和93.30％,且由得分图可知两种方法均能很好地区分不同的小麦样品.利用BP神经网络建立预测模型,对样品菌落总数和掺入样品中霉麦的百分比进行预测.两种预测模型的预测值和测量值之间的相关系数分别为0.91和0.94,表明预测模型具有较好预测性能.